nº 37 - junio 2012 revista de teledetecciónestimados socios y lectores, en este número 37 de la...

Nº 37 - Junio 2012

R e v i s t a d eTeledetecciónR E V I S TA D E L A A S O C I A C I Ó N E S P A Ñ O L A D E T E L E D E T E C C I Ó N

A E TA S O C I A C I Ó N

E S PA Ñ O L A

D E T E L E D E T E C C I Ó N

SUMARIO

Consejo de Redacción y Junta Directiva de la AET............................................................................................. 1

Editorial ................................................................................................................................................................... 2

Información y Normas para los autores ................................................................................................................ 3

ARTÍCULOS CIENTÍFICOS

• Determinación del nivel freático del agua subterránea de una isla mediante imágenes del altímetro ASTER.E. Caselles, C. Pitarch y V. Caselles .................................................................................................................. 5

• Comparación entre focos de calor MODIS y perímetros de área quemada en incendios mediterráneos.E. Chuvieco, Y. Cifuentes, S. Hantson, A. Agustín López, R. Ramo y J. Torres .............................................. 9

• Estimation of chlorophyll «A» on the Mediterranean coast using a QuickBird image.M. T. Sebastiá, J. Estornell, M. Rodilla, J. Martí1 y S. Falco .......................................................................... 23

• Cambios en el IVN y su relación con disturbios antrópicos en la vegetación serrana de Córdoba, Argentina.A. A. Brun, O. R. Campanella, A. J. Oggero y S. A. Suárez .............................................................................. 34

• Estimación del nivel freático a partir del NDVI Landsat en La Pampa del Tamarugal (Chile).M. Ortiz, L. Morales, P. Silva y E. Acevedo ...................................................................................................... 42

• Servicio interoperable (WPS) de procesado de imágenes Landsat.L. Pesquer, J. Masó, G. Moré, X. Pons, J. Peces y E. Doménech ..................................................................... 51

• Procedimiento simplificado para la caracterización de la textura del cultivo del frutal a nivel de parcela mediante los parámetros de Haralick.R. Ciriza, M. González-Audícana y L. Albizua ................................................................................................. 57

• Corrección radiométrica automática de imágenes Landsat TM mediante áreas pseudoinvariantes y mode-lización MODTRAN.G. Moré, X. Pons, J. Cristóbal, L. Pesquer y O. Gonzalez ............................................................................... 67

CASO PRÁCTICO

• Revisando el concepto de resolución en teledetección.A. Calle y P. Salvador ......................................................................................................................................... 74

• ¿QUIÉN ES QUIÉN?: El grupo LEO (Laboratory for Earth Observation) de la Universitat de València .... 80

• TESIS DOCTORAL: Patrones de biomasa de Spartina spp. en dos marismas costeras en la provincia de Buenos Aires ....................................................................................................................................................... 83

• TESIS DOCTORAL: Detección automática de edificios y clasificación de usos del suelo en entornos ur-banos con imágenes de alta resolución y datos LiDAR ................................................................................... 85

• TESIS DOCTORAL: Metodología basada en teledetección, SIG y geoestadística para cartografía y análisis de cambios en las cubiertas del suelo de la provincia de Granada.................................................... 87

• TESIS DOCTORAL: Sinergía entre datos ópticos y de microondas pasivas para el estudio de variables biofísicas sobre coberturas naturales ................................................................................................................ 90

DirectorJosé Antonio SOBRINODep. de Física de la Terra i Termodinámica. Facultat de Física. Universidad de Valencia. C/ Dr. Moliner, 50.46100 Burjassot (Valencia). Tel.: 96 354 31 15. Fax: 96 354 30 99. [email protected]

SecretarioJuan Carlos JIMÉNEZ MUÑOZUnidad de Cambio Global Dep. de Física de la Terra i Termodinámica. Facultat de Física. Universidad deValencia. C/ Dr. Moliner, 50. 46100 Burjassot (Valencia). Tel.: 96 354 37 81. Fax: 96 354 32 02. [email protected]

Consejo de RedacciónLuis Ángel RUIZ-FERNÁNDEZ. Universidad Politécnica de Valencia. ValenciaCarlos PÉREZ. Universidad de Salamanca. Salamanca.Alfonso CALERA. Universidad de Castilla La Mancha. Albacete.Federico GONZÁLEZ. Instituto Nacional de Investigaciones Agrarias (INIA). Madrid.Xavier PONS. Universitat Autònoma de Barcelona (UAB). Barcelona. José MORENO. Universitat de València. Valencia.Massimo MENENTI. Universidad de Delft. Holanda Jean-Pierre LAGOUARDE. INRA Burdeos. Francia Leo PAOLINI. Laboratorio de Investigaciones Ecológicas de las Yungas. Argentina.

Comité CientíficoFernando CAMACHO. Earth Observation Laboratory Spin-off Universidad de [email protected] DE MIGUEL. Laboratorio de Teledetección INTA. [email protected] KARNIELI. The Remote Sensing Laboratory. Jacob Blaustein Institute for Desert Research. BenGurion Univ. of the Negev. Sede Boker Campus 84990, ISRAEL. [email protected]ín LOBO, Institut de Ciències de la Terra «Jaume Almera». CSIC. [email protected] MORALES. Dpto. de Ciencias Ambientales y Recursos Renovables. Universidad de [email protected] MOYA. LMD-CNRS. Ecole Polytechnique. [email protected]çoise NERRY. LSIIT/TRIO. Louis Pasteur University. [email protected] OLIOSO. INRA-Avignon. [email protected] PLAZA. Dpto. Tecnología Computacional y Comunicaciones. Universidad de [email protected] ROUJEAN. Meteo-France. [email protected] ROYER. Département de géomatique appliquée. Université de [email protected] SHI. Institute for Computational Earth System Science. University of [email protected] VERHOEF. Dept. of Water Resources. ITC. [email protected]úl ZURITA-MILLA. Laboratory of geo-information science and remote sensing. Wageningen [email protected]

Junta DirectivaPresidente: FEDERICO GONZÁLEZ ALONSO. INSTITUTO NACIONAL DE INVESTIGACIÓN YTECNOLOGÍA AGRARIA Y ALIMENTARIA (INIA). Departamento de Protección Forestal. Centro deInvestigación Forestal. Carretera de la Coruña, km 7. 28040 Madrid. Tel.: 91 347 68 28. [email protected]: ABEL CALLE MONTES. UNIVERSIDAD DE VALLADOLID. Laboratorio deTeledetección LATUV. Edificio I+D. Paseo de Belén, 1. 47011Valladolid. Tel.: 98 342 39 52. [email protected]: JUAN JOSÉ PECES MORERA. INSTITUTO GEOGRÁFICO NACIONAL. Servicio deTeledetección. C/ General Ibáñez Íbero, 3. 28003 Madrid. Tel.: 91 597 95 26. [email protected]: ANTONIO RUIZ VERDÚ. INSTITUTO NACIONAL DE TÉCNICA AEROESPACIAL (INTA). Carretera de Ajalvir (km 4). 28850 Torrejón de Ardoz (Madrid). Tel: 91 520 15 13. [email protected] Vocal: SILVIA MERINO DE MIGUEL. UNIVERSIDAD POLITÉCNICA DE MADRID. EscuelaUniversitaria de Ingeniería Técnica Forestal. UD Topografía. Ciudad Universitaria s/n. 28040 Madrid. Tel.: 91 336 76 68. [email protected]: MARÍA DEL CARMEN RECONDO GONZÁLEZ. UNIVERSIDAD DE OVIEDO. Departamento deExplotación y Prospección de Minas. C/ Gonzalo Gutierrez Quirós. 33600 Mieres. Tel.: 98 545 80 [email protected]: SALOMÓN MONTESINOS ARANDA. GEOSYS, SL. Sector Foresta, 23, locales 7 y 8.Tres Cantos. 28760 Madrid. Tel.: 91 279 72 32. Fax: 91 229 83 94. [email protected]

Foto portada: Estimated chlorphyll-a (mg/m3) concentration map.

REVISTA DE TELEDETECCIÓNRevista de la Asociación Española de Teledetección

Depósito Legal: B-9.502.1993ISSN: 1988-8740

Estimados socios y lectores,

En este número 37 de la Revista de Teledetección se publican un total de 8 artículos corres-pondientes a diversas temáticas, entre las que se encuentran la determinación del nivel freáticodel agua subterránea en una isla del Danubio con una imagen ASTER, la comparación entre fo-cos de calor MODIS y perímetros de manchas quemadas generados a partir de imágenes Land-sat, la estimación de clorofila-a en la costa mediterránea mediante una imagen QuickBird, el aná-lisis de los cambios en el NDVI en una zona de vegetación en Argentina y su relación con losdisturbios antrópicos, la estimación del nivel freático a partir del NDVI obtenido con imágenesLandsat en una zona de Chile, la presentación de un servicio interoperable para el procesado deimágenes Landsat, la descripción de un procedimiento simplificado para caracterizar la texturade un cultivo frutal a partir de los parámetros de Haralick y la corrección radiométrica de imá-genes Landsat TM utilizando áreas pseudoinvariantes y modelización MODTRAN.

Este número incluye también la publicación de un caso práctico de marcado carácter aca-démico, en el que se revisan los conceptos de resolución espacial, temporal, radiométrica y es-pectral.

La sección «¿Quién es quién?» corresponde al grupo Laboratory for Earth Observation(LEO) de la Universitat de València, constituido en 1998 y dedicado a la explotación de datos hi-perespectrales y la asistencia al diseño de nuevos sensores para futuras misiones espaciales. Laprincipal área de investigación en los últimos años es la medida de la fluorescencia inducida porla radiación solar en la vegetación, siendo el líder de la misión FLEX, candidata del programaEarth Explorer de la ESA.

En «Reseñas de Tesis» se incluyen un total de cuatro tesis doctorales: la primera de ellas de-sarrollada en la Universidad de Buenos Aires (Argentina) y dedicada al estudio de los patronesde biomasa en dos humedales costeros utilizando imágenes Landsat; la segunda realizada en eldepartamento de Ingeniería Cartográfica, Geodesia y Fotogrametría de la Universitat Politècni-ca de Valencia y dedicada a la detección atuomática de edificios y clasificación de usos del sue-lo en zonas urbanas utilizando imágenes de alta resolución y datos LiDAR; la tercera desarrolla-da en el departamento de Geodinámica de la Universidad de Granada y dedicada a la cartografíay análisis de cambios en las cubiertas del suelo mediante teledetección, SIG y geoestadística; ypor último la cuarta de ellas realizada en el Laboratorio de Procesado de Imágenes de la Univer-sitat de València y dedicada al estudio de la sinergía entre datos ópticos y de microondas pasivaspara el estudio de variables biofísicas de las cubiertas naturales.

Para finalizar, sólo me resta seguir animando a los lectores a enviar sus trabajos a las dife-rentes secciones de la Revista de Teledetección.

José A. SobrinoDirector

Editorial

Asociación Española de Teledetección Revista de Teledetección 37, 2ISSN: 1988-8740

Revista de Teledetección (ISSN: 1988-8740) esuna publicación científico-técnica en la cual sepublican artículos originales de investigación, re-lacionados con las diversas aplicaciones de la Te-ledetección y con su desarrollo metodológico. Ensecciones aparte, se presentan Casos Prácticos quedescriben experiencias prácticas en los que se hautilizado la teledetección para desarrollar pro-yectos de análisis y gestión territorial o para de-sarrollar misiones, sensores o segmentos terres-tres. También, se incluyen recensiones críticas delibros, programas y material docente relacionadocon métodos o aplicaciones de la teledetección,así como resúmenes de tesis doctorales.

Revista de Teledetección es el órgano de expre-sión científica de la Asociación Española de Tele-detección. Se publica ininterrumpidamente desde1993, siendo la publicación de referencia en nues-tro idioma en el ámbito de los desarrollos y aplica-ciones de esta tecnología. Se edita semestralmente.

Los artículos originales de investigación sonsometidos a un proceso de evaluación externa yanónima por pares, por parte de miembros espe-cialistas de la comunidad científica nacional e in-ternacional de teledetección, supervisado y co-ordinado por el Consejo de Redacción. Revistade Teledetección se compromete a comunicar alos autores la aceptación o rechazo de los ma-nuscritos en un plazo de 3 meses.

Revista de Teledetección se encuentra indexa-da en el Catálogo LATINDEX (http://www.la-tindex. unam.mx/) y en las bases de datos ISOCe ICYT (Instituto de Estudios Documentales so-bre Ciencia y Tecnología, IEDCYT-CSIC). A tra-vés del portal de difusión electrónica de revistascientíf icas DIALNET de la Universidad de LaRioja (http://dialnet.unirioja.es/) y del sitio webde la Asociación Española de Teledetección(http://www.aet.org.es/?q=numeros) se puede ac-ceder a los contenidos de la revista, en formato.pdf. Revista de Teledetección forma parte de e-revist@s, una Plataforma Open Access de Re-vistas Científicas Electrónicas españolas y lati-noamericanas (http://www.erevistas.csic.es/). Porúltimo, el sitio web de la Asociación Española deTeledetección (http://www.aet.org.es/) disponede una herramienta de búsqueda que puede apli-

carse a la selección de los contenidos de los nú-meros publicados de la revista.

PRESENTACIÓN DE ORIGINALES

1. ARTÍCULOS

Los artículos deberán ser obligatoriamente ori-ginales e inéditos. Se enviarán en soporte digital(preferentemente Word o compatible). El traba-jo no excederá de 25 páginas (DIN-A4) incluidosresúmenes, figuras, tablas y referencias. Los tra-bajos deberán ir precedidos de resúmenes en es-pañol e inglés, finalizando con las palabras cla-ve. Para facilitar la edición se recomienda escribirlos artículos utilizando la plantilla Word dispo-nible en el siguiente enlace:http://www.aet.org.es/plantillas/plantilla.doc

El Consejo de Redacción seleccionará los ar-tículos en función de su calidad y originalidad.Para desarrollar esta tarea de supervisión, conta-rá con la colaboración de especialistas de la co-munidad científ ica nacional e internacional deteledetección quienes, de forma anónima, infor-marán sobre la conveniencia o no de la publica-ción de los artículos evaluados o, en su caso, so-bre las modificaciones que el autor deberá incluiren el trabajo. La maquetación final del artículose realizará desde la secretaría de la revista, unavez que se haya recibido la versión final del mis-mo, aprobada por el consejo de redacción.

En cualquier caso, es recomendable ajustarsea los siguientes criterios:

• Título en Mayúsculas, centrado. Además deltítulo en español, los autores indicarán el títulodel artículo en inglés.

• A continuación, autores e institución en laque trabajan, dirección y correo electrónico pa-ra el autor principal.

• Resumen / Abstract y palabras clave (mí-nimo de 5).

• Texto principal: los epígrafes principalesirán, sin numerar, en mayúsculas y negritas y lossubepígrafes en minúsculas negritas.

• Las líneas vendrán numeradas correlativa-mente desde el inicio hasta el final del texto.

• Referencias. Tablas. Pies de figura y figu-ras, insertadas en el documento.

Información y normas para los autores

Asociación Española de Teledetección Revista de Teledetección 36, 3-4ISSN: 1988-8740

• Las citas de autor, en el texto, irán en minús-cula (ej. Fernández, 2006 ó Fernández et al., 2005).

• Las tablas y figuras deberán llevar un títuloy estar numeradas consecutivamente. Se indicarásu inserción en el texto con el texto: «Insertar fig.XX». Las figuras pueden insertarse en el texto pa-ra la versión de evaluación, pero se requerirá pos-teriormente remitirlas en ficheros gráficos (tif,jpg), con suficiente resolución (300 ppp o supe-rior). Se debe prestar especial atención a la rotu-lación, para que sean legibles al tamaño final de re-producción. Se pueden incluir figuras en color,aunque conviene considerar que sólo se reprodu-cirán en color para la edición electrónica de la re-vista, mientras serán en blanco y negro para la ver-sión impresa. Las tablas se envierán en unarchivo de Microsoft Excel, evitando insertar fi-guras en ellas.

• Se intentará evitar la inclusión de notas apie de página. En caso necesario, la numeraciónserá correlativa. Se indicarán en el texto comosuperíndices.

Las referencias irán al final del texto del artí-culo y sólo se incluirán las citadas en el texto. Es-tará dispuesta por orden alfabético por el apelli-do del autor o autores, en mayúscula y nombre onombres propios con inicial, seguido de la fecha,título en cursiva, lugar de edición, editorial y nú-mero de páginas (ej: CHUVIECO, E. 2002. Te-ledetección Ambiental, Barcelona, Ariel, 586pags). Los artículos de revista habrán de redac-tarse como sigue: apellidos del autor o autorescon las iniciales de sus nombres propios, fechade edición, título del trabajo, nombre de la revistaen cursiva, número del volumen y/o del fascícu-lo, primera y última página (ej. VENTURINI, V.,RODRÍGUEZ, L. y ISLAM, S. 2007. Metodolo-gía para la estimación de la facción evaporable yla evapotranspiración con productos MODIS. Re-vista de Teledetección. 27: 44-52).

2. PRESENTACIÓN DE CASOSPRÁCTICOS

La revista incluirá una sección que describaexperiencias prácticas en las que se haya utiliza-do la teledetección para desarrollar un proyectode gestión o análisis territorial, desarrollo de mi-siones, sensores, segmentos terrestres, etc. Su ob-jetivo es mostrar ejemplos de cómo la teledetec-ción se emplea en situaciones prácticas.

Estos artículos no se incluirán en el procesode revisión estándar de la revista, sino que seránevaluados por el director de la misma o personaen quien delegue. Seguirán, por lo demás, la mis-ma estructura formal de los artículos, aunque lasreferencias bibliográficas serán más sucintas.

3. CRÍTICAS DE LIBROS O PROGRAMAS

Se incluirán recensiones críticas de libros, pro-gramas o material docente relacionados con mé-todos o aplicaciones de la teledetección, así co-mo resúmenes de tesis doctorales. Se incluirá enlas mismas los datos completos de la obra recen-sionada: ficha bibliográfica del libro, datos de re-ferencia del programa (incluyendo versión, cos-te, dirección de contacto), o de la página webcomentada (incluyendo último acceso), así comolos del autor de la crítica.

Todos los trabajos se enviarán a la siguientedirección: [email protected]

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN

La Asociación Española de Teledetección(AET) se inscribió en el Registro de Asociacio-nes del Ministerio del Interior el 8 de Septiem-bre de 1988 con el número nacional 81537.

Los fines son fomentar, facilitar, aunar y di-fundir los trabajos de investigación interdiscipli-nar en todos los aspectos de la Teledetección enEspaña mediante:

a) Organización de reuniones, periódicas ono, para la exposición y discusión de trabajoscientíficos.

b) Revista, actas, boletines y servicios de in-formación bibliográfica.

c) Organización de cursillos, conferencias ypublicaciones para la difusión de la investigacióncientífica en la relación de la Teledetección.

d) Creación de Grupos temáticos de trabajopara el estudio de problemas concretos.

e) Fomento de las enseñanzas y estímulo dela investigación en relación con las ramas de laciencia vinculadas con Teledetección.

f) Y la ejecución de cualesquiera otros finesen relación con la actividad principal, siempreque sean compatibles con las disposiciones lega-les y con las normas dictadas al efecto por los or-ganismos competentes.

4 Revista de Teledetección (2011) 35, 3-4

Determinación del nivel freático del agua subterránea de una isla mediante imágenes

del altímetro ASTER

E. Caselles, C. Pitarch y V. CasellesDepartamento de Física de la Tierra y Termodinámica. Facultad de Física.

Universidad de Valencia. 46100 Burjassot (Valencia)

Resumen

Para determinar el nivel freático del agua subterránea se usan, normalmente, medidas tomadas des-de avión, determinaciones mediante resistímetros o realizando perforaciones. Esta forma de procederrequiere, aproximadamente, la toma de una muestra por hectárea, lo que alarga y encarece considera-blemente este tipo de estudios. Sin embargo, la teledetección espacial constituye una herramienta ide-al para determinar el nivel freático del agua subterránea. Así, en este trabajo, hemos utilizado las me-didas obtenidas por el altímetro del satélite ASTER. El nivel freático del agua subterránea de una islaviene determinado, de forma aproximada, por la diferencia entre el nivel de cada punto de la isla y elque tenga el agua del río en ese momento. Así, el nivel freático del agua subterránea de una isla será,por tanto, variable a lo largo del año. Como zona de estudio hemos elegido una isla del Danubio, si-tuada en las proximidades de la población de Roseti, en el partido judicial de Calarasi, en Rumania.Las coordenadas geográficas de la isla son: entre 44° 07’ y 44° 13’ de latitud Norte y entre 27° 19’ y27° 34’ de longitud Este. El nivel freático del agua subterránea para la zona de estudio, determinadoel 30 de junio de 2008, resultó tener un valor variable entre 1 y 8 m. Estos resultados se validaron me-diante un mapa topográfico de la zona y la toma de muestras «in situ» en los diferentes pozos de la is-la. El RMS resultante fue de 1 m.

Palabras clave: nivel freático, agua subterránea, altímetro, ASTER, isla, Danubio.

Abstract

Water table depth determination using aster altimeter data over an inslandTo determine the water table depth it can be normally used airborne measurements, resistimeters

determinations or perforation analyses. This way of procedure requires, approximately, taking a sam-ple per hectare, which is expensive and time-consuming. However, remote sensing constitutes an ide-al tool for determining water table depth. Then, in this work we have used the measurements carriedout by the altimeter of ASTER satellite. The water table depth of an island can be approximately de-termined by means of the difference between the altitude of each point in the island and the altitudeof the river in this moment. So, the water table depth of an island is variable trough the year. As studyarea we have selected an island of the Danube, located near the Roseti village, Calarasi district, in Ro-mania. The geographical coordinates of the island are: between 44° 07’ and 44° 13’ N latitude and bet-ween 44° 07’ and 44° 13’ E longitude. The water table depth, measured on 30 June, 2008, was varia-ble between 1 and 8 m. These results were validated using a topographical map of the area and takingsome in situ samples at the island wells. An RMS of 1 m was obtained.

Key words: water table depth, ground water, altimeter, ASTER, island, Danube.

* Autor para la correspondencia: [email protected]: 21-09-11; Aceptado: 30-01-12.


Introducción

La toma rutinaria de muestras del nivel fre-ático del agua subterránea utiliza vuelos deavión, análisis con resistímetros o simplemen-te perforaciones. Estos métodos de diagnósti-co han sido aceptados como consecuencia dela investigación básica llevada a cabo y el in-gente número de pruebas que se han hecho des-de su establecimiento. Una gran mayoría de losplanes medioambientales y agrícolas requie-ren análisis del nivel freático. Las muestras desuelo son normalmente el resultado de prome-dios de 15 a 20 muestras individuales que sehan tomado en zonas de 12 a 20 ha.

En algunos casos, como en zonas en las quese realiza agricultura de precisión, se reco-mienda tomar una muestra cada hectárea. Sinembargo, y aunque los análisis del nivel freá-tico son muy necesarios, son muy costosos ylaboriosos a la vez.

Por ello, mediante la teledetección y pro-yectos como GRACE (Gravity Recovery andClimate Experiment), un experimento de ob-servación y análisis de los cambios en el climade la NASA, se puede monitorizar vía satélitelas diferencias en el nivel subterráneo del agua.Posibilitando procesos de análisis menos cos-tosos y estudios en lugares aislados o de difí-cil acceso (Rodell and Famiglietti, 2002; Bec-ker, 2006; Rodell et al., 2007; Strassberg et al.,2007; Abbel-Hady an Karbs, 1971; Reutov andShutko, 1992).

El objetivo de este artículo es proporcionarmapas de nivel freático para una isla del Da-nubio.

Metodología y resultados

No se disponía de mapas geológicos ni demapa de usos de suelos, por ello se utilizaronimágenes ASTER de la isla. ASTER (Advan-ced Spaceborne Thermal Emission and Reflec-tion Radiometer) es un instrumento a bordo delsatélite Terra, puesto en órbita en Diciembre de1999 como parte del Sistema de Observaciónde la Tierra (EOS) de la NASA. La Tabla 1muestra información sobre las característicasdel altímetro incluido en el ASTER.

El nivel freático en una isla viene altamen-te afectado por el nivel de agua del río, en nues-tro caso por el nivel de las aguas del Danubio.En el peor de los escenarios, el nivel freáticosería el mismo que el del río (Boluda, 2010).Así determinando la diferencia entre la alturade un punto cualquiera y la altura de las aguasdel Danubio podemos conocer fácilmente el ni-vel freático de las aguas en ese punto.

Mapa del nivel freático del aguasubterránea de la Isla del Danubio

El mapa del nivel freático del agua subte-rránea de la isla del Danubio viene dado en laFigura 1. Así, tenemos 8.279 ha con un nivelfreático de 2 metros o menos. 1.504 ha con unnivel freático de 3 metros, 1.095 con un nivelfreático de 4 metros, 812 ha con un nivel freá-tico de 5 metros, 649 ha con un nivel freáticode 6 metros, 506 ha con un nivel freático de7 metros y 976 ha con un nivel freático de 8 omás metros.

6 E. Caselles et al. / Revista de Teledetección (2012) 37, 5-8

Tabla 1. Características del altímetro del ASTER

Características VNIR SWIR TIR

Rango espectral Banda 1: 0,52-0,60 µm Banda 4: 1,600-1,700 µm Banda 10: 8,125-8,475 µmBanda 2: 0,63-0,69 µm Banda 5: 2,145-2,185 µm Banda 11: 8,475-8,825 µmBanda 3: 0,76-0,86 µm Banda 6: 2,185-2,225 µm Banda 12: 8,925-9,275 µm

Banda 7: 2,235-2,285 µm Banda 13: 10,25-10,95 µmBanda 8: 2,295-2,365 µm Banda 14: 10,95-11,65 µmBanda 9: 2,360-2,430 µm

Resolución espacial 15 m 30 m 90 m

Frecuencia de muestreo (Mbits/s) 62 23 4,2

Resolución transversal (km) ± 318 ± 116 ± 116

Ancho de imagen (km) 60 60 60

Como la altura de la superficie de la isla seha medido utilizando un altímetro localizadoa bordo de un satélite, ha sido necesario filtrarlas medidas para eliminar los datos erróneos.

En nuestro caso los errores en alturas fue-ron causados por grupos de álamos situados enlos bordes de la isla.

Validación de resultados

Para validar los resultados obtenidos, hemosusado un mapa topográfico del Servicio Topo-gráfico de la Unión Soviética que nos ha gen-tilmente proporcionado el Instituto Cartográ-f ico de Cataluña. A partir de éste hemosobtenido, siguiendo el mismo procedimiento,un nuevo mapa del nivel freático del agua sub-terránea de la isla del Danubio (Fig. 2).

El mapa topográfico de la URSS se realizóen el verano de 1991. Como la altitud de la is-la no ha experimentado cambios en el tiem-po, consideramos que el mapa topográfico yla imagen ASTER son perfectamente compa-rables.

Se observa una buena correspondencia en-tre ambos mapas salvo en la parte sur situadaalrededor de los 44° 9’ N y 27° 26’ E donde losvalores de la Figura 1 son menores que los dela Figura 2. Ello puede ser debido a trabajosrealizados en la isla durante el periodo trans-currido entre las fechas de los dos mapas.

El nivel freático del agua subterránea parala zona de estudio, determinado el 30 de juniode 2008, resultó tener un valor variable entre 1y 8 m. Estos resultados se validaron ademáscon la toma de 10 muestras «in situ» llevadasa cabo en los días más próximos posible a lafecha establecida para el estudio, en los dife-rentes pozos existentes en la isla. El RMS re-sultante fue de 1 m.

Conclusiones

Para determinar el nivel freático del aguasubterránea se usan, normalmente, medidas to-madas desde avión, determinaciones medianteresistímetros o perforaciones. Esta forma de

Determinación del nivel freático del agua subterránea de una isla mediante imágenes... 7

Figura 1. Mapa del nivel freático del agua subterránea de la isla del Danubio obtenido con el altímetro del AS-TER. Este mapa se realizó el 30 de junio de 2008. Las unidades son metros.

Figura 2. Mapa del nivel freático obtenido a partir delmapa topográfico de la Unión Soviética de 1991. Lasunidades son en metros.

proceder requiere, aproximadamente, la tomade una muestra por hectárea, lo que alarga y en-carece considerablemente este tipo de estudios.Sin embargo, la teledetección espacial consti-tuye una herramienta ideal para determinar elnivel freático del agua subterránea. Así, en es-te trabajo, hemos utilizado las medidas obteni-das por el altímetro del satélite ASTER.

El nivel freático del agua subterránea de unaisla viene determinado, de forma aproximada,por la diferencia entre el nivel de cada puntode la isla y el que tenga el agua del río en esemomento. Por tanto, dicho nivel freático serávariable a lo largo del año.

Como zona de estudio hemos elegido una is-la del Danubio, situada en las proximidades dela población de Roseti, en el partido judicialde Calarasi, en Rumania. El nivel freático delagua subterránea para la zona de estudio, de-terminado el 30 de junio de 2008, resultó tenerun valor variable entre 1 y 8 m. Estos resulta-dos se validaron mediante un mapa topográfi-co de la zona y la toma de muestras «in situ»en los diferentes pozos de la isla. El RMS re-sultante fue de 1 m.

Agradecimientos

Los autores agradecen a la GV (proyectoPROMETEO/2009/086) y al MICINN (pro-

yecto CGL2010-17577) la f inanciación reci-bida.

Referencias

ABDEL-HADY, M., & KARBS , H. H. 1971. Depthto ground-water table by remote sensing. Jour-nal of the Irrigation and Drainage Division 97:355-367.

BECKER, M. W. 2006. Potential for Satellite Re-mote Sensing of ground Water. Ground Water 44:306-318.

BOLUDA, R., 2010. Personal Communication.REUTOV, E., A., & SHUTKO, A. M. 1992, Esti-

mation of the depth to a shadow water –tableusing microwave radiometry. International Jour-nal of Remote Sensing 13: 2223-2232.

RODELL, M., & FAMIGLIETTI, J. S. 2002. Thepotential for satellite-based monitoring ofgroundwater storage changes using GRACE: theHigh Plains aquifer, Central US. Journal ofHydrology 263: 245-256.

RODELL, M., CHEN, J., KATO, H., FAMIGLIET-TI, J. S., NIGRO, J., & WILSON, C. R. 2007. Es-timating ground water storage canges in the Mis-sissipi River basin (USA) using GRACE.Hydrogeology Journal 15: 159-166.

STRASSBERG, G., SCANLON, B. R., & RO-DELL, M. 2007. Comparison of seasonal terres-trial water storage variations from GRACE withgroundwater-level measurements from the High Plains Aquifer (USA). Geophysical Research Letters 34: LI4402. doi: 10.1029/2007GL030139

8 E. Caselles et al. / Revista de Teledetección (2012) 37, 5-8


Comparación entre focos de calor MODIS y perímetrosde área quemada en incendios mediterráneos

E. Chuvieco, Y. Cifuentes, S. Hantson, A. Agustín López, R. Ramo y J. Torres

Departamento de Geografía, Universidad de Alcalá

ResumenLos puntos de calor del sensor MODIS se han utilizado extensamente como aproximación a la

ocurrencia del fuego, especialmente en aquellos territorios en donde las estadísticas de incendiosforestales no están disponibles. Con ser de gran interés, esta información no recoge completamen-te las características de los incendios en un determinado territorio, ya que está bastante influencia-da por la duración y tamaño de los fuegos. En este trabajo se realiza una comparación entre perí-metros de manchas quemadas, generados de imágenes multitemporales Landsat, y los puntos decalor MODIS para cinco imágenes situadas en distintas zonas mediterráneas de España, Portugal yChile central. La serie incluye varios años de estudio en cada imagen, de cara a analizar las ten-dencias temporales.

La comparación entre las dos fuentes indica que los puntos de calor MODIS detectan la ocurrenciade grandes incendios (> 500 ha) con alta confiabilidad (errores de omisión generalmente inferiores al5%), pero son poco confiables para los pequeños (<50 ha), en los que se ha observado un error de omi-sión cercano al 80%. Los errores de comisión (falsos positivos) se estiman en un 15%, y están aso-ciados principalmente a suelos agrícolas que alcanzan altas temperaturas en verano. No se observauna relación muy clara entre el nivel de detectabilidad de incendios y las formas de los mismos. El ni-vel de confianza asignado por los diseñadores del producto MOD14 está altamente relacionado conel nivel de detección, si bien la categoría intermedia de fiabilidad también ofrece buenos resultados.Para las zonas de estudio, se estima que cada punto de calor equivale a una superficie quemada pro-medio de 81 ha.

Palabras clave: Detección de incendios, MODIS, puntos de calor, Landsat, Áreas quemadas, Vali-dación

AbstractAgreement between MODIS hotspots and burned area perimeters in mediterranean fires

MODIS hotspots have been widely used as a proxy of fire occurrence, especially in those areas whe-re forest fire statistics are scarce of not available. Even acknowledging the interest of hotspots to analy-ze fire patterns, they do not show all characteristics of fire regimes in a particular area, as the detec-tion rates are very much influenced by fire length and size. This paper compares a time series of fireperimeter data generated from multitemporal analysis of Landsat-TM data and hotspots derived fromthe MODIS sensor (MOD14). The five study sites are located in Mediterranean areas of Spain, Por-tugal and central Chile. The time series includes several years for each study site, to tackle temporaltrends in fire occurrence to hotspots relations.

The comparison between hotspots and fire perimeters shows that the MODIS MOD14 product de-tects large fires (>500 ha) with high reliability (omission errors generally lower than 5%), but they donot properly detect small fires (<50 ha), which have omission errors close to 80%. Commission errors(false positives) are generally around 15% and mostly occur in agricultural areas with dry-hot soils insummer time. The confidence level assigned by the MOD14 product designers shows a clear relation

* Autor para la correspondencia: [email protected]: 31-10-11; Aceptado: 01-02-12

Introducción

Numerosos autores han puesto de relieve laimportancia que los incendios forestales o que-mas de biomasa tienen en el balance atmosfé-rico del planeta (Randerson et al., 2006; vander Werf et al., 2010), así como en la distribu-ción de la vegetación (Bond et al., 2005; Klos-ter et al., 2010) y en las transformaciones deluso del suelo (Bowman et al., 2009).

Pese a esa importancia, todavía tenemos bas-tante incertidumbre sobre la cantidad e inten-sidad de los impactos del fuego. Al tratarse deun fenómeno global, que se produce mayorita-riamente en zonas poco pobladas, los datos es-tadísticos sobre áreas quemadas son escasos ypoco fiables, mientras apenas hay informaciónsobre otros elementos de gran interés para en-tender los efectos de los incendios, como es elcaso de la biomasa consumida en las quemas ola severidad del fuego.

La teledetección supone una fuente de in-formación crucial para entender mejor la mag-nitud e impacto de las quemas. En lo que se re-fiere a la superficie quemada, los inventariosglobales más recientes estiman que se quemananualmente en el mundo entre 3.2 y 3.8 millo-nes de km2 (Chang y Song, 2009; Giglio et al.,2010; Roy et al., 2008; Tansey et al., 2008),una superficie similar a la de la India. Si com-paramos esa cifra con los apenas 0.6 millonesde km2 que señalan las estadísticas oficiales dela FAO (Food and Agriculture Organization,2010), se comprenden las limitaciones de las

fuentes oficiales, que no recogen informaciónde muchos países tropicales en desarrollo, endonde el fuego tiene un impacto muy conside-rable.

Hasta el momento, las metodologías másempleadas en teledetección para evaluar losimpactos de los incendios se han basado en dostipos de información (tabla 1). Por un lado, enlos focos activos detectados por sensores conbandas en el infrarrojo medio (en torno a 3.7micras); por otro, los polígonos quemados trasel incendio, a partir de analizar el cambio en lareflectividad de algunos canales del espectrosolar (principalmente infrarrojo cercano ySWIR). El primer enfoque ha sido el más ex-tendido, pues un incendio lleva consigo un grancontraste con la temperatura ambiente y su de-tección es relativamente sencilla (siempre queel área ardiendo tenga un cierto tamaño y elsensor posea buena sensibilidad térmica). Sinembargo, con este enfoque no podemos detec-tar más que lo que esté ardiendo cuando pasael satélite, por lo que supone un muestreo delo que realmente ha ardido. Por el contrario, ladetección de área quemada permite determinartoda la superficie afectada por el fuego, peroel contraste espectral con las zonas no quema-das es menos intenso que en el ámbito térmi-co, lo que lleva consigo mayores incertidum-bres en la caracterización. Ambos enfoquescomparten el mismo problema de la sensibili-dad a la cobertura nubosa, si bien en el infra-rrojo medio podría detectarse un foco activo silas nubes no son muy densas. También existen

10 E. Chuvieco et al. / Revista de Teledetección (2012) 37, 9-22

Tabla 1. Enfoques empleados para estimar impactos de incendios forestales a escala global

Puntos de Calor Área quemada

Sensores AVHRR, ATSR, MODIS, TRMM AVHRR, ATSR, MODIS, VGT, MERIS

Disponibilidad temporal Teórica >1981 (no global) Baja resolución >1981 (PAL)Práctica (>2000) Alta (>2000)

Contraste espectral Alto Medio-bajo

Precisión espacial Focos activos Mancha quemada

Fiabilidad Alta (>50 ha) Variable

with the detection level, although the intermediate confidence level also shows good detection levels.For the study sites, the average burned surface for each hotspot was calculated at 81 ha.

Keywords: Fire detection, MODIS, hotspots, Landsat, Burned areas, Assessment.

algoritmos híbridos, que consideran simultá-neamente los puntos de calor y los cambios dereflectividad post-incendio (Giglio et al., 2009)

Esa mayor facilidad para la detección ex-plica que los puntos de calor se hayan utiliza-do en múltiples análisis sobre el impacto glo-bal de los incendios, tanto para estimación deemisiones (van der Werf et al., 2004; van derWerf et al., 2006), como para definir regíme-nes de incendio (Csiszar et al., 2005; Chuvie-co et al., 2008; Dwyer et al., 2000; Harrison etal., 2010). Los sensores más empleados en es-ta tarea han sido el NOAA-AVHRR, el ERS-ATSR y el MODIS, a bordo de los satélites Te-rra-Aqua. Este último sensor es el único que sediseñó para detectar puntos de calor, por lo quecuentan con una sensibilidad térmica idóneapara esta tarea y facilita los resultados más pre-cisos.

A partir de los puntos de calor se ha inten-tado también estimar área quemada, bien apli-cando alguna fórmula que relacionara el nú-mero de puntos detectados con la superf icietotal afectada (Giglio et al., 2005b; van derWerf et al., 2003), bien empleando los puntosde calor como semilla para guiar el algoritmode área quemada sobre imágenes pre y post-in-cendio (Fraser et al., 2000; Giglio et al., 2009;Li et al., 2003; Pu et al., 2007; Roy et al.,1999). En ambos casos, resulta clave esclare-cer qué relación hay entre punto de calor y su-perficie quemada, o dicho de otra forma, cuán-tos incendios no son detectados por los puntosde calor, cuántos de los puntos detectados co-mo incendio son realmente tales, y, en casoafirmativo, a qué superficie quemada equiva-le cada punto detectado.

Este es el objetivo principal del presente ar-tículo, que pretende comparar puntos de calory superficies quemadas en varias zonas de eco-sistema mediterráneo (España, Portugal y Chi-le central), determinando su grado de fiabili-dad y su dependencia de algunos factores deerror potencial, como el tipo de cobertura, eltamaño del incendio o su forma. Aunque hayvarios trabajos que han validado la fiabilidadde los puntos de calor (Csiszar et al., 2006; Mo-risette et al., 2005; Schroeder et al., 2008),siempre se ha hecho con imágenes térmicas deincendios activos (principalmente ASTER),que recogen también las características del

frente de llamas. Comparar puntos de calor conperímetros quemados no supone propiamentevalidar los puntos de calor, sino analizar quéventajas y limitaciones tienen estos productosde cara a utilizarlos como buenos descriptoresdel impacto del fuego en un determinado te-rritorio.

Métodos

Datos de partida

Para este trabajo se han seleccionado cincoáreas de estudio, correspondientes a distintasregiones de ecosistema mediterráneo (f igu-ra 1). Cada una de ellas se define por el áreaabarcada por una escena Landsat. Los sectoresseleccionados cubren el centro de Portugal (es-cena 204/032 del catálogo Landsat), el occi-dente peninsular español (203/031), la regióncentral española (próxima al P.N. Cabañeros,201/033), el litoral mediterráneo (199/032) yla región central de Chile (escena 233/083). To-das estas zonas tienen una importante recu-rrencia de incendios, al tratarse de vegetaciónprincipalmente esclerófila (coníferas, mato-rrales y pastizales), afectada por una impor-tante sequía estival y con actividades humanasque tienden a utilizar el fuego de modo recu-rrente.

Las imágenes empleadas para este trabajose han descargado del servidor glovis(http://glovis.usgs.gov/). Se han seleccionadolas imágenes de cada escena disponibles entrelos años 2000 y 2010, preferentemente aque-llas con menor cubierta nubosa y que no estu-vieran afectadas por el efecto SLC-off (que su-

Comparación entre focos de calor MODIS y perímetros de área quemada... 11

Figura 1. Áreas de estudio seleccionadas.

ponen pérdida de bandas entre las líneas ob-servadas para las imágenes ETM+ a partir de2003). En total se han procesado 122 imáge-nes Landsat, de las que se han extraído los pe-rímetros quemados (tabla 2).

En aquellas imágenes que estaban afectadaspor el bandeado de las imágenes ETM+ no fueposible realizar el cálculo de tamaño de los pe-rímetros quemados, ya que pueden aparecermanchas quemadas interrumpidas por sectoresno observados por el sensor. Eso implicaría queel tamaño real del perímetro quemado no co-rrespondería a la realidad, ya que varias zonasafectadas no se incluirían en el mismo, o que lamisma mancha quemada se fraccione en varias,distorsionando también el número real de perí-metros quemados (figura 2). Por esta razón, tra-tamos de utilizar imágenes TM en lugar deETM+ cuando fuera posible. En caso de que hu-biera una buena cantidad de imágenes ETM+en el archivo disponible, se han empleado va-rias imágenes para cada temporada de incen-dios, de tal forma que pudieran completarse losperímetros quemados con datos de otras fechaspost-incendio. Para los años en los que no ha-

bía disponible esa serie de imágenes en el ar-chivo Landsat, no se consideraron en los análi-sis, salvo para calcular los errores de comisión.

Para los mismos periodos y zonas corres-pondientes a las imágenes Landsat, se descar-garon los puntos de calor MODIS, empleandoel servidor cartográfico del proyecto FIRMS(http://firefly.geog.umd.edu/download/). Estosdatos provienen del producto MOD14 (Co-llection 5), y están en formato shape de Arc-GISTM, disponibles en coordenadas geográfi-cas (WGS 84), donde el punto representa elcentroide de un pixel de 1 km. Para cada pun-to, se indica también su grado de fiabilidad entres categorías: baja, media y alta, extraída delos datos de calidad que incluye el producto es-tándar MOD14 (Giglio, 2005). Los puntos decalor MODIS corresponden a las adquisicio-nes de este sensor a bordo de los satélites Te-rra (desde 2000 en adelante) y Aqua (desde2002 en adelante). El primero pasa en torno alas 10.30 y 22.30 h por el Ecuador y el segun-do a las 13.30 y 1.30 h. Por tanto, hay al me-nos cuatro adquisiciones diarias disponibles(para las zonas boreales, habrá más, al tenermayor solape), a partir de 2002, y dos entre2000 y 2002, lo que afecta a la detectabilidadde incendios que realiza este sensor.

Extracción de los perímetrosquemados

La obtención de los perímetros quemados pa-ra cada área de estudio y año de referencia se re-alizó utilizando un programa semi-automáticodesarrollado por Aitor Bastarrika para la carto-grafía de áreas quemadas sobre imágenes Land-


Figura 2. Perímetros quemados interrumpidos porefecto del bandeado de las imágenes ETM+ (ejemplode una imagen en Chile central, escena 233/083).

Tabla 2. Imágenes empleadas para este proyecto

Área Número Número Número Número de Descripción de de de años de imágenes

estudio años imágenes sin bandeado sin bandeado

203/031 Occ. España 7 23 3 8

201/033 Cabañeros 6 24 2 17

199/032 Litoral Med. 10 20 5 12

204/032 Portugal 9 18 3 6

233/083 Chile 10 20 4 8

Total 42 105 17 51

sat (Bastarrika et al., 2011). Este programa par-te de imágenes multitemporales (antes y des-pués del incendio), admitiendo varias posterio-res y realizando posteriormente su integraciónen la serie anual. El algoritmo se basa en unametodología de dos fases, semillado y contex-to, y emplea diversos índices espectrales. Losumbrales se generaron a partir de una clasifica-ción en árbol realizada por los autores del algo-ritmo, pero pueden modificarse por el usuario.La fase de contexto parte de las semillas obte-nidas en la primera fase y aplica un algoritmode crecimiento de regiones, a partir de una va-riable de crecimiento generada por regresión lo-gística sobre la imagen post-incendio.

Los resultados de la extracción automáticase validaron visualmente comparando las imá-genes anteriores y posteriores al incendio, co-rrigiéndolos manualmente cuando se vio ne-cesario. La validación se realizó por unintérprete que no había intervenido en la ge-neración de los perímetros, de tal forma que seasegura una alta calidad en el proceso. En ca-so de desacuerdos se revisaron los perímetrosentre los dos intérpretes o se acudió a un ter-cero que resolviera las diferencias.

Es importante tener en cuenta que el algo-ritmo empleado distingue entre zonas quema-das, no quemadas y no observadas. Estas últi-mas refieren a sectores de la imagen sobre lasque no hay datos fiables, ya sea por fallos enel sensor (efecto SLC en las imágenes ETM+),o por nubes. En el caso de las nubes, se enri-queció la interpretación automática con unamáscara visual en aquellos sectores mal de-tectados automáticamente. Las zonas no ob-servadas se excluyen del análisis de áreas que-madas, puesto que no podemos saber si estánbien o mal detectadas.

Proceso de los datos

Para cada escena, se extrajeron los puntosde calor que correspondían a las fechas inclui-das entre las imágenes de referencia, tomadascomo anterior y posterior a los incendios. Ló-gicamente se extrajeron sólo los puntos co-rrespondientes al marco abarcado por las imá-genes, incluyendo un pequeño corredor de 500m en torno al mismo, ya que las coordenadas

de los puntos de calor se refieren al centro decada píxel, pero realmente corresponden a pí-xeles de 1 km2 aproximadamente.

Con estos datos, se calcularon una serie demétricas descriptivas, como sería la superficiequemada en cada año, el número de incendiostotales y los correspondientes a cuatro rangosde tamaño: < 50 ha, 50-100 ha, 100-500 ha, y> 500 ha.

A partir de distintos análisis espaciales, secalcularon las siguientes métricas para cadaárea de estudio y año:

— Incendios omitidos por tamaño de in-cendio. Se considera que existe un error deomisión cuando el perímetro quemado no tie-nen ningún punto de calor a menos de 1500 mde sus bordes. La franja de 1500 m se consi-dera una estimación conservadora del efectode posibles desplazamientos geométricos en-tre la imagen MODIS y la Landsat. Se asumeque los incendios más pequeños serán más di-fícilmente detectables.

— Incendios omitidos por nivel de fiabili-dad. El mismo planteamiento anterior, pero, eneste caso, se analiza la tasa de omisión en fun-ción de la confiabilidad de los puntos de calor.Este dato se asigna por el algoritmo de detec-ción del producto MOD14 en función de la ca-lidad esperable en la detección (Giglio et al.,2003). Se asume que los puntos con mayor ni-vel de confiabilidad presentarán tasas de de-tección mejores.

— Incendios omitidos por tipo de cobertu-ra. Se relacionan los incendios detectados yomitidos por los puntos de calor con la cober-tura del suelo dominante del área quemada encada incendio. En este caso, se parte de la hi-pótesis que la cobertura del suelo afecta a lacalidad de las detecciones, siendo más senci-llos de detectar los que corresponden a cu-biertas con mayor biomasa, puesto que tendrántemperaturas de combustión más altas. En elcaso de España, la cobertura del suelo se ex-trajo de la base cartográfica del Corine LandCover 2000 (http://www.eea.europa.eu/data-and-maps/data/corine-land-cover-2000-clc2000-seamless-vector-database). Para Chi-le central, esta información se obtuvo del«Catastro y Evaluación de Recursos Vegeta-cionales Nativos de Chile» (CONAF-CONA-MA-BIRF 1999)


— Errores de omisión por forma. La com-pacidad de la forma del perímetro quemado seconsideró que podría afectar a la detección,siendo más sencillo detectar áreas con perí-metros circulares y que sería más complejo de-tectar los alargados, para un mismo tamaño ob-viamente. Se def inió la forma a partir delíndice de compacidad de Gravelius (Bendjou-di y Hubert, 2002), que relaciona el perímetrode una mancha (P) y el perímetro de una cir-cunferencia con la misma superficie que esamancha (Ac):

[1]

La mancha será tanto más circular cuanto elíndice sea más cercano a 1, aumentando cuan-do la mancha sea ovalada a rectangular.

— Errores de comisión. Aquellos puntosque no tienen ningún perímetro quemado a me-nos de 1.500 m de distancia se consideran de-tecciones incorrectas (falsos positivos). Se eva-lúa la cantidad total de puntos no asociados aperímetros, respecto al total de puntos de calor.

— Errores de comisión por cobertura delsuelo. Puntos de calor no asociados a períme-tros quemados para cada tipo de cobertura res-pecto al total de detectados. Se considera quelas falsas detecciones pueden asociarse a cu-biertas con presencia mixta de vegetación ysuelo, a zonas urbanas o a suelos calientes.

— Finalmente, hemos calculado el númeromedio de puntos de calor que cae en cada pe-rímetro quemado, considerando tamaños de in-cendios. Esto permitiría estimar superficies apartir de puntos.

Resultados

Incidencia del fuego en las áreas de estudio

En los 25 años acumulados y 5 zonas de es-tudio que presentamos en este trabajo se hancartografiado un total de 3.953 incendios, quehan quemado 363.498 hectáreas. En la serieanalizada, destaca especialmente el dato dePortugal, en 2003, momento en el que se que-maron más de 132.000 ha en 92 incendios. Es-te dato altera notablemente la serie, y fue de-bido a una estación particularmente severa deincendios en nuestro país vecino. El promediode tamaño para los incendios para todas las zo-nas de estudio es de 92 ha, pero si exceptua-mos el dato anómalo de Portugal 2003, el ta-maño baja hasta 60 ha quemadas por incendio.Los incendios son más pequeños en Chile, conun promedio de 39 ha, tienen un valor inter-medio en el centro de España (Cabañeros, 96ha) y Portugal (95 ha, exceptuando el 2003) yson más altos en el interior de Valencia, con unpromedio de 202 ha.

KP

Ac0.282=


Figura 3. Distribución del número de incendios (línea) y superficie quemada (barras) por años en las distintaszonas de estudio.

Se observa una relación clara entre el nú-mero de incendios y la superf icie quemadar2 = 0.87 si exceptuamos el dato de Portugalde 2003, que alterna sustancialmente toda laserie. También sin considerar ese caso anó-malo, el tamaño promedio de los incendios tie-ne una baja correlación tanto con el númerode incendios (r2 = 0.04) como con la superfi-cie quemada (r2 = 0.001), lo que indica que sonbastante estables en cada zona de estudio, in-dependientemente de que sea una temporadaespecialmente grave o no, siempre que no seacatastrófica. Por ejemplo, en el occidente pe-ninsular (escena 203/031) el año 2003 se que-mó casi cuatro veces más superf icie que en2007, y dos veces más que en 2009, pero elárea promedio es muy similar en los tres años.En Cabañeros (201/033), los años de mayoresincendios no se dan en las peores estaciones,ya que el mayor tamaño promedio anual (391ha) se da en un año de incidencia media-alta,pero no extrema. Aquí sí se observa una ma-yor variabilidad de tamaños entre estaciones,desde los 14 ha por incendio de 2010 hasta las390 de 2005.

La distribución del conjunto de los incen-dios por tamaños muestra un claro sesgo hacia

los incendios más pequeños, como es habitualen este fenómeno (tabla 3). El 81% de los in-cendios son menores de 50 ha, pero quemanúnicamente el 11 % de la superficie afectada.Por el contrario, el 2% de los incendios másgrandes (superiores a 500 ha) queman más del63% de la superficie, que se eleva al 84% siconsideramos los superiores a 100 ha.

Relación entre puntos de calor y superficie quemada

Antes de analizar con más detalle las dife-rencias y acuerdos entre la detección de incen-dios que realizan los puntos de calor y los perí-metros quemados Landsat, conviene hacer unprimer análisis que muestre las tendencias en-tre estos dos conjuntos de datos. La relación en-tre puntos de calor y número de incendios esbastante baja (r2 = 0.10: figura 4), puesto queexiste una gran dispersión en los tamaños de losincendios, sobre todo si se consideran los datosde Portugal 2003, con una gran cantidad de in-cendios de gran tamaño, como hemos indicado.Si prescindimos de ese año, la relación aumen-ta notablemente (r2 = 0.76), si bien se observan


Tabla 3. Distribución de los incendios por tamaños

Tamaño Número%

Área %

(ha) de incendios quemada (ha)

< 50 ha 3.216 81,36 38.923 10,71

50-100 ha 298 7,54 21.009 5,78

100-500 ha 349 8,83 72.366 19,91

> 500 ha 90 2,28 231.200 63,60

Total 3.953 100,00 363.498 100,00

Figura 4. Relaciones entre puntos de calor y número de incendios (arriba) y superficie quemada (abajo).

años con múltiples incendios pequeños en laimagen del occidente peninsular (203/031).

Por el contrario, las relaciones entre núme-ro de puntos de calor y superficie quemada esmagnífica, tanto incluyendo la zona de Portu-gal 2003 (r2 = 0,976), como sin considerar eseperiodo especialmente catastrófico (r2 = 0.879)

Incendios omitidos por los puntos de calor

En lo que se ref iere a la capacidad de lospuntos de calor para detectar perímetros que-mados, dividimos la exposición entre los erro-res de omisión (falsos negativos) y los de co-misión (falsos positivos). En teoría, la omisiónpuede venir dada o bien porque el incendio esmuy pequeño para ser detectado por el sensor,o bien muy corto en el tiempo para estar acti-vo en el momento de pasar el satélite.

En el caso del conjunto de datos que esta-mos analizando, se cumplen las expectativasiniciales, ya que claramente el error de omi-sión disminuye directamente con el tamaño delos incendios (tabla 4). Para los incendios máspequeños de 50 ha, los errores son muy altosen todas las zonas de estudio (entre 0.68 de Por-tugal y 0.87 de Chile), con un valor promediode 0.83. Por el contrario, los incendios mayo-res tienen tasas de omisión relativamente ba-jas, salvo en el caso de Chile, en donde se ob-serva una detección bastante baja, puesto quede los 9 incendios mayores a 500 ha sólo se de-tectaron 4. Para el centro de Portugal y el lito-ral mediterráneo, las tasas de detección de losincendios mayores son muy buenas (no hayerrores de omisión), mientras en el occidentey centro peninsular se sitúan en torno al 0.3.La media global para los incendios superiores

a 500 ha es de 0.2, llegando a 0.4 si incluyéra-mos los incendios más grandes de 100 ha.

En la figura 5 se observa visualmente la re-lación entre perímetros y puntos de calor, pa-ra los casos de las escenas de Cabañeros y deChile central. Se detecta cómo los incendiospequeños frecuentemente no tienen asociadospuntos y algunos de los grandes, sólo en su ini-cio o finalización.

Para analizar la calidad de las tasas de de-tección en los distintos niveles de confiabili-dad que señala el producto estándar MODIS,comparamos el número de perímetros detecta-dos en cada nivel de confiabilidad, respecto altotal detectado. Como cabría esperar (tabla 5),la tasa de detección aumenta para los puntosde calor más fiables, aunque no hay una dife-rencia muy evidente entre el nivel 2 y 3 (con-fiabilidad mayor del 30% o del 80%, respecti-vamente). De hecho, la tasa de detección esalgo mayor para la confiabilidad intermedia enalgunas de las zonas de estudio (Portugal),mientras se iguala en Chile central y costa me-diterránea, y es ligeramente inferior en las otrasdos. La confiabilidad más baja (<30%) pre-senta tasas de detección muy pequeñas, casisiempre inferiores al 5%.

En cuanto a la influencia de la cobertura delsuelo en la tasa de detección, se ha considera-do la clase de cobertura más frecuente en cadaárea (tabla 6), incluyendo sectores periurba-nos, en donde son frecuentes los incendios enla zona de Chile central. Tal y como podíamosasumir, la tasa de detección es más alta (la omi-sión disminuye) para las clases con mayor bio-masa (cubierta arbolada o matorral), frente alpastizal o vegetación estacional (humedales).En el primer grupo los errores de omisión sesitúan entre el 0.43 y el 0.48, mientras en el se-gundo rondan el 0.7. Las zonas agrícolas y pe-


Tabla 4. Error de omisión del producto MOD14 por tamaño de incendios

< 50 ha 50-100 ha 100-500 ha > 500 ha

203/031 0,86 0,73 0,62 0,30

201/033 0,80 0,69 0,43 0,29

199/032 0,73 0,00 0,00 0,00

204/032 0,68 0,46 0,31 0,00

233/083 0,87 0,74 0,52 0,56

Total 0,83 0,69 0,51 0,20

riurbanas se sitúan a medio camino entre am-bos grupos, con errores de omisión entre 0.51y 0.57.

Respecto al efecto de la forma en la detec-tabilidad de los incendios, no se observa unatendencia clara en los incendios de menor ta-maño (< 50 ha), mientras en los de medio ta-maño sí se aprecia que los errores disminuyencuanto más alargado se hace el perímetro, aun-que conviene considerar que en incendios másgrandes el índice de Gravelius casi siempre su-pera el valor umbral de 1.5, y apenas hay ca-sos de incendios compactos (tabla 7). Por esta


Tabla 6. Proporción de perímetros detectados por tipo de cobertura del suelo

Detectados No detectados Error omisión

Urbana 52 55 0,51

Agrícola 511 684 0,57

Pastizal 77 161 0,68

Superficie arbolada 533 491 0,48

Matorral 916 704 0,43

Humedales 34 79 0,70

Total 2.123 2,174 0,51

Figura 5. Perímetros quemados y puntos de calor para dos zonas y periodos de estudio: izquierda, 201/033 delaño 2002 (centro de España); derecha, imagen 233/083 del año 2008 (Chile central).

Tabla 5. Proporción de perímetros detectados en ca-da nivel de fiabilidad respecto al total de períme-tros detectados

<30% >30%-<80% ≥80%

203/031 0,07 0,39 0,54

201/033 0,02 0,45 0,53

199/032 0,00 0,50 0,50

204/032 0,14 0,81 0,55

233/083 0,02 0,49 0,49

Total 0,07 0,53 0,53

razón, aunque el contraste entre formas arrojauna tendencia clara, debería matizarse por elescaso número de casos en los intervalos máscirculares.

Puntos de calor erróneos

Los errores de comisión se def inen comopuntos de calor que no se asocian a ningún pe-rímetro quemado y, por tanto, pueden consi-derarse como falsos positivos. Para reducir elimpacto de un posible desplazamiento entreimágenes MODIS y Landsat, se ha considera-do como error de comisión al punto de calorque se situaba a más de 1500 m de cualquierperímetro quemado. Eso supone conceder unmargen de desplazamiento de 1 pixel sobre laresolución original del producto MOD14.

En este análisis sí se han considerado todaslas imágenes disponibles para todas las zonasde estudio, independientemente de que tuvie-ran o no el efecto del bandeado, ya que aquí noconsideramos el tamaño de las manchas que-madas. De los casi 8000 puntos de calor detec-tados para todas las zonas y años disponibles,se han registrado algo más de 1.200 (un 15%)que no estaban asociados a ningún perímetroquemado (tabla 8). La tasa de error es similar

en las distintas zonas de estudio salvo el casode Portugal que ofrece un bajísimo error (0.02).El occidente peninsular, la costa del Medite-rráneo y Chile central presentan valores simi-lares, en torno al 20%, mientras el centro de laPenínsula ofrece un valor próximo al 10%.

En lo que se refiere a las cubiertas del sue-lo que presentan mayores errores de comisión,destacan las zonas agrícolas, en las que se si-túan más de un 30% de los falsos positivos, conespecial importancia en la zona de Cabañeros,que superan el 50% (tabla 9). Siguen en im-portancia las zonas arboladas y de matorral,con una proporción cercana al 25%. Las zonasurbanas arrojan errores altos de comisión con-siderando la superficie que ocupan.

Finalmente, hemos calculado el número me-dio de puntos de calor por cada perímetro que-mado, en función de su tamaño. La tendenciageneral es bastante clara, pero se observan di-ferencias notables entre las distintas áreas deestudio, con los valores promedio más bajospara la zona de Cabañeros, donde sólo hay9 puntos de calor por cada incendio de más de500 ha, frente a la zona del centro de Portugalcon más de 56 puntos de calor. Lógicamente,la distribución en tamaños incluye notables di-ferencias, especialmente en esta última cate-goría y considerando los grandes incendios de


Tabla 7. Errores de omisión en función del tamaño y forma de los incendios, de acuer-do al índice de compacidad de Gravelius

<1,25 1,25 - 1,5 >1,5 Promedio

< 50 ha 0,858 0,836 0,828 0,831

50-100 ha 1,000 0,688 0,690 0,692

100-500 ha 1,000 0,500 0,450 0,452

> 500 ha — — 0,202 0,202

Total 0,861 0,830 0,756 0,772

Tabla 8. Errores de comisión del producto MOD14 para las distintas zonas de estudio

Zona Puntos > 1.500 m Número puntos Error comisión

203/031 756 3.784 0,20

201/033 42 344 0,12

199/032 74 410 0,18

204/032 41 1.997 0,02

233/083 303 1.441 0,21

Total 1.216 7.976 0,15

Portugal del 2003. También se observa el im-pacto de grandes incendios en la imagen del li-toral mediterráneo (con casi 50 puntos de ca-lor por área quemada para los incendiossuperiores a 50 ha).

Discusión

La muestra que hemos utilizado para la ma-yor parte de los resultados de este trabajo pue-de considerarse bastante representativa de losincendios que ocurren en el ecosistema medi-terráneo, ya que incluye una serie temporal am-plia (10 años en algunos casos) y espacial di-versa (5 escenas en 3 países distintos). Latendencia promedio en la ocurrencia se apro-xima a los datos disponibles para el conjuntode España, por ejemplo, donde la base de datosdel Ministerio de Medio Ambiente, Rural y Ma-rino indica que el 40% de la superficie quema-da del país se produce en incendios mayores a500 ha, alcanzando el 68% para los incendiosmayores a 100 ha. Nuestros datos superan am-bos umbrales, pero siguen marcando la impor-tancia de los incendios medios y grandes en laocurrencia global del fuego. En la serie anali-zada, destaca la altísima ocurrencia de Portu-gal en el 2003, y también el alto número de pun-tos de calor para la escena 203/031 en 2003,aunque con incidencia mucho más limitada.

Del análisis realizado en este artículo pode-mos concluir que los puntos de calor son bue-nos descriptores de los incendios medios ygrandes ocurridos en una determinada zona,pero no describen adecuadamente la ignición,por un lado, ya que apenas recogen incendiosde tamaño pequeño y, por otro, muchos puntosde calor pueden referirse al mismo incendio sies suficientemente grande y extenso en el tiem-po. Por estas razones, la correlación calculadaentre número de incendios y número de pun-tos de calor es bastante baja, especialmente siincluimos la escena y el periodo de mayor im-pacto (Portugal 2003).

No obstante, puesto que esos incendios pe-queños son poco representativos en términosde superficie afectada, la relación entre núme-ro de puntos de calor y superficie quemada esmuy alta, con coeficientes de determinaciónsuperiores al 97%. Similares resultados se hanobservados por otros autores, si bien las rela-ciones encontradas eran bastante dependientesde la proporción de arbolado y de la distribu-ción del tamaño de incendios (Giglio et al.,2005a)

Cada punto de calor en el modelo de regre-sión resultante equivale a unas 81 hectáreasquemadas. Los valores más altos se observa-ron en los primeros años de la serie (2001 y2002), lo cual puede estar afectado por tres fac-tores: a) la revisión del algoritmo de detección


Tabla 10. Número medio de puntos de calor por cada área quemada para las distintas áreas de estudio

203/031 201/033 199/032 204/032 233/083 Promedio

< 50 ha 2,26 1,16 0,50 1,78 1,25 1,43

50-100 ha 3,54 2,33 0,75 3,63 2,25 2,56

100-500 ha 4,96 3,39 4,00 4,29 3,37 4,16

> 500 ha 16,16 8,92 48,75 56,93 29,00 32,69

Tabla 9. Proporción de puntos de calor erróneos en distintas coberturas del suelo

203/031 201/033 199/032 204/032 Promedio

Urbana 0,00 0,12 0,32 0,02 0,12

Agrícola 0,31 0,52 0,24 0,34 0,35

Pastizal 0,03 0,12 0,01 0,02 0,05

Arbolado 0,18 0,10 0,20 0,44 0,23

Matorral 0,47 0,02 0,22 0,15 0,22

Humedales 0,00 0,00 0,00 0,02 0,01

que se realizó en 2003, b) la incorporación deuna nueva máscara de nubes y, sobre todo, ellanzamiento del satélite Aqua, con otro sensorMODIS a bordo, que mejoró notablemente latasas de detectabilidad obtenidas previamentesolo con Terra.

En relación con la distribución de la ocu-rrencia del fuego por tamaño de incendio seobserva una clara limitación del productoMOD14 para detectar los incendios de menortamaño (<50 ha), con errores que superan confrecuencia el 80% de los casos. La confiabili-dad del producto aumenta a medida que los in-cendios son más grandes, lográndose erroresde omisión muy bajos con incendios superio-res a 500 ha, salvo en los primeros años de laserie donde se mantienen errores próximos al25%. En suma, al menos para ecosistemas me-diterráneos, los puntos de calor solo recogenparcialmente la variedad en los regímenes deincendio y sería algo arriesgado basarse en es-tos datos para establecer funciones entre nú-mero de eventos y superficie afectada.

En cuanto a los factores de control, nuestrosresultados indican que los valores de fiabili-dad alto y muy alto que recoge el productoofrecen similares niveles de detectabilidad,siendo conveniente por tanto incluir ambos pa-ra mejorar la muestra de puntos para detectarperímetros quemados. Respecto a los tipos decobertura, se observaron diferencias sustan-ciales entre los pastos y humedales, con nive-les más altos de omisión, y las clases con ma-yor biomasa, principalmente arbolado ymatorral, donde es lógico suponer que los in-cendios tendrán mayor temperatura. La formadel perímetro quemado no puede considerarseun factor muy destacado en la detectatiblidad,si bien tienen a ser mejor discriminados los in-cendios alargados que los circulares.

La detección de falsos positivos se sitúa entorno al 15% de los puntos de calor, con valo-res algo más altos en Chile central y más bajosen el litoral mediterráneo y en la zona de Ca-bañeros. Las principales confusiones se dan enzonas agrícolas, principalmente en la zona deCabañeros.

En caso de que se utilizaran los puntos decalor como semilla para correr algoritmos decrecimiento de regiones o contexto, nuestrosresultados indican que la fiabilidad de las de-

tecciones sería alta para incendios medios ygrandes (>100 ha), donde cada perímetro tie-ne una alta probabilidad de tener al menos unpunto de calor (generalmente son bastantesmás). No obstante, ese enfoque dejaría fueralos incendios más pequeños, y se tendría queestablecer algún criterio para evitar los erroresde comisión, que podrían incrementar nota-blemente las falsas detecciones, especialmen-te en zonas agrícolas, donde la continuidad es-pacial es muy alta.

Agradecimientos

Parte de este trabajo se ha realizado con apo-yo del proyecto f ire_cci f inanciado por laAgencia Espacial Europea. Se agradecen sin-ceramente las sugerencias de los revisores anó-nimos.

Referencias

BASTARRIKA, A., CHUVIECO, E., & MARTÍN,M. P. 2011. Mapping burned areas from LandsatTM/ETM+ data with a two-phase algorithm: ba-lancing omission and commission errors. Remo-te Sensing of Environment. 115: 1003-1012.

BENDJOUDI, H., & HUBERT, P. 2002. Le coeffi-cient de compacité de Gravelius: analyse critiqued’un indice de forme des basins versants. Hydro-logical Sciences Journal, 47(6): 921-930.

BOND, W. J., WOODWARD, F. I., & MIDGLEY,G. F. 2005. The global distribution of ecosystemsin a world without f ire. New Phytologist. 165:525-537.

BOWMAN, D. M. J. S., BALCH, J. K., ARTAXO,P., BOND, W. J., CARLSON, J. M., COCHRA-NE, M. A., D’ANTONIO, C. M., DEFRIES, R.S., DOYLE, J. C., HARRISON, S. P., JOHNS-TON, F. H., KEELEY, J. E., KRAWCHUK, M.A., KULL, C. A., MARSTON, J. B., MORITZ,M. A., PRENTICE, I. C., ROOS, C., SCOTT, A.,SWETNAM, T., VAN DER WERF G., & PYNE,S. J. 2009. Fire in the Earth system. Science. 324:481-484.

CSISZAR, I., DENIS, L., GIGLIO, L., JUSTICE,C. O., & HEWSON, J. 2005. Global fire activityfrom two years of MODIS data. InternationalJournal of Wildland Fire. 14: 117-130.

CSISZAR, I. A., MORISETTE, J. T., & GIGLIO,L. 2006. Validation of active fire detection frommoderate-resolution satellite sensors: The MO-DIS example in Northern Eurasia. IEEE Trans-


actions on Geoscience and Remote Sensing. 44:1757-1764.

CHANG, D., & SONG, Y. 2009. Comparison ofL3JRC and MODIS global burned area productsfrom 2000 to 2007. Journal of Geophysical Re-search. 114.

CHUVIECO, E., ENGLEFIELD, P., TRISHCHEN-KO, A. P., & LUO, Y. 2008. Generation of longtime series of burn area maps of the boreal forestfrom NOAA–AVHRR composite data. RemoteSensing of Environment. vol. 112: 2381-2396.

DWYER, E., PEREIRA, J. M. C., GRÉGORIE, J.-M., & DACAMARA, C. C. 2000. Characteriza-tion of the spatio-temporal patterns of global fi-re activity using satellite imagery for the periodApril 1992 to March 1993. Journal of Biogeo-graphy. 27: 57-69.

FAO 2010. Global Forest Resources Assessment2010. Main report. Food and Agricultural Orga-nization, Forestry Paper 163, Rome.

FRASER, R. H., LI, Z., & CIHLAR, J. 2000. Hots-pot and NDVI Differencing Synergy (HANDS):a new technique for burned area mapping overboreal forest. Remote Sensing of Environment.74: 362-376.

GIGLIO, L. 2005. MODIS Collection 4 Active Fi-re Product User’s Guide. Version 2.2. Universityof Maryland, Colle Park.

GIGLIO, L., DESCLOITRES, J., JUSTICE, C. O.,& KAUFMAN, Y. J. 2003. An Enhanced Con-textual Fire Detection Algorithm for MODIS. Re-mote Sensing of Environment. 87: 273-282.

GIGLIO, L., LOBODA, T., ROY, D. P., QUAYLE, B.,& JUSTICE, C. O. 2009. An active-fire based bur-ned area mapping algorithm for the MODIS sen-sor. Remote Sensing of Environment. 113: 408-420.

GIGLIO, L., RANDERSON, J. T., VAN DERWERF, G. R., KASIBHATLA, P. S., COLLATZ,G. J., MORTON, D. C., & DEFRIES, R. S. 2010.Assessing variability and long-term trends in bur-ned area by merging multiple satellite fire pro-ducts. Biogeosciences Discuss. 7: 1171-1186,doi:1110.5194/bg-1177-1171-2010,.

GIGLIO, L., VAN DER WERF, G. R., RANDER-SON, J. T., COLLATZ, G. J., & KASIBHATLA,P. 2005a. Global estimation of burned area usingMODIS active f ire observations. AtmosphericChemistry and Physics. 5: 11091-11141.

GIGLIO, L., VAN DER WERF, G. R., RANDER-SON, J. T., COLLATZ, G. J., & KASIBHATLA,P. S. 2005b. Global estimation of burned areausing MODIS active f ire observations. Atmos-pheric Chemistry and Physics. 5: 11091–11141.

HARRISON, S. P., MARLON, J. R., & BARTLEIN,P. J. 2010. Fire in the Earth System.en J. Dodson(Ed). Changing Climates, Earth Systems and So-ciety. Springer Netherlands, pp. 21-48.

KLOSTER, S., MAHOWALD, N., RANDERSON,J., THORNTON, P. E., HOFFMAN, F., LEVIS,

S., LAWRENCE, P., FEDDEMA, J., OLESON,K., & LAWRENCE, D. 2010. Fire dynamics du-ring the 20th century simulated by the Commu-nity Land Model. Biogeosciences Discuss. 7:1877-1902.

LI, Z. Q., FRASER, R., JIN, J., ABUELGASIM, A.A., CSISZAR, I., GONG, P., PU, R., & HAO, W.2003. Evaluation of algorithms for fire detectionand mapping across North America from satelli-te. Journal of Geophysical Research-Atmosphe-res. 108: D2, 4076, doi:10.1029/2001JD001377.

MORISETTE, J. T., GIGLIO, L., CSISZAR, I., &O. JUSTICE, C. 2005. Validation of the MODISactive fire product over Southern Africa with AS-TER data. International Journal of Remote Sen-sing. 26: 4239-4264.

PU, R. L., LI, Z. Q., GONG, P., CSISZAR, I., FRA-SER, R., HAO, W.-M., KONDRAGUNTA, S., &WENG, F. 2007. Development and analysis of a12-year daily 1-km forest f ire North Americafrom NOAA/AVHRR data. Remote Sensing ofEnvironment. 108: 198-208.

RANDERSON, J. T., LIU, H., FLANNER, M. G.,CHAMBERS, S. D., JIN, Y., HESS, P. G., PFIS-TER, G., MACK, M. C., TRESEDER, K. K.,WELP, L. R., CHAPIN, F. S., HARDEN, J. W.,GOULDEN, M. L., LYONS, E., NEFF, J. C.,SCHUUR, E. A. G., & ZENDER, C. S. 2006. Theimpact of boreal forest fire on climate warming.Science. 314: 1130-1132.

ROY, D. P., BOSCHETTI, L., & JUSTICE, C. O.2008. The collection 5 MODIS burned area pro-duct — Global evaluation by comparison with theMODIS active fire product. Remote Sensing ofEnvironment. 112: 3690-3707.

ROY, D. P., GIGLIO, L., KENDALL, J. D., & JUS-TICE, C. O. 1999. Multi-temporal active-fire ba-sed burn scar detection algorithm. InternationalJournal of Remote Sensing. 20: 1031-1038.

SCHROEDER, W., PRINS, E., GIGLIO, L., CSIS-ZAR, I., SCHMIDT, C., MORISETTE, J., &MORTON, D. 2008. Validation of GOES andMODIS active fire detection products using AS-TER and ETM+ data. Remote Sensing of Envi-ronment. Volume 112: 2711-2726.

TANSEY, K., GRÉGOIRE, J. M., DEFOURNY, P.,LEIGH, R., PECKEL, J. F., BOGAERT, E. V., &BARTHOLOME, J. E. 2008. A new, global, mul-ti-annual (2000–2007) burnt area product at 1 kmresolution. Geophysical Research Letters. 35,L01401, doi:10.1029/2007GL03156.

VAN DER WERF, G. R., RANDERSON, J. T., CO-LLATZ, G. J., & GIGLIO, L. 2003. Carbon emis-sions from fires in tropical and subtropical ecos-ystems. Global Change Biology. 9: 547-562.

VAN DER WERF, G. R., RANDERSON, J. T., CO-LLATZ, G. J., GIGLIO, L., KASIBHATLA, P. S.,ARELLANO, A. F., OLSEN, S. C., & KASIS-CHKE, E. S. 2004. Continental scale-partitioning


of fire emissions during the 1997 to 2001 El Ni-ño/La Niña period. Science. 303: 73-76.

VAN DER WERF, G. R., RANDERSON, J. T., GI-GLIO, L., COLLATZ, G., MU, M., KASIBHA-TLA, P. S., MORTON, D. C., DEFRIES, R. S.,JIN, Y., & VAN LEEUWEN, T. T. 2010. Globalfire emissions and the contribution of deforesta-tion, savanna, forest, agricultural, and peat fires

(1997-2009). Atmospheric Chemistry andPhysics. 10: 11707–11735.

VAN DER WERF, G. R., RANDERSON, J. T., GI-GLIO, L., COLLATZ, G. J., KASIBHATLA, P.S., & ARELLANO, A. F. 2006. Interannual va-riability in global biomass burning emissionsfrom 1997 to 2004. Atmospheric Chemistry andPhysics. 6: 3423-3441.


Introducción

Coastal watersheds support more than 75%of the human population and are sites of largeincreases in nutrient loading associated with

urban and agricultural expansion. Increasednutrient loading has led to eutrophication pro-blems which symptoms include increased al-gal bloom activity (including harmful taxa),accumulation of organic matter, and excessive

Estimation of chlorophyll «A» on the Mediterraneancoast using a QuickBird image

M. T. Sebastiá1, J. Estornell2, M. Rodilla1, J. Martí1 and S. Falco1

Universitat Politècnica de València. 1 Instituto de Investigación para la Gestión Integral de Zonas Costeras.

2 Grupo de Investigación de Cartografía GeoAmbiental y Teledetección (CGAT)

Abstract

Remote sensing has proved a useful tool for monitoring and assessing water quality. However, littleresearch has been conducted using satellite images with high spatial resolution to analyze coastal areaswith high variability near shore. The objective of this research was to develop a model for estimatingchlorophyll-a concentration on the Gandia coast (Western Mediterranean) by means of a high resolutionQuickBird image. Several linear regressions were calculated to find the best chlorophyll-a model. Theoptimal model was found when blue and red bands were used. The retrieval accuracy (R2) was 0.92,while the root mean square (RMSE) was 0.34 mg/m3. The selected model was validated with anindependent data set and the estimation of chlorophyll-a was reasonably accurate (R2 = 0.90). Theresults obtained in this study suggest that using a QuickBird sensor is an effective technique formonitoring the ecological status of coastal areas with an inherent high variability.

Key words: remote sensing, monitoring, chlorophyll, coastal waters.

Resumen

Estimación de la clorofila-a en la costa mediterránea mediante una imagen de satélite QuickBird

La teledetección ha demostrado ser una herramienta útil para el monitoreo y la evaluación de la ca-lidad del agua. Sin embargo, pocas investigaciones se han llevado a cabo utilizando imágenes de sa-télite con alta resolución espacial para analizar las zonas costeras con alta variabilidad cerca de la cos-ta. El objetivo de esta investigación fue desarrollar un modelo para estimar la concentración declorofila-a en la costa de Gandia (Mediterráneo occidental) por medio de una imagen de alta resolu-ción QuickBird. Varias regresiones lineales se calcularon para encontrar el mejor modelo de clorofi-la-a. El modelo óptimo se obtuvo cuando se utilizaron las bandas 1 (azul) y 3 (rojo) con un valor delcoeficiente de determinación (R2) de 0,92, mientras que el error medio cuadrático (RMSE) fue de 0,34mg/m3. Se validó el modelo seleccionado mediante un conjunto de datos independientes obteniendoun valor de R2 de 0,90. Los resultados obtenidos en este estudio sugieren que el uso del sensor Quick-Bird puede ser una técnica eficaz para el seguimiento del estado ecológico de las zonas costeras conuna alta variabilidad inherente.

Palabras clave: teledetección, monitoreo, clorofila, aguas costeras, QuickBird.

Corresponding author: [email protected]: 10-10-11; Accepted: 15-03-12.


oxygen consumption (hypoxia and anoxia)(Paerl, 2006). In order to assess the eutrophi-cation risk, chlorophyll-a (Chl-a) concentra-tion, which is a proxy of phytoplankton bio-mass, has been used in monitoring programssuch as the established by the European WaterFramework Directive (WFD) (2000/60/EC).However, monitoring data characterizing thebiological elements is imprecise due to spatialvariations, temporal variations and samplingand analytical errors. Carstensen (2007) poin-ted out the need of sufficient monitoring dataand the improvement of indicator bias and pre-cision through modeling and further develop-ment of measurement techniques. In this sen-se, satellite monitoring is an alternative andefficient technology for water quality monito-ring that can aid the application of these mo-nitoring programs considerably (Chen et al.,2004). Satellite sensor and airborne images ha-ve been extensively used to assess water qua-lity parameters such as temperature, chlo-rophyll-a, turbidity and coloured dissolvedorganic matter (Oyama et al., 2009; Zhang etal., 2009; Santini et al., 2010). While conven-tional water quality sampling is time-consu-ming, expensive and limited with the numbersof stations, remote sensing provides a synop-tic view not otherwise attainable at a relativelylow cost (Liu et al., 2003; Chen et al., 2010).These advantages are especially important inenvironments with a high degree of variabilityin physico-chemical characteristics (i.e., sali-nity, temperature and oxygen) and nutrient in-puts that is reflected in the ecological assem-blage (Elliot and Quintino, 2007; Maier et al.,2009). Among these environments, coastal andtransitional waters represent one of the mostrelevant examples. In this sense, remote sen-sing has been tested for monitoring ecologicalwater quality in Spanish inland waters (reser-voirs and lakes) and transitional waters (coas-tal lagoons) integrated in the IntercalibrationExercise of the WFD and proved to be a usefultechnique (Domínguez et al., 2010, 2011).

In remote sensing oceanic waters are classi-f ied into one of two types: Case 1 or Case 2(Morel and Prieur, 1977). By definition, Case 1waters are those waters in which phytoplank-ton (with their accompanying and covarying re-tinue of material of biological origin) are the

principal agents responsible for variations inoptical properties of the water. On the otherhand, Case 2 waters are influenced not just byphytoplankton and related particles, but also byother substances, that vary independently ofphytoplankton, notably inorganic particles insuspension and dissolved organic matter(IOCCG, 2000). Case 1 waters have been wi-dely studied using ocean colour sensors withlow spatial resolution image (around 1km), suchas SeaWiFS and MERIS (Djavidnia et al., 2010;Maritorena et al., 2010). This scale is appro-priate for oceans but insufficient for monito-ring case 2 waters, which are mostly coastal wa-ters and lakes. In this case, terrestrialobservation satellites with moderate spatial re-solutions such as LANDSAT, Terra ASTER(spatial resolution lower than 30 m) and ME-RIS (Liu et al., 2003; Domínguez et al., 2010,2011; Focardi et al., 2009; Oyama et al., 2009;Song et al., 2011) and high spatial resolutionsuch as IKONOS (Ekercin, 2007; Ormeci et al.,2009) and QuickBird (Wheeler et al., 2012) ha-ve been used. Gohin et al. (2008) tested the ca-pacity of using satellite data for assessing theeutrophication risk of coastal bodies accordingto the WFD with SeaWiFS and they found thatthe quality of the Chl-a satellite estimation de-creased with the distance to the coast. Thestrong Chl-a gradient near shore was indicatedas one of the possible causes of this loss of sen-sitivity and the use of a moderate resolution sa-tellite was recommended. However, coastal wa-ter bodies may be very narrow to be studiedfrom these satellites, according to the WFD de-finition (Gohin et al., 2008). To overcome thisdisadvantage further research based on satelli-te images of high spatial resolution is necessaryfor detecting and portraying complex spatialdistributions of chlorophyll-a, such as changesof Chl-a near shore in small areas. These chan-ges are mainly due to nutrient inputs from point(streams, submarine outfall) and diffuse (urbanand agricultural runoff) sources. Quickbird sen-sor has been successfully used for benthic ha-bitat mapping (Mishra et al., 2006) and for lit-toral remote bathymetry (Adler-Golden et al.,2005). However, research with Quickbird ima-ge for estimating water chlorophyll-a concen-tration has been conducted mainly in inland wa-ters (Wheeler et al., 2012).

24 M. T. Sebastiá et al. / Revista de Teledetección (2012) 37, 23-33

The Gandia coast is an ecologically and eco-nomically important coastal area and is a re-presentative aquatic region of Spain´s Medite-rranean coast. However, no previous researchhas been developed in this area with satelliteimages. In this study high spatial resolutionimages are tested to map the coastal gradientof chlorophyll-a.

The objectives of this research were as follows:(1) to develop and validate a linear regression mo-del to estimate chlorophyll-a concentration witha QuickBird image; (2) to analyze the spatial va-riation of chlorophyll-a concentration at high sca-le; and (3) to explore the feasibility of using re-mote sensing techniques to monitor small andnarrow areas with high variability

Materials and methods

Study area

The study area (Fig. 1) is located in the sou-thernmost sector of the Valencian Gulf (Medi-terranean Sea) and it is defined by a 10 × 4.5

km rectangle which delimits the Gandia citycoastline. The flat bottom morphology of thisarea (see isobaths in Fig. 2) is characterized bywell graded sands and the absence of benthicvegetation such as seagrasses or macroalgae.Gandia is a populous coastal city with 1314 in-habitants/km2, whose population triples insummer owing to beach tourism. 53% of theGandia coast is considered as an urban area,including a small commercial, fishing and re-creational harbour.

The study area receives freshwater inputsfrom point and diffuses sources that are rich innutrients. At the northern end is the Vaca rivermouth, which is a small river, 16.6 km inlength, with a low slope. During the samplingperiod its flow was non existent. At the sou-thern end the Serpis river flows into the Medi-terranean. This river drains a basin of 752.8km2 and is 74.5 km in length. These rivers ha-ve a Mediterranean regimen characterized bya high seasonality, with a dry period duringsummer, and a wet period with episodes of to-rrential rain, mainly in autumn (Garófano etal., 2009). Another point source is the subma-

Estimation of chlorophyll «A» on the Mediterranean coast using a quickbird image 25

Figure 1. Location of the study area.

rine outfall (1,900 m in length), which dis-charges municipal wastewater from the treat-ment plant of Gandia. The alluvial plain nextto the study area is 3 km wide and was totallyoccupied by the Safor wetland and crops untilthe seventies. Nowadays, this area shares itsagricultural activity, mainly citrus fruits andvegetables, with the tourism of the urban are-as. Due to the shallow phreatic level, freshwa-ter is continuously pumped from the wetlandto the Gandia Harbour to avoid crop and urbanarea flooding. Diffuse sources in the study areacome from the groundwater discharge of thePlana Gandia-Denia detritic aquifer, quantifiedat 66 Hm3/year (2.1 m3/s) (Ballesteros-Nava-rro, 2003), although our sampling period wasin the dry season, so discharge would have be-en lower than average.

Field sampling and laboratory analysis

Field work was timed to coincide with theacquisition of the QuickBird image on July 16,2009, at 10:56 GMT. Weather conditions du-

ring the image acquisition included cloudlessskies over the study area and low wind speed,less than 2 km/h. The water samples were co-llected for each site at 0.5 m beneath the watersurface within 1.5 h of the satellite overpass.For model development 16 samples were co-llected (in Fig. 2 points numbered from 1 to16). An independent data set was collected at7 sampling points (in Fig. 2 points numberedfrom 38 to 44), and was used to validate theperformance of the selected algorithm. Formapping nutrient water surface distribution, 21extra samples were collected (points locationnot shown in Fig. 2, samples numbered from17 to 37). The coordinates of the samplingpoints were determined using a global positio-ning system (GPS) model Garmin 60C with anaccuracy of 3-5 m. Subsequently chlorophyll-a (Chl-a) was measured in samples used formodel development and validation. Salinity,suspended solids and nutrients (nitrates, phos-phates and silicates) were measured in all thesamples. Chl-a concentration was selected forremote sensing analysis, while other parame-ters were used as secondary analysis.


Figure 2. Location of the sampling points for model development and validation.

Samples for chlorophyll a were filtered onGF/F fiberglass filters (25 mm diameter). TheChl-a was extracted using acetone (100%) andwas measured using reverse-phase high-per-formance liquid chromatography (HPLC). TheHPLC method employed was that proposed byWright et al. (1991) slightly modified as perHooker et al. (2000). Nutrients were analyzedcolorimetrically using the method of Aminotand Chaussepied (1983). Salinity was deter-mined by means of an induction conductivitymeter Multi 340i/SET WTW.

Satellite image and model development

The remotely sensed data used for this studywas a high resolution QuickBird multispectralimage ordered from Digital Globe Corporation.This sensor has four multispectral bands witha 2.4 m spatial resolution. The wavelength ofthe respective bands is 0.45-0.52 µm (B1: blue);0.52-0.60 µm (B2: green); 0.63-0.69 µm (B3:red); 0.76-0.90 µm (B4: near infrared). Prior todelivery, the imagery was radiometrically andgeometrically corrected and rectif ied to theWorld Geodetic System 1984 (WGS84) datumand the Universal Transverse Mercator (UTM)zone 30 co-ordinate system. To improve the po-sitional accuracy, 39 control points were selec-ted using a rectified airborne image with a pi-xel size of 0.5 m. The root mean square error(RMSE) was 0.49 m. The digital numbers (DN)recorded at the sensor were converted to sate-llite radiance using the technical note from Di-gital Globe (Krause, 2003). Then, the moduleQUAC of ENVI 4.7 (ITT Visual InformationSolutions) was applied to the radiance imagesto eliminate the atmospheric effects (Bernsteinet al., 2005). In addition, to remove the in-fluence of depth on bottom reflectance uponchlorophyll-a retrievals, we calculated depth-invariant bottom indexes from each pair of re-flectance bands as described in Green et al.(2000). This technique is only suitable wherewater clarity is good, such as in the study area.In this method a group of pixels distributed inshallow and deep areas with the same bottomtype are selected. Then, a bi-plot is created fromthe reflectance values of two bands consideringall possible band combinations. Six bi-plots are

created: band1-band2; band1-band3; band1-band4; band2-band3; band2-band4; band3-band4. The slope of each bi-plot represents theratio of attenuation coefficients, ki/kj (equation[1]), between bands (Green et al., 2000).

[1]

where

σii is the variance of the band i, σjj the varian-ce of the band j, σij is the covariance betweenbands i and j. From ki/kj , a depth-invariant in-dex (equation [2]) was calculated, which re-presents the y- intercept of the equation of astraight line

[2]

where, i and j correspond to each band pairconsidered and (ki/kj) to the attenuation coef-ficient for the same band pair, and reflectancebands after applying an atmospheric correc-tion. To calculate these indexes 180 pixels ofeach band were selected in shallow and deepareas with sand bottom type. The following ra-tios of attenuation coefficients for band pairswere calculated: k1/k2, k1/k3, k1/k4, k2/k3,k2/k4, and k3/k4. From these coefficients, sixnew images from each pair of spectral bands(hereafter referred to as Depth-invariant index)were generated (further information of this me-thod can be found in Green et al., 2000). Theaverage digital number of pixels (a 3 × 3 win-dow) surrounding the sample pixel was used inorder to remove errors resulting from GPS me-asurements in the f ield work (Oyama et al.,2009; Zhengjun et al., 2008; Nas et al., 2009).

A linear regression analysis was conductedbetween chlorophyll-a logarithm and depth-in-variant indexes. When monitoring water qua-lity, general methods are to find the best bandcombination. Thus the optimal index was jud-ged by R2 and RMSE (Root Mean Square Error)based on the comparison of simulated modeloutputs and actual observations (Zhang et al.,2009). An independent data set, collected at 7sampling points in the study area, was used toassess the performance of the tuned model.

= ln(reflectancei) − k

ik

j( ) ⋅ ln reflectancej( )

Depth − invariantindexij

=

a =σ

ii−σ

jj

2σij

ki

/ kj

= a + (a2 +1)


Results and discussion

Results from field samples measurements(salinity, nutrients and chlorophyll-a) areshown in Table 1. In this table Chl-a values ob-tained from QuicBird image are also included.

Different approaches can be used to estima-te chlorophyll-a from satellite data. The empi-rical approach, used in this study, is based onthe development of a linear regression analy-sis between satellite image and measured wa-ter Chl-a. This approach has been widely usedby many researchers (Zhengjun et al., 2008;Ormeci et al., 2009) and it has proven to bevery effective in Case 1 waters (IOCCG, 2000).Despite coastal waters are mainly classified asCase 2 waters, according to Lee and Hu (2006),in summer, the Mediterranean shows valuescharacteristic of Case 1 waters. The presentstudy was carried out during Case 1 waters con-ditions, when freshwater discharges were mi-nimal and average suspended solids values we-re 12 mg/L.

For linear regression analysis, the best mo-del was obtained when B1 and B3 bands wereused. When bottom reflectance correction wasnot performed the R2 and RMSE values of themodel developed were 0.76 and 0.61 mg/m3

respectively. After applying this correction themodel estimation improved. The best model de-

veloped with the depth-invariant index13 sho-wed a R2 of 0.89 and a RMSE of 0.38 mg/m3.This result reveals the importance of applyingthe bottom reflectance correction. The bottomcorrected model was selected for mapping Chl-a concentration in the study area and its equa-tion was (see Fig. 3):

In order to validate the applicability of theselected model, we used an independent dataset of chlorophyll-a concentration, which ran-ged from 0.21 mg/m3 to 1.86 mg/m3. These va-lues fell into the range of Chl-a concentrationused to calculate the model. Measured and es-timated Chl-a showed a great degree of con-cordance close to the 1:1 line (Fig. 4), with a

log chl − a = −16.33+ 4.00 ∗ k13


Table 1. Summary of salinity (S), chlorophyll-a measured with HPLC and estimated from image, and nutrient measurements (nitrates, phosphates and silicates) in the study area

SamplingX UTM Y UTM

Salinity Chl-a (mg/m3) Nitrates Phosphates Silicatespoint (‰) Measured Estimated (µM) (µM) (µM)

1 744520 4323614 36.7 1.33 1.91 8.82 0.13 2.72 746858 4319776 33.8 1.69 1.32 27.74 0.18 12.73 747136 4319615 30.1 2.00 2.23 29.90 0.08 19.24 747622 4319025 36.6 1.35 1.28 8.45 0.05 4.25 747107 4320268 33.5 3.58 1.69 33.83 0.04 9.96 747542 4320007 37.0 1.36 1.09 8.72 0.08 1.17 745254 4324892 37.6 0.22 0.31 0.09 0.07 0.78 746058 4323701 37.6 0.28 0.32 0.32 0.04 0.79 746194 4322920 37.4 0.42 0.83 1.56 0.07 0.8

10 746991 4321630 37.5 0.51 0.73 0.42 0.02 0.811 746230 4324624 37.3 0.41 0.24 3.23 0.07 0.912 746950 4323430 37.4 0.35 0.29 5.62 0.06 1.513 747772 4322191 37.8 0.20 0.14 0.15 0.07 0.514 747442 4324601 37.8 0.12 0.15 3.97 0.06 0.815 748620 4323424 37.7 0.10 0.12 1.86 0.05 0.516 747193 4326775 37.7 0.13 0.12 1.69 0.02 0.8

Figure 3. Comparison between logarithm of Chl-asatellite estimated and logarithm of in situ measuredChl-a for model development.

highly significant linear relationship (R2 = 0.90).The correlation obtained both for model deve-lopment and validation is higher than the 70%correlation considered a good fit (Gregg andCasey, 2003; Santamaría-del-Ángel et al.,2010).

The estimated chlorophyll-a concentrationmap is showed in Figure 5. Chl-a values rangefrom 3.58 mg/m3 in sampling point number 5located in the Gandia Harbour, to values around0.10 mg/m3 in the sampling points furthestfrom the coastline (Table 1). It is important tohighlight that the largest Chl-a variation oc-curs in the first kilometer from the coastline,

decreasing from values higher than 5 mg/m3 onthe coast to values lower than 1 mg/m3. ThisChl-a variation can be explained by the sali-nity and nutrient distribution showed in Figu-re 6, which are linked to the surface and sub-terranean freshwater discharges describedbelow.

Figure 6 a) shows distribution of surface wa-ter salinity. Three zones show a salinity decre-ase: one in the north of the study area at themouth of the River Vaca, one in the port, andthe third one south of the River Serpis. The Va-ca has reduced or non flow all year long, which,together with the low slope, contributes to theformation of a littoral sand spit that preventsriver outflow. During July 2009 this sand spitwas more than 30 m wide, so the salinity de-crease could only be attributed to groundwaterflow. Port salinity decrease is due to freshwa-ter inputs from the Safor wetland, with a0.3 m3/s flow during the sampling period. Ho-wever, groundwater inputs have also been ob-served in the port (unpublished data). South ofthe Serpis river mouth, the salinity decreasewas more accentuated. During July 2009 thisriver flow was below its minimum ecologicalflow, 0.1 m3/s (Garófano et al., 2009). Dis-


Figure 4. Comparison between satellite estimated andin situ measured Chl-a concentrations for model vali-dation (1:1 line shown for reference.

Figure 5. Estimated chlorphyll-a (mg/m3) concentration map.

charges from the wastewater treatment plantmust be added to this river flow value. It shouldbe highlighted that the submarine outfall dis-charges (0.7 m3/s) were diluted because nochanges in surface water salinity were detec-ted nearby. In the surf zone, salinity was alwayslower than in deeper water probably due to thegroundwater inputs.

Figure 6 b), c) and d) shows nitrate, silicateand phosphate surface distribution respectively.Nitrates and silicates showed higher valueswhere salinity was lower. In Spain, it is usualto find high nitrate values in freshwater. Spainis a country with a strong tradition of farming

and livestock, and water resources contain in-creasing levels of nitrate. This is mainly due tothe abuse of fertilizers, poor management oflivestock waste, and to a lesser extent, domes-tic wastewater (Pinilla, 1997). Silicates are as-sociated with freshwater inputs due to the we-athering of soil and rocks, so inputs of thisnutrient depends more on geological forma-tions than on any anthropogenic influence(Nedwell et al., 1999). Phosphate levels werelower than 0.2 µM in all of the study area. Inthe Mediterranean Sea, phosphorus is the li-miting nutrient for phytoplankton growth,which is normally the case in freshwater ecos-


Figure 6. Distribution of nutrients in the surface waters. a) Salinity. b) Nitrates concentration (µM). c) Silicatesconcentration (µM). d) Phosphates concentration (µM).

a)

c)

b)

d)

37.5‰

37‰

36.5‰

36‰

35‰

34‰

33‰

32‰

31‰

30‰

30µM

25µM

15µM

5µM

4µM

3µM

2µM

1µM

0

0.16 µM

0.13 µM

0.1 µM

0.07 µM

0.04 µM

0.01 µM

19 µM

15 µM

10 µM

5 µM

2 µM

1 µM

0 µM

UTM

Y(m

)

4319

000

744000 746000 748000 750000UTM X (m)

4321

000

4323

000

4325

000

UTM

Y(m

)

4319

000

744000 746000 748000 750000UTM X (m)

4321

000

4323

000

4325

000

UTM

Y(m

)

4319

000

744000 746000 748000 750000UTM X (m)

4321

000

4323

000

4325

000

UTM

Y(m

)

4319

000

744000 746000 748000 750000UTM X (m)

4321

000

4323

000

4325

000

ystems, and contrasts with other seas, where itis nitrogen (Krom et al., 2004). Phosphates(Fig. 6 d) show higher values near the coast inthe north and the south of the study area, andalso in a deeper less well-defined zone. Thisspatial distribution could be because dissolvedphosphate concentration can be notoriouslymodified as a result of adsorption/desorptionand reduction/oxidation processes, as well asby biological assimilation (Howarth et al.,1995).

Estimated chlorophyll-a distribution is clo-sely related with the nutrient inputs describedabove, with the exception of the high phosphatelevels in the deeper zone where chlorophyll-alevels are lower than on the coast. Accordingto Fang et al. (2006) and Smith (2006) this dis-parity can be explained because different phos-phate levels and irradiance stimulate thegrowth of different phytoplankton groups. De-pending on the chlorophyll cellular quote ofthese groups chlorophyll-a concentration canfinally be lower despite the higher phosphorusavailability. An independent research was con-ducted simultaneously in this study area toanalyze the spatial variation of nutrients, chlo-rophyll-a and phytoplankton groups. Its resultsconfirm the spatial distribution of Chl-a ob-tained with the Quickbird image (Sebastiá etal., 2012; Sebastiá unpublished).

Conclusions

The results of this study show how chlo-rophyll-a estimation and mapping for the Gan-dia coast (Western Mediterranean) can be ob-tained using the depth-invariant index13 of aQuickbird image (R2 = 0.89). The most impor-tant result of this study is on the feasibility ofhigh spatial resolution Quickbird image to de-tect the high chlorophyll-a gradient of coastalareas. Despite the restrictive spectral resolu-tion of this sensor, its high spatial resolution(2.4 m) makes it suitable for chlorophyll-amapping in this type of areas. Compared to tra-ditional f ield measurements and laboratoryanalysis, QuickBird data can provide detailedspatial distribution information on the ecolo-gical status of water bodies and multi-tempo-ral evaluation at a relatively low cost, which

makes it suitable for monitoring programs suchas the WFD one. In spite of the good resultsobtained, further research could be required toextend the approach applied in this study tomore scenes (other days and other areas).

References

ADLER-GOLDEN, S. M., ACHARYA, P. K.,BERK, A., MATTHEW, M. W., & GORO-DETZKY, D. 2005. Remote bathymetry of the lit-toral zone from AVIRIS, LASH and QuickBirdimagery. IEEE Transactions on Geoscience andRemote Sensing 43: 2.

AMINOT, A., & CHAUSSEPIED, M. 1983. Manueldes analyses chimiques en milieu marin. CNE-XO, Brest, p. 396

BALLESTEROS-NAVARRO, B. J. 2003. Estado yevolución de los procesos de intrusión marina enla unidad hidrogeológica 08.38. Plana de Gan-día-Denia (Valencia-Alicante, España) in Tecno-logía de la intrusión de agua de mar en acuíferoscosteros: países mediterráneos, J. A. Lopez Ge-ta, J. A. De la Orden, J. D. Gómez, G. Ramos, M.Mejías & L. Rodríguez, eds. IGME, Madrid. pp.585-595.

BERNSTEIN, L. S., ADLER-GOLDEN, S. M.,SUNDBERG, R. L., LEVINE R. Y., PERKINS,T. C., & BERK, A. 2005. Validation of the QUickAtmospheric Correction (QUAC) algorithm forVNIR-SWIR multi- and hyperspectral imagery.In SPIE, Proceeding Algorithms and Technolo-gies for Multispectral, Hyperspectral and Ul-traspectral Imagery XI, Sylvia S. Shen & Paul E.Lewis, eds., Vol. 5806, pp. 668-678.

CARSTENSEN, J. 2007. Statistical principles forecological status classification of Water Frame-work Directive monitoring data. Marine Pollu-tion Bulletin 55: 3-15.

CHEN, Q. Y. ZHANG, EKROOS, A., & HALLI-KAINEN, M. 2004. The role of remote sensingtechnology in the EU water framework directive(WFD). Environmental Science and Policy 7:267-276.

CHEN, Z., HU, C., MULLER-KARGER, F. E., &LUTHER, M. E. 2010. Short-term variability ofsuspended sediment and phytoplankton in Tam-pa Bay, Florida: observations from a coastal oce-anographic tower and ocean color satellites. Es-tuarine. Coastal and Shelf Science 89: 62-72.

DJAVIDNIA, S., MÉLIN, F., & HOEPFFNER, N.2010. Comparison of global ocean colour data re-cords. Ocean Science 6: 61-76.

DOMÍNGUEZ, J. A., ARANCÓN, C., ALONSO,C., ALONSO, A., DE HOYOS, C., & QUESA-DA, A. 2010. Seguimiento del estado ecológicode las aguas continentales superficiales españo-


las mediante imágenes MERIS. Revista de Tele-detección 34: 19-25.

DOMÍNGUEZ, J.A., ALONSO, C., & ALONSO, A.2011. Remote sensing as a tool for monitoring wa-ter quality parameters for Mediterranean Lakesof European Union water framework directive(WFD) and as a system of surveillance of cyano-bacterial harmful algae blooms (SCyanoHABs).Environ Monit Assess 181: 317-334.

EKERCIN, S. 2007. Water Quality Retrievals fromHigh Resolution Ikonos Multispectral Imagery:A Case Study in Istanbul, Turkey. Water Air SoilPollut. 183: 239-251.

ELLIOTT, M., & QUINTINO, V. 2007. The estua-rine quality paradox, environmental homeostasisand the diff iculty of detecting anthropogenicstress in naturally stressed areas. Marine Pollu-tion Bulletin 54: 640-645.

FANG, T., LI, D., YU, L., GAO, L., & ZHANG, L.2006. Effects of irradiance and phosphate ongrowth of nanophytoplankton and picophyto-plankton. Acta Ecologica Sinica 26 (9): 2783-2790.

FOCARDI, S., SPECCHIULLI, A., SPAGNOLI, F.,FIESOLETTI, F., & ROSSI, C. 2009. A combi-nated approach to investigate the biochemistryand hydrography of a shallow bay in the SouthAdriatic Sea: the Gulf of Manfredonia (Italy). En-vironmental Monitoring and Assessment 153:209-220.

GAROFANO, V., MARTÍNEZ, F., & DELGADO,R. 2009. Les riberes del Serpis. Gestió de l’aiguaper a la seua conservació. Valencia: CEIC Alfonsel Vell. ISBN: 978-84-96839-18-2.

GOHIN, F., SAULQUIN, B., OGER-JEANNERET,H., LOZAC’H, L., LAMPERT, L., LEFEBVRE,A., RIOU, P., & BRUCHON, F. 2008. Towards abetter assessment of the ecological status of co-astal waters using satellite-derived chlorophyll-a concentrations. Remote Sensing of Environment112: 3329-3340.

GREEN, E. P., MUMBY, P. J., EDWARDS, A. J., &CLARK, C. D. 2000. Water Column CorrectionTechniques. Chap. 8 in Remote Sensing. Hand-book for Tropical Coastal Management, A. J. Ed-wards, ed. UNESCO, Paris. pp. 121-128.

GREGG, W. W., & CASEY, N. W. 2004. Global andregional evaluation of the SeaWiFS chlorophylldata set. Rem Sens Environ 93: 463-479.

HOOKER, S.B., CLAUSTRE, H., RAS, J., VANHEUKELEM, L., BERTHON, J.-F., TARGA, C.,VAN DER LINDE, D., BARLOW, R., & SES-SIONS, H. 2000. The JRC Method. In: Hooker,S. B., Firestone, E. R. (eds) The First SeaWiFSHPLC Analysis Round-Robin Experiment (Sea-HARRE-1). NASA Technical Memorandum2000-206892, Vol. 14. NASA Goddard SpaceFlight Center, Greenbelt, MD. p. 42.

HOWARTH, R. W., JENSEN, H. S., MARINO, R.,& POSTMA, H. 1995. Transport to and proces-

sing of P in nearshore and oceanic waters. InPhosphorus in the Global Environment. H. Ties-sen, ed. Wiley, New York. pp. 323-328.

IOCCG, 2000. Remote sensing of ocean colour incoastal, and other optically-complex, waters.Sathyendrath, S. (ed), Reports of the Internatio-nal Ocean-Colour Coordinating Group, No. 3,IOCCG, Dartmouth, Canada.

KRAUSE, K. 2003. Radiance Conversion of Quick-Bird Data. Digital Globe, CO, USA.

KROM, M. D., HERUT, B., & MANTOURA, R. F.C. 2004. Nutrient budget for the Eastern Medi-terranean: Implications for phosphorus limita-tion. Limnology and Oceanography 49: 1582-1592.

LEE, Z., & HU, C. 2006. Global distribution of Ca-se-1 waters: An analysis from SeaWiFS measu-rements. Remote Sensing of Environment 101:270-276.

LIU, Y., ISLAM, MD A., & GAO, J. 2003. Quanti-fication of shallow water quality parameters bymeans of remote sensing. Progress in PhysicalGeography 27(1): 24-43.

MAIER, G., NIMMO-SMITH, R. J., GLEGG, G.A., TAPPIN, A. D., & WORSFOLD, P. J. 2009.Estuarine Eutrophication in the UK: current in-cidence and future trends. Aquatic Conservation:Marine and Freshwater Ecosystems 19: 43-56.

MARITORENA, S., FANTON D’ANDON, O.,MANGIN, A., & SIEGEL, D. A. 2010. Mergedsatellite ocean color data products using a bio-optical model: Characteristics, benefits and is-sues. Remote Sensing of Environment 114: 1791-1804.

MISHRA, D., NARUMALANI, S., RUNDQUIST,D., & LAWSON, M. 2006. Benthic habitat map-ping in tropical marine environments usingQuickBird multispectral data. PhotogrammetricEngineering & Remote Sensing 72: 1037-1048.

MOREL, A., & PRIEUR, L. 1977. Analysis of va-riations in ocean color. Limnology and Oceano-graphy 22: 709-722.

WHEELER, S. M., MORRISSEY, L.A., LEVINE,S. N., LIVINGSTON, G. P., & VINCENT, W. F.2012. Mapping cyanobacterial blooms in LakeChamplain’s Missisquoi Bay using QuickBirdand MERIS satellite data. Journal of Great La-kes Research 38: 68-75.

NAS, B., KARABORK, H., EKERCIN, S., &BERKTAY, A. 2009. Mapping chlorophyll-athrough in-situ measurements and Terra ASTERsatellite data. Environ Monit Assess 157: 375-382.

NEDWELL, D. B., JICKELLS, T. D., TRIMMER,M., & SANDERS, R. 1999. Nutrients in Estua-ries. Advances in Ecological Research 29: 43-92.

ORMECI, C., SERTEL, E., & SARIKAYA, O. 2009.Determination of chlorophyll-a amount in Gol-den Horn, Istanbul, Turkey using IKONOS and insitu data. Environ Monit Assess 155: 83-90.


OYAMA, Y., MATSUSHITA, B., FUKUSHIMA, T.,MATSUSHIGE, K., & IMAI, A. 2009. Applica-tion of spectral decomposition algorithm for map-ping water quality in a turbid lake (Lake Kasu-migaura, Japan) from Landsat TM data. ISPRSJournal of Photogrammetry and Remote sensing64, 73-85.

PAERL, H. W. 2006. Assessing and managing nu-trient-enhanced eutrophication in estuarine andcoastal waters: interactive effects of human andclimatic perturbations. Ecological Engineering26: 40-54.

PINILLA, L. 1997. Evolución de la calidad del aguaen el tramo inferior del Ebro. Revista de ObrasPúblicas 3368: 101-112.

SANTAMARÍA-DEL-ÁNGEL, E., MILLÁN-NÚÑEZ, R., GONZÁLEZ-SILVERA, A., & CA-JAL-MEDRANO, R. 2010. Comparison of In Si-tu and Remotely-Sensed Chl-a concentrations: aStatistical Examination of the Match-up Appro-ach. Chap. 15 in the Handbook of Satellite Re-mote Sensing Image Interpretation: Applicationsfor Marine Living Resources Conservation andManagement, J. Morales, V. Stuart, T. Platt andS. Sathyendranath, eds. EU PRESPO andIOCCG. pp. 221-238.

SANTINI F., ALBEROTANZA, L., MARIA CA-VALLI, R. M., & PIGNATTI, S. 2010. A two-stepoptimization procedure for assessing water cons-tituent concentrations by hyperspectral remotesensing techniques: an application to the highlyturbid Venice lagoon waters. Remote Sensing ofEnvironment 114: 887-898.

SEBASTIA, M.T., RODILLA, M., SANCHIS, J.A.,ALTUR, V., GADEA, I., & FALCO, S. 2012. In-

fluence of nutrient inputs from a wetland domi-nated by agriculture on the phytoplankton com-munity in a shallow harbour at the Spanish Me-diterranean coast. Agriculture Ecosystems &Environment 152(C), 10-20. doi: 10.1016/j.agee. 2012.02.006.

SMITH, V. H. 2006. Responses of estuarine and co-astal marine phytoplankton to nitrogen and phos-phorus enrichment. Limnology and Oceano-graphy 51 (1, part 2): 377-84.

SONG, K., WANG, Z., ZHANG, B., LI, F., JIANG,G., BLACKWELL, J., & ZHANG, Y. 2011.Wa-ter quality monitoring using Landsat ThemateMapper data with empirical algorithms in Cha-gan Lake, China. Journal of Applied Remote Sen-sing 5: 053506 (Mar 14, 2011) doi: 10.1117/ 1.3559497

WRIGHT, S. W., JEFFREY, S. W., MANTOURA,R. F. C., LLEWELLYN, C. A., BJOERNLANDT., REPETA, D., & WELSCHMEYER, N. 1991.Improved HPLC method for the analysis of chlo-rophylls and carotenoids from marine phy-toplankton». Marine Ecology Progress Series77: 183.

ZHANG, Y., LIU, M., QIN, B., VAN DER WOERD,H.J., LI, J., & LI, Y. 2009. Modeling remote-sen-sing reflectance and retrieving chlorophyll-a con-centration in extremely turbid case-2 waters (Lake Taihu, China). IEEETransactions on Geoscience and Remote Sensing 47 (7): 1937-1948.

ZHENGJUN, W., JIANMING, H., & GUISEN, D.2008. Use of satellite imagery to assess the tro-phic state of Miyun Reservoir, Beijing, China.Environmental Pollution 55: 13-19.


Cambios en el IVN y su relación con disturbios antrópicosen la vegetación serrana de Córdoba, Argentina

A. A. Brun1, O. R. Campanella2, A. J. Oggero1 y S. A. Suárez1

1 Departamento de Ciencias Naturales. Facultad de Ciencias Exactas, Físico-Químicas y Naturales.Universidad Nacional de Río Cuarto-UNRC. 5800 Ruta 36, km 601. Río Cuarto (Córdoba). Argentina

2 Departamento de Geología. Facultad de Ciencias Exactas, Físico-Químicas y Naturales.Universidad Nacional de Río Cuarto-UNRC. 5800 Ruta 36, km 601. Río Cuarto (Córdoba). Argentina

Resumen

La distribución de la vegetación está determinada por relaciones entre las especies, el ambiente y eldisturbio. Estos factores producen cambios en la cobertura y composición vegetal modificando tem-poral o permanentemente los servicios del ecosistema. Los objetivos del trabajo fueron: a) evaluar larelación entre IVN, cobertura vegetal y el disturbio antrópico en dos cortes temporales: 2001 y 2008,y b) caracterizar la composición florística y la cobertura en distintos ambientes. Se crearon seis mapasde clases de IVN (tres subimágenes con dos instancias temporales) con datos LANDSAT 5 y 7. Se re-alizaron 21 censos de vegetación al azar en las sierras de Comechingones (Córdoba, Argentina). Secuantificó abundancia-cobertura de 75 especies. Se evaluaron 16 variables ambientales y de disturbio.Mediante análisis de correspondencia canónica se relacionaron censos y especies con el ambiente y losdisturbios. Se identificaron 3 comunidades vegetales. Se explicó el 34% de la distribución de la vege-tación por las variables ambientales y el disturbio. El IVN aumentó en el año 2008 respecto al año 2001,en las tres subimágenes del área de estudio, relacionado con cambios en el uso de la tierra. También seprobó que las interrelaciones entre variables de disturbio (tala e invasión de leñosas exóticas) modula-ron y condicionaron el establecimiento de dos de las tres comunidades en la zona serrana.

Palabras clave: Teledetección, LANDSAT, comunidades vegetales, uso de la tierra, cambios espa-cio temporales.

Abstract

Relationship between NDVI, vegetation and anthropogenic disturbances in Córdoba, Argentina

Distribution of vegetation is determined by relationships among species, environment and distur-bances. These factors cause changes in plant cover and composition, altering ecosystem services tem-porarily or permanently. The aims of this study were: a) to evaluate the relationship between NDVI,vegetation and anthropogenic disturbances at two points in time: 2001 and 2008, and b) to characte-rize the floristic composition and cover in different environments. Six maps of NDVI classes were cre-ated (three sub-scenes on two temporary instances) from LANDSAT 5 and 7 data. Twenty-one vege-tation surveys were conducted in Sierras of Comechingones mountain range (Córdoba, Argentina).Abundance-cover of 75 species was quantified. Sixteen environmental and disturbance variables we-re assessed. Using canonical correspondence analysis, surveys and species were related to environ-ment and disturbances. Three plant communities were identified. Environmental and disturbance va-riables accounted for 34% of plant distribution. NDVI increased in 2008 compared to 2001 in the threesubimages of the study area; such increased was related to changes in land use. It was also confirmedthat interrelationships between disturbance variables (logging and invasion of exotic woody species)regulated and conditioned the establishment of two of the three communities in the mountain area.

Key words: remote sensing, LANDSAT, plant communities, land use, spatial- temporal changes.



Introducción

La distribución de la vegetación natural estácondicionada por distintos factores que deter-minan relaciones entre las especies, el ambien-te y el disturbio (Hooper et al., 2005; Crawley,1997). Algunos de ellos influyen sobre los pro-cesos poblacionales que condicionan la abun-dancia de las especies (Crawley, 1997). Otroscomo los climáticos, los edáficos o el régimende disturbio producen cambios en la coberturay f isonomía vegetal modif icando de maneratemporal o permanente los servicios que brindala vegetación al ecosistema y al bienestar hu-mano (Hooper et al., 2005; Quétier et al., 2007).

Los resultados de estos cambios pueden serevaluados por variaciones en el tiempo del ín-dice verde obtenido a partir de información sa-telital (Chuvieco, 2007). Los datos de senso-res remotos en general, y de LANDSAT 5 yLANDSAT 7 en particular posibilitan éste aná-lisis, por los rangos espectrales que cubren enel espectro del visible y del infrarrojo y por sudisponibilidad temporal y espacial.

Los sensores a bordo de satélites registranenergía electromagnética emitida o reflejadapor un objeto o superficie en distintas bandasdel espectro electromagnético. Las imágenessatelitales proveen entonces datos cuantitati-vos y espacialmente continuos de la superficieterrestre (Lillesand et al., 2008). El proceso degeneración de una aplicación concreta de la in-formación espectral implica la «traducción» dela medición de radiación reflejada en una va-riable o índice con un significado biofísico (Pa-ruelo, 2008).

El índice de vegetación normalizado (IVN)representa la cantidad y el vigor de la vegetación(actividad fotosintética). Este índice ha mostra-do tener una fuerte relación con la biomasa (Rip-ple, 1985; Sellers, 1985; Gerberman et al., 1984;Tucker, 1977) y con las condiciones climáticas,así como con el patrón predominante de uso delas tierras (Volante et al., 2003).

Los ambientes serranos de Córdoba (Ar-gentina) son los reservorios más importantesde la flora nativa, ya que poseen suelos pocodesarrollados, con roca superficial y limitadaaptitud agrícola (Cabido et al., 2003; Gorgasy Tassile, 2006). En particular, en la zona deestudio se encuentran los mayores índices de

biodiversidad de especies vegetales con usomedicinal y aromático, tradicional fuente deingreso para los pobladores locales (Toledo,2009; Barboza et al., 2006). Asimismo, se for-man las principales cuencas hídricas de la re-gión central de la Argentina, donde la vegeta-ción natural cumple un papel importante alinterceptar las precipitaciones y regular la es-correntía y la inf iltración (Vázquez et al.,1979; Gorgas y Tassile, 2006).

En la última década la vegetación natural es-tá siendo reemplazada o destruida a tasas alar-mantes, especialmente en aquellos sitios de usopotencial para la urbanización y la agricultura(Cabido et al., 2005; Paruelo et al., 2005). Lamodificación estos hábitats provoca la dismi-nución directa de la biodiversidad y la altera-ción de los procesos ecosistémicos de la región(Nuñez y Cantero, 2000).

Los antecedentes presentados permiten for-mular los siguientes objetivos: a) evaluar la rela-ción entre IVN, cobertura vegetal y el disturbioantrópico en dos cortes temporales: 2001 y 2008,y b) caracterizar la composición florística y la co-bertura en distintos ambientes. Disponer de estainformación permitirá desarrollar estrategias demanejo sostenible, ordenamiento territorial y re-valorización de la vegetación nativa.

Material y métodos

Área de estudio

El área de estudio se ubica en la sierra deComechingones entre los 31° 10’ S y 33° 00’S, y los 64° 10’ O y 65° 00’ O (Córdoba, Ar-gentina) (Fig. 1). La altitud varió entre los 700y los 1.200 m s.n.m. y las precipitaciones os-cilan entre 600 mm y 800 mm anuales, con-centradas en el verano. Ambos factores deter-minan una la vegetación xeróf ila quefisonómicamente incluye al Bosque Serrano yal Arbustal (Luti et al., 1979; Núñez y Cante-ro, 2000; Cabido et al., 2003).

Imágenes satelitales

Para el cálculo del IVN, como herramientacartográfica de apoyo y validación de los da-

Cambios en el IVN y su relación con disturbios antrópicos en la vegetación serrana... 35

tos de campo se utilizaron datos de sensoresremotos. Se trabajó con imágenes sin nubesLANDSAT 5 TM correspondientes al año2008, y LANDSAT 7 ETM+ pertenecientes alaño 2001. Debido a la extensión y ubicaciónde las áreas estudiadas fue necesario trabajarcon las escenas 229/82 y 229/83 para ambasfechas. Las imágenes fueron obtenidas del Ins-tituto Nacional de Pesquisas Espaciais (INPE,2010) y de la Universidad de Maryland (NA-SA, 2010).

Dada la extensión espacial del área de estu-dio, la resolución espacial de las imágenes sa-telitales utilizadas y la ubicación de los puntosde muestreo, se hizo necesario crear tres subi-mágenes (norte, centro y sur) en cada cortetemporal (Fig. 1). Para el procesamiento y aná-lisis de las imágenes satelitales se utilizó el pro-grama ENVI 4.x.

Preprocesamiento

Para la georreferenciación, se generó unaimagen sintética HSV 453-8 construida a par-tir de una imagen LANDSAT 7 ETM+ orto-georeferenciada descargada de la Universidadde Maryland. El tamaño de píxel es 14,25 m.La imagen fue transformada al sistema de pro-yección TM Gauss Krüger Faja 3. La mismaconstituyó la imagen base para definir puntoshomólogos en el proceso de georreferencia-ción imagen a imagen para las imágenesLANDSAT 5. Se definieron 40 puntos homó-

logos con un RMS global 0,60 (expresado enpíxeles) para la imagen LANDSAT 5 de 2008.Como resultado de este proceso, se obtuvie-ron tres subimágenes, denominadas norte, cen-tro y sur.

La corrección atmosférica se realizó utilizan-do la metodología propuesta por Chavez (Chu-vieco, 2007). Los datos originales de la imagenestán expresados para cada banda en valores en-teros comprendidos entre 0 y 255. El proceso detraducción de los niveles digitales (ND) a re-flectividad se realizó en dos fases: 1) conversiónde valores de ND a valores de radiancia en el sen-sor a partir de los coeficientes de calibrado delsensor, y 2) estimación de valores de reflectivi-dad aparente al tope de la atmósfera (TOA), conla irradiancia solar y la fecha de adquisición dela imagen (Chuvieco, 2007).

Cálculo del IVN

Varios índices espectrales han sido propues-tos como estimadores de la presencia y condi-ción de la vegetación (Fensholt et al., 2004; Ri-dao et al., 1998; Baret y Guyot, 1991;Choudhury, 1987). Sin embargo, el Índice deVegetación Normalizado ha sido y es el más usa-do. Se calcula mediante la siguiente ecuación:

IVN = (B4 – B3) / (B4 + B3).

La banda 3 (B3) corresponde al rojo del vi-sible (de baja reflectividad para la vegetación)y la banda 4 (B4) al infrarrojo cercano (de al-ta reflectividad para la vegetación). Mediantereclasificación del mapa de IVN se definieronlos intervalos correspondientes al valor –1,0 a0,1 significa ausencia de actividad fotosintéti-ca y es asignado a la clase uno y color blancorespectivamente; el valor 0,1 a 0,5 indica acti-vidad fotosintética baja y corresponde a la cla-se dos y color amarillo; por último el interva-lo 0,5 a 1,0 representa actividad fotosintéticaalta y concierne a la clase tres y color verde.

Detección de cambios

Se realizó un mapa de clases por cada subi-magen perteneciente a los años 2001 y 2008teniendo en cuenta los valores y colores esta-

36 A. A. Brun et al. / Revista de Teledetección (2012) 37, 34-41

Figura 1. Mapa de la provincia de Córdoba (Argenti-na) con la ubicación de las subimágenes (norte, cen-tro y sur).

blecidos en el cálculo de IVN. También fuerondigitalizados los puntos de muestreo.

Relevamiento de vegetación, ambientey disturbio

Entre febrero y marzo de 2009 se realizaron21 censos fitosociológicos (Müeller-Domboisy Ellenberg, 1974) junto con la caracterizacióndel ambiente abiótico y el tipo de disturbio. Acampo, en cada censo (100 m2) se registró pre-sencia de las especies además de evaluar laabundancia-cobertura de cada una ellas segúnescala de Braun Blanquet (Müeller-Dombois yEllenberg, 1974), se recolectaron ejemplarespara su correspondiente identificación. En la-boratorio, se corroboró la determinación taxo-nómica mediante el uso de claves y bibliogra-fía específ ica (Zuloaga y Morrone, 1999;Bianco y Cantero, 1985a,b; Burkart, 1979,1974, 1969). También a campo se registró me-diante estimación visual cobertura total (%), deleñosas (%) y de herbáceas (%); y del ambien-te abiótico roca expuesta (%). Mediante el usode GPS se georeferenciaron los sitios de mues-treo y su altitud. En el laboratorio se completóla caracterización del ambiente mediante bi-bliografía adicionando información edáfica: có-digo de unidad cartográfica, índice de produc-tividad de la unidad, aptitud de uso, fisiografía,tipo de suelo, drenaje, pendiente y materia or-gánica (Gorgas y Tassile, 2006). Los disturbios,principalmente relacionados con la actividadantrópica, se registraron por presencia-ausen-cia de ocurrencia de fuego, tala, pastoreo, in-vasión de leñosas exóticas y agricultura.

Con la información de campo se confeccio-no el listado florístico de la zona de estudiomientras que para el análisis de los datos seconfeccionaron dos matrices, una florística yotra ambiental. Se eliminaron las especies deconstancia menor al 10 %, cuya presencia pu-do deberse al azar, y censos y especies con al-ta dispersión (Müeller-Dombois y Ellenberg,1974). Se utilizó análisis de correspondenciacanónica (CCA) para relacionar la informaciónflorística, ambiental y disturbio (ter Braak,1987). Para el análisis se estandarizó el resul-tado final de las especies y censos por centra-do y normalización.

La cobertura total, de leñosas y de herbáce-as de los censos en cada comunidad (4; 5 y 5censos respectivamente) se analizó medianteANOVA y la comparación de medias con prue-ba de Tukey (P = 0,1) (Montgomery, 1991).

Resultados y discusión

El disponer de imágenes satelitales de la zo-na serrana permitió evaluar cambios en la co-bertura vegetal y en la actividad fotosintéticaen los años 2001 y 2008 (Figs. 2 a 7). En am-bos años predominó el rango 0,1 a 0,5 de IVN,indicando una actividad fotosintética baja pa-ra las tres zonas. Estos resultados concuerdancon el tipo de vegetación xerófila descripta porCabrera (1976) y Luti et al. (1979). Al anali-zar comparativamente los años se observa unaumento en el rango 0,5 a 1 de IVN, lo que su-


Figura 2. Mapa de la zona norte (2001): rangos, cla-ses de actividad fotosintética estimada de IVN y ubi-cación de los censos de vegetación.

Figura 3. Mapa de la zona norte (2008): rangos, cla-ses de actividad fotosintética estimada de IVN y ubi-cación de los censos de vegetación.

giere un incremento de la actividad fotosinté-tica en la área de estudio. Considerando que lassubimágenes corresponden a la estación de cre-cimiento primavero-estival de la vegetación, yque las lluvias y la temperatura media anualfueron equivalentes (INTA EEA Manfredi,2010; Servicio Meteorológico Nacional, 2009)podemos inferir que dichos cambios son atri-buibles a modificaciones en la cobertura ve-getal por un uso diferente de la tierra.

Al relacionar la información florística conlas variables ambientales encontramos que elporcentaje acumulado de variación explicadapor los tres primeros ejes del ordenamiento esdel 34%. El primer eje explica el 13%; mien-

tras que el segundo y tercer eje explican el 11%y 10% respectivamente. Al ordenar los censosy las especies en función de los valores el pri-mer y segundo eje de CCA se observan tres co-munidades (Fig. 8). La Comunidad 1 se ubicahacia en el cuadrante superior izquierdo y seencuentra asociada con las variables invasiónde leñosas exóticas (51% eje 2) y latitud (86%eje 1). Las especies que la caracterizan son:Acacia caven (Mol.) Molina, Zanthoxylum co-co (Gillies) ex Hook f & Arn., Cestrum parquiL’ Herit., Eupatorium buniifolium Hook. et.Arn., Aloysia gratissima (Gill. et Hook.) Tronc.y Lithrea molleoides (Vell.) Engl. La Comuni-dad 2 se ubica hacia el cuadrante inferior iz-


Figura 4. Mapa de la zona centro (2001): rangos, cla-ses de actividad fotosintética estimada de IVN y ubi-cación de los censos de vegetación.

Figura 5. Mapa de la zona centro (2008): rangos, cla-ses de actividad fotosintética estimada de IVN y ubi-cación de los censos de vegetación.

Figura 6. Mapa de la zona sur (2001): rangos, clasesde actividad fotosintética estimada de IVN y ubicaciónde los censos de vegetación.

Figura 7. Mapa de la zona sur (2008): rangos, clasesde actividad fotosintética estimada de IVN y ubicaciónde los censos de vegetación.

quierdo y está asociada con la variable tala(70% eje 2). Las especies indicadoras son: Se-taria parviflora (Poir.) Kerguélen, Schkuhriapinnata (Lam.) Kuntze ex Thell., Cynodondactylon (L.) Pers., Digitaria sanguinalis (L.),Euphorbia peplus L. y Sorghum halepense (L.)Pers. La Comunidad 3 se ubica en el margenderecho y está asociada con las variables: tipode suelo, altura sobre el nivel del mar y mate-ria orgánica (79%, 69% y 70 % eje 1). Las es-pecies que la integran son: Borreria eryngioi-des Cham. & Schltdl., Acalypha communisMüll. Arg., Colletia spinosissima Gmel., Se-laginella sellowii Hieron y Heterothalamusalienus (Spreng.) Kuntze.

La cobertura total, de leñosas y de herbáce-as difirió significativamente entre las tres co-munidades (P = 0,007; P = 0,062; P = 0,015).Los valores medios en la cobertura total de lascomunidades 1 y 3 se diferenciaron (P = 0,1).Mientras que los valores medios de la cober-tura de leñosas y de herbáceas de la comuni-dad 2 difirió (P = 0,1) de la comunidad 3. Es-tas diferencias en la cobertura vegetal evaluadaa campo se relacionaron con cambios en la ac-tividad fotosintética entre los mapas de clasecorrespondientes a cada zona del año 2008. Porejemplo, la comunidad 3 se ubica mayormen-te en la zona norte (67%), tuvo la menor co-bertura total (85%) y la mayor del estrato le-

ñoso (42%) evaluada a campo. Esta comuni-dad se caracteriza por especies indicadoras delArbustal, transición entre el Bosque Serrano yel Pastizal de altura, donde el paisaje se carac-teriza por la casi total ausencia de árboles y lapresencia de arbustos (Luti et al., 1979). Entanto que, la comunidad 1 relacionada con va-riables que indican disturbio y que se ubica ex-clusivamente en la zona sur (100%), tuvo lamayor cobertura total (97%) evaluada a cam-po. En esta comunidad encontramos especiesinvasoras de ambientes naturales (Nevel y Por-cile, 2006) y agrícolas (Ghersa et al., 2002). Yla comunidad 2 asociada con la tala presenteen la zona sur (97%) y la centro (3%), tuvo lamenor cobertura del estrato arbóreo (7%) y lamayor del herbáceo (92%). Aquí se encontra-ron importantes malezas de ambientes agríco-las (De la Fuente et al., 2006).

En los últimos años la actividad antrópicaha modificado casi la totalidad de los ambien-tes naturales serranos, principalmente aquellossin limitantes para la agricultura y la urbani-zación. Los que aún se conservan, están sien-do fragmentados de manera creciente en unamatriz de cultivos anuales, principalmente lasoja (Cabido et al., 2005; Paruelo et al., 2005).Tales actividades junto con la deforestación yel pastoreo modifican la estructura y funcio-namiento del ecosistema (Cabido et al., 2005),


Figura 8. Distribución de los censos de vegetación (a) y especies (b) en función del primer y segundo eje canó-nico, indicando variables ambientales y de disturbio de tres comunidades en la zona serrana de Córdoba. Líneacontinua: comunidad 1; línea rayada: comunidad 2; línea con raya y puntos: comunidad 3.

pudiendo provocar aumentos en la actividadfotosintética por la homogeneización de la ve-getación. Si bien los censos de vegetación nofueron realizados en lotes agrícolas los regis-tros a campo de tala, actividad agrícola e in-vasión de leñosas exóticas son indicadores deluso de la tierra.

Conclusiones

El estudio de la vegetación en la zona se-rrana de Córdoba (Argentina) mediante el usode sensores remotos puso en evidencia que elIVN aumentó en el año 2008 al compararse conel año 2001. También se probó que las varia-bles como tala e invasión de leñosas exóticasinfluenciaron el establecimiento de dos de lastres comunidades vegetales. Ello se evidenciópor los altos porcentajes de variación de lacomposición florística explicada por disturbiosantrópicos. En coincidencia con la informaciónsatelital, la evaluación a campo de la cobertu-ra vegetal mostró que aumentó la cobertura to-tal y la del estrato herbáceo en particular.

Agradecimientos

Se agradece a los revisores anónimospor sus interesantes observaciones y su-gerencias que contribuyeron a la mejoradel manuscrito. Este trabajo ha sido reali-zado por el f inanciamiento de ProyectosFederales de Innovación Productiva delConsejo Federal de Ciencia y Tecnología(Córdoba 02/07, convenio 026/09) y delMinisterio de Ciencia y Tecnología de Cór-doba (Res. MINCyT Cba. N° 000113/2011).

Referencias

BARBOZA, E. G., CANTERO, J. J., NÚÑEZ, C.O.,& ESPINAR, L.A. (eds). 2006. Flora medicinalde la provincia de Córdoba (Argentina) Pteridó-fitas y Antófitas silvestres o naturalizadas. Mu-seo Botánico de Córdoba. Argentina, 1.264 págs.

BARET, F., & GUYOT, G. 1991. Potentials and li-mits of vegetation indices for LAI and APAR as-sessment. Remote Sensing of Environment 35:161-173.

BIANCO, C., & CANTERO, J. J. 1985a. Las plan-tas vasculares del sudoeste de la provincia de Cór-

doba. Parte I: Clave para la determinación de fa-milias. Revista UNRC 5(2): 143-159.

BIANCO, C., & CANTERO, J. J. 1985b. Las plan-tas vasculares del sudoeste de la provincia de Cór-doba. Parte II: Clave para la determinación de gé-neros. Revista UNRC 5(2): 161-206.

BURKART, A. 1969. Flora ilustrada de Entre Ríos(Argentina). Bs. As. Tomo VI, parte II. INTA.

BURKART, A. 1974. Flora ilustrada de Entre Ríos(Argentina). Bs. As. Tomo VI, parte VI. INTA.

BURKART, A. 1979. Flora ilustrada de Entre Ríos(Argentina). Bs. As. Tomo VI, parte V. INTA.

CABIDO, D., CABIDO, M., GARRÉ, S.M., GO-RAS, J.A., MIATELLO, R., RAVELO, A., RAM-BALDI, S., & TASSILE, J. L. (coordinadores).2003. Regiones naturales de la provincia de Cór-doba. Agencia Córdoba D.A.C.yT. Córdoba, Ar-gentina, 103 págs.

CABIDO, M., ZAK, M., CINGOLANI, A., CÁCE-RES, D., & DÍAZ, S. 2005. Cambio en la cober-tura de la vegetación de la Argentina. ¿Factoresdirectos o causas subyacentes? En: OesterheldM., Aguiar M. R., Ghersa C. M., & Paruelo J. M.(compiladores) La heterogeneidad de la vegeta-ción de los agroecosistemas. Un homenaje a Ro-lando J.C. León. Editorial Facultad de Agrono-mía-UBA. Bs. As., Argentina, 271-296 pp.

CABRERA, A. L. 1976. Enciclopedia argentina deagricultura y jardinería. Regiones fitogográficasargentinas. Editorial ACME S.A.C.I., II(1), 85págs.

CHOUDHURY, B. J. 1987. Relationships betweenvegetation indices, radiation absorption, and netphotosynthesis evaluated by a sensitivity analy-sis. Remote Sensing of Environment, 22: 209-233.

CHUVIECO, E. 2007. Teledetección Ambiental. Laobservación de la Tierra desde el Espacio. Edi-torial Ariel S. A. Barcelona, España, 592 pp.

CRAWLEY, M. J. 1997. The structure of plant com-munities. En: Crawley, M. J. (ed.) Plant ecology.Blackwell Sicence 14: 475-531.

DE LA FUENTE, E. B., SUÁREZ, S. A., & GHER-SA, C. M. 2006. Soybean weed community com-position and richness between 1995 and 2003 inthe Rolling Pampas (Argentina). AgricultureEcosystems and Environment 115(1-4): 229-236.

FENSHOLT, R., SANDHOLT, I., & RASMUS-SEN, M. S. 2004 Evaluation of MODIS LAI, fA-PAR and the relation between fAPAR and NDVIin a semi-arid environment using in situ measu-rements. Remote Sensing of Environment 91:490-507.

GERBERMAN, A. J., CUELLAR, J. A., & GAUS-MAN, H. W. 1984. Relationship of sorghum ca-nopy variables to reflected infrared radiation for 2wavelengths and 2 wavebands. PhotogrammetricEngineering and Remote Sensing 50: 209-214.

GHERSA, C. M., DE LA FUENTE, E. B., SUÁ-REZ, S. A., & LEÓN, R. J. C. 2002. Woody spe-


cies invasion in the Rolling Pampa grasslands,Argentina. Agriculture, Ecosystems & Environ-ment. ELSERVIER 88(3): 271-278.

GORGAS, J. A., & TASSILE, J. L. 2006. Recursosnaturales de la provincia de Córdoba. Los sue-los. Nivel de reconocimiento 1:500.000. AgenciaCórdoba Ambiente S.E. e INTA Centro RegionalCórdoba.. Córdoba, Argentina. 612 pp.

HOOPER, D. U., CHAPIN III, F. S., EWEL, J. J.,HECTOR, A., INCHAUSTI, P., et al. 2005. Ef-fects of biodiversity on ecosystem functioning: aconsensus of current knowledge. Ecological Mo-nographs 75(1): 3-35.

INPE (Instituto Nacional de Pesquisas Espaciais),2010. www.inpe.br

INTA EEA Manfredi. 2010. Área de Recursos Na-turales. Resumen histórico de lluvias en mm des-de el año 1931. Disponible en: http://www.in-t a . gov. a r /manf r ed i / i n fo / c l ima /h i s t o r i co/lluvde31.htm

LILLESAND, T. M., KIEFER, R. W., & CHIPMAN,J. W. 2008. Remote Sensing and Image Interpre-tation. 6ta edición. Edit. John Wiley. 804 pp.

LUTI, R., BERTRÁN DE SOLÍS, M. A., GALERA,M. F., MULLER DE FERREIRA, N., BERZAL,M., NORES, M., HERRERA, M. A., & BERRE-RA, J. C. 1979. Vegetación en Geografía Físicade la Provincia de Córdoba. Vázquez y Miatello,eds. 464 pp.

MONTGOMERY, D. C. 1991. Diseño y análisis deexperimentos. Grupo editorial Iberoamérica, Bs.As., Argentina. 589 pp.

MUELLER-DOMBOIS, D., & ELLENBERG, H.1974. Aims and methods of vegetation ecology.John Wiley & Sons, New York, USA. 547 pp.

NASA, 2010. Landsat Scenes from the Global LandCover Facility. GODDARD SPACE FLIGHTCENTER, University of Maryland,http://glcf.umiacs.umd.edu/data/landsat/

QUÉTIER, F., TAPELLA, E., CONTI, G., CÁCE-RES, D., & DÍAZ, S. 2007. Servicios ecosisté-micos y actores sociales. Aspectos conceptualesy metodológicos para un estudio interdisciplina-rio. Gaceta ecológica, número especial 84-85:17-26.

NEVEL, J. P., & PORCILE, J. F. 2006. Contamina-ción del bosque nativo por especies arbóreas yarbustivas exóticas. Disponible en:http://www.mgap.gub.uy/Forestal/DGF.hmt.

NUÑEZ, C. O., & CANTERO, J. J. 2000. Plantasmedicinales del sur de la provincial de Córdoba.

Fundación Universidad Nacional de Río Cuarto,Córdoba, Argentina. 144 pp.

PARUELO, J. M. 2008. La caracterización funcio-nal de ecosistemas mediante sensores remotos.Asociación Española de Ecología Terrestre. Eco-sistemas 17(3): 4-22.

PARUELO, J. M., GUERSCHMAN, J. P., & VE-RÓN, S. R. 2005. Expansión agrícola y cambiosen el uso del suelo. Ciencia Hoy 15(87): 14-23.

RIDAO, E., CONDE, J., & MINUÉS, I. 1998. Esti-mating fAPAR from nine vegetation indices forirrigated and nonirrigated faba vean and semile-afless pea canopies. Remote Sensing of Environ-ment 66: 87-100.

RIPPLE, W. J. 1985. Asymptotic reflectance cha-racteristics of grass vegetation. PhotogrammetricEngineering and Remote Sensing 43: 1915-1921.

SELLERS, P.J . 1985. Canopy reflectance, photos-ynthesis, and transpiration. International Jour-nal of Remote Sensing 6: 1335-1372.

SERVICIO METEOROLÓGICO NACIONAL.2009. Registro de lluvias desde el año 2000 alaño 2008, Río Cuarto Aero. Disponible en:http://www.smn.gov.ar/

TER BRAAK, C. J .F. 1987. Ordination. En Jong-man, R.H.G., ter Braak, C.J.F. y van Tongeren,O.F.R. (eds.), Data analysis in community andlandscape ecology. 1 st. ed. Pudoc, Wageningen,The Netherlands 5: 91-173.

TOLEDO, A. B. 2009. Diversidad de usos, prácti-cas de recolección y diferencias según género yedad en el uso de plantas medicinales en Córdo-ba, Argentina. Boletín Latinoamericano y del Ca-ribe de Plantas Medicinales y Aromáticas 8(5):389-401.

TUCKER, C. J. 1977. Resolution of grass canopybiomass classes. Photogrammetric Engineeringand Remote Sensing 43:1059-1067

VÁZQUEZ, J. B., MIATELLO, R. A., & ROQUÉ,M. E. 1979. Geografía física de la provincia deCórdoba. Editorial Bolts. Buenos Aires, Argen-tina. 464 pp.

VOLANTE, J. N., & BIANCHI, A. R. 2003. Índicede vegetación normalizado diferencial (NDVI)de las Yungas y del Chaco Semiárido en el Nor-oeste Argentino. EEA INTA Salta.

ZULOAGA, F. O., & MORRONE, O. 1999 (eds).Catálogo de las plantas vasculares de la Repú-blica Argentina. II. Dicotyledoneae. Monographsin Systematic Botany from the Missouri Botani-cal Garden 74: 1-1269.


Estimación del nivel freático a partir del NDVI Landsaten La Pampa del Tamarugal (Chile)

M. Ortiz1,3, L. Morales2, P. Silva1 y E. Acevedo1

1 Laboratorio de Relación Suelo-Agua-Plamta. Facultad de Ciencias Agronómicas. Universidad de Chile. Casilla 1004. Santiago. Chile

2 Departamento de Ciencias Ambientales y Recusos Naturales Renovables. Facultad de Ciencias Agronómicas. Universidad de Chile. Casilla 1004. Santiago. Chile

3 Centro de Estudios Avanzados en Frutitultura (CEAF). Conicyt-Regional R0811011

Resumen

El salar de Pintados se ubica en la Pampa del Tamarugal (Región de Tarapacá, Chile). Allí exis-ten 21.696 ha de Prosopis tamarugo Phil., de las que el 14 a 20% se encuentra en mal estado. El ob-jetivo de este trabajo fue evaluar los cambios en el tiempo del estado de la población de P. tamaru-go del salar de Pintados y asociarlos a la profundidad del nivel freático. A partir de medicionesmensuales de profundidad del nivel freático tomadas en 21 pozos de observación entre los años 1987y 2003, se obtuvo un valor medio anual para cada pozo. Para cada año se estimó la distribución es-pacial de la profundidad del nivel freático mediante interpolación geoestadística a una malla comúnde 100 x 100 m. Se calculó el índice de vegetación de diferencia normalizada (NDVI) a partir detres imágenes del satélite Landsat TM adquiridas en tres fechas de los años 1987, 1999 y 2003. Pos-teriormente se realizó un muestreo sistemático no alineado para extraer puntos en la imagen de sa-télite y datos interpolados de profundidad de nivel freático. Con esa información se realizó un aná-lisis de regresión lineal, en el que se observó que los años 1999 y 2003 presentaban una relaciónsimilar entre NDVI y profundidad del nivel freático, mientras que el año 1987 mostró un compor-tamiento diferente. Para el año 1987 el coeficiente de determinación fue de 0,83 (P ≤ 0,05) y en losaños 1999 y 2003 fue de 0,86 (P ≤ 0,002). A partir de la ecuación de regresión lineal para los valo-res de NDVI y profundidad de nivel freático de los años 1999 y 2003 se estimó que los tamarugosdel salar de Pintados disminuyeron su actividad (NDVI = 0,1) cuando la profundidad del nivel fre-ático fue de 10,0 m.

Palabras clave: Prosopis tamarugo Phil., NDVI, freatófita, defoliación, nivel freático.

Abstract

Estimation of water table depth from Landsat NDVI in the Pampa del Tamarugal (Chile)

The salar de Pintados is located in the Pampa del Tamarugal (Tarapacá Region, Chile), where the-re are 21,696 ha of Prosopis tamarugo Phil., of which 14 to 20% is in poor condition. The aim of thisstudy was to evaluate changes over time in the status of the population of P. tamarugo of the Salar dePintados and associate it with the depth of the water table. From monthly measurements of water ta-ble depth taken in 21 observation wells between 1987 and 2003, we obtained an average annual valuefor each well. For each year was estimated spatial distribution of water table depth using geostatisticsinterpolation to a common grid of 100 x 100 m. We calculated the normalized difference vegetationindex (NDVI) from three Landsat TM images acquired on three dates for the years 1987, 1999 and2003. Later a systematic non-aligned sampling was made to extract points in the satellite image andinterpolated data of water table depth. With that information we performed a linear regression analy-sis, which showed that 1999 and 2003 had a similar relationship between NDVI and water table depth,while the year 1987 showed a different behavior. For 1987, the coefficient of determination was 0.83



Introducción

El tamarugo (Prosopis tamarugo Phil.) esuna especie freatófita endémica que crece enla Pampa del tamarugal, norte de Chile, Regiónde Tarapacá. Actualmente existen 40.771 ha detamarugos de las que 10.852 ha correspondena formaciones naturales de tamarugo y 29.919ha corresponden a plantaciones de Tamarugo(PRAMAR, 2007), en su mayoría realizadas enun plan de forestación chileno entre los años1965 y 1985. La mayor superficie de tamaru-gos se encuentra en el salar de Pintados con21.696 ha de los cuales 6.542 ha correspondea formaciones naturales y 15.154 ha fueronplantadas (PRAMAR, 2007). La Pampa del Ta-marugal es una reserva subterránea de agua im-portante en una zona donde este recurso es par-ticularmente escaso. Este acuífero se abastecedel flujo de varias subcuencas que se empla-zan en su borde oriental y que transportan elagua superficial y subterráneamente desde laspartes altas de la cordillera de los Andes (so-bre 3.000 msnm). La recarga estimada es de880 l s–1 (DICTUC, 2006). En la Pampa no ocu-rren precipitaciones. Las descargas naturalescorresponden a la evaporación que se produceen los salares donde la napa se encuentra a me-nos de 10 m de profundidad, la transpiracióndel bosque de tamarugos y la descarga subte-rránea hacia otros acuíferos. Actualmente, laextracción de agua subterránea es la principaldescarga del sistema. Esta comenzó el año1922 con un caudal un poco superior a 30 l s–1

(Karzulovic y García, 1978). El año 1975 elcaudal extraído era de 260 l s–1 (CORFO,1975), en 1978 la extracción era de 322 l s–1

(Karzulovic y García, 1978) y en 1995 era de696 l s–1 (JICA, 1995). En la actualidad la ex-tracción total es de 1.849 l s–1 (DGA, 2006). Eldesbalance entre la recarga del sistema y lasdescargas (naturales y antrópicas) ha provoca-do el descenso del nivel freático alrededor delas zonas de extracción. Peralta (1983) estimóque la extracción de agua en un sector del sa-

lar de Pintados generaba un cono de depresiónde 1 a 2 km de radio, dentro del sector fores-tado se encontraban valores de descenso del ni-vel freático de 3 y 5 m. Un estudio realizadopor JICA (1995) señaló que entre los años 1982y 1993 el nivel freático aumentó en profundi-dad a una tasa baja, de 14 a 29 cm año–1 apro-ximadamente, sin cambios estacionales. En elsalar de Pintados un 14% de los tamarugos na-turales está en regular estado y un 14% está enmal estado, en los árboles plantados un 18% seencuentra en regular estado y un 20% se en-cuentra en mal estado (PRAMAR, 2007), loque podría deberse al descenso del nivel freá-tico más allá del alcance de las raíces. Una for-ma de evaluar la respuesta de freatófitas queson sometidas a descenso del nivel freático esel vigor de las plantas (Groeneveld, 1992), yaque la clorosis foliar (degradación de pigmen-tos de clorofila), perdida de follaje y degrada-ción de la estructura de la copa son síntomastípicos del deterioro de los bosques (Deshayeset al., 2006). La magnitud de la senescencia esaparentemente cuantitativa y refleja la severi-dad del estrés hídrico, lo que entrega síntomasvisibles antes del daño letal (Rood et al., 2003).Un método para evaluar el estado de las plan-tas es a través de la reflectividad o proporciónde energía lumínica que reflejan direccional-mente en relación a la energía incidente. Estareflectividad depende de las propiedades de lasuperficie de hojas, su estructura interna y laconcentración y distribución de componentesbioquímicos, por lo que el análisis remoto dela luz reflejada puede ser usada para evaluar labiomasa y el estado fisiológico de las plantas(Peñuelas y Filella, 1998). La vegetación sanaposee un espectro que se caracteriza por un cla-ro contraste entre distintas regiones del espec-tro electromagnético, ya que la mayor parte dela radiación solar recibida por la planta en elespectro visible (VIS) es absorbida por los pig-mentos de las hojas, mientras que éstos apenasafectan a la radiación recibida en el infrarrojocercano (NIR). Específicamente, la vegetación

Estimación de nivel freático a partir del NDVI Landsat en La Pampa del Tamarugal (Chile) 43

(P ≤ 0.05) and in the years 1999 and 2003 was 0.86 (P ≤ 0.002). From the linear regression equationfor NDVI values and water table depth in the years 1999 and 2003, it was estimated that in the Salarde Pintados P. tamarugo decreased their activity (NDVI = 0.1) when water table depth was 10.0 m.

Key words: Prosopis tamarugo Phil., NDVI, phreatophyte, defoliation, water table..

sana presenta una baja reflectividad en el visi-ble y una alta reflectividad en el infrarrojo cer-cano, mientras que en áreas defoliadas la re-flectancia en el rango NIR disminuye, mientrasque en el rango VIS aumenta (Deshayes et al.,2006). El uso de algunas bandas que se obtie-nen de imágenes satelitales en el cálculo decuocientes o índices permite identificar y di-ferenciar la condición de las masas vegetales(Chuvieco, 2002). Uno de ellos es el índice devegetación de diferencia normalizado, NDVI,por su sigla en inglés. El estado de la vegeta-ción, estimado a través del NDVI, estaría aso-ciado a la profundidad del nivel freático. Esteestudio tiene por objetivo evaluar los cambiosen el tiempo del estado de la población de ta-marugos del salar de Pintados y asociarlos a laprofundidad del nivel freático.

Material y métodos

Lugar de estudio

El estudio se realizó en el salar de Pintados,el que se ubica en la Región de Tarapacá, Pro-vincia de Tarapacá, Chile. En el salar se ubicauna población de tamarugos (Prosopis tama-rugo Phil.) de 21.696 ha. De estos 6.542 ha co-rresponden a formaciones naturales y 15.154ha a tamarugos plantados (Pramar, 2007). Es-ta zona posee en clima desértico normal o BWt,el cual se caracteriza fundamentalmente poruna masa de aire muy estable y seca que origi-na una gran aridez, cielos despejados todo elaño y una humedad atmosférica baja. La osci-lación térmica diaria es alta, pudiendo llegar a25°C, debido al gran enfriamiento nocturno,que en algunos sectores produce temperaturasmínimas cercanas a 0°C (Dirección_Metereo-lógica_de_Chile, 2010).

Profundidad del nivel freático

Se obtuvo información de la profundidad delnivel freático de 21 pozos de medición distri-buidos en el salar de Pintados (Tabla 1) entrelos años 1987 y 2005. En cada pozo existíanentre 3 a 12 registros por año, por lo que se ob-tuvo un promedio para cada año en cada pozo.

Para cada año se estimó la distribución espa-cial de la profundidad de los pozos medianteinterpolación geoestadística a una malla co-mún de 100 × 100 m usando un modelo de va-riograma global, exponencial y kriging en blo-ques con del programa VESPER, versión 1.6.2(Minasny et al., 2002). De esta forma los da-tos faltantes en los pozos utilizados fueron in-terpolados espacial y temporalmente para com-pletar las series y conocer las tendencias.

Imágenes satelitales

Se utilizaron tres imágenes del satélite Land-sat Thematic Mapper adquiridas los días 30 dejulio de 1987, 15 de noviembre de 1999 y 26de enero de 2003, las que fueron descargadasdesde el servidor del Earth Science Data In-terface (ESDI) el día 29 de abril de 2009. Pa-ra el tratamiento de la información raster y vec-torial se utilizó el programa Idrisi Kilimanjaro(Eastman, 2004). Las imágenes fueron corre-gidas geométricamente utilizando un archivovectorial de la red hídrica y de caminos, obte-nidos por digitalización de los mapas a escala

44 M. Ortiz et al. / Revista de Teledetección (2012) 37, 42-50

Tabla 1. Pozos de medición de la profundidad delnivel freático y su coordenada en UTM-195

ID PozoCoordenada UTM

Norte Este

11 S.Pintados D-66 7754287.38 422275.1412 Pozo P. Sara 3 D-72 7753269.09 421826.4413 Sara-Tirana D-81 7752238.86 427022.3314 La Tirana J-E 7752047.18 428308.3715 Gmo.Araya A-100 7747781.00 431716.0018 Mendieta A-9 7743962.03 435202.6819 Esmeralda 6 C-174 7742996.39 449838.0620 Essat-Canchones D 134 7740067.00 446035.0021 Sn.Genaro A-133 7739720.11 444512.4222 Canchones J-6 7739607.83 445819.0823 Hispania 138 7739545.49 433019.2225 L.Quispe D-167 7735969.47 440798.3732 S. Pintados 162 7734182.78 420332.7636 B. Junoy J-7 7732109.98 430724.2937 B.Junoy 230 7731952.59 433998.5838 S.Pintados 235 7728801.77 422998.5340 S.Pintados 237 7726665.46 432893.1941 Pica C/Antiguo J-8 7723064.67 446077.5543 S.Pintados 254 7720947.09 432507.6344 S.Pintados 256 7720697.37 435469.6845 E.Exp.Pintados 263 7718878.00 440426.00

1:50.000 del Instituto Geográfico Militar deChile (IGM) usando ecuaciones polinomialesde segundo orden. El método de remuestreo fuede convolución cúbica, con una resolución es-pacial de 30 × 30 m, y se georeferenció segúnel Datum WGS84 y Huso 19 sur. Para la co-rrección atmosférica se utilizó el método pro-puesto por Chávez (1996) con la finalidad dereducir el efecto de los aerosoles en la imagen.No se realizaron correcciones de normaliza-ción topográfica pues el área de estudio es pla-na (Riaño et al., 2003).

Con el fin de estimar el estado hídrico de laplanta, en toda la zona de estudio, se utilizó elíndice de vegetación normalizado NDVI (Rou-se et al., 1974; Tucker, 1979) que permite apre-ciar la intensidad de la actividad clorofílica yque tiene la ventaja de ser un índice sencillo.En el caso de una imagen LANDSAT se cal-cula de acuerdo a:

[1]

donde ρ4 y ρ3 son las reflectividades calcula-das a partir de los canales infrarrojo cercano(4) y rojo (3).

Posteriormente se realizó un muestreo sis-temático no alineado para extraer puntos en laimagen de satélite y los datos interpolados deprofundidad de nivel freático. El número depuntos de muestreo (n) se estimó de acuerdo a:

[2]

donde z (95%) es la abscisa de la curva normalpara un valor determinado de probabilidad, σ2

es la varianza muestreal, N el tamaño de la po-blación, y L es el margen de error permitido,que fue de un 5%. Finalmente se realizaron re-gresiones lineales entre el NDVI y el nivel fre-ático para los puntos muestreados.

Resultados

Nivel freático

El análisis geoestadístico de la profundidaddel nivel freático en el salar de Pintados per-mitió obtener un registro para cada pozo entre

los años 1987 y 2005. A partir de la serie detiempo media anual generada se calculó, me-diante una regresión lineal, la tasa de cambiode la profundidad del nivel freático para el pe-riodo analizado (pendiente) y el descenso pro-medio respecto al valor registrado en 1987 (Ta-bla 2). Este análisis mostró que los valores dependiente fluctuaron entre –0,44 y 0,25 m año–1

(los valores negativos señalan descenso del ni-vel freático y los valores positivos indican as-censo). A los valores de profundidad de cadapozo se le realizó el test de Mann-Kendall(Kendall, 1938), de manera de evaluar si la ten-dencia a descender del nivel freático era sig-nificativa. Esta fue significativa en todos lospozos, excepto en los pozos, 14, 15, 18, 20, 22,36 y 41 (Tabla 2). El mayor valor de descensopromedio se observó en el pozo 20, que tuvoun valor de –10,9 m, con un máximo de –19,7m el año 1998 y una pendiente de –0,44 m año–1

(Tabla 2). El pozo 22 tuvo un descenso pro-

n = z2σ 2

L2 + z2σ 2

N

NDVI =ρ

4− ρ

3

ρ4

+ ρ3


Tabla 2. Descenso del nivel freático promedio en-tre 1987 y 2005, pendiente de los valores de pro-fundidad del nivel freático entre 1987 y 2005, des-censo máximo y ascenso máximo calculadosrespecto al valor registrado en 1987 en cada pozode medición y significancia (p) de la tendencia aldescenso del nivel freático calculada mediante eltest de Mann-Kendall

DescensoPendiente

Descenso AscensoPozo promedio

(m año–1)máximo máximo p

(m) (m) (m)

11 –1.32 –0.13 –3.10 –0.03 0.000012 –0.89 –0.11 –1.76 1.02 0.000013 –3.16 –0.04 –6.47 0.05 0.002614 –0.69 0.20 –4.82 1.27 0.946215 1.52 0.05 –0.38 3.09 0.312118 3.32 –0.09 0.81 5.56 0.312119 –1.98 –0.23 –3.63 0.86 0.000020 –10.85 –0.44 –19.65 –0.36 0.163621 –5.92 –0.27 –14.90 –0.27 0.040122 –7.69 0.25 –20.03 0.25 0.779323 1.20 –0.01 –0.52 2.33 0.008725 –1.84 –0.16 –2.91 –0.16 0.000032 –1.08 –0.09 –1.67 –0.09 0.000036 0.01 0.01 –0.49 0.27 0.527937 –2.04 –0.07 –2.43 –0.07 0.005938 –0.56 –0.04 –0.95 –0.04 0.000240 –0.11 –0.07 –0.66 0.60 0.000041 1.82 0.08 –0.50 3.56 0.779343 –0.93 –0.08 –1.55 –0.08 0.000044 –1.13 –0.10 –1.94 –0.10 0.000045 0.77 –0.06 –3.49 2.54 0.0150

medio de –7,7 m, con un máximo de –20,0 mel año 1997, pero después recuperó su nivel,por lo que la pendiente fue positiva (0,25 maño–1, Tabla 2). Esta situación también explicalos valores de pendiente positivos observadosen los pozos 14, 15, 18, 36 y 41. La profundi-dad del nivel freático media para los 21 pozosde medición en 1987 fue de 13,7 m, aumentóhasta llegar a 16,4 m en el año 1997 y despuésse recuperó, llegando a 15,2 m el año 2005(Fig. 1).

Índice de vegetación NDVI

La Figura 2 muestra las imágenes de NDVIcalculadas para el salar de Pintados a partir deinformación LANDSAT-TM adquiridas los dí-as 30 de julio de 1987, 15 de noviembre de1999 y 26 de enero de 2003 respectivamente.En ellas se observa claramente en cada año loslímites del Salar de Pintados correspondientes

a la población de tamarugos en relación al de-sierto de Atacama que lo rodea.

Se observó que en 1987 los valores de NDVIpositivos estuvieron asociados a un nivel freá-tico entre 10,0 y 20,9 m de profundidad, hechoconsiderado anómalo probablemente debido aque ese año se evidenciaba en Chile el fenó-meno de El Niño intensamente. Para el caso deChile un evento de esta naturaleza trae consi-go un aumento de las precipitaciones, y por en-de una mayor probabilidad de que las napas fre-áticas se recarguen. En 1999 los valores deNDVI fueron positivos a 10,7 m y fueron ne-gativos entre 10,8 y 12,5 m de profundidad. Elaño 2003 los valores de NDVI fueron positivosentre 9,9 y 10,5 m, mientras que entre 11,1 y12,5 m de profundidad de nivel freático los va-lores de NDVI fueron negativos.

Para encontrar una relación cuantitativa sim-ple, de forma de utilizar el NDVI como indica-dor del nivel freático, se realizó un muestreosistemático no alineado sobre toda el área deestudio y en 46 puntos de acuerdo a la ecuación2 (Tabla 3). Los puntos muestreados fueron or-denados de acuerdo al valor de NDVI y se agru-paron de acuerdo a los intervalos de NDVI (Ta-bla 4), posteriormente se obtuvo el promediode NDVI (N

__D__

V__

I_) y el promedio de profundidad

del nivel freático para cada intervalo. Este pro-cedimiento se realizó con los datos de 1987,1999 y 2005 (Tabla 4). La Figura 3 muestra larelación existente entre N

__D__

V__

I_

y nivel freáticopara cada intervalo considerado en los años1987, 1999 y 2003, la cual en primera aproxi-mación es lineal. Este comportamiento puedeser explicado porque el descenso del nivel fre-ático supone menor disponibilidad de agua pa-


Figura 1. Media de profundidad del nivel freático pa-ra los 21 pozos de medición entre 1987 y 2005.

Figura 2. NDVI calculado para el salar de Pintados con las imágenes del satélite Landsat Thematic Mapper ad-quiridas los días 30 de julio de 1987 (a), 15 de noviembre de 1999 (b) y 26 de enero de 2003 (c).

ra la planta, lo que provocaría la disminuciónde la cobertura foliar. Se realizó un análisis de

regresión lineal entre los valores promedios deNDVI y profundidad del nivel freático para losaños 1987, 1999 y 2003. En este análisis se ob-servó que los años 1999 y 2003 presentaron lamisma relación, sin embargo el año 1987 fuesignificativamente diferente producto del even-to de El Niño en ese año. Se observó que parael año 1987 el coeficiente de determinación fuede 0,83 (P ≤ 0,05, ecuación [3]) y en los años1999 y 2003 fue 0,86 (P ≤ 0,002, ecuación [4]).

[3]

[4]

Discusión

En la imagen satelital de 1987 el 10% de lospuntos tuvieron valores de NDVI menores a 0,0y mostró una gran dispersión de valores, ya quese observó valores positivos entre 9,3 y 42,2 mde profundidad de nivel freático (Tabla 3), quese explicaría por el evento El Niño. El año 1999el 60% de los puntos fueron menores a 0,0 y elaño 2003 el 40%. El alto número de puntos convalor de NDVI negativo en 1999 podría expli-carse porque el nivel freático tuvo su menor va-lor promedio los años 1997 y 1998 (Fig. 1), condescenso de 19,7, 14,9 y 20,0 m en los pozos20, 21 y 22 respectivamente. Esto podría ha-ber afectado el estado de los árboles cercanosa esos pozos. Sin embargo, entre 1999 y 2002el nivel freático subió, recuperando su nivel en12,7, 12,3 y 18,8 m en los pozos 20, 21 y 22,por lo que los árboles menos afectados podrí-an haber mejorado su condición.

En los años 1999 y 2003 se observó que losvalores de NDVI fueron positivos a profundi-dades de nivel freático menores a 10,7 m. Unalto valor de NDVI es indicador de alta activi-dad de la vegetación (Vicente-Serrano et al.,2010), porque está relacionado con la capaci-dad fotosintética de la canopia y la resistenciaestomática (Gamon et al., 1993; Gamon et al.,1995; Griffith et al., 2010). Además, conside-rando que el NDVI es afectado por cambios enel color por la pérdida de pigmentos en las plan-tas que se deshidratan, éste está indirectamen-te relacionado con la concentración de agua deplantas vivas (Peñuelas et al., 1997). Existenantecedentes en tamarugos en que se ha aso-

Z1999, 2003

= 10,972 - 9.9696 ⋅ NDVI

Z1987

= 21,873 - 27,484 ⋅ NDVI


Tabla 3. Valores de profundidad del nivel freáticoy NDVI obtenidos de los muestreos realizados enlos planos de isoprofundidad de nivel freático yNDVI para los años 1987, 1999 y 2003

Profundidad del nivelNDVI

Puntofreático (m)

1978 1999 2003 1987 1999 2003

1 23.7 15.1 14.3 0.08 –0.13 0.012 24.2 14.7 13.7 0.02 –0.04 0.053 19.4 10.8 11.0 0.27 –0.14 0.124 19.6 10.2 10.4 0.20 –0.01 0.055 19.5 10.0 10.3 0.15 –0.03 –0.036 24.0 10.5 10.4 0.22 0.01 0.097 28.3 13.3 11.8 0.07 0.05 0.058 28.1 12.1 11.3 0.16 –0.13 –0.029 15.3 9.6 10.1 0.11 –0.12 0.03

10 12.6 8.3 8.7 0.13 –0.08 –0.0111 20.4 9.4 9.8 0.08 –0.02 0.0212 26.0 12.0 11.8 0.17 0.04 0.1313 21.4 11.0 11.0 0.16 0.00 –0.0114 13.3 7.9 8.0 0.19 –0.11 0.0715 10.0 5.9 6.2 0.33 0.01 0.0816 13.0 7.6 7.7 0.17 0.00 0.1717 16.4 10.8 10.8 0.23 –0.02 0.0318 21.5 13.7 13.1 0.05 0.01 0.0319 27.2 15.2 14.0 0.16 –0.11 0.0120 18.3 8.7 9.2 0.10 –0.05 0.1221 15.1 8.3 8.7 0.08 –0.04 0.0122 9.3 6.0 6.3 0.17 –0.08 0.0223 26.0 11.2 11.1 0.09 –0.09 0.0124 13.9 8.6 9.1 0.16 –0.04 0.0425 11.1 7.2 7.5 0.27 –0.09 0.0926 18.1 9.1 9.7 0.11 –0.08 0.0127 39.5 27.0 0.29 –0.06 0.2128 14.2 8.5 8.6 0.17 –0.08 0.1029 30.2 14.7 13.4 0.13 –0.11 –0.0530 32.7 13.9 12.1 0.07 –0.13 0.0231 11.4 7.1 7.4 0.03 –0.13 –0.0632 21.6 9.6 9.9 0.11 –0.13 –0.0133 19.0 13.7 13.8 0.20 –0.08 –0.0934 18.1 8.9 9.3 –0.03 –0.12 0.0435 16.6 10.7 11.1 –0.10 –0.02 –0.1336 19.2 13.6 13.3 –0.01 –0.11 –0.0937 25.3 14.9 13.9 0.09 –0.10 –0.0538 42.2 21.0 14.7 0.38 –0.12 0.0839 18.2 10.2 10.2 0.11 –0.09 –0.0140 11.9 8.6 9.1 0.11 –0.13 –0.0141 26.0 11.2 10.8 0.20 –0.04 –0.0342 25.9 11.8 11.1 0.02 0.02 –0.0243 17.7 9.7 10.2 0.05 –0.04 –0.0444 29.7 14.6 12.5 0.09 –0.13 0.0145 33.1 16.4 13.1 0.14 –0.05 –0.0446 32.8 17.9 13.9 –0.04 –0.14 –0.11

ciado la profundidad del nivel freático al esta-do de los árboles. Karzulovic y García (1978)observaron árboles jóvenes del área Cancho-nes-La Tirana marchitos y secos, lo que aso-ciaron al descenso del agua subterránea a unaprofundidad mayor que el alcance de sus raí-ces. Aguirre y Wrann (1985) midieron el cre-cimiento de árboles de 8 a 15 años de edad entérminos de altura media, y vieron que ésta erasignificativamente mayor en sitios donde la pro-fundidad del nivel freático era de 0 a 4 m, sinembargo, en árboles mayores a 15 años las di-ferencias de crecimiento en relación a profun-didad son menores. Ortiz et al. (2011) obser-varon en tamarugos del salar de Llamara unadisminución del porcentaje de copa verde, oca-sionado probablemente por el descenso del ni-vel freático. Una respuesta similar se ha obser-vado en Populus deltoides (Scott et al., 1999;Cooper et al., 2003), Populus fremontii, Salixgooddingii y Tamarix chinensis (Horton et al.,2001) frente al descenso del nivel freático. Pi-nus halepensis, en el Sureste de España, frentea condiciones de estrés hídrico severo adopta

la estrategia de disminuir la biomasa foliar (Bel-monte et al., 2008). Considerando esto, la aso-ciación negativa entre profundidad del nivel fre-ático y NDVI observada en la Figura 3 señalaque este factor estaría afectando la actividad delos tamarugos. En este sentido, Weiss et al.(2004) y Griffith et al. (2010) señalan que elseguimiento del NDVI a largo plazo puede elu-cidar las relaciones entre fluctuaciones inter-anuales de la vegetación y el clima, que fue elfactor que determinaba la disponibilidad deagua. En la pampa del tamarugal no ocurrenprecipitaciones por lo que la única fuente deagua para los tamarugos es el agua subterráneay considerando la asociación observada entreNDVI y profundidad del nivel freático (ecua-ción [4]), es posible estimar la profundidad dela napa a través del cálculo de NDVI.

La profundidad a la que las raíces de lasplantas pierden contacto con el agua subterrá-nea se denomina «profundidad de extinción»(Groeneveld, 2008). En una formación de Spo-robolus airoides (Torrey) Torrey, Chryso-thamnus nauseosus ssp. consimilis (E. Gree-


Tabla 4. Valores promedio de profundidad del nivel freático (Prof) y NDVI (N––D––V––I––) obtenidos para cada in-tervalo de NDVI en los años 1987, 1999 y 2003, y la fracción muestreal en cada clase (%)

Intervalo1987

�1999

�2003

NDVI N__

D__

V__I_ Prof.

% N__

D__

V__I_ Prof.

% N__

D__

V__I_ Prof.

%(m) (%) (m)

–0.2 a –0.11 — — — –0.12 12.5 0.36 –0.12 12.5 0.04–0.10 a 0.0 –0.04 21.7 0.10 –0.05 10.8 0.46 –0.03 11.1 0.360.01 a 0.1 0.06 20.9 0.29 0.02 10.7 0.18 0.04 10.5 0.51

0.11 a 0.20 0.15 17.9 0.47 — — — 0.14 9.9 0.090.21 a 0.30 0.25 17.7 0.11 — — — — — —0.31 a 0.40 0.35 10.0 0.03 — — — — — —

Figura 3. Valores de profundidad del nivel freático y promedio de NDVI en cada rango para los años 1987, 1999y 2003.

ne) y Sarcobatus vermiculatus (Hook.) TorreyGroeneveld (2008) encontraron que la profun-didad de extinción era de 7,1 m. Jin et al.(2007) estimaron mediante el análisis delNDVI y la profundidad del nivel freático en laPlanicie de Yinchuan, que el nivel freático te-nía baja influencia en el crecimiento de la ve-getación cuando se encontraba a una profun-didad mayor a 6,2 m. De acuerdo a la forma decalcular el NDVI, este puede variar entre –1,0y 1,0, pero el rango de NDVI en que varía lavegetación está entre 0,1 y 0,6 (Kidwell, 1990).Si se consideran las regresiones obtenidas delanálisis de los puntos de NDVI y profundidaddel nivel freático en los años 1999 y 2003(ecuación [4]), cuando el NDVI es 0,1 la pro-fundidad del nivel freático es de 10,0 m, lo quesignificaría que hasta esa profundidad se po-dría observar tamarugos activos.

Conclusiones

La relación entre los valores de NDVI y pro-fundidad de nivel indican que los tamarugosdel salar de Pintados disminuyen su actividada medida que el nivel freático se hace más pro-fundo. La profundidad a la cual la actividad dela vegetación llega a su mínimo (NDVI = 0,1)es de 10,0 m.

Referencias

AGUIRRE, J., & WRANN, J. 1985. Especies del gé-nero Prosopis y su manejo en la Pampa del Ta-marugal. In: Estado actual del conocimiento so-bre Prosopis tamarugo. Habit, M. (eds). Arica,Chile. 11-15 de Junio de 1984, FAO: 500.

BELMONTE, F., LÓPEZ, F., & ROMERO, A. 2008.Reducción de la biomasa del Pino Carrasco (Pi-nus halepensis) en un área del sureste semiáridopeninsular como estrategia para evitar estrés hí-drico. Papeles de Geografía 47-48: 25-34.

COOPER, D. J., D’AMICO, D. R., & SCOTT, M. L.2003. Physiological and morphological respon-se patterns of Populus deltoides to alluvialgroundwater pumping. Environmental Manage-ment 31: 215-226.

CORFO, 1975. Catastro Pampa del Tamarugal. Cor-poración de Fomento de la Producción. Santia-go, Chile.

CHÁVEZ, P. 1996. Image-based atmospheric co-rrections revisited and improved. Photogramme-

tric Engineering & Remote Sensing 62: 1025-1036.

CHUVIECO, E. 2002. Teledetección ambiental: laobservación de la tierra desde el espacio Barce-lona, Ariel.

DESHAYES, M., GUYON, D., JEANJEAN, H.,STACH, N., JOLLY, A, & HAGOLLE, O. 2006.The contribution of remote sensing to the as-sessment of drought effects in forest ecosystems.Annals of Forest Science 63: 579-595.

DGA, 2006. Catastro de obras en cauces naturales yáreas de restricción. Volumen I. Len & AsociadosIngenieros Consultores, Pontificia Universidad Ca-tólica de Chile DICTUC. Ministerio de Obras Pú-blicas, Dirección General de Aguas. Santiago, 92.

DICTUC, 2006. Estudio hidrológico para actuali-zación de la estimación de la recarga de los acu-íferos de la Pampa del Tamarugal, Sur Viejo yLlamara. Pontificia Universidad Católica de Chi-le, Escuela de Ingeniería, Departamento de In-geniería Hidráulica y Ambiental. SOQUIMICH.Santiago, Chile.

DIRECCIÓN_METEREOLÓGICA_DE_CHILE.2010. Climatología de Chile. Santiago, Chile, Di-rección Metereológica de Chile. Dirección Na-cional de Aeronáutica Civil.

EASTMAN, R. 2004. IDRISI Kilimanjaro. Guía pa-ra SIG y Procesamiento de Imágenes. ManualVersión 14.00. Clark Labs, mayo de 2004. ClarkUniversity.

GAMON, J. A., FIELD, C. B., GOULDEN, M. L.,GRIFFIN, K. L., HARTLEY, A. E., JOEL, G.,PEÑUELAS, J., & VALENTINI, R. 1995. Rela-tionships Between NDVI, Canopy Structure, andPhotosynthesis in Three Californian VegetationTypes. Ecological Applications 5: 28-41.

GAMON, J. A., FIELD, C. B., ROBERTS, D. A.,USTIN, S. L., & VALENTINI, R. 1993. Func-tional patterns in an annual grassland during anAVIRIS overflight. Remote Sensing of Environ-ment 44: 239-253.

GRIFFITH, A. B., ALPERT, H., & LOIK, M. E.2010. Predicting shrub ecophysiology in the Gre-at Basin Desert using spectral indices. Journal ofArid Environments 74: 315-326.

GROENEVELD, D. P. 1992. Owens Valley, Cali-fornia, Plant Ecology: Effects from ExportGroundwater Pumping and Measures to Conser-ve the Local Environment. White Mountain Re-search Station Symposium IV Proceedings: «TheHistory of Water: Eastern Sierra, Owens Valley,White-Inyo Range», Los Angeles, California,University of California Regents.

GROENEVELD, D.P . 2008. Remotely-sensedgroundwater evapotranspiration from alkali scrubaffected by declining water table. Journal ofHydrology 358: 294-303.

HORTON, J. L., KOLB, T. E., & HART, S. C. 2001.Physiological response to groundwater depth va-


ries among species and with river flow regula-tion. Ecological Applications 11: 1046-1059.

JICA, 1995. The study on the development of wa-ter resources in northern Chile. Japan Interna-tional Cooperation Agency (JICA), Ministerio deObras Públicas, Dirección General de Aguas(DGA), Pacific Consultans Internacional.

JIN, X., WAN, L., ZHANG, Y., XUE, Z., & YIN, Y.2007. A Study of the Relationship Between Ve-getation Growth and Groundwater in the Yin-chuan Plain. Earth Science Frontiers. 14: 197-203.

KARZULOVIC, J., & GARCÍA, F. 1978. Evalua-ción de los recursos hídricos de la provincia deIquique: antecedentes básicos. Dirección Gene-ral de Aguas, SERPLAC Iquique, 50.

KENDALL, M. G. 1938. A new measure of rank co-rrelation. Biometrika 30: 81-93.

KIDWELL, K. B. 1990. Global Vegetation IndexUser’s Guide. USDOC/NOAA National ClimaticData Center, Satellite Data Services Division.Washington, 45.

MINASNY, B., MCBRATNEY, A. B., & WHELAN,B. M. 2002. VESPER version 1.62. AustralianCentre for Precision Agriculture, McMillan Buil-ding A05, The University of Sydney, NSW 2006.

ORTIZ, M. 2011. Nivel freático en la Pampa del Tama-rugal y crecimiento de Prosopis Tamarugo Phil. San-tiago, Chile, Universidad de Chile. Tesis de Doctora-do. 93 p.

PEÑUELAS, J., & FILELLA, I. 1998. Visible andnear-infrared reflectance techniques for diagno-sing plant physiological status Trends in PlantScience 3: 151-156.

PEÑUELAS, J., PIÑOL, J., OGAYA, R., & FILE-LA, I. 1997. Estimation of plant water concen-tration by the reflectance Water Index WI(R900/R970). International Journal of RemoteSensing 18: 2869-2875.

PERALTA, F. 1983. Recursos hídricos de la Pampadel Tamarugal.

PRAMAR. 2007. Existencias y estado vital de Ta-marugos y Algarrobos Blancos en la Pampa delTamarugal y Salar de Llamara 58º Congreso dela Sociedad Agronómica de Chile, Arica, Chile,PRAMAR Ambiental Consultores.

RIAÑO, D., CHUVIECO, E., SALAS, J., & AGUA-DO, I. 2003. Assessment of different topographiccorrections in Landsat-TM data for mapping ve-getation types. Geoscience and Remote Sensing,IEEE Transactions on 41: 1056-1061.

ROOD, S. B., BRAATNE, J. H., & HUGHES, F. M.R. 2003. Ecophysiology of riparian cottonwoods:stream flow dependency, water relations and res-toration. Tree Physiology 23: 1113-1124.

ROUSE, J. W., HAAS, R. H., SCHELL, J. A., DE-ERING, D. W., & HARLAN, J. C. 1974. Moni-toring the vernal advancement of retrogradationof natural vegetation. NASA/GSFC, Type III, Fi-nal Report. Greenbelt, MD, 371.

SCOTT, M. L., SHAFROTH, P. B., & AUBLE, G.T. 1999. Responses of Riparian Cottonwoods toAlluvial Water Table Declines. EnvironmentalManagement 23: 347-358.

TUCKER, C. J. 1979. Red and infrared linear com-binations for monitoring vegetation. Remote Sen-sing of Environment 127-150.

VICENTE-SERRANO, S. M., LASANTA, T., &GRACIA, C. 2010. Aridif ication determineschanges in forest growth in Pinus halepensis fo-rests under semiarid Mediterranean climate con-ditions. Agricultural and Forest Meteorology.150: 614-628.

WEISS, J. L., GUTZLER, D. S., COONROD, J. E.,& DAHM, C. N. 2004. Long-term vegetation mo-nitoring with NDVI in a diverse semi-arid setting,central New Mexico, USA. Journal of Arid En-vironments 58: 249-272.


Introducción

La directiva por la que se establece una in-fraestructura de información espacial en laComunidad Europea (INSPIRE 2007, Van-denbroucke et al. 2008) tiene entre sus prin-

cipales objetivos, la difusión de datos espa-ciales desde un punto de vista interoperable.Siguiendo este mandato y en el marco del PlanNacional de Teledetección (PNT) (Villa et al.,2005), el Instituto Geográfico Nacional (IGN)de España se marcó el objetivo de facilitar co-

Servicio interoperable (WPS) de procesado de imágenes Landsat

L. Pesquer1, J. Masó1, G. Moré1, X. Pons2, J. Peces3 y E. Doménech3

1 CREAF, Cerdanyola del Vallès 08193, Spain. 2 Dept. Geografia, Universitat Autònoma de Barcelona.

3 Servicio de teledetección, Instituto Geográfico Nacional.

Resumen

Este trabajo describe las características, metodologías y potencialidades de un servicio interopera-ble según el estándar Web Processing Service (WPS) del Open Geospatial Consortium (OGC) para elprocesado de imágenes Landsat. En el marco del Plan Nacional de Teledetección (PNT) de media re-solución, impulsado por el Instituto Geográfico Nacional (IGN) de España, se ha desarrollado la pre-sente prueba piloto. El servicio implementado es totalmente automático y parametrizable por el usua-rio; consta de dos fases diferenciadas: la corrección geométrica y la corrección radiométrica. Laprincipal aportación de este trabajo consiste en permitir, también a un usuario no especializado en he-rramientas de procesado de imágenes de teledetección, la ejecución de estos procesos bajo demandainvocándolos desde un cliente web sin la instalación de ningún software adicional. Finalmente, debedestacarse la integración de estas operaciones con otros servicios de procesado, análisis o clasifica-ción de imágenes realizado por terceros que sigan el mismo estándar.

Palabras clave: corrección geométrica y radiométrica, Landsat, WPS, OGC, PNT.

Abstract

Interoperable service (WPS) of Landsat image processing

This paper describes the characteristics, methodologies and potentialities of an interoperable ser-vice following the Web Processing Service standard (WPS) from the Open Geospatial Consortium(OGC) for Landsat imagery. Under the Plan Nacional de Teledetección (PNT) of medium resolution,the Instituto Geográfico Nacional (IGN) from Spain has promoted a pilot case for this service. Theimplemented service is fully automated and customable by the user. It consists of two different sec-tions: the geometric correction and the radiometric correction. Main contribution of this work is toallow the execution of these processes on demand from a web client without installing any additionalsoftware, even for a non specialist user of image processing remote sensing tools. Finally, the inte-gration of these operations to another image processing, analytics or classification by other users fo-llowing same standard protocols should be noted.

Keywords: geometric and radiometric correction, Landsat, WPS, OGC, PNT.



berturas de imágenes satelitales de alta, me-dia y baja resolución espacial para todo su te-rritorio y con el mayor alcance temporal po-sible. En la media resolución espacial, la serieLandsat (NASA, 2011) iniciada en 1972 es lamás adecuada para alcanzar dichos objetivos.Sin embargo, tal como suministran las imá-genes de teledetección la mayoría de agenciasy, concretamente la NASA para Landsat, lasimágenes necesitan un procesado, a ser posi-ble siguiendo procedimientos estándaradiza-dos, para determinadas utilidades a los usua-rios f inales (Gutman y Justice, 2010). Enfunción de las aplicaciones en los distintosámbitos de la teledetección que puedan tenerestas imágenes, necesitarán un nivel u otro deprocesado, pero además debe tenerse en cuen-ta que para usos de investigación, desarrolloe innovación (I+D+i) es necesario que el usua-rio pueda disponer de un control adecuado so-bre algunos parámetros del procesado. Porconsiguiente, no basta con ofrecer los pro-ductos ya procesados; la solución que ofreceuna mayor flexibilidad y control es aquellaque permite al usuario elegir el nivel y las ca-racterísticas del procesado. Una posibilidadsería ofrecer las imágenes tal como las sumi-nistran las agencias acompañadas por un pa-quete de herramientas o utilidades para que elusuario realice en su ordenador personal elprocesado. Esta solución va ligada a forma-tos, plataformas y software concretos, y portanto, está alejada de los mandatos de intero-perabilidad de la directiva INSPIRE. Adicio-nalmente, el uso de un software necesita deun previo aprendizaje y aleja una parte de losusuarios potenciales. En este contexto, la so-lución que adopta el IGN y que en este traba-jo se presenta, un Web Processing ServiceWPS (Schut, 2007) encaja con los requisitosanteriormente expuestos: accesibilidad, fle-xibilidad e interoperabilidad. De esta forma,el usuario no únicamente selecciona las esce-nas para la descarga, sino que selecciona losprocesos bajo demanda, especificando sus ca-racterísticas si lo desea o manteniendo las op-ciones habilitadas por defecto. Estas opcio-nes son enviadas al servidor según elprotocolo interoperable (WPS), de forma queel propio servidor ejecuta las tareas adecua-das y genera el producto f inal.

WPS

WPS es un servicio interoperable que per-mite al usuario demandar los procesos habili-tados por el servidor según sus preferencias(Michaelis, 2009). La estandarización de suprotocolo ha sido realizada por el Open Geos-patial Consortium (OGC) organismo interna-cional que impulsa y regula la interoperabili-dad en los datos y procesos geoespaciales.

De la misma forma que otros servicios es-tándar, WPS tiene definidas unas operacioneselementales que el cliente puede solicitar alservidor:

— GetCapabilities: Descripción de las po-sibilidades del servicio y lista de operacionesdisponibles.

— DescribeProcess: Detalle de los pará-metros de entrada y salida de las operacionesdel servicio.

— Execute: Orden de ejecución de un pro-ceso.

Si bien la ejecución se realizará en el servi-dor, los datos necesarios para dicha ejecuciónpueden residir en el propio servidor, o bien ne-cesitar de transferencia entre el cliente y ser-vidor, así como para la recepción del resulta-do por parte del cliente, tal como se ilustra enla Figura 1.

Metodología

WPS de corrección geométrica

Las imágenes Landsat con nivel de proce-samiento L1G suministradas por la NASA tie-nen un corrección geométrica aproximada queutiliza datos orbitales para orientar y georefe-renciar aproximadamente la escena a una pro-yección UTM con datum WGS-84. Los erro-res geométricos de dicha corrección puedensuperar el centenar de metros y, consecuente-mente, debe corregirse con una mayor exacti-tud planimétrica utilizando puntos de controly un modelo digital del terreno.

El algoritmo de corrección geométrica, ne-cesariamente automática en un contexto WPSque sustituya la habitual identificación y digi-talización manual de puntos de control (Tou-

52 L. Pesquer et al. / Revista de Teledetección (2012) 37, 51-56

tin, 2004), se basa esencialmente en la identi-ficación de puntos de la imagen de satélite no-georeferenciada sobre una ortofotografía de al-ta resolución. Estos puntos identificados sonpuntos de control que determinan una trans-formación polinómica z-dependiente (sóloen x) de primer grado que responde a la Ecua-ción 1 (Palà y Pons 1995):

[1]

Ecuación 1: parámetros y variables: x, y: coordenadasplanimétricas y z altimétrica en el espacio georefe-renciado. X’, Y’: coordenadas en espacio no-georefe-renciado. A, B, C, D, E, F, G, H, I, J, coeficientes quedefinen la transformación.

La automatización del proceso se aborda enel trabajo de Pons et al. (2010a) donde los pun-tos de control se buscan por máxima correla-ción entre ambas imágenes y se busca una dis-tribución que abarque todo el rango X, Y y Zde la escena a corregir.

En la implementación WPS, se ha generadoun proceso preliminar que crea un índice de lasposibles escenas a corregir y va actualizándo-se con las nuevas adquisiciones del IGN. Deeste listado de posibles escenas a corregir elusuario elige la de su interés, así como el cri-terio de interpolación deseado en el remues-

treo (vecino más próximo, bilineal o bicúbico)y decide si aplicar el mismo criterio a todas lasbandas o bien especificar un criterio para ca-da banda (por ejemplo, puede resultar aplicarvecino más próximo a las bandas multiespec-trales para preservar su radiometría original yremuestrear bicúbicamente la banda pancro-mática para una mejor visualización). Por de-fecto la ortofotografía patrón y el modelo di-gital de elevaciones son los suministrados porel IGN, pero se ha contemplado la posibilidadque el usuario pueda suministrarlos. En la Fi-gura 2 se muestra la interfaz de este proceso yen la Figura 3 se ilustra un fragmento de la res-puesta a una operación DescribeProcess.

X x y z A B x C y D z E z x F z y

Y x y

'( , , )

'( , )

= + ⋅ + ⋅ + ⋅ + ⋅ ⋅ + ⋅ ⋅= GG H x I y J z+ ⋅ + ⋅ + ⋅

Servicio interoperable (WPS) de procesado de imágenes Landsat 53

Figura 2. Interfaz de solicitud y parametrización delWPS de corrección geométrica.

Figura 1. Esquema de transferencia de datos y solicitud de procesos entre el cliente y el servidor.

WPS de corrección radiométrica

La transformación de los valores digitalesde la imagen a reflectividades se realiza me-diante una corrección topográfica y atmosfé-rica basada en el modelo que se expone en laEcuación 2 de Pons y Solé (1994):

[2]

Ecuación 2: parámetros y variables: reflecividad a ni-vel de suelo,ρ: reflectividad a nivel de suelo.τ1, τ1: transmitancia atmosférica ascendente y descen-dente.E0: radiancia solar exoatmosférica.L, La: radiancias a nivel de sensor: total y recibida úni-camente por contribuciones atmosféricas.θ: ángulo entre dirección solar-zenital y normal su-perficie topográfica.d: distancia Tierra-Sol.

El ajuste de los parámetros del modelo a par-tir de valores de referencia determinados enáreas pseudoinvarinates (PIA) permite el pro-cesado automático que se detalla en Pons et al.(2010b). Estos valores de referencia puedenprovenir de medidas sobre el terreno o valoresradiométricos casi-constantes en series cohe-rentes de algunas imágenes corregidas ma-nualmente o pueden ser obtenidos a partir de

productos de otros sensores con bandas espec-trales asimilables (p.ej MODIS).

En el cliente WPS implementado, tal comomuestra la interfaz de la Figura 4, se seleccio-na una de las imágenes ya georeferenciadas, elmodelo digital de elevaciones de la región y unconjunto de zonas pseudoinvariantes con va-lores de reflectividad de referencia, pertene-cientes al repositorio del servidor o suminis-trado por el usuario en las zonas donde noexistan datos previos. En este segundo caso,las zonas pseudoinvariantes proporcionadasconstituirán un f ichero de polígonos en for-mato GML, estándar para capas vectoriales (Luet al., 2007) con atributos de reflectividadespara cada canal espectral.

Como cualquier servicio interoperable, esimportante remarcar que las Figuras 2 y 4 sólocorresponden a una implementación concretadel cliente, en este caso MiraMon (Pons 2000);pero la estandarización del protocolo permiteque cualquier otro cliente WPS pueda invocarlos procesos que se presentan en este estudio y,de esta forma, la solución adoptada garantizala independencia respecto a cualquier softwa-re libre o propietario permitiendo el acceso aun gran número de usuarios potenciales.

Resultados

Con el objetivo de evaluar la metodologíapresentada, se han seleccionado todas las imá-genes del año 2009 (descartando aquellas conuna cubierta de nubes mayoritaria) de los sen-sores TM y ETM+ correspondientes a dos zo-nas de test de la Península Ibérica con carac-terísticas de variabilidad orográf ica y

ρπ

θ τ τ=

⋅ −( ) ⋅

⋅ ⋅ ⋅

L L d

E

a2

0 1 2cos


Figura 3. Documento (fragmento) XML correspon-diente a la respuesta a una petición DescribeProcessdel WPS de corrección geométrica.

Figura 4. Interfaz de solicitud y parametrización delWPS de corrección radiométrica.

paisajística distinta: Cataluña (path-row 197-31 y 198-31) como relieve y paisaje más hete-rogéneo y Castilla-La Mancha (path-row 199-33 y 200-33) de mayor homogeneidad. En estaszonas de estudio, se ha realizado toda la pre-paración del servidor, que incluye un adecua-da estructura jerárquica de la capas de refe-rencia (figura 5), y se han completado con éxitolos procesos WPS descritos en la anterior me-todológica.

Como resultado adicional se ha completadola interfaz correspondiente cliente que permi-te la invocación de los procesos WPS. Este por-tal posibilita una mayor accesibilidad al servi-cio WPS desarrollado.

Conclusiones

El suministro, adicional a los datos, de un pro-cesado bajo demanda para los usuarios de imá-genes Landsat, proporciona un mayor control yadaptabilidad a las necesidades particulares queuna simple descarga de productos cerrados.

El procesado, implementado como servicioWPS, sigue protocolos estándares impulsadospor el OGC, consiguiendo una completa inte-roperabilidad al poder ser invocados desdecualquier cliente que interrogue al servidor conlas especificaciones descritas en el WPS.

La solución adoptada por el IGN en el mar-co del PNT sigue las normativas europeas deacceso a los datos y procesos geoespaciales.

La validación de la metodología presentadase ha llevado a cabo con todas las imágenes dis-ponibles de un año correspondientes a 2 zonasde estudio de características diferenciadas quecomprenden 4 escenas completas de Landsat.

Agradecimientos

Este trabajo se ha realizado gracias al Conve-nio de colaboración entre la dirección generaldel Instituto Geográfico Nacional, la Universi-dad Autónoma de Barcelona, la Universidad deCastilla-La Mancha y la Universidad de Valen-cia para el procesado de imágenes de sensoresde satélite de media resolución y su integraciónespectrotemporal con sensores de satélite de ba-ja resolución.

Xavier Pons es beneficiario de un ICREA Aca-dèmia Excellence in Research grant (2011-2015).

Referencias

GUTMAN, G. & JUSTICE, C. 2010. Land Coverand Land-Cover Change Products from OpticalCoarse and Moderate Spatial Resolution GlobalDatasets. Proc. ESA Living Planet Symposium.

INSPIRE. 2007. Directive 2007/2/EC of the Euro-pean Parliament and of the Council establishingan Infrastructure for Spatial Information in theEuropean Community.

LU, C.T., DOS SANTOS, R.F., SRIPADA, L.N. &KOU Y. 2007. Advances in GML for GeospatialApplications, Geoinformatica 11: 131 -157.

National Aeronautics and Space Administration(NASA), Landsat Program http://landsat.gsfc.na-sa.gov.

Servicio interoperable (WPS) de procesado de imágenes Landsat 55

Figura 5. Organización de las bases de referencia enel servidor WPS.

Figura 6. Portal del cliente MiraMon que permite in-vocar las peticiones presentadas en el servicio WPS.

MICHAELIS, C.D. & AMES, D.P. 2009. Evaluationand Implementation of the OGC Web ProcessingService for Use in Client-Side GIS. Geoinfor-matica, 13: 109-120.

PALÀ, V. & PONS, X. 1995. Incorporation of reliefin polynomial-based geometric corrections, Pho-togrammetric Engineering and Remote Sensing.61: 935–944.

PONS, X. & SOLÉ-SUGRAÑES, L. 1994. A Sim-ple Radiometric Correction Model to ImproveAutomatic Mapping of Vegetation from Multis-pectral Satellite Data, Remote Sensing of Envi-ronment, 48: 191–204.

PONS, X. 2000. MiraMon. Geographical Informa-tion System and Remote Sensing Software,CREAF, http://www.creaf.uab.es/MiraMon.

PONS, X., MORÉ, G. & PESQUER, L. 2010. Au-tomatic matching of Landsat image series to highresolution orthorectified imagery, Proc. ESA Li-ving Planet Symposium SP-686.

PONS, X., CRISTÓBAL, J., PESQUER, L., MO-RÉ, G. & GONZALEZ, Ò. 2010. Fully automa-

ted and coherent radiometric (atm+top) correc-tion of Landsat MSS-TM-ETM images throughpseudoinvariant areas, Proc. ESA Living PlanetSymposium SP-686.

SCHUT, P. 2007. OGC Web Processing Service(WPS), Version 1.0.0, OGC 05-007r7: http://por-tal.opengeospatial.org/files/?artifact_id=24151.

TOUTIN, T. 2004. Review article: Geometric pro-cessing of remote sensing images: models, algo-rithms and method. International Journal of Re-mote Sensing. 25.10: 1893–1924.

VANDENBROUCKE, D., ZAMBON, M.L.,CROMPVOETS, J. & DUFOURMONT, H. 2008.INSPIRE Directive: Specific requirements to mo-nitor its implementation. Capítulo de libro A Mul-ti-View Framework to Assess SDIs.

VILLA, G., AROZARENA, A., DEL BOSQUE, I.,VARCÁRCEL, N., GARCÍA, C. & SOLÍS, M.J.2005. El Plan Nacional de Observación del Te-rritorio en España. Proc. XI Congreso Nacionalde Teledetección, Tomo I, 249-254.


Antecedentes

El aumento de la resolución espacial en lasimágenes captadas por sensores óptico-elec-trónicos implica en muchos casos, un aumen-to en la dificultad de la definición de la firma

espectral de una cubierta vegetal en su con-junto (Blaschke et al., 2004). Al trabajar concubiertas estructuradas a una resolución es-pacial media (como la de SPOT 5 o LandsatTM), la información recogida por los píxeleses mixta, es decir, no pertenece a una sola cu-

Procedimiento simplificado para la caracterización de la textura del cultivo del frutal a nivel de parcela

mediante los parámetros de Haralick

R. Ciriza1, M. González-Audícana2 y L. Albizua1

1 Tracasa. Dpto. de Sistemas de Información Territorial. C/ Cabárceno, 6. 31621 Sarriguren, Navarra.

2 Universidad Pública de Navarra. Área de Ingeniería Agroforestal. Dpto. de Proyectos e Ingeniería Rural.

Resumen

Los parámetros de Haralick derivados de la matriz de co-ocurrencia de niveles de gris(MCNG) son, probablemente, los más utilizados para caracterizar la textura de cubiertas agrí-colas con el objeto de inventariar la superficie ocupada por las mismas. El cálculo de esta ma-triz a nivel de parcela catastral resulta complejo, pues cada parcela tiene forma y tamaño dife-rentes. En este trabajo, se presenta un procedimiento simplif icado que permite caracterizar latextura a nivel de parcela catastral mediante dichos parámetros, aplicable utilizando cualquiersoftware de procesamiento de imágenes que tenga un módulo de cálculo de texturas a través deventanas móviles.

Palabras clave: teledetección, textura, a nivel de parcela, Haralick, MCNG, actualización de basesde datos geográficas.

Abstract

Simplified procedure for parcel-level texture characterization of orchards using Haralikfeatures

Haralick features derived from grey level co-occurrence matrix (GLCM) are, probably, themost used to describe the texture of agricultural covers, in order to inventory the area that theyoccupy. The calculation of this matrix at cadastral parcel level is complex because each parcelhas a different shape and size. In this paper, we present a simplified procedure to characterize thetexture at cadastral parcel level, applicable with any image processing software with a texturecharacterization module based on moving windows.

Keywords: Remote sensing, texture, parcel level, Haralick, GLCM, geo-databases updating.



bierta. La firma espectral de una cubierta ve-getal de este tipo, como por ejemplo una viña,lleva asociada a su definición la porción real-mente correspondiente a cepas y la porción desuelo desnudo entre-hileras. El aumento de laresolución espacial incrementa el número depíxeles puros, de manera que la firma espec-tral de los mismos deja de representar la cu-bierta en su conjunto y comienza a caracteri-zar los componentes de la misma. Es entoncescuando las técnicas que consideran la parcelacomo unidad elemental de estudio cobran im-portancia.

Trabajar a nivel de parcela implica segmen-tar una imagen con el objetivo de crear agru-paciones de píxeles u objetos con significadofísico (Blaschke et al., 2010), en este caso, par-celas catastrales. Segmentar permite caracte-rizar cada parcela en función de multitud deparámetros. Además de la información espec-tral, puede extraerse información inherente alhecho de que un objeto está formado por gru-pos de píxeles con distinto nivel digital (ND)que siguen patrones de comportamiento con-cretos como, por ejemplo, la textura (Benz etal., 2003).

El estudio de la textura proporciona infor-mación sobre la distribución espacial de lasvariaciones de tono de una imagen (Cogginsand Jain, 1985). Su utilización resulta espe-cialmente interesante en el ámbito de la agri-cultura, ya que ayuda a discriminar cultivosvegetales espectralmente similares. El estudiode la textura desde el punto de vista estadísti-co se centra en el análisis de la distribuciónespacial de los ND. Este enfoque se basa en laidentificación de parámetros que cuantificanlos patrones de variación que caracterizan a ungrupo de píxeles y que describen la interde-pendencia, o co-ocurrencia, existente entre losmismos. El método de análisis de la texturamás utilizado se basa en la extracción de pa-rámetros estadísticos de segundo orden a par-tir de la matriz de co-ocurrencia de niveles degris (MCNG)(Haralick et al., 1973).

Diferentes autores han ratificado la utilidadde estos parámetros en la discriminación decubiertas a nivel de parcela en áreas de estu-dio de extensión reducida (Lloyd et al., 2004).Sin embargo, al tratar de implementar estasmetodologías a nivel comarcal o regional, sur-

gen problemas relacionados con el tiempo deprocesamiento que la extracción de este tipode información requiere. En este trabajo sepropone un procedimiento simplificado parala caracterización de la textura mediante losparámetros derivados de la MCNG, que im-plica un menor coste de procesamiento com-parado con el procedimiento habitual de ca-racterización de parámetros a nivel de parcelacatastral. La metodología que se presenta sebasa en que, desde el punto de vista estructu-ral, las texturas regulares se componen por ele-mentos repetidos dispuestos según reglas decolocación. El tamaño de estos elementos re-petidos determina el valor de la superficie mí-nima representativa de una textura (SMR), esdecir, aquella que se precisa para que un con-junto de píxeles siga un patrón concreto cuan-tificable y estable. En este trabajo se determi-na el valor de la SMR para la clase de cubierta«Frutal».

A continuación, se muestra cómo utilizar es-ta información para simplificar el cálculo delos parámetros derivados de la MCNG. Poste-riormente, se compara en más de 300 parcelasde Navarra el valor de los parámetros obteni-dos considerando todos los píxeles que com-ponen la parcela, a nivel de parcela catastral,o únicamente los delimitados por la SMR, a ni-vel de SMR. La Figura 1 muestra las fases deeste trabajo y los análisis realizados en cadauna de ellas.

58 R. Ciriza et al. / Revista de Teledetección (2012) 37, 57-66

Figura 1. Diagrama de la metodología.

Información de partida

Para poner a punto este procedimiento sim-plificado de extracción de parámetros de tex-tura de Haralick, se escogen 313 parcelas defrutal situadas en los municipios piloto de Fon-tellas y Sartaguda, localizados en la Ribera deNavarra (España). En las parcelas escogidasse cultiva albaricoquero (Prunus armeniaca),almendro (Prunus dulcis), cerezo (Prunus ce-rasus), ciruelo (Prunus), melocotonero (Pru-nus persica), manzano (Malus dulcis), nogal(Juglans regia), peral (Pyrus communis) y pa-charán (Prunus spinosa), siguiendo diferentesmarcos de plantación. La Figura 2 correspon-de con la textura de un cultivo de frutal, consu característico patrón de distribución crea-do por el contraste de color entre el suelo y losárboles.

Los parámetros de textura se obtuvieron deuna ortofotografía digital. Se trata de una ima-gen RGB-NIR de 0,25 m de resolución espa-cial y 8 bits, adquirida en junio de 2010 con unsensor DMC. La definición de las parcelas sebasa en los límites cartográficos obtenidos apartir del catastro de la zona de estudio selec-cionada.

Parámetros de Haralick a nivelde parcela catastral

Como ya se ha comentado anteriormente,uno de los métodos más utilizados para medirmatemáticamente la textura, es aquel que sebasa en la extracción de parámetros estadísti-cos de segundo orden obtenidos a partir de laMCNG (Baraldi and Parmiggiani, 1995; Zhanget al., 2003; Puissant et al., 2005).

La matriz de co-ocurrencia es un histogra-ma bidimensional que explica la frecuencia conla que un ND co-ocurre con otro, consideran-do una distancia d y una relación espacial a en-tre pares de píxeles. Existe una matriz de co-ocurrencia diferente para cada relaciónespacial según se considere el vecino situadoen posición horizontal (0º), el vertical (90º) oen ambas diagonales (45º y 135º) (Parkkinenet al., 2003).

La Figura 3 representa las MCNG propiasde una parcela de frutal y de un suelo arado.

Para una mejor interpretación, se incluye latransformación logarítmica de ambas MCNG.Dado que en este ejemplo la MCNG se calcu-la a partir de una ortofoto de 8bits, se trata deuna imagen-matriz cuadrada de 256 × 256 pí-xeles. Cada píxel de la matriz representa unacombinación de co-ocurrencia. Cuanto másclaro es un píxel más frecuente es la combina-ción de co-ocurrencia de los dos niveles de grisque representa. En la MCNG los píxeles de ladiagonal principal representan los pares de pí-xeles de la ortofoto con igual nivel de gris.Conforme los píxeles se alejan de la diagonalse representan diferencias de niveles de grismás altas. En esta figura se observa cómo setraducen las diferencias texturales del frutal ydel suelo arado en la matriz de co-ocurrencia.En la MCNG del suelo arado la información selocaliza próxima a la diagonal, ya que en unaimagen homogénea gran parte de los píxelesmuestran un nivel de gris idéntico al de su ve-cino. Por el contrario, la textura altamente con-trastada del frutal genera una MCNG con la in-formación más expandida con respecto a ladiagonal.

Haralick (Haralick et al., 1973) propuso unconjunto de medidas de textura o parámetrosque describen la distribución de los datos enla MCNG. En este trabajo se consideran la en-tropía (ENT), la homogeneidad (HOM), el se-gundo momento angular (ASM) y la media(MEAN). La extracción de estos parámetrosimplica alto coste computacional y dificultadde programación debido a que se deben gene-rar MCNG asociadas a parcelas de diferentesformas y tamaños. Por esta razón, se plantea

Procedimiento simplificado para la caracterización de la textura del cultivo... 59

Figura 2. Ejemplo de la textura de un cultivo de frutal.

la siguiente cuestión ¿Es posible utilizar unaparte de la parcela, igual en tamaño y formapara todas ellas, sin perder información? Sim-plificar la forma de la parcela y reducir el áreade cálculo a una superficie representativa mí-nima (SMR), facilitaría la extracción de in-formación textural de grandes volúmenes deinformación.

Definición de SMR

La superficie mínima representativa de unatextura (SMR) es la superficie que se precisapara que un conjunto de píxeles siga un patrónconcreto cuantificable y estable. Para definirla SMR del frutal para los parámetros textura-les de Haralick nos basamos en el análisis del

semivariograma, que aporta información sobreel ciclo de la textura y el tamaño de los ele-mentos repetidos que la componen, y la com-paración de medias de los parámetros de Ha-ralick calculados sobre regiones cuadradas dediferentes tamaños.

Estudio del ciclo de la textura de la clase Frutal

Existen diferentes herramientas geo-esta-dísticas que permiten describir el patrón y laescala de distribución de una variable espa-cial. En concreto, el semivariograma explicacomo cambia la semivarianza entre observa-ciones con la distancia (Bachmaier and Bac-kes, 2008).


Figura 3. Matriz de co-ocurrencia de a) una parcela de frutal y b) de una parcela de suelo arado.

La textura, def inida como la distribuciónde ND de una imagen, puede considerarse unavariable espacial desde el punto de vista geo-estadístico (Coburn and Roberts, 2004). Estehecho permite la utilización del semivario-grama en el análisis de la textura. En el estu-dio de una imagen el semivariograma se esti-ma como:

[1]

siendo Z(xi) el valor del ND de la imagen en unpíxel localizado en xi, Z(xi+h) el valor de NDen un píxel distante h del anterior y N(h) el nú-mero de pares de datos separados por una dis-tancia h.

Normalmente, el semivariograma es unafunción monótona creciente que alcanza unlímite, denominado meseta, que se consiguepara un valor h dado o rango. Sin embargo,la semivarianza entre dos píxeles no siempreaumenta con la distancia hasta alcanzar unmáximo estable. Si la imagen presenta unatextura regular, el semivariograma presenta-rá un patrón cíclico. Partiendo de la aparien-cia cíclica de este tipo de semivariograma, esposible establecer características cuantitati-vas del patrón estructural de la textura de laimagen, la distancia entre estructuras repeti-das o la regularidad de los patrones (Balagueret al., 2010).

La relación existente entre el semivariogra-ma y las propiedades estructurales de la textu-ra de una imagen, ayuda a definir la superficiemínima representativa de una textura (SMR).En esta fase se estudia el ciclo de la textura delfrutal para identificar las características de loselementos de repetición que la componen. Pa-ra realizar este estudio se han tomado 5 mues-tras de diferentes tamaños (anchura × longitud:5 × 10 m, 5 × 20 m, 5 × 40 m, 5 × 80 m,10 × 10 m, 10 × 20 m, 10 × 40 m, 10 × 80 m,20 × 20 m, 20 × 40 m, 20 × 80 m, 40 × 40 m, y40 × 80 m) en 10 parcelas representativas deFrutal en Navarra y se ha calculado el semiva-riograma experimental para cada una de lasmuestras.

En la Figura 4 se muestra un ejemplo de có-mo varía el semivariograma experimental om-nidireccional al modificar el tamaño del recinto

sobre el que se calcula en una parcela de fru-tal. Se observa que al variar el tamaño y la for-ma de la muestra el semivariograma cambia.Puede verse cómo al ensancharse la región decálculo, el semivariograma se ajusta a la fun-ción sinusoidal característica de las texturasperiódicas, mientras que al alargarse, el semi-variograma ommidireccional se achata. Los se-mivariogramas calculados a partir de muestrasde 5 m de anchura apenas muestran efecto agu-jero para las longitudes de muestra estudiadas.Es a partir de los 10 m de anchura cuando es-te efecto comienza a distinguirse, observán-dose con cierta claridad un primer máximo yun primer mínimo. Una vez la anchura sobre-pasa los 20 m, la localización de máximos ymínimos se estabiliza. La semivarianza obser-vada en las posiciones mínimas también per-manece constante mientras que en los máxi-mos varía, disminuyendo ligeramente alaumentar la longitud de la región de cálculo.La distancia entre máximos aporta informaciónsobre el tamaño de la elemento de repetición opatrón estructural de la textura de una imagen.En este ejemplo, el tamaño del patrón de repe-tición es aproximadamente 5 m, sin embargolas muestras de 5 m de anchura y, en menor me-dida, de 10 m generan semivariogramas pocodefinidos que no describen el ciclo que la tex-tura de manera fiable. Esto indica que no es po-sible reconocer la textura del frutal si no secuenta al menos con un número mínimo de ele-mentos de repetición, los cuales definen la su-

γ = − +{ }=∑1

2

2

1N hZ x Z x hi i

i

N h

( )( ) ( )

( )


Figura 4. Semivariograma experimental omni-direc-cional calculado para superficies de diferente tamaño.

perficie mínima representativa de dicha textu-ra. Analizando la figura, se escoge la muestrade 20 × 20 m como unidad mínima representa-tiva de la textura de la clase Frutal. Para co-rroborar esta elección se realiza un análisis dela influencia del tamaño de la parcela en losparámetros de Haralick.

Análisis de la influencia del tamaño de la parcela en los parámetros deHaralick

Con el f in de estudiar la influencia del ta-maño de la parcela de cálculo en los paráme-tros texturales de Haralick se realiza un test decomparación de medias. Este análisis preten-de comprobar la existencia de diferencias sig-nificativas entre los parámetros texturales cal-culados sobre regiones de diferentes tamañosutilizando la banda semisuma del rojo y el ver-de. Para ello, se escogen 100 parcelas de fru-tal, donde los árboles se disponen según dife-rentes marcos de plantación, y se calculan losparámetros texturales de Haralick utilizandoregiones cuadradas concéntricas de distinta su-perf icie (5 × 5 m, 10 × 10 m, 15 × 15 m,20 × 20 m, 25 × 25 m, 30 × 30 m, 35 × 35 m,40 × 40 m, 45 × 45 m y 50 × 50 m) colocadas so-bre el centroide de las mismas. De esta mane-ra, se cuenta con una muestra de 100 observa-ciones para cada una de las diferentes regionesde cálculo.

Antes de realizar el test de comparación demedias, se comprueba el supuesto de normali-dad mediante una prueba Kolmogorov-Smir-nov. En caso de resultar negativa se normali-zan los datos. Se supondrá o no igualdad devarianzas según la conclusión que se obtengade la prueba de Levene. Bajo el supuesto deigualdad de varianzas se aplicará el test ANO-

VA (A) mientras que si las varianzas resultanser distintas se utilizará el test de Welch (W).Una vez realizado el test de igualdad de me-dias de ANOVA/Welch, en caso de no cum-plirse el supuesto de igualdad de medias entregrupos, se aplica un test post-hoc de Duncanque revela cuantas agrupaciones es posible es-tablecer.

Los resultados de los test de igualdad de me-dias y sus correspondientes pruebas post-hocse muestran resumidos en la Tabla 1. En la pri-mera columna se nombra el parámetro texturalestudiado, en la segunda el test de igualdad demedias aplicado y en la tercera su resultado.Las siguientes columnas presentan los resulta-dos de las pruebas post-hoc resumidos en có-digo de colores.

Las pruebas ANOVA/Welch realizadas, con-firman la igualdad de medias entre los pará-metros calculados utilizando regiones de dife-rentes tamaños (Sig. > 0.05) para HOM yMEAN, pero no para ENT y ASM (Sig. < 0.05).En estos casos en los que no se cumple el su-puesto de igualdad de medias, se aplica un testpost-hoc de Duncan que indica la existenciaagrupaciones. En la Tabla 1 se pintan de igualcolor las muestras cuyas medias son estadísti-camente iguales. Para ENT y ASM la mediaobservada en las regiones de 5 × 5 m y10 × 10 m, además de ser significativamente di-ferentes entre sí, son distintas al resto. Las re-giones de 15 × 15 m y 20 × 20 m se agrupan,tanto para ASM como para ENT, cosa que tam-bién ocurre con las regiones superiores a25 × 25 metros.

En la imagen mostrada en la Figura 5 se ob-serva como varía el valor de las medias en ca-da una de las regiones cuadradas de cálculo ypara cada uno de los parámetros texturales es-tudiados. La media representada en la figurase calcula sobre las mismas observaciones uti-


Tabla 1. Resultados de los test Anova(A)/Welch(W) y de las pruebas post-hoc de Duncan

Test Sig 5×5 10×10 15×15 20×20 25×25 30×30 35×35 40×40 45×45 50×50

ASM W 0.00

ENT A 0.00

HOM W 1.00

MEAN W 0.99

lizadas en los test de igualdad de medias. Mien-tras el valor de HOM y MEAN permanececonstante al variar el tamaño del recinto de cál-culo, EN y ASM se ven notablemente afecta-dos por esta modificación. Tal y como indicael test de igualdad de medias, el valor de ASMy ENT se estabilizan a partir a partir de20 × 20 m.

Analizando los resultados de los test deigualdad de medias y el semivariogramas, seescoge la muestra de 20 × 20 m como unidadmínima representativa (SMR) de la textura dela clase Frutal.

Procedimiento simplificadopara el cálculo de losparámetros texturales basadosen la MCNG

Este procedimiento consiste en sustituir ca-da parcela por una ventana de lado igual a laSMR, colocada sobre el centroide de cada una

de ellas (Figura 6). Una vez segmentada la ima-gen, la caracterización de la textura se simpli-fica, ya que únicamente se calcula para estasunidades básicas, todas de igual tamaño, inde-pendientemente de la forma y la dimensión delas parcelas catastrales. En este estudio, la sus-titución de cada parcela por una ventana de20 × 20 m, supone una reducción de más de


Figura 5. Medias observadas de los parametros texturales de Haralick para cada una de las regiones cuadradasde cálculo. Tambien se muestra el intervalo de confianza al 95% de cada una de ellas.

Figura 6. En esta figura se muestra la SMR sobre 5parcelas muestra.

95% de la superficie utilizada para el cálculode los parámetros texturales, lo que repercutedirectamente en el tiempo de cálculo de losmismos al descender notablemente el númerode parejas de píxeles a comparar.

En la Tabla 2 se muestra el tiempo consu-mido por cada procedimiento para calcular losparámetros texturales de Haralick, así como lasuperficie utilizada en cada uno de los méto-dos. La simplificación expuesta puede llevar-se a cabo en gran parte de los paquetes de tra-tamiento de imágenes digitales.

Estudio comparativo

Una vez segmentada la imagen y calcula-dos los parámetros texturales mediante los dosprocedimientos en 300 parcelas, a nivel de par-cela catastral y a nivel de SMR, utilizandosoftware específico de tratamiento de la ima-gen a nivel de objeto, se estudia la relaciónexistente entre ambos. Para ello se realiza unAnálisis de Componentes Principales (ACP)categórico y se cuantif ica el grado de corre-lación lineal.

El ACP permite analizar cualitativamente lainterrelación existente entre los parámetrostexturales calculados utilizando gráficos de sa-turación. Estos gráficos de dispersión reflejandonde se sitúa cada uno de los parámetros enel espacio definido por los factores extraídos.Las coordenadas de cada parámetro en cadafactor representan la correlación de dicho pa-rámetro con cada uno de los factores. Además,la proximidad entre los parámetros indica elgrado de correlación que existe entre ellos. Elanálisis visual de estos gráficos resulta de granutilidad para comprender cómo se agrupan losparámetros entre sí.

Posteriormente, para cuantificar el grado derelación lineal entre los parámetros calculadospor estos dos procedimientos, se utilizan los

coeficientes de correlación de Pearson (r) oSpearman (ρ), según los parámetros sigan o nouna distribución normal. Tras calcular r y ρ seanaliza la significación de dichos coeficientes.Para ello, se contrasta la hipótesis nula de queel coeficiente de correlación obtenido proce-de de una población cuya correlación es cero.Este análisis permite conocer si la correlaciónes consecuencia del azar.

Resultados

En el gráfico de saturaciones (Figura 7) quedef inen la primera (CP1) y segunda (CP2)componentes principales, se observa que losparámetros calculados a nivel de parcela ca-tastral y los extraídos a nivel de SMR se sitú-an en posiciones muy cercanas, lo que indicaalta correlación entre ellos.

Los parámetros calculados a nivel de parce-la y los extraídos a nivel de SMR presentan co-rrelaciones superiores a 0.95 en todos los casos(Tabla 3), lo que corrobora la fuerte relaciónobservada en el gráfico de saturaciones.


Tabla 2. Superficie utilizada y tiempos requeridos para calcular los paráme-tros de textura basados en la MCNG a nivel de SMR y a nivel de parcela

N.º de Superficie Tiempo objetos de cálculo (ha) (s)

SMR 300 12,0 142Parcela 300 429.1 510

Figura 7. Gráfico de saturación creado por la prime-ra y la segunda componente del ACP.

Conclusiones

Las altas correlaciones obtenidas, analiza-das sobre más de 300 parcelas de frutal con di-ferente marco de plantación, indican que losdescriptores calculados a nivel de SMR apor-tan el mismo tipo de información que los ex-traídos a nivel de parcela catastral. Todas lascorrelaciones son significativas al 99%, lo quemuestra que la relación observada no es frutodel azar. Esto implica que es posible caracteri-zar la textura de parcelas de frutal en Navarrautilizando únicamente una SMR de 20 × 20 m.

Esta simplificación resulta posible por tra-tarse de un cultivo de plantación estructuraday homogénea intra e interparacela. Por un la-do, las corrientes actuales en fruticultura pro-ponen que el replanteo de frutales debe funda-mentarse en la disposición de bloquesuniformes y separados por especies (Cambraand Cambra, 1991). Dentro de cada uno de es-tos bloques, la distancia entre árboles o marcode plantación debe adecuarse al vigor previsi-ble del árbol y a la necesidad de dejar anchurasuficiente para la maquinaria. Estos dos fac-tores, constantes para cada bloque, confierena las plantaciones de frutal una apariencia tex-turada regular y muy homogénea. Si en unamisma parcela catastral coexisten dos texturaso cultivos diferentes, al tender a disponerse enbloques homogéneos, el problema podría so-lucionarse afinando la segmentación dentro decada parcela. Por otro lado, los factores de in-fluencia anteriormente citados se conjugan pa-ra lograr el máximo aprovechamiento del es-pacio, por lo que los marcos de plantación estánbastante establecidos. En Navarra las distan-cias más habituales en vaso son 5 × 5 m,5 × 4 m, 4 × 4 m y en espaldera 4m entre hile-ras y entre 2-3 entre árboles. Dado que la SMRes función del marco de plantación, podríaajustarse la SMR a cada uno de ellos, sin em-

bargo se ha delimitado una SMR valida paralos marcos más habituales en Navarra, cuyaeficacia ha sido comprobada.

La aplicación de esta simplificación resultaútil cuando se trata de discriminar una cubier-ta concreta, con un patrón textural caracterís-tico como el del frutal, de cualquier otra. Esteanálisis forma parte de un trabajo más ampliocuyo objetivo es actualizar el Registro de Fru-tales de Navarra, por lo que la aplicación de lasimplificación explicada pretende facilitar di-cho procedimiento. La actualización de un Re-gistro de Frutales antiguo a una fecha actualimplica tanto identificar las nuevas plantacio-nes como las parcelas donde los frutales hansido arrancados. Por un lado, la identificaciónde frutal/arranque queda delimitada en las par-celas de frutal del registro antiguo, mientrasque la búsqueda de nuevas plantaciones se res-tringe a parcelas de cultivos herbáceos en re-gadío, por ser una sucesión de cultivos habi-tual en Navarra. En este caso, tanto los cultivosherbáceos en regadío como los arranques defrutal presentan, habitualmente, una texturadiscriminable de la del frutal en una superficiede 20 × 20 m.

Calcular los parámetros de textura basadosen la MCNG en una ventana, simplifica el pro-cedimiento de caracterización de la textura deuna parcela, siendo éste aplicable utilizandocualquier software de procesamiento de imá-genes que tenga un módulo de cálculo de tex-turas a través de ventanas móviles.

Aunque a priori no era el objeto de este es-tudio, de los resultados del mismo se derivaque los parámetros texturales de Haralick re-quieren una región mnima de 20 × 20 m paracaracterizar la textura del frutal de manera es-table y general en Navarra. Esto limita el ta-maño de parcela reconocible utilizando pará-metros texturales de Haralick a parcelas de20 m en la perpendicular a la dirección prin-cipal del cultivo.

Agradecimientos

Este trabajo ha sido realizado gracias a la fi-nanciación del subprograma FPI-INIA 2008-2011 del Instituto Nacional de InvestigaciónAgraria y Alimentaria (INIA).


Tabla 3. Coeficiente de correlación. Todas las ob-servaciones son significativas al 99%

HOM ρ = 0.964

ASM ρ = 0.968

MEAN ρ = 0.971

ENT ρ = 0.977

ReferenciasBACHMAIER, M. & BACKES, M. 2008. Vario-

gram or Semivariogram. Explaining the Varian-ces in a Variogram. Precision Agriculture. Sprin-ger-Verlag. Berlin. Heidelberg, New York.

BALAGUER, A., RUIZ, L.A., HERMOSILLA, T.& RECIO, J.A. 2010. Definition of a compre-hensive set of texture semivariogram featuresand their evaluation for object-oriented imageclassification. Computers & Geosciences 36(2):231-240.

BARALDI, A. & PARMIGGIANI, F. 1995. An in-vestigation of the textural characteristics asso-ciated with gray-level cooccurrence matrix sta-tistical parameters. Ieee Transactions onGeoscience and Remote Sensing 33(2): 293-304.

BENZ, U.C., HOFMANN, P., WILLHAUCK, W.,LINGENFELDER, I. & HEYNEN, M. 2004.Multi-resolution, object-oriented fuzzy analysisof remote sensing data for GIS-ready informa-tion. ISPRS Journal of Photogrammetry and Re-mote Sensing. 58 (3-4): 239-258.

BLASCHKE, T. 2010. Object based image analysisfor remote sensing. ISPRS Journal of Photo-grammetry and Remote Sensing 65(1): 2-16.

BLASCHKE, T., BURNETT, C. & PEKKARINEN,A. 2004. Image segmentation methods for object-based analysis and classif ication. Remote sen-sing image analysis Including the spatial domain.Kluwer Academic Publishers, Dordrecht, Ne-therlands, pp. 211–223.

CAMBRA, M & CAMBRA, R. 1991. Diseños deplantación y formación de árboles frutales, 8ª ed.,Zaragoza, EEAD, 1991 (Cuadernos de la Esta-ción Experimental de Aula Dei, n.º 1).

COBURN, C. A. & ROBERTS, A.C.B. 2004. A mul-tiscale texture analysis procedure for improvedforest stand classification. International Journalof Remote Sensing 25(20): 4287-4308.

COGGINS, J.M. & JAIN, A.K. 1985. A spatial-fil-tering approach to texture analysis. Pattern Re-cognition Letters 3(3):195-203

HARALICK, R.M., SHANMUGA.K. & DINS-TEIN, I. 1973. Textural features for image clas-sification. Ieee Transactions on Systems Man andCybernetics SMC3(6): 610-621.

LLOYD, C.D., BERBEROGLU, S., CURRAN, P.J.& ATKINSON P.M. 2004. Int. J. of Remote Sen-sing 25 (19):3943-3965.

PARKKINEN, J., SELKAINAHO, K. & OJA, E.2003. Detecting texture periodicity from the co-occurrence matrix. Pattern Recognition Letters11(1): 43-50

PUISSANT, A., HIRSCH, J. &WEBER, C. 2005.The utility of texture analysis to improve per-pi-xel classification for high to very high spatial re-solution imagery. International Journal of Re-mote Sensing 26(4): 733 - 745.

ZHANG, Q., WANG, J., GONG, P. & SHI, P. 2003.Study of urban spatial patterns from SPOT panch-romatic imagery using textural analysis. Inter-national Journal of Remote Sensing 24(21):4137-4160.


Introducción

La liberación del archivo de imágenes Land-sat del USGS (United States Geological Sur-

vey) supone, para la comunidad científica, laoportunidad de usar una gran base de imáge-nes de los diferentes sensores del archivo his-tórico de Landsat (MSS, TM y ETM+). En es-

Corrección radiométrica automática de imágenesLandsat TM mediante áreas pseudoinvariantes

y modelización MODTRAN

G. Moré1, X. Pons2, J. Cristóbal3, L. Pesquer1 y O. Gonzalez2

1 CREAF, Cerdanyola del Vallès 08193, Spain.2 Departament de Geografia. Universitat Autònoma de Barcelona. Campus de Bellaterra (UAB).

Cerdanyola del Vallès 08193, Spain.3 Geophysical Institute. University of Alaska Fairbanks. 903 Koyukuk Dr. 99775 Alaska, USA.

Resumen

Este trabajo describe una metodología para la estimación automática de los parámetros atmosféri-cos necesarios para la aplicación del modelo simplificado de corrección radiométrica (atmosférica ytopográfica) de las bandas solares de imágenes de Teledetección. La metodología utiliza una estima-ción de la radiancia recibida por el sensor desde aquellas regiones donde sólo existe contribución at-mosférica (La), así como la profundidad óptica atmosférica en áreas pseudoinvariantes (API) obteni-das con imágenes TERRA MODIS y revisadas con imágenes Landsat. Los resultados sobre 18 imágenesLandsat 5 TM muestran que las diferencias entre la reflectividad estimada y la reflectividad de refe-rencia para 3000 API independientes son muy bajas y consistentes, variando entre –2% y +2% en re-flectividad.

Palabras clave: teledetección, corrección radiométrica, áreas pseudoinvariantes, series tempora-les, MODIS, Landsat.

Abstract

Authomatic radiometric correction of Landsat TM imagery through pseudoinvariant areasand modtran modelling

This paper describes a novel methodology to automatically estimate the atmospheric parametersneeded in simplified radiometric correction model (atmospheric and topographic) of remotely sensedsolar bands. The method uses the estimated radiance received by the sensor from an area where onlyatmospheric contribution exists (La), as the atmospheric optical depth (Ù0) in pseudoinvariant areas(PIA) with known reflectance values. PIA were obtained using TERRA MODIS images and were ve-rified with Landsat imagery. Results for 18 Landsat 5 TM images show that differences between esti-mated reflectance and the reference value for 3000 test PIA are very low and consistent, varying from–2% to +2% in reflectance.

Keywords: remote sensing, radiometric correction, pseudoinvariant areas, time series, MODIS,Landsat.



te nuevo contexto es necesario encontrar unametodología de procesamiento que ofrezcaunos resultados realistas y consistentes entrediferentes imágenes, fechas y sensores (Gut-man y Justice, 2010; Gutman y Masek, 2012).

Se han propuesto diversos métodos para lacorrección de imágenes de satélite para obte-ner valores de reflectividad (correcciones at-mosférica y del relieve). Algunos de estos mé-todos requieren de la introducción de datosexternos para modelizar algunos parámetros,como la composición atmosférica, que puedenser difíciles de obtener, cuando no imposiblesde conocer, a la hora de paso del satélite por lazona de estudio. La dificultad de aplicar estosmétodos crece con el número de imágenes aprocesar, y más aún en series históricas.

El uso de modelos simplificados de correc-ción puede ser una solución válida para obte-ner imágenes radiométricamente corregidas(Pons y Solé, 1994). Este modelo sólo requie-re dos parámetros externos: la radiancia reci-bida por el sensor en un área donde solamenteexista contribución atmosférica (La) y la pro-fundidad óptica de la atmósfera (Ù0). Habi-tualmente estos parámetros los obtiene un ope-rador humano de forma interactiva, pero lapresente propuesta describe un protocolo paraestimarlos automáticamente a partir del uso deáreas pseudoinvariantes (API).

A diferencia de otros trabajos donde las APIse determinan de forma manual (Hadjimitssiset al., 2009; Chander et al., 2010), en el pre-sente trabajo las API se detectan a partir delanálisis de las series temporales de MODIS y

Landsat. La finalidad de este protocolo es do-ble: determinar las zonas de menor cambio ra-diométrico a lo largo del tiempo y establecerun valor de reflectividad de referencia para ca-da API.

Los objetivos de este trabajo son los si-guientes: a/ Proponer una actualización del mé-todo descrito en Pons y Solé (1994) para co-rregir de forma automática la radiometría(atmósfera y relieve) de imágenes Landsat. b/Describir un protocolo para obtener API a tra-vés de las series MODIS y Landsat. c/ Aplicarel protocolo automático a las series tempora-les de imágenes Landsat para validar su bienfuncionamiento.

Zona de estudio y materiales

La zona de estudio corresponde a la escena197-031 de Landsat según WRS-2 (Worldwi-de Reference System - 2) que cubre la parteoriental de Cataluña (ver figura 1).

Un total de 60 imágenes MODIS se usaronpara la detección de las API. Dichas imáge-nes se obtuvieron a partir del servidor WIST(Warehouse Inventory Search Tool) y corres-ponde al producto MOD09 «Surface Reflec-tance Daily L2G Global 1 km and 500 m SINGrid» (NASA, 2008a). Las imágenes selec-cionadas se distribuyen a lo largo de los 12meses del año, entre 2002 y 2008. Solamentese seleccionaron las imágenes sin efecto bow-tie (Yang y Di, 2004) y con una baja cobertu-ra de nubes.

68 G. Moré et al. / Revista de Teledetección (2012) 37, 67-73

Figura 1. Localización de la zona de estudio. En la imagen de la derecha se puede apreciar el ámbito de la esce-na 197-031

Adicionalmente, se seleccionaron 50 imá-genes Landsat 5 TM corregidas manualmentepara revisar en las API su coherencia con MO-DIS. En este caso, también se ha usado el cri-terio de la cobertura de nubes para la selecciónde imágenes. En ambos casos, se ha aplicadouna máscara sobre las zonas cubiertas por nu-bes o nieves. La máscara de nubes (Cea et al.,2005) se ha realizado por fotointerpretación ydigitalización manual. La máscara de nieves(Cea et al., 2007) se ha realizado a partir de laselección de las categorías interesantes a par-tir de una clasif icación no supervisada utili-zando todas las bandas (el resultado ha sido ex-pandido con un buffer de 1000 m).

La corrección radiométrica se ha aplicadosobre una serie de 18 imágenes Landsat 5 TMadquiridas a Eurimage (Eurimage, 2008) entreel 2003 y 2009. Estas 18 imágenes cubren to-dos los meses del año incluyendo fechas encondiciones extremas muy cercanas al solsti-cio de invierno.

Metodología

A continuación se describe el modelo de co-rrección radiométrica simplificado así como elproceso para obtener API con imágenes MO-DIS y Landsat y la aplicación del algoritmo decorrección automática.

Actualización del modelo de correcciónradiométrica

La metodología para corregir automática-mente (atmosférica y topográf icamente) lasbandas del espectro solar de Landsat se basaen la siguiente ecuación propuesta en Pons ySolé (1994):

[1]

ρ: Reflectividad a nivel del suelo.E0: Irradiancia solar exoatmosférica (W ⋅m–2).τ1 / τ2: Coeficiente de transmitancia atmosfé-rica del trayecto Sol-Tierra / Tierra-Sensor.La: Radiancia recibida por el sensor de un áreadonde sólo existe contribución atmosférica

(por ejemplo, sombras o agua, dependiendo dela región espectral).L: Radiancia a nivel del sensor.θ: Ángulo de incidencia entre el zenit solar yel vector normal del terreno.d: Distancia Sol-Tierra, en Unidades Astronó-micas.τ1 y τ2 eran originalmente estimadas usando es-tas expresiones:

[2]

[3]

τ0: Profundidad óptica atmosférica.s: Ángulo solar zenital.v: Ángulo entre el vector normal a un terrenollano y el vector de visión del sensor.

Todos los parámetros de las ecuaciones uti-lizadas se pueden conocer a partir de la ima-gen y sus metadatos a excepción de La y τ0. Enla metodología previa al presente trabajo, losvalores de τ0 usados en la corrección eran fi-jos para cada banda y habían sido establecidosa partir de los datos de otros trabajos basadosen parámetros de atmósferas estándar. La ha-bitualmente se obtenía a partir del mínimo va-lor del histograma a analizar (Chavez, 1996)(véase tabla 1).

Tabla 1. Valores de τ0 usados para Landsat 5 TM

Banda 1 2 3 4 5 7

τ0 0.5 0.3 0.25 0.2 0.125 0.075

Búsqueda automática de valores La y ττ0

La asunción de que los valores τ0 son cons-tantes para toda la escena es muy simplificadaya que en realidad depende de múltiples fac-tores, algunos difíciles de estimar como lascondiciones atmosféricas (tipo y cantidad deaerosoles, etc.) y otras, como la altitud del te-rreno, que en ciertos casos pueden ser modeli-zadas de forma razonable.

En este trabajo los valores de La y τ0 se es-timan usando un método iterativo no lineal conel apoyo de los valores de referencia de las API

ττ

2

0

=−⎛

⎝⎜

⎞

⎠⎟

e vcos( )

ττ

1

0

=−⎛

⎝⎜

⎞

⎠⎟

e scos( )

ρπ

θ τ τ=

⋅ −⎡⎣ ⎤⎦ ⋅

⋅ ⋅ ⋅

L L d

E

a2

0 1 2cos

Corrección radiométrica automática de imágenes Landsat TM mediante áreas... 69

(el método calcula los valores de La y τ0 paraque la ecuación 1 tenga solución en una API apartir de su valor de reflectividad).

Para modelizar τ0 se usó MODTRAN(Kneisys et al., 1995) en distintas atmósferasestándar (US Standard 1976, MidLattiudeSummer, MidLattitude Winter, SubArtic Sum-mer, SubArticWinter y Tropical), condicionesde altitud (de 0 a 9000 m con intervalos de 250m) y de ángulo zenital solar (de 0 a 90º con in-tervalos de 1º). Para llevar a cabo las modeli-zaciones se usaron valores promedio de O3 yCO2 iguales a 0.342 y 289 atm-cm, respectiva-mente. Esta aproximación determina un rangode posibles valores para τ0 para cada banda so-lar, evitando de este modo encontrar solucio-nes matemáticamente válidas para la ecuaciónpero demasiado alejadas de las condiciones at-mosféricas posibles.

Obtención de áreas pseudoinvariantes (API)

Para la identificación de las API se usó unaserie de 60 imágenes MODIS sobre la escenacompleta 197-031, distribuidas a lo largo delos doce meses del año y entre los años 2002 y2008. Solamente se usaron las bandas de 1, 2,3, 4, 6 y 7, con una resolución espacial de 500m, descartando la banda 5 debido a que no tie-ne correspondencia con ninguna de las bandasde Landsat 5 TM (véase tabla 2).

Para cada píxel y cada banda se calculó ladesviación estándar de todas las imágenes MO-DIS seleccionadas. Se calculó el valor medio

de estas seis nuevas imágenes. Este resultadocorresponde al valor medio de la desviaciónestándar para cada píxel a lo largo de la serietemporal.

Los píxeles con una media en la desviaciónestándar por debajo de 1.75% se seleccionaronobteniendo así una máscara preliminar de zo-nas con una variación radiométrica baja a lolargo del período 2002-2008 para MODIS(véase figura 2).

La resolución espacial de la máscara obte-nida es de 500 m, un valor insuficiente paratrabajar con imágenes Landsat. Se verificó sucoherencia con la selección de 50 imágenesLandsat corregidas manualmente y se calculóla desviación estándar de la serie temporal pa-ra cada píxel (de la escena Landsat), y tambiénel valor medio de las desviaciones estándar delas seis bandas Landsat. Los píxeles con unpromedio en la desviación estándar inferior a


Figura 2. A la izquierda, promedio de las 6 desviaciones estándar (una para cada banda usada de MODIS). Loscolores claros corresponden a zonas de alta variabilidad temporal (cultivos, zonas innivadas temporalmente, etc.)A la derecha, selección de píxels con desviación estándar media inferior a 1.75%. Nota: las unidades de la le-yenda corresponden a reflectividad, en %, multiplicada por un factor 100.

Tabla 2. Comparación del rango espectral de lasbandas solares de TERRA MODIS y Landsat 5 TM.(Chander et al., 2010; NASA, 2010)

Landsat 5 TM�

Terra MODIS

Rango Rango Banda espectral Banda espectral

(μm)�

(μm)

1 0.45-0.52 3 0.459-0.479

2 0.52-0.60 4 0.545-0.565

3 0.63-0.69 1 0.620-0.670

4 0.76-0.90 2 0.841-0.876

5 1.55-1.75 6 1.628-1.652

7 2.08-2.35 7 2.105-2.155

2% se seleccionaron como API. Estos píxelesseleccionados coincidían mayormente con bos-ques perennifolios y matorrales (véase f igu-ra 3). La selección de píxeles resultante se agre-gó para crear una matriz de polígonos contamaño igual a 3x3 píxeles y descartando to-das las API con un tamaño inferior a éste.

Dado que el número de API obtenidas fuerazonablemente elevado, 4423 API se usaronpara ajustar el modelo y 3000 API se reserva-ron para hacer un test independiente de los re-sultados.

Establecimiento de un valor de reflectividad en la API y aplicacióndel modelo

Finalmente a cada API detectada se le asig-nó un valor de referencia igual al valor mediode reflectividad calculado a partir de la selec-ción de 12 imágenes Landsat 5 TM previa-mente corregidas de forma manual (atmosfé-rica y topográficamente).

Las API se crean solamente una vez por es-cena. Un filtro heurístico se aplica a cada ima-gen para detectar API afectadas por nubes ocambios en las cubiertas del suelo.

El proceso automático propuesto se ha apli-cado a un conjunto de 18 imágenes Landsat 5

TM de la escena 197-031. Para testear el algo-ritmo en distintas situaciones se han seleccio-nado imágenes cubriendo todos los meses delaño (incluso en condiciones extremas cercanasal solsticio de invierno) del período entre 2003y 2009.

Resultados

La Figura 4 muestra la diferencia entre la re-flectividad estimada con el modelo y la reflec-tividad de referencia para los 3000 polígonosde test. El rango de dichas diferencias varía en-tre el ±2% en reflectividad y sin detectarse pa-trones temporales en las diferencias. Estos va-lores de variabilidad son cercanos a los valoresde ruido del propio sensor (NASA, 2008b).

La mínima diferencia es 0% y aparece en labanda dos de la imagen adquirida el07/02/2006. La diferencia máxima es de 2.11%y aparece en la banda 4 del 08/02/2006. La me-dia de las diferencias es de –0.06% y el RMSes de 0.75%.

Para este conjunto de 18 imágenes Landsat,los valores de La y τ0 se estimaron tanto de for-ma automática como de forma interactiva (enel caso de La) o con los valores fijos (por τ0).Las diferencias en la estimación de La entre losdos modos son muy pequeñas, siendo la media


Figura 3. En rojo las API finalmente seleccionadas. La imagen de la derecha muestra una ampliación de algunasAPI sobre una imagen Landsat.

de las diferencias de 0.56 DN y con una des-viación estándar de 3.92 DN. Las diferenciasen el caso de τ0 son igualmente muy pequeñasy próximas a 0 (0.008) y la desviación están-dar es de 0.032 en todas las bandas solares delas 18 imágenes. En este caso, la máxima di-ferencia es de 0.08 para la banda 1 de la ima-gen de 21/06/2008.

Conclusiones

El uso de modelos de corrección radiomé-trica (atmosférica y topográfica) simplificadospuede considerarse como una útil y prácticaopción para el procesamiento preliminar de lasimágenes de Teledetección.

La independencia respecto a datos externosde estos modelos, permite la automatizacióndel proceso de corrección, gracias al apoyo deAPI con valores de reflectividad conocidos. Deeste modo el método se convierte en una solu-ción estable para corregir largas series tempo-rales de imágenes de satélite tomadas en dis-tintas condiciones atmosféricas y deiluminación. Actualmente se está ampliando elestudio para los sensores ETM+ y MSS y se es-pera confirmar su viabilidad, dada la similitudentre las diferentes configuraciones espectra-les de los sensores Landsat.

La obtención de las API mediante imágenesMODIS se ha convertido en un objetivo de tra-

bajo y ha permitido encontrar suficientes polí-gonos para poder ajustar el modelo y reservaruna parte para validar con una muestra inde-pendiente. Además, los valores de reflectividadde referencia se pueden obtener de distintasfuentes, dando flexibilidad al usuario para quese ajuste a su disponibilidad de datos a lo largodel tiempo o de otros sensores.

Los resultados demuestran que el algoritmoes aplicable a cualquier imagen de la serieLandsat TM, independientemente de la fechay de la presencia de nubes ya que el método escapaz de detectar presencia de nubes o nieves,y cambios en el uso del suelo.

En futuros trabajos se investigará cuántas imá-genes Landsat corregidas radiométricamente conel procesamiento manual son necesarias para ob-tener un valor de reflectividad de referencia co-herente, así como la posibilidad de obtener estemismo valor a partir de imágenes MODIS.

Agradecimientos

Las sesiones de definición del Plan Nacionalde Teledetección (PNT) impulsado por el IGN,y en que la Universidad de Alcalá tuvo un des-tacado papel, contribuyeron a generar un am-biente propicio para impulsar este trabajo, Xa-vier Pons es beneficiario de un ICREA AcadèmiaExcellence in Research grant (2011-2015).

Referencias

CEA, C., CRISTÓBAL, J., SERRA, P. & PONS, X.2005. Mejora en la detección semiautomática denubes y sombras en imágenes Landsat. En Arbe-lo Pérez, Manuel Imeldo [Eds] Avances en la Ob-servación de la Tierra. XI Congreso de Telede-tección. pp 359-362.

CEA, C., CRISTÓBAL, J. & PONS, X. 2007. An im-proved methodology to map snow cover by meansof Landsat and MODIS imagery. IEEE Internatio-nal Geoscience and Remote Sensing Symposium,2007. IGARSS 2007. IEEE Internacional, 4217 -4220. DOI: 10.1109/IGARSS.2007.4423984,p2037.pdf 4423781 Barcelona.

CHANDER, G., XIONG, X., CHOI, T. & ANGAL,C. 2010. Monitoring on-orbit calibration stabi-lity of Terra MODIS and Landsat 7 ETM+ sen-sors using pseudo-invariant test sites. RemoteSensing of Environment, Vol. 114, 925-939.


4.00

2.00

0.00

–2.00

–4.00

26/0

7/20

0311

/08/

2003

10/0

6/20

0417

/11/

2004

04/0

1/20

0509

/03/

2005

26/0

4/20

0531

/02/

2005

08/0

2/20

0602

/07/

2006

04/0

9/20

0609

/12/

2006

26/0

1/20

0721

/06/

2008

23/0

7/20

0820

/03/

2009

07/0

5/20

0926

/07/

2009

% e

n re

flec

tanc

ia

B1 B2 B3 B4 B5 B7

Figura 4. Diferencia absoluta por banda y fecha entrereflectividad estimada y reflectividad de referenciapromedio de 3000 API de test.


CHAVEZ, P. S. 1996. Image-based atmospheric co-rrections. Revisited and improved. Photogram-metric Engineering & Remote Sensing, 62.9,1025-1036.

EURIMAGE. 2010. Eurimage. En internet:www.eurimage.com (accedido el 24/03/2011).

GUTMAN, G. & JUSTICE, C. 2010. Land Coverand Land-Cover Change Products from OpticalCoarse and Moderate Spatial Resolution GlobalDatasets. En Lacoste-Francis (eds.)[Eds] Proc.2010 ESA Living Planet Symposium.

GUTMAN, G. & MASEK, J.G. 2012. Long-term ti-me series of the Earth’s land-surface observationsfrom space. International Journal of Remote Sen-sing, 33:15, 4700-4719.

HADJIMITSSIS, D.G, CLAYTON, C.R.I. & RE-TALIS, A. 2009. The use of selected pseudo-in-variant targets for the application of atmosphe-ric correction in multi-temporal studies usingsatellite remotely sensed imagery. InternationalJournal of Applied Earth Observation and Ge-oinformation, Vol. 11, 192-200.

KNEISYS, F.X., ABREU, L.W., ANDERSON, G.P.,CHETWYND, J.H., SHETTLE, E.P., BERK, A.,

BERNSTEIN, L.S., ROBERTSON, D.C., ACHA-RYA, P., ROTHMAN, L.S., SELBY, J.E.A., GA-LLERY, W.O. & CLOUGH S.A. 1995 The MOD-TRAN 2/3 and LOWTRAN 7 model. OntarCorporation. North Andover. USA.241.60.

NATIONAL AERONAUTICS & SPACE ADMI-NISTRATION. 2008a. MOD09 (Surface Reflec-tance) User’s guide. En internet: http://gcmd.na-sa .gov/records/GCMD_MOD09GA5.html(accedido el 24/03/2011).

NATIONAL AERONAUTICS & SPACE ADMI-NISTRATION. 2008b. Landsat hand book. EnInternet: http://landsathandbook.gsfc.nasa.gov(accedido el 24/03/2011).

NATIONAL AERONAUTICS & SPACE ADMI-NISTRATION. 2010. Landsat Missions. En In-ternet: http://landsat.usgs.gov (accedido el24/03/2011).

PONS, X. & SOLÉ-SUGRAÑES, L. 1994. A Sim-ple Radiometric Correction Model to ImproveAutomatic Mapping of Vegetation from Multis-pectral Satellite Data. Remote Sensing of Envi-ronment, Vol. 48, 191-204.

Introducción

Actualmente existe una gran diversidad desensores para responder a las necesidades queexigen las técnicas de observación de la tierra.Además el desarrollo de aplicaciones requieredisponer de datos de calidad, por lo que en lapráctica, el usuario debe establecer una rela-ción adecuada calidad/coste de las imágenespara trabajar. Uno de los criterios principalesen la elección de imágenes suele ser, por ejem-plo, la resolución espacial, de forma que elusuario pref iere una imagen de 1 m frente aotra de 4 m. Sin embargo, ¿se comprenden ade-cuadamente estos datos?. Una llamada de aten-ción sobre los parámetros electro-ópticos quees necesario conocer, para comparar dos sen-

sores, la realiza Joseph (2000) en una comuni-cación abierta, como presidente de la Comi-sión Técnica del ISPRS (International Societyfor Photogrammetry and Remote Sensing), de-nominada «Sensors, Platforms and Imagery»,para sugerir una reflexión acerca de la infor-mación precisa que los usuarios de imágenesdeberían disponer a fin de decidir por la cali-dad de las imágenes utilizadas.

Otra de las dificultades a las que se enfren-tan los usuarios es que no existe una unifica-ción clara de las definiciones en la caracteri-zación de un sensor. Esta afirmación se ponede manifiesto si realizamos una consulta a losmanuales técnicos, o a las tablas de caracteri-zación que proporcionan los proveedores deimágenes.

Caso práctico

Revisando el concepto de resolución en teledetección

A. Calle y P. SalvadorDepartamento de Física Aplicada. Universidad de Valladolid

Resumen

Un sensor viene representado a través de su resolución espacial, temporal, radiométrica y espec-tral, aunque estas definiciones no siempre son usadas con precisión. El trabajo que se presenta tieneun perfil académico en teledetección, que realiza una revisión de las definiciones de las magnitudesrelacionadas con el diseño de sensores, para que puedan ser comparados. Los conceptos analizadosson la caracterización espacial, espectral, radiométrica y resolución temporal.

Palabras clave: resolución espectral, espacial, radiométrica, MTF, PSF, NEΔT, NEΔρ.

Abstract

A revision of the concept of resolution, in remote sensing

A satellite sensor is characterized by its spatial, temporal, radiometric and spectral resolution; ho-wever these features are not clearly addressed. This work has an academic profile into the remote sen-sing topics; it is a review of the main sensor magnitudes related to design of sensors, in order to haveknowledge to compare them. The concepts analysed here are, mainly, the spatial, spectral and radio-metric characterization and the temporal resolution.

Key words: spectral, spatial and radiometric resolution, MTF, PSF, NEΔT, NEΔρ.


Autor para la correspondencia: [email protected]: 28-03-12; Aceptado: 03-05-12.

De forma intencionada se han incluido al-gunos términos escritos en inglés (aparte de losacrónimos), por llevar atribuido, de forma in-trínseca, un significado más preciso; en algu-nos casos se necesitaría una frase para realizaruna traducción poco afortunada.

Caracterización espacial

A menudo se ofrece la definición de reso-lución espacial como la dimensión del objetomás pequeño que se puede discernir en unaimagen. Esto es no decir nada si no se estable-ce el contraste ni se precisa la dimensión delpíxel del que procede la radiancia(W/m2/μm/sr); tal def inición resulta insuf i-ciente e imprecisa. Hay dos conceptos que tien-den a usarse como sinónimos para definir el pí-xel: el IGFOV (Instantaneous Geometric Fieldof View) que es el tamaño de la imagen del de-tector proyectado por el sistema óptico sobreel suelo (también conocido como footprint) yel GSD (Ground Sampling Distance) que cuan-tifica la distancia del suelo a la que son graba-dos dos pixeles consecutivos; si expresamos elGSD como el ángulo de muestreo del sensortendremos el IFOV (Instantaneous Field ofView) en unidades angulares.

IGFOV y GSD son conceptos diferentes pe-ro el ratio entre ellos tiene un impacto directosobre el valor de la radiancia que atribuimos aun píxel. Es muy recomendable el artículo derevisión que hace Cracknell (1998) que titulacon la pregunta: «what’s in a pixel?» acerca delcontenido radiométrico real de un píxel de ima-gen, dado que la relación que existe entre losvalores IGFOV y GSD determina la mezcla decubiertas del suelo que contribuyen al valor ra-diométrico.

Debe entenderse que el IGFOV no es unafunción cuadrada uniforme, sino que tiene unadegradación mayor en los bordes de forma quese parece a una función gaussiana tridimen-sional. Esta degradación se produce debido avarios factores: i) difracción del sistema ópti-co, ii) limitación del detector, iii) influencia delos circuitos eléctricos y iv) la interacción dela radiación con la atmósfera; todo ello tiendea generar un IGFOV parecido a una mancha de-gradada, con la consiguiente reducción del

contraste. Por ello, la función más importantepara establecer la resolución espacial es laMTF (Modulation Transfer Function) que es-tablece el contraste de la imagen. La MTFcuantifica la sensibilidad del sensor para de-tectar el contraste a través de la frecuencia delas variaciones radiométricas de la escena; di-cho de otro modo, la función MTF tiene el mis-mo significado, en el dominio de las frecuen-cias, que la PSF (Point Spread Function) en eldominio espacial. Para comprender la relaciónentre MTF y PSF y su determinación analíticaa través de un modelo de sensor se recomien-da el artículo de Markham (1985) dedicado ala caracterización espacial de los sensoresLandsat MSS (Multispectral Scanner) y Land-sat TM (Thematic Mapper).

El impacto de la forma de la PSF puede pa-sar desapercibido en la observación de varia-bles continuas, donde se manifestará como unemborronamiento de la imagen; sin embargopuede tener drásticas consecuencias cuando seobservan fenómenos en superficie que exhibendiscontinuidades de radiancia, como el caso defronteras de cubiertas, en el espectro solar(Huang et al., 2002). También en el espectrotérmico, en la observación de fenómenos pun-tuales como los hot-spots; en este sentido vé-ase Calle et al. (2009) acerca del impacto deesta función en la detección y cuantificaciónde parámetros térmicos de incendios sobre elsensor SEVIRI (Spinning Enhanced Visible &InfraRed Imager ) de MSG así como los pro-blemas que plantea el sensor MODIS (Mode-rate Resolution Imaging Spectroradiometer)para realizar la detección de hot-spots debidoal fuerte solapamiento de la PSF entre pixelescontiguos (Kaufman and Justice, 1998).

La ventaja de la función MTF es que sim-plifica la caracterización de un sensor, debidoa que trabajar en el dominio espacial equivalea obtener la MTF del sistema como el produc-to de las funciones MTF individuales que re-presentan cada uno de los factores, menciona-dos anteriormente, que degradan la imagen delsensor. En cualquier caso se impone la medi-da de la MTF cuando el sensor se encuentra envuelo porque dicho valor difiere de la aporta-da en el banco de pruebas; no sólo por el efec-to atmosférico de degradación sino por el sis-tema electrónico adicional. Las medidas de la

Revisando el concepto de resolución en teledetección 75

MTF en sensores de alta resolución espacial si-guen protocolos estándar (véase Helder et al.,2006, para el caso de IKONOS y QuickBird)

Resolución espacial: definición

La recomendación de la NASA (1973) paraestablecer un concepto de resolución espacialque permita comparar sensores fue introducirel EIFOV (Effective Instantaneous GeometricField of View) definido como la dimensión es-pacial en la superficie de la tierra correspon-diente a la frecuencia para la cual el valor dela MTF es 0,5. Debe tenerse en cuenta que loscuatro factores mencionados que degradan laMTF del sensor son diferentes para las direc-ciones de movimiento del satélite (track) y ba-rrido de línea de imagen (scan); la MTFscanestá más degradada debido al mayor impactode la componente electrónica necesaria pararegistrar los pixeles de cada línea con mayorvelocidad que en la dirección track, donde lacomponente electrónica casi no tiene efecto.Por lo tanto el valor MTF 0,5, en cada direc-ción, establece la resolución espacial corres-pondiente y, por lo tanto, diferente.

Existe un límite de frecuencia máxima es-tablecida por la mitad de la frecuencia de mues-treo (valor del GSD en el dominio de las fre-cuencias), más allá del cual, el detector nopuede discriminar ninguna variabilidad de con-traste; este límite es la frecuencia de Nyquist,fN (fN = 0.5/IFOV ciclos/rad). Si la señal que es-tá siendo muestreada tiene componentes de fre-cuencia más altas que la frecuencia de Nyquist,entonces el muestreo produce una degradacióndenominada aliasing. Precisamente el valor deMTF en la frecuencia de Nyquist es una figu-ra de mérito de los sensores.

Discusión y relación de magnitudesespaciales

La caracterización espacial se completa con la relación de las magnitudes involucradas:IGFOV, EIFOV, GSD y MTF. En el caso ideal,con una MTF de valor 1 para frecuencias me-nores de Nyquist y nula para superiores, ten-dríamos que IGFOV, EIFOV y GSD deberían

coincidir. Sin embargo en el caso real, ocurreque el EIFOV es menor que el IGFOV, por loque las funciones PSF de pixeles contiguos seencuentran superpuestas y el valor de GSD de-bería ser muy cercano al EIFOV. El grado decercanía lo establece al final la diferencia en-tre las resoluciones scan y track. Un ajuste enla dirección track implicará un exceso de so-lapamiento en la dirección scan, y mayor em-borronamiento. Este caso, no obstante, es pre-ferible a ajustar la dirección scan queconllevaría la introducción potencial de alia-sing en la dirección track.

Un ejemplo interesante es la Figura 1 adap-tada del análisis de Markham (1985), en la quelos autores han incluido algunos cálculos ex-plicativos de las magnitudes de la presente dis-cusión. En dicha f igura se muestra el sensorTM, que con un IFOV de 42,5 mrad le corres-ponde una frecuencia de Nyquist de 11.765 ci-clos/rad. Los valores de MTF 0.5 correspon-den a resoluciones de 31,7 y 35,3 metros.Ajustando el GSD a la resolución track existeun ligero solapamiento, para evitar el aliasing.

Caracterización espectral

La base física de la teledetección consisteen: observar lo interesante donde la atmósferalo permita. Ello implica diseñar sensores concapacidades espectrales en ventanas atmosfé-

76 A. Calle y P. Salvador / Revista de Teledetección (2012) 37, 74-79

Figura 1. Funciones MTF del sensor Tm y determi-nación de las resoluciones espaciales en direccionestrack y scan. En la f igura, adaptada de Markham(1985), los autores han incluido algunos cálculos ex-plicativos.

ricas, pero en longitudes de onda donde las cu-biertas del suelo exhiben discontinuidades enreflectancia y/o temperatura; ello implica labúsqueda de intervalos espectrales bien loca-lizados y mediante bandas espectrales que nosuperen un valor umbral de anchura. Aumen-tar la anchura espectral permite recibir más ra-diancia de pixeles más pequeños (mejora de ladiscriminación espacial) pero implica la mez-cla de características espectrales y por lo tan-to pérdida de información. Esta afirmación, ne-tamente cualitativa, constituye el argumento dediscusión resolución espacial versus resoluciónespectral; sin embargo no existe una definiciónclara de anchura espectral efectiva para cuan-tificarla (Dl) y lo más importante, la longitudde onda representativa, lc.

La SRF (Spectral Responsivity Function) esla función que especifica la sensibilidad con laque el sensor detecta radiancia para cada lon-gitud de onda, l, y tiene valores nulos por de-bajo y por encima de dos límites dados de lon-gitud de onda. Un método muy extendido, paraexpresar la anchura de una banda espectral, esel FWHM (Full-Width at Half-Maximum) con-sistente en establecer como Dl la diferencia en-tre los valores de l en los que la SRF tiene elvalor del 50%. Este procedimiento, sin em-bargo, es impreciso cuando se aplica a funcio-nes SRF asimétricas, que son la mayoría, dadoque lleva a establecer una longitud de onda cen-tral, lc, en el valor medio, introduciendo unerror cualitativo en la interpretación del valorde la radiancia en esa banda, al no tener encuenta la ponderación de la SRF por su forma.

Palmer (1984) realiza una discusión muy es-clarecedora acerca de los métodos de caracte-rización espectral y los inconvenientes que pre-senta cada uno, proponiendo, f inalmente, latécnica de normalización radiométrica del an-cho de banda (Radiometric bandwidth norma-lization), consistente en asignar a un sensor conSRF conocida, una función equivalente cua-drada con un valor de respuesta constante, Rn.En la Figura 2, se muestra una función asimé-trica real para esquematizar gráficamente estadefinición; el área de la función cuadrada se-rá el mismo que el área de la SRF real, el va-lor de lc es el centro de la función cuadrada yel ancho efectivo, Dl, es la anchura de la fun-ción cuadrada.

[1]

De esta forma lc es el centroide de la funciónSRF. En concepto de centroide, que no es otracosa que el concepto geométrico de centro demasas, pondera adecuadamente las funcionesSRF asimétricas. Obsérvese que SRF(l1) ySRF(l2) no tienen el valor de 0,5, que es lo quehabría sido propuesto mediante el métodoFWHM que, en el ejemplo de la Figura 2, ha-bría supuesto un sesgo hacia la izda (menor lc).

La calidad espectral de los sensores tambiénestá limitada por factores ópticos derivados delsistema telescópico que realiza la convergenciade la radiancia sobre el plano focal. Para sen-sores de alta resolución espacial (en el entornode 1 m) la longitud focal del telescopio excedelas dimensiones del bus del satélite, por lo queel diseño involucra lentes y espejos que intro-ducen algunas aberraciones y limitan la calidadespectral. Su discusión está fuera del alcancede este trabajo, pero se recomienda al lector eltrabajo de Cawthorne, et al. (2008), autores quepertenecen a SSTL (Surrey Satellite Techno-logy Limited) y que realizan una excelente re-visión de los sistemas de telescopios en satéli-tes de muy alta resolución espacial, explicandoventajas e inconvenientes, de cada diseño, re-lacionadas con la caracterización espectral y ra-diométrica. También se puede encontrar unadiscusión académica en Larson&Wertz (1999).

λc

=λ·SRF λ( )·dλ∫SRF λ( )·dλ∫

; SRF λ( )·dλ∫ = Rn·Δλ


Figura 2. Representación de una SRF asimétrica, y lafunción cuadrada auxiliar que permite definir la an-chura efectiva, Δλ = (λ2-λ1) y la longitud central, λc

(véase texto).

Caracterización radiométrica

Otro concepto que, frecuentemente, se ma-neja con imprecisión es la resolución radio-métrica, debido a que en este campo confluyenfactores informáticos, electrónicos y físicos.De forma grosera la resolución radiométrica esentendida como el número de bits que usa unsensor para cuantificar la medida física de laradiancia (W/m2/μm/sr). Mucho más precisaes la caracterización radiométrica de un sensora través de la temperatura/reflectancia dife-rencial equivalente en ruido NEΔT/NEΔρ(Noise Equivalent diferential Temperature/Re-flectance), en el espectro térmico/solar que sig-nif ica el mínimo cambio en temperatura/re-flectancia que puede ser detectado por elsensor. Esta definición física, sin embargo, ex-hibe una dependencia con la magnitud SNR(Signal to Noise Ratio), con el rango dinámi-co en que se establece la saturación y el nú-mero de bits de cuantificación de la señal. Conla idea de unificar los espectros térmico y so-lar, Joseph (2000) propone y usar la radianciadiferencial equivalente en ruido, NEΔR, a tra-vés de las unidades propias de la radiancia es-pectral.

Discusión y relación de magnitudesradiométricas

Es habitual encontrar la referencia del pará-metro SNR en las características de los senso-res por parte de los fabricantes, dado que esuna figura de mérito; sin embargo se alcanzanvalores elevados de SNR gracias a dispositivosexternos como el TDI (Time Delay and Inte-gration) que consiste en usar el movimiento dela imagen a lo largo de las filas que componenel array del plano focal para aumentar el tiem-po de integración de la radiancia entrante. Laventaja del uso del TDI consiste en aumentarconsiderablemente el parámetro SNR y, consi-guientemente, la resolución radiométrica; sinembargo es un elemento mecánico que puedeproducir alteración en los parámetros de apun-tamiento (control de attitude). La forma másnatural de aumentar la SNR, en satélites de al-ta resolución espacial consistiría en aumentarel intervalo de la función de respuesta espec-

tral, de forma que se aumentaría la radianciarecibida sin necesidad de aumentar el tiempode integración. Esta es la razón de que la ban-da pancromática (PAN) proporciona mejor re-solución espacial que las bandas multiespec-trales (XS); sin embargo esto conlleva lapérdida de la capacidad para discernir discon-tinuidades en la firma espectral de las cubier-tas, como se explicaba en el apartado anterior.Por lo tanto, aquí el usuario de imágenes, tie-ne expuesto el argumento de discusión entreresolución espacial versus resolución espectralversus resolución radiométrica.

Resolución temporal

El concepto de resolución temporal suele serel que presenta menor confusión de los cuatroaspectos tratados aquí; aunque debe matizarseya que debería diferenciarse de forma precisacon el concepto de tiempo de revisita.

La resolución temporal o ciclo de repeticiónespecif ica el tiempo que tarda un sensor envolver a cubrir una localización determinadamanteniendo la geometría de visión que esta-blece el ancho de barrido (conocido en ingléscomo swath). En sensores antiguos el conceptoera inequívoco y fijo pero cuando aparecieronsatélites con la capacidad de programar elapuntamiento del sensor para realizar captu-ras solicitadas (p.e. SPOT) apareció el térmi-no de «tiempo de revisita». Los sensores concapacidad de apuntamiento aminoran el tiem-po de retraso en disponer de una captura sobrecualquier lugar (pero sin mantener la geome-tría de visión), aunque el coste de la imagenes más elevado. Tal y como sugiere Joseph(2000) resolución temporal y tiempo de revi-sita son conceptos diferentes y, por lo tanto,no debieran ser usados como sinónimos pues-to que las imágenes obtenidas mediante el ci-clo natural de repetición conservan la mismageometría de visión, de forma que las varia-ciones radiométricas provocadas por la fun-ción BRDF (Bidirectional Reflectance Distri-bution Function) son mínimas, lo que noocurre en imágenes obtenidas mediante orien-tación solicitada del sensor, en aquéllos casosen que se dispone de esta posibilidad. Esta pre-cisión cobra mayor importancia cuanta más al-

78 A. Calle y P. Salvador / Revista de Teledetección (2012) 37, 74-79

ta sea la resolución espacial y sobre todo cuan-do las aplicaciones están fundamentadas en elestudio de series temporales, como los pro-ductos biofísicos derivados de los índices devegetación. Latifopvic et al. (2003) presentanuna discusión acerca de los factores geomé-tricos, y su incidencia, sobre la modelizaciónde la función BRDF.

Por otra parte, aún en el caso de conocer unvalor del ciclo de repetición, debiera aportar-se dicho parámetro a diferentes valores de la-titud o especificar el valor a latitud 0°, que re-presenta el caso más desfavorable. Joseph(2000) propone los valores de latitud 0° y 40°como estándar representativo, para poder in-terpretar y comparar esta magnitud entre dife-rentes sensores.

Conclusión y síntesis

El aumento de sistemas de observación dela tierra y la amplia oferta en imágenes de sen-sores, sobre todo en alta resolución espacial,requiere comparar su calidad y justificar el cos-te de su adquisición. Como hemos visto losprincipales factores a tener en cuenta son losque se refieren a las caracterizaciones espacial,radiométrica y espectral; notar que la resolu-ción temporal está establecida por las condi-ciones orbitales y condicionada a las necesi-dades de disponibilidad del usuario.

En cada aplicación deberá primar más unacaracterización que otra. No obstante, si sebusca un argumento global de comparaciónentre sensores, en Larson &Wertz (1999) sepropone un índice relativo de calidad RQI(Relative Quality Index) que permite compa-rar un sensor con otro cuyas característicassirven de referencia, a través de una fórmulade síntesis de magnitudes. Este índice se de-fine como:

[2]

siendo el valor MTF a la frecuencia de Nyquisty el subíndice «ref» indica el parámetro delsensor con el que se compara.

Referencias

CAWTHORNE, A., PURLL, D., & EVES, S.(2008). Very high resolution imaging using smallsatellites, 6th Responsive Space Conference, April28-May, 1, 2008. Los Angeles, CA.

CALLE, A., CASANOVA, J-L., & GONZÁLEZ-ALONSO, F. (2009). Impact of Point SpreadFunction of MSG-SEVIRI on active fire detec-tion. International Journal of Remote Sensing 30(17), 4567-4579

CRACKNELL, A. P. (1998). Review article.Synergy in remote sensing: what’s in a pixel? In-ternational Journal of Remote Sensing 19 (11):2025-2047.

HELDER, D., CHOI, J., & ANDERSON, C. (2006),On-orbit modulation transfer function (MTF) me-asurements for IKONOS and QuickBird. In Pro-ceedings of the JACIE 2006 Civil CommercialImagery Evaluation Workshop, 14-16 March,Laurel, MD, USA, sponsored by NASA/NGA/ USGS (CD-ROM).

HUANG, C., TOWNSHEND, J. R. G., LIANG, S.,KALLURI, S. N. V., & DEFRIES, R. S., (2002).Impact of sensor’s point spread function on landcover characterization: assessment and decon-volution. Remote Sensing of Environment 80:203-212.

JOSEPH, G. (2000). How well do we understandEarth observation electro-optical sensor pa-rameters? Remote Sensing of Environment 55: 9-12.

KAUFMAN, Y., & JUSTICE, C. (1998). MODISFire Products, Algorithm Theoretical Basis Do-cument. MODIS Science Team. EOS ID#2741

LARSON, W, & WERTZ, J. R. (eds.) (1999). Spa-ce Mission Analysis and Design. 3rd Ed. SpaceTechnology Library Published jointly by Micro-cosm Press and Kluwer Academic Publishers.

LATIFOVIC, R., CIHLAR, J., & CHEN, J. (2003).A Comparison of BRDF Models for the Nor-malization of Satellite Optical Data to a Stan-dard Sun-Target-Sensor Geometry. IEEE Trans-actions on Geoscience and Remote Sensing 41(8): 1889-1898.

MARKHAM, B. L. (1985). The Landsat SensorsSpatial Responses. IEEE Transactions on Geos-cience and Remote Sensing, GE-23 (6): 864-875

NASA SP 335 (1973). Advanced scanners and ima-ging systems for earth observation. WorkingGroup Report, NASA/GSFC.

PALMER, J. M. (1984). Effective Bandwidths forLANDSAT-4 and LANDSAT-D MultispectralScanner and Thematic Mapper Subsystems. IEEETransactions on Geoscience and Remote SensingGE-22, 3: 336-338.

RQI = SNR

SNRref

MTF

MTFref

GSDref

GSD


El grupo LEO (Laboratory for Earth Obser-vation) se crea en 1998 en el seno de la Unidadde Teledetección de la Universidad de Valen-cia, que viene trabajando en el campo de la te-ledetección desde 1978, al abrir una nueva lí-nea de investigación en torno a la explotaciónde datos hiperespectrales aerotransportados yla asistencia al diseño de nuevos sensores pa-ra futuras misiones espaciales. Desde enton-ces, el grupo LEO ha participado en numero-sos proyectos nacionales e internacionales, enlos que se ha destacado por su participación enel diseño de nuevas misiones espaciales de te-ledetección, en el procesado de nuevos tiposde datos, en particular datos ópticos multi-an-gulares y de alta resolución espectral. Ha in-novado en las técnicas de pre-procesado deimagen, llegando a abordar toda la cadena deprocesado desde la recepción de los datos delsensor, pasando por la caracterización y eli-minación de ruidos y las correcciones atmos-féricas y geométricas, para asegurar la mayorcalidad posible en los productos derivados.

El grupo ha contribuido en distintos aspec-tos de la observación de la Tierra, incluyendodiseño de nuevos instrumentos, coordinacióny planif icación de campañas y dirección deproyectos de la ESA, la Unión Europea y pro-gramas nacionales, tales como ENAMORS,ERA-ORA, FLAUBERT, AIMWATER, DE-METER, DAISEX, SPARC, SIFLEX,SEN2FLEX, AGRISAR, DATASAT, CHRIS-BOX, CEFLES2, SEN3EXP entre otros. Un as-pecto relevante ha sido la calibración y vali-dación de sensores en satélites como MERIS yAATSR en ENVISAT, CHRIS/PROBA, etc. Esde destacar que el grupo ha coordinado im-portantes campañas de campo de la ESA de lasque se han obtenido valiosos datos para la in-

vestigación en teledetección. La calidad delgrupo se demuestra también en las publicacio-nes científicas y las numerosas contribucionesen conferencias internacionales, revistas,workshops y simposios. José Moreno, coordi-nador del grupo LEO participa en diversos co-mités científicos (ESA Earth Sciences Advi-sory Committee ESAC, SPECTRA MAG,FLEX MAG, INGENIO MAG, Space StationUsers Panel, NASA/HyspIRI Science Team,ISSI), editor asociado de IEEE Transactions onGeoscience and Remote Sensing, así como par-ticipante en comités científicos de congresosinternacionales, grupos de expertos y panelesde evaluación (ESA, EU, EUMETSAT, NASA).

Entre los equipamientos de los que disponeel grupo se encuentran varios espectroradió-metros de campo/laboratorio, con accesorios ycomplementos para su calibración, así comoequipos de medidas de campo para validaciónde datos de satélites (medidores de LAI y clo-rofila, medidores de rugosidad de superficie,medidores laser e imágenes estereoscópicas pa-ra estructura de la vegetación, GPS), así comocompleto equipo de software para procesadode datos de teledetección, y un notable archi-vo de imágenes de satélite y de imágenes desensores aerotransportados y base de datos decampañas aerotransportadas (1997-2012).

En la actualidad, además del profesor JoséMoreno, forman parte del grupo LEO LuisAlonso (Técnico de Apoyo a la Investigación),Jesús Delegido (Profesor Titular), Jochem Ve-rrelst (Beca Marie Curie), Juan Pablo Rivera(Beca Investigación), Jorge Vicent (TécnicoSuperior de Investigación), Neus Sabater (Téc-nico Investigación), Juan Carlos Fortea (Pro-fesor Asociado), Ramón Peña (InvestigadorExterno) y Violeta Ortiz (Beca de Colabora-

¿Quién es quién?

El grupo LEO (Laboratory for Earth Observation) de la Universitat de València


ción). También forman parte del grupo LEO,aunque se encuentran en la actualidad reali-zando estancias en el extranjero, María PilarCendrero y Sergi Pons. Han formado parte delgrupo LEO en el pasado Soledad Gandía, LuisGuanter, José Carlos García, Carlos Cuñat, Jo-se María Martí, Gloria Fernández, M.ª del Car-men González, Luis Molina, Carlos Julio Con-treras, Carlos Mauricio Meza y JennyferAcosta, entre otros.

El grupo ha recibido como visitantes invi-tados, que han realizado estancias de variosmeses en el grupo, a John Miller (Canadá), Su-san Moran (USA), Ismael Moya (Francia), y elgrupo mantiene estrechos contactos, a menu-do mediante contratos, con varios organismosnacionales (INTA, CIEMAT, INM, CSIC/CI-DE, IGN, ICV), con los principales laborato-rios europeos de teledetección (ESA/ESTEC,ESA/ESRIN, DLR, GFZ, CNR, CNES, INRA,RSL, ITC, FMI, Univ. de Toulouse, Univ. deNápoles, Univ. de Wageningen, Univ. de Rea-ding), así como importantes relaciones con al-gunos laboratorios en Estados Unidos y Cana-

dá, destacando el NASA/Jet Propulsion Labo-ratory, el NASA/Goddard Space Flight Center,la Universidad de California en Davis, la Uni-versidad de York en Canadá, la Universidad deArizona en Tucson, entre otras.

Las principales líneas de investigación delgrupo son:

— Modelización teórica de procesos detransferencia radiativa en medios naturales, conénfasis en sistemas de alta resolución espec-tral en el espectro solar.

— Incorporación de productos de telede-tección en modelos físicos de procesos: inver-sión de modelos y asimilación de datos.

— Desarrollo de métodos de procesamien-tos de imágenes (calibración radiométrica, co-rrección atmosférica, correcciones geométri-cas relacionadas con sistemas multiangulares,eliminación de ruidos).

— Desarrollo de nuevos instrumentos ytécnicas relacionados con la detección de lafluorescencia de la vegetación, utilizando me-didas radiométricas con muy alta resoluciónespectral.

El grupo LEO (Laboratory for Earth Observation) de la Universitat de València 81

Grupo LEO, Paterna, diciembre de 2011. De izquierda a derecha: Jesús Delegido, Violeta Ortiz, José Moreno, Jo-chem Verrelst, Ramón Peña, Jorge Vicent, Luis Alonso, Juan Carlos Fortea y Juan Pablo Rivera.

— Seguimiento y modelización de la vege-tación, determinación de parámetros biofísi-cos, calidad de aguas, ciclo hidrológico, flujosde CO2 y balances de energía utilizando datosde teledetección.

— Definición de requerimientos, desarro-llo de algoritmos de procesado y simulación dedatos para futuros sensores y misiones (FLEX,Sentinel-2/3, SEOSAT/INGENIO, SPEC-TRA/LSPIM, HyspIRI).

— Campañas de campo para la calibracióny validación de datos de satélite (ENVISAT,MSG, PROBA) y sensores aerotransportados(AVIRIS, AHS, CASI, HYMAP, ROSIS,HYPER, HyPlant, etc.).

— Desarrollo de cadenas operativas deprocesado de datos (ENVISAT, CHRIS/PRO-BA, etc.).

— Desarrollo de simuladores (End-to-EndSimulators) para futuras misiones espaciales.

Actualmente, el grupo LEO se integra en elLaboratorio de Procesamiento de Imágenes

(LPI) del Parque Científico de la Universitatde València junto a otros tres grupos de in-vestigación: la Unidad de Cambio Global(UCG), el Grupo de Procesado Digital de Se-ñales (GPDS) y el Grupo de Astronomía yCiencias del Espacio (GADE), con lo que sehan ampliado sustancialmente las instalacio-nes así como la capacidad investigadora delgrupo. Además, el grupo viene colaborandode forma habitual con distintos grupos de in-vestigación de reconocido prestigio, tanto es-pañoles como extranjeros, y participando enproyectos conjuntos, sobre todo para ESA yEU-FP7.

La principal área de investigación en los úl-timos años y en el futuro es la medida de lafluorescencia inducida por la radiación solaren la vegetación y fruto de ello, el director delgrupo, José Moreno, lidera la misión candida-ta FLEX (FLuorescence EXplorer) del pro-grama Earth Explorer de la ESA, que en estosmomentos se encuentra en Fase A/B1.

82 Quién es quién / Revista de Teledetección (2012) 37, 80-82

Las marismas son un tipo de ambiente coste-ro que ocupa la faja intermareal en latitudes me-dias y altas del mundo. Se caracterizan por la al-ta dominancia de pocos géneros. En particular,Spartina sp. está presente en las marismas delnorte de Europa, este de Norte América, este deAsia, Australia y Sudamérica. En la porción nor-te de la costa Argentina particularmente dos es-pecies: S. densiflora y S. alterniflora dominanel paisaje de importantes sectores costeros. Laspraderas de Spartina, revisten singular interésdesde el punto de vista ecológico. Estos am-bientes presentan una alta productividad pri-maria y constituyen un eslabón clave en las ca-denas tróf icas. Además, son importantesambientes de alimentación, reproducción, refu-gio y cría para diferentes especies de vertebra-dos acuáticos y terrestres y de aves migratorias.

La evaluación de la biomasa y la productivi-dad primaria neta de estos ambientes constitu-ye una herramienta importante a la hora de eva-luar el estado de conservación de estos sistemasy los procesos de cambio ambiental. Surge co-mo interés contar con herramientas que permi-tan pasar de una evaluación local de estos pa-rámetros a un análisis planteado en una escalade paisaje. En este sentido, los datos satelitalesabren una nueva perspectiva ya que permitenincorporar la dimensión espacial al análisis. Lacalibración de mediciones locales de producti-vidad con datos relevados por satélites abre unanueva perspectiva. Este tipo de análisis se basaen la capacidad de relacionar los datos de re-

flectancia espectral de las imágenes satelitalesy las características de los objetos y procesosque se pretenden estudiar, para lo cual es nece-sario contar con datos de campo consistentes ymodelos conceptuales precisos de los fenóme-nos que se desean analizar.

El presente trabajo de tesis pretende gene-rar información acerca de los patrones de bio-masa en dos humedales costeros bonaerensesy establecer vínculos sólidos entre el estudiode parámetros indicadores de la dinámica deesos ecosistemas y datos satelitales. El objeti-vo entonces es evaluar la dinámica temporal dela biomasa de Spartina sp. en marismas coste-ras de la laguna de Mar Chiquita y el estuariode Bahía Blanca por medio de métodos no des-tructivos aplicados a parcelas permanentes yanalizar la influencia de esta dinámica y su re-lación con propiedades estructurales que afec-tan la señal registrada por sistemas de monito-reo remoto ópticos a campo y satelitales.

El enfoque usado involucra dos escalas di-ferentes, y considera tanto la respuesta localde los patrones de biomasa, como la expresiónespacial en una escala de paisaje. Por otro la-do, también se pretende determinar la variabi-lidad espacial en la biomasa y su relación tan-to con propiedades estructurales como condatos espectrales.

Los objetivos particulares son:— Caracterizar el ciclo anual de estas co-

munidades y obtener medidas locales precisasde biomasa y productividad primaria neta de

Tesis doctoral

Patrones de biomasa de Spartina spp. en dos marismascosteras en la provincia de Buenos Aires

Autor: Gabriela González TrillaDirectores: Patricia Kandus y Jorge MarcovecchioLugar: Universidad de Buenos Aires, ArgentinaFecha: Octubre de 2010Calificación: Sobresaliente 10


Spartina densiflora en marismas de Mar Chi-quita y S. alterniflora en Bahía Blanca.

— Realizar una caracterización espectral acampo de las comunidades de Spartina spp. yrelacionar los patrones espectrales con pro-piedades estructurales poniendo especial én-fasis en la biomasa en pie.

— Calibrar las mediciones locales de cam-po con los valores de reflectancia espectral si-mulando datos satelitales y con índices sinté-ticos derivados de los mismos (índices verdes)y contrastar los resultados con observacionessatelitales.

La presente tesis se estructura de la siguientemanera:

— En el capítulo I se hace una caracteriza-ción de las marismas y se presentan las carac-terísticas generales de los sitios de estudio: elestuario de Bahía Blanca y la laguna costeraMar Chiquita.

— En el capítulo II se desarrollan los mo-delos alométricos que sirven de base para lamedición de biomasa.

— En el capítulo III se presentan los resul-tados obtenidos en la determinación de bio-

masa y productividad a campo en una marismadominada por Spartina densiflora en Mar Chi-quita y en una marisma dominada por Sparti-na alterniflora en Bahía Blanca.

— En el capítulo IV se presentan los resul-tados de la caracterización espectral de las va-riables estructurales de Spartina alternifloraen Bahía Blanca y para Spartina densiflora enMar Chiquita, haciendo hincapié en la bioma-sa, mediante la utilización de un radiómetro decampo. Finalmente se seleccionan los índicessintéticos potencialmente útiles para el moni-toreo de la biomasa de esta especie usando sen-sores remotos.

— En el capítulo V se presenta la aplica-ción de los modelos de biomasa e índice de áreafoliar generados en el capítulo IV a una seriede tiempo de datos Landsat TM y su ajuste alos datos de campo generados en los capítulosIII y IV.

— Por último, en el capítulo VI se presen-tan conclusiones generales y consideracionesfinales tomando el trabajo en su conjunto y sin-tetizando sus aportes tanto a la ecología de hu-medales como a la teledetección.

84 G. González Trilla / Revista de Teledetección (2012) 37, 83-84

Las áreas urbanas son entornos importantesque agrupan a la mitad de la población mun-dial. Debido al poder de atracción de las ciu-dades, éstas constituyen zonas dinámicas ycambiantes en constante crecimiento. La ur-banización descontrolada acarrea muchos pro-blemas de índole medioambiental, poniendo enpeligro, y en ocasiones invadiendo, los espa-cios naturales circundantes a la ciudad. Se tra-ta, pues, de una de las causas principales en elcambio tanto de los usos como de las cobertu-ras en un territorio. Como solución a los pro-blemas derivados de la urbanización, se hacecada vez más necesario implementar tecnolo-gías que permitan visualizar los posibles efec-tos coaligados a las diferentes problemáticaspara adoptar acciones en el menor tiempo po-sible. Esto implica un conocimiento preciso delescenario urbano actual que posibilite el desa-rrollo de un planeamiento urbano y territorialmás eficiente. Debido a su gran dinamismo, lainformación relativa a las áreas urbanas quedadesfasada rápidamente. Por ello, la disponibi-lidad de información cartográfica detallada yactualizada de estas zonas adquiere una granrelevancia. Tradicionalmente esta informaciónse ha realizado mediante revisiones de campoy técnicas clásicas de fotointerpretación sobreimágenes aéreas, siendo estas metodologíaslentas, caras y subjetivas. La utilización de téc-

nicas de procesado digital de imágenes permi-te reducir el volumen de información a inter-pretar de forma manual y se adapta a los rit-mos y necesidades de la sociedad actual, querequiere continuamente datos precisos que re-flejen fielmente la realidad del territorio.

El objetivo de esta Tesis es establecer unametodología fiable de detección automática deedificaciones para la clasificación automáticade los usos del suelo en entornos urbanos uti-lizando imágenes aéreas de alta resolución ydatos LiDAR. Estos datos se corresponden conla información adquirida en el marco del PlanNacional de Ortofotografía Aérea (PNOA), yse encuentran a disposición de las administra-ciones públicas españolas.

Para realizar la localización de edificacionesse adaptan y analizan dos técnicas empleandoimágenes aéreas de alta resolución y datos Li-DAR: la primera se basa en el establecimientode valores umbral en altura y vegetación, y lasegunda utiliza una aproximación mediante laclasificación orientada a objetos. Se analiza,además, el efecto de la inclusión de las som-bras en el proceso de detección y localizaciónde edificaciones. El rendimiento y la fiabili-dad de estas metodologías se evalúa estadísti-camente utilizando dos enfoques distintos: porun lado, se evalúa la calidad en la detección delas zonas que contienen edif icaciones (eva-

Tesis doctoral

Detección automática de edificios y clasificación de usosdel suelo en entornos urbanos con imágenes de alta

resolución y datos LiDAR

Autor: Txomin Hermosilla GómezDirector: Luis Ángel Ruiz Fernández (Universitat Politècnica de Valencia)Lugar: Departamento de Ingeniería Cartográfica, Geodesia y Fotogrametría de laUniversitat Politècnica de ValenciaFecha: Julio de 2011Calificación: Sobresaliente Cum Laude


luación por área o por píxel) y, por el otro, secomprueba la eficacia en la identificación delas edificaciones como unidades independien-tes (evaluación por objeto).

La clasificación de los entornos urbanos seha realizado empleando un enfoque orientadoa objetos, definidos a partir de los límites car-tográficos de las parcelas catastrales. La des-cripción cualitativa de los objetos para su pos-terior clasif icación se realiza mediante unconjunto de características descriptivas espe-cialmente diseñadas para la caracterización deentornos urbanos. Las características descrip-tivas propuestas tratan de emular la cogniciónhumana y cuantificar numéricamente las pro-piedades particulares para la discriminación delos diferentes elementos de la imagen. La in-formación que proporcionan estas caracterís-ticas se refiere a la respuesta espectral de ca-da objeto o parcela, la textura, la altura y suscaracterísticas geométricas y de forma. Ade-más, se describe el contexto de cada objetoconsiderando dos niveles: interno y externo.En el nivel interno se extraen característicasreferentes a las coberturas de edificaciones yvegetación contenidas en una parcela. En el ni-vel externo se calculan características globa-les de la manzana urbana en la que una parce-la esta enmarcada. Se analiza la contribuciónespecífica de las características descriptivas enla descripción, así como su aporte en la clasi-ficación de los usos del suelo.

La detección automática de edif icacionesempleando técnicas basadas en establecimien-to de umbrales proporciona resultados más pre-cisos tanto en la delineación como en la loca-lización de los edificios. La precisión de losresultados es en gran medida dependiente dela tipología de edificación, de modo que las zo-nas urbanas e industriales muestran indicado-res de calidad más favorables que las zonas pe-riurbanas. La utilización de las sombras en elproceso de detección de las edificaciones tie-

ne una elevada influencia en los valores de eva-luación a nivel de objetos, permitiendo elimi-nar pequeños objetos detectados erróneamen-te y que actúan como ruido distorsionando losindicadores de calidad.

Las características descriptivas del contex-to de un objeto presentan una alta comple-mentariedad y producen un efecto sinérgicocon las características calculadas a nivel delpropio objeto en la descripción conjunta de losentornos urbanos, incrementando notablemen-te la f iabilidad de la clasif icación y permi-tiendo alcanzar valores de fiabilidad global ele-vados. Es especialmente relevante el aporte querealizan las características referentes a las edi-ficaciones, tanto a nivel del contexto internocomo del externo. Las características del con-texto permiten una mejor discriminación de lasdistintas tipologías de construcciones periur-banas, y de las áreas urbanas históricas frentea las de ensanche, así como de las zonas de en-sanche frente a las construcciones más recien-tes de tipo aislado.

Las metodologías automáticas presentadasestán especialmente indicadas para el cálcu-lo de parámetros útiles para la construc-ción/actualización de bases de datos de ocu-pación del territorio, puesto que ofrecenresultados muy superiores a los obtenidos em-pleando metodologías basadas en métodos depercepción visual. Así, empleando técnicas dedetección automáticas de edificaciones, se ob-tienen unos resultados de gran calidad en laestimación del porcentaje de superf icie edi-f icada de forma objetiva e independiente deoperadores humanos. La combinación de ladetección de edificaciones y clasificación au-tomática de los usos del suelo permite distin-guir y describir de manera más exhaustiva lasdiferentes tipologías urbanas del territorio,aportando mayor exactitud e información quelas técnicas clásicas basadas en la estimacióne interpretación visual.

86 T. Hermosilla Gómez / Revista de Teledetección (2012) 37, 85-86

En esta tesis se ha elaborado una metodolo-gía integrada para la cartografía y análisis decambios de las cubiertas del suelo de áreas com-plejas y heterogéneas, a partir de datos multies-pectrales de Landsat-5 TM y de nuevas variablesauxiliares. El área de estudio seleccionada paraesta investigación es la provincia de Granada,aunque las metodologías propuestas tienen ca-rácter general y pueden ser aplicadas a otras áre-as de características similares.

La cartografía de las cubiertas del suelo dela Provincia de Granada es compleja, ya queestá compuesta por cubiertas del suelo que sondifíciles de diferenciar, debido a una separabi-lidad inter-clase baja y una alta variabilidad in-tra-clase. Ello es consecuencia de cambiosabruptos en gradientes medioambientales co-mo la humedad, la elevación o la temperaturay por alteraciones originadas por procesos am-bientales o antrópicos. Las cubiertas medite-rráneas tienen, en general, un comportamien-to espectral parecido, a lo que hay que sumaruna estructura espacial del paisaje compleja,que presenta una gran variabilidad de patronesespaciales, altamente fragmentados. La esca-sez de recursos hídricos hace abundante la pre-sencia de suelos desnudos, normalmente cal-cáreos de tonos muy claros, con una altareflectividad que puede enmascarar la compo-nente reflejada por la vegetación y hacerla im-perceptible e indiferenciable de otras cubier-

tas de alta reflectividad como las áreas urba-nas. Por tanto, la exactitud cartográfica con laque las áreas urbanas, suelos y cubiertas de ve-getación no densa (ej. olivares), pueden ser es-pectralmente separadas es baja.

Para incrementar la separabilidad entre cla-ses espectralmente similares se podrían adop-tar diferentes aproximaciones. Por un lado, esposible añadir información sobre el estado fe-nológico de las cubiertas vegetales, por mediode la incorporación de imágenes multi-esta-cionales. También se pueden incluir variablesauxiliares que describan gradientes ambienta-les que mejoren la caracterización de las cu-biertas: temperatura, modelos digitales del te-rreno, humedad... La caracterización de lavariabilidad espacial en estas imágenes, a tra-vés de medidas texturales, proporciona infor-mación importante sobre la disposición de losobjetos y sus relaciones espaciales dentro dela imagen. En definitiva, para la clasificaciónde las cubiertas y usos del suelo, además de lasvariables espectrales, se pueden utilizar un grannúmero de variables auxiliares. Además de laelección de los datos, es fundamental para lacartografía de áreas complejas la utilización deuna metodología de clasificación adecuada. Lacartografía de este tipo de áreas requiere de me-todologías que sean exactas y a su vez opera-tivas, interpretables, transparentes y con altogrado de automatización.

Tesis doctoral

Metodología basada en teledetección, SIG y geoestadísticapara cartografía y análisis de cambios en las cubiertas

del suelo de la provincia de Granada

Autor: V. F. Rodríguez Galiano ([email protected])Directores: Mario Chica Olmo y Juan Pedro Rigol SánchezLugar: Departamento de Geodinámica. Universidad de GranadaFecha: Septiembre de 2011Calificación: Sobresaliente Cum Laude


En este contexto teórico-aplicado se enmar-ca esta tesis, cuyo objetivo final es avanzar enel desarrollo de una metodología precisa y ope-rativa para la cartografía de las cubiertas de laprovincia de Granada, mediante la aplicación detécnicas de Teledetección, Inteligencia Artifi-cial y Geoestadística. Para ello, se definieron asu vez una serie de objetivos parciales, entre losque destaca la evaluación de diferentes algorit-mos de clasificación basados en aprendizaje demáquinas, la incorporación de nuevas variablesambientales auxiliares en la clasificación y laintegración de la variabilidad espacial de lasimágenes de satélite en dicho proceso.

Las metodologías de Inteligencia Artificial(aprendizaje de máquinas) evaluadas fueron:clasificadores basados en árboles de decisiónsimples o en conjuntos de árboles de clasifi-cación como Random Forest, Redes Neurona-les Artificiales y Máquinas de Vectores sopor-te (Rodriguez-Galiano y Chica-Rivas, 2012).Los resultados de este estudio muestran que losalgoritmos de aprendizaje de máquinas pre-sentan diferentes niveles de complejidad. Elentrenamiento de los algoritmos basados en ár-boles de clasificación es sencillo, mientras quelas redes neuronales y las máquinas de vecto-res soporte son más complejas y sensibles a pe-queñas variaciones en su parametrización, locual se tradujo en un mayor coste computacio-nal. Desde el punto de vista de la exactitud dela cartografía generada mediante la aplicaciónde estas metodologías, Random Forest y lasmáquinas de vectores soporte de kernel radial,dieron lugar a la cartografía más exacta. Estosdos últimos clasificadores fueron también me-nos sensibles al ruido y a la reducción de losdatos de entrenamiento, por lo que pueden serusados en casos en los que la calidad de los da-tos de calibración sea deficiente o dudosa (Ro-dríguez-Galiano et al., 2012c).

De forma complementaria a la elección deuna metodología de clasif icación óptima, laconsideración de variables auxiliares en el pro-ceso de clasificación incrementó la capacidadde los clasificadores para la discriminación delas cubiertas del suelo. Así, la adición, a lasimágenes Landsat de verano, de variables es-pectrales de primavera a mejoró considerable-mente la caracterización de las cubiertas ve-getales. También, mejoró la diferenciación

entre las áreas urbanas y los suelos, puesto quepese a que ambos tienen valores de reflectivi-dad similares en verano, en primavera los sue-los presentan coberturas de vegetación que loshacen diferentes espectralmente. Del mismomodo, fue utilizada la dependencia existenteentre las cubiertas del suelo y las característi-cas del terreno. En particular, la utilizaciónconjunta de imágenes de teledetección y demodelos digitales del terreno ha supuesto unode los aspectos más relevantes de esta investi-gación. Sin embargo, la disponibilidad de mo-delos digitales del terreno en determinadas áre-as es limitada, por lo que puede ser necesariala inclusión de otras variables relacionadas congradientes medioambientales, como la tempe-ratura, que condicionen la distribución de lascategorías del suelo.

Algunos sensores de teledetección, como elTM o el ETM+ de Landsat, incluyen canales enel infrarrojo térmico, a partir de los cuales esposible obtener medidas de la temperatura dela superficie terrestre. La información térmicade estos sensores ha sido menos usada en car-tografía, ya que su resolución espacial es másgrosera que la del resto de canales. Sin embar-go, es posible realzar su resolución espacial me-diante la aplicación de métodos de fusión deimagen. En este sentido, se han evaluado me-todologías de bases conceptuales diferentes:métodos wavelet, un método Bayesiano, y otrogeoestadístico basado en cokrigeaje (Pardo-Iguzquiza et al., 2011; Rodríguez-Galiano etal., 2012d). La aplicación del método geoesta-dístico y el Bayesiano dio lugar a imágenes demayor resolución espacial con mayor calidad.En concreto, el método geoestadístico consi-guió las imágenes más coherentes, es decir siestas imágenes son remuestreadas a su resolu-ción original se obtienen imágenes idénticas alas de partida (Rodríguez-Galiano et al., 2011).

Como solución alternativa a la utilizaciónde gradientes medioambientales como datos deentrada de los modelos de clasificación, se hanestudiado diferentes medidas texturales apli-cadas a las bandas de las imágenes de satélite.Para ello se han aplicado diversas funcionesbasadas en las matrices de co-ocurrencia(GLCM) y otras de naturaleza geoestadística,basadas en el variograma. La inclusión de lasvariables geoestadísticas en los modelos de cla-

88 V. F. Rodríguez Galiano / Revista de Teledetección (2012) 37, 87-89

sif icación incrementó signif icativamente laexactitud de los modelos entrenados única-mente a partir de datos espectrales (Rodriguez-Galiano et al., 2012a).

En resumen, en este trabajo se han mostra-do diferentes aproximaciones posibles para lageneración de nueva información susceptiblede ser incluida en modelos de clasificación delas cubiertas del suelo para mejorar su exacti-tud cartográfica. Estas nuevas variables con-templan desde la inclusión de variables auxi-liares independientes a la teledetección, comolos modelos digitales del terreno, a otras va-riables obtenidas a partir de las imágenes deteledetección (temperatura de superficie y va-riables texturales), y que por tanto pueden seraplicadas en la clasificación de cualquier zo-na para la que haya disponibilidad de imáge-nes de satélite. Los resultados obtenidos en es-te estudio muestran que es posible obtener elmismo nivel de exactitud cartográfica a partirdel uso combinado de imágenes de satélite conmodelos digitales del terreno o con medidastexturales. Sin embargo, la inclusión de la tem-peratura de superficie tuvo un efecto más mo-derado, y solo mejoró la cartografía de algu-nas cubiertas del suelo (Rodriguez-Galiano etal., 2012b). Por tanto, la elección de las varia-bles auxiliares dependerá de la disponibilidadde la información, en el caso de los modelosdigitales del terreno, y las necesidades de laaplicación.

Por último, las variables generadas en estetrabajo, se integraron en el proceso de obten-ción de la cartografía de las cubiertas del suelode la provincia de Granada en 1998 y 2004. Seha desarrollado una metodología de análisis decambios post-clasificación, que ha permitidoidentificar, localizar y cuantificar los diferen-tes patrones de cambio existentes en las cubier-tas del suelo del área de estudio con una exac-titud global del 86%. El nivel de exactitudalcanzado fue muy satisfactorio, dado el alto nú-mero de categorías contempladas y la comple-jidad del área de estudio. La extensión ocupadapor quercíneas, áreas urbanas, pastizales, in-vernaderos y matorral se incrementó un 76%,32%, 30%, 19% y 13%, mientras que chopos,cultivos tropicales, cultivos herbáceos en seca-no, olivares, suelos desnudos y coníferas de-crecieron un 24%, 23%, 16%, 11%, 8% y 6%,

respecto a su superficie original. Los resultadosde este estudio demuestran el potencial del usointegrado de los datos de teledetección y de lastécnicas basadas en SIG, inteligencia artificialy geoestadística, para cartografiar de forma eco-nómica y operativa las transiciones producidasen el tiempo entre las cubiertas del suelo.

Referencias

PARDO-IGUZQUIZA, E., RODRÍGUEZ-GALIA-NO, V. F., CHICA-OLMO, M., & ATKINSON, P.M. 2011. Image fusion by spatially adaptive fil-tering using downscaling cokriging. ISPRS Jour-nal of Photogrammetry and Remote Sensing, Vol.66 (3): 337-346.

RODRÍGUEZ-GALIANO, V., PARDO-IGUZQUI-ZA, E., SANCHEZ-CASTILLO, M., CHICA-OLMO, M., & CHICA-RIVAS, M. 2011. Downs-caling Landsat 7 ETM+ thermal imagery usingland surface temperature and NDVI images. In-ternational Journal of Applied Earth Observa-tion and Geoinformation, Vol. 18: 515-527.

RODRÍGUEZ-GALIANO, V. F., CHICA-OLMO,M., ABARCA-HERNÁNDEZ, F., ATKINSON,P. M., & JEGANATHAN, C. 2012a. Random Fo-rest classification of Mediterranean land coverusing multi-seasonal imagery and multi-seaso-nal texture. Remote Sensing of Environment, Vol.121: 93-107.

RODRÍGUEZ-GALIANO, V. F., & CHICA-RIVAS,M. 2012. Evaluation of different machine lear-ning methods for land cover mapping of a Medi-terranean area using multi-seasonal Landsat ima-ges and Digital Terrain Models. InternationalJournal of Digital Earth (en prensa).

RODRÍGUEZ-GALIANO, V. F., GHIMIRE, B.,PARDO-IGÚZQUIZA, E., CHICA-OLMO, M.,& CONGALTON, R. G. 2012b. Incorporating thedownscaled Landsat TM thermal band in land-cover classification using random forest. Photo-grammetric Engineering and Remote Sensing,Vol. 78 (2): 129-137.

RODRÍGUEZ-GALIANO, V. F., GHIMIRE, B.,ROGAN, J., CHICA-OLMO, M., & RIGOL-SÁNCHEZ, J. P. 2012c. An assessment of theeffectiveness of a Random Forest Classif ier forland-cover classif ication. ISPRS Journal ofPhotogrammetry and Remote Sensing Vol. 67:93-104.

RODRÍGUEZ-GALIANO, V.F., PARDO-IGUZ-QUIZA, E., CHICA-OLMO, M., MATEOS, J.,RIGOL-SÁNCHEZ, J.P., & VEGA, M., 2012d.A comparative assessment of six different tech-niques for image fusion. International Journal ofRemote Sensing, Vol. 33 (20): 6574-6599.

Metodología basada en teledetección, SIG y geoestadística para cartografía y análisis... 89

El uso de datos de observación de la tierraprovenientes de sensores remotos ha tenido in-numerables aplicaciones en diferentes áreascientíficas, ya sean estas sociales, industrialeso comerciales. La importancia que presenta es-te tipo de datos ha generado un significativoavance a la humanidad debido al rol funda-mental que juega esta información en la tomade decisiones. Con el tiempo, esta informaciónremota no solo se ha perfeccionando sino queademás, ha profundizado el grado de obtenciónde información para ser utilizada en una va-riada gama de aplicaciones, como por ejemplo,en el análisis de los fenómenos meteorológi-cos en tiempo real.

En la actualidad, el análisis y predicción delos fenómenos meteorológicos ha cobrado unasignificativa importancia. En este contexto, elmundo científ ico ha desarrollado novedosastecnologías satelitales con el fin de estudiar losfenómenos meteorológicos en tiempo real y lasposibles consecuencias que estos podrían ge-nerar en la humanidad. Una de estas tecnolo-gías se ha conceptualizado en la misión espa-cial Soil Moisture and Ocean Salinity (SMOS),la cual presenta una interesante instancia paraobtener la humedad del suelo y la salinidad delmar a escala global. El satélite SMOS permitela estimación de la humedad de la superficieutilizando información espectral de las micro-

ondas pasivas (banda L-1,4 GHz), generandoimágenes a una resolución espacial mejor a 40km y una resolución temporal de 2 a 3 días. Lamisión SMOS fue lanzada en Noviembre delaño 2009 y en la actualidad, la información re-lacionada con la humedad del suelo entregadapor este sensor, puede tener un sin número deaplicaciones. Sin embargo, las posibles inter-acciones que se puedan generar entre la infor-mación entregada por SMOS con informaciónproveniente de otros sensores es una tarea pen-diente.

El objetivo fundamental de esta tesis docto-ral tiene relación con la generación de algorit-mos sinérgicos que permitan una mejor esti-mación de la humedad del suelo incorporandodiferentes fuentes de información espectral. Enbase a esto, se generaron dos algoritmos sinér-gicos, basado en la interacción empírica entredatos visibles e infrarrojos térmicos y otro al-goritmo semi-empírico desarrollado a partir dedatos óptico- microondas pasivas. Lo anteriorse fundamenta en el principio de sinergía en quela suma de diferentes fuentes de informaciónespectral pueden contribuir a disminuir el erroren la estimación de la humedad del suelo.

El algoritmo empírico fue desarrollado en ba-se a la relación intrínseca temperatura de la su-perficie-índice de vegetación. Esta relación em-pírica fue modificada al incluir un variable capaz

Tesis doctoral

Sinergía entre datos ópticos y de microondas pasivas para el estudio de variables biofísicas sobre coberturas

naturales

Autor: Cristian MattarDirectores: J. A. Sobrino y J. C. Jiménez-MuñozLugar: Unidad de Cambio Global. Laboratorio de Procesamiento de Imágenes. Parc-Cientific. Universitat de ValènciaFecha: Diciembre de 2011Calificación: Excelente Cum Laude


Sinergía entre datos ópticos y de microondas pasivas para el estudio de variables biofísicas... 91

de caracterizar de mejor manera la superficie co-mo el caso de la emisividad. Esto se llevó a ca-bo utilizando datos in-situ y provenientes de sen-sores aerotransportados, generando mapas dehumedad del suelo con una alta resolución es-pacial y errores de estimación concordantes conlas medidas realizadas. Este algoritmo fue desa-rrollado y validado utilizando la datos prove-nientes de la campaña de medida SENtinel-3EXPperiment (SEN3EXP), realizado en el áreade calibración de Barrax, España.

El otro algoritmo desarrollado fue uno delos temas centrales de esta tesis doctoral, yaque tiene relación con el desarrollo de un al-goritmo semi-empírico que permite la estima-ción de la humedad del suelo, incluyendo in-formación proveniente de las microondaspasivas e información óptica. Esta última se vereflejada en la estimación de la influencia dela vegetación a través de la parametrización delespesor óptico de esta en función del Norma-lized DIfference Vegetation Index (NDVI) y delLeaf Area Index (LAI). El desarrollo de este al-goritmo semi-empírico no solo permite reali-zar la estimación de la humedad del suelo demanera más precisa, sino que además, permi-te estimar la humedad del suelo sobre superfi-cies desprovistas de vegetación como los sue-los desnudos o superficies con un alto espesoróptico como los cultivos. Para este algoritmo,se utilizaron datos recopilados en el sitio de ex-perimentación de SMOSREX, localizado al sorde Toulouse, Francia.

Finalmente, esta tesis establece las aplica-ciones de los métodos sinérgicos desarrolla-dos. Esta sinergía se entiende como la acciónconjunta correspondiente a la suma de dos cau-sas que generarán un efecto mayor a la sumaproporcional de estas. Los resultados de estatesis doctoral se encuentran focalizados paraanalizar las bondades de cada uno de estos al-goritmos, uno empírico y otro semi-empírico,los cuales constituyen un aporte significativopara la estimación de la humedad del suelo. Elmétodo empírico incorporar la emisividad dela superf icie lo cual permite una mejor esti-mación de la humedad del suelo. Este algorit-mo profundiza la relación empírica de varia-bles como el NDVI, la temperatura de lasuperficie y la emisividad, lo cual presenta unresultado novedoso al compilar estas variablesen la estimación de la humedad del suelo. Porotra parte, el método semi-empírico se desa-rrolló en base a una parametrización simple enfunción de variables ópticas y de microondaspasivas para estimar la humedad del suelo. Es-ta combinación de información óptica a travésde índices de vegetación con la temperatura debrillo obtenida a través de sensores de micro-ondas pasivos, permitió generar un resultadomejor que con la sola información procedentedel rango de las microondas pasivas. Esto seevidenció al utilizar indicadores de vegetacióncomo el LAI y el NDVI, los cuales presentamejoras sustanciales en relación a la no utili-zación de estos parámetros.

R e v i s t a d eTeledetecciónR E V I S TA D E L A A S O C I A C I Ó N E S P A Ñ O L A D E T E L E D E T E C C I Ó N

Nº 37 JUNIO 2012

ARTÍCULOS CIENTÍFICOS

Determinación del nivel freático del agua subterránea de una isla mediante imágenes del altímetroASTER.E. Caselles, C. Pitarch y V. Caselles

Comparación entre focos de calor MODIS y perímetros de área quemada en incendios mediterráneos.E, Chuvieco, Y. Cifuentes, S. Hantson, A. Agustín López, R. Ramo y J. Torres

Estimation of chlorophyll «A» on the Mediterranean coast using a QuickBird image.M. T. Sebastiá, J. Estornell, M. Rodilla, J. Martí1 y S. Falco

Cambios en el IVN y su relación con disturbios antrópicos en la vegetación serrana de Córdoba,Argentina.A. A. Brun, O. R. Campanella, A. J. Oggero y S. A. Suárez

Estimación del nivel freático a partir del NDVI Landsat en La Pampa del Tamarugal (Chile).M. Ortiz, L. Morales, P. Silva y E. Acevedo

Servicio interoperable (WPS) de procesado de imágenes Landsat.L. Pesquer, J. Masó, G. Moré, X. Pons, J. Peces y E. Doménech

Procedimiento simplificado para la caracterización de la textura del cultivo del frutal a nivel deparcela mediante los parámetros de Haralick.R. Ciriza, M. González-Audícana y L. Albizua

Corrección radiométrica automática de imágenes Landsat TM mediante áreas pseudoinvariantes ymodelización MODTRAN.G. Moré, X. Pons, J. Cristóbal, L. Pesquer y O. Gonzalez

CASO PRÁCTICO

Revisando el concepto de resolución en teledetección.A. Calle y P. Salvador

¿QUIÉN ES QUIÉN?: El grupo LEO (Laboratory for Earth Observation) de la Universitat deValència

TESIS DOCTORAL: Patrones de biomasa de Spartina spp. en dos marismas costeras en la provin-cia de Buenos Aires

TESIS DOCTORAL: Detección automática de edificios y clasificación de usos del suelo en entor-nos urbanos con imágenes de alta resolución y datos LiDAR

TESIS DOCTORAL: Metodología basada en teledetección, SIG y geoestadística para cartografíay análisis de cambios en las cubiertas del suelo de la provincia de Granada

TESIS DOCTORAL: Sinergía entre datos ópticos y de microondas pasivas para el estudio de va-riables biofísicas sobre coberturas naturales

nº 37 - junio 2012 revista de teledetecciónestimados socios y lectores, en este número 37 de la...

Documents