nº 39 - junio 2013 revista de teledetección · una publicación científico-técnica en la cual...

Nº 39 - Junio 2013

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


Nº 39 JUNIO 2013

ARTÍCULOS CIENTÍFICOS

Elaboración y validación de un modelo jerárquico derivado de SIOSE.I. Cantarino Martí

Evolución del albedo en Europa e influencia en la temperatura.B. Franch y J.A. Sobrino

Clasificación de unidades geológicas sobre la superficie lunar.I. Ordóñez Etxeberria y A. Bastarrika Izagirre

Estimación de la evapotranspiración real en ecosistemas mediterráneos de Chile mediante datosASTER y MODIS.L. Olivera, C. Mattar y M. Galleguillos

Estudio de la variación angular de la emisividad del crudo para la identificación de vertidos ma-rinos en el infrarrojo térmico.R. Niclòs, C. Doña, M. Bisquert, E. Valor y V. Caselles

Modelos espaciales de la dinámica de la vegetación en escenarios de cambio climático en el «Tim-berline» selva nublada - paramo de la vertiente norte de la Sierra Nevada de Mérida (Venezue-la); escenario B1 y situacion constante.W. Santaella

CASOS PRÁCTICOS

Simple models to estimate soybean and corn percent ground cover with vegetation indices fromMODISM. Bocco, G. Ovando, S. Sayago y E. Willington

Cartografía de la cobertura de la tierra basada en la clasificación espectro-temporal de imágenesLandsat 7-ETM+ y en una leyenda de clases de ocupación del suelo en un territorio de Cuba oc-cidental.D. R. Ponvert-Delisles Batistay I. Reyes Alonso

Monitoring macrophytes cover and taxa in Utah Lake by using 2009-2011 Landsat digital imagery.S. Rivera, K. Landom y T. Crowl

Realización de mapas de cobertura de la tierra a partir de imágenes polarimétricas.D. Hernández, D. Pinilla

TESIS DOCTORAL: Discriminación de infestaciones de malas hierbas crucíferas en cultivos anua-les de invierno utilizando imágenes de alta resolución espacial mediante métodos basados en pí-xeles, objetos y redes neuronales para su control de precisión

TESIS DOCTORAL: A model to estimate daily albedo from remote sensing data. Accuracy as-sessment of MODIS MCD43 product

TESIS DOCTORAL: Thermal Remote Sensing of urban areas. The case study of the Urban HeatIsland of Madrid

RE

VIS

TA D

E T

ELE

DE

TE

CC

IÓN

•N

º 39

•JU

NIO

2013

SUMARIO

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

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

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


• Elaboración y validación de un modelo jerárquico derivado de SIOSE.I. Cantarino Martí .............................................................................................................................................. 5

• Evolución del albedo en Europa e influencia en la temperatura.B. Franch y J.A. Sobrino ..................................................................................................................................... 22

• Clasificación de unidades geológicas sobre la superficie lunar.I. Ordóñez Etxeberria y A. Bastarrika Izagirre ................................................................................................ 34

• Estimación de la evapotranspiración real en ecosistemas mediterráneos de Chile mediante datos ASTER y MODIS.L. Olivera, C. Mattar y M. Galleguillos ............................................................................................................ 46

• Estudio de la variación angular de la emisividad del crudo para la identificación de vertidos marinos en el infrarrojo térmico.R. Niclòs, C. Doña, M. Bisquert, E. Valor y V. Caselles ................................................................................... 57

• Modelos espaciales de la dinámica de la vegetación en escenarios de cambio climático en el «Timberline» selva nublada - paramo de la vertiente norte de la Sierra Nevada de Mérida (Venezuela); escenario B1 y situacion constante.W. Santaella ......................................................................................................................................................... 63

CASOS PRÁCTICOS

• Simple models to estimate soybean and corn percent ground cover with vegetation indices from MODISM. Bocco, G. Ovando, S. Sayago y E. Willington ............................................................................................. 83

• Cartografía de la cobertura de la tierra basada en la clasificación espectro-temporal de imágenes Land-sat 7-ETM+ y en una leyenda de clases de ocupación del suelo en un territorio de Cuba occidental.D. R. Ponvert-Delisles Batistay I. Reyes Alonso............................................................................................... 92

• Monitoring macrophytes cover and taxa in Utah Lake by using 2009-2011 Landsat digital imagery.S. Rivera, K. Landom y T. Crowl ........................................................................................................................ 106

• Realización de mapas de cobertura de la tierra a partir de imágenes polarimétricas.D. Hernández, D. Pinilla .................................................................................................................................... 116

• TESIS DOCTORAL: Discriminación de infestaciones de malas hierbas crucíferas en cultivos anuales de invierno utilizando imágenes de alta resolución espacial mediante métodos basados en píxeles, objetos y redes neuronales para su control de precisión .................................................................................................. 122

• TESIS DOCTORAL: A model to estimate daily albedo from remote sensing data. Accuracy assessment of MODIS MCD43 product................................................................................................................................ 125

• TESIS DOCTORAL: Thermal Remote Sensing of urban areas. The case study of the Urban Heat Island of Madrid ............................................................................................................................................................. 128

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 de Valencia. 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 Valencia. [email protected] DE MIGUEL. Laboratorio de Teledetección INTA. [email protected] KARNIELI. The Remote Sensing Laboratory. Jacob Blaustein Institute for Desert Research. Ben Gurion 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 Chile. [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 Extremadura. [email protected] ROUJEAN. Meteo-France. [email protected] ROYER. Département de géomatique appliquée. Université de Sherbrooke. [email protected] SHI. Institute for Computational Earth System Science. University of California. [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: Dr. Federico GONZÁLEZ ALONSO. Coordinador del Departamento de Protección Forestal.Centro de Investigación Forestal (CIFOR). Jefe del Laboratorio de Teledetección. Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA). Ministerio de Ciencia e Innovación. Carretera de la Coruña km 7. 28040 Madrid. ESPAÑA. Tel: 91 347 68 28. e-mail: [email protected]. www.inia.es/teledeteccionVicepresidente: Abel CALLE MONTES. Departamento de Física Aplicada. Universidad de Valladolid. Facultad de Ciencias. Paseo de Belén, 7. 47011-Valladolid. Tel: 983 423 758. e-mail: [email protected]: Juan José PECES MORERA. Servicio de Teledetección. Instituto Geográfico Nacional.General Ibáñez Íbero, 3, 28003, Madrid. Tel: 91 597 95 85. Fax: 91 597 95 85. e-mail: [email protected]: Antonio RUIZ VERDU. Instituto Nacional de Técnica Aeroespacial (INTA). Carretera de Ajalvir, km 4, 28850, Torrejón de Ardoz, Madrid. Tel: 91 520 15 13. e-mail: [email protected]: Dr. José A. SOBRINO. Unidad de Cambio Global - Laboratorio de Procesado de Imágenes. Universidad de Valencia. Parc-Cientific. C/ Catedrático Agustín Escardino n.º 9. 46980 Paterna (Valencia).Tel: 34 96 354 31 15. Fax: +34 96 354 31 15. e-mail: [email protected]: Carmen RECONDO GONZÁLEZ. Área de Ingeniería Cartográfica, Geodésica y Fotogrametría (Dpto. de Explotación y Prospección de Minas) e INDUROT. Universidad de Oviedo. Campus de Mieres.C/ Gonzalo Gutiérrez Quirós, s/n. 33600 Mieres (Asturias). Tel: 985 458 034 (despacho) - 985 458 118 (Secretaría INDUROT).Móvil: 666 075 878. Fax: 985 458 110 (INDUROT). e-mail: [email protected]: Silvia MERINO DE MIGUEL. Unidad Docente de Topografía. Escuela Universitaria de Ingeniería TécnicaForestal. Universidad Politécnica de Madrid. Ciudad Universitaria, s/n. 28040 Madrid. Tel: 913 367 668. Fax: 915 347 796. e-mail: [email protected]: Alix FERNÁNDEZ RENAU GONZÁLEZ ANLEO. Área de Teledetección. Dpto. de Observación de la Tierra, Teledetección y Atmósfera. Sub. Gral. de Investigación y Programas del INTA. Carretera de Ajalvir, km 4. 28850 Torrejón de Ardoz, Madrid, España. Tel: +34 91 520 19 91. Fax: +34 91 520 16 33. e-mail: [email protected]

Foto portada: Pendiente (%) de la evolución del albedo entre 2002 y 2011 en Europa y norte de Africa.

REVISTA DE TELEDETECCIÓNRevista de la Asociación Española de Teledetección

Depósito Legal: B-9.502.1993ISSN: 1988-8740

Estimados socios y lectores,

En este número 39 de la Revista de Teledetección se publican un total de seis artículos co-rrespondientes a diversas temáticas, entre las que se encuentran la elaboración y validación de unmodelo jerárquico derivado de SIOSE, el análisis de la evolución del albedo en Europa y su in-fluencia en la temperatura, un estudio de teledetección aplicado a la clasificación geológica dela superficie lunar, la estimación de la evapotranspiración en una zona de Chile mediante datosASTER y MODIS, el estudio de la variación angular de la emisividad del crudo y la modeliza-ción de la dinámica de la vegetación en una zona de Venezuela bajo distintos escenarios de cam-bio climático.

Este número incluye también la publicación de cuatro casos prácticos, en los que se pre-sentan aplicaciones de modelos basados en índices de vegetación para la predicción del creci-miento de cultivos, una cartografía de un territorio de Cuba occidental a partir de imágenes Land-sat, un estudio del ecosistema en el lago Utah con imágenes Landsat y la realización de mapas decobertura terrestre con imágenes polarimétricas en Colombia.

En «Reseñas de Tesis» se incluyen un total de tres tesis doctorales: la primera desarrolladaen el Instituto de Agricultura Sostenible en Córdoba y dedicada a la discriminación de infesta-ciones de malas hierbas en cultivos de invierno utilizando imágenes de alta resolución espacial;la segunda y la tercera realizadas en Laboratorio de Procesado de Imágenes de la Universitat deValència, y dedicadas al desarrollo de un modelo de estimación de albedo diario y al estudio delefecto de isla térmica en la ciudad de Madrid.

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 39, 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 39, 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 (2013) 39, 3-4

Modelos de usos del suelo

Como es bien sabido, en el último deceniose ha avanzado mucho en la cartografía de usosdel suelo, tanto en su definición como en supresentación. En España, los dos proyectos so-bre usos del suelo de referencia son el CorineLand Cover y SIOSE, proyectos que tanto enconcepto como desarrollo presentan impor-tantes diferencias y que se detallan en los apar-tados siguientes. Sin embargo, ambos estángestionados y coordinados por el Instituto Ge-ográfico Nacional.

Corine Land Cover

El programa CORINE (Co-ordination of In-formation on the Environment) fue estableci-do por la Comisión Europea en 1985(CE/338/85) con el objetivo de recopilar, co-ordinar y homogeneizar la información sobreel estado del medio ambiente y los recursos na-turales a nivel europeo, y todo ello en el con-texto de los Sistemas de Información Geográ-fica (GIS).

El proyecto sobre coberturas del suelo, CO-RINE Land Cover (CLC) es responsabilidad de

Elaboración y validación de un modelo jerárquico derivado de SIOSE

I. Cantarino MartíUniversidad Politécnica de Valencia. Depto. Ingeniería del Terreno.

C.º de Vera, s/n. 46022 Valencia, España

Resumen

El Sistema de Información de Ocupación del Suelo de España (SIOSE) es un modelo de ocupacióndel suelo orientado a objetos con un elevado grado de detalle y con una enorme versatilidad de em-pleo. Sin embargo, para aplicaciones de carácter generalista su implementación suele ser compleja,adaptándose mejor en estos casos los modelos de tipo jerárquico, tales como Corine Land Cover (CLC).En el presente trabajo se describe la obtención de un modelo jerárquico derivado de SIOSE, así comosu validación con otro modelo de referencia, como CLC, y el visor Iberpix

Palabras clave: Cobertura del suelo, SIOSE, CLC, Iberpix, modelo jerárquico, validación.

Abstract:

Development and validation of a hierarchical model SIOSE derivative

The Information System of Land Occupation of Spain (SIOSE) is a land cover model object-orientedwith a high degree of detail and with a great versatility of use. However, for applications generalisttheir implementation is often complex, adapting better in these cases hierarchical models, such asCorine Land Cover (CLC). This paper describes the production of a hierarchical model SIOSE derivativeand its validation with another reference model CLC, and viewer Iberpix.

Key words: Land cover, SIOSE, CLC, Iberpix, hierarchical model, validation.

* Autor para la correspondencia: [email protected]: 10-01-13; Aceptado: 28-03-13.


la Agencia Europea del Medio Ambiente (Eu-ropean Environment Agency, EEA) desde 1995,quien distribuye los datos en su web. Actual-mente existen 3 ediciones de CLC con fechasde referencia 1990, CLC90, 2000, CLC2000,y 2006, CLC2006; estando prevista una nuevaactualización para 2012.

En el presente artículo se va a trabajar conla última versión disponible, la del año 2006.Sus principales características técnicas se de-tallan en la Tabla 1.

SIOSE

A pesar del gran avance que ha constituidoCLC como primera base de datos de usos delsuelo de ámbito europeo y duración prolon-gada en el tiempo, su falta de resolución enalgunos aspectos clave hizo pronto patente lanecesidad de una mayor información que laproporcionada por CLC, al menos a escala na-cional. Por esta razón en 2005 la DirecciónGeneral del Instituto Geográf ico Nacional(IGN, http://www.ign.es/) puso en marcha eldenominado Sistema de Información deOcupación del Suelo de España (SIOSE,http://www.siose.es/siose/) con el objeto degenerar una base de datos de ocupación y usodel suelo para toda España a escala 1:25.000con imágenes de referencia correspondientesa 2005 (SIOSE2005). Aunque los datos deocupación han sido ampliamente desarrolla-dos, la parte de usos está actualmente todavíaen elaboración.

En la actualidad sólo está disponible SIO-SE2005, que es la base de datos utilizada en es-

te trabajo, estando ya en producción SIO-SE2009 y SIOSE2011, esta última para dar ser-vicio a la producción de CLC2012.

Sus principales características técnicas com-paradas con CLC aparecen en la Tabla 1.

Caracterización de recintos

Según se desprende del análisis de la Ta-bla 1, las distintas escalas de trabajo diferen-cian claramente ambos tipos de modelos; sinembargo, es mucho más significativa la dife-rencia entre los tipos de modelos de datos, puesprovoca una dificultad añadida en su compa-ración. Así, frente al modelo jerárquico tradi-cional seguido por CLC de asignación de unaúnica cobertura a todo un polígono en funciónde la cobertura dominante, SIOSE se basa enun modelo de datos con filosofía de orienta-ción a objetos. Partiendo de dos entidades fun-damentales: el polígono y la cobertura asocia-da al mismo, SIOSE describe las coberturas decada polígono a partir de una clasificación ini-cial de coberturas simples, y mediante una se-rie de parámetros, atributos, relaciones y re-glas de consistencia (ETN SIOSE 2011a,2011b, 2011c, 2011d, 2011e).

De esta forma SIOSE no se limita a una me-ra clasificación de polígonos en función de unaúnica nomenclatura, sino que posibilita la asig-nación de una o múltiples coberturas, inclu-yendo coberturas compuestas, susceptibles deanidación, para un único polígono, medianteporcentajes de ocupación y atributos, y todoello sujeto a unas reglas precisas. Por tantoSIOSE ofrece una información mucho más

6 I. Cantarino / Revista de Teledetección (2013) 39, 5-21

Tabla 1. Características modelos CLC y SIOSE2005

CLC SIOSE2005

Escala 1:100.000 1:25.000

Superficie mínima(MMU)

25 ha 0.5 ha: Cultivos forzados, coberturas húmedas, playas,vegetación de ribera y acantilados marinos.1 ha: Zonas urbanas y láminas de agua.2 ha: Zonas agrícolas, forestales y naturales.

Anchura mínima elementos lineales

100 m. 15 m

Modelo de datos Jerárquico: 44 clases al ni-vel 3 y 58 clases al nivel 4

Orientado a objetos: 40 clases simples y 46 clases com-puestas predefinidas, sin incluir tipos de atributos.

compleja que las clasificaciones temáticas tra-dicionales a las que estamos acostumbrados,pero a su vez es mucho más versátil, ya quepuede ser adaptada a las necesidades del pro-pio investigador.

Sin embargo, en muchas ocasiones, no espreciso descripciones tan detalladas de cadauno de los polígonos, puesto que dificulta suutilización, las generalizaciones y su mapeo enaplicaciones sencillas. El IGN, consciente deeste problema, ha desarrollado un modelo je-rárquico simplificado, de carácter no oficial,empleado para ciertos visores de datos. En con-creto, nos referimos a la aplicación de visuali-zación Iberpix (www.ign.es/iberpix2/visor/),herramienta que permite visualizar imágenesy mapas del IGN de forma sencilla y rápida.En este visor, la descripción adoptada para losusos del suelo tiene como fuente el modeloSIOSE, pero asignando una clasificación de ti-po jerárquico, de modo que cada polígono per-tenece a una única clase, según un criterio decobertura mayoritaria.

Si se analiza la tabla de visualización queofrece Iberpix para SIOSE en 23 clases es evi-dente que no puede satisfacer óptimamente lasnecesidades de clasificación de tipo jerárqui-co y equivalente a las que dispone CLC, queson 44, como ya se ha indicado. Podemos des-tacar que una clase de especial relevancia, co-mo es la que describe el tejido urbano, se en-cuentra reducida únicamente al tipo «Urbano»sin mayor concreción. Pero también aparecenlas clases «Combinaciones de Vegetación»,«Combinaciones de Cultivos», «Combinacio-nes de cultivos y vegetación», etc., de conte-nido especialmente vago y sin detallar sus ca-racterísticas. Afortunadamente, en la últimaversión del visor (Iberpix2), ya es posible apre-ciar el porcentaje de ocupación de cada una delas clases SIOSE que se dan en cada recinto,con solo pasar el cursor sobre el recinto.

Otras nomenclaturas jerárquicas a partir deSIOSE están en desarrollo (Delgado et al.,2012), e incluso metodologías que permitanhomogeneizar bases de datos sobre coberturasdel suelo con diferentes nomenclaturas y es-tructuras están siendo objeto de atención porparte de diversos proyectos europeos (HLan-DATA, http://www.hlandata.eu/; EAGLE,http://sia.eionet.europa.eu/EAGLE/); sin em-

bargo, en la actualidad no está disponible unanomenclatura jerárquica para SIOSE con ca-rácter público. El IGN está ensayando una pa-sarela de SIOSE a CLC (Valcárcel, 2011), pe-ro hasta el momento la transición entre ambasbases de datos no es en modo alguno obvia, yun algoritmo de transformación no ha sido pu-blicado.

Surge la necesidad entonces de emplear unmodelo de usos del suelo con la precisión deSIOSE, pero con una asignación simple de ca-da una de las entidades que la componen, pe-ro que mantenga unas clases descriptivas si-milares a CLC, aunque no necesariamenteidénticas o sujetas estrictamente a su defini-ción. Esta es la justificación de acometer el tra-bajo que ahora se presenta, una pasarela quepermita convertir la descripción compleja deSIOSE en una más simple y funcional y de ti-po jerárquico: es el Modelo Jerárquico SIO-SE (MJS)

La pasarela SIOSE a MJS

El planteamiento general consiste en crearuna serie de rutinas que, en primer lugar, sim-plif iquen el identif icador o rótulo SIOSE, yque posteriormente, basándose en una regla detipo iterativo, pueda clasif icar polígonos deforma única (cada polígono o entidad SIOSEsolo puede ir a una clase MJS) y exhaustiva (to-dos los polígonos deben ser clasificados). Es-ta clasif icación se hará acorde con una no-menclatura basada en niveles y clases, similara la empleada en el programa Corine.

El elemento fundamental sobre el que se vaa trabajar es el denominado rótulo SIOSE. Ca-da polígono dispone de un indicador identifi-cativo único, así como un rótulo o código don-de se incluyen las coberturas existentes en elpolígono correspondiente, afectadas por susrespectivos porcentajes de ocupación. Una co-bertura, además, puede tener un atributo queañade cierta información a la cobertura queafecta (como tipo de irrigación, edificación, …)

El proceso de asignar una clase MJS a un de-terminado polígono SIOSE consiste en resol-ver las siguientes etapas:

1. Crear una tabla se clases MJS con suscorrespondencias a SIOSE

Elaboración y validación de un modelo jerárquico derivado de SIOSE 7

2. Obtener un código plano sencillo a par-tir del rótulo complejo SIOSE

3. Definir reglas de asignación entre el có-digo plano y las clases MJS

4. Establecer el procedimiento de aplica-ción de dichas reglas.

Tabla de clases y correspondencias

Se ha creado una tabla de estructura jerár-quica con 4 niveles y 83 clases o etiquetas MJS,con una organización similar a CLC, pero conuna numeración de clases distinta (Tabla 2). Apartir de ésta se establece una tabla de corres-pondencias exhaustiva entre todas las cober-turas y atributos SIOSE con las etiquetas de lasclases MJS.

La correspondencia se puede asimilar fácil-mente a las clases de CLC, siendo éste un ob-jetivo importante para las aplicaciones poste-riores de MJS, aunque no necesariamente estaequivalencia se produce siempre, debido tantoal mayor grado de detalle de SIOSE como a laexistencia de clases específicas CLC. En efec-to, algunas coberturas SIOSE no tienen equi-valencia directa con CLC, y se han creado cla-ses MJS exclusivas e independientes de CLC.En el otro aspecto, tampoco aparecen en MJSalgunos tipos de matorral (esclerófilo/mesófi-lo), asociaciones de cultivos, etc., al ser clasesde CLC sin equivalencia en SIOSE.

De esta manera, la asignación de coberturasSIOSE con sus atributos es como sigue:

CB1atr → Etq1; CB2atr → Etq2, …

Siendo:CBnatr: Cobertura SIOSE con atributo es-

pecífico.Etqn : Etiqueta o clase MJSMuchos de los atributos SIOSE no han si-

do f inalmente empleados por no tener unaasignación directa en las clases MJS. Sí se hanmantenido todos los atributos de artif icial ylos que diferencian secanos y regadíos en cul-tivos.

Sobre estas listas de coberturas SIOSE, y da-do que las coberturas son mucho más numero-sas que las clases de MJS, se procede a agru-parlas automáticamente según las etiquetasMJS para su posterior procesado.

Así, estas agrupaciones definen las cober-turas SIOSE que tienen la misma etiquetaMJS:

Etq1 {CBn1atr, CBn2atr, CBn3atr, …}, Etq2 {CBm1atr, CBm2atr, CBm3atr, …}, ...

[1]

El listado de todas las coberturas SIOSEaparece en las Tablas Planas de la documenta-ción original SIOSE. De acuerdo con esta do-cumentación, y sumando las coberturas de lasTablas Planas, aparecen un total de 257 cober-turas distintas cuando se afectan por todos susposibles atributos.


Tabla 2. Estructura jerárquica MJS: clases y niveles

1. SUPERFICIES ARTIFICIALES1.1. Zonas urbanas

1.1.1. Tejido urbano continuo: casco1.1.2. Tejido urbano discontinuo.

1.1.2.1. Ensanche1.1.2.2. Discontinuo

1.2. Zonas de actividad1.2.1. Actividad primaria

1.2.1.1. Explotaciones agrícolas, ganaderas o forestales1.2.1.2. Piscifactorías1.2.1.3. Minero extractivo

1.2.2. Actividad industrial: polígonos, industrias aisladas1.2.2.1. Polígonos industriales1.2.2.2. Industrias aisladas1.2.2.3. Elementos anejos: naves, viales, aparcamientos

1.2.3. Servicios: comercial, oficinas, complejos hoteleros1.2.3.1. Comercial y oficinas1.2.3.2. Complejos hoteleros


Tabla 2. Estructura jerárquica MJS: clases y niveles (cont.)

1.2.4. Equipamiento diverso/Dotacional1.2.4.1. Administrativo institucional1.2.4.2. Sanitario1.2.4.3. Cementerio1.2.4.4. Educación1.2.4.5. Penitenciario

1.2.5. Equipamiento deportivo/recreativo/cultural1.2.5.1. Equipamiento deportivo, campo golf1.2.5.2. Parque recreativo, camping1.2.5.3. Parque urbano1.2.5.4. Cultural, religioso

1.3. Infraestructuras1.3.1. Transporte

1.3.1.1. Redes viarias y terrenos asociados. 1.3.1.2. Redes ferroviarias y terrenos asociados.1.3.1.3. Zonas portuarias. 1.3.1.4. Aeropuertos.

1.3.2. Energía1.3.3. Telecomunicaciones1.3.4. Suministro de agua

1.3.4.1. Depuradoras y potabilizadoras / desalinizadoras1.3.4.2. Conducciones y canales

1.3.5. Residuos, vertederos y escombreras1.3.5.1. Vertederos y escombreras1.3.5.2. Plantas de tratamiento

1.4. En construcción1.4.1 Zonas urbanas

1.4.1.1. Zonas urbanas en construcción1.4.1.2. Zonas urbanas no edificadas (SNE)

1.4.2. Estructuras de tipo público o industrial1.4.3. Infraestructuras en construcción

2. ZONAS AGRÍCOLAS2.1. Tierras de labor

2.1.1. Tierras de labor en secano2.1.2. Terrenos regados permanentemente

2.1.2.1. Cultivo normal2.1.2.2. Cultivo forzado

2.1.3. Arrozales2.2. Cultivos permanentes

2.2.1. Frutales cítricos2.2.1.1. Secano2.2.1.2. Regadío

2.2.2. Frutales no cítricos2.2.2.1. Secano2.2.2.2. Regadío

2.2.3. Olivares2.2.3.1. Secano2.2.3.2. Regadío

2.2.4. Viñedos2.2.4.1. Secano2.2.4.2. Regadío

2.2.4. Otros cultivos leñosos2.2.5.1. Secano2.2.5.2. Regadío

2.3. Prados y praderas2.3.1. Prados y praderas


Tabla 2. Estructura jerárquica MJS: clases y niveles (cont.)

2.4. Zonas agrícolas heterogéneas2.4.1. Asociación de cultivos anuales con permanentes2.4.2. Mosaico de cultivos anuales/permanentes/pastos

2.4.2.1. Sin edificación residencial2.4.2.2. Con edificación residencial

2.4.3. Terrenos agrícolas con vegetación natural2.4.4. Sistemas agroforestales (dehesas).

3. ZONAS FORESTALES CON VEGETACIÓN NATURAL Y ESPACIOS ABIERTOS3.1. Bosques

3.1.1. Bosques de frondosas3.1.1.1. Bosques de frondosas caducifolias3.1.1.2. Bosques de frondosas perennifolias3.1.1.3. Mezcla de caducifolias/perennifolias

3.1.2. Bosques de coníferas3.1.3. Bosque mixto

3.2. Espacios de vegetación arbustiva y/o herbácea3.2.1. Pastizales naturales

3.2.1.1. Supraforestales (alta montaña)3.2.1.2. Otros pastizales

3.2.2. Matorrales3.2.2.1. Matorral esclerófilo/mesófilo3.2.2.2. Matorral boscoso

3.3. Espacios abiertos con poca o sin vegetación3.3.1. Playas, dunas y arenales3.3.2. Suelo desnudo3.3.3. Zonas quemadas3.3.4. Glaciares y nieves permanentes3.3.5. Ramblas3.3.6. Roquedo

3.3.6.1. Acantilados marinos3.3.6.2. Afloramientos rocosos, roquedos y canchales3.3.6.3. Coladas lávicas cuaternarias

4. ZONAS HÚMEDAS4.1. Zonas húmedas continentales

4.1.1. Humedales y zonas pantanosas4.1.2. Turberas y prados turbosos4.1.3. Salinas continentales

4.2. Zonas húmedas litorales4.2.1. Marismas4.2.2. Salinas marinas

5. SUPERFICIES DE AGUA5.1. Aguas continentales

5.1.1. Cursos de agua5.1.2. Láminas de agua

5.1.2.1. Lagos y lagunas5.1.2.2. Embalses5.1.2.3. Cubetas artificiales

5.2. Aguas marinas5.2.1. Lagunas costeras5.2.2. Estuarios5.2.3. Mares y océanos

Código plano

El proceso de creación de un código plano apartir del rótulo original SIOSE es fundamen-tal para poder obtener los porcentajes de co-berturas directamente. Básicamente consiste eneliminar ciertos contenidos que no aportan másinformación dejando un código simplificado decoberturas sin paréntesis y sin repeticiones.

Los tipos de coberturas originales que com-ponen el rótulo SIOSE son:

— Las coberturas simples. Se mantienensin modificar en el código plano, y afectadaspor su porcentaje original.

— Las coberturas compuestas no predefi-nidas. Tienen tres opciones:

• Mosaico regular (letra R, seguida de pa-réntesis): se componen exclusivamente de co-berturas simples, que son las que se mantienencon sus porcentajes originales.

• Mosaico irregular (letra I, seguida de pa-réntesis): es el mismo caso anterior.

• Asociación (letra A, seguida de parénte-sis): puede contener tanto coberturas simplescomo compuestas predefinidas. El número deasociaciones distintas dentro del mismo rótu-lo puede llegar hasta seis.

— Las coberturas compuestas predefinidas.En general, son coberturas compuestas segui-das de paréntesis con coberturas simples en suinterior; esta cobertura compuesta es la que semantiene únicamente. Tan sólo se abre la co-bertura compuesta OVD (Olivar-Viñedo) y setrasladan sus porcentajes a las coberturas sim-ples equivalentes.

Al final del proceso, el código plano resul-tante es del tipo:

p1CB1atr_p2CB2atr_ … piCBiatr [2]

Siendo:CB1, CB2, …, CBi, las coberturas SIOSE (sim-

ples o compuestas predefinidas), sin repetir.p1, p2, …, pi, los porcentajes de las cobertu-

ras, de modo que Spi = 100atr: atributos originales SIOSE, que se man-

tienen siempre.

Reglas de asignación

Se establecen dos tipos de regla para asig-nar la etiqueta MJS: la de dominancia simple

(o regla simple) y la compuesta. Estas reglastratan de emular las especificaciones técnicasde CLC (Bossard et al.,2000; Büttner et al.,ga-llego 2006; AEMA 2007) y el Manual de Fo-tointerpretación de SIOSE (ETN SIOSE2011d).

La regla simple

La regla simple consiste en asignar la eti-queta correspondiente a la agrupación de co-berturas fija que presenta el mayor porcentajeo dominancia sobre el resto de las existentesen el código plano, comenzando por un ciertoporcentaje umbral. Es decir, si una agrupacióniguala o supera este porcentaje umbral, enton-ces se le asigna a la entidad SIOSE dicha eti-queta. Esta regla se ejecuta desde dentro de larutina principal.

La regla compuesta

Estas reglas establecen unos umbrales mí-nimos de porcentajes para las coberturas SIO-SE (o sus agrupaciones temporales) que for-man la combinación estándar de la regla, y quedebe satisfacer el código plano. Estos umbra-les son distintos que los aplicados en la reglasimple.

Están pensadas para polígonos SIOSE queno presentan un porcentaje netamente mayori-tario, y donde no sería correcto aplicar la reglasimple. Tienen su equivalencia en el modeloCLC en aquellas clases que son asociacionesde coberturas sin predominancia clara, y queen ocasiones reciben la denominación de «mo-saico».

Pero también las reglas compuestas estable-cen preferencias para coberturas simples SIO-SE. Así, si seguimos las especificaciones téc-nicas de CLC, se establece la clase urbana apartir de un 30% de edificación (IGN 2011)..Aplicando este mismo criterio a MJS, su co-bertura urbana habría que complementarla so-bre la regla simple, incluyendo una regla com-puesta de tipo «único» (es decir, con una solacobertura), en donde el porcentaje umbral esmenor que el general de la regla simple; a estadisposición se le llama regla compuesta única.


Estas reglas se aplican a las coberturas SIO-SE urbanas; como ejemplo, la regla denomi-nada UDS:

UDS = [{«UDS»:40}, «1121»]

Es decir, si un código plano presenta un por-centaje de Urbano Discontinuo (UDS) ≥ 40%,la entidad SIOSE correspondiente se conside-ra perteneciente a la clase MJS 1121 («Tejidourbano discontinuo: ensanche»).

Para la cobertura EDFva («Edificación deviviendas aisladas»), que puede formar partede combinaciones de tipo agrario, se requiereque exista una cierta superficie de VAP («Via-les y aparcamientos») para considerarlo zonaurbana, lo que se denomina regla compuestapareada. Un ejemplo es la denominada UCS3:

UCS3 = [{«EDFem»:30, «VAP»:20}, «1110»]

Aquí, una entidad que presente una ED-Fem ≥ 30% y que contenga también VAP ≥ 20%se considera con la etiqueta MJS 1110 («Tejidourbano continuo»).

Fuera del ámbito urbano, algo parecido ocu-rre con las coberturas forestales, donde do-minan las frondosas sobre las coníferas, éstassobre los pastizales, y todos ellos sobre laszonas rocosas. Como ejemplo, un polígonocon 60% de pastizal y 40% de frondosas ca-ducifolias, según el manual técnico CLC(IGN, 2002) se debe clasif icar como bosquede frondosas caducifolias. Así, se establecenunas coberturas compuestas pareadas para de-terminar estas preferencias, diferentes de lasreglas simples.

Sin embargo, la preferencia de bosque so-bre matorral ya es lo que se define como reglacompuesta de agrupación. Este tipo de reglaexige realizar una agrupación de coberturasSIOSE de tipo temporal que incluya cobertu-ras afines bajo una misma denominación. Unejemplo es la siguiente regla para obtener elmatorral boscoso MTRbosc:

MTRbosc = [{«MTR»:50, «BSC»:30}, «3222»]

MTR («matorral») es una cobertura originalSIOSE,

BSC es una agrupación temporal en la ruti-na de cálculo que incluye a las coberturas debosque SIOSE (frondosas perennifolias, cadu-cifolias y coníferas: FDP, FDC y CNF)

50 y 30 son los umbrales de porcentaje mí-nimo que el código plano debe satisfacer paraque se le asigne la etiqueta 3222

En resumen, el número total de reglas com-puestas, incluyendo las simples, pareadas y deagrupación, es de 36.

Proceso general de asignación de etiquetas

El proceso de asignación de etiquetas MJSse basa en un proceso iterativo en las dos tiposde reglas establecidas anteriormente, comen-zando siempre por la regla simple. Así, se rea-liza una primera pasada de todos los códigosplanos aplicando la regla simple y buscandouna dominancia clara, establecida actualmen-te en el 65% (lo que supone aproximadamentelos 2/3 de la superficie de un determinado po-lígono). Los porcentajes buscados son para lasagrupaciones MJS anteriores, no para las co-berturas originales SIOSE (véase [1]).

Así, para un determinado polígono con có-digo plano del tipo indicado en [2], si CB1atr yCB2atr pertenecen a la misma agrupación MJSde etiqueta Etq(i) y si p1 + p2 = 65% , enton-ces se le asigna la etiqueta Etq(i) al polígono.

Si ninguna agrupación MJS cumple, se rea-liza una segunda pasada mediante las bateríasde reglas compuestas, con el f in de localizarcódigos que presentan características especí-ficas o singulares a extraer del resto, tal comose ha explicado en el apartado anterior.

A partir de aquí comienza una iteración se-cuencial de las dos pasadas anteriores, redu-ciendo en un 10% cada vez los porcentajes dedominancia y umbrales de las reglas com-puestas. En la iteración número 6, el umbral demayoría simple ya se sitúa en el 33%, por de-bajo del cual se entiende que ya no existe nin-gún tipo de dominancia clara. Sin embargo, de-bido a que el proceso de selección es muysecuencial, y las reglas compuestas seleccio-nan las combinaciones especiales, es posiblealcanzar la iteración número 7 y siguientes. Pe-ro estos casos son muy escasos, inferiores ge-neralmente al 0,5% sobre el total de polígonosde una provincia. Así, solamente se ha dado uncaso de asignación en la iteración n.º 9, y unos400 para la iteración 8.


De esta manera se pueden resolver todos loscasos de código plano. Aquellos casos resuel-tos en las últimas iteraciones dan lugar a asig-naciones a nuestro entender bastante coheren-tes. Esto, unido a su bajo número, nos permitedar por bueno el resultado, evitando tener queresolver estos casos mediante otro tipo de téc-nicas, que implicarían conceptos de contigüi-dad o proximidad de explicación y aplicaciónmucho más complejas.

Análisis global del modelo

Una vez realizada la reasignación completade todos los polígonos originales SIOSE a la cla-

sificación MJS, es posible realizar un resumende las clases principales e incluir la superficiede cada una de ellas. En esta ocasión, se va a tra-bajar con las 49 clases que se obtienen a nivel3, en vez de las 83 disponibles a nivel 4

Es muy ilustrativa la comparación con unmodelo global de referencia como es la carto-grafía ofrecida por Corine Land Cover del año2006, ya comentada anteriormente. Es el mo-delo jerárquico por excelencia en Europa, yademás está sujeto a una evaluación sistemáti-ca (EEA, 2006), y por ello, de gran fiabilidad.Su nivel 3 está compuesto por 44 clases, y re-lativamente similar al que ofrece MJS.

Los datos de superficie para cada clase de ni-vel 3 para MJS y CLC se ofrecen en la Tabla 3:


Tabla 3. Resumen MJS nivel 3. Comparación con CLC nivel 3

Modelo MJS 2005 Modelo CLC 2006

Sup (km2) % Sup (km2) Clase CLC

1. Superficies artificiales 15655 3.09 10087 (1)1.1. Zonas urbanas 6318 1.25 6290 (1)

1.1.1. Tejido urbano continuo: casco 1659 0.33 2919 (1) 1111.1.2. Tejido urbano discontinuo 4660 0.92 3371 (1) 112

1.2. Zonas de actividad 4560 0.90 2573 (1)1.2.1. Actividad primaria 1500 0.30 756 (1) 1311.2.2. Actividad industrial: polígonos,

industrias aisladas 1744 0.34 1468 (1) 1211.2.3. Servicios: comercial, oficinas, complejos

hoteleros 176 0.03 (2)1.2.4. Equipamiento diverso/Dotacional 378 0.07 (2)1.2.5 Equipamiento deportivo/recreativo/

cultural 762 0.15 349 (1) 141, 1421.3. Infraestructuras 3386 0.67 570 (1)

1.3.1. Transporte 2625 0.52 511 (1) 122, 123, 124

1.3.2. Energía 118 0.02 (2)1.3.3. Telecomunicaciones 4 0.00 (2)1.3.4. Suministro de agua 256 0.05 (2)1.3.5. Residuos, vertederos y escombreras 384 0.08 59 (1) 132

1.4. En construcción 1391 0.27 713 (1)1.4.1 Zonas urbanas 908 0.18 (3)1.4.2. Estructuras de tipo público o industrial 251 0.05 713 (1) 1331.4.3. Infraestructuras en construcción 232 0.05 (4)

2. Zonas agrícolas 222352 43.94 253492 (1)2.1. Tierras de labor 134930 26.66 120975 (1)

2.1.1. Tierras de labor en secano 118310 23.38 97529 (1) 2112.1.2. Terrenos regados permanentemente 15286 3.02 22000 (1) 2122.1.3. Arrozales 1334 0.26 1446 (1) 213

2.2. Cultivos permanentes 45739 9.04 35929 (1)2.2.1. Frutales cítricos 3193 0.63 8930 (1) 2222.2.2. Frutales no cítricos 8539 1.69 (5)2.2.3. Olivares 23249 4.59 18655 (1) 223


Tabla 3. Resumen MJS nivel 3. Comparación con CLC nivel 3 (cont.)

Modelo MJS 2005 Modelo CLC 2006

Sup (km2) % Sup (km2) Clase CLC

2.2.4. Viñedos. 9897 1.96 8394 (1) 2212.2.5. Otros cultivos leñosos 861 0.17 (3)

2.3. Prados y praderas 6164 1.22 6478 (1)2.3.1. Prados y praderas 6164 1.22 6478 (1) 231

2.4. Zonas agrícolas heterogéneas 35519 7.02 90110 (1)2.4.1. Asociación de cultivos anuales

con permanentes 3366 0.67 1404 (1) 2412.4.2. Mosaico de cultivos anuales/

permanentes/pastos 4501 0.89 38772 (1) 2422.4.3. Terrenos agrícolas con vegetación natural 1932 0.38 24977 (1) 2432.4.4. Sistemas agroforestales (dehesas) 25719 5.08 24957 (1) 244

3. Zonas forestales con vegetación natural y espacios abiertos 263495 52.07 238160 (1)3.1. Bosques 94879 18.75 91284 (1)

3.1.1. Bosques de frondosas 40257 7.96 37517 (1) 3113.1.2. Bosques de coníferas 42392 8.38 38738 (1) 3123.1.3. Bosque mixto 12230 2.42 15029 (1) 313

3.2. Espacios de vegetación arbustiva y/o herbácea 152900 30.21 134521 (1)3.2.1. Pastizales naturales 66688 13.18 26716 (1) 3213.2.2. Matorrales 86212 17.04 108673 (1) 322, 323,

3243.3. Espacios abiertos con poca o sin vegetación 15716 3.11 12355 (1)

3.3.1. Playas, dunas y arenales. 371 0.07 463 (1) 3313.3.2. Suelo desnudo 8277 1.64 9368 (1) 3333.3.3. Zonas quemadas 895 0.18 549 (1) 3343.3.4. Glaciares y nieves permanentes 2 0.00 3 (1) 3353.3.5. Ramblas 315 0.06 (3)3.3.6. Roquedo 5855 1.16 2128 (1) 332

4. Zonas húmedas 983 0.19 1062 (1)4.1. Zonas húmedas continentales 97 0.02 550 (1)

4.1.1. Humedales y zonas pantanosas 72 0.01 544 (1) 4114.1.2. Turberas y prados turbosos 17 0.00 6 (1) 4124.1.3. Salinas continentales 8 0.00 (3)

4.2. Zonas húmedas litorales 887 0.18 496 (1)4.2.1. Marismas 738 0.15 298 (1) 4214.2.2. Salinas marinas 149 0.03 198 (1) 422

5. Superficies de agua 3556 0.70 3117 (1)5.1. Aguas continentales 3402 0.67 2945 (1)

5.1.1. Cursos de agua. 788 0.16 463 (1) 5115.1.2. Láminas de agua. 2614 0.52 2482 (1) 512

5.2. Aguas marinas 155 0.03 173 (1)5.2.1. Lagunas costeras 81 0.02 77 (1) 5215.2.2. Estuarios 74 0.01 96 (1) 5225.2.3. Mares y océanos 0 — — 523

Superficie Total de España 506042 100.0 505919

Fuente: Elaboración propia. Fichero vectorial de CORINE Land Cover 2006 del Centro de Descargas del Cen-tro Nacional de Información Geográfica (CNIG). Instituto Geográfico Nacional (IGN). Descargado el 13/09/2010.(1) CLC solo incluye la actividad extractiva minera. (2) Queda incluida en la clase 121 CLC. (3) Sin equivalen-cia en CLC. (4) Queda incluida en la clase 133 CLC. (5) Queda incluida en la clase 222 CLC.

El grado de detalle que puede alcanzar el mo-delo MJS queda patente especialmente en zonasde coberturas artificiales. En efecto, comparan-do CLC, Iberpix y MJS al nivel 3 para el mismosector de unos 3 km2 del centro urbano de la ciu-dad de Valencia, se pueden apreciar fácilmentelas diferencias en las figs. 1 y 2 siguientes.

Validación

La comparativa anterior ofrece unas prime-ras conclusiones, pero se considera convenien-te realizar un proceso de validación más com-pleto, ya que permite conocer el grado defiabilidad o ajuste a la realidad que pretende de-finir este modelo y, por tanto, es un proceso exi-gible tanto por la comunidad científica comopor el resto de los usuarios. Aunque el modelooriginal de referencia, el SIOSE, se consideravalidado por los productores de esta cartogra-fía, sin embargo los productos jerárquicos deri-vados, que deben aplicar una serie de criteriospara obtener un código único, necesitan de uncierto refrendo para garantizar el resultado.

En este proceso se va a seguir utilizando co-mo producto de referencia (verdad terreno) lacartografía ofrecida por CLC-2006, ya comen-tada anteriormente. Sin embargo, hay que teneren cuenta que cuando se utiliza CLC para lacomparación con otros modelos de informaciónde usos del suelo pero de diferente escala, sepueden obtener conclusiones erróneas si no setienen en cuenta estas diferentes escalas, al apa-recer discrepancias por la inexactitud de coin-cidencia en los límites de polígonos. Por ello,CLC no debería usarse directamente para lacomparación de superficies por medida direc-ta del área de un polígono.

Además, existen más fuentes de errores. Así,por ejemplo, áreas urbanas con superficies in-feriores a 25 ha. no aparecen en CLC pero síen SIOSE, y lógicamente se incluyen en la su-ma total de superficies. Otra parte de la dis-crepancia observada puede ser debida a la di-ferente fecha de toma de imágenes, 2005 paraSIOSE y 2006 para CLC.

A pesar de ello, es posible utilizar CLC co-mo patrón en este tipo de comparaciones, eli-minando o atenuando las discrepancias provo-cadas por la escala. En este sentido, se haaplicado la metodología seguida por J. Galle-go (2001), del JRC, el cual compara un nuevomodelo de usos del suelo en Arezzo (Italia),que abarca unos 2.000 km2 y de escala similara SIOSE, sobre la base del CLC.

Metodología

Exactitud de localización de coberturas

Para la comparación entre CLC y los otrosdos modelos derivados de SIOSE celda a cel-


Figura 1. CLC nivel 3 (izquierda) con 2 clases. Iberpix nivel 3 (derecha), con 4 clases.

Figura 2. MJS nivel 3 con 9 clases.

da, se han rasterizado los tres para una dimen-sión de celda (o píxel) de 50 × 50 m. Esto esdebido a que la exactitud de localización entrelos dos es generalmente de 50 m, y casi siem-pre dentro de los 100 m, de acuerdo con las es-pecificaciones de CLC (anchura mínima de ele-mentos lineales).

Para eliminar la parte de discrepancia de-bida esta tolerancia de co-ubicación (100 m),se establece un buffer de dos pixels de anchoalrededor de cada límite de CLC, asignados co-mo «NoData» y que no se contabiliza en loscálculos. Es decir, se corresponde con la eli-minación de un pasillo de 200 m alrededor delos límites de los polígonos CLC.

En definitiva, la superficie finalmente ana-lizada y comparada ha sido de unos325.000 km2, en pixeles de 50 × 50m. Esto su-pone una reducción sobre la superficie origi-nal del total nacional de un 36%, lo que da ideadel grado de definición de CLC.

Discrepancia por comisión y omisión

La exactitud de un mapa de coberturas delsuelo rasterizado puede ser obtenida, en pri-mer lugar, a través de la medida de coinciden-cia o fiabilidad global, que expresa los píxelesde CLC que coinciden con el modelo tratado.Para calcular esta fiabilidad es preciso obtenerla matriz de confusión, que ofrece el númerode pixels Acc’ para los que la cobertura real esc y la ofrecida por el mapa es c’. El error deomisión para la clase c se refiere a la propor-ción de pixels para los que la realidad es c y elmapa ofrece una clase distinta. El error de co-misión es la proporción de pixels representa-dos en el mapa como c, pero que tienen un va-lor verdadero diferente. Así, la coincidencia dedos modelos de usos del suelo puede ser cal-culada como el conjunto de pixels con códigoscoincidentes, y que se sitúan en la diagonal dela matriz.

Debido a que en este trabajo se comparanuna serie de mapas (CLC/SIOSE) que ningunose puede considerar como correcto, y parte dela discrepancia se debe al factor escala, no sedebería tratar como error, y así, el término másadecuado sería «matriz de discrepancias» y«discrepancia de omisión y comisión».

También resulta de gran interés analizar lasrelaciones de concordancia entre las distintascategorías. En este sentido, uno de los índicesmás empleados es el estadístico kappa (k), quemide la diferencia entre el acuerdo del modelocon la referencia CLC (mapa-realidad obser-vado) y el que cabría esperar simplemente porazar (Chuvieco, 2002). Así, el valor máximo es-perable como resultado de un acuerdo total esk = 1, mientras que si k = 0, se el acuerdo en-tre modelos se debe completamente al azar.

Recodificación de clases

Se ha buscado un nivel de comparación equi-valente para todos los productos, para ello se harecodificado las clases originales en 11 clasesintegradas principales y que aparecen en la co-lumna clase, que es un código específico utili-zado para la validación (véase Tabla 4). Se in-cluyen las superficies calculadas para cada clase

Señalar que se ha decidido separar la clase 5(Sistemas Agroforestales) de la clase 6 (Otraszonas heterogéneas), que originalmente se in-cluyen bajo la clasificación conjunta «Zonasagrícolas heterogéneas en CLC. En efecto, es-ta última clase incluye coberturas de tipo arti-ficial y/o de vegetación natural y cuyas defi-niciones son muy ambiguas y poco útiles parasu intercomparación, especialmente con SIO-SE, con definiciones mucho más precisas. Den-tro de esta agrupación, una excepción la pre-senta las zonas adehesadas o sistemasagroforestales, que ocupan una superficie si-milar (Tabla 4), motivo por el cual se ha crea-do una clase específica.

Así, si se descuentan estas superficies, el res-to de zonas heterogéneas ocupan 65.131 km2 enCLC contra los 9.800 km2 de MJS. Es eviden-te que mucha de la superficie que CLC clasifi-ca como heterogénea, SIOSE la engloba dentrode su clase correspondiente, es decir, cultivosherbáceos o leñosos, etc. Insistiendo en este as-pecto, SIOSE sólo ofrece tres clases agrícolasheterogéneas (DHS, AAR y UER), MJS cuatroclases (241, 242, 243, 244) e Iberpix tres (701,200310, 200). En definitiva, una comparaciónentre estas clases daría lugar a un importanteerror de discrepancia, que es atribuible en granparte al efecto escala.


Todo ello justif ica separar la clase «Siste-mas agroforestales» del resto, por estar ade-más claramente identificada en los tres mode-los, al menos en clases específicas. El resto dezonas agrícolas heterogéneas es de muy difícilcomparación, y es preferible eliminarlas de loscálculos finales de discrepancia.

También cabe destacar la gran superf icieasignada por Iberpix a las zonas agrícolas he-terogéneas, pero también al monte bajo (cla-se 8) y en espacios abiertos, fundamentalmen-te en detrimento de las áreas boscosas. Puedeser debido, en primera aproximación, a crite-rios excesivamente estrictos para definir bos-ques, derivándose parte de su superficie hacialas clases indicadas.

Es curioso destacar que parece el mismoefecto producido en el caso de los bosques es-clerófilos de baja densidad arbórea (Aguilera,2009). Así, CLC considera como formaciónboscosa (bien de frondosas, coníferas o for-maciones mixtas) aquella que alcance un «um-bral mínimo del 30% de cabida cubierta»(IGN, 2002). Esto implica que los bosques pro-tectores de baja densidad arbórea, caracterís-ticos de buena parte del paisaje ibérico, que-den segregados en otras clases como zonasheterogéneas, matorrales o incluso espaciosabiertos, según nuestra nomenclatura.

En comparación superficial, es posible queMJS sufra de un efecto similar, puesto que enla correspondiente regla compuesta se ha par-tido inicialmente de un 50% de cabida cubier-ta. Pero este mismo efecto está magnificado enIberpix, de modo que arboledas de densidadrelativamente alta no quedan finalmente asig-nadas a la clase de bosques, sino a las que semencionan en el artículo citado.

En concreto, esto parece debido a las tresclases mixtas con vegetación que incorporaIberpix. La clase 200310 «Combinaciones deCultivos y Vegetación», la clase 310320 «Com-binaciones de vegetación» y, por último, la cla-se 310330 «Terrenos con escasa o nula vege-tación». En todas ellas, debe haber unaimportante superficie que sin embargo apare-ce clasificada como bosque tanto en CLC co-mo en MJS.

Análisis estadístico de la matriz de discrepancias

Los primeros resultados que se obtienen delas matrices de discrepancias de los dos mo-delos con respecto a CLC son, en primer lugar,la medida de coincidencia o fiabilidad global,y el estadístico kappa, anteriormente descrito.


Tabla 4. Códigos de equivalencia para CLC, MJS e Iberpix

Clase y descripción

CLC MJS Iberpix

Clases Superf. Clases Superf.Clases

Superf.nivel 2 (km2) nivel 2 (km2) (km2)

1 Urbano 11 6290 11, 141 6726 810 79952 Artificial no urbano 12, 13, 14 3793 12, 13, 14 8891 880, 920, 7663

830, 850, 840, 890910,

8203 Cultivos herbáceos 21 120975 21 134930 210 1123484 Cultivos leñosos 22 35929 22 45739 220 376215 Sistemas agro-forestales (dehesas) 244 24957 2440 25696 701 222896 Otras zonas heterogéneas Resto 24 65131 Resto 24 9800 200310, 200 518577 Bosques 31 91284 31 94879 310 336928 Matorrales, pastizales, praderas 32, 231 134521 32, 231 159037 320, 300, 185335

290, 3103209 Espacios abiertos 33 12355 33 15716 330, 310330 42005

10 Zonas húmedas 41, 42 1062 41, 42 983 400, 310500 153411 Superficies de agua 51, 52 3117 51, 52 3556 500 3294

TOTAL 505919 506042 505631

Los resultados obtenidos a partir de la ma-triz de discrepancias para las 11 clases departida se reflejan en la Tabla 6 a continua-ción

De esta Tabla destacan, por sus altos valo-res en las discrepancias por comisión, tanto enMJS como en Iberpix, los de la clase 2 (artifi-cial no urbano). Analizando la matriz de dis-crepancia —que no aparece aquí especif ica-da— se desprende que es debido en gran partea que SIOSE dispone de una superf icie im-portante de su clase 2 que, según CLC, corres-ponde a la clase 3 (cultivos herbáceos). Estoposiblemente es debido a que en el ámbito ru-ral, CLC no diferencia la superficie artificial.

Otro dato que destaca en la discrepancia porcomisión es la clase 9 para ambos modelos,que, según CLC, deberían pertenecer a la cla-se 8 «matorrales», según la matriz de discre-pancias. Esto podría ser debido más bien a ladificultad de definición de los «espacios abier-tos» según CLC, junto con la mayor superficieasignada a esta clase por ambos modelos, muyespecialmente Iberpix.

En cuanto a las discrepancias de omisión,destacar en primer lugar los correspondientes ala clase 6, que justifica su no consideración enlos términos apuntados en el epígrafe anterior.

Por otro lado, los altos valores que aparecenen la clase 7 de Iberpix («bosques») entran delleno en la problemática ya indicada de las cla-ses mixtas de vegetación en Iberpix, y así omi-te superficie boscosa, clasificándola como cla-se 8 (matorrales).

Otro alto valor de omisión que destaca es elde la clase 9, debido a que MJS considera co-mo monte bajo mucha superficie que CLC ca-taloga como espacios abiertos. En efecto, se hapodido comprobar que esta diferencia se debeen gran medida a polígonos extensos de lasprovincias meridionales españolas que MJS ca-taloga como de matorral, y no como «espaciosabiertos». Como ejemplo, sólo en Almería haydos grandes recintos de 2.700 km2 clasificadospor CLC como suelo desnudo, que para MJSson en su mayor parte de matorral y pastizal.

Ya por último, la mayor superficie clasifi-cada como espacios abiertos por Iberpix justi-fica que su error por omisión sea bajo y la apa-rente contradicción de su mejor ajuste conrespecto a MJS.

Corrección de escala en el cálculo de discrepancia de clases temáticasCLC

Es posible realizar un ajuste final, conside-rando el método de asignación de clases (Ga-llego, 2001). Así, si un polígono CLC tiene un80% de cultivos herbáceos, está correctamen-te clasificado atendiendo a las especificacio-nes de este modelo de coberturas de suelo. Uncriterio similar se puede aplicar al resto de ca-tegorías principales CLC, exceptuando las quecorresponden a la clase 6 «Otras zonas hete-rogéneas», que no han sido incluidas en estoscálculos.

Se ha seguido el procedimiento descrito acontinuación para eliminar la parte de discre-pancia entre modelos debido a las diferentesescalas. La valoración se ha realizado en basea la nomenclatura que agrupa las 11 clases. Sehan utilizado las mismas capas y polígonosque para la matriz de discrepancias, es decir,con un buffer de 200 m. La clase «Otras zonasheterogéneas» no se incluye en las siguientesreglas:

— Si más del 70% de los pixels de un polí-gono CLC tienen el mismo código que el visor


Tabla 5. Índices generales de calidad

MJS Iberpix

% fiabilidad 63,1 59,9kappa 0,59 0,50

Tabla 6. Discrepancias de comisión y omisión

ClaseMJS Iberpix

comisión comisión comisión comisión

1 39,3% 26,7% 46,6% 25,0%2 70,2% 24,7% 67,9% 29,9%3 22,5% 14,2% 16,8% 21,2%4 38,4% 21,6% 35,0% 30,9%5 31,6% 34,2% 28,0% 38,4%6 50,6% 92,7% 57,7% 65,9%7 28,1% 27,3% 20,6% 71,5%8 38,3% 29,7% 49,1% 32,3%9 71,7% 64,7% 80,3% 34,2%

10 19,0% 28,1% 38,7% 26,3%11 25,4% 11,8% 22,7% 12,6%

Iberpix o el modelo MJS, el polígono entero esconsiderado como coincidente.

— Si el porcentaje de diferencia de clasesse encuentra entre el 30 y 70%, el polígonoes considerado como parcialmente discre-pante.

— Si menos del 30% de los pixels tienencódigo diferente que MJS o Iberpix, el polí-gono entero se considera discrepante.

Por ejemplo, si un polígono de 100 ha (des-pués del recorte del buffer) se encuentra codi-ficado como «cultivo herbáceo» en CLC peroMJS o Iberpix indica:

— 85 ha Cultivo herbáceo y 15 ha Cultivoleñoso, esta superficie no contribuye a la dis-crepancia.

— 60 ha Cultivo herbáceo y 40 ha Cultivoleñoso, contribuye con 40 ha de discrepancia.

— 20 ha Cultivo herbáceo y 80 ha Cultivoleñoso, contribuye con 100 ha de discrepancia.

Aplicando este criterio de corrección, se ob-tienen unas nuevas tablas de discrepancia, equi-valentes a las columnas de «omisión» anterio-res (al ser superf icie que MJS/Iberpix nocomputa en la clase que determina CLC), enlas cuales los valores de discrepancia se redu-cen lógicamente (Tabla 7).

Se puede observar que todos los valores ex-perimentan una cierta mejoría. Sin embargo,hay que destacar que la discrepancia de la cla-se 9 aumenta ligeramente con respecto a la Ta-bla 6, que si bien tan solo afecta a menos del3% de la superficie total, parece en gran me-

dida debido al mismo problema observado enel epígrafe anterior.

También aquí, los valores de discrepanciamejoran, excepto en la clase 7, que se mantie-ne aproximadamente en los mismos valores.Esto indica que la corrección por el efecto es-cala no le ha afectado, lo que parece confirmarun problema de falta de definición en la su-perficie boscosa ya apuntado anteriormente.

Análisis de resultados

Se aprecia que los resultados de la fiabili-dad con la corrección por escala han mejora-do, especialmente para el modelo MJS que pa-sa de 63,1% a 82,7%. El incremento es muchomenor para el visor Iberpix, que sube tan soloal 68,5%.

En consecuencia, se podría decir que la con-versión de un modelo orientado a objetos a unojerárquico mediante cualquiera de las dos me-todologías es aceptable, aunque mostrándoseclaramente superior por su mejor definición yajuste el modelo MJS. Y esto es en gran medi-da debido al lastre que supone la def iniciónambigua de las clases mixtas con vegetaciónde Iberpix, y en concreto la de «combinacio-nes de vegetación», pues supone casi la mitad(un 45,4%, ver Tabla 8) de la superficie de dis-crepancia total.

Es evidente que el procedimiento de asig-nación de MJS es susceptible de ser mejorado.


Tabla 7. Resultados para MJS

(*) El % de fiabilidad sería 100 – 17.3 = 82.7.

Clase FrecuenciaΣΣ discrep.

(km2)Sup. total

(km2)%

discrep.

1 6307 513.60 3056.94 16.8 (*)

2 4600 328.65 1651.05 19.9 (*)

3 17659 4526.49 90062.85 5.0 (*)

4 10104 3527.21 24678.21 14.3 (*)

5 3825 4973.53 18800.02 26.5 (*)

6 24216 — — —7 28360 11134.69 55501.08 20.1 (*)

8 54063 18717.79 82237.27 22.8 (*)

9 4102 5559.89 7867.24 70.7 (*)

10 359 177.27 708.41 25.0 (*)

11 769 138.39 1393.66 9.9 (*)

TOTAL 154364 49597.51 285956.71 17.3 (*)

Tabla 8. Resultados para Iberpix

(*) El % de fiabilidad sería 100 – 31.5 = 68.5.

Clase FrecuenciaΣΣ discrep.

(km2)Sup. total

(km2)%

discrep.

1 6309 471.00 3077.33 15.3 (*)

2 4601 412.69 1659.03 24.9 (*)

3 17665 10107.74 90153.45 11.2 (*)

4 10106 6574.08 24735.06 26.6 (*)

5 3825 6205.08 18832.67 32.9 (*)

6 24233 — — —7 28373 40960.18 55664.71 73.6 (*)

8 54085 22878.09 82530.07 27.7 (*)

9 4104 2271.26 7877.87 28.8 (*)

10 359 163.34 709.72 23.0 (*)

11 771 142.35 1395.10 10.2 (*)

TOTAL 154431 90185.81 286635.01 31.5 (*)


Como ejemplo, ya citado, sería el reducir elumbral de cabida cubierta en bosques para in-corporar los de tipo esclerófilo de baja densi-dad arbórea. Sin embargo, entendemos que, afalta de análisis más detallados, la metodolo-gía empleada es adecuada y los resultados ob-tenidos suficientemente satisfactorios comopara comenzar a utilizar este modelo en apli-caciones que no precisen el grado de detalleque ofrece SIOSE, y en donde prime la senci-llez de representación.

Así, por ejemplo, en todo tipo de presenta-ciones cartográficas que necesiten una clasepor polígono, como es habitual en los visoresweb WMS (como ocurre precisamente con elvisor Iberpix). Pero también en otros tipos apli-caciones y cálculos. Este sería el caso de, porejemplo, la definición de las zonas rurales yurbanas en territorios extensos (nacionales oautonómicos), en donde la ocupación del sue-lo es determinante, pero los procesos de agru-pación de entidades obliga a una def iniciónúnica de las mismas (Cantarino et al., 2013).

Agradecimientos

El autor agradece una ayuda del Instituto Va-lenciano de Investigaciones Económicas (Ivie)para la realización de este trabajo, así como laproveniente del programa de investigaciónFundación BBVA-Ivie.

Referencias

BOSSARD, M.; FERANEC, J. Y OTAHEL, J., 2000.CORINE land cover technical guide – Addendum2000. Technical Report nº 40 (May) Copenhagen:European Environment Agency.

BÜTTNER, G., FERANEC, G. Y JAFFRAIN, G.,2006. CORINE land cover nomenclature illus-trated guide – Addendum 2006. Copenhagen: Eu-ropean Environment Agency.

CANTARINO, I., GOERLICH, F. Y REIG, E., 2013.Population grid uses in the context of urban/ruraltypologies. An application to Spain. The Geogra-phical Review, Kansas State University, In press.

CHUVIECO, 2002. Teledetección ambiental. Bar-celona, Ariel, 586 pags.

DELGADO, J.; FERNÁNDEZ, X.; VALCÁRCEL,N.; NÚÑEZ, E. Y BOLUDA, A., 2012. Genera-ción de nomenclaturas de Ocupación del Suelodesde SIOSE. Aplicación en nomenclatura topo-

gráf ica para el Mapa Topográf ico Nacional1:25.000. X TopCart 2012. I Congreso Iberoa-mericano de Geomática y Ciencias de la Tierra.Madrid, Octubre de 2012. (http://www.top-cart.com/indexEng.php).

EEA, 2006. The thematic accuracy of Corine LandCover 2000 Assessment using LUCAS (landuse/cover area frame statistical survey). Techni-cal report No 7/2006.

EQUIPO TÉCNICO NACIONAL SIOSE, 2011a.Estructura de la Base de Datos SIOSE-MF2. Ver-sión 2.1, Instituto Geográfico Nacional. Dispo-nible en Internet: http://www.siose.es/siose/[con-sulta: 29 de marzo de 2011].

EQUIPO TÉCNICO NACIONAL SIOSE, 2011b.Ejemplos de salidas gráficas de consultas sobreT_VALORES. Versión 1.1, Instituto GeográficoNacional. Disponible en Internet: http://www.sio-se.es/siose/ [consulta: 29 de marzo de 2011].

EQUIPO TÉCNICO NACIONAL SIOSE, 2011c.Documento Técnico SIOSE 2005. Versión 2, Ins-tituto Geográfico Nacional. Disponible en Inter-net: http://www.siose.es/siose/ [consulta: 1 de fe-brero de 2011].

EQUIPO TÉCNICO NACIONAL SIOSE, 2011d.Manual de Fotointerpretación SIOSE. Versión 2,Instituto Geográfico Nacional. Disponible en In-ternet: http://www.siose.es/siose/ [consulta: 1 defebrero de 2011].

EQUIPO TÉCNICO NACIONAL SIOSE, 2011ae.Anexo I. Descripción del Modelo de Datos y Ró-tulo SIOSE2005. Versión 2, Instituto GeográficoNacional. Disponible en Internet: http://www.sio-se.es/siose/ [consulta: 1 de febrero de 2011].

GALLEGO, F.J., 2001: Comparing CORINE LandCover with a more detailed database in Arezzo(Italy). Towards Agri-environmental indicators,Topic report 6/2001 European EnvironmentAgency, Copenhagen, pp. 118-125.

INSTITUTO GEOGRÁFICO NACIONAL, 2002.Corine 2000. Descripción de la nomenclatura delCorine Land Cover al nivel 5º. Área de Telede-tección IGN, Madrid.

INSTITUTO GEOGRÁFICO NACIONAL, 2011.Sistema de Información de Ocupación del Sueloen España —SIOSE2005 —. Documento Resu-men. (10 de mayo de 2011).

AGUILERA, I., MONTEAGUDO, A., CASTA-ÑOS, J., GONZÁLEZ-JIMÉNEZ, R. & ESCU-DERO, R. 2009. El nivel 3 de la nomenclaturaCorine y la pérdida de representatividad de al-gunas clases importantes en el CLC06 de la C.A.Aragón. Teledetección: Agua y desarrollo soste-nible. XIII Congreso de la Asociación Españolade Teledetección. Calatayud, 23-26 de septiem-bre de 2009. pp. 393-396.

VILLA, G., VALCÁRCEL, N., AROZARENA, A.,GARCÍA-ASENSIO, L., CABALLERO, M.E.,PORCUNA, A., DOMENECH, E. & PECES, J.J.


2008: Land cover classifications: An obsolete pa-radigm, The International Archives of the Pho-togrammetry, Remote Sensing and Spatial Infor-mation Sciences, vol. XXXVII, part B4, 609-614,Beijing.

VALCÁRCEL, N. 2011. Comparison and parame-terization between SIOSE and CLC. 6th EAGLE

meeting and Joint Meeting EAGLE-Geoland2, Ju-ne 2011, Málaga, Spain [Disponible en Internethttp://sia.eionet.europa.eu/EAGLE/Informa-tion_provided_EAGLE_MS/28_CLC-Attribu-tion_NV_Homework_ppt_EAGLE_6th_Mala-ga_2011.pdf [consultado 26/11/2012].

Evolución del albedo en Europa e influencia en la temperatura

B. Franch1 y J.A. Sobrino1

1 Global Change Unit (UCG). Imaging Processing Laboratory (IPL). Parque Científico. Universitat de Valencia. P. O. Box 22085. E-46071 Valencia (Spain)

Resumen

En este artículo se analiza la evolución del albedo superficial en una escena de Europa y norte deAfrica entre 2002 y 2011. En este sentido se ha utilizado una metodología que permite la estimacióndiaria del albedo superficial y se ha aplicado a imágenes adquiridas por el sensor MODerate resolu-tion Imaging Spectroradiometer (MODIS) a bordo del satélite Terra. Después de detectar diferentesáreas donde el cambio de albedo ha sido más significativo, se ha dividido el estudio en función de lacatástrofe natural responsable del mismo, analizando también el impacto en la temperatura superfi-cial y del aire. Los resultados muestran que los incendios forestales ocasionados en la Península Ibé-rica suponen un impacto en el albedo superficial de entre 0,02 y 0,05. Además son los fenómenos na-turales que mayor influencia tienen en la temperatura superf icial suponiendo principalmente unincremento de la amplitud de la temperatura estacional proporcional al incremento de albedo. Esteefecto en la temperatura dura entre tres y cuatro años después del incendio mientras que el restable-cimiento del albedo tarda más tiempo. También hemos observado que las tormentas de viento res-ponsables de la devastación de masas forestales en el área de Burdeos y en el sur de Suecia aumenta-ron el albedo en 0.02 lo que implicó, en el primer caso, un aumento del promedio anual de la temperaturasuperficial de 6K y del aire de 2K, no observando impacto alguno en el caso de Suecia.

Palabras clave: MODIS, albedo superficial, temperatura superficial.

Abstract

Albedo evolution over Europe and its influence on surface temperature

In this paper we analyze the surface albedo evolution over a Europe and northern Africa scene from2002 to 2011. We apply a methodology that allows the surface albedo estimation on a daily basis toMODerate resolution Imaging Spectroradiometer (MODIS) data onboard Terra satellite. First of allwe detect different areas where the albedo change was more significant analyzing the cause and dividingthe study into different classes of natural hazards. Additionally, we processed the simultaneous landsurface temperature (LST) and air temperature in order to analyze the impact of albedo change on thetemperature. Results show that forest f ires along the Iberian Peninsula suppose an increase of thesurface albedo from 0.02 to 0.05. Moreover, they are the natural hazards that mostly affect the landsurface temperature increasing the seasonal amplitude which lasts three to four years after the fireevent while the albedo reestablishment takes longer. We also observe that wind storms that damagedlarge forest areas in Bordeaux and south of Sweden increased the albedo 0.02 in both cases. In caseof Bordeaux, it implied an increase of the yearly average LST of 6K and of the air temperature of 2K,not showing any impact in case of Sweden.

Key words: MODIS, surface albedo, surface temperature.



Introducción

Los cambios de cobertura de la superficieinducidos por los humanos están acelerando enel siglo XXI a través de impactos directos víareforestación, deforestación o intensificaciónde la agricultura o de impactos indirectos de-rivados de la actividad humana. Estos cambiosestán afectando el clima a través de diferentesmecanismos (Bounoua et al., 2002). En primerlugar, la combustión de carburante ha impli-cado el aumento de la concentración de gasesde efecto invernadero. En segundo lugar, la mo-dificación por parte de los humanos de la su-perficie ha ocasionado la liberación de carbo-no a causa de la desaparición y quema devegetación así como la absorción de carbonocuando la vegetación crece o se plantada. Entercer lugar, la modificación antropogénica dela vegetación está afectando al clima a travésde la mediación de los intercambios de ener-gía, momento y agua entre la biosfera y la at-mósfera.

Plantar bosques y evitar la deforestaciónpuede ayudar a frenar el aumento de las con-centraciones de CO2 y de las temperaturasglobales. Pero, además de alterar el balancede carbono y las emisiones de gases de efec-to invernadero, los proyectos forestales im-plican también un conjunto adicional de cam-bios biofísicos (Jackson et al., 2008). Losbosques disminuyen el albedo superficial os-cureciendo la superf icie en comparación apastos, tierras agrícolas o superf icies cu-biertas por nieve.

La influencia biofísica en la temperatura de-pende de dónde ocurren las actividades de se-cuestro de carbono. En los trópicos, los bos-ques enfrían regionalmente al aumentar laevapotranspiración del agua desde la superfi-cie a la atmósfera. Este aumento de vapor deagua puede ayudar a la formación de nubes quecontribuyen adicionalmente al enfriamiento alreflejar la irradiancia solar hacia el espacio.Feddema et al. (2005), Bonan (2008), y Pielkeet al. (2002) encontraron que el cambio de co-bertura en los bosques tropicales implica un in-cremento de temperatura, ya que los pastos ylos cultivos tienen una menor transpiración yevaporación, lo que resulta en la reducción delflujo de calor latente y un aumento de calor

sensible en respuesta al incremento residual delbalance de energía en la superficie.

Por otra parte, los bosques boreales son unextremo diferente. Las tasas de almacena-miento de carbono son mucho más lentas queen los trópicos debido a las temperaturas másfrías, menor luz solar y otros factores que li-mitan el crecimiento de los árboles. Además,las superficies boreales están cubiertas de nie-ve y hielo durante largos períodos de tiempocada año. Por lo tanto, el hecho de modificarla nieve (con un alto albedo) por superficiesque absorben más irradiancia solar (menor al-bedo), como bosques de abetos o de pinos, ca-lienta el área a escalas espaciales de cientos oincluso miles de kilómetros. Como resultado,plantar bosques en los países nórdicos puedeayudar a estabilizar el CO2 global pero puedeacelerar el calentamiento del clima a nivel re-gional, acelerando de esa manera la pérdida denieve y cobertura de hielo.

En cambio, las mayores incertidumbres seencuentran en los bosques de latitudes medias(Field et al., 2007; Bala et al., 2007). Aunquesus tasas de secuestro de carbono están bien es-tablecidas, no se sabe tanto sobre cómo influ-yen los cambios biofísicos en el clima. Betts(2000) simuló los forzamientos radiativos de-rivados de la modificación de la superficie alreforestar con bosques en latitudes medias yzonas boreales. Este estudio concluyó que elforzamiento positivo (aumento de temperatu-ra) inducido por la disminución del albedo dela superficie podría compensar el forzamientonegativo esperado del secuestro de carbono.Una serie de estudios climáticos sugieren queel hecho de sustituir los bosques por cultivos opastos enfrían regionalmente las temperaturasen las latitudes medias (Bala et al., 2007; Dif-fenbaugh and Sloan, 2002; Oleson et al., 2004;Schaeffer et al., 2006). Así, Bounoua et al.(2002) indicaron que en las latitudes medias,donde la modificación antropogénica del pai-saje ha convertido grandes extensiones de bos-ques y pastos en tierras de cultivo, el aumentodel albedo enfría la temperatura hasta 0.7°C enla verano y 1.1°C en invierno. En cambio, otrosestudios muestran lo contrario, que los bosquesen latitudes medias enfrían la temperatura encomparación con pastos y cultivos (De Fries etal., 2002; Jackson et al., 2005; Juang et al.,

Evolución del albedo en Europa e influencia en la temperatura 23

2007). El estudio, por tanto, de la variación delalbedo, así como la temperatura superf icial,puede resultar de gran interés sobre todo en laslatitudes medias.

En este artículo, estudiamos la evolución delalbedo superficial y de la temperatura tanto su-perficial (Land Surface Temperature, LST) co-mo del aire entre 2002 y 2011 sobre una esce-na de Europa que incluye el norte de Africa.Para ello utilizamos imágenes adquiridas porel sensor MODerate resolution Imaging Spec-troradiometer (MODIS) a bordo del satélite Te-rra y que forman parte del producto oficial Cli-mate Modeling Grid (CMG) con unaresolución espacial de 0.05°. Con esta finali-dad el artículo se estructura en una primera in-troducción a la teoría y algoritmos utilizados.A continuación se desarrolla una sección demetodología. Finalmente se presentan los re-sultados obtenidos así como la discusión y lasconclusiones.

Teoría y algoritmos

En primer lugar estimamos la Bi-directionalReflectance Distribution Function (BRDF) me-diante el método semiempírico propuesto porRoujean et al. (1993) donde la reflectividad sepuede describir como la suma de tres kernels:

[1]

donde θs es el ángulo cenital de iluminación,θv es el ángulo cenital de observación, ϕ es elángulo azimutal relativo, F1,2 son los kernelsque representan la dispersión volumétrica y ladispersión geométrica respectivamente y k0,1,2

son los parámetros del modelo asociados a ca-da kernel. Siguiendo la notación de Vermote etal. (2009) utilizamos V (de Volumen) comok1/k0 y R (de Rugosidad) como k2/k0.

En este artículo hemos utilizado la combi-nación Ross Thick Li Sparse Reciprocal (Luchtet al., 2000) incluyendo la corrección del efec-to Hot Spot presentada por Maignan et al.(2004). A continuación, hemos invertido losparámetros de la BRDF mediante el métodoVJB (Vermote et al., 2009). La ventaja de es-te método es que permite la estimación diaria

del albedo, frente a la resolución temporal de8 días que proporciona el producto oficial dealbedo de MODIS. Se basa en asumir que la di-ferencia entre dos observaciones sucesivas esdebida a los efectos direccionales mientras quela variación de k0(t) es pequeña. Por lo tanto,V y R pueden derivarse a través de la minimi-zación de las variaciones de k0(t) de un día alsiguiente:

[2]

La solución de V y R se basa en la minimi-zación de la función Merit:

[5]

[6]

Cuyo resultado consiste en resolver el si-guiente sistema de ecuaciones:

[7]

donde

[9]

Para estimar V y R y aplicar la ecuación 7,cada año de la base de datos de divide en cin-co clases de diferente NDVI con igual númerode datos cada una de ellas. A continuación, seinvierten V y R para cada una de las clases ybanda. De esta manera, se puede generar unafunción lineal (dos coeficientes) que representaa V y R en función de las cinco clases de NDVI.Sin embargo, este ajuste lineal debe estar pon-derado por las barras de error de cada clase-para minimizar la influencia de valores atípi-cos. Las barras de error se estiman ejecutando

Δ

Δ Δ

Δ

ii i

ii i

i

ii

d day day

d

F

= − +

= −( )=

+

+

+

1

1

1

1

ρ ρ ρ

ρ ρ

/

11 1 11

2 1 2 21

F F d

F F F

ii

i i

ii

ii

i

−( )= −( )

+

++

ρ

ρ ρ ρ

/

/

Δ

Δ ΔΔid

Δ Δ Δ Δ

Δ Δ

i i

i

Ni i

i

N

i i

F F F F

F F

ρ ρ ρ ρ

ρ ρ

1 11

1

1 21

1

1

=

−

=

−

∑ ∑

221

1

2 21

1

i

Ni i

i

N

F F

V

R

=

−

=

−

∑ ∑

⎛

⎝

⎜⎜⎜⎜

⎞

⎠

⎟⎟⎟⎟

⊗⎛⎝

Δ Δρ ρ⎜⎜

⎞⎠⎟

=−

−

⎛

⎝

⎜⎜⎜

=

−

=

−

∑

∑

Δ Δ

Δ Δ

i i

i

N

i i

i

N

F

F

ρ ρ

ρ ρ

11

1

21

1

⎜⎜

⎞

⎠

⎟⎟⎟⎟

dM

dV

dM

dR= = 0

MVF RF VF RFi

i ii

i i

=+ +⎡⎣ ⎤⎦( ) − + +⎡⎣+

+ +ρ ρ1 1 2 11

211 1 ⎤⎤⎦( )

− ++=

−

∑2

11

1

1day dayi ii

N

ρ ρt VF RF t VF RFii i

ii i( ) + +⎡⎣ ⎤⎦ ≈ ( ) + ++ +

+1 111

21

1 1 2⎡⎡⎣ ⎤⎦

ρ θ θ φ θ θ φ θ θ φs v s v s vk k F k F, , , , , ,( ) = + ( ) + ( )0 1 1 2 2

24 B. Franch y J. A. Sobrino / Revista de Teledetección (2013) 39, 22-33

la inversión de los parámetros diez veces, eli-minando cada vez el 10% de datos de formaaleatoria. Finalmente, estas funciones puedenaplicarse a cada imagen de la base de datos enfunción del NDVI, obteniendo valores instan-táneos de V y R.

Una vez determinados los parámetros de laBRDF, hemos obtenido el albedo integrando elmodelo de BRDF a través del Black-sky Albe-do (BS) y el White-sky Albedo (WS) que se de-finen como:

[10]

[11]

donde

[12]

[13]

donde kk(ıi, ıv, ϕ) son los parámetros del mo-delo de BRDF.

Para determinar el albedo (o Blue-sky albe-do) hemos utilizado la siguiente interpolación

[14]

donde S(θ,τ(λ)) es la fracción de radiación di-fusa y τ es el espesor óptico de aerosoles.

Finalmente, para convertir el albedo espec-tral a albedo de banda ancha hemos utilizadola expresión propuesta por Liang (2000) parael caso concreto de MODIS:

[15]

Por otra parte, para estimar la LST hemosutilizado el método Split Window (Sobrinoet al., 2003).

[16]

donde T31 y T32 son las temperaturas de brillode las bandas 31 y 32 de MODIS respectiva-mente, ε y Δε son respectivamente la emisivi-dad media y la diferencia de la emisividad es-

pectral de estas bandas, W es el contenido to-tal de vapor de agua obtenida a partir de la in-formación proporcionada por las imágenesCMG y a1 = 1.02, a2 = 1.79, a3 = 1.20, a4

= 34.83, a5 = –0.68, a6 = –73.27, y a7 = –5.19,se obtienen mediante simulaciones con MOD-TRAN (se puede obtener información adicio-nal sobre estos parámetros en Sobrino et al.,2003).

La temperatura del aire la hemos extraído delos datos proporcionados por el producto MO-DIS CMG contenidos en la Collection 6. Se co-rresponde con la temperatura del aire a la al-tura de 2 m.

Metodología

El producto de MODIS Climate ModelingGrid (CMG) consiste en un conjunto de pro-ductos adquiridos por el sensor MODIS conuna resolución de 0,05°. Los datos proporcio-nados por este producto incluyen valores de re-flectividad superficial de las bandas 1-7, tem-peraturas de brillo en las bandas 20, 21, 31, y32, ángulos cenitales de iluminación y obser-vación, ángulo azimutal relativo, ozono, más-cara de nubes , espesor óptico de aerosoles a550 nm y el contenido de vapor de agua entreotros.

En este estudio trabajamos con datos MODISCMG diarios adquiridos en la plataforma Terraentre 2002 y 2011 en una escena que incluye Eu-ropa y el norte del continente Africano.

Resultados

Centrándonos en primer lugar en la varia-ción del albedo, la Figura 1 muestra el valor dela pendiente de la evolución del albedo entre2002 y 2011 para cada píxel en Europa y el nor-te de África. Ésta pendiente la hemos divididopor la media de albedo durante los años consi-derados y multiplicado por 100 a fin de obte-ner los valores porcentuales. Aunque la evolu-ción de albedo no puede ser representado porun ajuste lineal, la pendiente sólo muestra sutendencia positiva o negativa.

La imagen muestra valores positivos (mayo-res al 2%) en el centro de Portugal, algunas zo-

LST T a a T T a T T a a W= + + − + − + +31 1 2 31 32 3 31 322

4 5( ) ( ) ( ))( ) ( )1 6 7− + +ε εa a W Δ

α α α α α α= + + + + +0 160 0 291 0 243 0 116 0 112 01 2 3 4 5. . . . . .. .081 0 00157α −

α θ λ θ τ λ α θ λ θ τ λ α, , , ,( ) = − ( )( )⎡⎣

⎤⎦ ( ) + ( )( )1 S Sbs ws λλ( )

H h dk k i i i i= ( )∫20

2θ θ θ θ

πsin cos

/

h k d dk i k i v v v vθ θ θ φ θ θ θ φππ( ) = ∫∫ ( , , )sin cos

/

0

2

0

2

α λ λws k kk

f H( ) = ( )∑

α θ λ λ θbs i k k ik

f h,( ) = ( ) ( )∑


nas puntuales de España, la zona de Burdeos,el sur de Suecia, el este de Alemania, el sur deUcrania y Siria. Por el contrario, se obtienenpendientes negativas (menores al 4%) en el su-reste de Portugal y el norte de Argelia. A con-tinuación, nos centraremos en algunos de estoscasos para investigar la causa del cambio de al-bedo y su impacto en la LST y la temperaturadel aire. Hemos dividido el estudio en cuatrocategorías responsables del aumento del albe-do: incendios forestales, tormentas de viento,inundaciones y sequías. Por último, también he-mos analizado las áreas donde el albedo dis-minuyó durante el período considerado.

Incendios forestales

En primer lugar, la Figura 2 muestra el al-bedo, la LST y la temperatura del aire de aque-llos píxeles donde observa un cambio del al-bedo ocasionado por un incendio forestal.Solamente hemos representado los incendiosforestales más importantes que implicaban laszonas quemadas más amplias.

Durante el verano de 2003 se produjo unafuerte ola de calor que afectó a Europa occi-dental. Esto provocó incendios forestales en elnorte y centro de Portugal (39.90°N, 8.00°W,Figura 2a) con 450.000 ha de superficie totalquemada (Trigo et al., 2006), en Cáceres(40.40°N, 6.35°W, Figura 2b) con un total de9.000 hectáreas de superficie forestal quema-da y en Barcelona (41,75°N, 2.00°E, Figura 2c)con 4.600 ha de superficie total quemada en-

tre otros (Ministerio español de Medio Am-biente). En agosto de 2004 se produjo un in-cendio forestal entre las provincias de Huelvay Sevilla (37.65°N, 6.45°W, Figura 2d), dondese quemaron un total de 35.000 ha. Finalmen-te, en julio de 2005 un incendio forestal enGuadalajara (41.00°N, 2.25°W Figura 6.2e)quemó 13.000 hectáreas. En todos los casos seobserva el mismo comportamiento del albedo,el cual disminuye bruscamente después del in-cendio forestal (la superf icie se oscurece) yluego aumenta a valores más altos que antesdel incendio presentando valores de albedo co-rrespondientes a zonas áridas. El albedo pro-medio antes y después de los incendios cam-bió de 0,10 a 0,14 en Portugal, de 0,10 a 0,12en Cáceres y Barcelona, de 0,12 a 0,16 en Se-villa y de 0,11 a 0,16 en Guadalajara. En cuan-to a las temperaturas, después del incendio au-mentó la diferencia entre la LST y latemperatura del aire debido al aumento del al-bedo. Además, la LST presentó mayores valo-res máximos después del incendio.

La Figura 3 muestra la evolución de la am-plitud de la temperatura en estos pixeles, la cualse define como la diferencia entre el máximoen verano y el mínimo en invierno de LST ytemperatura del aire.

La f igura muestra cambios en la amplitudestacional de la LST causados por los incen-dios en Portugal, Cáceres y Barcelona, dondela amplitud aumenta en 2003 de 30 K a una me-dia de alrededor de 35 K hasta 2007. Después,la amplitud disminuye hasta valores similaresa los observados antes del incendio. El pixelen Sevilla presenta un comportamiento simi-lar, aumentando la amplitud de LST desde 33 Kantes de 2004 a alrededor de 36 K hasta 2007.Sin embargo, en este caso la amplitud muestraun valor máximo en 2009 que no se puede aso-ciar al incendio en 2004. Finalmente, Guada-lajara muestra la mayor influencia al cambiode cobertura aumentando su amplitud de LSTde un promedio de 32 K antes de 2005 a 40 Kdespués de 2005. Sin embargo, la amplitudLST presenta una recuperación más rápida queen los anteriores casos, disminuyendo a travésde los años hasta 2008, donde presenta valoresligeramente más altos pero similares a los deantes del incendio. En cuanto a la amplitud dela temperatura del aire, se observa una notable


Figura 1. Pendiente (%) de la evolución del albedo en-tre 2002 y 2011 en Europa y norte de Africa.

diferencia entre los valores de Barcelona res-pecto a los demás casos. Esto es debido a queel píxel de Barcelona está situado junto al mar

lo que modera las temperaturas del aire. Ade-más, es el único píxel cuya amplitud estacio-nal de la temperatura del aire presenta un au-


Figura 3. Amplitud estacional de la LST y la temperatura del aire.

Figura 2. Evolución del albedo, LST y temperatura del aire en áreas donde los incendios causaron un cambio enel albedo.

A B

C

E

D

mento de 17 K antes del incendio en 2003 a unpromedio de 21 K hasta 2007. Sin embargo, laamplitud aumenta progresivamente desde 2007hasta 2009, alcanzando valores similares a losque después del evento de incendio. Por otraparte, se aprecia una disminución generaliza-da de la amplitud de la temperatura del aire enel 2004 debido a temperaturas ligeramente másaltas durante el invierno de 2003-2004. Losotros píxeles no presentan ninguna influenciaen la amplitud de la temperatura del aire debi-do al cambio de albedo provocado por los in-cendios.

A continuación, hemos estimado la pen-diente de la LST y de la temperatura del aire através de los años con el fin de comprobar sialguno de los pixeles considerados presenta al-guna tendencia creciente o decreciente. La Ta-bla 1 muestra la pendiente porcentual análo-gamente al análisis albedo en la Figura 1.

Sevilla y Guadalajara presentan los valoresmás altos de pendiente de LST con valores entorno al 2%, mientras que presentan los me-nores valores en el caso de la temperatura delaire. Por el contrario, Portugal, Cáceres y Bar-celona muestran valores más altos para la tem-peratura del aire alrededor del 2% (aunque pen-diente Barcelona fue inferior), mostrandovalores bajos en el caso de la LST. Los valoresmás altos de la LST en Sevilla y Guadalajaracoinciden con los lugares con mayor incre-mento del albedo después del incendio (comose ha comentado en la Figura 2). Por otra par-te, el mayor valor de la pendiente de la tempe-ratura del aire en Portugal se puede atribuir ala mayor extensión quemada. En el caso de Cá-ceres y Bercelona, donde la temperatura del ai-re presenta pendientes elevadas, no encontra-mos ninguna explicación física a partir de la

información disponible. Una posible causa deeste comportamiento puede asociarse al cam-bio de la evapotranspiración producida por elincremento de albedo.

A partir de este análisis llegamos a la con-clusión de que los incendios forestales que seproducen en latitudes meridionales influyen enla LST al aumentar las temperaturas extremasestacionales. Este efecto dura entre tres y cua-tro años, mientras que el restablecimiento delalbedo tarda más tiempo. También se ha ob-servado los mayores cambios en el albedo im-plican mayores cambios en la LST. Sin embar-go, no se han observado cambios significativosen la temperatura del aire.

Tormentas de viento

La Figura 4 muestra el caso particular delárea de Burdeos y el sur de Suecia.

La variación del albedo de la región de Bur-deos (que se sitúa en un bosque de pinos en laregión de Les Landes) se asoció a la tormentainvernal Klaus (un ciclón extra-tropical) quedañó aproximadamente 300 mil hectáreas debosque en enero de 2009. El 8 de enero de


Figura 4. Evolución del albedo, LST y temperatura del aire en Burdeos y sur de Suecia.

Tabla 1. Pendiente (%) de la evolución de la LST yla temperatura del aire entre 2002 y 2011 en pixe-les de áreas quemadas.

Pendiente Pendiente LST (%) temp. aire (%)

Centro de Portugal –0.46 2.00Cáceres 0.72 1.73Barcelona 0.13 1.39Sevilla 1.72 0.59Guadalajara 2.60 0.81

2005, la tormenta Gudrun causó en el sur deSuecia el mayor daño documentado ocasiona-do por una tormenta. Un total de 270.000 hec-táreas de bosque fueron destruidos (Bengts-son y Nilsoon, 2007). Centrándonos primeroen el píxel de Burdeos (44.25°N, 0.60°W), elgráfico muestra un aumento del albedo de 0,12a 0,14. La LST y la temperatura del aire pre-sentan valores equivalentes antes de la tor-menta, aunque después de 2009, principal-mente durante el verano, la LST muestramayores valores que la temperatura del aire.Por el contrario, el píxel Suecia (57.10°N,13,05°E) no muestra un cambio significativode albedo debido principalmente al ruido y lospocos datos disponibles. Esto es resultado tan-to de haber enmascarado los pixeles de nievecomo de la dificultad de tener píxeles despe-jados (sin nubes) en latitudes septentrionales.Se observa un aumento repentino de albedo alprincipio de 2005 (cuando tuvo lugar la tor-menta) seguido por a una disminución repen-tina del mismo y observando una ligera ten-dencia positiva a partir de entonces. El leveincremento del albedo de un promedio de 0,10antes de la tormenta a un promedio de 0,12después de la misma no ocasionó cambios sig-nificativos en las temperaturas, aunque se de-tecta un ligero aumento de las temperaturasmínimas durante el invierno y un ligero au-mento en las temperaturas máximas durante elverano después de 2005. Sin embargo, la fal-ta de datos durante el invierno puede ocasio-nar una sobreestimación del valor de las tem-peraturas mínimas en invierno por lo que eneste caso no podemos estimar la amplitud es-tacional de las temperaturas. La Figura 5muestra la media anual de la LST y la tempe-ratura del aire de estos píxeles.

En el caso Burdeos se detecta un aumentode 6K en el promedio anual de LST de 2009que podría ser consecuencia de la tormenta deviento en enero de 2009. Sin embargo, esta áreatambién presenta un pico de LST en 2003, quese puede atribuir a la ola de calor que afectó lazona occidental de Europa durante el veranode este año. La temperatura del aire muestra unligero aumento en 2009 de 2 K. Con referen-cia a Suecia, se detecta un alto incremento tan-to de la LST y como de la temperatura del ai-re en 2006 de 7K en ambos casos. Sin embargo,la tormenta de viento se produjo en enero de2005, por lo tanto, no se detecta ninguna va-riación de la temperatura como consecuenciadel aumento del albedo.

Inundaciones

La Figura 6 muestra la evolución del albe-do, LST y temperatura del aire en el oeste deAlemania y en el sur de Polonia.

Se puede observar una mayor dispersión delos datos del albedo en ambos píxeles en com-


Figura 6. Evolución del albedo, LST y temperatura del aire en el oeste de Alemania y sur de Polonia.

Figura 5. Promedio anual de la LST y la temperaturadel aire en Burdeos y sur de Suecia.

paración con los anteriores casos. Esto es con-secuencia de la falta de datos durante el in-vierno, ya que la nieve está enmascarada en lasimágenes. Empezando por el oeste de Alema-nia (51,35°N, 7.75°E), el pixel se encuentra enuna zona forestal cercana a la ciudad de Dort-munt en la región de Westfalia, donde unas pre-cipitaciones muy intensas dieron lugar a inun-daciones el 26 de julio de 2008. Mirando lagráfica, se puede observar un ligero aumentodel albedo desde 2008. En cuanto a la varia-ción de temperaturas, se notan mayores dife-rencias entre la LST y la temperatura del airedespués de 2008, que denotan un cambio en lasuperficie. En el caso del pixel en el sur de Po-lonia (49.65°N, 19,05°E), está situado en lasmontañas Beskydy. La gráfica muestra la fal-ta de datos invierno seguido por algunos des-censos bruscos del albedo en la primavera de2005, 2006 y 2008. Esta disminución de albe-do se puede asociar a las inundaciones debidasal deshielo, lo que está causando deslizamien-tos de tierra y erosión a través de las montañasBeskydy (Pánek et al., 2011). En general, lagráfica muestra una tendencia positiva del al-bedo y una mayor diferencia entre la LST y latemperatura del aire a partir de 2007. Sin em-bargo, el aumento del albedo en ambos píxeleses muy pequeño (alrededor de 0.02) compara-do con el ruido de los datos.

La Figura 7 muestra el promedio anual de laLST y la temperatura del aire para ambos pí-xeles.

El píxel de Alemania muestra un pico en lospromedios anuales tanto de la LST como de latemperatura del aire en el 2006. En cambio, elaño cuando se produjo la inundación (2008),muestra una disminución tanto de la LST y co-

mo de la temperatura del aire con valores simi-lares e incluso superiores a 2002 y 2004. Desde2008, se observa un aumento de la LST y de latemperatura del aire alcanzando valores máxi-mos. En cuanto al píxel de Polonia, la LST pre-senta dos picos similares en 2006 y en 2008, pe-ro no apreciamos ningún cambio significativoen la temperatura después de 2007. Por lo tanto,a partir de los datos analizados no se puede de-ducir ningún impacto directo del ligero aumen-to del albedo producido por las inundaciones.

Sequias

La Figura 8 muestra la evolución del albe-do, la LST y la temperatura del aire en un pí-xel en Siria (35.90°N, 38,85°E) a lo largo delvalle del Éufrates.

El gráfico muestra un aumento del albedosuperficial a partir de 2007 desde una media de0,25 a 0,33. De hecho, la evolución albedo an-tes de 2007 corresponde a una típica zona agrí-cola con variaciones estacionales del albedo.Sin embargo, después de 2007 se observa unamayor estabilidad en el albedo. Este comporta-miento puede ser consecuencia de unas gravessequías en 2007 y 2008 que afectaron a 1,3 mi-llones de personas disminuyendo los camposde trigo del país a partir de entonces. En cuan-to a las temperaturas, tanto la LST como la tem-peratura del aire presentan valores similares através de la serie de tiempo estudiada. Sin em-bargo, con el fin de profundizar en análisis deestos parámetros, la Figura 9 muestra la am-plitud estacional y la media anual de la LST yla temperatura del aire en este píxel. La ampli-tud estacional no muestra ningún patrón que di-


Figura 8. Evolución del albedo, LST y temperatura delaire en Siria

Figura 7. Promedio anual de la LST y la temperaturadel aire en el oeste de Alemania y sur de Polonia.

fiere 2007 o 2008 de otros años. Sin embargo,el promedio anual de LST muestra un valor mí-nimo en el año 2007, aunque la diferencia conel año anterior es de sólo 2 K. Considerando lastemperaturas extremas de esta zona esta dismi-nución en las temperaturas medias no puedenconsiderarse significativo, por lo que no se ob-serva ninguna influencia en las temperaturascomo consecuencia del aumento del albedo.

Disminución de albedo superficial

La Figura 1 muestra un importante descen-so del albedo en un área situada en el sur estede Portugal y una región en el norte de Arge-lia. La Figura 10 muestra la evolución tempo-ral del albedo, la LST y la temperatura del ai-re en estas regiones.

En el caso de Portugal (38,3°N, 7,45°W), lagráfica muestra una disminución repentina delalbedo en 2003. Esto se asocia a la inaugura-ción de la presa de Alqueva en 2002. Esta pre-sa se encuentra en el río Guadiana, en la regiónde Alentejo en Portugal. Es la reserva más

grande de Portugal y de Europa Occidentalocupando una superficie de 250 km2. En cuan-to a las temperaturas, la LST muestra una dis-minución de su valor máximo después de 2002.Además, la LST presenta valores equivalentesa la temperatura del aire después de 2003.

En el caso de Argelia (34,6°N, 1.60°E), elárea analizada se encuentra en el sur de la re-gión situada entre el Atlas Telliano y el Atlas sa-hariano. Consiste en una meseta alta (~1000 mde altitud) con una llanura donde el agua se acu-mula durante la temporada de lluvias, forman-do grandes lagos de sal (que cuando se secanforman grandes salinas). Por lo tanto, depen-diendo de las precipitaciones anuales el áreapuede estar cubierta por agua o por sal. Esa pue-de ser la razón de la variación del albedo ob-servado en la gráfica. Sin embargo, no se apre-cian cambios significativos en las temperaturas.

Conclusiones

En este artículo estudiamos la evolucióntemporal del albedo entre 2002 y 2011 en Eu-


Figura 10. Evolución del albedo, LST y temperatura del aire en Portugal y Argelia.

Figura 9. Amplitud estacional (izquierda) y promedio anual (derecha) de la LST y temperatura del aire en el pí-xel de Siria.

ropa y en el norte de África utilizando datosMODIS CMG. Localizando los píxeles que su-frieron las mayores variaciones de albedo du-rante este período, hemos dividido el estudioen cuatro categorías: incendios forestales, tor-mentas de viento, inundaciones y sequías.

Los incendios forestales, situados en la Pe-nínsula Ibérica, condujeron a aumentos de al-bedo entre 0,02 y 0,05. Después de la mayoríade estos eventos se detectó un aumento de laamplitud estacional de la LST proporcional alaumento de albedo. Los resultados tambiénmostraron que este efecto dura entre tres y cua-tro años después del incendio, mientras que elrestablecimiento albedo tarda más tiempo. Sinembargo, no notamos cambios significativosen la temperatura del aire como consecuenciadel incendio.

Durante el período estudiado dos tormentasde viento golpearon Europa dañando grandesáreas de bosque en la región de Burdeos de LesLandes y en el sur de Suecia, aumentando elalbedo 0,02 en ambos casos. En Les Landes seobserva un aumento del promedio anual de laLST de 6K y de 2K en el caso de la tempera-tura del aire durante el año de la tormenta deviento. Sin embargo, el sur de Suecia no mues-tra ninguna influencia de las temperaturas alaumento de albedo.

Las inundaciones provocaron un ligero au-mento de albedo en el oeste de Alemania y elsur de Polonia, que no dio lugar a ningún cam-bio significativo en las temperaturas.

Por último, una grave sequía en el valle delÉufrates en Siria dañó zonas agrícolas aumen-tando el albedo un promedio de 0,08. Sin em-bargo, a pesar de este fuerte incremento no seobservó ninguna influencia sobre las tempera-turas.

Este estudio muestra, por tanto, que las ca-tástrofes naturales que alteran el albedo su-perficial pueden afectar la LST dependiendode la ubicación del evento (mostrando mayorsensibilidad al aumento de albedo las zonasmeridionales de Europa), la magnitud de lamisma y el clima regional. Entre las catástro-fes naturales estudiadas, se ha observado quelos incendios son los fenómenos que mayorcambio de albedo provocan y mayor influenciaejercen en las temperaturas regionales. Futu-ros estudios deben centrarse en el análisis del

impacto del aumento de albedo en otras varia-bles como por ejemplo la radiación neta o laevapotranspiración.

Agradecimientos

Los autores agradecen el apoyo en este tra-bajo por una parte del Ministerio de Ciencia yTecnología (EODIX, proyecto AYA2008-0595-C04-01; CEOS-Spain, proyecto AYA2011-29334- C02-01) y por otra parte de la UniónEuropea (CEOP-AEGIS, proyecto FP7-ENV-2007-1 proposal No. 212921).

Bibliografía

Bala, G., Caldeira, K., Wickett, M., Phillips, T. J.,Lobell, D. B., Delire, C., & Mirin, A. 2007. Com-bined climate and carbon-cycle effects of large-scale deforestation. Proceedings of the NationalAcademy of Sciences, 104, 6550-6555.

Bengtsson, A., & Nilsson, C. 2007. Extreme valuemodelling of storm damage in Swedish forests.Nat. Hazards Earth Syst. Sci., 7, 515–521.

Betts, R. A. 2000. Offset of the potential carbon sinkfrom boreal forestation by decreases in surfacealbedo. Nature, 408, 187-190.

Bonan, G. B. 2008. Forests and Climate Change:Forcings, Feedbacks, and the Climate Benefits ofForests. Science, 320, 1444-1449.

Bounoua, L., DeFries, R., Collatz, G. J., Sellers, P.,& Khan, H. 2002. Effects of Land Cover Con-version on Surface Climate. Climatic Change, 52,29-64.

DeFries, R. S., Bounoua, L., & Collatz, G. J. 2002.Human modification of the landscape and surfa-ce climate in the next fifty years. Global changebiology., 8, 438-458.

Diffenbaugh, N. S., & Sloan, L. C. 2002. Global cli-mate sensitivity to land surface change: The MidHolocene revisited. Geophys. Res. Lett., 29, 1476.

Feddema, J. J., Oleson, Keith W., Bonan, Gordon B.,Mearns, Linda O., Buja, Lawrence E., Meehl, Ge-rald A., & Washington, Warren M. 2005. The Im-portance of Land-Cover Change in SimulatingFuture Climates. Science, 310, 1674-1678.

Field, C. B., Lobell, David B., Peters, Halton A., &Chiariello, Nona R. 2007. Feedbacks of Terres-trial Ecosystems to Climate Change. Annual Re-view of Environment and Resources, 32, 1-29.

Jackson, R. B., Jobbágy, Esteban G., Avissar, Roni,Roy, Somnath Baidya, Barrett, Damian J., Cook,Charles W., Farley, Kathleen A., le Maitre, DavidC., McCarl, Bruce A., & Murray, Brian C. 2005.Trading Water for Carbon with Biological Car-bon Sequestration. Science, 310, 1944-1947.


Jackson, R., B., James T. Randerson, Josep G. Ca-nadell, Ray G. Anderson, Roni Avissar, DennisD. Baldocchi, Gordon B. Bonan, Ken Caldeira,Noah S. Diffenbaugh, Christopher B. Field, Bru-ce A. Hungate, Esteban G. JobbÃ¡gy, Lara M.Kueppers, Marcelo D. Nosetto, & Diane E. Pata-ki 2008. Protecting climate with forests. Envi-ronmental Research Letters, 3, 044006.

Juang, J.-Y., Katul, G., Siqueira, M., Stoy, P. & No-vick, K. 2007. Separating the effects of albedofrom eco-physiological changes on surface tem-perature along a successional chronosequence inthe southeastern United States. Geophys. Res.Lett., 34, L21408.

Lucht, W., Hyman, A. H., Strahler, A. H., Barnsley,M. J., Hobson, P., vMuller, J. P. 2000. A compa-rison of satellite-derived spectral albedos toground-based broadband albedo measurementsmodeled to satellite spatial scale for a semidesertlandscape. Remote Sensing of Environment, 74,85-98.

Maignan, F., Breon, F. M., & Lacaze, R. 2004. Bi-directional reflectance of Earth targets: Evalua-tion of analytical models using a large set of spa-ceborne measurements with emphasis on the HotSpot. Remote Sensing of Environment, 90, 210-220.

Oleson, K., Bonan, G., Levis, S., & Vertenstein, M.2004. Effects of land use change on North Ame-rican climate: Impact of surface datasets and mo-del biogeophysics. Climate Dynamics, 23.

Pánek, T., Silhán, K., TáBorÍk, P., Hradecky, J.,Smolková, V., Lenart, J., Brázdil, R., KasiCková,L. & Pazdur, A. 2011. catastrophic slope failureand its origins: case study of May 2010 Girovámountain long-runout rock slide (Czech Repu-blic). Geomorphology, 130, 352-364.

Pielke, R. A., Marland, Gregg, Betts, Richard A.,Chase, Thomas N., Eastman, Joseph L., Niles,John O., Niyogi, Dev dutta S., & Running, Ste-ven W. 2002. The influence of land-use changeand landscape dynamics on the climate system:relevance to climate-change policy beyond theradiative effect of greenhouse gases. Philosophi-cal Transactions of the Royal Society of London.Series A: Mathematical, Physical and Enginee-ring Sciences, 360, 1705-1719.

Roujean, J. L., Leroy, M. & Deschamps, P. Y. 1992.A Bidirectional Reflectance Model of the EarthsSurface for the Correction of Remote-SensingData. Journal of Geophysical Research-Atmos-pheres, 97, 20455-20468.

Schaeffer, M., Eickhout, B., Hoogwijk, M., Stren-gers, B., van Vuuren, D., Leemans, R., & Opste-egh, T. 2006. CO2 and albedo climate impacts ofextratropical carbon and biomass plantations.Global Biogeochem. Cycles, 20, GB2020.

Vermote, E., Justice, C. O., & Breon, F. M. 2009.Towards a Generalized Approach for Correctionof the BRDF Effect in MODIS Directional Re-flectances. Ieee Transactions on Geoscience andRemote Sensing, 47, 898-908.


Introducción

Si bien habitualmente las técnicas de tele-detección se aplican sobre datos provenientesde la superf icie terrestre, en este artículo sepropone la aplicación de esas mismas técnicassobre información de la superf icie lunar va-liéndonos de las imágenes de algunos de lossatélites que orbitan alrededor de la Luna.

No es de extrañar que las agencias espacia-les entiendan la teledetección como una disci-plina preferente en sus investigaciones, y es-

tén utilizando estas técnicas para ampliar susconocimientos de los diferentes cuerpos delsistema solar. Se envían sondas y se procesainformación no sólo de la Luna, sino de las su-perf icies y atmósferas de Mercurio, Venus,Marte, Júpiter y Saturno entre otros cuerposcelestes (Clark et al., 2003, y Nittler et al.,2004).

Incluso recientemente se está empezando avalorar la espectrometría como una técnica atener en cuenta en el estudio de planetas ex-trasolares, evaluando el espectro de luz de és-

Clasificación de unidades geológicas sobre la superficie lunar

I. Ordóñez Etxeberria y A. Bastarrika IzagirreDepartamento de Ingeniería Minera, Metalúrgica y Ciencia de los Materiales.

Escuela de Ingeniería de Vitoria-Gasteiz. Universidad del País Vasco UPV/EHU

Resumen

Este trabajo consiste en la aplicación de técnicas de teledetección sobre imágenes lunares, con elobjetivo de obtener información de las características superficiales mineralógicas de la Luna. Se des-criben el tratamiento de las imágenes obtenidas por la misión SELENE, desarrollada por la AgenciaJaponesa de Exploración Aeroespacial (JAXA), así como los resultados obtenidos para el área de es-tudio. La zona escogida se ubica en la región sur de la meseta Aristarchus, y corresponde a una de lasregiones de mayor diversidad geológica de la Luna. Las 120 imágenes analizadas cubren alrededor de10.000 km2 y como resultado final del trabajo se ha realizado la cartografía mineralógica de la regióna la mejor escala cartográfica conseguida hasta ahora.

Palabras clave: Luna, meseta y cráter Aristarchus, SELENE, MI-VIS, MI-NIR, LROC, cartogra-fía lunar, geología lunar, mineralogía lunar.

Abstract

This work consisted in the application of remote sensing techniques on lunar images with the aimof obtaining information on the superficial mineralogy features of the moon. It describes the processingof the images obtained by the SELENE mission, developed by the Japan Aerospace Exploration Agency(JAXA), and the results obtained in one particular study area. The chosen region is located to the southof the Aristarchus plateau and corresponds to a region with one the biggest geological diversity in themoon. The 120 images analyzed cover an extension of 10,000 km2, resulting in the best resolutionmineralogy cartography obtained so far.

Key words: Moon, Aristarchus plateau and crater, SELENE, MI-VIS, MI-NIR, LROC, lunarcartography, lunar geology, lunar mineralogy.

* Autor para la correspondencia: [email protected]; [email protected]: 30-10-12; Aceptado: 10-05-13.


tos y comparándolo con el reflejado por nues-tro planeta sobre la superf icie lunar (Palléet al., 2009).

Los criterios para clasif icar y determinarunidades geológicas sobre la superficie lunarhan variado significativamente en lo últimosaños. En los años 60 y 70 del siglo XX las pau-tas básicas usadas para definir la distribuciónespacial de los materiales geológicos de nues-tro astro más cercano, eran definidas por la tex-tura superficial y topográfica aportada por imá-genes pancromáticas (Wilhelms et al., 1979).El criterio de clasificación venía determinadobásicamente por la tonalidad de las áreas, sinaportar información significativa sobre la mi-neralogía que las configuraba.

Sin embargo, los recientes avances en la te-ledetección han permitido expandir las posibi-lidades de este ámbito de estudio, la resolucióny cobertura espacial han ido aumentando, y lasmisiones lunares han aportado imágenes mul-tiespectrales e hiperespectrales de gran calidadde la superficie lunar (Jaumann et al., 2012).

Las características y localización de mate-riales lunares están siendo objeto de estudiopor diversas Agencias Espaciales y equipos deinvestigación. En este sentido, el número demisiones y satélites enviados a la Luna desdemediados del siglo pasado es elevado, y en losúltimos años se han realizado esfuerzos por re-cabar datos que explicaran el origen y evolu-ción de ésta y aportaran información geológi-ca que permita examinar la existencia de aguaen forma de hielo y las posibilidades para lamejor ubicación de futuras bases científ icaspermanentes en el satélite.

Con esos objetivos, en la actualidad nos en-contramos con una gran cantidad de sensoresque se encargan de determinar un alto númerode características lunares alrededor de la to-pografía, la geomorfología, la mineralogía y lageodesia entre otros ámbitos de estudio.

En la Tabla 1 se detallan algunas de las ca-racterísticas de las misiones y sensores que sehan enviado a la Luna. Se han recopilado aque-llos instrumentos que por las características de

Clasificación de unidades geológicas sobre la superficie lunar 35

Tabla 1. Principales misiones lunares con interés geológico

Sensor Región espectral Rango (nm) Resolución (m/px)

Clementine - Agencia: Nasa (1994-1994)

UVVIS Ultravioleta-Visible 400-1000 100-325HiRes Visible 400-800 7-20LIDAR Láser — 40LWIR Infrarrojo 8000-9500 55-136NIR Infrarrojo Cercano 1100-2780 150-500

Smart-1 - Agencia: ESA (2003-2006)

AMIE Visible-Infrarrojo 750-950 50SIR Infrarrojo 900-2400 300

SELENE - Agencia: JAXA (2007-2009)

MI Visible-Infrarrojo 415-1550 20-62SP Visible-Infrarrojo 500-2600 500TC Visible 430-850 10LRS Radar — 30LALT Láser — 1600

Chandrayaan-1 - Agencia: ISRO (2008-2009)

Moon Mineralogy Mapper-M3 Visible-Infrarrojo 446-3000 140

LRO - Agencia: NASA (2009-2012)

Diviner Infrarrojo 350-4000 180LAMP Ultravioleta 57,5-196,5 100LOLA Láser — 5LROC Ultravioleta-Visible 300-680 1

la información capturada tienen un interéscientífico dentro de la temática de este artícu-lo, incluyendo así las misiones Clementine,Smart-1, SELENE, Chandrayaan-1 y LRO.

Los objetivos de estas misiones se circuns-criben en el ámbito geológico, y así en la mi-sión Clementine se buscaba estudiar la super-f icie lunar y el asteroide 1620 Geógrafo.Smart-1 de la ESA recopiló datos que ayuda-ron a responder cuestiones sobre el origen dela Luna y la posible presencia de hielo en susuperficie, y en este sentido la misión SELE-NE ha obtenido datos científicos que han ex-plicado el origen y evolución lunar, y se dis-pone de la información que va a poder abordarel desarrollo de tecnologías para futuras ex-ploraciones a nuestro satélite. Los experimen-tos a bordo de Chandrayaan-1 y LRO permitenen la actualidad realizar una cartografía a altaresolución de toda la superficie lunar, distin-guiendo la distribución de diferentes elemen-tos como el magnesio, aluminio, silicio, cal-cio, hierro y titanio, así como algunos denúmero atómico alto, como el radón, uranio ytorio, y evaluar la superficie lunar en vista afuturos aterrizajes para exploraciones huma-nas en el satélite.

En lo que se refiere a la tipología de los ma-teriales geológicos que se pueden encontrar so-bre la superficie lunar, éstos vienen determi-nados por las condiciones en las que se originóla Luna y la carencia de procesos erosivos decarácter atmosférico, de tal modo se configu-ra la naturaleza de las rocas lunares como detipo ígneo.

Si bien el origen de la Luna aún se está de-finiendo, la hipótesis más aceptada es la de-nominada Teoría del Impacto, que básicamen-te determina que un cuerpo del tamaño deMarte habría impactado sobre la Tierra hace4.500 millones de años. Este choque presumi-blemente habría expulsado grandes cantidadesde material alrededor de la órbita terrestre, yfinalmente la Luna se habría formado a travésde la acumulación y compactación de estoscomponentes (Hartmann et al., 1986).

En las primeras etapas de la formación de laLuna, ésta estaría compuesta por una masa demagma que paulatinamente fue solidificando,y durante este tiempo varios eventos de im-pacto siguieron modificando la superficie lu-

nar. Tras éstos, las lavas fluyeron sobre la su-perficie formando los mares y más tarde lle-garían las erupciones piroclásticas arrojandorestos de basalto derretido.

De esta forma, la superficie lunar estaría for-mada por rocas ígneas procedentes del océanode magma original, y el magma producido porlos impactos durante su origen y los eventosvolcánicos posteriores. Así la totalidad de lasrocas que podemos encontrar sobre la superfi-cie lunar pertenecen al tipo de rocas magmáti-cas, predominando entre ellas el basalto que cu-bre los mares lunares (Hartmann et al., 1986).

Área de estudio y datos usados

Sobre la superf icie lunar existen, básica-mente, dos características que determinan ladiversidad de materiales geológicos. Por un la-do los cráteres de impacto o astroblemas, y porotro la actividad volcánica.

En este sentido, el área escogida para el es-tudio de este trabajo ha sido parte de la mese-ta de Aristarchus, que incluye el cráter del mis-mo nombre situado en la zona este de la región,el inicio del Vallis Schröteri al norte, con la for-mación «cabeza de cobra» que corresponde auna depresión originada por actividad volcá-nica, y el cráter Herodotus al oeste.

Esta región ha sido estudiada en los traba-jos de investigación de Mustard et al. (2011) yChevrel et al. (2009), en los que se destaca lameseta de Aristarchus como una región de con-siderable variedad geológica, éstos aportanademás resultados de diferenciación de mate-riales y en el caso del estudio de Chevrel et al.(2009), las características mineralógicas de lasrocas que componen la región. Las diferenciasfundamentales de el trabajo que aquí se pre-senta respecto a los dos anteriores radica en laresolución espacial y espectral de las imáge-nes usadas. Así en el trabajo de Mustard et al.(2011) el estudio se realizó con datos hiperes-pectrales del instrumento M3, de 140 m/px. Enel trabajo de Chevrel et al. (2009) fueron usa-das imágenes de la misión Clementine de en-tre 100 a 325 m/px (Tabla 1). En nuestro caso,y como se señala más adelante, la resoluciónespacial de las imágenes de SELENE es de62 m/px, lo que ha permitido la cartografía de

36 I. Ordóñez y A. Bastarrika / Revista de Teledetección (2013) 39, 34-45

la zona a mayor escala que en los estudios an-teriores.

La localización del área de estudio, que seseñala de forma generalizada en la Figura 1, seencuentra entre las longitudes 46° W-52° W ylas latitudes 22° N-25° N, y supone una super-ficie de alrededor de 10.000 km2.

En lo que se refiere a los datos usados parala clasificación de materiales, se ha contado conlas imágenes capturadas por la misión SELE-NE, mediante el instrumento MI. Este instru-mento se subdivide en dos sensores diferentes,el MI-VIS sensible a las longitudes de onda de415, 750, 900, 950 y 1000 nm y que conformauna imagen de 5 bandas, y el MI-NIR que cap-tura información en los 1000, 1050, 1250 y1550 nm agrupados en 4 bandas diferentes.

El satélite SELENE describía, en el momentode la observación, una órbita polar circular a100 km de altura sobre la superficie lunar y unainclinación de 90° (Matsumoto et al., 2009).

Los detalles de ambos sensores se describenen el artículo de Ohtake et al. (2008) y se re-sumen brevemente en la Tabla 2.

El nivel de tratamiento de las imágenes usa-das en este proyecto corresponde al L2B, quesupone una corrección radiométrica de los da-tos, del modo descrito también por Ohtakeet al. (2008). Así, tras esta corrección, la in-formación de las imágenes corresponde a ni-veles de radiancia.

Por otro lado, las imágenes que han partici-pado en el mosaico final objeto de la clasifi-cación geológica fueron tomadas por la misiónSELENE en marzo de 2008.

En la realización práctica de este trabajo sehan usado, además de las imágenes obtenidas

por la misión SELENE, los datos altimétricosproporcionados por el instrumento LROC dela misión LRO de la NASA.

Metodología

Respecto a la metodología aplicada, se de-be señalar que los dos sensores del instrumen-to MI de la misión SELENE (MI-VIS y MI-NIR) utilizados en este trabajo disponen deresoluciones espaciales diferentes, siendo de20 m/px para MI-VIS y 62 m/px para MI-NIR,de modo que al ser ensamblados los datos re-sultantes tienen una resolución de 62 m/px pro-pia del sensor MI-NIR. En este paso se ha apli-cado un remuestreo bicúbico, reduciendo laresolución de MI-VIS a la de MI-NIR, para ob-


Figura 1. Localización de la meseta de Aristarchus enla cara visible de la Luna.

Tabla 2. Características de los sensores MI-VIS y MI-NIR.

MI SensorResolución

f FOV BandaLongitud

espacial de onda

1 0,415µm2 0,750 µm

MI-VIS 2D CCD 20 m/px 65 mm 11° 3 0,900 µm4 0,950 µm5 1,000 µm

6 1,015 µm

MI-NIR 2D InGaAs 62 m/px 65 mm 11,2°7 1,050 µm8 1,250 µm9 1,550 µm

tener las imágenes finales. La resolución es-pacial del resultado de este remuestreo es de-terminante a la hora de poder establecer unaescala final del resultado y en total, para la es-cena cartografiada, han participado 120 imá-genes, 60 para cada uno de los sensores, cu-briendo un área de alrededor de 10.000 km2.

Para la aplicación de las técnicas de clasifi-cación sobre las imágenes originales de SE-LENE, previamente se han unido los datos deambos sensores, de modo que conformaran unasola imagen de 9 bandas (Tabla 2). En este sen-tido, cada una de las imágenes ha sido geore-ferenciada a partir de la información aportadaen la cabecera del fichero de datos, indicandola longitud y latitud lunares, para cada uno delas esquinas de la matriz de píxeles, así comopara el punto central de la escena.

Sin embargo los valores de la posición delongitud y latitud no se corresponden exacta-mente a la situación real de los píxeles de laimagen, sino que en algunos casos pueden ve-nir alterados dependiendo de la dirección yorientación del satélite. Por lo tanto, para geo-referenciar correctamente cada una de las es-cenas se han consultado también las etiquetasde la cabecera que determinan estos dos fac-tores, y poder así georreferenciar correcta-mente la imagen.

Una vez se tenían las 120 imágenes georre-ferenciadas, podían unirse entre ellas para con-formar la región de estudio.

Clasificación de las unidadesgeológicas

Para la separación de los diferentes mate-riales sobre el área de estudio, se ha optado por

realizar una clasif icación supervisada por elmétodo de máxima verosimilitud. Por lo tanto,y en la aplicación de este método, se han defi-nido áreas de entrenamiento a las que se les haasignado un material concreto, en referencia alestudio de Chevrel et al. (2009) como se ex-pone más adelante.

El clasificador de máxima verosimilitud (omáxima probabilidad) considera que los datossiguen una función de distribución normal pa-ra asignar la probabilidad de que un píxel cual-quiera pertenezca a cada una de las clases. Elcálculo se realiza para todas las clases, y se leasigna al píxel aquella que maximice la fun-ción de probabilidad.

En nuestro caso las áreas de entrenamientose han seleccionado a partir de la informacióndel estudio de Chevrel et al. (2009) reflejadoen la Tabla 3. De este modo, al tomar las refe-rencias directamente de las imágenes de la mi-sión SELENE, no ha sido necesario determi-nar la reflectividad de la superficie a partir delos valores de radiancia aportados por los dossensores, ya que su consideración no variaríael resultado del método aquí usado.

En la nomenclatura de estas diferentes uni-dades geológicas se ha preferido respetar losnombres dados en el artículo de Chevrel et al.(2009) descritos anteriormente, ya que han si-do la referencia para la determinación de laszonas que iban a conformar las diferentes áreasde entrenamiento, y la tipología de éstas.

Diferencias entre pasadas

El desarrollo de la clasificación se ha debi-do realizar sobre dos imágenes diferentes, quecorresponden a dos grupos de pasadas del sa-


Tabla 3. Ubicación de las áreas de entrenamiento para el método de Máxima Verosimilitud

Material Latitud Longitud

AP, anortosita con clinopiroxeno y olivino fragmentado 23°41'30,5439" N 47°31'14,1576" WAER, anortosita con piroxenos 23°54'02,6578" N 46°59'23,6153" WDMD, basalto con material magmático de carácter eruptivo 22°28'20,0361" N 48°50'05,3611" WHE, plagioclasa, clinopiroxeno y ortopiroxeno 24°14'47,5360" N 50°01'13,5895" WNE, ortopiroxeno con bajo contenido en feldespato 23°31'19,8119" N 46°23'06,0219" WOL, olivino 23°17'20,9852" N 46°42'12,4183" WSC, anortosita con clinopiroxeno 23°00'48,3736" N 47°39'45,5882" WSW, materiales basálticos ricos en clinopiroxeno 22°30'02,9549" N 47°34'24,0380" W

télite SELENE sobre el área de estudio. Estoha sido motivado por el diferente ángulo de in-cidencia solar para cada uno de los grupos depasadas, que han imposibilitado la fusión delos datos de radiancia entre ellas. Estos valo-res se muestran muy diferentes para puntos lo-calizados sobre las áreas de solape, incluso traspretender una corrección de éstos a partir delvalor del ángulo de incidencia para cada con-junto de pasadas.

Si bien las diferencias relativas a las condi-ciones geométricas de la radiación solar, y quese señalan a continuación, no son muy acen-tuadas en las órbitas consecutivas, sí lo son en-tre grupos de pasadas no consecutivas.

Hay que señalar que entre pasadas consecu-tivas, el intervalo temporal que separaba cadauna de ellas era de alrededor de 2 horas detiempo, lo que supone 8 horas de diferencia en-tre la primera y la última pasada que cubre lazona de estudio. Sin embargo se debe tener encuenta que un día lunar tiene una duración dealrededor de 28 días terrestres, con lo cual aunpareciendo considerable esa diferencia tempo-ral de 8 horas entre pasadas, suponen unas mo-dificaciones de las condiciones geométricas dela luz solar mínimas. En una aproximación sim-plif icada, sería como situar respecto a la su-perficie terrestre una diferencia temporal deunos 17 minutos entre la primera y la últimapasada de cada grupo.

Se ha estudiado la posibilidad de relacionarel ángulo de incidencia solar con los valores deradiancia de cada imagen, entendiendo que losdatos resultantes debieran ser similares paraambas imágenes en las áreas de solape, una vezaplicada esta corrección.

Se debe tener en cuenta que los valores de lasimágenes ya están corregidos radiométricamen-te (recordemos que se está trabajando con imá-genes etiquetadas como L2B), y que suponemosque la superficie lunar responde al modelo de unreflector lambertiano, en el que se refleja la ener-gía incidente por igual en todas las direcciones.Por otro lado, debido a las características de laLuna, no debemos contar en este caso con facto-res atmosféricos ni relacionados con la vegeta-ción, así que tan sólo nos resta establecer la co-rrespondencia entre los valores de los dos gruposde pasadas en base al ángulo de incidencia solar.

Para diseñar esta corrección se optó por apli-car una ecuación que relacionara el coseno delángulo de incidencia con los datos de ambasimágenes sobre los valores de 12 puntos demuestreo seleccionados en áreas de solape, demodo que se pudiera establecer una relación li-neal entre ambas imágenes.

Sin embargo el resultado no ha permitido es-tablecer una correspondencia lineal entre losdatos, ya que los valores siguen teniendo dife-rencias notables y no constantes, como se pue-de observar en la Figura 2.


Figura 2. Superposición de los grupos de pasadas en la región de estudio.En esta imagen se puede apreciar la diferencia de valores entre pasadas.

Ante la imposibilidad de encontrar una co-rrespondencia entre ambas imágenes que per-mitiera unirlas y trabajar con un único origende datos, la solución que se propone al pro-blema de las diferencias geométricas de la ra-diación solar entre pasadas, es realizar la cla-sif icación geológica de modo separado paracada uno de los grupos de pasadas seleccio-nados, y combinar luego los resultados deambas.

De este modo se puede obtener una infor-mación de los materiales geológicos para unasuperficie mayor que el área cubierta por cadauna de las pasadas orbitales, sin que esta in-formación se vea afectada por los diferentesvalores de radiancia en las áreas de solape.

Resultados

Separabilidad de los materiales

La separabilidad de los materiales geológi-cos se muestra en la Tabla 4, y ha sido calcu-lada a partir de las estadísticas obtenidas en lasregiones de entrenamiento. En este caso, losvalores por debajo de 1,9 indican una pobre se-parabilidad mientras que entre 1,9 y 2 la sepa-rabilidad es adecuada. Como se puede obser-var en la Tabla 4, existe una buena separacióngeneralizada entre materiales, si exceptuamosla correspondiente entre las clases HE y SW,en los que esta separabilidad puede conside-rarse muy pobre con un valor de 1,7.

Sin embargo, el gran parecido de los mate-riales que componen esta unidad geológica, enla que predomina el clinopiroxeno, y que a suvez está reflejado en la semejanza espectral de

la Tabla 4, puede justificar ese valor tan esca-so de separabilidad.

Disposición espacial de los materiales

Para tener una visión completa de la clasifi-cación sobre la región de Aristarchus, se ha rea-lizado un solape de los resultados de dicha clasi-ficación sobre los dos grupos de pasadas,mostrando la cobertura total de materiales geo-lógicos sobre esa porción de la meseta (Figura 3).

Las imágenes resultantes tras aplicar el mé-todo de máxima verosimilitud, muestran en al-guna medida una alta diversidad geológica, yuna disposición continua de las unidades geo-lógicas. Por un lado, destaca la presencia de laclase AP en el interior del cráter Aristarchus,que también está presente junto al cono volcá-nico de la formación «cabeza de cobra» del Va-llis Schröteri.

La unidad geológica AER cubre la porciónnorte de la imagen, combinándose hacia el oes-te con materiales del tipo DMD y SW. Segui-


Tabla 4. Separabilidad de los diferentes materiales aplicando la fórmula para el cál-culo de la distancia Jeffries-Matusita

AP AER DMD HE NE OL SC SW

AP 2,000AER 2,000 2,000DMD 2,000 2,000 1,999

HE 2,000 2,000 1,999 1,999NE 2,000 2,000 1,999 1,996 2,000OL 2,000 2,000 2,000 1,999 2,000 1,995SC 2,000 2,000 2,000 2,000 2,000 1,996 1,999SW 2,000 2,000 1,998 1,679 1,999 2,000 2,000 2,000

Tabla 5. Tamaño de la superficie clasificada paracada tipo de materiales

MaterialPorcentaje

km2

de superficie

AP 10,48 % 1.228AER 53,46 % 6.267DMD 7,80 % 915

HE 0,76 % 89NE 6,06 % 711OL 0,18 % 21SC 6,15 % 721SW 15,11 % 1.771

damente, y en la región suroeste del cráter, seaprecia una disposición continua, casi de for-ma paralela, de las clases SC, NE y DMD. Es-ta disposición pudiera responder a las expul-siones de material a partir del impacto delmeteorito, en formas de «cola de gallo».

En la zona sur de la imagen, se distingue lapresencia de materiales SW, que también tienerepresentación en la esquina noreste de la re-gión estudiada.

Por último, hay dos unidades claramente se-paradas y que abarcan una extensión espacialreducida: la zona OL, compuesta por olivino yque destaca al sureste del cráter Aristarchus; yla zona HE, que corresponde a un pequeño crá-ter situado al Norte del cráter Herodotus.

Evaluación de los resultados

La evaluación de los resultados obtenidos esuno de los aspectos más comprometidos de es-te trabajo. Ya se ha señalado que tan sólo secuenta con un artículo que ha identificado losmateriales (Chevrel et al., 2009) y que de he-cho ha servido de referente para la ubicaciónde las clases en los polígonos de entrenamien-

to, y otro material de investigación (Mustardet al., 2011) que propone una separación demateriales geológicos para nuestra área de es-tudio. Por lo tanto no es posible cotejar la ca-lidad del resultado con otros trabajos ni, mu-cho menos, con muestras de campo.

Respecto a la presencia de olivino en la re-gión de Aristarchus, que tiene su referencia enla clase OL, ésta aparece pobremente repre-sentada en el trabajo de Chevrel et al. (2009),si bien, y como se desarrolla más adelante, noexisten dudas de la presencia de este mineralen esa posición sureste del cráter Aristarchus.

Por otro lado, una de las consideraciones queusó el equipo de investigación del cráter Aris-tarchus (Mustard et al., 2011), para la deter-minación de las características geológicas deéste, fue aplicar el algoritmo Spectral AngleMapper (SAM), sobre los datos aportados porla misión Chandrayaan-1. En este caso, y co-mo se puede comprobar en la Figura 5, la di-ferenciación del olivino es clara, y coincide conla presencia de éste en la Figura 4.

En este trabajo de investigación de Mustardet al. (2011), no se analiza el tipo de materia-les que componen el cráter de Aristarchus (sal-vo en el caso del olivino, comentado anterior-


Figura 3. Superposición de los resultados de la clasificación para ambos grupos de pasa-das.La clase AP corresponde a anortosita con clinopiroxeno y olivino fragmentado; AER:anortosita con piroxenos; DMD: basalto con material magmático de carácter eruptivo; HE:plagioclasa, clinopiroxeno y ortopiroxeno; NE: ortopiroxeno con bajo contenido en feldes-pato; OL: olivino; SC: anortosita con clinopiroxeno; SW: materiales basálticos ricos en cli-nopiroxeno.

mente), sino que propone un método de clasi-f icación geológica que separa las diferentesclases de materiales del área de estudio tal ycomo se muestra en la Figura 6.

Se puede apreciar cómo se da una distribu-ción coherente de materiales entre la Figura 3

referente a los resultados obtenidos en nuestrotrabajo y la Figura 6. Por un lado la unidad APestá claramente representada en el interior delcráter Aristarchus, y en menor medida en el co-no volcánico de la formación «cabeza de co-bra» del Vallis Schröteri. En los resultados ob-tenidos en la realización práctica de nuestroproyecto la localización y distribución de ma-teriales es similar.

También se observa de forma diferenciadala presencia de olivino, que como se ha deta-llado anteriormente está situado en el sectorsureste del cráter Aristarchus, y que viene cla-ramente diferenciado en rojo sobre la Figura 5.

Por otro lado, se aprecia una distribución pa-ralela idéntica entre las clases SC (azul claro),NE (gris), DMD (azul) de la imagen que se haobtenido en nuestro trabajo, y la gama de co-lores propuestos en la misma región para el re-sultado de Mustard et al. (2011).

Un material que aparece claramente reco-nocible, y que es algo marginal en la escena,es el correspondiente a la clase HE, localiza-do en un pequeño cráter sobre el cráter Hero-dotus, y que se muestra en la Figura 6 clara-mente resaltado con un verde amarillento. Ennuestro resultado este material corresponde ala unidad coloreada en marrón y situada sobreel mismo punto que corresponde a materialesricos en plagioclasa, clinopiroxeno y ortopiro-xeno. También se distingue la distribución uni-


Figura 5. Aplicación del algoritmo SAM sobre los datos de M3 (Mustard et al.,2011), para la clasificación del olivino.

Figura 4. Localización de la clase OL en el trabajo deChevrel et al. (2009) y en los resultados de la clasifi-cación obtenidos en este trabajo.

forme y continua de la clase AER en el sectornorte de la imagen. Esta diferenciación es am-pliamente más clara que en el anterior trabajocomparado de Chevrel et al. (2009).

Para determinar el grado de coincidencia en-tre las clasificaciones de las imágenes corres-pondientes al primer y segundo grupo de pa-sadas, se ha realizado un conteo de píxelessegún su correspondencia entre clases.

Para ello se ha elaborado un sencillo algo-ritmo, cuyo resultado se refleja en la Tabla 6.Este algoritmo identifica la coincidencia de lasdiferentes clases entre ambas pasadas, gene-rando una matriz de confusión que posterior-mente puede ser evaluada.

A partir de los resultados obtenidos en la Ta-bla 6, se puede calcular fácilmente el porcen-taje de coincidencia entre clases. Así, el resul-tado global que obtenemos en nuestro caso esde un 68,02% de correspondencia entre clases.

Como se puede observar se dan en algunoscasos valores individuales de coincidencia con-siderablemente bajos, como HE para el primergrupo de pasadas, o DMD en el caso del se-gundo grupo, debido principalmente a la esca-sa presencia de esos materiales en las imáge-nes recíprocas.

En este punto hay que señalar, que las imá-genes analizadas no estaban corregidas geomé-tricamente entre sí, con lo cual es posible queno exista una correspondencia completa entrela ubicación de un píxel de una y otra imagen.

Aún y todo, el porcentaje de coincidencia seconsidera bueno, teniendo en cuenta este últi-mo aspecto señalado, y las dificultades que sehan indicado a lo largo del trabajo referentes ala ubicación de las áreas de entrenamiento y ala separación entre clases.

En este sentido, y como se puede observaren la Figura 3, se da una incongruencia en losresultados para ambos grupos de pasadas en laregión Oeste de la imagen, mayormente paralos materiales AER, DMD y SW, aunque en elresto de la imagen se comportan de manera co-herente entre sí. Para la cartografía final se haescogido el grupo de pasadas que de forma másuniforme respondía a la localización de los ma-teriales.

Por último, y con el objetivo de facilitar lainterpretación de los resultados obtenidos seha realizado un documento cartográfico, mos-trado en la Figura 7. Para la correcta transfor-mación de los datos se han proyectado éstos so-bre el sistema de referencia Moon 2000def inido por la International Astronomical


Figura 6. Aplicación del algoritmo SAM sobre los da-tos de M3 (Mustard et al., 2011), para la clasificacióndel olivino.

Tabla 6. Número de píxeles coincidentes entre clases

Segunda Primera pasada

pasada Sin AP AER DMD HE NE OL SC SW Coincidencia

solape

Sin solape 114177 113438 481719 24243 21868 48121 4341 69078 172516AP 97385 108718 60687 371 394 2126 48 1494 380 62,40%

AER 515839 16831 632837 47891 15614 19050 458 3627 87279 76,84%DMD 139826 390 50254 73907 12653 17960 157 54 89999 30,12%

HE 77 5 152 12 1224 0 0 0 114 81,22%NE 54464 3583 19703 590 1 82316 60 23181 18 63,59%OL 223 660 71 21 0 1753 1011 68 1 28,20%SC 60734 22337 9827 27 0 12322 24 57801 2 56,48%SW 117284 148 23003 7938 2987 379 1 0 226148 86,78%

Coincidencia 71,21% 79,45% 56,52% 3,72% 60,57% 57,48% 67,04% 55,99%

Union. Además se ha incluido la informaciónaltimétrica derivada del modelo digital de te-rreno obtenido a partir de las imágenes de lamisión LROC, a modo de sombreado de relie-ve y curvas de nivel y por último la proyeccióncartográfica aplicada ha sido la Transversa deMercator. De este modo, y teniendo en cuentala resolución espacial de las imágenes, se haconfeccionado la cartografía mineralógica dela zona a una escala 1/350.000.

Conclusiones

Desde los inicios de la cartografía lunar has-ta la actualidad se ha avanzado de manera de-terminante, apoyándose las diferentes agenciasespaciales en la teledetección. Para la aplica-ción de estas técnicas de teledetección sobreimágenes lunares, se cuenta con diversas fuen-tes de datos hiperespectrales y multiespectra-les, distribuidas por las diferentes agencias es-paciales internacionales.

En nuestro caso, con los datos aportados porlos instrumentos MI-VIS y MI-NIR de la mi-sión SELENE se ha podido realizar una clasi-ficación de materiales lunares de la superficiedel satélite.

Del mismo modo que en anteriores trabajos,el área de estudio escogido ha respondido a unadiversidad geológica elevada, y las diferentesclases obtenidas en el resultado de la clasifi-cación se han localizado de forma coherentecon estos trabajos previos. Sin embargo estaclasificación, para ser resuelta positivamenteha tenido que apoyarse en el trabajo de Che-vrel et al. (2009), impidiendo de este modo re-alizar una evaluación cuantitativa del resulta-do, más allá del propuesto en la coincidenciade las áreas de solape de los dos grupos de pa-sadas. Este último método nos ha devuelto unacoincidencia de disposición idéntica de mate-riales entre las dos imágenes del 68%.

Por otro lado, la evaluación del resultado semuestra compleja en este ámbito de estudio, sibien los resultados propuestos tienen cierta co-rrespondencia al menos cualitativa con ante-riores trabajos en el mismo área. Por lo tantocon esta limitación en la evaluación se entien-de el resultado obtenido como un resultado pre-liminar para una futura cartografía geológicade la región de Aristarchus, apoyada en otrosmétodos.

La resolución espacial de las imágenes quehan determinado la clasificación y diferencia-ción de las unidades geológicas, que corres-


Figura 7. Documento cartográfico, a partir del resultado de la clasificación de materialesgeológicos.

ponden a 62 metros por píxel, posibilita la edi-ción de un documento cartográfico a una es-cala de 1:350.000. De este modo se ha obteni-do la cartografía mineralógica a mejor escalade la región de estudio hasta la fecha.

Los siguientes pasos de trabajo debieran en-caminarse en determinar, de forma menos de-pendiente de trabajos previos, la tipología demateriales mediante la comparación de signa-turas espectrales de laboratorio de muestras lu-nares obtenidas por las misiones Luna y Apo-llo. Esto incluye el cálculo de la reflectividada partir de los niveles de radiancia de las imá-genes para disponer de resultados que permi-tan la comparación con los datos de laborato-rio y de muestras lunares.

Referencias

Chevrel, S. D., Pinet, P. C., Daydou, Y., Mouélic, S.Le, Langevin, Y., Costard, F., & Erard, S. 2009.«The Aristarchus Plateau on the Moon: Minera-logical and structural study from integrated Cle-mentine UV-Vis-NIR spectral data». Icarus,(199), pp. 9-24.

Clark, Roger N., Swayze, Gregg A., Livo, K. Eric,Kokaly, Raymond F., Sutley, Steve J., Dalton, J.Brad, McDougal, Robert R. & Gent, Carol A.2003. «Imaging spectroscopy: Earth and plane-tary remote sensing with the USGS Tetracorderand expert systems». Journal of Geophysical Re-search: Planets, 108(E12). ISSN 2156-2202.

Hartmann, W. K., Phillips, R. J., & Taylor, G. J.(Eds.) 1986. Origin of the Moon. Jaumann, R.,Hiesinger, H., Anand, M., Crawford, I. A., Wag-

ner, R., Sohl, F., Jolliff, B. L., Scholten, F., Knap-meyer, M., Hoffmann, H., Hussmann, H., Grott,M., Hempel, S., Kohler, U., Krohn, K., Schmitz,N., Carpenter, J., Wieczorek, M., Spohn, T., Ro-binson, M. S., & Oberst, J. 2012. «Geology, ge-ochemistry, and geophysics of the Moon: Statusof current understanding». Planetary and SpaceScience, 74(1), pp. 15-41.

Matsumoto, S., Tayama, S., Iwamoto, Y., Ogo, K.,Tanaka, K., & Iwayama, Y. 2009. «Operation andEvaluation Results of KAGUYA Attitude and Or-bit Control System on Lunar Orbit». Japan Ae-rospace Exploration Agency.

Mustard, J. F., Pieters, C. M., Isaacson, P. J., Head,J. W., Besse, S.; Clark, R. N., Klima, R. L., Pe-tro, N. E., Staid, M. I.; Sunshine, J. M.; Runyon,C. J., & Tompkins, S. 2011. «Compositional di-versity and geologic insights of the Aristarchuscrater from Moon Mineralogy Mapper data».Journal of Geophysical Research, 116.

Nittler, L. R., McCoy, T. J., Clark, P. E., Murphy,M. E., Trombka, J. I., & Jarosewich, E. 2004.«Bulk element compositions of meteorites: A gui-de for interpreting remote-sensing geochemicalmeasurements of planets and asteroids». Antarc-tic Meteorite Research, 17, p. 231.

Ohtake, M., Haruyama, J., Matsunaga, T., Yokota,Y., Morota, T., Honda, C., & the LISM WorkingGroup. 2008. «Performance and scientif ic ob-jectives of the SELENE (KAGUYA) MultibandImager». Earth Planets Space, 60, pp. 257-264.

Pallé, E., R., Zapatero Osorio M., Barrena, R., Mon-tañés-Rodríguez, P., & Martín, E. L. 2009. «TheEarth’s transmission spectrum from lunar eclip-se observations». Nature, 459, pp. 814-816.

Wilhelms, D. E., Howard, K. A., & Wilshire, H. G.1979. Geologic Map of the South Side of theMoon. U.S. Department of the Interior, U.S. Geo-logical Survey.


Estimación de la evapotranspiración real en ecosistemas mediterráneos de Chile mediante

datos ASTER y MODIS

L. Olivera1, C. Mattar1 y M. Galleguillos2

1 Laboratorio para el Análisis de la Biósfera (LAB). Dept. Ciencias Ambientales y RecursosNaturales Renovables. Universidad de Chile. Av. Santa Rosa 11315. La Pintana. Santiago, Chile

2 Dept. Ciencias Ambientales y Recursos Naturales Renovables. Facultad de Ciencias Agronómicas.Universidad de Chile. Av. Santa Rosa 11315. La Pintana. Santiago, Chile.

Tel: 56-2-9785728 anexo 227

Resumen

La estimación de la distribución espacial de la evapotranspiración (ET), a escala del paisaje, per-mite avanzar en el conocimiento del funcionamiento biofísico de un territorio, lo que resulta funda-mental en ecosistemas con frecuentes limitaciones hídricas y, que además, se encuentren pobremen-te instrumentados y documentados. En este sentido, se estimó la ET diaria en un paisaje de secanomediterráneo de la zona central de Chile, utilizando datos meteorológicos in situ, así como dos esce-nas satelitales de los sensores ASTER y MODIS. A partir de los contrastes espaciales de reflectanciasy temperaturas superficiales de ASTER se calibró el modelo de balance de energía S-SEBI para esti-mar la fracción evaporativa. Los perfiles atmosféricos de MODIS (MOD07) y las temperaturas del ai-re máximas y mínimas diarias de estaciones meteorológicas, se utilizaron para obtener la radiaciónneta, considerando la heterogeneidad del relieve que proporciona la información topográfica de unmodelo digital de elevación generado por el sensor ASTER. Los resultados obtenidos reflejan la he-terogeneidad del paisaje, con tasas medias de ET de 5,8 ± 1,8 y 6,4 ± 2,1 mm.d–1 en ambas escenas,dando cuenta de la variabilidad de coberturas, desde suelos desnudos, cultivos, bosques y cuerpos deagua. La aplicación del S-SEBI indica un procedimiento eficiente en la predicción de la ET real enextensos territorios. Esta información resulta esencial en el cálculo del balance hídrico y consumo delagua en áreas en que los recursos hídricos son poco conocidos y las mediciones in situ poco frecuen-tes. La implementación de esta metodología representa una alternativa valiosa para la toma de deci-siones en la planificación territorial de los recursos hídricos.

Palabras clave: Evapotranspiración, S-SEBI, ASTER, MODIS, Datos meteorológicos.

ABSTRACT

Evapotranspiration estimation in the rainfed landscape of Chile by using ASTER and MODIS data

The estimation of the spatial distribution of evapotranspiration (ET), at the landscape scale, allowsdeepen our understanding of the biophysical functioning of a territory, is essential in ecosystems withfrequent water limitations, which in addition, are poorly instrumented and documented. In this sense,daily ET was estimated in a Mediterranean rainfed landscape of the Central Chile, based inmeteorological in situ data, and two satellite scenes (ASTER and MODIS). The surface energy balancemodel S-SEBI was calibrated to estimate the evaporative fraction, from the spatial contrast of reflectanceand surface temperatures from ASTER. The atmospheric profiles from MODIS (MOD07) and themaximum and minimum air temperature from meteorological stations were considered to obtain netradiation, considering the topographic heterogeneity derived from a digital elevation model taken fromASTER as well. Results reflected the heterogeneity of the landscape, with an ET of 5.8 ± 1.8 and



Introducción

La evapotranspiración (ET) es el procesomás importante en la estimación del balanceenergético de una superficie, por lo que es unfactor clave en el intercambio de energía y aguaentre la superficie de la tierra y la atmósfera,regulando el ciclo del agua y el transporte deenergía. Durante los últimos años, se han rea-lizado importantes esfuerzos para mejorar lasestimaciones de la evapotranspiración, muchosde los cuales han sido enfocados en la in-fluencia de la heterogeneidad espacial de la su-perficie terrestre (e.g. Lhomme et al., 1994; Liand Avissar, 1994; Chehbouni et al., 2000;Mengelkamp et al., 2006; Chehbouni et al.,2008). Debido a la heterogeneidad de la su-perficie terrestre y a la dinámica natural de losprocesos de transferencia de energía, las téc-nicas micro-meteorológicas convencionalespara estimar la evapotranspiración pierden uti-lidad para estimaciones sobre extensas áreas,ya que sólo representan procesos locales queno pueden ser extrapolados (French et al.2005). Por tal razón, para estimar flujos deenergía a escala regional, entre los que desta-ca el flujo de calor latente o ET, los modelosbasados en teledetección se encuentran mejorposicionados para estimar magnitudes y ten-dencias (Gowda et al. 2008), facilitando unaobservación sistemática y completa de la re-gión de estudio.

Entre la amplia variedad de modelos utili-zados en teledetección y desarrollados en losúltimos años, el modelo S-SEBI (Roerinket al., 2000), basado en la resolución del ba-lance de energía superficial, solo requiere deun mínimo de datos meteorológicos, adaptán-dose a zonas con escasas mediciones in situ o,simplemente, que no cuenten con estas medi-ciones. Este modelo sólo requiere de los con-trastes espaciales entre condiciones hidroló-

gicas captadas por imágenes satelitales paraobtener la fracción evaporativa. Este concep-to se refiere a la fracción entre la energía uti-lizada en la ET, flujo de calor latente, y la ener-gía disponible en superf icie. El modeloS-SEBI ha sido aplicado y evaluado previa-mente a imágenes Landsat (Roerink et al.,2000), NOAA (Verstraeten et al., 2005; So-brino et al., 2007a), POLDER (Gómez et al.,2005), DAIS (Sobrino et al., 2005), AHS(Sobrino et al., 2008) y ASTER (Galleguilloset al., 2011); siendo utilizado en diversos eco-sistemas y a distintas escalas espaciales. Laobtención de la distribución espacial de la ETa nivel regional es fundamental para la plani-ficación y gestión de los recursos hídricos, co-brando mayor relevancia en los sectores don-de existe poca o nula información cuantitativaespacialmente explícita sobre estos recursos(Bastiaanssen et al., 2000). Esta problemáti-ca resulta crítica en medio ambientes limita-dos por agua, donde las precipitaciones sonpoco abundantes, intermitentes y sujetas a va-riaciones inter-anuales importantes (Newmanet al., 2006). Por lo tanto, un importante pasopara su manejo, es proveer estimaciones y pa-trones en la distribución espacial de la ET. Eneste contexto, el presenta trabajo tiene por ob-jetivo la estimación de la distribución espacialde la ET en una zona mediterránea de secanode Chile, que cuenta con escasas estacionesmeteorológicas y un gran desarrollo de acti-vidades silvoagropecuarias que dependen delas precipitaciones.

El siguiente manuscrito se estructura de lasiguiente manera: Sección 2 describe el áreade estudio y los datos utilizados. Sección 3muestra en detalle la metodología utilizada pa-ra estimar la evapotranspiración. Sección 4muestra los resultados objetivos y la discusiónde los mismos; y finalmente, la sección 5 pre-senta las conclusiones finales de este trabajo.

Estimación de la evapotranspiración real en ecosistemas mediterráneos de Chile... 47

6.4 ± 2.1 mm.d–1, en both scenes, depicting the variability of land use, which encompass bare soils,crops, forests and water bodies. The use of the S-SEBI model represents an efficient procedure in theprediction of the actual ET in vast territories. This information is essential in the calculation of thewater balance and water consume in areas, where the hydric resources are unknown and the in situmeasurements scarce. The carrying out of this methodology represents a valuable alternative for thedecision-making in the territorial planning of the hydric resources.

Key words: Evapotranspiration, S-SEBI, ASTER, MODIS, Meteorological data.

Área de estudio y datos

Área de Estudio

El área de estudio corresponde a dos escenasdel sector del secano costero, ubicado en la Re-gión del Maule de Chile central. Este sector co-rresponde a la vertiente occidental de la Cor-dillera de la Costa, las terrazas litorales y losdistritos con influencia climática costera. Elárea presenta un paisaje caracterizado por zo-nas de lomajes con altitudes que varían desdela línea de la costa hasta los 810 m. Presentagran variedad de coberturas de uso de suelo, en-tre humedales, dunas, praderas, matorrales,bosques, además de desarrollarse cultivos desecano y extensas plantaciones forestales. Losbosques nativos son bosques secundarios quese encuentran en pequeños parches debido a unaacentuada deforestación y fragmentación en lazona (Echeverría et al., 2006). La tabla 1 mues-tra la superficie por cobertura de uso de suelodel área de estudio.

El área presenta un clima mediterráneo conprecipitaciones anuales que fluctúan entre los600 y 900 mm por año, concentradas el 80%en cuatro meses del año. La evaporación po-tencial durante los meses de verano alcanza en-tre los 200 y 500 mm, periodo en el que no seregistran precipitaciones, lo que genera un mar-cado déficit hídrico. En la Figura 1, se presen-ta una composición de color infrarrojo sobreel modelo digital de elevación del área de es-tudio.

Datos remotos (espaciales)

Para calibrar el modelo S-SEBI, se utiliza-ron dos escenas de productos ASTER Level-2 de reflectancia superf icial (AST-07), ban-das de emisividad superf icial (AST-05) ytemperatura superficial (AST-08), los cualesya cuentan con correcciones radiométricas yatmosféricas (Abrams, 2000). La precisión deestos productos son de 5%, 0.01 y 1.5 K res-pectivamente (Sobrino et al., 2007b; Gilles-pie et al., 2011). Estas dos escenas fueron ad-quiridas para las fechas del 5 de noviembredel 2004 y 18 de noviembre del 2006, a las14:51 y 14:57 UTC (-3.00 hora local), res-pectivamente, y bajo condiciones de cielosdespejados.

La temperatura del aire al instante de pasode las escenas ASTER, se obtuvo a partir delproducto MOD07 del perfil atmosférico, queprovee presión superficial y temperaturas delaire, entre otras variables, con resolución es-

48 L. Olivera et al. / Revista de Teledetección (2013) 39, 46-56

Figura 1. Ubicación del área de estudio.

Tabla 1. Cobertura del uso del suelo y su respecti-va superficie

Tipo de cobertura Superficie (km2)

Terrenos agrícolas 847.0Praderas 85.3Matorrales 1889.0Bosques 1292.9

Fuente: http://www.conaf.cl/conaf/seccion-def inicio-nes.html

pacial de 5 km en 20 niveles de presión: 5, 10,20, 30, 50, 70, 100, 150, 200, 250,300, 400,500, 620, 700, 780, 850, 920, 950 y 1000 hPa.

Datos in situ

La estimación de la radiación global, se ob-tuvo a partir de la amplitud térmica del aire dia-ria, para lo cual se dispuso de datos meteoro-lógicos de temperaturas del aire, máximas ymínimas diarias, para las fechas de adquisiciónde las imágenes. Estos datos fueron obtenidosde 10 estaciones de la red agrometeorológicade la Dirección Meteorológica de Chile(DMC). Debido a la disponibilidad de estos da-tos en las fechas de las escenas ASTER, se uti-lizaron 8 estaciones para la escena del 2004 y6 para la del 2006. Además, se dispuso de unaserie de datos cada 30 minutos de temperaturadel aire y radiación solar incidente de la esta-ción Pantanillos (35°27’49’’ L.S., 72°17’41’’L.O.) para los años 2010 y 2011, con los cua-les se calibro el modelo de estimación de ra-diación solar. La radiación solar fue medidacon un piranómetro con una precisión del 2%,mientras que la temperatura del aire fue medi-da con un error absoluto de 0.5°C.

Método

Estimación de datos meteorológicos

Para la obtención de la radiación neta es ne-cesaria la obtención de la distribución espa-cial de los datos meteorológicos de tempera-tura del aire y radiación solar global alinstante de paso del satélite. La temperaturadel aire a nivel de superficie fue obtenida porinterpolación del perfil atmosférico (MOD07)en los primeros 1500 m de elevación apro-ximadamente (niveles de presión mayor a850 hPa), al nivel de la presión superf icial,asumiendo una atmósfera hidrostática. Lainterpolación se obtuvo según la siguienteecuación:

[1]

Donde PSurf es la presión superficial, Pi es elnivel de presión más cercano a la superf iciedonde existen datos (1000, 950 ó 920 hPa), Ti

es la temperatura en el nivel de presión atmos-férica i, y T850 es la temperatura del aire al ni-vel de 850 hPa.

Dado que este producto será usado en la ob-tención de la radiación neta a resolución espa-cial de las imágenes en el infrarrojo térmicoTIR de ASTER (90 m), cada pixel de 90 m he-redará el mismo dato meteorológico del pixela 5 km, generando una notable huella del pro-ducto MOD07. Este tratamiento, a escala glo-bal o regional, puede ser aceptable, pero a es-cala local, en zonas que cuentan con variacióntopográfica y una gradiente climáticas relati-vamente abrupta, como el caso del secano cos-tero, puede causar grandes imprecisiones(Zhao et al., 2005). Por tal razón, una fórmulade interpolación espacial no-lineal fue utiliza-da para remover la huella del pixel MOD07, talcomo lo propone Zhao et al. (2005) al re-muestrear datos meteorológicos de resoluciónespacial de 1.00° × 1.25° a 1 km. De maneraque la temperatura del aire fue remuestreada a90 m utilizando un método de regrillado basa-do en interpolación de spline. Teóricamente,esta interpolación espacial mejora la precisiónde los datos meteorológicos remuestreados, yaque elimina los cambios bruscos del límite deun píxel MOD07 a otro, como lo demuestraZhao et al. (2005).

La radiación solar global fue obtenida enbase al modelo de Bristow and Campbell(1984). Cabe destacar que este modelo fue de-finido para valores diarios de radiación solarglobal, aunque ha sido evaluado con éxito pa-ra valores medios mensuales (Meza y Varas,2000), por lo que uno puede esperar un nuevoset de coeficientes para otras escalas tempo-rales y obtener buenos resultados. Por esta ra-zón, el modelo fue calibrado para datos hora-rios con las mediciones de las 14:30 y 15:00horas (UTC) de la estación Pantanillos paralos días despejados del mes de noviembre delaño 2010 y 2011. El modelo obtuvo en la ca-libración un coeficiente R2 de 0.69 y un RMSE(Root Mean Square Error) de 48.7 W.m–2, re-presentando un error relativo del 5.1%. El mo-delo calibrado para las mediciones horarias serepresenta según la siguiente ecuación:

T P PT T

PTa i Surf

i

i

i= −( ) −

−+850

850


[2]

Donde RA representa la radiación extrate-rrestre o Ängot [W.m–2] a las horas de calibra-ción, y ΔT es la amplitud térmica diaria [°C]obtenida de las estaciones meteorológicas. Conel fin de tener en cuenta la topografía del te-rreno, RA fue obtenida a partir del ángulo de in-cidencia solar para planos inclinados, conside-rando la pendiente y exposición de la superficie,las cuales fueron obtenidas de un Modelo Di-gital de Elevación (ASTER GDEM) de resolu-ción espacial de 30 m aproximadamente, y pro-mediadas a resolución espacial de 90 m.

S-SEBI

En la aplicación del balance de energía su-perficial, la energía consumida por la ET es es-timada como un residuo de éste, según la ecua-ción:

[3]

Donde: Rn es la radiación neta [W.m–2]; H esel flujo de calor sensible [W.m–2], G0 es el flu-jo calor del suelo [W.m–2]; ÏET es el flujo decalor latente [W.m–2]; Ï es el calor latente de va-porización del agua, aproximadamente 2450J.g–1 a 20°C; y ET representa la evapotranspi-ración [g.m–2.s–1]. El subíndice ‘i’ se refiere avalores instantáneos, mientras que ‘d’ será usa-do para valores diarios.

Para resolver los componentes de la ecua-ción (3) se utilizó el modelo S-SEBI basado enlos contrastes superficiales que dan cuenta dela variabilidad de condiciones hidrológicasdentro de cada escena. Estos contrastes per-miten la determinación de límites teóricos, pa-ra derivar λETi píxel por píxel a partir de lafracción de evaporación (EF). Esta variable in-dica la razón entre la cantidad de calor latentey la energía disponible, la cual al despejar laecuación (3), se obtiene:

[4]

De la ecuación anterior, λETi puede ser ob-tenido a partir de la fracción evaporativa y laenergía disponible (Rni – G0i). La fracción eva-porativa es calculada básicamente a partir deun gráfico de dispersión de píxeles con los va-lores de temperatura superficial (Ts) y albedosuperficial (as), donde la dispersión de puntosestá limitado por una recta de temperaturas má-ximas (TH) y una de temperaturas mínimas(TλET), indicando límites secos y húmedos, res-pectivamente (Figura 2). El límite inferior hú-medo (TλET) supone que el flujo de calor sen-sible es mínimo (Hhúmedo = 0) por lo que la ETes máxima e igual a la energía disponible(Rni – G0i), mientras que el límite superior se-co (TH) indicaría que la ET es nula y el flujo decalor sensible es máximo (Hseco = Rni – G0i).

La determinación de los límites inferior hú-medo y superior seco se obtuvieron a partir delos valores mínimos y máximos de Ts consi-

ETET

R G

ET

ET Hi

i

ni i

i

i i

=+

=+

λ λ

λ0

λET R G Hi ni i i= − −0

R R Tg A= − − Δ( )( )⎡⎣⎢

⎤⎦⎥

⎡⎣⎢

⎤⎦⎥

0 79 1 0 0662 4

. exp ..


Figura 2. Representación esquemática de la relación del albedo superficialy la temperatura superficial y la obtención de la fracción evaporativa.

derando 5000 clases. A partir de estos límitesse determinó la regresión lineal entre los al-bedos medios y las temperaturas mínimas ymáximas por clase para el límite mínimo y má-ximo, respectivamente. Según Roerink et al.(2000), para el cálculo de los límites superiore inferior se excluyeron los valores extremosa través del valor umbral que discrimina entrelas condiciones con régimen evaporativo y ré-gimen radiativo (Figura 2). Este valor umbralse determinó con la media entre el punto deinflexión y el máximo relativo del polinomiode tercer orden ajustado a los pares ordenadosde Ts – as, modif icando la metodología pro-puesta por Bastiaanssen et al. (1995). Esta re-lación Ts – as sugiere una correlación entre elcontenido de humedad del suelo, la reflectan-cia y la temperatura superficial (Verstraetenet al., 2005).

Una vez obtenidos los límites seco y húme-do, se puede estimar EF para cada píxel sobretoda el área de estudio, según la siguiente re-lación (Roerink et al., 2000):

[5]

Donde: TH corresponde a las recta superiorde temperaturas máximas (límite seco) y TλET

es la recta inferior de temperaturas mínimas(límite húmedo), ambas en función del albe-do superficial; mH y mλET son las pendientes delas rectas superior e inferior, respectivamente[K]; nH y nλET son los interceptos de dichas rec-tas [K].

Una vez estimada EF, el flujo de calor la-tente puede ser obtenido a partir de la ecuación(4), según la siguiente expresión:

[6]

Este enfoque puede extenderse para esti-mar la evapotranspiración diaria ETd, asu-miendo EFi ≅ EFd y G0d ≅ 0, mientras que laRni puede extrapolarse a escala diaria usandola razón entre los valores instantáneos y dia-rios (Cdi = Rnd / Rni) (Seguin and Itier, 1983),según la siguiente ecuación:

[7]

El supuesto de la fracción evaporativa cons-tante a lo largo del día ha sido demostrado pa-ra condiciones ambientales en donde la hume-dad del suelo no cambia signif icativamente(Kustas et al., 1994; Bastiaanssen et al., 1998,Verstraeten et al., 2005). El valor de Cdi de-pende del día del año (DOY) y se obtuvo utili-zando una curva propuesto por Sobrino et al.(2007a) (Ec. 8), la cual se validó asumiendo laequivalencia con la razón entre los datos in si-tu de radiación global diarios e instantáneos(Samani et al., 2007). La validación se realizópara días con cielos limpios del mes de no-viembre de los años 2010 y 2011, obteniendoun error absoluto RMSE de ±0.012 (3.25% deerror relativo).

[8]

La radiación neta en la superficie terrestrees la resultante de la radiación solar entrante ysaliente, tanto de onda corta como de onda lar-ga en la región del espectro de la energía solar,según la ecuación:

[9]

Donde: αs es el albedo superficial estimadosegún Liang (2000), a partir de la combinaciónlineal de las bandas de reflectancia del pro-ducto AST-07 promediadas a 90 m; Rg es la ra-diación global al momento de paso del satéli-te [W.m–2]; Âs es la emisividad superf icialcalculada a partir de las bandas de emisividaddel producto AST-05, según Ogawa et al.(2003); εa es la emisividad atmosférica, calcu-lada de una fórmula empírica en función de latemperatura del aire Ta (Bastiaanssen et al.,1998); σ es la constante de Stefan-Boltzmann(5.67 ⋅ 10–8 W.m–2.K–4).

Resultados y discusión

Una vez aplicado el método S-SEBI en elárea del secano costero de la Región del Mau-le, fue posible obtener las rectas de los límitessuperior e inferior de los regímenes radiativoy evapotranspirativo para cada escena. En laFigura 3 se pueden observar los diagramas dedispersión de valores de Ts – as, donde se apre-

R a R T Tni S g a a s= = + −( ) ( )1 4 4ε σε σ

C DOY DOYdi = − ⋅ − + − +−7 10 183 0 0027 183 0 1246 2( ) . ( ) .

ETEF R EFC R

d

d nd i di ni=⋅( )( )

=⋅( )( )24 3600 24 3600

λ λλ

λET EF R Gi i ni i= −( )0

ETT T

T T

m a n T

m m a n ni

H S

H ET

H S H S

H ET S H

=−

−=

+ −

−( ) + −λ λ λλET( )


cian los límites húmedo y seco. Esto demues-tra la existencia de fuertes contrastes superfi-ciales que dan cuenta de la variabilidad de con-diciones hidrológicas en cada escena.

En la Figura 3 se aprecia que la mayor con-centración de píxeles se sitúa en la parte infe-rior izquierda, correspondiente principalmen-te a los bosques de plantaciones forestales quepredominan en el área de estudio y represen-tan las áreas con mayor régimen evapotranspi-rativo. Por otro lado, en la escena del 2004 seobserva un foco de dispersión hacia valores ba-jos de albedo que corresponden a ciénagas,mientras que en la escena del 2006 se observóun foco de dispersión por sobre la nube prin-cipal de Ts – as, correspondientes a dunas os-curas en donde se puede encontrar terrenos hú-medos y agua libre.

En cuanto al régimen radiativo, en la Figu-ra 3 se observa que la escena del 2004 poseeun régimen más pronunciado, con una pen-diente de –162.5 frente a una pendiente de–103.5 para la escena del 2006. Esto señala quecuanto mayor es as mayor será el descenso deTs debido a que la energía será mayormente re-flejada que absorbida, dando cuenta de mayo-res déficit de agua en la escena del 2004 quela del 2006. Lo anterior se puede explicar alobservar las diferencias en las precipitacionesregistradas en el período Mayo-Octubre, paracada año, en las estaciones Constitución(35°19’ L.S., 72°24’ L.O.) y Nirivilo (35°32’

L.S., 72°05’ L.O), comunes para ambas esce-nas. En éstas se observó que en la primera es-tación precipitaron 675.7 y 868.2 mm en losaños 2004 y 2006, respectivamente; mientrasque en Nirivilo, 589.4 y 837.1 mm. Por lo queen el año 2006 las precipitaciones aumentaronen un 28.5% y 42.0% en ambas estaciones res-pecto al año 2004.

Por otra parte, las pendientes obtenidas enlas rectas TH para el secano costero (–162.5 y–103.5) son muy pronunciadas si se comparancon los trabajos realizados por Gómez et al.(2005), Sobrino et al. (2005) y Sobrino et al.(2008), sobre cultivos de regadío en climas me-diterráneos, donde las pendientes en dichos tra-bajos se encuentran sólo entre –20 y –70. Esterégimen radiativo, con pronunciadas pendien-tes, reflejaría el alto estrés hídrico al cual estásometido el secano costero en los meses pos-teriores a la mayor concentración de las lluvias.

Una vez calculado los límites TH y TλET, seobtuvieron los mapas de ETd sobre el área deestudio. La Figura 4 muestra el mapa de la dis-tribución de ETd sobre el secano costero de laRegión del Maule para cada escena. En los ma-pas de ETd, la escena del 2006 obtuvo mayorestasas debido a los datos de entrada de una ma-yor temperatura del aire y radiación solar glo-bal, y principalmente, a una mayor disponibi-lidad de agua según las precipitacionesacumuladas comentadas anteriormente. En laescena del 2004 la ETd oscila entre los 0.0 y los


Figura 3. Diagrama de dispersión de píxeles de albedo y temperatura superficial. Puntos verdes corresponden alos pares ordenados Ts – as de temperaturas mínimas por clase de albedo. Puntos rojos corresponden a los paresordenados Ts – as de temperaturas máximas por clase de albedo. La escala de valores indica la frecuencia de lospares ordenados Ts – as.

9.84 mm.d–1 con una media de 5.8 mm.d–1,mientras que en la escena del 2006, oscila en-tre 0 y 11.1 mm.d–1 con una media de6.4 mm.d–1. En ambas escenas, los máximos seencontraron en bosques de plantaciones fores-tales (Tabla 1), mientras que los mínimos enáreas descubiertas de vegetación, y en general,los mayores montos (>6 mm.d–1) se obtuvieronen coberturas boscosas, tanto plantaciones co-mo nativas.

Las menores tasas de ETd se concentran cer-ca de la costa, donde se encuentra las dunas, yal interior donde se desarrollan cultivos agrí-colas, praderas y matorrales con menor cober-tura vegetal. Al observar la Tabla 2, las mediasde los terrenos agrícolas presentan tasas muypor debajo de las obtenidas en bosques, debi-do a que se tratan, principalmente, de cultivosde secano entre los que se destaca el trigo, queen esa fecha del año se encuentra en etapa fe-nológica de post-espigadura por lo tanto conreducida actividad fotosintética y por ende me-nor ETd. En todas las coberturas se obtuvierontasas mínimas y máximas muy similares, de-bido a la heterogeneidad de las clases en lascuales se pueden encontrar condiciones hidro-

lógicas extremas, ya sea por suelos desnudoso terrenos húmedos. De manera que los máxi-mos en terrenos agrícolas se deben a cultivosbajo riego, en las praderas debido a terrenoshúmedos próximos a humedales y en matorra-les debido a mayor densidad arbórea en fondosde quebradas. Por otro lado dentro de las plan-taciones forestales se pudieron identif icargrandes zonas de suelos desnudos debido a lacosecha de tala rasa, obteniéndose tasas me-dias de evapotranspiración menores que las ob-tenidas en el bosque nativo.

La distribución espacial de la ETd en ambasescenas se observa coherente a los patrones delpaisaje dadas las coberturas de uso de suelo.Si bien es cierto, una validación in situ de lasestimaciones realizadas robustecería la meto-dología presentada en este trabajo, el principalobjetivo de este fue la estimación ETd sobre unazona con gran desarrollo de actividades agrí-colas y forestales, la que al mismo tiempo pre-senta limitantes hídricas como las precipita-ciones escasas e intermitentes del secanocostero de la Región del Maule. De manera queproveer de estimaciones de ETd, permite com-prender los patrones hidrológicos del gasto o


05-Nov-2004 18-Nov-2006

Figura 4. Distribución espacial de ET diaria para cada escena.

Tabla 2. Parámetros estadísticos de la ETd por cobertura de uso de suelo para las escenas del 05-Nov-2004(2004) y del 18-Nov-2006 (2006)

CoberturaMedia

�Mínima

�Máxima

�Desv. estándar

2004 2006 2004 2006 2004 2006 2004 2006

Terrenos Agrícola 4.77 4.45 0.00 0.00 9.10 10.48 1.23 1.63Praderas 5.04 4.94 0.00 0.47 8.79 10.56 1.47 1.76Matorrales 4.73 5.49 0.00 0.00 9.58 10.72 1.54 1.79Bosque Plantaciones 6.59 7.27 0.00 0.00 9.84 11.08 1.53 1.73Bosque Nativo 6.96 7.34 0.00 0.60 9.57 10.73 1.38 1.35

uso del agua en diversos ecosistemas con la fi-nalidad de llevar a cabo un adecuado manejode los recursos hídricos.

Conclusiones y comentariosfinales

En este artículo se calibró y aplicó el mo-delo S-SEBI para estimar la ETd por medio delbalance energético superficial. Para la aplica-ción del modelo, se requiere sólo de suficien-tes contrastes de condiciones hidrológicas den-tro del área de estudio y un mínimo de datosmeteorológicos. En cuanto a los contrastes es-paciales dentro de cada escena de estudio, seencontraron suficientes condiciones hidroló-gicas que permitieron calibrar el modelo sinproblema y determinar las condiciones de flu-jos turbulentos extremos para la posterior es-timación de la ETd. De esta forma, la principalventaja de la metodología propuesta, es la fá-cil aplicabilidad en este tipo de paisaje com-puesto de condiciones hidrológicas extremasrequeridas para la calibración de S-SEBI y lafácil parametrización que incluye únicamenteescenas satelitales y escasos datos meteoroló-gicos, pudiendo incluso prescindir de estos úl-timos. Así, el procedimiento es de fácil imple-mentación permitiendo estimar flujos delbalance energético superficial y evapotranspi-ración real diaria en áreas pobremente docu-mentadas. La principal limitante de este estu-dio es que las estimaciones de ET no pudieronser validadas, al no existir estaciones de mo-nitoreo de flujos en esta zona, por lo que se res-cata principalmente la metodología de cali-bración desarrollada para S-SEBI y lasvariaciones espaciales entre tipo de usos de

suelo en las cuales no existía registro alguno.Finalmente, los modelos basados en el ba-

lance de energía superficial desarrollados conescenas satelitales son un aporte para la inclu-sión de variables del balance energético super-ficial, los cuales son aptos para estimacionesen extensas áreas del intercambio energético ehídrico entre la superficie terrestre y la atmós-fera. Este tipo de herramienta representa unacandidata ideal para optimizar la toma de deci-siones para la gestión y planificación de los re-cursos hídricos en extensos territorios, gene-rando a su vez, una mejor preparación frente aescenarios de riesgo climático.

Agradecimientos

Esta publicación ha sido financiada por el Pro-grama U-INICIA Concurso de Reforzamiento deInserción Productiva de Nuevos Académicos VID2012, código U-INICIA 4/0612, Universidad deChile, y el proyecto CONICYT de Inserción deCapital Humano Avanzado a la Academia, códi-go 791100013. Se agradece al Consorcio Tecno-lógico de Biocombustibles BIOCOMSA S.A. quedispuso los datos de la estación meteorológicaubicada en Pantanillos (Constitución).

Referencias

BASTIAANSSEN, W. G. M. 1995. Regionalizationof surface flux densities and moisture indicatorsin composite terrain: A remote sensing approachunder clear skies in Mediterranean climates. PhDthesis, Wageningen University, The Netherlands.

BASTIAANSSEN, W. G. M., MENENTI, M., FED-DES, R. A., & HOLTSLAG, A. A. M. 1998. A re-mote sensing surface energy balance algorithm


Tabla 2. Parámetros estadísticos de la ETd por cobertura de uso de suelo para las escenas del 05-Nov-2004(2004) y del 18-Nov-2006 (2006)

CoberturaMedia

�Mínima

�Máxima

�Desv. estándar

2004 2006 2004 2006 2004 2006 2004 2006

Terrenos Agrícola 4.77 4.45 0.00 0.00 9.10 10.48 1.23 1.63Praderas 5.04 4.94 0.00 0.47 8.79 10.56 1.47 1.76Matorrales 4.73 5.49 0.00 0.00 9.58 10.72 1.54 1.79Bosque Plantaciones 6.59 7.27 0.00 0.00 9.84 11.08 1.53 1.73Bosque Nativo 6.96 7.34 0.00 0.60 9.57 10.73 1.38 1.35

for land (SEBAL). 1. Formulation. Journal ofHydrology, Vol 212-213, 198-212.

BASTIAANSSEN, W. G. M. 2000. SEBAL-basedsensible and latent heat fluxes in the irrigated Ge-diz Basin, Turkey. Journal of Hydrology, Vol229(1-2), 87-100.

BRISTOW, K., CAMPBELL, G. 1984. On the rela-tionship between incoming solar radiation anddaily maximum and minimum temperature. Agri-cultural and Forest Meteorology, Vol 31, 159-166.

CHEHBOUNI, A. et al. 2000. Methods to aggre-gate turbulent fluxes over heterogeneous surfa-ces: application to SALSA data set in Mexico.Agricultural and Forest Meteorology, Vol 105,133-144.

CHEHBOUNI, A., HOEDJES, J., RODRIQUEZ, J.,WATTS, C., GARATUZA, J., & JACOB, F. 2008.Using remotely sensed data to estimate area-ave-raged daily surface fluxes over a semi-arid mixedagricultural land. Agricultural and Forest Mete-orology Vol 148(3), 330-342.

ECHEVERRIA C, COOMES, D., SALAS, J., REY-BENAYAS, JM., LARA, A., & NEWTON, A.2006. Rapid deforestation and fragmentation ofChilean temperate forests. Biological Conserva-tion, Vol 130, 481-494.

FRENCH, A. et al. 2005. Surface energy fluxes withthe Advanced Spaceborne Thermal Emission andReflection radiometer (ASTER) at the Iowa 2002SMACEX site (USA). Remote Sensing of Envi-ronment, Vol 99(1-2), 55-65.

GALLEGUILLOS, M., JACOB, F., PRÉVOT, L.,FRENCH, A., & LAGACHERIE, P. 2011. Com-parison of two temperature differencing methodsto estimate daily evapotranspiration over a Me-diterranean vineyard watershed from ASTER da-ta. Remote Sensing of Environment, Vol 115,1326-1340.

GILLESPIE, A., ABBOTT, E., GILSON, L., HU-LLEY, G., JIMÉNEZ-MUÑOZ, J.C., & SOBRI-NO, J. 2011. Residual errors in ASTER tempe-rature and emissivity standard products AST08and AST05. Remote Sensing of Environment, Vol115, 3681-3694

GÓMEZ, M., OLIOSO, A., SOBRINO, J., & JA-COB, F. 2005. Retrieval of evapotranspirationover the Alpilles/ReSeDA experimental site usingairborne POLDER sensor and a thermal camera.Remote Sensing of Environment, Vol 96, 399-408.

GOWDA, P., CHAVEZ, J., COLAIZZI, P., EVETT,S., HOWELL, T., & TOLK, J. 2008. ET mappingfor agricultural water management: present sta-tus and challenges. Irrigation Science, Vol 26(3):223-237.

KALMA, J., MCVICAR, T., & MCCABE, M. 2008.Estimating Land Surface Evaporation: A Reviewof Methods Using Remotely Sensed Surface Tem-perature Data. Surveys in Geophysics, Vol 29,421-469.

KUSTAS, W. P., PERRY, E. M., DORAISWAMY,P. C., & MORAN, S. 1994. Using satellite remo-te sensing (to extrapolate evapotranspiration es-timates in time and space over a semiarid range-land basin). Remote Sensing of Environment, Vol49, 275-286.

LI, Z.-L., TANG, R., WAN, Z., BI, Y., ZHOU, C.,TANG, B., YAN, G., & ZHANG, X. 2009. A Re-view of Current Methodologies for Regional Eva-potranspiration Estimation from Remotely Sen-sed Data. Sensors, Vol 9, 3801-3853.

LI, B., & AVISSAR, R. 1994. The Impact of Spa-tial Variability of Land-Surface-Characteristicson Land-Surface Heat Fluxes. Journal of Clima-te, Vol 7, 527-537.

LIANG, S. 2000. Narrowband to broadband con-versions of land surface albedo I: Algorithms. Re-mote Sensing of Environment, Vol 76(2), 213-238.

LHOMME, J., CHEHBOUNI, A., & MONTENY,B. 1994. Effective parameters of surface energybalance in heterogeneous landscape. Boundary-Layer Meteorology, Vol 71(3), 297-309.

MENGELKAMP, T. et al. 2006. Evaporation over aheterogeneous land surface. Bulletin of the Ame-rican Meteorological Society, Vol 87(6), 775-786.

MEZA, F., & VARAS, E. 2000. Estimation of me-an monthly solar global radiation as a function oftemperature. Agricultural and Forest Meteoro-logy, Vol 100, 231-241.

NEWMAN, B. D., WILCOX, B. P., ARCHER, S. R.,BRESHEARS, D. D., DAHM, C. N., DUFFY, C.J., MCDOWELL, N. G., PHILLIPS, F. M.,SCANLON, B. R., & VIVONI, E. R. 2006.Ecohydrology of water-limited environments: Ascientific vision. Water Resources Research, 42,1-15.

OGAWA, K., SCHMUGGE, T., JACOB, F., &FRENCH, A. 2003. Estimation of land surfacewindow (8-12 Ìm) emissivity from multi-spectralthermal infrared remote sensing — a case studyin a part of Sahara desert. Geophysical ResearchLetters, Vol 30(2), 1067.

ROERINK, G., SU, Z., & MENENTI, M. 2000. S-SEBI: a simple remote sensing algorithmto esti-mate the surface energy balance. Physics andChemistry of the Earth. Part B: Hydrology, Oce-ans and Atmosphere, Vol 25(2), 147-157.

SAMANI, Z., BAWAZIR, S. A., BLEIWEISS, M.,SKAGGS, R., & TRAN, V. D. 2007. Estimatingdaily net radiation over vegetation canopythrough remote sensing and climatic data. Jour-nal of Irrigation and Drainage Engineering, Vol133(4), 291 - 297.

SOBRINO, J., GOMEZ, M., JIMENEZ-MUNOZ,J., OLIOSO, A., & CHEHBOUNI, G. 2005. Asimple algorithm to estimate evapotranspirationfrom DAIS data: Application to the DAISEXcampaigns. Journal of Hydrology, Vol 315(1-4),117-125.


SOBRINO, J., GOMEZ, M., JIMENEZ-MUNOZ,J., & OLIOSO, A. 2007a. Application of a sim-ple algorithm to estimate daily evapotranspira-tion from NOAA-AVHRR images for the IberianPeninsula. Remote Sensing of Environment, Vol110(2), 139-148.

SOBRINO, J. A., JIMENEZ-MUNOZ, J. C., BA-LICK, L., GILLESPIE, A. R., SABOL, D. A., &GUSTAFSON, W. T. 2007b. Accuracy of ASTERlevel-2 thermal-infrared standard products of anagricultural area in Spain. Remote Sensing of En-vironment, Vol 106(2), 146-153.

SOBRINO, J. A., JIMENEZ-MUNOZ, J. C., SÒRIA,G., GÓMEZ, M, BARELLA ORTIZ, A. ROMA-GUERA, M., & CO-AUTHORS. 2008. Thermalremote sensing in the framework of theSEN2FLEX project: field measurements, airbor-ne data and applications. International Journal ofRemote Sensing, Vol 29(17-18), 4961-4991.

SU, Z. 2002. The Surface Energy Balance System(SEBS) for estimation of turbulent heat fluxes.

Hydrological and Earth System Sciences, Vol6(1), 85-100.

TIMMERMANS, W., KUSTAS, W., ANDERSON,M., & FRENCH, A. 2007. An intercomparison ofthe Surface Energy Balance Algorithm for Land(SEBAL) and the Two-Source Energy Balance(TSEB) modeling schemes. Remote Sensing ofEnvironment, Vol 108(4), 369-384.

VERSTRAETEN, W., VEROUSTRAETE, F., & FE-YEN, J. 2005. Estimating evapotranspiration ofEuropean forests from NOAA-imagery at sate-llite overpass time: Towards an operational pro-cessing chain for integrated optical and thermalsensor data products. Remote Sensing of Envi-ronment, Vol 96(2), 256-276.

ZHAO, M., HEINSCH, F., NEMANI, R., & RUN-NING, S. 2005. Improvements of the MODIS te-rrestrial gross and net primary production globaldata set. Remote Sensing of Environment, Vol95(2), 164-176.


Introducción

Trabajos previos han demostrado que la emi-sividad del crudo es inferior a la del agua delmar en la región del infrarrojo térmico (TIR)(Salisbury et al., 1993; Lammoglia & De Sou-za Filho, 2011), con lo que los vertidos de cru-do tenderán a decrecer la emisividad térmicade la superficie afectada observada desde sa-télite. El presente trabajo tuvo como propósi-to el desarrollo de medidas experimentales conel fin de caracterizar la variación espectral ytambién angular de las emisividades de crudoy agua de mar en el TIR con el fin de mejorar

la capacidad de identificación de vertidos des-de satélite. Para ello se midieron angularmen-te muestras de crudo y agua con radiómetrosmulticanales en la región de 8-13 μm. Los re-sultados experimentales fueron contrastadosademás mediante la capacidad biangular delradiómetro AATSR a bordo del ENVISAT du-rante un vertido marino reciente.

Muestras e instrumentación

Durante el experimento se midieron deforma alternativa muestras de crudo y agua

Estudio de la variación angular de la emisividad del crudo para la identificación de vertidos marinos

en el infrarrojo térmico

R. Niclòs, C. Doña, M. Bisquert, E. Valor y V. CasellesUniversidad de Valencia. Departamento de Física de la Tierra y Termodinámica.

Dr. Moliner, 50. 46100 Burjassot (Valencia)

Resumen

El propósito del trabajo fue la caracterización experimental de la variación espectral y angular de laemisividad de crudo y agua de mar en el infrarrojo térmico (TIR) con el fin de mejorar la capacidad deidentificación de vertidos en mar a partir de imágenes TIR de satélite. Los resultados muestran que laemisividad del crudo es inferior a la del agua de mar, se comporta como un cuerpo gris entre 8-13 μmy decrece acusadamente con el ángulo de observación, incluso más que la del agua de mar. Los resul-tados experimentales fueron contrastados haciendo uso de la capacidad biangular del ENVISAT-AATSR.

Palabras clave: emisividad, infrarrojo térmico, crudo, agua de mar, vertido.

Abstract

The paper purpose was to carry out experimental measurements to characterize the spectral andangular variations of crude and seawater emissivities in the thermal infrared (TIR) region with the aimto improve the capability of crude oil slick identification from satellite TIR imagery. The results showedthat crude emissivity is lower than seawater emissivity, behaves as a greybody in the 8-13 μmatmospheric window, and has a marked emissivity decrease with angle, even higher than that of seawater.The experimental results were checked by using the dual-angle viewing capability of the ENVISAT-AATSR.

Key words: emissivity, thermal infrared, crude, seawater, oil slick.



de mar. El crudo, proporcionado por Rep-sol, S. A., en el marco de un convenio de co-laboración con la Universidad de Valencia,estaba caracterizado por un °API=33,0 (don-de °API ofrece una medida de como de pesa-do o ligero es el crudo comparado con elagua) y fracciones SARA de 64% m/m de hi-drocarbonos saturados, 18% m/m de hidro-carbonos aromáticos, 11% m/m de resinas,6% m/m de C5 asfaltenos, y 0.3% m/m deazufre. La viscosidad del crudo era de19,0 · 106 m2s–1 y 6,5 · 106 m2s–1 para 20°C y40°C respectivamente y el factor K Watson,como índice aproximado de paraf inas, era de12. Con ello, se trataba de un crudo relativa-mente ligero (debido al alto °API, baja vis-cosidad y alto porcentaje de hidrocarbonossaturados) con tendencia parafínica. El aguade mar fue tomada del Mediterráneo, con unasalinidad de 34 psu.

Las muestras se midieron con dos radió-metros CIMEL CE 312 con 6 bandas espec-trales entre 8-13 μm: una ancha cubriendo to-da la banda espectral y 5 estrechas entre8,1-8,5 μm, 8,5-8,9 μm, 8,9-9,3 μm, 10,3-11,0μm, y 11,0-11,7 μm (www.cimel.fr; Brogniezet al., 2003). Los instrumentos fueron cali-brados frente a una fuente cuerpo negroLANDCAL P80P para temperaturas de 5-35°C obteniendo ecuaciones de calibración li-neales para cada banda con un error de esti-mación menor a ± 0,03K para todas ellas.Además, los radiómetros CIMEL participa-ron en una campaña de calibración frente acuerpos negros de referencia organizada porel Committee on Earth Observation Satellites(CEOS), obteniendo un error máximo de ± 0,2K para todas las bandas entre 20-30°C (The-ocharous et al., 2010). La temperatura ter-modinámica de la superf icie, necesaria paraobtener la emisividad (ver en el apartado si-guiente), se midió mediante termistores NTC,que fueron también calibrados previamenteusando un baño térmico y una sonda de plati-no de alta precisión como referencia. El errorasociado a los termistores tras la calibraciónfue inferior a ±0,1 K. Adicionalmente se uti-lizó una cámara térmica TESTO 880 TIR, conuna sensibilidad de ±0,1 K, para comprobarla homogeneidad térmica a nivel espacial delas muestras.

Metodología experimental

La radiancia medida por la banda i de un ra-diómetro térmico observando una superficiecercana en una dirección (θ,φ) viene expresa-da por:

[1]

donde Bi(T) es la función de Planck promedia-da para la banda i a una temperatura T, εi(θ,φ)es la emisividad superf icial direccional, y Li

ref(θ,φ) es la reflexión de la radiancia atmos-férica descendente en la superficie. Cuando lareflexión en la superficie puede considerarseespecular, como por ejemplo para superficiesde agua (Barton et al., 1989), el término de re-flexión puede aproximarse a:

siendo Li↓

atm(θ,φ ± π) la radiancia atmosféricadescendente en la dirección complementaria ala de observación de la superficie. Así, si se co-noce la temperatura termodinámica de la su-perficie T, puede obtenerse su εi(θ,φ) a partirde medidas radiométricas de Li(θ,φ) yLi

↓atm(θ,φ ± π) (Niclòs et al., 2005):

[2]

Las medidas radiométricas se realizaron pa-ra ángulos cenitales θ de 15°, 30°, 45°, 50°,55°, 60° y 65° con los radiómetros CE 312montados en trípodes provistos de un sistemagoniométrico y un inclinómetro con una pre-cisión de ±0,01°. El ángulo mínimo de 15° seseleccionó para evitar el efecto narciso. Cadaserie de medidas angulares consistía, por tan-to, en 7 medidas angulares de la superficie al-ternadas con 7 medidas atmosféricas con losmismos ángulos pero tomados desde zenit, uti-lizando siempre las 6 bandas espectrales, y te-nía una duración de 10-12 minutos. En primerlugar se realizaba una seria angular sobre lamuestra de agua de mar y luego sobre el cru-do, repitiendo el proceso un mínimo de 6 ve-ces. Estas medidas angulares se realizaron enuna terraza elevada para asegurar la presenciade mínimos elementos circundantes. Además

ε θ φθ φ θ φ π

θi

i i atm

i i atm

L L

B T L( , )

( , ) ( , )

( ) (=

− ±

−

↓

↓ ,, )φ π±

L Liref

i i atm( , ) ( , ) ( , )θ φ ε θ φ θ φ π= −⎡⎣ ⎤⎦ ±↓1

L B T Li i i iref( , ) ( , ) ( ) ( , )θ φ ε θ φ θ φ= +

58 R. Niclòs et al. / Revista de Teledetección (2013) 39, 57-62

se llevaron a cabo en condiciones de cielos des-pejados y baja velocidad de viento para evitargradientes térmicos espaciales significativosque pudiesen afectar a la medida de la tempe-ratura superficial. La homogeneidad espacialde las muestras se comprobó con la cámaraTIR, observando desviaciones estándar de±0,2 K en términos de temperatura de brillopara ambas muestras.

Resultados experimentales

Variación espectral

La Figura 1 muestra las signaturas espec-trales de la emisividad de crudo y agua de marmedidas con el ángulo más próximo a nadir.Los valores presentados son los obtenidos pa-ra las 5 bandas estrechas de los radiómetros CE312 siguiendo la metodología descrita en lasección 3. Las barras de error en el eje de or-denadas muestran el error de medida de la emi-sividad, siendo el mayor entre la dispersión delas series de medida y el obtenido por propa-gación de errores instrumentales (descritos enla sección anterior) sobre la ecuación (2). Lasbarras en el eje de abscisas indican la anchurade las bandas espectrales. Las medidas de emi-sividad para el agua de mar coinciden con re-sultados de trabajos previos para ángulos si-milares (Salisbury & D’Aria, 1992; Niclòs

et al., 2005, 2007, 2009). La emisividad delcrudo es inferior a la del agua de mar, tal y co-mo se observó en trabajos previos (Salisburyet al., 1993; Lammoglia & De Souza Filho,2011). Salisbury et al. (1993) midió la reflec-tividad de diferentes crudos entre 8-13 μm,siendo de 4,0-4,5% para todos ellos, con valo-res muy similares dentro del rango espectral.Lammoglia & De Souza Filho (2011) obtuvoemisividades de 0,94-0,97 entre 8-13 μm tam-bién para diversos crudos. Así, los valores mos-trados en la Figura 1 están de acuerdo con losde estos trabajos. Además, el crudo presentauna signatura espectral de cuerpo gris entre 8-13 μm, tal y como también se observó en lostrabajos previos para diferentes tipos de crudoy espesores medidos. Esto apunta la incapaci-dad de identificar diferentes tipos de crudo ver-tido en mar de forma cuantitativa mediante eluso de satélites con bandas TIR, incluso con elEOSTerra-ASTER con 5 bandas en esta regiónespectral.

Variación angular

La Figura 2 muestra las signaturas espec-trales para 15° y 65°. La variación espectral essimilar para ambos ángulos cenitales, sin em-bargo para ambas muestras se observa un des-censo de la emisividad con el ángulo, siendola diferencia entre la emisividad de agua y cru-do mayor para 65° que para 15°. La variaciónangular del agua de mar es conocida (Smithet al., 1996; Wu y Smith, 1997; Niclòs et al.,

Estudio de la variación angular de la emisividad del crudo... 59

Figura 1. Signaturas espectrales de emisividad de cru-do y agua de mar medidas para 15°, junto con resulta-dos previos para el caso del agua de mar.

Figura 2. Signaturas espectrales de emisividades decrudo y agua de mar para 15° y 65°.

2005, 2007, 2009), sin embargo no es así pa-ra el crudo.

La Figura 3 muestra los valores de emisivi-dad medidos con los 7 ángulos cenitales parauna de las bandas estrechas del CE 312 a modode ejemplo, obteniéndose resultados similarespara el resto de bandas dada la baja variabilidadespectral encontrada. Además, esta figura in-cluye la diferencia entre la emisividad de aguade mar y crudo en función del ángulo. Las emi-sividades de ambas muestras decrecen gradual-mente con el ángulo para todas las bandas es-pectrales, siendo más acusado el decrecimientopara el crudo que para el agua de mar. Así, la di-ferencia entre ellas es de +0,030 ± 0,007 para15°, y esta diferencia crece con el ángulo de ob-servación, hasta llegar a una diferencia prome-dio, para las diferentes bandas, de 0,068 ± 0,010para 65°. Así, este incremento podría ser de uti-lidad en la identificación de vertidos en mar des-de satélite.

Análisis con imágenes de satélite

Los resultados experimentales fueron con-trastados haciendo uso de la capacidad bian-gular del ENVISAT-AATSR, que tomó imáge-nes durante el vertido de la plataformaDeepwater Horizon (DH) de BP en el Golfo deMéjico en 2010. El AATSR dispone de dos vi-siones cuasi simultaneas de la misma zona: for-ward (f) con ángulos cenitales de 53°-55° y na-dir (n) de 0°-22°.

La radiancia medida por la banda i de un ra-diómetro TIR a bordo de satélite observandola superficie es:

[3]

[4]

siendo Li↓

atm(θ,φ) la radiancia atmosférica as-cendente y τi(θ,φ) la transmisividad atmosfé-rica. La ecuación (3) debe ser aplicada a am-bas visiones y a sus dos bandas TIR: banda 6centrada en 10,86 μm (cubierta por los datosexperimentales) y 7 en 12,05 μm. Las ecua-ciones (3)-(4) muestran como para calcular laemisividad a partir de la medida del satélite re-querimos la temperatura T y viceversa. Nece-sitamos solucionar la indeterminación paraanalizar la diferencia de emisividades entre lasvisiones n y f. Para ello podemos estimar pre-viamente la T y utilizar la ecuación (3) para ca-da visión (v) de la siguiente forma:

[5]

donde .

La T fue determinada con la banda 13(10,66 μm) del sensor EOSTerra-ASTER de al-ta resolución espacial, debido a que se trata deuna banda sobre la que la atmósfera tiene re-lativamente baja influencia (Coll et al., 2007).Para estudiar el efecto del citado vertido DH,que tuvo lugar a finales de abril de 2010, se-leccionamos así imágenes AATSR (ATS_TOA)y ASTER (AST_L1B) coincidentes y libres denubes del 24 de mayo de 2010 y escogimos so-bre ellas dos zonas de estudio: el cuerpo prin-cipal del vertido y agua de mar limpia relativa-mente cercana. Para estas zonas se obtuvieronperfiles atmosféricos de temperatura y vaporde agua a partir del producto EOSTerra-MO-DIS MOD07 que, tras ser introducidos en elmodelo de transferencia radiativa MODTRAN5, nos permitieron simular para cada zona, ban-da espectral (ASTER 13 y AATSR 6) y ángu-lo de visión las variables τiv, Li,v

↓atm y Li,v

↑atm. La

Tabla 1 muestra valores estadísticos de las emi-sividades n y f obtenidas para la banda 6 del

AL L

Li vi v i v atm

i v

i v atm,, ,

,

,=−

−↑

↓

τ

ε i vi v

i i v atm

A

B T L,

,

,( )=

− ↓

L B T Li i i i i atm,sup ( , ) ( , ) ( ) ( , ) (θ φ ε θ φ ε θ φ= + −( ) ↓1 θθ φ π, )±

L L Li i i i atm( , ) ( , ) ( , ) ( , ),supθ φ θ φ τ θ φ θ φ= + ↑


Figura 3. Variación angular de la emisividad de aguade mar y crudo, junto con la diferencia entre ellas.

AATSR mediante la ecuación (5). Estos son:promedio, desviación estándar (SD), medianay desviación estándar robusta [RSD = media-na(|ε i,v – mediana(ε i,v)|) * 1,4826 (Wilrich,2007)], siendo los dos últimos parámetros va-lores más significativos por minimizar el efec-to de posibles datos extremos. La Tabla 1 mues-tra además valores de referencia para dichasemisividades obtenidos de Niclòs et al. (2009)para el agua de mar y de los datos experimen-tales medidos con 15° y 55° para el crudo, sien-do insignificantes las diferencias entre las me-dianas y estos valores de referencia para ambaszonas.

Como método alternativo, asumimos la mis-ma T para ambas visiones del AASTR. En es-te caso, la emisividad f puede obtenerse a par-tir de la n mediante:

[6]

Asumiendo valores para las emisividades nde 0,957 para el vertido y 0,992 para el aguade mar obtuvimos las emisividades f que se ex-presan en la Tabla 2. Esta tabla muestra de nue-vo un buen acuerdo entre los valores estima-dos y los valores de referencia.

Conclusiones

Los datos experimentales muestran una va-riación espectral despreciable para la emisivi-dad del crudo entre 8-13 μm y un acusado de-crecimiento con el ángulo de observación(desde 0,956 ± 0,005 para 15° a 0,873 ± 0,007para 65°), superior al del agua de mar. La emi-sividad del crudo es siempre inferior a la delagua y la diferencia de emisividades agua-cru-do aumenta con el ángulo cenital, mostrandouna diferencia promedio de +0,030 ± 0,007 pa-ra observaciones nadir y de 0,068 ± 0,010 pa-ra 65°. Los datos experimentales se confirmanhaciendo uso de la visión biangular delAATSR. Así, se observan diferencias entre laemisividad obtenida para el vertido DH y elagua de mar de –0,035 y –0,046 para las vi-siones n y f respectivamente, y diferencias n-fde +0,028 para el vertido y de +0,017 para elagua de mar, en concordancia con los resulta-dos experimentales y también con trabajos pre-vios para el agua (Niclòs et al., 2005, 2009).Atendiendo a estas diferencias en emisividad,los vertidos de crudo son identif icables me-diante imágenes TIR de satélite, especialmen-te utilizando ángulos de observación elevados,dado el acusado decrecimiento angular obser-vado para el crudo.

Agradecimientos

Este trabajo fue financiado por el Ministeriode Ciencia e Innovación (proyectos CGL2010-16364, CGL2010-17577, CGL2011-13579-E,CGL2011-30433 y Contrato de Investigación“Ramón y Cajal” de la Dr. Niclòs) y la Gene-ralitat Valenciana (PROMETEO/2009/086). El

εε

i fi f

i n i n i n atm i f atm

A

A L L,

,

, , , ,( / ) ( )=

+ −↓ ↓

Estudio de la variación angular de la emisividad del crudo... 61

Tabla 1. Emisividades nadir (n) y forward (f) para la banda 6 del AATSR obtenidas mediantela ecuación (5).

Agua de mar�

Vertido

εε6,n εε6,f εε6,n εε6,f

promedio 0,993 0,976 0,959 0,933SD 0,002 0,004 0,006 0,011mediana 0,993 0,976 0,959 0,931RSD 0,003 0,004 0,005 0,011referencia 0,992 0,975 0,957 0,929mediana-referencia 0,001 0,001 0,002 0,002

Tabla 2. Emisividades forward (f) obtenidas para labanda 6 del AATSR mediante la ecuación (6).

εε6,f Agua de mar Vertido

promedio 0,975 0,930SD 0,004 0,010mediana 0,975 0,930RSD 0,004 0,011referencia 0,975 0,929mediana-referencia 0,000 0,001

crudo fue proporcionado por Repsol S.A. en elmarco de un convenio de colaboración estable-cido con la Universidad de Valencia.

Referencias

BARTON, I. J., ZAVODY, A. M., O’BRIEN, D. M.,CUTTEN, D. R., SAUNDERS, R. W., & LLE-WELLING-JONES, D. T. 1989. Theoretical al-gorithms for satellite derived sea surface tempe-ratures. Journal of Geophysical Research, Vol.94, 3365-3375.

BROGNIEZ, G., PIETRAS, C., LEGRAND, M., DU-BUISSON, P., & HAEFFELIN, M. 2003. A highaccuracy multiwavelength radiometer for in situ me-asurements in the thermal infrared. Part II: Beha-vior in field experiments. Journal of Atmosphericand Oceanic Technology, Vol. 20(7), 1023-1033.

COLL, C., CASELLES, V., VALOR, E., NICLÒS, R.,SÁNCHEZ, J. M., GALVE, J. M., & MIRA, M.2007. Temperature and emissivity separation fromASTER data for low spectral contrast surfaces. Re-mote Sensing of Environment, Vol.110: 162-175.

LAMMOGLIA, T., & DE SOUZA FILHO, C.R.2011. Spectroscopic characterization of oils yiel-ded from Brazilian offshore basins: Potential ap-plications of remote sensing. Remote Sensing ofEnvironment, Vol. 115, 2525-2535.

NICLÒS, R., CASELLES, V., VALOR, E., COLL,C., & SANCHEZ, J. M. 2009. A simple equationfor determining the sea surface emissivity in the3-15 μm region. International Journal of Remo-te Sensing, Vol. 30, 1603-1619.

NICLÒS, R., VALOR, E., CASELLES, V., COLL,C., & SÁNCHEZ, J. M. 2005. In situ angular me-

asurements of thermal infrared sea surface emis-sivity - Validation of models. Remote Sensing ofEnvironment, Vol. 94, 83-93.

NICLÒS, R., CASELLES, V. VALOR, E. & COLL,C. 2007. Foam effect on the sea surface emissi-vity in the 8-14 μm region. Journal of Geophysi-cal Research, Vol. 112, C12020.

SALISBURY, J. W., & D’ARIA, D. M. 1992. Emis-sivity of terrestrial materials in the 8-14 μm at-mospheric window. Remote Sensing of Environ-ment, Vol. 42, 83-106.

SALISBURY, J. W., D’ARIA, D. M. & SABINS,F. F. 1993. Thermal infrared remote sensing ofcrude oil slicks. Remote Sensing of Environment,Vol. 45, 225-231.

SMITH, W. L., KNUTESON, R. O., REVER-COMB, H. E., FELTZ, W., HOWELL, H. B.,MENZEL, W. P., et al. 1996. Observations of theinfrared radiative properties of the ocean — im-plications for the measurement of sea surfacetemperature via satellite remote sensing. Bulle-tin of the American Meteorological Society, Vol.77, 41-51.

THEOCHAROUS, E., USADI, E., & FOX, N. P.2010. CEOS comparison of IR brightness tem-perature measurements in support of satellite va-lidation. Part I: Laboratory and ocean surfacetemperature comparison of radiation thermome-ters. NPL REPORT OP3. Teddington, UK: Na-tional Physical Laboratory.

WILRICH, P. T. 2007. Robust estimates of the the-oretical standard deviation to be used in interla-boratory precision experiments. Accreditationand Quality Assurance, Vol. 12, 231-240.

WU, X., & SMITH, W. L. 1997. Emissivity of roughsea surface for 8–13 μm: modelling and verifi-cation. Applied Optics, Vol. 36, 2609-2619.


Modelos espaciales de la dinámica de la vegetación en escenarios de cambio climático en el «Timberline»

selva nublada - paramo de la vertiente norte de la Sierra Nevada de Mérida (Venezuela);

escenario B1 y situacion constante

W. Santaella1

1 Estudiante del Centro Regional en Ciencia y Tecnología Espacial para América Latina y el Caribe CRECTEAL. Instituto Nacional de Pesquisas Espaciais de Brasil INPE.

Santa Maria do Sul, RS, Brasil.

Resumen

Durante las últimas décadas el humano ha modificado las concentraciones de gases inverna-dero, generando el aumento de la temperatura global, causando alteraciones en la estructura ydistribución de animales y plantas. Se planteó modelar la dinámica de la vegetación bajo esce-narios del informe especial sobre emisiones de gases de efecto invernadero IE-EE del Panel In-tergubernamental de Expertos Sobre el Cambio Climático IPCC. La metodología estuvo basadaen análisis estadístico espacial del índice de vegetación por diferencia normalizada (NDVI) cal-culado con imágenes satelitales SPOT 5 y su relación con el gradiente altotérmico en el limite decrecimiento arbóreo continuo selva nublada - páramo «Timberline». Se determinó una disminu-ción de la autocorrelación y un aumento de la varianza del NDVI a medida que se asciende sobredicho gradiente. Se encontraron diferencias estadísticas entre los valores medios de NDVI(p < 0,01) de las unidades de vegetación, y aplicando análisis probabilístico se determinaron losrangos de NDVI para las mismas; selva nublada, bosque preparamero, arbustal preparamero y pá-ramo, pudiendo modelar los cambios de la vegetación a lo largo del gradiente. Se encontró unafuerte correlación entre NDVI y temperatura (r2 = 90.45), permitiendo generar una ecuación pa-ra modelar la respuesta de la vegetación al calentamiento global. Los modelos generados bajo di-ferentes escenarios, muestran una disminución del páramo tendiendo hacia la extinción, siendocolonizada por el arbustal preparamero y el bosque preparamero, las cuales evolucionarán pos-teriormente al estadío clímax de selva nublada. Los modelos muestran que existirán una serie deprocesos evolutivos y de colonización reflejados con el cambio en la estructura de las plantas.

Palabras clave: calentamiento global, timberline, desplazamiento de vegetación, NDVI, evo-lución sucesional, modelos espaciales predictivos, selva nublada, páramo, extinción.

Abstract

Spatial models of dynamics of vegetation in scenerios of climatic change in «Timberline» cloud forest - paramo of north slope of the Sierra Nevada of Mérida - Venezuela; scenario B1 and constant situation

In recent decades, the human has changed the concentrations of greenhouse gases, generatingincreasing global temperature, causing changes in the structure and distribution of animals and



Introducción

El sistema climático del planeta ha cambia-do de manera importante desde la época prein-dustrial, la mayoría de estos cambios se pue-den atribuir a las actividades humanas, siendoésta situación inequívoca, ya que las mismashan hecho aumentar las concentraciones at-mosféricas de gases de efecto invernadero y ae-rosoles en un 70% entre 1970 y 2004. Estos ga-ses están atrapando una porción creciente deradiación infrarroja terrestre, generando un au-mento del promedio de la temperatura mundial,entre 0,56-0,92oC en los últimos 100 años. Seespera que la temperatura aumentará 0,1oC pordécada si se mantienen constante las concen-traciones de todos los gases y 0,2 oC bajo otrosescenarios del informe especial de emisiones(IE-EE - siglas en español) del Panel Intergu-bernamental de Expertos en Cambio Climáti-co (IPCC). Es muy probable (>90%) que la si-tuación actual pueda estar generando días ynoches más calidos con heladas menos fre-cuentes (IPCC 2007).

La temperatura es uno de los principales fac-tores que limitan la distribución de las plantasafectando de manera determinante las funcio-nes de supervivencia, reproducción o desarro-llo (Wieser y Tausz, 2007; Graf, 1994; Pretin-ce et al., 1992; Krebs, 1985; Sakay y Larcher,1987). Los cambios en el clima pueden gene-rar un desplazamiento de la vegetación alte-

rando los límites de existencia o distribuciónde las especies vegetales (grado de confianzamuy alto) (IPCC, 2007), es decir los hábitatspueden desplazarse hacia altitudes mayores alresponder las especies al calentamiento global(Holtmeier y Broll, 2007; Santaella, 2007;Klanderud et al., 2003; Walther 2002, 2003;Corlett, 2002; Grace, 1989, 2002; Peñuelaset al., 2002; Pauli et al., 2001; Grabherr et al.,1994, 1995, 2001; Keller et al., 2000; Andres-sen et al., 1996; Hofer, 1992).

Actualmente existe fuerte discusión ya quese espera que la zonas del «treeline» (Limitede crecimiento arbóreo discontinuo) y «Tim-berline» (limite de crecimiento arbóreo conti-nuo) sufrirán alteraciones significativas debi-do al calentamiento global y los cambios en lacomposición química de la atmósfera (Santae-lla, 2007; Holtmeier and Broll, 2007; Waltheret al., 2005; Grace et al., 2002; Wieser andTausz, 2007).

El «Timberline y Treeline» son considera-dos como pieza clave para el entendimiento ymonitoreo de los efectos del cambio climáti-co sobre ecosistemas de montañas (Camareroet al., 2000). Son descritos como fronteras bio-lógica sensibles a los cambios climáticos glo-bales pasados y recientes (Hansen et al.,1992), debido a que pueden detectarse mas fá-cilmente cambios en la distribución de espe-cies (Pauli, 2001; Risser, 1995; Harte andShaw, 1995).

64 W. Santaella / Revista de Teledetección (2013) 39, 63-82

plants. Modeling was raised vegetation dynamics under scenarios of the Special Report onEmissions of greenhouse gases SRES Intergovernmental Panel on Climate Change IPCC. Themethodology was based on spatial statistical analysis of the rate of normalized difference vegetationindex (NDVI) calculated from SPOT 5 satellite images and their relationship with the gradientthermal in the limit of continuous cloud forest tree growth - Páramo «Timberline». Was determinedautocorrelation decreased and increased the variance of NDVI as it rises above the gradient. Therewere statistical differences between the mean values of NDVI (p < 0.01) of the vegetation units,and applying probabilistic analysis were determined NDVI ranges for them; cloud forest, pre(before) paramero forest, preparamero Shrub and páramo, can model changes of vegetation alongthe gradient. We found a strong correlation between NDVI and temperature (r2 = 90.45), allowingto generate an equation to model the response of vegetation to global warming. The modelsgenerated under different scenarios show a decrease in the Páramo tending towards extinction,being colonized by preparamero shrub and preparamero forest, which subsequently evolve theclimax stage of cloud forest. Models show that there will be developmental processes and re-colonization with the change reflected in the structure of plants.

Key words: global warming, timberline, displacement of vegetation, NDVI, sucesional evolution,spatial predictive models, cloud forest, páramo, extinction.

Entre los componentes estructurales de lavegetación, las hojas son las que mayor in-fluencia tienen sobre el comportamiento es-pectral captado por un determinado sensor óp-tico.

Factores ambientales como la temperatura yla humedad tienen una marcada influencia so-bre la fisionomía de las plantas, y a su vez so-bre la estructura interna de las hojas, inclusi-ve entre individuos de una misma especie.Estos rasgos pueden ser estudiados a través dela respuesta espectral de las plantas en deter-minadas regiones del espectro electromagné-tico (Ponzoni y Shimabukuro, 2009).

Diferentes índices espectrales han sido pro-puestos para estimar la presencia, característi-cas o condiciones de la vegetación. Uno de losíndices de vegetación más utilizados es elNDVI (índice de vegetación por diferencia nor-malizada), propuesto por (Rouse et al., 1973)como un descriptor de la vegetación. Este re-laciona algebraicamente la región de rojo, da-da por la capacidad de absorción de radiaciónelectromagnética que caracteriza la clorofila yla alta reflectividad en el rango del infrarrojocercano generada por la estructura del meso-filo de la hoja. El mismo está fuertemente co-rrelacionado con variables como el índice deárea foliar, producción de biomasa y producti-vidad primaria neta ( Pettorelli et al., 2005; Pa-ruelo et al., 1997; Myneni et al., 1995; Run-ning, 1990; Ripple, 1985; Sellers, 1985;Gerberman et al., 1984; Asrar et al., 1984; Ba-ret et al., 1989; Curran, 1983; Tucker, 1977).También ha sido utilizado para el desarrollo demodelos que reflejan la respuesta de la vege-tación a variaciones climáticas (Wang et al.,2003; Gong y Shi, 2003).

En los Andes existe un gradiente altotérmi-co donde la temperatura disminuye 0,61 oC porcada 100 metros de elevación (Röhl 1951; Mo-nasterio, 1980), éste enfriamiento es conocidocomo adiabático, y es un factor determinantepara la distribución de las diferentes formas devida (Yánez, 1998; Sarmiento, 1986; Baruch,1984; Veillon, 1974). Así mismo influencia losprocesos de desenvolvimiento fisiológico ve-getal afectando las tasas de crecimiento (Ca-brera 1996; Azócar y Rada, 1993; Austin ySmith, 1989) y limitando el establecimiento deespecies cuya morfología y fisiología adapta-

tiva no les permite desarrollarse en áreas don-de predominan bajas temperaturas con fre-cuentes heladas como es el páramo (Cabrera,1996; Azócar y Rada, 1993; Slatyer y Noble,1992; Sarmiento 1986).

En este sentido, se considera que probable-mente el NDVI modelará de manera ajustadalas complejas variaciones de la vegetación enla zona transicional Páramo - Selva Nublada.En el presente trabajo se plantea como objeti-vos determinar la existencia de posibles dife-rencias o similitudes del NDVI entre las uni-dades de vegetación y analizar su relación conla temperatura a lo largo del gradiente altotér-mico. A través del análisis espacial se profun-dizará en el estudio de la temperatura como li-mitante del crecimiento arbóreo continuo«timberline» y los posibles efectos del calen-tamiento global sobre la vegetación . En estecontexto se aplicarán métodos geoestadísticosy espaciales para modelar la posible dinámicade la vegetación bajo los incrementos de latemperatura media que proponen escenariosof iciales del informe especial de emisiones(IE-EE) del IPCC.

Metodología

Descripción del área de estudio

El área de estudio se ubica dentro de las co-ordenadas 8°34'36.5"N-71°07'27.41"W y8°34'23.28"N-71°00'00.60"W y corresponde ala vertiente norte de la Sierra Nevada de Mé-rida (Venezuela), tiene una superf icie de44.169 ha y se encuentra localizada dentro delparque nacional Sierra Nevada, la cual tienenen su haber recursos biológicos de alta fragili-dad, como las formaciones de páramo y selvanublada. Forma parte de uno de los dos rama-les principales de los Andes de Venezuela, don-de se localizan altitudes que sobrepasan los4500 msnm (metros sobre el nivel del mar) (Pi-co Bolívar, Pico Humboldt, la Concha, Toro yMucuñuque), (Shubert y Vivas, 1993).

Los registros pluviométricos para las tres es-taciones (La Montaña, 2280 mm anuales; LaAguada, 1811 mm y Loma Redonda, 1553 mm)corresponden a un sector catalogado climato-

Modelos espaciales de la dinámica de la vegetación en escenarios de cambio climático... 65

lógicamente como «Clima de Páramo Muy Hú-medo» (Andressen et la., 1996) y como el sec-tor más húmedo de los Andes de Venezuela(Monasterio y Reyes, 1980).

Selva nublada y bosque preparamero

Las selvas nubladas son las formaciones devegetación características de las regiones máselevadas de la franja tropical. Se encuentra ubi-cada entre los 1700 y 3000 msnm, y se carac-teriza por presentar una distribución continuade árboles siempre verdes. Tienen una estrati-ficación arbórea variada de composición mix-ta, con gran variedad en plantas epifitas y hu-medad relativa continuamente alta (Yánez,1998). Las temperaturas van desde los 9 a14°C, con precipitación desde los 1000 a3000 mm, sin meses secos, alta nubosidad, al-ta humedad relativa y baja insolación todo elaño. Esta compuesta por más de 100 spp. de ár-boles con dosel muy irregular, entre 20-30 men el límite inferior de distribución y hasta10 m en el superior (Ataroff y Sarmiento,2003). Este último corresponde al bosque pre-paramero y es donde las formas de vida arbó-rea probablemente comienzan a ser afectadaspor la temperatura (Santaella, 2007).

Zona transicional (bosque preparamero)

Se ubica a los 3200 msnm, presentando unamezcla de elementos provenientes de zonasmás bajas y zonas más altas, la cual origina unamayor riqueza de especies (Hansen, 1998,1992). En la zona de transición se puede ob-servar con más facilidad el avance de una uni-dad vegetal hacia otra formando islas o parchesde vegetación (Yánez, 1998). Esta zona tran-sicional es denominada ecotono o ecoclina, do-minado por arbustal enredado, cubierto porepifitas la cual crecen en manchones, rodea-dos de herbazales altos. En esta zona las con-diciones existentes no favorecen el desarrollode vegetación arbórea (Monasterio y Vuilleu-mier, 1986).

Páramo andino

Se ubica en vertientes secas a una altitud de2700 a 4000 msnm, y en vertientes húmedasde 3000 a 4300 msnm. Presenta temperaturasde 7-10°C a 3°C, con precipitaciones que vandesde los 800 a 1100 mm en vertientes secas,y desde los 1100 a 1800 mm en vertientes hú-medas. Desde 0 a 3 meses secos con heladasrestringidas en las épocas secas. La vegetación


Figura 1. Ubicación relativa del área de estudio y modelo de red de triángulos irregulares (TIN) de la Sierra Ne-vada de Mérida (Santaella, 2007).

esta compuesta por comunidades arbustivas yherbáceas, la más común tiene un estrato su-perior entre 50 y 150 cm con rosetas y arbus-tos, un estrato intermedio de arbustos y hier-bas entre 20 y 50 cm y un estrato inferior concojines y hierbas menores de 10 cm (Ataroff ySarmiento, 2003).

Procesamiento y análisis de datos

Corrección geométrica

Se utilizó información espacial provenientede un estudio realizado por (Santaella, 2007)correspondiente al área de estudio, la mismaestá conformada por ortofoto a escala 1:40000de la misión A-34 del año 1952 corregido geo-métricamente con un MDE (modelo digital deelevación) y 92 puntos de control (8 m deerror), curvas de nivel a escala 1:25000 vecto-rizadas de los mapas topográficos 5941-I-SEy NE del instituto Geográfico de Venezuela Si-món Bolívar. Estos datos fueron utilizados pa-ra la elaboración del MDE a través de interpo-lación de contornos (Gorte et al., 1990) y laposterior ortorrectificación (8 m de error equi-valente a 0.8 píxel) de la imagen 651/333 del11/01/2009 del sensor HRG (high resolutiongeometrical) de la plataforma satelital SPOT 5(Système Pour l’Observation de la Terre) connivel de preprocesamiento 1A y resolución es-pacial de 10 m.

Corrección radiométrica

Con el objetivo de poder elaborar cálculoscon diferentes bandas de la imagen del sensorHRG de la plataforma satelital SPOT 5 la mis-mas fue corregida radiométricamente convir-tiendo los ND (números digitales) en valoresfísicos (Ponzoni y Shimabukuro, 2009), estosy otros autores catalogan como imprescindiblerealizar las transformaciones para un correctoanálisis ya sea con imágenes CBER, LAND-SAT, SPOT, entre otras. En este sentido los NDde la imagen SPOT 5 fueron transformados enradiancia bidireccional aparente y posterior-

mente en reflectividad en el tope de la atmós-fera, siendo necesario algunos coeficientes decalibración del sensor y datos de las condicio-nes ambiéntales en las cuales la imagen fue ge-nerada, para ello fueron empleadas las si-guientes ecuaciones (1 y 2):

[1]

[2]

Siendo:Lo(λ): Radiancia bidireccional aparente.NDλ: Número digital.Aλ: Factor de calibración espectral.d: Distancia del sol a la tierra en unidades

astronómicas.θ: Ángulo cenital solar.ρα: Reflectividad aparente en el tope de la

atmósfera.Esun(λ): Irradiancia media del sol en el to-

pe de la atmósfera (W ⋅ m–2 ⋅ sr–1 ⋅ μm–1).Las correcciones atmosféricas fueron ob-

viadas debido a que no se realizarán compara-ciones multitemporales o con datos radiome-tritos medidos in situ.

Cabe destacar que las bandas 2 y 3 del sen-sor HRG del SPOT 5 tienen igual resoluciónradiométrica.

Modelo digital de temperaturas medias anuales y corroboración del gradiente altotérmico

Para la producción del modelo digital detemperaturas medias del año 2008, se aplicó elmétodo de gradiente altotérmico (Rohl, 1951)utilizando el MDE (altitud del sitio de tempe-ratura desconocida en la ecuación 3) y datos detemperaturas máximas y mínimas diarias en in-tervalos de 60 minutos de la estación automá-tica del proyecto MARS (Mérida AtmosphericResearch Station figura ), con los cuales se cal-culo la temperatura media para el año 2008(temperatura conocida Tc en la ecuación 4).Este método fue utilizado por (Zhao et al.,2010) en estudios recientes en China, para ellose aplicó el siguiente modelo matemático (3):

ραπ λ

λ θ=

⋅ ⋅

⋅

L d

Esun

02( )

( ) cos

L DN A0λ λ λ= /


[3]

Siendo:Tx: Temperatura desconocida oC.Tc: Temperatura conocida oC.Gvm: Gradiente altotérmico oC/100m.altitud A: Altitud del sitio de temperatura co-

nocida en metros.Altitud B: Altitud del sitio de temperatura

desconocida en metros.La Estación Meteorológica MARS se ubica

en los predios de la Estación Pico Espejo delTeleférico de Mérida a 4765 msnm (altitud delsitio de temperatura conocida en la ecua-ción 3), dentro del Parque Nacional Sierra Ne-vada de Mérida. Es una estación automáticaque forma parte de un proyecto a nivel mun-dial. Este mismo consiste en la instalación deestaciones de monitoreo para observar y en-tender los cambios en los componentes de laestratosfera, la misma está a cargo del Institu-to de Investigación de Meteorología y Clima yel Centro de Cálculo Científico de la Univer-sidad de los Andes.

En ésta etapa se corroboró el gradiente alto-térmico determinado por (Rohl, 1951) para laSierra Nevada de Mérida (Venezuela) (0,61/100msnm - Gvm en la ecuación 3). Esto se realizóa través de un análisis de regresión lineal entre

temperatura y altitud con datos de temperatu-ras medias anuales de 16 estaciones climatoló-gicas pertenecientes al Ministerio del Ambien-te y a la Universidad de los Andes, ubicadas endiferentes altitudes (Tabla 1 y Figura 2). El gra-diente obtenido fue exactamente igual al cal-culado por (Rohl, 1951).

Análisis de autocorrelación y semivariograma de superficie

Para analizar la variación espacial del NDVIen el gradiente altotérmico se aplicó autocorre-lación y semivariograma de superficie (ecuación 4y 5), en éste procedimiento se analizó la relación,similaridad o diferencia estadística del NDVI encada píxel con respecto a sus vecinos en direcciónvertical (gradiente altotérmico Norte-Sur), per-mitiendo analizar del NDVI en función de la dis-tancia en la dirección del gradiente.

[4]

[5]SemiVariogramaa p a p h a p a p h

=( )( ) + +( )( ) − ( )∗ +

2 22 (( )( )∑∑∑

2n

AutoCorrelacionn a p a p h a p a p h

=( )∗ +( )( )− ( )∗ +( )∑∑∑∑

∑∑ ∑( )( ) − ( )( ){ } +( )( ) − +( )(n a p a p n a p h a p h2 2 2

* )){ }∑2

Tx Tc Gvm altitudA AltitudB= + −( )


Tabla 1. Muestra la distribución altitudinal, temperaturas medias y el serial de las es-taciones utilizadas para comprobar el gradiente altotérmico, incluyendo la tempera-tura media del año 2008 calculada los con datos de la estación MARS

Estación AltitudT med.

Serialanual (°C)

El Vigia 130 27,90 3035Las Bocas de Caparo 220 26,60 4086Tovar 952 21,90 3141La Azulita 1000 25,30 3135San Juan Lagunillas 1050 22,50 3170Mérida 1307 16,70 3050Merida Aeropuerto 1470 19,00 3047Canagua 1560 17,90 3134Las Piedras 1657 16,70 3099Santo Domingo 2155 15,60 3114Hacienda el Carmen 2250 15,40 3168La Cuchilla 2280 15,60 3040Mucuruba 2320 14,60 3029Los Plantios 2878 8,10 3161Mucuchies 3100 11,30 3122Mucubaji 3560 5,90 3072Mérida Atmospheric Research Station 4765 –0,10 MARS

Siendo:n: Número de términos en las adiciones.a(p): Valor de píxel en posición p en el ma-

pa de entrada.a(p + h): Valor de píxel en posición p+h en

el mapa de entrada.h: Píxel en dirección horizontal o vertical.

Cálculo y muestreó del índice de vegetación por diferencianormalizada NDVI

Con la imagen HRG-SPOT 5 y la ecua-ción 6, se calculó el NDVI (Rouse et al., 1973)utilizando la banda 2 correspondiente al rangode longitud de onda del rojo (R) y la banda 3correspondiente a la región del infrarrojo pró-ximo (NIR) del espectro electromagnético, am-bas con resolución espacial de 10 m.

[6]

Para determinar las posibles diferencias delNDVI entre las unidades de vegetación, se ubi-caron 24 parcelas de 40 × 40m. (4 pixel × 4 pi-xel) en áreas homogéneas representativas decada unidad de vegetación (96 parcelas en to-tal equivalentes a 15,36 ha. muestreadas), re-conocidas en campo y cuyos rangos altitudi-nales fueron estudiados por (Yánez, 1998) en

una transecta de 1240 m de longitud por 2 mde ancho, ubicada entre 2850 y 3600 msnm.Así mismos se utilizó el MDE y el análisis deautocorrelación y semivariograma de superfi-cies para decidir los rangos establecimiento la-titudinal de las mismas por unidad de vegeta-ción. Para determinar la existencia de gruposhomogéneos y diferencias estadísticas delNDVI, se aplicó análisis ANOVA y prueba derangos múltiples de Tukey.

Determinación de los rangos del NDVIde las unidades de vegetación

Para determinar los rangos del NDVI paralas unidades de vegetación se aplicó un análi-sis de la máxima probabilidad que tiene un de-terminado valor NDVI pertenecer a una unidadde vegetación. Este análisis se realizó con losmuestreos de las 96 parcelas.

Relación entre NDVI y temperatura

Para determinar la posible relación existen-te entre el NDVI y la temperatura, se ubicaron200 puntos aleatorios de muestreo a lo largodel gradiente altotérmico y posteriormente seaplicó el modelo de regresión lineal, permi-tiendo determinar la relación entre las dos va-riables y prever el comportamiento del NDVI

NDVINIR R

NIR R=

−( )+( )


Figura 2. Muestra la distribución espacial de las estaciones climatológicas.

a través de la temperatura (Neter y Wasserman,1974). Posteriormente con el modelo matemá-tico ajustado y las estimaciones óptimas detemperaturas de los siete escenarios IE-EE (Ta-bla 2) se generaron los modelos de la dinámi-ca de la vegetación bajo la influencia de los di-ferentes escenarios estudiados.

Sustracción de sombras, nubes y cuerpos de agua

Dentro de la zona en estudio, existen áreasde topografía compleja que generaban sombrasen la imagen satelital afectando la respuestaespectral de dichas áreas, las mismas fueronsustraídas del análisis espacial, para lo cual seaplicó clasificación supervisada utilizando elclasificador de mínimas distancias de Maha-lanobis (Gorte, 1998). Para homogenizar lassombras se aplicó un majotity filter con un ker-nel 3 × 3, luego aplicando algebra booleana sesustrajeron del análisis las áreas con sombras,es decir no fueron tomadas en cuenta para elestudio y son mostradas en los modelos comoáreas blancas, igual método se aplicó para lasnubes y cuerpos de agua.

Cálculo y distribución espacial de los posibles cambios que ocurriránbajo los diferentes escenarios con respecto a la situación actual

Para determinar la distribución espacial ymagnitud de los cambios en la vegetación seaplicó tabulación cruzada (CROSS), permi-tiendo analizar donde y en que proporción ocu-rrirán los cambios. Los mismos fueron repre-sentados en matrices de confusión donde cadafila de la matriz representa el número de pre-dicciones de cada clase, mientras que cada co-lumna representa a las instancias en la clase ac-tual. Muestran en que proporción cambiaranlas unidades de vegetación entre los años de re-ferencia.

Todos los métodos espaciales fueron apli-cados en software de uso libre ILWIS 3.2.

Escenarios de emisiones IE-EE

«El término IE-EE (siglas en español) de-signa los escenarios descritos en el Informe Es-pecial del IPCC sobre escenarios de emisiones(Tabla 2). Los escenarios IE-EE están agrupa-


Tabla 2. Proyecciones del promedio mundial del calentamiento en la superficie bajodiferentes escenarios (IPCC, 2007)

Cambio de temperaturaCaso (°C en 2090-2099 respecto de 1980-1999)a, d

Estimación óptima Intervalo probable

Concentración constante en los niveles del año 2000b 0,6 0,3-0,9

Escenario B1 1,8 1,1-2,9Escenario A1T 2,4 1,4-3,8Escenario B2 2,4 1,4-3,8Escenario A1B 2,8 1,7-4,4Escenario A2 3,4 2,0-5,4Escenario A1F1 4,0 2,4-6,4

a Los valores de temperatura son estimaciones óptimas evaluadas, y los intervalos de incerti-dumbre probables se han obtenido de una jerarquía de modelos de complejidad variable y delimitaciones observacionales.

b La composición constante en valores del año 2000 se ha obtenido de modelos de circulacióngeneral atmósfera-océano (MCGAO) únicamente.

c Todos los escenarios precedentemente indicados son seis escenarios testimoniales IE-EE. Lasconcentraciones aproximadas de dióxido de carbono equivalente correspondientes al forza-miento radiativo computado por efecto de los GEI y aerosoles antropógenos en 2100 para losescenarios testimoniales ilustrativos B1, AIT, B2, A1B, A2 y A1FI del IE-EE son 600, 700,800, 850, 1250 y 1550 ppm, respectivamente.

d Los cambios de temperatura están expresados en términos de diferencias respecto del perío-do 1980-1999. Para expresar el cambio respecto del período 1850-1899 hay que añadir 0,5°C.

dos en cuatro familias (A1, A2, B1, B2) queexploran vías de desarrollo alternativas incor-porando toda una serie de fuerzas originantesdemográficas, económicas y tecnológicas, jun-to con las emisiones de GEI (gases de efectoinvernadero) resultantes, abarcan todos los ór-denes de incertidumbre asociados a las fuerzasdeterminantes y a las emisiones. Los escena-rios IE-EE no contemplan otras políticas cli-máticas además de las existentes. Las proyec-ciones de emisión son muy utilizadas paraconjeturar el cambio climático futuro, y sus su-puestos básicos respecto de la evolución so-cioeconómica, demográfica y tecnológica, sonel punto de partida de numerosos estudios so-bre la vulnerabilidad del cambio climático yevaluaciones de impacto». (IPCC, 2000). Losinstrumentos de modelización utilizados paradesarrollar estos escenarios, cuya escala detiempo se mide en siglos, son menos adecua-dos para el análisis de acontecimientos de cor-to plazo (un decenio, o menos). No existe unúnico escenario más verosímil, «central» o«más previsible», ni en el marco del IE-EE nien los trabajos publicados (IPCC, 2007).

Con la aplicación de este método no fue ne-cesaria reducción de escala «dowsncaling» de-bido a que se trabajó directamente con las es-timaciones de incremento de la temperaturapor cada 100 años que establece cada escena-rio y los mismos fueron aplicados directa-mente sobre el modelo de temperatura. En es-te trabajo se calculó el incremento detemperatura para 2,3 y 5 décadas, en base alvalor de incrementó optimo que establece ca-da escenario por cada 100 años, siguiendo lassugerencias del informe especial de emisionesIE-EE (IPCC, 2007).

En la investigación se utilizaron todos losescenarios y en el presente artículo se analizael escenario B1 y la situación constante.

Limitaciones del método

Entre las posibles limitaciones que tiene elmétodo planteado se encuentra el hecho de notomar en cuenta otras variables que pudieranprobablemente influir en la distribución espa-cial de la vegetación en el limite de crecimientoarbóreo, como la precipitación, la pendiente,

la exposición solar entre otros, pero se susten-ta con diferentes trabajos a nivel fisiológico ypoblacional que determinan a la variable tem-peratura como principal limitante del creci-miento arbóreo en el «timberline». En la pre-sente investigación se analizará dicha hipótesisa nivel espacial.

Resultados y discusiones

En el presente estudio se analizaron los cam-bios ocurridos en la vegetación a lo largo delgradiente altotérmico utilizando el NDVI (Fi-gura 3), pudiendo discriminar las cuatro uni-dades (selva nublada, bosque preparamero, ar-bustal preparamero, Páramo) identificadas por(Santaella, 2007), modelando con mayor deta-lle los complejos cambios ocurridos en el gra-diente altotérmico. Por tratarse de una zonatransicional las variaciones van ocurriendo deforma gradual, cambiando el predominio de di-ferentes formas de vida. La utilización de larespuesta espectral de las plantas en determi-nadas longitudes de onda del espectro electro-magnético, permitió modelar de manera con-tinua a través de matrices numéricas loscomplejos cambios que suceden en la vegeta-ción a los largo de gradiente altotérmico.

Las variaciones, diferencias e identif ica-ción de posibles grupos homogéneos son pre-sentadas a continuación en el análisis ANO-VA (Tabla 3) del NDVI de las unidades devegetación.

El análisis muestra que existen diferenciasestadísticamente significativas (P<0,01) entre


Figura 3. Muestra los valores de NDVI a lo largo delgradiente altotérmico.

las medias del NDVI de las diferentes unidadesde vegetación, demostrando la eficiencia delNDVI para la discriminación y análisis de lascomplejas variaciones de la de la vegetación.

Para analizar la variación espacial continuadel NDVI en el gradiente altotérmico se apli-có autocorrelación y semivariograma espacialvertical. En las Figuras 4 y 5, se observa comoa medida que aumenta la distancia disminuyela autocorrelación y aumenta la varianza, in-dicando el potencial de NDVI para modelar ycaracterizar los cambios de la vegetación a lolargo del gradiente altitudinal.

El análisis de autocorrelación y semivario-grama de superficie junto a los rangos de dis-tribución altitudinal de vegetación determina-dos en otros estudios (Santaella, 2007; Yánez,1998) y el MDE, se utilizaron como base pa-ra el establecimiento de las parcelas (Tabla 4

y Figura 6). Las mismas no tienen una distan-cia estrictamente establecidas entre ellas, másbien fueron establecidas en sentido horizontalde manera aleatoria y en sentido vertical (gra-diente altotérmico) tomando en cuenta los da-tos mencionados. Las parcelas fueron esta-blecidas tanto en la parte media del rangoaltitudinal de cada unidad de vegetación co-mo en los bordes superiores e inferiores portratarse de una zona de transición. La discri-minación de los valores NDVI se realizó a tra-vés de un análisis de máxima probabilidad cu-yos resultados se detallan posteriormente. Enla Figura 6, se observan zonas donde no se es-tablecieron parcelas, esto debido a que se de-cidió posteriormente ampliar el área de estu-dio hasta donde los permitía el MDE y elmodelo NDVI por tratarse de la misma ver-tiente.

Por tratarse de una zona de cambios gra-duales ocurren una mezcla de valores del


Tabla 3. Análisis ANOVA y determinación de gru-pos homogéneos

VariableUnidad

Media «P» Valorde vegetación

SN 0,08a

NDVIBp 0,07b

0,00Ap 0,04cPa –0,04d

Medias seguidas por la misma letra no son estadística-mente diferentes a un nivel de significación de p < 0,01según la prueba de rangos múltiples de Tukey. SN (SelvaNublada), Bp (Bosque Preparamero), Ap (Arbustal Pre-paramero), Pa (Páramo), NDVI (índice de vegetación pordiferencia normalizada).

Tabla 4. Altitud máxima y mínima de ubicación lasparcelas de muestreo del NDVI

Altitud Altitud Unidad mínima máxima

de Vegetación de parcela de parcela (msnm) (msnm)

Selva nublada 21001 2860

Bosque Preparamero 28601 3100

Arbustal Preparamero 32001 3350

Páramo 36001 4390

1 Transición arbórea arbustiva.

Figura 4

Figuras 4 y 5. Correlograma (2) y semivariograma (3) espacial del NDVI con respeto a la distancia en direcciónvertical.

Figura 5

NDVI que representan precisamente los cam-bios y mezclas de las unidades de vegetacióndominadas por diferentes formas de vida. Co-mo se observa en la Tabla 5, ciertos valores delNDVI fueron encontrados en diferentes uni-dades de vegetación contigua, y a través delanálisis de máxima probabilidad se pudo dis-criminar a que unidad pertenecen dichos va-lores. El páramo mostró valores de NDVI en-tre –0.08 y –0.01, el arbustal preparamerovalores entre 0 y 0.05, el bosque preparameroentre 0.06 y 0.07 y la selva nublada valores en-tre 0.08 y 0.13 (Figura 7). Con los rangos de-terminados se clasif icó la matriz numérica(NDVI) y se obtuvo el modelo de distribuciónespacial de las unidades de vegetación del año2009 (Figuras 8).

A través del análisis espacial del modelo sepudo observar como las diferentes unidades devegetación estudiadas a través del NDVI mues-tran una distribución con patrón irregular. Amedida que aumenta la altitud se producen

cambios graduales y diferenciables en las for-mas de vida de la vegetación, pudiendo ser es-tudiados estos cambios espacialmente a travésde la posible relación entre el NDVI y la tem-peratura.


Figura 7. Muestra los rangos de distribución del NDVIpara las unidades de vegetación determinados con elanálisis de máxima probabilidad.SN (Selva Nublada), Bp (Bosque Preparamero), Ap(Arbustal Preparamero), Pa (Páramo).

Figura 6. Distribución espacial de las parcelas de muestreo del NDVI enel gradiente altitudinal MDE.

Tabla 5. Probabilidad de los valores NDVI pertenecer a una determinada unidad de vegetación

NDVI

–0,08 –0,07 –0,06 –0,05 –0,04 –0,03 –0,02 –0,01 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,1 0,11 0,12 0,13

Pa 0,0026 0,0572 0,1302 0,2656 0,3125 0,l432 0,0442 0,0364 0,0052 0,0026 np np np np np np np np np np np npAp np np np np np np 0,0026 0,0104 0,013 0,0312 0,0833 0,1223 0,1848 0,1692 0,1562 0,1302 0,0781 0,0182 np np np npBp np np np np np np np np np np np 0,0026 0,0312 0,0807 0,1848 0,2968 0,2395 0,125 0,0312 0,0078 np npSN np np np np np np np np np np np np 0,0052 0,0078 0,0364 0,1041 0,3125 0,2109 0,1692 0,1197 0,0312 0,0026

Probab

ilidad

Análisis de correlación entre altitud y temperatura

Para corroborar el gradiente altotérmico(0,61oC/100 msnm) determinado por (Rolh,1952) se realizó un análisis de regresión line-al entre altitud y temperatura (Figura 9) obte-niendo un r2 = 93,06 y un valor de gradiente al-totérmico exactamente igual al determinadodicho autor.

Análisis de correlación entre NDVI y temperatura

Analizando espacialmente el modelo digitalde temperatura y el modelo de distribución ac-tual de la vegetación (Figura 10) puede obser-vase que existen patrones de distribución irre-gular de la vegetación que responden algradiente altotérmico. Se encontraron áreasdonde las diferencias topográficas, específi-camente valles encajonados y largos que as-cienden suavemente generan formas espacia-les de «lenguas de temperatura» por dondeascienden las formas de vida tanto arbórea co-mo arbustiva, mostrando una clara respuestade la selva nublada, el bosque preparamero yel arbustal preparamero a dicha variable.

Sustentando lo observado en la Figura 10 seobserva en la Figura 11 que existe una fuerte

correlación entre el NDVI y la temperatura(r = 0.95, r2 = 90.45), representando el NDVIlos cambios ocurridos en la vegetación comorespuesta al gradiente altotérmico.

A través de la correlación entre NDVI y tem-peratura se generó una ecuación ajustada quepermitió modelar la dinámica de la vegetaciónbajo los escenarios IE-EE del IPCC, donde semuestran cuales serán las posibles respuestasde las unidades de vegetación al calentamien-


Figura 8. Modelo de distribución espacial de la vege-tación para el año 2009 en la zona transicional selvanublada - páramo de la vertiente norte de la Sierra Ne-vada de Mérida - Venezuela.

Figura 10. Modelo de distribución espacial actual dela vegetación y el modelo digital de temperaturas me-dias anual indicando las zonas evidentes donde la ve-getación arbórea y arbustiva asciende por las «lenguasde temperatura».

Figura 9. Muestra Correlación entre temperatura °Cy altitud.

to global, pudiendo explorar y analizar la evo-lución espacial (¿donde ocurrirán?) y estruc-tural de la vegetación a lo largo del tiempo, sinalterar la heterogeneidad natural y el patrónirregular de distribución espacial que caracte-riza el área.

Sobre el «Timberline» actual

El límite de crecimiento arbóreo continuoha sido relacionado con la posición de la iso-terma media del aire entre 8-10oC para las re-giones extratropicales y entre 3-6oC para lasregiones tropicales (Grace et al., 2002).

En la Figura 12, se observa como el bosquepreparamero y la selva nublada se distribuyensobre el gradiente altotérmico, ajustándose conmás precisión a la curva de nivel de los3340 msnm, donde existe una temperatura me-dia anual de 8.59oC. Se ubicaron pequeñas áre-as menos frecuentes donde las formas de vidaarbórea ascienden de manera continua hasta los3800 msnm donde la temperatura media anuales de 5.78oC, pudiendo estar asociadas estasáreas probablemente a composiciones florísti-cas diferentes, donde ciertas especies arbóre-as pioneras pudieran estar colonizando y evo-lucionando con más eficiencia que otras.

En este sentido (Santaella, 2007) determinóen un estudio espacial comparativo entre 1952y 1998 la existencia de zonas donde el bosquepreparamero en el año 1952 alcanzaba una al-titud de 3280 msnm y en el año 1998 fue iden-tificado a los 3480 msnm, éste autor atribuyelos cambios a una probable respuesta de la ve-getación al calentamiento global, concertando

con (Sanz-Elorza et al., 2003; Klanderud et al.,2003; Penuelas et al., 2003; Walter, 2002,2003; Grace et al., 2002; Corlett, 1992; Pauliet al., 2001; Keller et al., 2000; Hofer, 1992;Grabherr et al., 1994, 1995, 2001).

En un trabajo realizado recientemente por(Ramirez et al., 2009) entre los estos rangosaltitudinales dentro de la misma área de estu-dio, observaron que efectivamente existe un es-tablecimiento de plantas leñosas pioneras co-mo Diplostephium venezuelense, Cybianthusmarginatus Y Hesperomeles ferruginea for-mando islas o parches de vegetación, resulta-dos parecidos obtuvo (Yánez, 1998) locali-zando D. venezuelense a los 3600 msnm.

Modelos de distribuciónespacial de la vegetación bajoescenarios de cambio climático

Situación constante

Se observa en la Tabla 6 y las Figuras 13 y14, los posibles cambios que ocurrirán en la ve-getación bajo una situación de emisiones de


Figura 11. Correlación entre NDVI y Temperatura me-dia anual (°C).

Figura 12. Modelo de distribución contínua de las for-mas de vida arbórea «Timberline» con respecto a lastemperaturas medias anuales 8,59 y 5,78°C.8,59°C (línea superior en la figura) y 5,78°C (línea in-ferior en la figura).

GEI constante a las del año 2000 (no es un es-cenario). Puede observarse como las tendenciasdel páramo son hacia la perdida de superficieindicando que existirán procesos de coloniza-ción para las épocas provenientes. Igualmentese muestra como las superficies ocupadas porel arbustal preparamero y la selva nublada au-mentarán en los próximos años, manteniéndo-se una serie de procesos evolutivos y de colo-nización en respuestas al calentamiento global.Los cambios se mostrarán estáticos a través delNDVI entre las décadas (2019-2029) y (2089-2099) reflejando una variación en la década(2129-2139). Esto no quiere decir que las di-námicas de las unidades de vegetación se de-tienen en este período, más bien que a travésdel estudio con el NDVI los cambios podrán serdetectados en las décadas (2019-2029 y 2129-

2139), debido a ello fue necesario correr losmodelos en diferentes épocas hasta detectar lospuntos de quiebre o cambio.

Escenario B1

Se observa en la Tabla 7 y las Figuras 15 y16, como el arbustal preparamero y la selva nu-


Tabla 6. Superficies (ha) de las unidades de vegetación bajo la situación cons-tante (0,6°C/100 años) para las décadas (2019-2029)-(2039-2049)-(2089-2099)-(2129-2139)-(2189-2199), el año 2009 representa la situación actual

Años Pa Ap Bp SN

2009 3966,00 2234,00 1042,00 2074,002019-2029 3249,76 2626,20 762,07 2678,522039-2049 3249,76 2626,20 762,07 2678,522089-2099 3249,76 2626,20 762,07 2678,522129-2139 2471,30 3100,73 628,42 3116,112189-2199 2471,30 3100,73 628,42 3116,11

SN (Selva Nublada), Bp (Bosque Preparamero), Ap (Arbustal Preparamero), Pa (Páramo).

Figura 13. Dinámicas y tendencias de las unidades devegetación bajo la situación constante (0,6oC/100 años)para las décadas (2019-2029)-(2039-2049)-(2089-2099)-(2129-2139)-(2189-2199), el año 2009 repre-senta la situación actual.SN (Selva Nublada), Bp (Bosque Preparamero), Ap(Arbustal Preparamero), Pa (Páramo).

Figura 14. Modelos de distribución espacial de la ve-getación bajo la situación constante (0,6oC/100 años)para las décadas (2019-2029), (2189-2199), el año2009 representa la situación actual.

blada tienden al aumento de superficie, exis-tiendo un rango entre las décadas 2019-2029 y2039-2049 donde la vegetación no mostrará va-riaciones a través del NDVI. Por otra parte enel período 2009-2029 cada unidad muestra unadeterminada tendencia, esto probablemente sedeba a que las emisiones considerables de CO2

comenzaron a partir de la década del 50, épo-ca a partir del cual diferentes estudios eviden-cian un calentamiento progresivo de la super-f icie terrestre, es decir para el año 2009 yaexisten una serie de cambios acumulados quese mostrarán a través del NDVI en la década2019-2029. Así mismos puede observarse co-mo la superficie del páramo tiende a disminuir,indicando claramente que existirán procesosde colonización, donde a medida que aumentala superficie de la selva nublada y el arbustalpreparamero disminuirá la superficie del pá-ramo.

Análisis de tabulación cruzadaentre el año 2009 y la década2019-2029 bajo los diferentesescenarios IE-EE estudiados

Puede observarse en la matriz de confusión(Tabla 8) que para la década 2019-2029 loscambios serán reflejados de la misma forma


Tabla 7. Superficies (ha) de las unidades de vegetación bajo el escenario B1(1,8 °C/100 años) para las décadas (2019-2029)-(2039-2049)-(2089-2099)-(2189-2199), el año 2009 representa la situación actual

Años Pa Ap Bp SN

2009 3966 2234,00 1042,00 2074,002029 3250 2626,20 762,07 2678,522049 3250 2626,20 762,07 2678,522099 1723 3525,37 627,89 3440,602199 487 3879,93 3880,64 4068,50

SN (selva nublada), Bp (bosque preparamero), Ap (arbustal preparamero), Pa (páramo).

Figura 15. Dinámicas y tendencias de las unidades devegetación bajo el escenario B1 (1,8 oC/100 años) paralas décadas (2019-2029)-(2039-2049)-(2089-2099)-(2189-2199), el año 2009 representa la situación actual.SN (selva nublada), Bp (bosque preparamero), Ap (ar-bustal preparamero), Pa (páramo).

Figura 16. Modelos de distribución espacial de la ve-getación bajo el escenario B1 (1,8 oC/100 años) para lasdécadas (2019-2029)-(2039-2049)-(2089-2099)-(2189-2199), el año 2009 representa la situación actual.

bajo la situación constante y los escenarios;B1, A1T, A1B, A2. Algunos de estos escena-rios no eran motivo de análisis en el presenteartículo, pero se consideró importante colo-carlos ya que en los próximos 18 años bajocualquiera de los escenarios excepto el A1F1los cambios serán reflejados con igual magni-tud a través del NDVI. Bajo éstos escenariosen la década 2019-2029, 18.95% de la super-ficie del páramo habrán sido colonizados porel arbustal preparamero, 14.52% del arbustalpreparamero se desarrollarán hasta alcanzar elestadío sucesional de bosque preparamero y 50% de éste último habrán evolucionado haciaselva nublada. La distribución espacial de loscambios puede ser apreciada en la Figura 17.

Análisis de tabulación cruzadaentre el año 2009 y la década2089-2099 bajo los escenariosB1 y A1T del IE-EE

En la Tabla 9 y en la Figura 18, se observanlos cambios fisonómicos y procesos de colo-

nización que ocurrirán entre el año 2009 y ladécada 2089-2099 bajo los escenarios B1 yA1T. Para esa época 56.56% de la superficiedel páramo habrán sido colonizadas por el ar-bustal preparamero, 28.10% de éste último sedesarrollarán hacia bosque preparamero y14.52% hacia selva nublada, el 100% del bos-que preparamero habrá alcanzado el estadío su-cesional clímax de selva nublada. El escenarioA1T no es motivo de análisis en el presente ar-tículo, pero se consideró importante colocarlodebido a que los cambios a través del NDVI se-rán reflejados para dicha década con la mismamagnitud que el escenario B1.

Los diferentes modelos estudiados reflejanlos cambios que posiblemente ocurrirán en elfuturo y coinciden con los cambios observadosen el pasado en diferentes investigaciones tan-to dentro del área de estudio (Santaella, 2007)como en otras regiones (Sanz-Elorza et al.,2003; Klanderud et al., 2003; Penuelas et al.,


Tabla 8. La matriz de confusión muestra los cam-bios relativos espaciales y f isionómicos que ocu-rrirán en la vegetación por efectos del calentamientoglobal entre el año 2009 y la década 2019-2029 ba-jo la situación constante y los escenarios, B1, A1T,A1B, A2

SN (Selva Nublada), Bp (Bosque Preparamero), Ap (Ar-bustal Preparamero), Pa (Páramo).

2009 Area totalrelativa

2019-2029Pa Ap Bp SN

2019

-201

9

Pa 81,95 34,88

Ap 18,05 85,48 28,19

Bp 14,52 42 8,18

SN 58 100 28,75

Are

a to

tal

rela

tiva

2019

-202

9

42,57 24 11 22,26 100 %

Figura 17. Modelo de distribución espacial de los cam-bios (tabulación cruzada) fisionómicos y procesos decolonización entre el año 2009 y la década 2019-2029bajo la situación constante y los escenarios B1, A1T,A1B, A2.SN (Selva Nublada), Bp (Bosque Preparamero), Ap(Arbustal Preparamero), Pa (Páramo). *(Permanenciao cambio hacia otra unidad de vegetación).

2003; Walther 2002, 2003; Keller et al., 2000;Grace et al., 2002; Corlett 2002; Pauli et al.,2001; Hofer, 1992, Grabherr et al., 1994, 1995,2001). En este sentido (Santaella, 2007) de-terminó en un estudio espacial comparativo en-tre 1952 y 1998 la existencia de áreas donde elarbustal preparamero y el bosque preparame-ro se están desarrollando sucesionalmente a es-tadíos más avanzados, por ejemplo formas devida arbustiva que cambiaron hacia arbórea,dichas dinámicas también han sido observadaspor (Lavoie et al., 1992; Hessl et al., 1997), setrata de distintas formas de crecimiento (ar-bustivos y arbóreos) dentro de las misma es-pecies o especies diferentes como lo descritopor (Noble, 1980) que en este caso respondenal gradiente térmico. Estas especies a su vezserán las que dominarán la respuesta espectralde las unidades de vegetación.

A través del análisis espacial se determinóque bajo los escenarios estudiados el páramoserá colonizado por el arbustal preparamero endiferentes proporciones, y posteriormente és-ta unidad se desarrollará hacia estadíos másavanzados dependiendo de la magnitud del au-mento de la temperatura. Es interesante desta-car que bajo la situación constante la cual re-fleja un mantenimiento de las emisiones de

GEI igual a las del años 2000, ya se predicenimportantes cambios, tanto espaciales como enlas formas de vida, tendiendo el páramo haciala extinción como unidad ecológica. Proba-blemente las especies que predominarán en lasáreas bajo procesos de colonización serán lasmismas pioneras identif icadas por (Ramirezet al., 2009; Yánez, 1998) en los parches o is-las de vegetación.

Conclusiones

A través del NDVI se pudo modelar las com-plejas variaciones y mezclas de diferentes for-mas de vida de la zona transicional «Timberli-ne» Selva Nublada - Páramo, donde seproducen cambios en la estructura de la vege-tación a medida que se asciende en el gradien-te altotérmico como respuesta a las variacio-nes térmicas. Esto demuestra que la vegetaciónarbórea cambia su estructura y se distribuye es-


Tabla 9. La matriz de confusión muestra los cam-bios relativos espaciales y f isionómicos que ocu-rrirán en la vegetación entre el año 2009 y la déca-da 2089-2099 bajo los escenarios B1 y A1T

SN (Selva Nublada), Bp (Bosque Preparamero), Ap (Ar-bustal Preparamero), Pa (Páramo).

B1-A1T2009 Area total

relativa2089-2099Pa Ap Bp SN

2089

-209

9

Ap 43,44 18,49

Ap 56,56 57,38 37,84

Bp 28,10 6,74

SN 14,52 100,00 100,00 36,93

Are

a to

tal

rela

tiva

1999

-200

9

42,57 24 11 22,26 100%

Figura 18. Modelo de distribución espacial de los cam-bios (tabulación cruzada) fisionómicos y procesos decolonización que ocurrirán entre el año 2009 y la dé-cada 2089-2099 bajo los escenarios B1 y A1T.SN (Selva Nublada), Bp (Bosque Preparamero), Ap(Arbustal Preparamero), Pa (Páramo). *(Permanenciao cambio hacia otra unidad de vegetación).

pacialmente en dependencia de la temperatu-ra, observando que aquellas áreas donde exis-ten «lenguas de temperatura» es por donde elarbustal preparamero y el bosque preparame-ro ascienden de manera continua y en las par-tes más cercanas al borde superior del arbus-tal preparamero están formando islas o parchesde vegetación.

Los diferentes escenarios muestran como ellímite de crecimiento arbóreo continuo «Tim-berline» cambiará en el tiempo y el espacio,ubicándose a mayores altitudes incluso bajo lasituación de emisiones de GEI constante a lasdel año 2000. Bajo los diferentes escenariosIE-EE estudiados las tendencias son hacia laextinción del páramo, la cual será colonizadapor diferentes unidades de vegetación, siendoen las primeras décadas por el arbustal prepa-ramero, la cual posteriormente se desarrollaráhacia bosque preparamero y selva nublada.

Agradecimientos

Este proyecto fue financiado por el FondoNacional de Ciencia, Tecnología e InnovaciónFONACIT-Venezuela, a través de la AgenciaBolivariana de Actividades Espaciales ABAE-Venezuela, adscritos al Ministerio del Poder Po-pular para la Ciencia, Tecnología e Innovación.

Se agradece al Instituto Nacional de Pes-quisas Espaciais INPE-Brasil y al Centro Re-gional en Ciencia y Tecnología Espacial paraAmérica Latina y el Caribe, CRECTEAL, portodo el apoyo brindado y el conocimiento ad-quirido.

De igual forma al Laboratorio de Procesa-miento Avanzado de Imágenes Satelitales,LPAIS, de la Fundación Instituto de Ingenie-ría de Venezuela por facilitar de forma gratui-ta la imagen SPOT 5.

Referencias

ANDRESSEN, R., ROBOK, A., & ACEVEDO,M.1996. Escenarios de cambio climático por efec-to invernadero y deforestación para Venezuela.Revista Geográfica Venezolana 37 (2): 221-250.

ATAROFF, M. & SARMIENTO, L. 2003. Diversi-dad en Los Andes de Venezuela. I mapa de uni-dades ecológicas del Estado Mérida. CD-ROM,Univ. Los Andes, Mérida, Venezuela.

AUSTIN, M., & SMITH, T. 1989. A new model forthe continuum concept. Vegetation 83: 35-47.

AZÓCAR, A., & RADA, F. 1993. Ecofisiología dePlantas de la Alta Montaña Andina. Universidadde Los Andes, Mérida. Venezuela.

BARET, F., GUYOT, G., & MAJOR, D. 1989. Cropbiomass evaluation using radiometric measure-ments. Photogrammetria 43: 241-256.

BARUCH, Z. 1984. Ordination and classificationof vegetation along an altitudinal gradient in theVenezuelan páramos. Vegetation 55: 115-126.

CABRERA, H. 1996. Temperaturas bajas y límitesaltitudinales en ecosistemas de plantas superio-res: Respuestas de las especies al frío en monta-ñas tropicales y subtropicales. Revista Chilenade Historia Natural 69: 309-320.

CAMARERO, J., GUTIÉRREZ, E., & FORTÍN, M.2000. Spatial pattern of subalpine forest-alpinegrassland ecotones in the Spanish Central Pyre-nees. Forest Ecology and Management 134: 1-16.

CORLETT, R. 1992. The impact of cold and froston terrestrial vegetation in Hong Kong. Memoirsof the Hong Kong Natural History Society 19:133-135.

CURRAN, P. 1983. Multispectral remote sensingfor the estimation of green leaf area index. Phi-losophical Transactions of the Royal Society ofLondon A 309:257-270. En: Beverly, E y Waring,R. 1994. Remote sensing of leaf area index andradiation intercepted by understory vegetation.Ecological Applications 4(2): 272-279.

GERBERMAN, A., CUELLAR, J., & GAUSMAN,H. 1984. Relationship of sorghum canopy varia-bles to reflected infrared radiation for 2 wave-lengths and 2 wavebands. En: La caracterizaciónfuncional de ecosistemas mediante sensores re-motos. Ecosistemas 17 (3): 4-22. Septiembre.2008.

GITAY, H., SUÁREZ, A., WATSON, T., & DOK-KEN, D. 2002. Cambio climático y biodiversi-dad. Documento técnico. IPCC.

GONG, D., & SHI, P. 2003. Northern hemisphericNDVI variations associated with large-scale cli-mate indices in spring. Int. J. Remote Sensing. 24,2559-2566.

GORTE, B., & KOOLHOVEN, W.1990. Interpola-tion between isolines based on the Borgefors dis-tance transform. ITC Journal 1990-3: 245-247.ITC, Enschede.

GORTE, B. 1998. Probabilistic segmentation of re-motely sensed images. ITC publication v 63. ITC,Enschede.143 p.

GRABHERR, G., GOTTFRIED M., & PAULI, H.2001. Long-term monitoring of mountain peaks inthe Alps. Biomonitoring: General and Applied As-pects on Regional and Global. Springer, Berlin.

GRABHERR, G., GOTTFRIED, M., & PAULI, H.1994. Climate effects on mountain plants. Natu-re 369: 448.


GRABHERR, G., GOTTFRIED, M., GRUBER, A.,& PAULI, H. 1995. Patterns and current changesin alpine plant diversity. Arctic and Alpine Bio-diversity (eds. FS Chapin III & C Körner), Eco-logical Studies 113: 169-181. Springer, Berlin.

GRACE, J., BERNINGE, F., & NAGY, L. 2002. Im-pacts of Climate Change on the Tree Line. Anualsof Botany 90: 537-544.

GRACE, J. 1989. Tree lines. Philosophical Trans-actions of the Royal Society. London, B. 324:233-245.

GRAF, K.1994. Vegetación y clima de los AndesBolivianos durante la última época glacial. Eco-logía en Bolivia 23: 1-19.

HANSEN, A & DI CASTRI, F.1998. Ecotonos:what and why? En: di castri, F. A New Look atEcotonos. International Union of BiologicalSciences. USA.

HANSEN, A., & DI CASTRI, F.1992. Landscapeboundaries: consequences for biotic diversity andecological flows. Springer-Verlag, New York,395 p.

HARTE, J., & SHAW, M.1995. Shifting dominan-ce within a montane vegetation community: Re-sults from a climate warming experiment. Scien-ce 267: 876-880.

HESSL, A., & BAKER, W. 1997. Spruce-fir growthform changes in the forest-tundra ecotone ofRocky Mountain National Park, Colorado, USA.Ecography 20: 356-367.

HOFER, H.1992. Veränderungen in der Vegetationvon 14 Gipfeln des Berninagebietes zwischen1905 und 1985. Berichte des Geobotanischen Ins-tituts ETH, Stiftung Rübel, Zürich 58: 39-54.

HOLTMEIER, F., & BROLL, G. 2007. Treeline ad-vance - driving processes and adverse factors.Landscape Online 1: 1-33.

IPCC. 2007. Cambio climático: Informe de sínte-sis. Contribución de los Grupos de trabajo I, II yIII al Cuarto Informe de evaluación del GrupoIntergubernamental de Expertos sobre el Cam-bio Climático. Equipo de redacción principal: Pa-chauri, R & Reisinger, A. (directores de la pu-blicación). Ginebra, Suiza. 104 p.

IPCC. 2000. Escenarios de Emisiones Grupo In-tergubernamental de Expertos sobre el CambioClimático. Informe Especial del Grupo de Tra-bajo III del IPCC.

KELLER F., KIENAST F., & BENISTON M. 2000.Evidence of response of vegetation to environ-mental change on highelevation sites in the SwissAlps. Regional Environmental Change 1: 70-77.

KLANDERUD, K & BIRKS, H. 2003. Recent in-creases in species richness and shifts in altitudi-nal distributions of Norwegian mountain plants.The Holocene 13: 1-6.

KREBS, J. 1985. Ecología, estudio de la distribu-ción a la abundancia. Harla, S.A. México,D.F.753 p.

LAVOIE C., & PAYETTE S.1992. Black sprucegrowth forms as a record of a changing winterenvironment at tree line, Québec, Canada. Arcticand Alpine Research 24: 40-49.

MONASTERIO, M. & VUILLEUMIER, F. 1986.Inroduction : high tropical mountain biota of theworld. En : Vuilleumier, F. & Monasterio, M(Eds.). High Tropical Biogeography. Oxford Uni-versity. New York, USA.

MONASTERIO, M., & REYES., S. 1980. Diversi-dad ambiental y variación de la vegetación en losPáramos de los Andes Venezolanos. En: Monas-terio, M. (Ed.). Estudios Ecológicos en los Pá-ramos Andinos. Universidad de Los Andes. Mé-rida, Venezuela.

MONASTERIO, M.1980. Poblamiento humano yuso de la tierra en los altos Andes de Venezuela.En: MONASTERIO, M. (Ed.). Estudios ecológi-cos de los paramos andinos.170-198. Edición dela Universidad de los andes. Mérida-Venezuela.

MOORE, P., CHALONER, B., & PHILIP, S. 1996.Global environmental change. Blackwell Scien-ce. Australia. En: Hernandez, L. 2006. Posiblesefectos del cambio climático sobre la distribu-ción de seis especies vegetales en el Páramo deMerida. Universidad de los Andes. Mérida, Ve-nezuela.

MYNENI, R. 1995. The interpretation of spectralvegetation indexes. IEEE Trans. Geosci. Rem.Sens. 33: 481-486.

NETER, J., & WASSERMAN, W. 2004. Applied li-near statistical models. Georgetown: Irving- Dor-sey Ltd. 842 p. En: Almeida, C. 2004. Modela-gem da dinâmica espacial como uma ferramentaauxiliar ao planejamento: simulação de mudan-ças de uso da terra em áreas urbanas para as ci-dades de Bauru e Piracicaba (sp), Brasil. Tesis dedoctorado. Instituto Nacional de Pesquisas Es-paciais. INPE.

PARUELO, J., EPSTEIN, H., LAUENROTH, W., &BURKE, I. 1997. ANPP estimates from NDVI forthe Central Grassland Region of the US. Ecology78:953-958.

PAULI, H., GOTTFRIED, M., & GRABHERR G.2001. High summits of the Alps in a changingclimate. ‘Fingerprints’ of Climate Change -Adapted Behaviour and Shifting Species Ran-ges (eds. G-R Walther, CA Burga & PJ Ed-wards), Kluwer Academic, Plenum Publishers,New York. 139-149.

PEÑUELAS, J., & BOADA, M. 2003. A globalchange-induced biome shift in the Montsenymountains (NE Spain). Global Change Biology9: 131-140.

PETTORELLI, N., VIK, J., MYSTERUD, A., GAI-LLARD, J., TUCKER, C., STENSETH, N. 2005.Using the satellite-derived NDVI to assess eco-logical responses to environmental change.Trends in Ecology and Evolution 20: 503-510.


PONZONI, F., & SHIMABUKURO, Y. 2009. Sen-soriamento remoto no estudo da vegetação. Ins-tituto Nacional de Pesquisas Espaciais. INPE. Pa-rêntese editora.

PRETINCE, I., CRAMER, W., HARRISON, S., LE-EMANS, R., MONSERUD, R., & SOLOMON,A. 1992. A global bioma model based on plantphysiology and dominance. Soil Properties andclimate. Journal of Biogeography 19: 117-134.

RAMIREZ, L., LAMBÍ, L., SCHWARZKOPF, T.,GAMEZ, L., & MÁRQUEZ, N. 2009. Estructu-ra de la vegetación en la zona de transición Bos-que-Paramo en la Sierra Nevada de Mérida: Im-plicaciones para analizar la dinámica del límiteforestal. Ecotropicos 022 (2): 83-98.

RIPPLE, W. 1985. Asymptotic reflectance charac-teristics of grass vegetation. PhotogrammetricEngineering and Remote Sensing. En: La carac-terización funcional de ecosistemas mediantesensores remotos. Ecosistemas 17 (3): 4-22. Sep-tiembre. 2008.

RISSER, P. 1995. The status of the science exami-ning ecotones. Bioscience 45: 318-325.

ROHL, E. 1951. Sobre el gradiente térmico verti-cal de Venezuela. Boletín de la Academia deCiencias Físicas, Matemáticas y Naturales14(44): 3-60.

ROUSE, J. W., HASS, R. H., SCHELL, J. A., & DE-ERING, D. W. 1973. Monitoring vegetationsystems in the great plains with ERTS. En: Earthresources technology satellite-1 Symposium, 3.Proceedings. Washington, v. 1, Sec. A: 309-317.

RUNNING, S. 1990. Estimating primary producti-vity by combining remote sensing with ecosystemsimulation. En: Remote Sensing of BiosphereFunctioning. (Hobbs, R & Mooney, H., eds). 65-86, Springer-Verlag.

SAKAY, A., & LARCHER, W. 1987. Frost survivalof plants: response and adaptation to freezingstreess. Springer-Verlag, Berlin, 321 p.

SANTAELLA, W. 2007. Cambio del paisaje en lalínea transicional páramo-selva nublada, sectorLa Aguada de la Vertiente Norte de la Sierra Ne-vada de Mérida- Venezuela. VII Convención In-ternacional Sobre Medio Ambiente y Desarrollo- I Congreso Internacional sobre Cambio Cli-mático. La Habana, Cuba. (CD-ROM, ISBN:978-959-304-003-7).

SANZ-ELORZA, M., DANA, E., GONZALES A.,& SOBRINO, E. 2003. Changes in the Highmountain Vegetation of the Central Iberian Pe-ninsula as a Probable Sing of Global Warming.Annals of Botany 92: 273-280.

SARMIENTO, G. 1986. Ecological features of cli-mate in high tropical mountanins. En: Vuilleu-mier, F & Monasterio, M. High altitude tropical

biogeography: 11-45. Oxford University Press.Oxford.

SARMIENTO, G. 1986. Principales Gradientes eco-climáticos de los andes Tropicales. Simposio deEcología de Tierras Altas. Anuales del VI Con-greso Latinoamericano de Botánica. Vol 1. Co-lombia.

SCHUBERT, C., & VIVAS, L. 1993. El cuaterna-rio de la Cordillera de Merida. Universidad delos Andes. Fundación Polar. Mérida, Venezuela.

SELLERS, P. 1985. Canopy reflectance, photos-ynthesis, and transpiration. International Journalof Remote Sensing. En: La caracterización fun-cional de ecosistemas mediante sensores remo-tos. Ecosistemas 17 (3): 4-22. Septiembre. 2008.

SLATYER, R., & NOBLE, I.1992. Dynamics ofMontane Treelines. En: Hansen, A & di Castri, F(Eds.). Landscape Boundaries: Consequences forBiotic Diversity and Ecological Flows. Springer- Verlag. New York, USA.

TUCKER, C. 1977. Resolution of grass canopy bio-mass classes. Photogrammetric Engineering andRemote 43: 1059-1067.

VEILLON, J. 1974. Relaciones entre los BosquesNaturales y el Clima en diferentes zonas ecoló-gicas del Noroccidente de Venezuela. Informe delCDCH. Universidad de Los Andes. Mérida, Ve-nezuela.

WALTHER, G., BEIBNER, S., & POTT, R. 2005. Cli-mate change and high mountain vegetation shifts.En: BROLL, G & KEPLIN, B. (Eds.). Mountainecosystems. Studies in Treeline. Ecology. Sprin-ger, Berlin, Heidelberg, pp. 77-95. 232 p.

WALTHER, G., POST, E., CONVEY, P., MENZEL,A., PARMESAN, C., BEEBEE, T., FROMEN-TIN, J., HOEGH-GULDBERG, O., & BAIR-LEIN, F. 2002. Ecological responses to recent cli-mate change. Nature 416: 389-395.

WALTHER, G. 2003. Plants in a warmer world pers-pect. Plant Ecol. Evol. Syst. 6: 169-185.

WANG, J. 2003. Temporal responses of NDVI toprecipitation and temperature in the central Gre-at Plains, USA. Int. J. Remote Sensing. 24: 2345-2364.

WIESER, G., & TAUSZ, M. 2007. Trees at their Up-per Limit: Treelife limitation at the alpine tim-berline. Plant Ecophysiology 5. Springer, 232 p.

YÁNEZ, A. 1998. Caracterización florística en unsector de cambio Páramo - Selva Nublada en elParque Nacional Sierra Nevada, Venezuela. Rev.Forest. Venez. 42(1): 51-62.

ZHAO, N., YANG, Y., & ZHOU, X. 2010. Appli-cation of geographically weighted regression inestimating the effect of climate and site condi-tions on vegetation distribution in Haihe Catch-ment, China. Plant Ecology. 209: 349-359.


Caso práctico

Simple models to estimate soybean and corn percentground cover with vegetation indices from MODIS

M. Bocco1, G. Ovando1, S. Sayago1 and E. Willington1

1 Facultad de Ciencias Agropecuarias. Universidad Nacional de Córdoba. CC 509, 5000. Córdoba, Argentina

Abstract

Remote sensing images are a good source of crop and soil information, which can be used to deriveagronomic information for field management and yield prediction. Soybean (Glycine max (L.) Merrill)and corn (Zea mays L.) are the most important crops in Argentina taking into account the economic yieldobtained by farmers and the sown area. In this work, simple mathematical models (linear, second orderpolynomial and exponential), with different vegetation indices (VI) derived of Moderate-resolutionImaging Spectroradiometer (MODIS) images as inputs, were evaluated. The models were applied toestimate soybean and corn percent ground cover (fCover) over the growing season. The VI employedwere the normalized difference vegetation index (NDVI), soil adjusted vegetation index (SAVI), a modifiedSAVI (MSAVI), simple ratio (SR) and perpendicular vegetation index (PVI). The performances of themodels (linear, polynomial and exponential) were very good and their results were equivalent. Althoughall models could successfully estimate fCover, results showed that, excepted with SR input, a linear modelcan predict ground coverage with R2 values greater than 0.86, when both crops are considered. Whenmodels are applied to soybean and corn separately, linear model with SAVI index has the best performance.

Key words: mathematical models, crops, remote sensing, vegetation index, MODIS.

Resumen

Modelos simples para la estimación de la cobertura de soja y maíz con índices de vegetación de MODIS

Las imágenes provenientes de sensores remotos constituyen una importante fuente de informaciónsobre cultivos y suelos, la cual puede utilizarse para obtener parámetros agronómicos para el manejodel suelo y predicción de rendimientos. Los cultivos de soja (Glycine max (L.) Merrill) y maíz (Zeamays L.) son los más importantes en Argentina, teniendo en cuenta el área sembrada y los réditos eco-nómicos obtenidos por los productores. En este trabajo se evaluaron modelos matemáticos simples (li-neales, polinomiales de segundo grado y exponenciales), a partir de diferentes índices de vegetación(VI) derivados del sensor Moderate-resolution Imaging Spectroradiometer (MODIS) tomados comodatos de entrada. Los modelos se aplicaron para evaluar el porcentaje de cobertura (fCover) de soja ymaíz durante toda la etapa de desarrollo de los cultivos. Los VI empleados fueron el índice de vege-tación de diferencia normalizada (NDVI), el índice de vegetación ajustado por el suelo (SAVI), unamodificación de éste (MSAVI), el cociente simple (SR) y el índice de vegetación perpendicular (PVI).El comportamiento de los modelos (lineales, polinomiales y exponenciales) fue muy bueno y sus re-sultados fueron equivalentes. Si bien todos los modelos estimaron adecuadamente fCover, los resul-tados mostraron que, excepto con SR, un modelo lineal puede predecir porcentaje de cobertura convalores de R2 mayores que 0,86 cuando ambos cultivos son considerados. Cuando los modelos fueronaplicados en forma separada a soja y maíz, el modelo lineal con SAVI tuvo el mejor comportamiento.

Palabras clave: modelos matemáticos, cultivos, teledetección, índice de vegetación, MODIS.



Introduction

Monitoring crop condition at different stagesof crop growth is as important as knowing theexact production after harvest time. Identifycrop condition as early as possible has greatinfluence on the crop management, price,circulation and storage. Crop growth estimatesbased on field reports are often expensive andcannot provide real-time, spatially explicitestimates or forecasting of crop condition(Lobell et al., 2003).

In particular, remote sensing applicationsfor monitoring crop condition at regional scalehave been studied extensively during the pastseveral decades (Bocco et al., 2007). Rajan andMaas (2009) showed that remote sensingimages are effective in displaying the spatialvariation in crop within agricultural f ields.Satellite data provide a spatially and periodic,comprehensive view of actual crops state (Nu-mata et al., 2007; Bocco et al., 2012).

With the launch and continuous availabilityof multi-spectral sensors (visible, near-infrared)onboard of satellites for earth observation,remote sensing data has become an importanttool for surveying. The spatial resolution (250 m)and temporal (daily) coverage of Moderate-resolution Imaging Spectroradiometer (MODIS)data offers potential for retrieval of cropbiophysical parameters and improved accuracyin crop yield assessment (Doraiswamy et al.,2004).

Daily images in a continuous time series donot always precisely describe the condition ofvegetation during the growing season, sincecontamination by clouds decreases the vege-tation index quality. Consequently, the solutionis to retain a high temporal resolution uncove-ring and removing cloudy pixels from dailyimages, thus creating composite images of 10to 15 days only with data taken during the smal-lest cloud contamination days (Báez-Gonzálezet al., 2002).

Vegetation indices (VI) show the abundanceand vigorousness of green plants and areamong the oldest tools in remote sensing stu-dies (Glenn et al., 2008). Crop biophysicalparameters are usually inferred from satelliteimage data through the calculation of VI, whichare derived from several wavelength bands by

using linear and nonlinear algorithms. Theserelationships between VI and crop parameters,as leaf area index (LAI), ground cover, chloro-phyll content, above-ground green biomass andabsorbed photosynthetically active radiation,are empirical (Liu et al., 2006).

One of the earliest VI developed to identifythe vegetation state in an image is the simpleratio vegetation index, created by dividing nearinfrared (NIR) by red (Red) reflectances. Thebasis of this relationship is the strong absorp-tion (low reflectance) of red light by chlorophylland low absorption (high reflectance andtransmittance) in the NIR by green leaves. Den-se green vegetation produces a high ratio whilesoil has a low value, thus yielding a contrast bet-ween the two surfaces (Shanahan et al., 2001).

Gitelson et al. (2002) showed, for wheat(Triticum aestivum L.), that when percent coverincreased from 0 to 50%, the reflectance in thered range decreased steeply, while the NIRincreased. When ground cover exceeded 50%,the rate of change in both reflectancesdecreased, becoming invariant for cover valuesbetween 60% and 100%. These reports forwheat canopy are consistent with Kanemasu(1974) who reported a decrease of the NIRreflectances for soybean (Glycine max (L.)Merrill), wheat and sorghum (Sorghum sp.) inthe midseason.

Actually, VI developed can be assigned intotwo broad categories; the ratio indices andorthogonal indices (Huete et al., 1985). Thenear infrared to red ratio (SR), normalizeddifference vegetation index (NDVI), and thetransformed difference vegetation index(TDVI) are the most common of the ratiotransformations used for estimate vegetationstatus. The orthogonal transformation two-dimensional perpendicular vegetation index(PVI) was presented for Richardson andWiegand (1977).

Mauget and Upchurch (2000), evaluatedvegetation indices based on their ability torespond linearly to ground cover and LAI ofcotton. Percent ground cover measurementswere obtained from high resolution photo-graphs through a maximum likelihood clas-sif ier algorithm that identif ied regions ofshaded and un-shaded vegetation and bare soil.Cyr et al. (1995) studied the relation between

84 M. Bocco et al. / Revista de Teledetección (2013) 39, 83-91

ground cover and different vegetation indicesfor soybean, corn (Zea mays L.), barley(Hordeum vulgare) and pastures, by photo-graphic and radiometric measurementsthroughout the growing season.

Soybean is the most important crop inArgentina taking into account the economicyield obtained by farmers and the approximatesown area (18,886,600 ha in 2010-2011), fol-lowed by corn, with 4,559,800 ha. In particular,the province of Córdoba is the second producerof soybean and corn in Argentina withapproximately 5,054,400 ha and 1,143,000 hain 2010-2011, respectively (MAGyP, 2012).

The objective of this work was to prove thatsimple mathematical models, from differentvegetation indices derived of MODIS imagesas inputs, allow estimating soybean and cornpercent ground cover over the growing season.The application was carried out in Córdoba(Argentina).

Material and methods

Study site

The study area is located in the central plainsof Córdoba province, Argentina (Figure 1), inthe sub-region known as “Pampa Alta” (32° S;

64° W) which presents a slightly undulatingrelief of hills developed on loessic material, withsilt loam texture with a slight slope to the east;soils in this area are classified as entic and typicHaplustol. The average annual rainfall isapproximately 800 mm, concentrated in summer(INTA, 2006). The climate in the study area isclassified as dry sub-humid (Mather, 1965).

In the agricultural area predominate twosummer crops (soybean and corn) due to theannually rainfall distribution, which are con-centrated around October-March, and, in smal-ler degree, winter cereals (principally wheat).

Ground data

Field data (179) were acquired continuouslythroughout the growing season in 33 cultivatedplots, 7 of which were sown with corn and theremaining 26 with soybean. The number ofeach crop plots was selected taking accountthat, for this study area, the relation betweencultivated area of corn and soybean was 26%.All plots should have an area larger than 50 hato adjust to the resolution of the MODIS sensor.

In this region, agricultural production ismainly rainfed. Soybean is sown by directseeding with maturity groups 3 and 4 oftransgenic varieties resistant to glyphosate,with spacing between rows of 35 cm, without

Simple models to estimate soybean and corn percent ground cover... 85

Figure 1: Study area in Córdoba, Argentina (LANDSAT Image). Dot marks indicate the studied plots. Figureadapted from Bocco et al. (2012)

fertilizer application (Piatti and Ferreyra,2009); on the other hand, corn, is sown lateOctober to early November. This crop is alsosown by direct seeding with a distance betweenrows of 53 cm with an average plant density of76,000 per hectare (Piatti and Ferreyra, 2008).

In this study area, soybean and corn show auniform distribution so, only three verticaldigital photographs from 1.5 m high in eachplot were used to estimate percentage ofground coverage (fCover). These digital photo-graphs were classified into two classes: greenvegetation and soil, using the maximumlikelihood methodology.

Satellite data

Eleven images from AQUA satellite wereused for the period, which corresponded to thetime of field data acquisition; these came fromthe MODIS-MYD13Q1/Aqua 16-Day integra-ted L3 Global 250 m SIN Grid, Tile h12v12 andwere obtained by the Land Processes Distri-buted Active Archive Center (LPDAAC)-USGeological Survey (USGS) for Earth Resour-ces Observation and Science (EROS) DataCenter.

In order to evaluate the information contentin reflectance spectra and devise a techniquefor remote estimation of vegetation fraction,we used MODIS red reflectance (Red, 620-670 nm) and near infrared reflectance (NIR,841-876 nm), for the central pixels in each oneof the 33 plots as input.

Models

Three simple mathematical models wereevaluated: linear, second order polynomial andexponential, which general formulas are asfollows:

I. linear: fCover(VI) = a + bVI

II. second order polynomial:fCover(VI) = a + bVI + cVI 2

III. exponential: fCover(VI) = a + b exp(cVI)

where a, b and c are the coefficients of eachmodel and the input variables used are the

vegetation indices: NDVI, SR, SAVI, MSAVIand PVI.

From the combination of the three mainsimple model types with the five selected VI’s,fifteen models are determined.

Vegetation indices

The NDVI is an indicator of vegetation coverdensity and plant growth condition; it has beenwidely employed to measure canopy attributes(D’Urso et al., 2010):

Several studies have found that NDVI sa-turates if the crop density or LAI is high (Srini-vas et al., 2004). Also, this index can be uns-table, varying with soil, sun-view geometry,atmospheric conditions, and the presence ofdead material, as well as with changes withinthe canopy itself. For this, many researcherstried correcting the index for soil and atmos-pheric sources of variance (Huete and Liu, 1994).

Other vegetation indices were developed toreduce or eliminate soil influence on solarreflectance values, such as Simple Ratio (SR)and Soil Adjusted Vegetation Index (SAVI),this last includes a constant to minimize theeffect of soil background reflectance variationin the index (Zhang et al., 2009):

where L is a constant empirically determined(typically around 0.5, for intermediate vege-tation cover ranges).

In particular, a modified SAVI, the MSAVIindex, which uses an iterative, continuous func-tion to optimize soil-adjustment and increases thedynamic range of the SAVI was introduced by Qiet al. (1994). This index is less sensitive to theseexternal influences (Rondeaux et al., 1996):

MSAVINIR NIR NIR

=+ − + − −2 1 2 1 8

2

2( ) ( )Red

SAVINIR

NIRL=

−

+ ++

Red

Red L( )1

SRNIR

=Red

NDVINIR

NIR=

−

+

Red

Red


To take into account the soil effect, Maas andRajan (2008) used a 2D-scatterplot, producedby plotting the corresponding pixel values in theNIR and red spectral bands, to determinate a setof points along a straight line, called bare soilline, representing image pixels containing baresoil. The orthogonal distance from any point inthe distribution to the bare soil line representsthe perpendicular vegetation index (PVI):

where a0 and a1 are the intercept and slope,respectively, of the bare soil line.

The coeff icient of determination (R2) andthe root mean squared error (RMSE) betweenobserved and estimated values of percentageof ground coverage were used for the modelsevaluation and validation.

Results and discussion

For all plots and samples, fCover rangedbetween 0-98%. In Table 1, the coefficients ofdetermination (R2) values for linear, secondorder polynomial and exponential models, areshown. It can be observed that, in general, all

models have a good performance for all VIused.

Analyzing the results presented in Table 1we can state that, due to their simplicity andthe significance level of its coefficients, linearmodels are more appropriate for NDVI, SAVI,MSAVI and PVI. For SR index, although theR2 value equal to 0.68 is good, the exponentialmodel is better (R2 = 0.89).

Glenn et al. (2008), using NDVI dataobtained with a Dycam digital camera thatrecords Red, Blue and NIR reflectances, founda linear regression with vegetation fraction fortree species (R2 = 0.82). Liu et al. (2008)correlated various vegetation indices(including NDVI, SAVI, and MSAVI calculatedwith hyperspectral Compact AirborneSpectrographic Imager (CASI) data) withmeasured crop fractions of corn, soybean, andwheat. They found that all these indices werehighly correlated (R2 = 0.90) with the f ielddata. The coeff icients of determinationobtained in our study are similar to thosereported by Glenn et al. (2008) and Liu et al.(2008) although the latter were obtained fromhigher spatial resolution sensors.

Radari et al. (2010) compared different VIusing Landsat Multispectral Scanner (MSS),Landsat Thematic Mapper (TM) and Enhan-

PVINIR a a

a=

− −

+1 0

121

Red


Table 1: Coefficients for all models that estimate percent ground cover with different vegetation indices(VI) and their statistical R2 values. (*) indicates that the coeffcient is not statistically significant (p < 0.05)

Model VICoefficients

R2

a b c

Linear –33.3480* 131.4390* 0.88Second order polynomial NDVI –12.6920* 36.921*0 87.4770* 0.88Exponential –70.6959* 53.1947* 1.2379* 0.88

Linear 5.9080* 5.2250* 0.68Second order polynomial SR –15.6740* 13.8540* –0.4120* 0.85Exponential 91.4525* –132.0700* –0.2361* 0.89

Linear –25.2730* 169.2230* 0.89Second order polynomial SAVI –33.1320* 219.3500* –61.5160* 0.89Exponential 297.6320* –330.715*0 –0.669*0 0.89

Linear –16.7310* 146.6200* 0.88Second order polynomial MSAVI –31.4820* 242.5340* –110.8300* 0.89Exponential –1350.78*00 1335.21*00 0.10*00 0.87

Linear 5.0030* 343.2270* 0.87Second order polynomial PVI 1.102*0 520.2640* –710.5400* 0.89Exponential 138.3650* –164.4700* –3.9090* 0.90

ced Thematic Mapper Plus (ETM+) images toestimate cover of crown trees from linear re-gressions. Among different vegetation indicesconsidered, SAVI had the highest value ofdetermination coefficient (R2 = 0.78). Gonzá-lez-Dugo and Mateos (2008) also found alinear relationship between ground cover andSAVI obtained from satellite data for com-mercial fields of cotton and sugar beet crops.They stated that the determination of therelationship between fCover and the VI, whenthe crop has grown, is more sensitive to errorswhen NDVI is used than when SAVI is the

input. In this work, SAVI had the best perfor-mance for all models considered (R2 = 0.89).

On the other hand, Vaesen et al. (2001)found, for fCover, a linear correlation with PVIand a nonlinear regression using NDVI(R2 = 0.63 and R2 = 0.68, respectively), forpaddy rice with reflectance data acquired witha hand-held multi-spectral Cropscan radio-meter.

Figure 2 shows the relationship betweenestimated and observed fCover for the bestmodel of each vegetation index (NDVI-SR-SAVI-MSAVI-PVI) for soybean and corn.


Figure 2: Percent ground cover estimated (fCover Est.) versus observed (fCover Obs.) for the best models of eachvegetation index (NDVI-SR-SAVI-MSAVI-PVI) for soybean (�) and corn (�) crops.

The errors between estimated and observedfCover were quantified using RMSE. For thelinear model, RMSE values of 11.7% and10.7% were found, when the input variableswere NDVI and SAVI, respectively. The qua-dratic model, using MSAVI, presented a RMSEvalue equal to 10.3%; for the exponentialmodel, considering PVI and SR as inputs,RMSE values of 10.6% and 11.0%, respecti-vely, were obtained.

Zhang et al. (2011), when estimated fCoverfrom digital photographs of various grasslandcomponents, in Canada, using a linearrelationship with NDVI calculated fromLANDSAT 5 TM, obtained R2 of 0.55, withRMSE equal to 5.71%. Although the linearmodel using NDVI (with MODIS data) in ourwork presented a higher RMSE value, thecoeff icient of determination value in ourmodel was also higher (R2 = 0.88), despite thelower spatial satellite resolution used in ourpaper.

Jiménez-Muñoz et al. (2009) over differentcrops in an agricultural area in Spain obtainedRMSE values between 13% and 19% whenestimated fCover by means of a linear relation-ship with NDVI calculated from CHRIS/Proba.

Models were also applied in soybean andcorn separately, the coeff icients of determi-nation obtained for the best models are shownin Table 2.

In soybean, the coefficient of determinationremained similar to those obtained using bothcrops, perhaps due to the data from this croprepresents 77% of total; however in corn, whenwe applied the linear model (with NDVIindex), this had a lower value, suggesting thatVI which consider the soil backgroundestimate fCover more adequately for thisspecie. The SR index with an exponentialmodel showed more difference in R2 valuesbetween soybean and corn.

Conclusions

With simple mathematical models based onvegetation indices, obtained from red and NIRreflectances of MODIS sensor, the percentground cover for soybean and corn could bedescribed adequately.

The estimations obtained using linearmodels with NDVI, MSAVI, SAVI and PVIpresented the practical advantage of simplicityand good accuracy; while for SR the best f itwas found with an exponential model for bothcrops. SAVI index with linear model showedthe highest determination coefficient value forsoybean and corn separately.

For corn, models which include VI conside-ring the soil background, estimated fCovermore adequately than NDVI based models. So,in order to improve the models performance,errors to estimate fCover associated with effectof soil (row orientation, water content, etc)must be reduced.

Acknowledgements

The authors express their sincere thanks toSecretaría de Ciencia y Técnica - UniversidadNacional de Córdoba - Argentina (Secyt-UNC)for financial support of this study.

References

BÁEZ-GONZÁLEZ, A. D., CHEN, P. Y., TISCARE-ÑO-LÓPEZ, M., & SRINIVASAN, R. 2002.Using satellite and field data with crop growthmodeling to monitor and estimate corn yield inMexico. Crop Science, 42: 1943-1949.

BOCCO, M., OVANDO, G., SAYAGO, S., & WI-LLINGTON, E. 2007. Neural network models forland cover classification from satellite images.Agricultura Técnica, 67: 414-421.


Table 2: Models for estimating percent cover (fCover) in soybean and corn: R2 values. Numbers betweenparentheses indicate the amount of samples considered.

Model LinearPolynomial

Linear Exponential Exponential(2nd Order)

Vegetation Indices (input) NDVI MSAVI SAVI PVI SRSoybean (138) 0.89 0.91 0.90 0.90 0.90Corn (41) 0.76 0.83 0.83 0.83 0.77

BOCCO, M., OVANDO, G., SAYAGO, S., WI-LLINGTON, E., & HEREDIA, S. 2012. Estima-ting soybean ground cover from satellite imagesusing neural networks models. InternationalJournal of Remote Sensing, 33(6): 1717-1728.

CYR, L., BONN, F., & PESANT, A. 1995. Vege-tation indices derived from remote sensing for anestimation of soil protection against water ero-sion. Ecological Modelling, 79: 277-285.

DORAISWAMY, P. C., HATFIELD, J. L., JACK-SON, T. J., AKHMEDOV, B., PRUEGER, J., &STERN, A. 2004. Crop condition and yield simu-lation using LANDSAT and MODIS. RemoteSensing of Environment, 91: 548-559.

D’URSO, G., RICHTER, K., CALERA, A.,OSANN, M. A., ESCADAFAL, R., GARA-TUZA-PAJAN, J., HANICH, L., PERDIGÃO, A.,TAPIA, J. B., & VUOLO, F. 2010. Earth Ob-servation products for operational irrigationmanagement in the context of the PLEIADeSproject. Agricultural Water Management, 98:271-282.

GITELSON, A. A., KAUFMAN, Y., STARK, R.,GRITS, U., & RUNDQUIST, D. 2002. Novel algo-rithms for remote estimation of vegetation fraction.Remote Sensing of Environment, 80: 76-87.

GLENN, E. P., HUETE, A. R., NAGLER, P. L., &NELSON, S. G. 2008. Relationship betweenremotely-sensed vegetation indices, canopyattributes and plant physiological processes: whatvegetation indices can and cannot tell us aboutthe landscape. Sensors, 8: 2136-2160.

GONZÁLEZ-DUGO, M. P., & MATEOS, L. 2008.Spectral vegetation indices for benchmarkingwater productivity of irrigated cotton andsugarbeet crops. Agricultural Water Management,95: 48-58.

HUETE, A. R., JACKSON, R. D., & POST, D. F.1985. Spectral response of plant canopy withdifferent soil background. Remote Sensing ofEnvironment, 17: 37-53.

HUETE, A. R., & LIU, H. Q. 1994. An Error andSensitivity Analysis of The Atmospheric-Correcting and Soil-Correcting Variants of theNDVI For The Modis-Eos. IEEE Transactions OnGeoscience And Remote Sensing, 32: 897-905.

INTA. 2006. Recursos Naturales de la Provincia deCórdoba: Los Suelos. Instituto Nacional de Tecno-logía Agropecuaria. Córdoba, Argentina, 567 pags.

JIMÉNEZ-MUÑOZ, J. C., SOBRINO, J. A., PLA-ZA, A., GUANTER, L., MORENO, J., & MAR-TÍNEZ, P. 2009. Comparison between fractionalvegetation cover retrievals from vegetationindices and spectral mixture analysis: Case studyof PROBA/CHRIS data over an agricultural area.Sensors, 9: 768-793.

KANEMASU, E. T. 1974. Seasonal canopy reflec-tance patterns of wheat, sorghum, and soybean.Remote Sensing of Environment, 3: 43-47.

LIU, J., MILLER, J. R., HABOUDANE, D., PAT-TEY, E., & HOCHHEIM, K. 2008. Crop fractionestimation from casi hyperspectral data usinglinear spectral unmixing and vegetation indices.Canadian Journal of Remote Sensing, 34: S124-S138.

LIU, W., GAO, W., GAO, Z. & WAN, X. 2006.Correlation analysis between the biomass of oasisecosystem and the vegetation index at Fukang.REMOTE SENSING AND MODELING OFECOSYSTEMS FOR SUSTAINABILITY III, SPIE.San Diego, California, USA, 13-17 Aug. 2006,pp. 1-7. URL: http://uvb.nrel.colostate.edu/UVB/publi-cations/BiomassatFukang.pdf (accessedon Dec 4, 2012).

LOBELL, D., ASNERA, G., ORTIZ-MONASTE-RIO, J., & BENNING, T. 2003. Remote sensingof regional crop production in the Yaqui Valley,Mexico: estimates and uncertainties. Agriculture,Ecosystems & Environment, 94: 205-220.

MAAS, S., & RAJAN, N. 2008. Estimating groundcover of f ield crops using medium-resolutionmultispectral satellite imagery. AgronomyJournal, 100: 320-327.

MAGyP. 2012. Producción, área sembrada y cose-chada, cotizaciones nacionales e internacionales.Ministerio de Agricultura, Ganadería y Pesca,Presidencia de la Nación, Argentina. URL:http://www.siia.gov.ar/index.php/series-por-tema/agricultura (accessed on Dec 4, 2012).

MATHER, J. R. 1965. Average Climatic WaterBalance Data of the Continents, Part VIII: SouthAmerica. Publications in Climatology, 18,Centerton, NJ: Laboratory of Climatology, USA.

MAUGET, S. A., & UPCHURCH, D. R. 2000. Vege-tation index response to leaf area index andfractional vegetated area over cotton. PROCEE-DINGS OF GEOSCIENCE AND REMOTE SEN-SING SYMPOSIUM, IEEE. Hawaii, USA, 24-28July 2000. pp. 372-374.

NUMATA, I., ROBERTS, D. A., CHADWICK, O.A., SCHIMEL, J., SAMPAIO, F. R., LEONIDAS,F. C., & SOARES, J. V. 2007. Characterization ofpasture biophysical properties and the impact ofgrazing intensity using remotely sensed data.Remote Sensing of Environment, 109: 314-327.

PIATTI, F., & FERREIRA L. 2008. Ensayos compa-rativos de rendimiento de maíz: Red interna deINTA Manfredi, campaña 2007-08. CartillaDigital Manfredi-INTA- EEA. URL: http://agro-lluvia.com/wp-content/uploads/2010/03/eea-manfredi-ensayos-comparativos-de-rendimiento-de-maiz-red-interna-campana-2007-08.pdf(accessed on Dec 12, 2012), 11 p.

PIATTI, F., & FERREIRA L. 2009. Evaluación decultivares comerciales de soja. Campaña2008/09. Cartilla Digital Manfredi-INTA-EEA.URL: http://agrolluvia.com/wp-content/uploads/2010/02/eea-inta-manfredi-evaluacion-de-culti-


vares-comerciales-de-soja-2008-2009.pdf (ac-cessed on Dec 4, 2012), 20p.

QI, J., CHEHBOUNI, A., HUETE, A. R., KERR, Y.H., &, SOROOSHIAN, S. 1994. A modified soiladjusted vegetation index. Remote Sensing ofEnvironment, 48: 119-126.

RADARI, V., AMIRI, F., & MELEKI, S. 2010.Vegetation cover change monitoring applyingsatellite data during 1972 to 2007. ResearchJournal of Environmental and Earth Sciences, 2:118-127.

RAJAN, N., & MAAS, S. J. 2009. Mapping cropground cover using airborne multispectral digitalimagery. Precision Agriculture, 10: 304-318.

RICHARDSON, A. J., & WIEGAND, C. L. 1077.Distinguishing vegetation from soil backgroundinformation. Photogrammetric Engineering andRemote Sensing, 43: 1541-1552.

RONDEAUX, G., STEVEN, M., & BARET, F.1996. Optimization of soil adjusted vegetationindices. Remote Sensing of Environment, 55:95-107.

SHANAHAN, J., SCHEPERS, J., FRANCIS, D.,VARVEL, G., WILHELM, W., TRINGE, J.,SCHLEMMER, M., & MAJOR, D. 2001. Use ofremote sensing imagery to estimate corn grainyield. Agronomy Journal, 93: 583-589.

SRINIVAS, P., DAS, B. K., SAIBABA, J. & KRISH-NAN, R., 2004. Application of distance basedvegetation index for agricultural crops discri-mination. Proceedings of XXth ISPRS CON-GRESS. Istanbul, Turkey, 12-23 July 2004. pp.1.URL: http://www.isprs.org/proceedings/XXXV/congress/comm7/papers/ 215.pdf (accessed onDec 4, 2012).

VAESEN, K., GILLIAMS, S., NACKAERTS, K.,& COPPIN, P. 2001. Ground-measured spectralsignatures as indicators of ground cover and leafarea index: the case of paddy rice. Field CropsResearch, 69: 13-25.

ZHANG, Y., SMITH, A. M., & HILL, M. J. 2011.Estimating fractional cover of grasslandcomponents from two satellite remote sensingsensors. Proceedngs of 34th INTERNATIONALSYMPOSIUM ON REMOTE SENSING OFENVIRONMENT. Sydney, Australia, 10-15 April2011. pp. 1. URL: http://www.isprs.org/procee-dings/2011/isrse-34/211104015Final00252.pdf(accessed on Dec 4, 2012).

ZHANG, J., ZHANG, L., ZHANG, M., &WATSON, C. 2009. Prediction of soybean growthand development using artificial Neural Networkand statistical models. Acta Agronomica Sinica,35: 341-347.


Caso práctico

Cartografía de la cobertura de la tierra basada en la clasificación espectro-temporal de imágenes Landsat

7-ETM+ y en una leyenda de clases de ocupación del suelo en un territorio de Cuba occidental

D. R. Ponvert-Delisles Batista1y I. Reyes Alonso2

1 Universidad Agraria de La Habana. Autopista Nacional km 231/2 y Carretera a Tapaste. San José de Las Lajas. C.P.: 32700, Mayabeque, Cuba

2 UCT-Geocuba-Investigación y Consultoría. Loma y 39 s/n. Plaza de la Revolución. C.P: 10600, La Habana, Cuba

Resumen

Generalmente los estudios medioambientales necesitan tener información sobre el tipo de ocupa-ción del territorio objeto de estudio. Esta información sobre las clases de cobertura de la Tierra es ex-presada en diferentes tipos de mapas temáticos. En este sentido, el presente trabajo tiene como obje-tivo generar la cartografía de ocupación del suelo de un territorio de Cuba occidental, utilizando comodatos geoespaciales básicos imágenes multiespectrales del satélite Landsat 7-ETM+ (SLC-off) de dosfechas y como dato auxiliar la Leyenda de Clases de Ocupación del Suelo, la que ofrece una catego-rización de las clases por niveles y temas. La metodología utilizada se basa en realizar clasificacio-nes supervisadas apoyadas en el análisis visual espectro-temporal para identificar ciertas clases pro-blemáticas que han variado su respuesta entre las dos fechas y finalmente obtener un mapa que reflejeestos cambios con la mejor eficiencia.

Palabras clave: Imágenes Landsat 7-ETM+, Clasificación supervisada, Análisis espectro-tempo-ral, Cartografía temática, Leyendas de Ocupación del Suelo.

Abstract

Land cover mapping based on the spectral-temporary Landsat 7-ETM+ images classificationand in a land cover classes legend in a Cuban western territory

The environmental studies generally need to have information about the territory of study is ocupied.This information on the classes of land cover is represented in different types of thematic maps. Thepresent work has as objective to generate the cartography of soil occupation in a territory of westernCuba, using as basic geospatial data multispectral images of the Landsat 7-ETM+ (SLC-off) satellitefrom two dates and as main auxiliary data the Legend of Classes of Soil Occupation, wichs offer acategorization of the classes bay lebels and themes. The methodology used is based on carrying outsupervised classif ications supported in the spectral-temporary visual analysis to identify certainproblematic classes that have varied its behavior between the two dates and finally to obtain a thematicmap that reflects these changes with the major efficiency.

Key words: Landsat 7-ETM+ images, Supervised classif ication, Spectral-temporary analysis,Thematic cartography, Legends of soil occupation.



Introducción

Por lo general, los estudios de tipo me-dioambientales requieren contar con informa-ción actualizada sobre la ocupación del terri-torio objeto de estudio por determinadas clases.Estas informaciones sobre las clases de cober-tura se recogen en mapas cuya finalidad es apo-yar la toma de decisiones en los ámbitos delmedio ambiente, el desarrollo de infraestruc-turas, la agricultura, las zonas protegidas, lagestión del agua, etc. Sucede que cuando un te-rritorio ha sufrido las consecuencias de una ex-plotación acelerada de sus recursos naturaleso la acción desbastadora de fenómenos natu-rales de diversa índole se producen cambios enlas coberturas terrestres que en algunos casosllegan a ser notables. De ahí que se creen lascondiciones para que investigadores y directi-vos de la esfera medioambiental realicen estu-dios de la dinámia de estos cambios, con el finde conocer las estadísticas más importantes deestos, analizar sus causas y efectos, y f inal-mente elaborares las estrategias adecuadas quepermitan mitigar y recuperar las afectacionesproducidas. Una de las herramentas clave pa-ra el estudio y evaluación de estos efectos sonlas imágenes de satélites por constituir unafuente de información excelente para su de-tección, dada por las bondades de las mismaspara estos análisis, en particular por la posibi-lidad de adquirirlas con determinadas caden-cias de observación en función del ciclo de losfenómenos a observar.

De aquí que el análisis de la dimensión tem-poral, utilizando imágenes de satélites para de-tectar los cambios, se puede realizar desde dosperspectivas; multiestacional (se seleccionaimágenes adquiridas en distintas estaciones delmismo año) (Chuvieco, 1998; Lo et al., 1985,Mergerson, 1981 y Schriever y Congalton,1995) y multianual (utilizando imágenes de doso más fechas en distintos años) (Gopal y Wo-odcock, 1996); Sader y Wine, 1992; Observa-torio de la Sostenibilidad, 2006, citado porChuvieco, 2010). Ambas se engloban genéri-camente en la denominación de «análisis mul-titemporal».

Una de estas técnicas es el análisis multi-temporal de imágenes clasificadas, la cual sepuede abordar empleando dos grupos de pro-

cedimientos: i) comparando imágenes previa-mente clasificadas; y ii) clasificando conjun-tamente las imágenes de las dos fechas. Preci-samente el trabajo que se presenta, tiene comoobjetivo la identificación de las clases que seaprecian en la escena determinando los cam-bios que se producen en el territorio objeto deestudio a partir de la clasificación simultáneade las imágenes de las dos fechas, bien comoentidades invariantes, bien como entidadescambiantes en el tiempo. La metodología quese utiliza parte de utilizar como datos pri-ncipales dos imágenes de épocas diferentesprovenientes del satélite Landsat 7-ETM+(SLC-Off). Dichas imágenes son corregidasgeométrica y radiométricamente, y luego, so-metidas a clasificaciones digitales supervisa-das apoyadas en el análisis espectro-temporal.Este análisis consiste en hacer una efectiva se-lección de las categorías multitemporales, lasque son analizadas casuísticamente medianteel comportamiento de los criterios de brillo,color, textura, contexto espacial, forma y al-ternancia estacional. Posteriormente a que sonidentificadas, se produce el «cotejo» de las cla-ses de cobertura clasificadas, con sus homólo-gas de la leyenda de clases informacionales(que en este caso es la Leyenda de Clases deOcupación del Suelo de Cuba, basada en unacategorización diseñada por Ponvert Delisles,2003), y finalmente, se incluyen en el mapa te-mático. Para aplicar y demostrar los funda-mentos teóricos y metodológicos esbozados,se desarrolla un caso de estudio denominado«Cartografía de la ocupación del suelo en unterritorio de la provincia Pinar del Río utili-zando la técnica del análisis espectro-tempo-ral de imágenes del Landsat 7-ETM+ clasifi-cadas».

Partiendo de los antecedentes señalados, seplanteó como objetivo general del trabajo«Contribuir al conocimiento de la variabilidadespacio-temporal de la ocupación de la tierraen el territorio objeto de estudio, sus causas yconsecuencias, aportando información carto-gráfica actualizada para los procesos de tomade decisiones en los niveles territoriales».

Como objetivos específicos se consideraronlos siguientes: 1) Realizar la cartografía de ocu-pación del suelo de un territorio de la provin-cia Pinar del Río a la escala 1: 250 000, utili-

Cartografía de la cobertura de la tierra basada en la clasificación espectro-temporal... 93

zando como datos básicos las imágenes actua-les del Landsat 7-ETM+ (SLC-off) de dos fe-chas y 2) Detectar los cambios ocurridos enciertas clases de cobertura de la tierra en eselapso de tiempo aplicando la técnica del análi-sis espectro-temporal de imágenes clasificadaspreviamente; y 3) Emplear Leyenda de Clasesde Ocupación del Suelo como herramienta pa-ra facilitar la cartografía de las clases identifi-cadas mediante la clasificación supervisada.

Materiales y métodos

Área de estudio

El área de estudio se encuentra ubicada enla región occidental de Cuba, en la llanura alu-vial sureste de la provincia Pinar del Río, en-marcada entre las coordenadas 22°09' a 22°30'de Latitud Norte y 83°01' a 83°43' de Longi-tud Oeste. Comprende áreas de los municipiosde San Luís, Pinar del Río, Consolación delSur, Los Palacios y San Cristóbal, abarcandouna extensión superf icial sobre tierra de1829.7 km2, (figura 1).

Entre los asentamientos poblacionales pre-sentes en el área de estudio se destacan la «Ciu-dad de Pinar del Río», capital de la provincia,parte de la ciudad de «Consolación del Sur»,los pueblos «La Coloma» y «Alonso de Rojas»,además de varios caseríos.

El relieve es eminentemente llano. Cuentacon un vasto sistema fluvial, conformado porvarios ríos permanentes e intermitentes, entrelos que destacan el «Río Hondo» y el «San Die-go»; además existen gran cantidad de arroyosy canales de regadío. Son abundantes las lagu-nas costeras y los embalses, siendo el embalse«El Punto» el de mayor volumen en la zona.

El clima en la zona, como en toda Cuba, estropical y húmedo. Las precipitaciones se ma-nif iestan en dos estaciones: la seca y la llu-viosa. La primera, se extiende de noviembrehasta abril, aunque en este período no hay au-sencia total de lluvias, sino una disminuciónnotable de éstas. Los meses más secos suelenestar entre diciembre y marzo. La época de llu-vias abarca de mayo a octubre, y el mes menoslluvioso es el de agosto. La zona es frecuente-mente afectada por eventos tropicales en latemporada ciclónica, comprendida entre el pri-mero de junio al treinta de noviembre. La tem-peratura media anual es de 24 grados Celsius,siendo los meses más calurosos julio y agosto,mientras los meses más frescos son diciembre,enero y febrero.

La vegetación en la zona se caracteriza porla poca presencia de Bosques Naturales, conescasos Bosques de Galería y más abundantesBosques de Manglar en el litoral. Son fre-cuentes los matorrales costeros, secundarios ymarabuzales. Los cultivos rotativos, arrozalesy los pastos ocupan el mayor por ciento del áreade estudio.

94 D. R. Ponvert-Delisles / Revista de Teledetección (2013) 39, 92-105

Figura 1. Área de estudio (Elaborada por los autores a partir de una imagen de Cuba obtenida de la Enciclope-dia Encarta 2009).

Datos de partida

Para realizar el estudio se cuenta con los da-tos siguientes:

Datos principales

Los constituyen las imágenes de satélitesde las cuales se extraerán las clases temáti-cas (coberturas terrestres), aplicando los pro-cedimientos de clasif icación digital de imá-genes. Para ello se cuenta con 6 imágenes dela escena 16045 del satélite Landsat 7, el cualemplea el sensor Mapeador Temático Mejo-rado (ETM+) encontrándose operativo des-de el año 1999. En la actualidad presenta unproblema a causa de una falla en el instru-mento que corrige las líneas escaneadas, co-nocido como Scan Line Corrector (SLC-off),el cual se encuentra apagado desde mayo de2003, dando como resultado que todas las es-cenas de Landsat 7 adquiridas desde esa fe-cha hayan sido colectadas conteniendo fran-jas de datos inválidos (referidas como«gaps»). Los gaps provocan aproximada-mente, la pérdida de un 22% de la informa-ción de cada imagen. Están dispuestos enfranjas inclinadas hacia la izquierda unos 8o

respecto a la orientación horizontal debido ala rotación de la imagen, y aparecen en in-tervalos de 33 píxeles (Estrada, R., et al.,2010a). Ver f igura 2.

Datos auxiliares

Se cuenta con una cobertura del área de es-tudio con imágenes provenientes del GoogleEarth publicadas hasta enero del 2010, lascuales serían utilizadas básicamente para apo-yar la identif icación de distintas coberturas,dada la alta resolución espacial que poseen.En calidad de datos auxiliares fueron utiliza-dos además, un conjunto de materiales carto-gráf icos, fundamentalmente para apoyar lastareas de interpretación de las imágenes. En-tre estos destacan, el Mapa Topográfico Di-gital de Cuba 1:100.000, implementado enplataforma SIG, el cual contiene las tablas yatributos originales; el Mapa Oficial del Ca-tastro Nacional, con la información referidaal uso y tenencia de la tierra a nivel parcela-rio (escala 1: 10 000), lo que permite ser uti-lizado como verdad terreno en las tareas deverif icación, sobre todo cuando los recursoslogísticos necesarios para los trabajos de cam-po son escasos.

También como datos auxiliares se utilizóla Leyenda de Clases de Ocupación del Sue-lo de Cuba, en calidad de clases informacio-nales.

El presente trabajo, se inscribe en el NivelIII de la mencionada leyenda, para una esca-la de representación cartográf ica de 1: 250000 (ver tabla 1). Este nivel incluye un totalde 35 clases de ocupación del suelo que son:Clase 1: 1.1.1 Superf icie del Tejido Urbani-


Figura 2. Fragmento de imagen Landsat ETM+ (SLC-off) (combinación 453) antes y después de corregida. Ela-boración propia.

zado; Clase 2: 1.2.1 Superf icie de Instala-ciones Industriales; Clase 3: 1.2.2 Superficiede Aeropuertos; Clase 4: 1.2.3 Superficies deotras Instalaciones aisladas; Clase 5: 1.2.4Superf icie de Red Vial; Clase 6: 1.2.5 Su-perficie de Red Ferroviaria; Clase 7: 1.3.1 Su-perficies de extracción minera; Clase 8: 1.3.2Aéreas de Vertederos; Clase 9: 1.4.1. Super-f icie de Áreas verdes artif iciales; Clase 10:2.1.1 Cultivos varios; Clase 11: 2.1.2 Arroz;Clase 12: 2.1.3 Otros cultivos temporales;Clase 13: 2.2.1 Caña de azúcar; Clase 14:2.2.2 Cítricos; Clase 15: 2.2.3 Otros Fruta-les; Clase 16: 2.2.4 Plátano; Clase 17: 2.2.5Otros cultivos permanentes; Clase 18: 2.3.1Pastos cultivados; Clase 19: 2.3.2 Pastos na-turales; Clase 20: 2.4.1 Áreas agrícolas he-terogéneas; Clase 21: 3.1.1 Bosques de Lati-folias; Clase 22: 3.1.2 Bosques de Coníferas;Clase 23: 3.1.3 Bosque de Mangle; Clase 24:3.2.1 Matorrales; Clase 25: 3.2.2 Complejode Vegetación; Clase 26: 3.3.1 Herbazal deCiénaga; Clase 27: 3.5.1 Playas, dunas y are-nales; Clase 28: 3.5.2 Afloramientos rocosos;Clase 29: 3.5.3 Suelo desnudo; Clase 30:3.5.4 Zonas quemadas; Clase 31: 4.1.1 Pan-tanos; Clase 32: 4.2.2 Áreas de Salinas; Cla-se 33: 5.1.1 Cursos de agua; Clase 34: 5.1. 2

Espejos de agua y Clase 35: 5.2.1 Mares yocéanos.

La leyenda se utilizará como referente parafacilitar la identificación de las clases de ocu-pación del suelo contenidas en las imágenes desatélite utilizadas, de la manera siguiente: Pri-meramente en la fase de asignación de dichascategorías, el analista o intérprete las utilizapara apoyar la selección de las muestras de ca-da una de las clases detectadas en la imagenantes de ser clasif icada. Lo más probable esque no todas las 35 clases estén presentes en elterritorio estudiado, o que, estándolas, no sepuedan identificar adecuadamente en el con-texto de las imágenes, debido a sus caracterís-ticas específicas (tamaño, brillo, textura, etc.).Luego en un segundo momento, como parte deletiqueteado de las clases obtenidas después derealizada la clasif icación, el especialista enPDI debe asignar la etiqueta correspondientea las clases del Nivel III de la leyenda, a las cla-ses obtenidas en la clasificación, con lo que seasegurará la debida correspondencia.

Metodología utilizada

Fueron desarrolladas las etapas siguientes:


Tabla 1. Niveles jerárquicos I, II y III de la Segunda Leyenda de Clases de Ocupación del Suelo de Cuba.Elaboración propia

Etapa 1. Selección de las imágenes Landsat 7-ETM+ (SLC-off)

La selección de las imágenes Landsat 7-ETM+ (SLC-off) se vio limitada por el altoporcentaje de cobertura nubosa presente en lasmismas en todo el año 2009. Bajo estas cir-cunstancias impuestas por la naturaleza, solofue posible obtener dos imágenes libres de co-bertura nubosa (menos del 5%), la primera del24 de marzo, correspondiente a la época de se-ca y la segunda del 19 de septiembre, corres-pondiente al f inal del período lluvioso. Ade-más se recopilaron otras 4 imágenes del mismoaño que, aunque sobrepasan el 15% de cober-tura nubosa, son necesarias para el proceso derellenado de los «gaps» de las dos primeras.

Etapa 2. Procesamiento Digital de las Imágenes

En esta etapa se realizan las dos correccio-nes principales a que se someten las imágenessatelitales antes de incorporarse al proceso deextracción de información mediante análisismultitemporales. Estas son, la corrección ge-ométrica y la radiométrica.

Correcciones geométricas de la imagen

Dado que las imágenes empleadas fueronadquiridas con un nivel de procesamiento 1B(procesamiento básico sometido a correccio-

nes geométricas y radiométricas), se realizó latransformación de los parámetros de la pro-yección UTM, Datum WGS-84 a la proyecciónCuba Norte derivada de la Campaña NacionalGPS realizada en Cuba (CNGPS), (Roche yGarcía, 2011). En el país se utilizan dos siste-mas de coordenadas planas rectangulares ba-sados en la proyección cónica conforme deLambert: Cuba-Norte y Cuba-Sur (Raíces,1963). En la tabla 2 se indican los parámetrosfundamentales de estas proyecciones.

Corrección radiométrica de las imágenes

Como se explicó anteriormente, dada la pre-sencia de líneas de datos inválidos o «gaps» enlas imágenes disponibles Landsat 7-ETM+(SLC-off) resultó necesario una etapa de «re-llenado» de los mismos; así como de limpiezay sustitución de las zonas cubiertas por nubesy sus sombras. Este trabajo se realizó según la«Metodología para la sustitución de los vacíoso «Gaps» (Estrada, R., et al., 2010a) y con elempleo del Software SLC-off Gap Filled Ver-sión Cubana 1.1 (Estrada R., et al., 2010b). Demanera generalizada podemos citar entre lospasos realizados para el rellenado los siguien-tes: 1) se calibraron radiométricamente todaslas imágenes; 2) se sustrajeron los cuerpos os-curos de cada una de ellas; 3) se eliminaron to-das las nubes y sombras aplicando una másca-ra sobre las mismas; 4) se ajustaron loshistogramas para lograr acercar los valores depíxeles entre las imágenes; 5) f inalmente, se


Tabla 2. Parámetros característicos de la proyección Cuba Norte. Elaboración propia

Elipsoide de referencia: Clark 1866Datum Geodésico: Cuba (CNGPS), Clark 1866, -5.217, 137.02, 181.773Proyección Cónica Conforme de Lambert con dos paralelos normales

Parámetros Cuba Norte Cuba Sur

Origen λ = (–) 81o 00' W λ = (–) 76o 50' Wϕ = 22o 21' N ϕ = 20o 43' N

Paralelos normales λ = 21o 42' N λ = 20o 08' Nϕ = 23o 00' N ϕ = 23o 00' N

Coordenadas falsas del origen Xo = 500 000.000 m Xo = 500 000.000 mYo = 280 296.016 m Yo = 229 126.939 m

Factor de escala en el origen Ko = 0.99993602 Ko = 0.99994848

completaron las imágenes del 24 de marzo del2009 (con una ef iciente combinación de lascinco imágenes restantes) y del 19 de sep-tiembre del 2009.

Como resultado de este proceso, se dispusode dos imágenes de trabajo Landsat 7-ETM+para el estudio propuesto. En la f igura 2 semuestra un fragmento de la escena 16045 deantes y después del proceso de sustitución delíneas inválidas y de las nubes y sombras ex-traídas.

Realces y mejoras de la imagen

Resultó muy útil aplicar la expansión line-ar del 2% y la ecualización del histograma pa-ra lograr mayor contraste entre los tonos de lasdiferentes clases.

Se probaron varias combinaciones de ban-das resultando las más acertadas para los tra-bajos de clasificación y discriminación de losbosques de latifolias, matorrales, pastos, cul-tivos, cuerpos de agua, zonas artificializadasy suelo desnudo, las combinaciones 453 y ladenominada falso color o infrarrojo color: 432.

Obtención de productos especiales

Se obtuvieron tres productos especiales:1) El índice de vegetación de diferencia nor-malizada (NDVI), el que resulta muy útil en ladiscriminación de masas de vegetación (Pottery Brooks, 2000, citados por Chuvieco 2010);2) Fusión de las 6 bandas espectrales con re-solución espacial de 30 m con la banda pan-cromática de 15 m, obteniéndose como resul-tado una imagen de 15 m de resoluciónespacial, con tonalidades muy similares a lacomposición de las bandas originales, o sea,sin alterar el contenido temático (Gong, 1994;Wald, 1999; citados por Chuvieco, 2010). Lafusión se realizó aplicando el método Gram-Schmidt incluido en el software de trabajo. Seobtuvo un producto mejorado de cara a los pro-cesos digitales ulteriores que aprovechara lascapacidades espectrales de la imagen multi-banda y las capacidades resolutivas de la ima-gen pancromática y 3) Metafile: se considerópertinente trabajar sobre un fichero integrado

compuesto por la combinación de las bandasno termales de ambas imágenes de trabajo, elNDVI calculado para cada una de ellas y lasbandas de brillo, verdor y humedad obtenidasmediante la transformación Tasseled Cap,igualmente de cada una de ellas (Crist y Cico-ne, 1984).

Etapa 3. Análisis de Imágenes

Clasificación no supervisada de las imágenes

Como paso previo, se realizó una visita dereconocimiento al terreno, la cual de conjuntocon un minucioso estudio de la cartografía dis-ponible y de las imágenes del Google Earth fa-cilito la familiarización con la zona.

De manera preliminar se realizaron clasifi-caciones no supervisadas por ISODATA sobrelas 6 bandas no termales de ambas imágenesde trabajo, empleando hasta 30 iteraciones yentre 12-15 grupos. Este resultado fue útil pa-ra reconocer las clases espectrales discrimina-das en las imágenes.

Clasificación supervisada basada en el análisis espectro-temporal de las clases de cobertura de la Tierra

Alcanzado un aceptado conocimiento de laimagen, fueron evaluadas de forma práctica va-rias algoritmos de clasificación, siendo la demejores resultados la clasificación supervisa-da por el método de «Máxima Verosimilitud»realizada sobre el archivo (Metaf ile) com-puesto por la combinación de las bandas no ter-males de ambas imágenes de trabajo, el NDVIcalculado para cada una de ellas y las bandasde brillo, verdor y humedad obtenidas me-diante la transformación Tasseled Cap, igual-mente de cada una de ellas.

Como parte del proceso clasif icatorio, seidentificaron 23 categorías espectro-tempora-les sobre las que recaería el análisis para defi-nir su estatus. El análisis espectro-temporal, esun proceso del análisis digital de las imágenesmediante el reconocimiento visual de las cla-


ses identificadas, utilizando, por un lado, cri-terios espectrales, es decir, la capacidad de re-flejar la energía electromagnética incidente(brillo); y por otro, criterios temporales, querefieren las variaciones de la cualidad reflec-tora en el tiempo. Este procedimiento es muyútil cuando en la imagen coexisten clases devegetación o cultivos, que presentan diferen-tes estados fenológicos y por tal razón se pue-den producir ambivalencias en el comporta-miento real de las mismas, induciendo a laconfusión (Chuvieco, 2002).

Por consiguiente este análisis permitió refi-nar la discriminación de las clases poco sepa-rables espectralmente, atendiendo a su varia-bilidad fenológica-temporal. Para que se tengauna idea de la importancia de este análisis, bas-te señalar el caso de la clase informacional«Arroz», la cual se manifestó en cuatro clasesespectrales distintas de acuerdo al estado fe-nológico en se encontraba el cultivo y del gra-do de preparación del suelo (figura 3). Algo si-milar se produjo con las clases «Caña deAzúcar» y «otros cultivos de rotación».

Finalmente, tras la definición de las clasesmediante el algoritmo clasificatorio y el aná-lisis espectro temporal, se realizó el «cotejo»,con las categorías correspondientes de la2.a Leyenda de Clases de Ocupación del Sueloempleada. Fueron «cotejadas» un total de 20clases de las 35 incluidas en la leyenda de cla-ses informacionales, por lo que hubo 15 clasesque no fue posible clasificar, bien porque no

estaban representadas en la escena con la co-bertura suf iciente, bien porque el procedi-miento visual-digital empleado no fue el máseficaz. En la tabla 3, se muestra el arreglo al-canzado, indicando las clases en las celdillascon color azul celeste.

Resultados

Caracterización general

El resultado obtenido fue el «Mapa de Ocu-pación del Suelo» correspondiente a la regiónsur central de la provincia Pinar del Río (figu-ra 4). El mismo muestra la distribución espa-cial de un total de 20 clases de las 35 que con-forman la 2.ª Leyenda de Clases de Ocupacióndel Suelo, lo que representa un 57% de las cla-ses posibles a representar.

Entre ellas predominan las clases «Manglar»con un 9.4%; la clase «Pastos Naturales» con36.3%; la clase «Cultivos Varios» con un 7.6%;la clase «Arroz» con un 12.2% y la clase «Ma-torral» con un 15.4%. Estos por cientos estánreferidos al total de la superficie clasif icadasobre tierra (1 829.7 km2).

Este producto puede ser utilizado para apo-yar la toma de decisiones en materia de políti-cas sobre planificación física rural y urbana,asuntos medioambientales y el uso de los re-cursos naturales, tomando en consideración las


Figura 3. Cambios espectro-temporales que experimentan los campos de arroz entre marzo yseptiembre del 2009. A: Suelo Desnudo para Arroz Anegado; B: Zonas en descanso para Arroz;C: Arroz para Arroz anegado; y D: Arroz anegado para Zonas en descanso.

limitaciones de la escala para la que fue pro-ducido.

Estadísticas pos-clasificación

La superficie total de la imagen clasificadaes de 2883.25 km2, de ellos 1053.55 km2 se en-cuentran cubiertos por superf icie marina, locuales pertenecen a la clase informacional«Mar» y representan el 36.5% del total de laimagen. La superficie terrestre en la imagen

cubre 1829.7 km2, lo que representa el 63.5%del área total de la imagen. En la tabla 4 semuestran los valores de superficie finales ob-tenidos por cada clase informacional.

En la figura 5 se destacan las clases con ma-yores superficies en la zona: «Pasto Natural»con 664.91 km2 (36.3% del área terrestre),«Matorrales» con 282.43 (15.4%), «Arroz»con 222.61 km2 (12.2%), «Bosque de Mangle»con 171.35 km2 (9.4%) y «Áreas Agrícolas He-terogéneas» con 145.52 km2 (7.9%).


1. SuperficieArtificializada

2. Superficie Agrícola 3. Superficies deBosques, mediosseminaturales yespacios abiertos

4. Superficieshúmedas

5. Superficies de agua

1.1.1. Superficie delTejido UrbanizadoContinuo

2.1.1. Cultivos varios 3.1.1. BosquesNaturales deLatifolias

4.1.1. Pantanos 5.1.1. Cursos de Agua

1.1.2. Superficie deTejido UrbanizadoDiscontinuo

2.1.2. Arroz 3.1.2. BosquesNaturales deConíferas

4.2.2. Salinas 5.1.2. Espejos deAgua

1.2.1. Superficie deInstalacionesIndustriales

2.1.3 Otros cultivostemporales

3.1.2. PlantacionesBoscosas

5.2.1. Mares yOcéanos

1.2.2. Aeropuertos 2.2.1. Caña de Azúcar 3.1.3. Bosque deManglar

1.2.3. OtrasInstalaciones Aisladas

2.2.2. Cítricos 3.2.1. Matorrales

1.2.4. Superficie deRed Vial y Ferroviaria

2.2.3. Otros Frutales 3.2.2. Complejo deVegetación

1.3.1. Superficies deZonas de ExtracciónMinera

2.2.4. Plátano 3.3.1. Herbazal deCiénaga

1.3.2. Vertederos 2.2.5. Otros CultivosPermanentes

3.3.2. Herbazal deOrillas de Arroyos yRíos

1.4.1. Superficie deÁreas VerdesArtificiales

2.3.1. PastosCultivados

3.4.1. Playas, Dunas yArenales

2.3.2. PastosNaturales

3.4.2. AfloramientosRocosos

2.4.1. ÁreasAgrícolasHeterogéneas

3.4.3. Suelo Desnudo

3.4.4. ZonasQuemadas

Tabla 3. Clases identificadas y «cotejadas» tras la clasificación supervisada(en azul celeste) que integranel Nivel III de la Leyenda de Clases de Ocupación del Suelo de Cuba. Fuente: Elaboración propia

Verificación de campo

Por razones económicas la verificación encampo del mapa de ocupación de la tierra, nose desarrolló ya que no existían las condicio-

nes logísticas para ello. Sin embargo, como al-ternativa se realizaron verificaciones en gabi-nete que mostraron resultados preliminaresaceptables de la clasif icación obtenida y elajuste de las clases correspondientes.


Figura 4. Vista reducida del Mapa de Ocupación de la Tierra a escala 1: 250 000 de la región Pinar del Río Sur.Fuente: Elaboración propia.

Tabla 4: Estadísticas post-clasificación obtenidas por cada clase informacional

No. Clases Informacionales Superficie (km2) % de ocupación

1 Superficie de Tejido Urbanizado 21.77 1.192 Aeropuertos 0.18 0.013 Otras Instalaciones Aisladas 0.29 0.024 Superficie de Red Vial 0.66 0.045 Zonas de extracción minera 1.79 0.106 Cultivos varios 139.67 7.637 Arroz 222.61 12.178 Cítricos 19.03 1.049 Pastos Cultivados 33.41 1.82

10 Pastos Naturales 664.91 36.3411 Áreas agrícolas heterogéneas 145.52 7.9512 Bosques de Latifolias 40.70 2.2213 Bosque de Mangle 171.35 9.3614 Matorrales 282.43 15.4415 Herbazal de Ciénaga 18.40 1.0116 Playas, dunas y arenales 6.90 0.3817 Suelo Desnudo 0.79 0.0418 Cursos de agua 1.29 0.0719 Espejos de Agua 58.00 3.1720 Mar 1053.55 36.50

Superficie Terrestre 1829.70 63.50

Superficie Total 2883.25 100.00

Estas verificación de la clasificación finalobtenida, se hicieron calculando la matriz deconfusión a partir de un muestro realizado porel método sistemático no alineado (Chuvieco,2002), empleándose la información del mapacatastral como verdad terreno. Los resultadosalcanzados fueron: Fiabilidad Global de 84.8%y coeficiente de Kappa de 0.8268. Las tablas 5ay 5b muestran los principales conflictos ocu-rridos entre las clases y la exactitud alcanzadapor cada una de ellas.

Discusión

De forma general, la clasif icación digitalde la imagen resultó un proceso de aproxi-maciones sucesivas y mejoras continuas quetransitó por el estudio de los métodos de re-alces, transformaciones y cálculo de índices;la búsqueda de la forma más eficiente para laselección de las muestras por cada clase; laidentif icación del método y las técnicas másefectivas para clasif icar la imagen de acuer-do a las clases espectrales presentes en la mis-ma y las clases de cobertura a representar; eldiseño del muestreo y selección de los méto-dos de verif icación de los resultados; y la ge-neralización de polígonos; entre otros, con-cluyendo con el paso de los vectores a un SIGpara la edición del mapa.

La metodología empleada ofreció los mejo-res índices de verificación en comparación conotros métodos de clasificación digital experi-mentados. En la tabla 6 se muestran los índi-

ces de verificación obtenidos para cuatro cla-sificaciones realizadas por diferentes métodos,evidenciándose la superioridad del método des-crito en este trabajo.

Dicho método permitió discriminar de for-ma automatizada y directa un grupo de clasesinformacionales, mientras que otras clases seobtuvieron en la etapa de pos-clasif icación.Por ejemplo, las clases pertenecientes a loscultivos temporales («Cultivos rotativos» y«Arroz»), incluyendo las áreas roturadas, endescanso o anegadas se clasificaron en cate-gorías multitemporales definidas por el cam-bio experimentado de una imagen a otra, yposteriormente en la etapa de pos- clasifica-ción, se combinaron para dar lugar a la claseinformacional dada.

Por otro lado, las clases informacionales queincluyen construcciones («Superficie de Teji-do Urbanizado», «Superficie de InstalacionesIndustriales», «Otras Instalaciones Aisladas»y otras) fueron eficientemente discriminadascomo una sola clase espectral y separadasigualmente en la post-clasificación con ayudade la información auxiliar.

Las principales confusiones resultaron en-tre la clase «Cítricos» con la de «Pastos natu-rales» y la de «Matorrales», lo cual se debiófundamentalmente al bajo nivel de reflectan-cia en algunas zonas por el estado depaupera-do de las primeras y a la alta reflectancia enotras zonas por la presencia de especies de ma-torrales invasoras (marabú, aroma y otras) quelas enmascaran.

También, la clase «Pasto natural» provo-có confusiones con la de «Pasto artif icial»,por la presencia de especies similares es-pectralmente en ambas clases, y con la cla-se «Cultivos varios» (rotativos) en las etapasprimarias de su desarrollo fenológico o des-canso prolongado de las áreas. La confusiónmayor con la clase «Arroz» resultó por la in-clusión de zonas de pasturas naturales en an-tiguos campos de arroz que se encontrabananegadas.

La clase informacional «Áreas AgrícolasHeterogéneas» no se obtuvo de forma auto-matizada durante la clasif icación, sino en elanálisis posterior, mediante la reagrupación delconglomerado de pequeñas áreas con predo-minio de clases agrícolas.


Figura 5. Clases informacionales predominantes enla zona de estudio.

La clase «Cítricos» fue discriminada auto-matizadamente, pero ofreció un bajo índice defiabilidad. El resto de las clases representadasfueron discriminadas automatizadamente, aun-que todas necesitan de revisión y ajuste en eta-pas posteriores.

Conclusiones

Entre los aspectos de mayor relevancia a des-tacar en el trabajo destacan los siguientes:

— El análisis espectro-temporal permitiórefinar la discriminación de las clases poco se-


Tabla 5a. Matriz de confusión obtenida para la clasificación combinada. Elaboración propia

Píxeles de Referencia (Verdad Terreno)

Píxeles ClasificadosArroz

Tejido Matorral Cítricos

Pasto Pasto Bosque Bosque Urbano Natural Artificial Latifolias Manglar

Arroz 1968 0 0 185 300 4 0 0Tejido Urbano 0 998 0 0 0 0 0 0Matorral 0 0 1763 263 8 0 59 0Cítricos 0 0 0 94 143 0 0 0Pasto Natural 0 0 0 304 828 217 0 0Pasto Artificial 284 7 0 29 0 477 0 0Bosque Latifolias 0 0 0 10 0 0 669 0Bosque Manglar 0 0 0 0 0 0 0 3344Cultivos Varios 86 0 0 2 0 24 0 0Herbazal de Ciénaga 0 0 0 0 0 0 0 0Red Vial 0 44 0 0 0 0 0 0Aguas 0 0 0 0 0 0 0 0

Total 2338 1049 1763 887 1279 722 728 3344

Exactitud Productor 84.17 95.14 100.00 10.60 64.74 66.07 91.90 100.00

Error por Omisión 15.83 4.86 0.00 89.40 35.26 33.93 8.10 0.00

Tabla 5b. Matriz de confusión obtenida para la clasificación combinada (cont.). Elaboración propia

Píxeles de Referencia (Verdad Terreno)Exactitud Error de

Píxeles ClasificadosCultivos Herbazal

Red Vial Aguas TotalUsuario Comisión

Varios Ciénaga

Arroz 0 0 0 0 2457 80.10 19.90Tejido Urbano 0 0 15 0 1013 98.52 1.48Matorral 0 0 0 0 2093 84.23 15.77Cítricos 0 0 0 0 237 36.66 60.34Pasto Natural 208 0 1 0 1849 44.78 55.22Pasto Artificial 0 0 0 0 506 94.27 5.73Bosque Latifolias 0 0 0 0 679 98.53 1.47Bosque Manglar 0 0 0 0 3344 100.00 0.00Cultivos Varios 819 0 1 0 932 87.88 12.12Herbazal de Ciénaga 0 421 0 0 421 100.00 0.00Red Vial 0 0 180 0 224 80.36 19.64Aguas 0 65 0 1073 1138 94.29 5.71

Total 1027 486 197 1073 14893

Exactitud Productor 79.75 86.63 91.37 100.00

Error por Omisión 20.25 13.37 8.63 0.00

parables espectralmente, atendiendo a su va-riabilidad fenológica-temporal.

— La metodología empleada basada en di-cho análisis, ofreció los mejores índices de ve-rificación en comparación con todos los mé-todos de clasificación digital experimentados,permitiendo discriminar de forma automatiza-da y directa un grupo de clases informaciona-les, mientras que otras clases se obtuvieron enla etapa de pos-clasificación

— La importancia y necesidad del emplearen los estudios medioambientales que usen da-tos de satélites como materia prima básica lasleyendas de clases de ocupación del suelo, evi-denciándose que si previamente no hay una no-menclatura de clases informacionales conce-bida, se dif iculta la obtención de unacartografía temática que refleje un conceptoorgánico y estructurado de la cobertura de latierra.

— En el caso discutido se utilizan imáge-nes provenientes del Landsat ETM+ (SLC-Off)con defectos radiométricos, demostrándose larecuperación de las mismas, en lo fundamen-tal mediante la aplicación de una metodologíay un software diseñado y desarrollado en Cu-ba, lo cual constituye un paso de importanciapara la disponibilidad de imágenes satelitalesen estudios medioambientales de importanciapara el país.

— De forma general, la clasificación digi-tal de la imagen resultó un proceso de aproxi-maciones sucesivas y mejoras continuas sobretodo en lo que respecta al diseño del muestreoy selección de los métodos de verificación engabinete de los resultados; la generalización depolígonos; entre otros, y el paso de los vecto-res a un SIG para la edición del mapa, aspectosque deben ser perfeccionados en lo adelante.

Los mapas obtenidos como resultado del es-tudio realizado, constituyen herramientas pa-ra apoyar la gestión de los directivos de las em-

presas agrícolas y de las entidades que rigenlaspolíticas del medio ambiente en el territo-rio, pues los mismos contienen los indicadoresy estadísticas de las coberturas que ayudan afundamentar la toma de decisiones para mejo-rar la planificación territorial.

Referencias

Chuvieco, E. 1998. «El factor temporal en telede-tección: evolución fenológica y análisis de cam-bios», Revista Española de Teledetección, 10: 39-48.

Chuvieco E. 2002. «Aportaciones de la teledetec-ción espacial a la cartografía de ocupación delsuelo», Anales de Geografía de la UniversidadComplutense, No. 5: 29.48, Ed. Univ. Complu-tense, 1985.

Chuvieco, E. 2010. Teledetección ambiental. La ob-servación de la Tierra desde el Espacio», Edito-rial Ariel Ciencia, Segunda Edición, España

Crist, E. P., y Cicone, R. C. 1984a. «Application ofthe tasseled cap concept to simulate ThematicMapper data», Photogrammetric Engineering ofRemote Sensing, 50: 343-352.

Estrada, R., Martín, G., Martínez, P., Galano, Z.,Bell-lloch, I., Rodríguez, N. 2010a. «Metodolo-gía para el rellenado de los vacíos (Gaps) provo-cados por la falla del Corrector de Líneas del Es-cáner (Scan Line Corrector, SLC-off) en lasimágenes Landsat 7-ETM+ (Landsat ETM 7-SLC-off Gap Filled) y la creación de mapas deVegetación 1:100 000 y 1:250 000 con las imá-genes obtenidas. La Habana, Cuba.

Estrada, R., Galano, Z., Bell-lloch, I., Rodríguez,N. 2010b. Manual del Software SLC-off Gap Fi-lled Versión Cubana 1.1, Agencia de Teledetec-ción, Grupo Empresarial Geocuba, Ciudad Ha-bana, Cuba.

Gong, P. 1994. «Integrated analysis of spatial datafrom multiple sources: an overview», CanadianJournal of Remore Sensing, 20:349-359.

Gopal, S., y Woodcock, C. 1996. «Remote sensingof forest change using artificial neural networks»,IEEE Transactions in Geoscience and RemoteSensing, 34: 398-404


Tabla 6: Comparación de los índices de verificación para cuatro clasificaciones

Clasificación Fiabilidad global Índice Kappa

Clasificación no supervisada de dos imágenes 59.3%0 0.5253Clasificación supervisada de una imagen 61.8%0 0.5579Clasificación supervisada de una imagen + Media de Textura 74.00% 0.6942Clasificación combinada de imágenes de dos fechas (análisis

espectro-temporal) 84.8%0 0.8268

Lo, T. H C., Scarpace, F. L., y Lillesand, T. M. 1986.«Use of multitemporal sapectral rofiles in agri-cultual land-cover classif ication», Photogram-metric Engineering and Remote Sensing, 52: 335-544.

Mergerson, J. W. 1981. «Crop area estimates usingground gathered and Landsat data: A multitem-poral approach», 15th Intern. Sym. Rem. Sen. ofEnvironment, Ann Arbor: 1211-1218.

Observatorio De la Sostenibilidad. 2006. Cambiosde ocupación del suelo en España: Implicacio-nes para la sostenibilidad. Principales resulta-dos a nivel nacional y por Comunidades Autó-nomas, Madrid. Ministerio de Medio Ambiente.

Ponvert-Delisles, D. R. 2003. «Leyenda de Catego-rías de Ocupación del Suelo para Cuba. Una he-rramienta imprescindible para abordar la carto-grafía de las coberturas terrestres porTeledetección». Revista de Teledetección. Revis-ta de la Asociación española de Teledetección,No.19, Madrid, España. pp. 11-17.

Potter, C. S., y Brooks, V. 2000. «Gloval analysis ofempirical relations bettween annual climate and

seasonality of NDVI», International Journal ofRemote Sensing, 19: 2921-2948.

Raíces, V. O. 1963. La teoría de la proyección có-nica conforme de Lambert y su aplicación a Cu-ba, Universidad de La Habana, Cuba.

Roche, E. R., y García, A. 2011. «El Sistema Geo-désico Nacional de la República de Cuba y la ne-cesidad de adoptar un nuevo marco de referen-cia», Memorias de la XIV Convención y FeriaInternacional «Informática 2011», La Habana,Cuba.

Sader, S. A. y Wine, J. C. 1992. «RGB-NDVI co-lour composites for visualizing forest changesdynamics», International Journal of Remote Sen-sing, 13: 3055-3067.

Schriever, J. R., y Congalton, R. G. 1995. «Evalua-ting seasonal varability as an aid to cover-typemapping from Landsat Thematic Mapper data inthe Northeast», Photogrammetric Engineeringand Remote Sensing, 61: 321-327.

Wald, L. 1999. «Some Terms of reference of DataFusion», IEEE Transactions on Geoscience andRemote Sensing, 12: 2281-2297.


Caso práctico

Monitoring macrophytes cover and taxa in Utah Lake by using 2009-2011 Landsat digital imagery

S. Rivera1, K. Landom1 and T. Crowl1

1 Ecology Center & Department of Watershed Science. Utah State University. Logan, Utah. 84322-5210. USA

Abstract

Macrophytes serve a valuable function in lake ecosystems; they stabilize sediments andassociated nutrients, and they provide important habitat for fish and wildlife. As such, the coverageand taxa composition of macrophytes have been selected as priority parameters for monitoringthe Utah Lake ecosystem. The goal of this project was to develop a macrophyte monitoringprocedure for Utah Lake’ tributary watershed using Landsat imagery to map macrophyte vegetationdistribution around the lake. We first used a combination of GPS points collected in the field andpoints extracted from a high resolution image to train a macrophyte distribution model. Some 500GPS points were divided into four categories: 1. Open water, 2. Phragmites australis, 3. Typhalatifolia (Bullrush) and 4. Terrestrial vegetation. We then established the spectral signatures andstatistically isolated the four categories. Finally, we employed a hybrid classification, a combinationof supervised (SEE-5 software) and unsupervised classifications to isolate the pixels representingthe four classes. After several attempts a preliminary model showed a 74% and 78% mappingaccuracy for Phragmites australis, and Typha latifolia (Bullrush) respectively. It also showed anoverall mapping accuracy of 67% for the four classes. There is an ongoing process to improvemodel’s accuracy with more field data. Once our macrophyte model is calibrated, we plan to maphistorical macrophyte distribution and taxa composition using a 1984-2012-time series of Landsatimages. The proposed procedure has proven invaluable to Utah Lake ecosystem monitoring efforts.

Key words: Macrophytes, Landsat TM, SIG, remote sensing, Lake, spectral classif ication,Utah.

Resumen

Monitoreo de la cobertura de la vegetación macrófita en el Lago Utah usando imágenessatelitales Landsat de 2009-2011

Los macróf itos cumplen una función valiosa en los ecosistemas lacustres, estabilizan lossedimentos y nutrientes asociados, y proveen un hábitat importante para los peces y la vidasilvestre. Por lo tanto, la composición de los taxones y la cobertura de macróf itos han sidoseleccionados como prioritarios para el seguimiento de los parámetros del ecosistema del LagoUtah. El objetivo de este proyecto era iniciar un procedimiento de control de macrófitos en lacuenca afluente del Lago Utah, usando imágenes Landsat para cartografiar la distribución de lavegetación de macrófitos alrededor del lago. En primer lugar, utilizamos una combinación depuntos GPS recolectados en el campo y puntos extraídos de una imagen aérea de alta resolución



Introduction

Macrophyte abundance has multiple func-tions in a Lake. It stabilizes sediments, retainsnutrients, and provides habitat for f ish andwildlife and help to accelerate positive changesin water quality. It is a key ecosystem com-ponent, and has been selected as one of thepriority performance measures for reportingyearly ecosystem status. Without aquaticplants, near-shore wave activity is notsuppressed and sediments typically anchoredby their roots become suspended in the watercolumn and add to already increased turbidityof the lake. The extent of macrophytes in UtahLake varies directly with water clarity andnear-sediment light levels, and inversely withwater depth. Because macrophytes responds towater clarity, which is affected in part by theamount of nutrients / algae present in the water,it also is an important performance measure forevaluating the success of nutrient reductionefforts in the Utah Lake.

The incorporation of remote sensed andspatial related data is something that canproduce excellent results in measuring macro-phytes cover increase/decrease over time. GISand remote sensed data manipulation providethe advantage of working in a multivariatescenario capable of managing multiple axes ofvariables ranges. Geospatial data are useful toprovide understanding of the biological res-ponses of f ish species and their interactionswith their surrounding environment, especially

macrophytes cover and extent. This effortintends to estimate coverage and taxacomposition of macrophytes in Utah Lake byextracting all the available spatial related datafrom a time series of Landsat images from 1984to 2011 at a resolution of 30 by 30 meters.

We propose the annual assessment ofexisting and changing area coverage and taxacomposition of macrophytes using Landsatdigital imagery. We used to characterize thecurrent abundance and species composition,and to determine if macrophytes are increasingin abundance with management actions. Inessence, we investigated the capability ofLandsat digital imagery for the spectral separa-tion of macrophyte vegetation sampled withinthe Utah Lake in central Utah.

The primary goal of this project was toestimate coverage and taxa composition ofmacrophytes in Utah Lake and develop amonitoring protocol to estimate the totalabundance and extension of macrophyte vege-tation in Utah Lake using a spatially explicitmethod over time.

The research questions that we expected toanswer with this research initiative were thefollowing:

1. How much is the total abundance ofmacrophytes in Utah Lake?

2. What was the composition of the plantcommunity of macrophytes in Utah Lake?

3. How we could develop a protocol tomonitor the changes of macrophytes’ distribu-tion in Utah Lake?

Monitoring macrophytes cover and taxa in Utah Lake by using... 107

para entrenar un modelo de macrófitos. Unos 500 puntos GPS se dividieron en cuatro categorías:1. Aguas abiertas, 2. Phragmites australis, 3. Typha latifolia (Bullrush) y 4. Vegetación terrestre.A continuación, se establecieron las firmas espectrales, aisladas estadísticamente de las cuatrocategorías. Finalmente, se empleó una clasificación híbrida, una combinación de supervisada(software SEE-5) y clasificaciones no supervisadas para aislar los píxeles que representan lascuatro clases. Después de varios intentos un modelo preliminar mostró una precisión declasificación del 74% y 78% para Phragmites australis y Typha latifolia (Bullrush) respectivamente.También se mostró una precisión de clasif icación general del 67% para las cuatro clases.Actualmente se está en proceso de mejora de la exactitud del modelo con más datos de campo.Una vez que nuestro modelo de macrófitos esté calibrado, tenemos la intención de cartografiarla distribución histórica y composición de macrófitos utilizando una serie temporal de imágenesLandsat de 1984-2012. El procedimiento propuesto en este estudio ha demostrado ser muy valiosopara los esfuerzos de monitoreo del ecosistema del LagoUtah.

Palabras clave: Macrófitos, Landsat TM, SIG, Teledetección, Lagos, Clasificación espectral,Utah.

The end product of this research was toprovide a monitoring protocol using existingLandsat imagery series for tracking the extentand cover of macrophytes along the Utah Lake.We also intended to characterize macrophyteplant community by species, using spectralsignals. This information can be then used tomonitor changes of management actions that po-tentially affect submerged vegetation —macro-phytes— extent and other related resourcesalong the Utah Lake.

Methods

Study Area

Utah Lake is the largest freshwater to thewest of the Mississippi. It is located within40°14'42"N and 111°47'51"W coordinates(Figure 1). Its catchment area is of 9,960 km2.It is a remnant of a much larger pleistocene lakecalled Lake Bonneville, which existed from75,000 to 8,000 years ago. At its peak 30,000

years ago, Lake Bonneville reached anelevation of 1,550 m above sea level and hada surface area of 51,000 km2, which was nearlyas large as Lake Michigan (SWCA, 2007).Utah Lake is within Utah Valley, in north-central Utah. Mountains surround Utah Valleyon three sides: The Wasatch Range to the east,Traverse Mountains to the north, and LakeMountain to the west. Mount Nebo reaches analtitude of 3,616 m, and Mount Timpanogosreaches an altitude of 3,580 m, nearly 2,210 mabove the valley floor.

On the western side of Utah Valley, the Utahlake is overlooked by Mount Timpanogos andMount Nebo. Primary inflows Provo andSpanish Fork Rivers and primary outflowsJordan River. The lake’s only river outlet, theJordan River, is a tributary of the Great SaltLake and is highly regulated with pumps.Evaporation accounts for 42% of the outflowof the lake, which leaves the lake slightly saline(SWCA, 2007). The elevation of the lake islegally at 1,368 m above sea level. If the lakeelevation goes any higher, the Jordan Riverpumps and gates are left open.

Taxa Composition

The Common reed, Phragmites australis, isa large perennial grass and it is found inwetlands of temperate and tropical regions ofthe world and 3-4 species are recognized. It islargely known as an invasive species andproduces harmful toxins for other plants. In theUS, there is a large debate if it is native orexotic specie. It tolerates some salinity andspread as a floating mat in 1-m dept waters(Wu, 1990).

Typha latifolia is a flowering plant in thefamily Typhaceae. There are around elevenspecies distributed mainly in the NorthernHemisphere. It is also known as bulrush,bullrush, reedmace, cattail, catninetail, punks,or corndog grass (Wu, 1990). It is alsoconsidered as invasive and grows in turbidwaters.

Geo-Spatial Data Compilation

As part of this geo-spatial data basedevelopment process, a time series of Landsat

108 S. Rivera et al. / Revista de Teledetección (2013) 39, 106-115

Figure 1. GPS-sampling of macrophyte vegetationlocations growing around the Utah Lake. Some 500GPS points were located on screen sampling on highresolution image and in the field (ground truth data).Upper map shows location of Utah Lake.

images, from Utah Lake and surroundingareas were downloaded and organized. Allimages from 1984-2012 for this area weredownloaded from the USGS glovis site(http://glovis.usgs.gov/). These images arenow available for free at the USGS glovis website and were selected, downloaded, pre-processed and stored in our geo-database.Figure 2 shows an Aug-2009 Landsat imageas it is seen at the glovis web site. The selectedimages were within the growing season fromthe above mentioned years: May throughSeptember. These images will be used todetect macrophytes cover changes in a 28-yearspan and can be used to related macrophyte’plant population decline or increase throughthese years.

We collected all shape files available at theAGRC —Off icial Utah state site—(http://agrc.utah.gov/). We also gathered allgeographic information available at Crowl’saquatic Lab at Utah State University and theGIS f iles available at the Utah’s Division ofWildlife Resources (UDWR) f ield off ice inSpringville, Utah. The geo-data base iscomposed of all GIS layers in raster and vectorformat- of Utah Lake and the surrounding

areas. Inconsistencies and duplicates of theinformation were also checked and updated asneeded. The data and the format of the datawere also checked and reviewed. Some of thehistoric or past data did not have accuratelocation records. UTM of all points of interestand sampling locations were manually addedto most of the locations and data records.

Field Data Collection: Sampling

We started collecting f ield sampling data(GPS points) along with points extracted from1-foot (0.3 meter) high resolution aerial colorphotos to train a model. A preliminary effortwas done (Figure 1), by locating 42 macrophytesite locations. They were geo-referenced in Julyof 2010 and then in July 2011 some other 100locations were identif ied and georeferenced.These GPS points were collected and dividedin four categories: 1. Open water, 2. Phragmitesaustralis, 3. Typha latifolia (Bullrush) and4. Terrestrial vegetation. A fifth class of Mixedvegetation (Phragamatis and Bullrush) wasused in the 2009 classification model. Each sitewas identified with a UTM coordinate using a


Figure 2. Picture showing a Aug-2009 Landsat image from Utah Lake andsurrounding areas. All images from 1984-2011 for this area were downloaded fromthis USGS glovis site (http://glovis.usgs.gov/). A later image of September-2011was also downloaded to study macrophyte coverage changes.

GPS unit. Field data were recorded onto paperf ield forms and subsequently entered into adatabase. Field forms were developed in anAccess database to record GPS coordinates andphotos of field sampling locations. A total of500 field samples were collected from differentfield and digital sources. These data were usedas a f ield-input data in these analyzes. Datalayers were produced by clipping raw datalayers to a 100 meters buffered the lakeboundary, and then scaling by standarddeviation. The standard deviations weremultiplied by 100 and rounded to the nearestwhole number.

Image Processing

Image pre-processing was performed usingERDAS Imagine Ver 9.4 software: All sevenbands (files, TIFF files) were downloaded andcollapsed to form a single f ile (img format)using the “layer stack” function (Figure 3).Most remote sensing derived data wereobtained from Landsat TM scenes taken in2009 and 2011.We used the software ERDASImagine to process the 2009 and 2011 maps.Once this procedure was f ine tuned on the2009- image, consecutives procedures wereutilized to obtain the 2011 model. Spatial datawas manipulated using ArcGIS ver 9.4.

An Image standardization procedure wasperformed in all images. This allows elimi-nation of glare, haze, and corrects satellite an-gle distortion and other atmospheric abnorma-lities. Picture in Figure 4 shows a Subset of the2011-September Landsat image after it hasbeen atmospherically corrected. A proceduredeveloped at Utah State University for correc-ting sun illumination geometry, atmosphericeffects and instrument calibration (http://earth.gis.usu.edu/ imagestd/). It also converts DigitalNumbers from raw data images into reflectancevalues. This procedure is necessary to establishhomogenous conditions for all images forfurther comparisons.

Sampled brightness values for the macro-phyte sites were tested for differences using


Figure 3. Image Pre-processing using ERDAS Imaginesoftware: All seven bands (f iles, TIFF f iles) weredownloaded and collapsed to form a single file (imgformat) using the “layer stack” function. Picture showsa Subset of the 2011-September Landsat image afterit has been atmospherically corrected.

Figure 4. Image standardization procedure allows elimination of glare, haze, and corrects satellite angle distortionand other atmospheric abnormalities.

these spectral separation procedures (Werstak,2004) 1) the Simple Ratio (near-infrared/red),2) NDVI or Normalized Difference VegetationIndex (near-infrared – red/near-infrared + red),3) near-infrared/green ratio, and 4) red/greenratio. Once we identif ied the best spectralseparation procedure. We employed a hybridclassification (Jensen, 2005), a combination ofsupervised (See-5 software [RuleQuestResearch, 2004] and NLCD —National LandCover Dataset— extension) and an unsuper-vised classification —Cluster busting techni-que, which eliminates other clusters of pixelsto isolate the pixels representing only the fourstudied classes vegetation—. This allowed usto establish the spectral signatures for the foursites types to statistically isolate the vegetationsites from the others.

Once we tested the estimation of macrophytedistribution with Landsat imagery and theprocedures describe above, we conducted adiscrimination procedure oriented to differen-tiate mainly Phragmites australis from Typhalatifolia.

Data manipulation and analyzes were donemostly using the software Erdas Imagineversion 9.1. All layers and data points werearranged in ArcGIS ver 9.4 GIS software. Dataoverlapping and sampling (“drilling”); the xypoints into the layers, were used in Arc GISusing the sampling function in the spatialanalysis tool box. The Raster calculator wasused to draw the spatial distribution based onthe resulting logistic model.

Classification Algorithm

Regression trees are used to predict acontinuous dependent variable from one ormore continuous and/or categoricalindependent variables. They offer certainadvantages over other classification methodsin that they are non-parametric and make noassumptions about the form (linear or non-linear) or the nature (monotonic or non-monotonic) of the relationship betweenpredictor and dependent variables. They arealso simple to interpret and easily implementedas a series of if-then statements applied to theindependent variables to determine a set of

end-nodes representing discrete, homogeneousdistributions of the dependent variable (Defrieset al., 2000). A clue to how they function isprovided by their alternative name of recursivepartitioning methods (Fielding, 1999).

Decision points are called nodes, and at eachnode the data are partitioned. Each of thesepartitions is then partitioned independently ofall other partitions, hence the alternative nameof recursive partitioning. This could carry onuntil each partition consisted on one case. Thiswould be a tree with a lot of branches and asmany terminal segments (leaves) as there arecases. Normally some ‘stopping rule’ is appliedbefore arriving at this extreme condition.Inevitably this may mean that some partitionsare ‘impure’ (cases are a mixture of classes),but it is necessary to balance accuracy againstgenerality. A tree which produced a perfectclassification of training data would probablyperform poorly with new data (Eq. 1):

[1]

Where N(t) is the number of cases in node t,ni is the value of the frequency variable, fi is thevalue of the response variable (fraction i) andf–(t)is the mean fraction for node t. Parent nodesplitting continues until one of the followingspecified criteria are met: a maximum numberof 23 splits, a minimum of 5% reduction inerror, or a minimum of five cases in each node.For all regression tree models, fractions werebinned into 20% intervals, producing parentnodes that were sufficiently heterogeneous toallow node splitting based on the specif iederror reduction criterion. Individual fractionspredicted separately were constrained to sumto one on a pixel basis.

Model Accuracy

In thematic mapping from geo-referenceddata, the term accuracy is used typically toexpress the degree of ‘correctness’ of thepredicting model (Foody 2002, Gilbert et al.2005). Model accuracy assessment wasperformed in this study to compute theprobability of error for the macrophyte

SS tN t

n f f tii

i

( ) =( )

− ( )⎡⎣ ⎤⎦=∑1 2

1

_


prediction map (2009). Samples were “drilled”into the f inal prediction map to determinewhich samples fell correctly into the modeledclasses (Lowry et al. 2008). Procedure involvedthe use of Arc GIS ver 9.2 and the spatialanalysis tool: sampling. R statistical softwarewas used for the calculations.

About 20% of the ground truth and on-screen sampling data enabled us to validate themap and measure the accuracy of the modelusing the overall accuracy of the model. Theoverall accuracy can be interpreted as follows:Values below 40% would suggest the agree-ment between reference data and the mappeddata is poor and could occur by chance. Valuesbetween 40% and 80% represents moderateagreement and values over 80% representsstrong agreement (Congalton and Green,1999). A value of 70% or higher is expectedand is acceptable for this study, since Landsatimagery is of moderate resolution.

Results

Macrophyte Distribution

The four mapped classes showed adistribution in which around 33,000 has areaoccupied by open water, 3,947 has ofPhragmatis (around 9.9%), 992 has of Bullrush(2.5%) and 910 has. of terrestrial vegetationgrowing around the lake (some 2.3%). (Table 1,Figure 5).

A logical distribution of macrophytevegetation distribution was obtained andvisualized in Figure 5. Phragmatis was mappedat the inner edge of the lake, close to the openwater and Bullrush was mapped at the outeredge of the lake, which represents the actual,

seen on the ground, distribution. Terrestrialvegetation was also mapped correctly, right atthe shore line. Bullrush mapping areas showeda more realistic distribution (had the highestmapping accuracy) compared to the Phrag-matis. Phragmatis showed a thicker layeraround the lake shoreline that is observed inFigure 5. This thicker layer may be attributedto a confusing factor occasioned by the lakehigh turbidity and high algae productionactivity.

Model Validation

The overall accuracy for the 2009distribution model was 61.27%; Bullrush grasshad the highest mapping accuracy: 76% andOpen water has the lowest mapping accuracy:47%. This indicates that from all withheld sites61.27% of the sites fell correctly into that classin the predicted model. The highest analyzedclass; Bullrush had 76% accuracy (Table 2). Ingeneral, the model performed better atpredicting the Phragamatis and Bullrush. The


Table 1. Distribution of the four classes around theUtah Lake

Classes Area (ha) Area (%)

Open water 33,978.69 85.3Phragmatis 3,947.76 9.9Bullrush 992.43 2.5Terrestrial vegetation 910.35 2.3Total 39,829.23 100.0

Figure 5. Final model of Macrophyte classif icationusing a 2011-September Landsat image. Overallmapping accuracy was 67% and 74% for Phragmitesaustralis, and 78% for Typha latifoia (Bullrush).

model also identif ied a clear and logicaldistribution pattern along the gradients ofdepth along the lake’s shoreline Field visitsaround and within the lake were conducted.. Avisual validation was performed using expertknowledge and field observations.

The 2009 prediction model served as a firststep to work on a 2011- image. As you can seein Tables 2 and 3, the mapping accuracyimproved in the 2011 model. The reason maybe attributed to the elimination of the «mixedvegetation» class which was a confusing class.The spectral separation in the classif icationalgorithm did not provide a clear discrimi-nation among all other classes. Improvementsin the 2011-classification can be seen in detailsin Table 3.

The overall accuracy for the 2011 dis-tribution model was improved up to 67.52%(Table 3); Bullrush grass had the highestmapping accuracy: 78% followed by Phrag-matis with 74%. Open water had the lowestmapping accuracy: 54% (Table 3). This indi-cates that from all withheld sites, 67.52% ofthe sites fell correctly into that class in the

predicted model. In general, the model per-formed better at predicting the Phragmatis andBullrush with the 2011-Landsat imagery. Themodel also identified a much better and logicaldistribution pattern along the gradients ofdepth along the lake’s shoreline. A visualvalidation was also performed using expertknowledge and f ield observations. Finaldistribution was checked in the f ield and weagreed that final predicted distribution matchesobserved distribution.

Mixed vegetation was eliminated in the2011-model and it seems to improve themodel’s accuracy. It was deducted that it was aconfusing factor for the classification proce-dure. The general tendency of the model is thesame, but the accuracy is slightly better in the2011 when compared to the 2009 image clas-sification’s model.

We can also observe in the results that inboth classifications, open water had always thelowest accuracy. That means that both models(2009 and 2011) overestimate macrophyteextension in the lake. Since clear water has avery distinct spectral signature, we believe that


Table 2. Confusion Matrix of the Five Classes Distribution Model around Utah Lake using a 2009-Landsatimage

1 23 4 5

Classes Bullrush Mixed Terrestrial TotalWater Phragmatis

Vegetation veg

1 Water 88 6 2 11 2 109.002 Phragmatis 47 146 4 8 0 205.003 Bullrush 21 44 22 4 4 95.004 Mixed veg 25 22 1 25 0 73.005 Terrestrial veg 5 2 0 0 11 18.00Total 186 220 29 48 17 500.00Accuracy (%) 47 66 76 52 65 61.27

Table 3. Confusion Matrix of the Four Classes of Final Macrophyte Distribution Modelaround Utah Lake using a 2011-Landsat image.

1 2 34

ClassesWater Phragmatis

Bullrush Terrestrial Totalveg

1 Water 99 6 2 2 109.002 Phragmatis 54 147 4 0 205.003 Bullrush 25 45 21 4 95.004 Terrestrial veg 5 2 0 11 18.00Total 183 200 27 17 427.00Accuracy (%) 54 74 78 65 67.52

water turbidity and/or submerged macrophytesare affecting the classification. In fact, sincethis is a hypertrophic lake, the amount andconcentration of algae, and in general: dis-solved nutrients in the water column might hadbeen affected the classif ication. We recom-mend the use of Normalized Difference Vege-tation Index (NDVI) or other spectral sepa-ration indexes to define the range of open watervalues and isolate this class from the others.More field acquired GPS training data will alsoimprove the model’s accuracy.

Conclusions

The Phragmatis covers around 9.5% of thetotal area, and Bullrush covers around 2.8% ofthe area. The Overall Mapping Accuracy wasof 67.52%. Bullrush grass had the highest map-ping accuracy: 78%, followed by Phragmatiswith 74%. Open water had the lowest mappingaccuracy: 54%

Our data indicate that Landsat imagery andremote sensing tool promise to potentiallydescribe and predict spatial and temporalchanges in macrophytes vegetation in UtahLake.

According to the obtained results, we stayedwith the use of Landsat imagery and the pro-posed procedure for a multitemporal analysisof macrophyte distribution in Utah Lake. Thisrepresents a quick and affordable method. Theuse of a higher resolution sensor such as 15-mresolution Aster imagery or aerial photographswith a more intense field work can produce afiner result, but a higher cost, so the chance ofreplicability through time is reduced.

More GPS-ground data may be needed toimprove the Overall Mapping Accuracy. As itwas mentioned before, there is a potential touse high resolution sensors, however there aresome restriction regarding its replicability.High resolution imagery is expensive andLandsat imagery still offers an affordableavailability of images. The use of Landsatimagery seems to be a promising tool for pastand future monitoring of macrophytes taxa anddistribution in Utah Lake

This study demonstrates the effective use ofGIS and remote sensing tool promise to

describe and predict potentially spatial changesin macrophytes vegetation at the lake eco-system level. Older modeling predictiontechniques provided little spatial informationof where plant species distribution could beexpected to be located in lake ecosystems.

GIS and Remote Sensing techniques com-bined with statistical analyzes, offer a promi-sing tool to place plant distributions alongenvironmental gradients, and thus providingimportant knowledge of where managementefforts might be efficiently directed to mitigatethe negative aspects of such possible vegetationchange.

Acknowledgements

This research was funded by The JuneSucker Recovery Implementation Program(JSRIP) and The Utah State University’sEcology Center.

References

CONGALTON, R. G. & GREEN, K. 1999.Assessing the Accuracy of Remotely Sensed Data:Principles and Practices. Boca Raton: LewisPublishers.

FIELDING, A. H. (editor). 1999. Ecological Appli-cations of Machine Learning Methods, KluwerAcademic.

FOODY, G. 2002. Status of land-cover classificationaccuracy assessment, Remote Sensing ofEnvironment. 80: 185-201.

GILBERT, M., GUICHARD, S., FREISE, J.,GRÉGOIRE, J.-C., HEITLAND, W., STRAW, N.,TILBURY, C. & AUGUSTIN, S. 2005. Fore-casting Cameraria Ohridella Invasion Dynamicsin Recently Invaded Countries: From Validationto Prediction. Journal of Applied Ecology. 42:805-813.

JENSEN, J. R. 2005. Introductory digital imageprocessing: a remote sensing perspective. 3rd. Ed.Pearson-Prentice Hall. 526 p.

LOWRY, J. L., LANGS, L., RAMSEY, R. D.,KIRBY, J., & SHULTZ K. 2008. An EcologicalFramework for Fuzzy Set Accuracy Assessmentof Remote Sensing-Based Land Cover Maps.Photogrammetric Engineering and RemoteSensing. 74(11): 1509-1520.

SWCA, Inc. 2007. Provisional Monitoring Plan forAquatic Resources of Utah Lake. Prepares forJune Sucker Recovery Implementation Program



and Central Utah Water Conservancy District.Technical Committee Review Draft. May 14,2007. 57 p.

RULEQUEST RESEARCH (2004). WWW URL:http://www.rulequest.com/index.html (accessedon June 21, 2010).

WERSTAK, C. E. 2004. Spectral separation ofSubmerged Aquatic vegetation using two-meter

multispectral digital imagery. Master Thesis.Utah State University, Department Environmentand Society. 63 p.

WU, L. 1990. Colonization and establishment ofplants in contaminated sites. In A.J. Shaw (Ed.),Heavy Metal Tolerance in Plants: EvolutionaryAspects, CRC Press, Boca Raton, FL (1990), pp.269-284.

Caso práctico

Realización de mapas de cobertura de la tierra a partir de imágenes polarimétricas

D. Hernández, D. Pinilla1 Universidad Distrital Francisco José de Caldas. Código postal 111131. Bogotá, Colombia

Resumen

Este documento tiene una breve descripción de un proyecto de grado denominado «REALIZACIONDE MAPAS DE COBERTURA DE LA TIERRA USANDO IMÁGENES POLARIMETRICAS» (Ca-so de estudio: Tabio, Chía, Cota y Tenjo). Se propuso este proyecto, ya que en Colombia no existe unatécnica alternativa aplicada en polarimetría para hacer mapas temáticos, este proyecto se enfocó enidentificar la cobertura de la tierra como un elemento importante en la gestión de territorios, usandosoftware libre como «PolsarPro 4.2» e imágenes Radarsat 2 que poseen las 4 polarizaciones.

Las imágenes polarimétricas son básicamente un tipo de imagen de radar que manejan diferentespolarizaciones, dependiendo de cómo fue capturada la imagen al momento de la toma, se pueden te-ner 4 polarizaciones si hablamos de un sensor como RADARSAT 2, lo que permite combinarlas en-tre sí. Actualmente estas imágenes son la base para la introducción y el desarrollo de nuevos proyec-tos de investigación.

Para este proyecto se ha propuesto una metodología compuesta de una serie de análisis cualitativosy cuantitativos de los procesamientos obtenido en Polsarpro 4.2 como firmas, descomposiciones ysegmentaciones polarimétricas, Con el fin de evaluar si el resultado final es un mapa temático validoque pueda ser usado como insumo básico o complementario a las imágenes satelitales ópticas.

Palabras clave: Sensoramiento remoto, Radar, Polarimetria.

Abstract

Making landcovermaps using radar polarimetry

This paper have a brief description about a final paper called “MAKING LANDCOVER MAPSUSING RADAR POLARIMETRY” (study case: Tabio , Chia, Cota and Tenjo), this project wasproposed, since in Colombia no exist an alternative technique applied in polarimetry to do thematicmaps, constituting a new research topic in remote sensing radar. This project was focused to identifythe land cover as an important element in the territories management, using free software like“PolsarPro 4.2” and Radarsat 2 polarimetric images which have four polarizations.

The polarimetric images are basically a type of radar image that managing different polarizations,depending on how the image was captured, you can have four polarizations if we speak of a sensor asRADARSAT 2. Currently these images are the basis for the introduction and development of newresearch projects.

It has proposed a methodology composed of a series of qualitative and quantitative analysis ofprosecutions obtained in Polsarpro4.2 as signatures, decompositions and polarimetric segmentations.In order to assess whether the end result is a valid topic map that can be used as a basic or complementaryto optical satellite images.

Key words: Remote Sensing, Radar, Polarimetry.

* Autores para la correspondencia: [email protected], [email protected]: 14-05-13; Aceptado: 04-06-13.


Introducción

Se busca la generación de un mapa de uso ycobertura del suelo a partir de 4 imágenes pola-rimétricas Radarsat 2 que son un tipo de imagenradar que pueden presentar hasta cuatro polari-zaciones (lo cual posibilita la combinación depolarizaciones múltiples), actualmente objetode estudio en la incursión y desarrollo de nue-vos proyectos de investigación relacionados conla caracterización de coberturas; por implemen-tación de una metodología propia de trabajocompuesta por una serie de análisis cualitativos, cuantitativos y análisis de procesamientos ob-tenidos en Polsarpro como firmas, descompo-siciones y segmentaciones polarimétricas. Conel fin de evaluar el resultado final que es un ma-pa temático así como la utilidad en el uso de in-sumos alternativos como es en este caso, lasimágenes polarimétricas radar.

Metodología

A continuación se describe la metodologíapropuesta para la generación de un mapa de co-berturas del suelo de la sabana centro de Bo-gotá, Colombia; esta metodología está com-puesta por una serie de análisis visuales ynuméricos los cuales nos permitieron determi-nar la efectividad de las imágenes radar en es-te tipo de aplicaciones.

Se realiza una salida de campo sobre la zo-na en donde se hace una recolección de puntosde control y el reconocimiento en el área de es-tudio, esta actividad se llevó a cabo el día 13de diciembre de 2011. Las capturas fotográfi-cas realizadas en cada punto se realizaron pa-ra llevar un seguimiento y corroborar así losresultados generados en el proyecto, de igualmanera se realizó una comparación con foto-grafías aéreas cuya toma es relativamente cer-cana a la de la imagen radar (2007), con el finde asegurar si la zona aún conserva la mismacobertura del 2008.

Análisis cualitativo

Compuesto por una serie de análisis visualeseste busca identificar coberturas, seleccionar

Composiciones y corregir deficiencias en ruido,a continuación se describe el proceso realizado.

Calibración

La calibración polarimetrica, busca corregirlas distorsiones que se pueden dar en la matrizde dispersión, y así poder optimizar los resul-tados que se puedan generar en el procesamien-to de los datos.

A simple vista se observa diferencias en bri-llo y contraste, lo cual permite diferenciar deuna manera más sencilla las coberturas encon-tradas. De igual manera permite visualizar ca-racterísticas geomorfológicas como drenajes.

Realce radiométrico

La aplicación de un filtro es esencial ya queal mejorar las características radiométricas de laimagen se puede mejorar significativamente elproceso de clasificación. Para este paso se optópor el uso de los filtros Lee y Lee Sigma sobrelas bandas de la matriz coherencia generadas enla extracción de datos, seleccionados inicialmen-te en base a la teoría de filtros del documento«Material educativo para teledetección median-te radares» que indica textualmente «Para redu-cir el moteado, se prefieren usar los filtros adap-tables (ej. filtro gamma map o lee en lugar de losfiltros no adaptables (ej.filtros FFT)».

Filtro lee

A continuación se muestra el resultado ob-tenido por la aplicación de los f iltros lee y lee

Realización de mapas de cobertura de la tierra a partir de imágenes polarimétricas 117

Imagen formatoT3 sin calibrar

Imagen formatoT3 calibrada

Figura 1. Tabla comparativa entre imágenes calibra-das y sin calibrar.

sigma, un breve análisis de textura y comen-tarios de las composiciones pauli generadas apartir de las bandas f iltradas como un crite-rio de selección adicional de los filtros en dis-cusión.

En Pauli RGB Se notan claramente los cuer-pos de agua en tonalidades oscuras, así comolas vías principales; los cascos urbanos semuestran como formas geométricas irregula-res con tonos brillantes debido a la presenciade dispersión difusa causada por el efecto es-quina, (reflectores angulares como el diedro oel tiedro) y las zonas de cultivo se muestra enun degrade de colores azul, verde y rosado.

Parámetros de Stokes

A continuación se muestra los resultados ob-tenidos para los componentes Stokes (a partirde la conversión de los datos a formato [S2])con un tamaño de ventana 1. Pero antes, es im-portante aclarar que a razón de la configura-ción de Polsarpro para los datos de entrada ([S],[C]), los parámetros Stokes son calculados pordefecto sobre toda la imagen y no sobre la ima-gen recortada y georeferenciada.

De acuerdo al sistema de clasificación CIAF,las coberturas identificadas alcanzan el segun-do nivel de reconocimiento: cuerpos de agua(superficies libres como el rio Bogotá y la re-

presa Martín y Espino), bosques y/o montes(natural), vegetación herbácea descubierta(pastizales) y cultivos (especialmente cultivosconfinados y algunos cultivos temporales), yuna cobertura especifica alcanza un tercer ni-vel (construcciones urbano-residencial).

Análisis cuantitativo

En este proceso se analizan y evalúan los re-sultados gráficos y numéricos resultantes de lametodología propuesta; dentro de estos análi-sis se encuentran:

Firmas polarimétricas

Como representación gráfica a las respues-tas de una onda emitida y reflejada; las firmaspolarimetricas dan un patrón aproximado delas posibles características que pueda poseerun objetivo dado, es por eso que a continuaciónse muestran los análisis obtenidos de cada unode los puntos de control capturados.

— Pastos: los patrones analizados permi-ten concluir que se trata de una cobertura derugosidad baja con dispersión de superficie eindicie de vegetación bajo.

— Cultivos conf inados: muestra tambiénun comportamiento de una esfera de doblerebote, con valores de intensidad más altosen VV.

— Suelo desnudo: esta cobertura presentoun comportamiento similar en todos los pun-tos de control analizados por lo que las únicasvariaciones encontradas pueden ser debido alos niveles de humedad presente en cada co-bertura para aquella época.

— Bosque: las firmas polarimetricas de es-ta cobertura coincidían por lo que el afirmarque esta cobertura es efectivamente un bosqueno tiene discusión.

118 D. Hernández y D. Pinilla et al. / Revista de Teledetección (2013) 39, 116-121

Casco urbano Cultivos temporales

Tabla 1. Bandas polarimetricas y operaciones entreellas generadoras de composiciones a color Pauli y Sin-clair.

Figura 2. Componente g0, g1, g2 y g3.

— Cultivos temporales: Los cultivos tem-porales identificados como cereales y papa pre-sentaron variaciones de las firmas polarimetri-cas probablemente por tamaño y altura de lacobertura, es posible que las diferencias encon-tradas en las firmas sean un diferenciador quepermitan separar estos cultivos.

— Construcciones: las construcciones pre-sentaron un comportamiento homogeneo sinembargo las variaciones encontradas puedenser debido a densidad, desarrollo y tamaño dela construcción.

— Cuerpos de agua: las diferencias encon-tradas en estas coberturas pueden ser debido ala presencia de residuos sobre los cuerpos deagua como es el caso de buchón de agua.

Áreas de validación

Después de haber analizado y comparado losresultados obtenidos en las firmas polarimetri-cas con los puntos de control, se seleccionaronlos siguientes puntos que serán usados comopuntos de validación para la selección de áre-as de entrenamiento.

Con el fin de optimizar resultados en la se-lección de áreas de entrenamiento que seránusadas en la clasificación, se realizó una eva-luación estadística entre las dos composicio-nes con el fin de seleccionar aquella con másaproximaciones al 100%.

Por un amplio intervalo de diferencia seaprecia que hay una mejor distinción de cober-turas en la clasificación 301, sin embargo hayfalencias al momento de diferenciar cobertu-ras con suelo desnudo con cultivos temporales.

Segmentación polarimetrica

La segmentación polarimétrica es una herra-mienta de apoyo para la identificación de me-canismos de dispersión. La clasif icaciónH/A/Alpha es resultado de un algoritmo pro-puesto por Cloude y Pottier para identificar deuna forma no supervisada los mecanismos dedispersión polarimétricos, la cual obtiene unarepresentación de los valores de entropía y án-gulo alpha por medio del análisis de planos seg-mentados y de ocurrencia, además de propor-

cionar .bmp de la zona de estudio con codifi-caciones de color para la visualización de losvalores de entropía, anisotropia y alpha. Adi-cionalmente permite obtener .bmp de produc-tos matriciales de entropía (H) y anisotropía(A), cuya interpretación proporciona informa-ción complementaria sobre los tres tipos bási-cos de dispersión. A continuación se muestralos resultados obtenidos en el procesamientode segmentación polarimétrica por clasifica-ción H/A/Alpha:

El plano de ocurrencia muestra altos nive-les de entropía (alrededor de 0.9) para la clasi-ficación H-alpha, lo que indica una reducciónevidente en el número de clases identificablesen la imagen (diferentes grupos de pixeles conposibles comportamientos diferentes son agru-pados en una misma clase). Por otro lado un al-to nivel de entropía puede corresponder tam-bién a la presencia de dos tipos de límites deprocesos de dispersión ya que de acuerdo alplano de ocurrencia se observa una fuerte den-sidad en dispersión de volumen y superficiecon aleatoriedad moderada y alta. Por otro la-do el plano de segmentación hace una relaciónentre el tipo de objetivo y la dispersión que ge-nera, es decir, para la clasificación Halpha, co-berturas tales como suelo desnudo o camposagrícolas (sembradíos) se caracterizan por unadispersión de superficie (color azul), otras zo-nas de cultivo y zonas verdes (alta densidad devegetación) se caracterizan por dispersión devolumen (color verde) y las construcciones secaracterizan por dispersión de doble rebote (co-lor rojo).

Descomposición polarimetrica

Freeman-Durden y Cloude: En esta descom-posición los pixeles se dividen en tres catego-rías de dispersión: dispersión de doble rebote(PDB), volumen (PV) y superficie (PS), pero


Figura 3. Segmentacion polarimetrica H-alpha.

se pueden presentar otras categorías adiciona-les para pixeles no claramente dominados poralgunos de los tres mecanismos ya nombrados.Las anteriores categorías son fijas a lo largodel proceso de clasificación para preservar lahomogeneidad de las características de disper-sión y presenta una importante restricción queconsiste en que solo los pixeles con la mismaetiqueta o categoría de dispersión pueden seragrupados juntos como una clase, lo cual ga-rantiza la preservación de las propiedades dedispersión ya que sin la anterior restricción pi-xeles con diferentes características podrían serclasificados en una misma clase.

Descomposición Van zyl

Vanzyl se basa en la matriz coherencia [T]y al igual que la descomposición Freeman,arroja resultados .bmp de dispersión de super-ficie, volumen y doble rebote (Fs, Fv, Fd o Odd,Dbl, Vol). Básicamente este método de des-composición se basa en el análisis de eigenva-lores y eigenvectores, pero también se basa enotros parámetros secundarios (H/A/·). Por me-dio de los valores de ·, el programa genera tresimágenes correspondientes a los tres tipos dedispersión.

A continuación se muestra los resultados ob-tenidos.

Se puede observar que los tres resultados dedispersión son óptimos para una buena clasi-ficación, pero sobresale la imagen de disper-

sión por volumen, ya que visualiza algunas for-mas con más detalle (especialmente bosque),detalle que se pierde en SUP por brillo y enDBL o de doble rebote por presencia de textu-ra granular.

Resultados

Este paso tiene como fin determinar la pre-cisión temática de la clasificación supervisa-da Wishart y dos clasificaciones SVM (ejecu-tadas en base a las áreas de entrenamientoseleccionadas por puntos de validación) a par-tir del análisis de matrices de confusión o errorque hacen una comparación entre los pixelesde la imagen que fueron correctamente clasi-ficados y los mismos pixeles en la imagen re-al o de referencia. La matriz de confusión ha-ce un paralelo entre los datos de referencia(filas) con los datos clasif icados (columnas)cuya diagonal principal indica el grado deacuerdo entre ambos grupos de datos y los da-tos marginales suponen errores de asignación.Proporciona además la precisión global de laclasificación o confiabilidad del mapa (divi-sión del número total de pixeles correctamen-te clasificados por el número total de pixelesde la matriz de confusión) y la precisión de ca-da clase.

De acuerdo a la matriz confusión, la clasi-ficación SVM2 que fue generada a partir de lasáreas de entrenamiento y otras zonas obteni-das de la composición stokes 301 que mostra-

120 D. Hernández y D. Pinilla et al. / Revista de Teledetección (2013) 39, 116-121

Freeman-Durden Van zyl Freeman-Durden Van zyl

Construcciones Zonas de cultivo

VOL

Cultivos confinados Bosque

VOL

ron comportamientos similares en tono y tex-tura a los puntos de validación) presentó valo-res marginales por errores de asignación no su-periores al 25% en la mayoría de las clases,señalando a critica propia un buen nivel de con-cordancia entre los pixeles clasificados y losmismos pixeles en la imagen de referencia. Losvalores de asignación en la diagonal principalestán en un rango de 74 a 86 pixeles por clase,donde C5 (cuerpos de agua) y C7 (otros culti-vos temporales) corresponden a las clases demayor y menor valor de asignación respectiva-mente.

Selección de la mejorclasificación supervisada

De acuerdo a la tabla de selección, la mejorclasificación supervisada y por lo tanto la cla-sificación que se usará finalmente para com-parar y evaluar los resultados obtenidos por im-plementación de imágenes polarimétricas radares SVM2.

Conclusiones

Las imágenes polarimétricas radar con losprocesamientos adecuados pueden proporcio-nar información valiosa para el usuario y serefectivas como insumos de clasificación, perosu elección sigue en conflicto respecto a lasimágenes ópticas, puesto que no proporcionanun nivel de detalle alto atribuido a caracterís-ticas inherentes de las imágenes radar tales co-mo brillo, presencia de zonas oscuras y presen-cia de blancos diferentes con comportamientossimilares en tono y textura.

La fecha de adquisición de las imágenes ra-dar es vital para un óptimo resultado en el pro-ceso de clasif icación, pero en caso de no dis-poner de imágenes recientes, puede ser

compensado por la implementación de firmaspolarimétricas a partir del análisis en: inten-sidad en los canales HV, VH, HH y VV, altu-ra de pedestal y ángulos de elipticidad y orien-tación.

La combinación de canales polarimétricosconstituye un importante identificador visualde coberturas y por lo tanto una herramientaútil en el proceso de clasificación.

Referencias

Análisis Geográficos: Comisión Colombiana delEspacio Vi: Aplicaciones del Programa SatelitalColombiano de Observación de la Tierra / El Ins-tituto Geográfico Agustín Codazzi No. 44, 2010.

CANO CAMPILLO, C. M., VELASQUEZ RAMOSM. A. Revision metodologica para la utilizaciónde imágenes de Radarsat 2 y Envisat 1 con finesde interferometria de radar. Bogotá 2011. Traba-jo de grado (Ingeniero Catastral y Geodesta) Uni-versidad Distrital Francisco Jose de Caldas, Fa-cultad de Ingeniería.

CHENG P., & TOUTIN T. Automated high accu-racy geometric correction and mosaicking wi-thout ground control points Radarsat 2. Data Geo-Informatics August 2011, www.geoinfoma-tics.com [Citado en mayo de 2011].

ELACHI J. VAN Z. Introduction to the physics andtechniques of remote sensing. New Jersey, USA.Publicación John Wiley & Sons, Inc 2006. Dis-ponible en: http://log.univlittoral. fr/docs/equi-pe5/loisel/loiseletal. [Citado en mayo de 2011].

FREEMAN, S. L., & DURDEN, A. Three-compo-nent scattering model for polarymetric sar data,IEEE, transactions on geoscience and remote sen-sing. Jakob Van Zyl, Yunjim Kim, Synthetic Aper-ture Radar Polarimetry, Ed. Willey.

HAJNSEK I. Surface parameter estimation, basicsand advanced concepts, Institute of Environmen-tal Engineering, Eth Zürich Microwaves and Ra-dar Institute, Dlr Oberpfaffenhofen.

KIMURA, H., & TOSHIYUKI, M. Improvement ofpolarimetric sar calibration basedon the queganalgorithm. Magazine Dept. of Electrical & Elec-tronic Eng, Gifu, Japan 2008.

POTTIER E., LEE JONG-SEN, FERRO-FAMIL L.Polsarpro V3.0 Washington USA, Edicion IETR-UMR CNRS 6164-University of Rennes. Imageand Remote Sensing Departament, Saphir Team.

SALINERO CHUVIECO. 2008Teledetección am-biental la observación de la tierra desde el espa-cio. Barcelona, España. Editorial Ariel SA. Dis-ponible en: http://www.alibri.es/teledeteccion-ambiental-la-observacion-de-la-tierra-desde-el-espacio-193907. [Citado en marzo de 2011].


Tabla 2. Selección de clasificación

Error de Error dePrecisión

Clasificaciónomisión comisión

globalpromedio promedio

(%)(%) (%)

SVM2 20.1 20.0 80

Desde finales del siglo XX la sociedad hademandado el desarrollo de nuevas técnicasagrícolas que optimicen los recursos sin degra-dar el medio ambiente, buscando un equilibrioentre agricultura productivista y exigenciasmedioambientales. En este contexto surge laAgricultura de Precisión, una técnica de ges-tión de parcelas agrícolas que incorpora la va-riabilidad espacial de los factores implicadosen el rendimiento de los cultivos, realizandoaplicaciones dirigidas o localizadas y en la do-sis óptima de los insumos necesarios (semillas,riego, fertilizantes y fitosanitarios). Esta téc-nica permite reducir costes, optimizar la pro-ducción agrícola, aumentar la rentabilidad pa-ra los productores y obtener benef iciosecológicos y ambientales (Robert, 2002; Sri-nivasan, 2006).

Esta preocupación económica y medioam-biental, junto con el excesivo consumo de pro-ductos fitosanitarios en Europa (7.964 M ? en2009, www.aepla.es), se ha visto plasmada enel Reglamento (CE) 1107/2009 para la Comer-cialización de Productos Fitosanitarios, den-tro del cual se ha def inido la Directiva2009/128/CE para el Uso Sostenible de Plagui-cidas, destacando como elementos clave “el fo-

mento del bajo consumo (reducción de las apli-caciones) y la utilización de dosis adecuadasen función de las infestaciones de malas hier-bas”. Esta Directiva ha sido recientemente tras-puesta al Real Decreto 1311/2012 (BOE nº 223del 15 de septiembre de 2012), en el que se es-tablece el marco de actuación para conseguirun uso sostenible de los productos fitosanita-rios, que va a tener una gran repercusión en laforma de acometer la gestión agrícola, con es-pecial relevancia en el uso de herbicidas.

El desarrollo de la agricultura de precisiónse ha hecho posible gracias a la emergencia detecnologías entre las que cabe destacar la Te-ledetección, que permite obtener informaciónsobre grandes áreas agrícolas permitiendo ladiscriminación y mapeo de las distintas cubier-tas vegetales presentes en dichas zonas median-te técnicas de análisis y clasificación digital,dada la diferencia en el comportamiento espec-tral intrínseco de cada una de ellas (López-Gra-nados, 2011).

El objetivo de esta Tesis Doctoral ha sido de-sarrollar una metodología robusta y precisa pa-ra la detección de rodales de malas hierbas cru-cíferas en estado fenológico tardío en cultivosde invierno (trigo, habas y guisantes), aplican-

Tesis doctoral

Discriminación de infestaciones de malas hierbascrucíferas en cultivos anuales de invierno utilizando

imágenes de alta resolución espacial mediante métodosbasados en píxeles, objetos y redes neuronales

para su control de precisión

Autor: Ana Isabel de Castro MegíasDirectoras: Montserrat Jurado Expósito y Francisca López GranadosDisponible: http://hdl.handle.net/10396/9477 (Base Helvia, UCO)www.educacion.gob.es/teseo/mostrarRef.do?ref=1016319 (Base TESEO)Lugar: Instituto de Agricultura Sostenible IAS-CSIC, CórdobaFecha: 8 de marzo 2013Calificación: Cum laude


do técnicas de teledetección en imágenes de al-ta resolución espacial, para la planificación deestrategias de control localizado en situacio-nes de post-emergencia en la misma campañay/o de pre-emergencia en sucesivos años.

Para ello se midió la firma espectral de va-rios cultivos de invierno (trigo y habas) y demalas hierbas crucíferas (principalmente Di-plotaxis spp. y Sinapis spp.) con un espectro-rradiómetro de campo y se aplicaron técnicasde Análisis Discriminante y Redes Neuronales(Perceptrón Multicapa y Función de Base Ra-dial) para analizar estadísticamente los datoshiperespectrales y multiespectrales obtenidoscon el fin de seleccionar las longitudes de on-da, bandas e índices de vegetación, así como elmomento fenológico más adecuado, para la dis-criminación entre el cultivo y las malas hierbas.Posteriormente, se evaluó el uso de imágenesaéreas y de satélite de alta resolución espacial(QuickBird) para elaborar mapas de infestaciónde rodales de Diplotaxis spp. y Sinapis spp. enestado fenológico tardío (inicio de floración)en cultivos de invierno aplicando distintos mé-todos de clasificación (índices de vegetación yMáxima Probabilidad). Para finalizar, se utili-zaron los mapas de infestaciones de malas hier-bas obtenidos con las imágenes anteriores pa-ra elaborar los mapas de tratamiento localizado,tanto a escala parcela como a escala comarcal,que permitan realizar aplicaciones dirigidasúnicamente a las infestaciones.

De los trabajos anteriormente descritos sehan podido obtener los siguientes resultados:

1. La discriminación entre las malas hier-bas crucíferas y los cultivos de trigo y habasfue posible mediante el análisis de las firmasespectrales tomadas con espectrorradiómetrode campo. Las tres técnicas evaluadas (Análi-sis Discriminante, Perceptrón Multicapa y Fun-ción de Base Radial) permitieron clasificar deforma satisfactoria tanto las f irmas multies-pectrales como las hiperespectrales de cultivoy mala hierba. Los mejores resultados se obtu-vieron con la red Perceptrón Multicapa, con va-lores de precisión por encima del 98,1%, y enalgunos casos del 100%, permitiendo seleccio-nar en cada caso las longitudes de onda o índi-ces de vegetación con mayor potencial para ladiscriminación de las malas hierbas crucíferasen imágenes remotas.

El estado fenológico más adecuado para lle-var a cabo la discriminación de las malas hier-bas crucíferas y los cultivos de invierno y portanto, para la captura de las imágenes remotas,se alcanza cuando las f irmas espectrales delcultivo y la mala hierba muestran sus máximasdiferencias que, según se concluye de este es-tudio, corresponde con el estado de floraciónde las crucíferas (color amarillo intenso) y conel estado vegetativo del cultivo (color verde),generalmente observado entre finales de mar-zo y mediados de abril en las condiciones declima mediterráneo de los campos estudiadosen esta Tesis. Esta ventana temporal es ampliay permite extrapolar estos resultados a otraszonas del área mediterránea con similares con-diciones agronómicas y climáticas (Resultadospublicados en De Castro et al., 2012a).

2. La aplicación de técnicas de teledetec-ción en imágenes aéreas multiespectrales per-mitió clasificar de forma eficiente los rodalesde malas hierbas crucíferas en trigo, habas yguisantes y elaborar mapas de infestación decrucíferas en estado fenológico tardío. Los ín-dices de vegetación Rojo/Azul y Azul/Verde,así como el algoritmo de Máxima Probabili-dad, fueron los métodos más precisos en lasclasificaciones en los tres cultivos y se utiliza-ron para elaborar los mapas de tratamiento lo-calizado para el control de crucíferas en post-emergencia o diseñar estrategias de controlpara campañas siguientes. El empleo de estosmapas de tratamiento permitiría obtener unaahorro del 71,9 al 95,5 % en aquellas zonas queno requieren tratamiento y del 4,3 al 12 % pa-ra las zonas que podrían necesitar tratamientoherbicida a dosis reducidas (Resultados publi-cados en De Castro et al., 2012b).

3. La imagen multiespectral de alta reso-lución espacial del satélite QuickBird fue seg-mentada para seleccionar los campos de trigopresentes en la escena y eliminar el resto deusos de suelo (olivar, otros cultivos herbáceos,carreteras y ciudades), contabilizando un totalde 263 campos de trigo repartidos por la ima-gen. La clasificación de los rodales de las ma-las hierbas crucíferas en dichos campos se lle-vó a cabo con mediante diferentes índices devegetación y el algoritmo de Máxima Probabi-lidad, tanto a nivel de parcela (en varios cam-pos individuales extraídos de la escena comple-

Discriminación de infestaciones de malas hierbas crucíferas en cultivos anuales... 123

124 A. I. de Castro Megías / Revista de Teledetección (2013) 39, 122-124

ta) como a escala comarcal (en la imagen for-mada por los 263 campos de trigo). Los clasi-f icadores más precisos fueron el índiceAzul/Verde y el algoritmo de Máxima Probabi-lidad, tanto en campos individuales como en laimagen completa. A escala comarcal, los resul-tados de las clasificaciones fueron ligeramen-te inferiores (89,45% y 91,30% de precisiónglobal del mapa con el índice A/V y el algorit-mo de Máxima Probabilidad, respectivamente)lo cual se atribuye a la alta variabilidad espec-tral de los diferentes campos de trigo reparti-dos en la imagen. De estos 263 campos, 184 es-taban infestados por malas hierbas crucíferas.

4. La elaboración de mapas de tratamien-to localizado con imágenes QuickBird permi-te extraer rápidamente información espacial deextensas superficies agrarias y diseñar diferen-tes estrategias de control de malas hierbas cru-cíferas consiguiendo reducir la cantidad de her-bicida aplicado en post-emergencia. Lautilización de mapas de tratamiento localiza-do en fase tardía del cultivo a escala comarcalpermitiría un ahorro de herbicida del 61,31%para las zonas que no requieren tratamiento, ydel 13,02% en aquéllas que podrán necesitartratamiento herbicida a dosis reducidas (Resul-tados publicados en De Castro et al., 2013).

Agradecimientos

Esta investigación ha sido parcialmente fi-nanciada por MICINN (AGL-2008-04670-

CO3-03), MINECO (AGL-2011-30442-CO2-01) y fondos FEDER. El CSIC financió la be-ca JAEPre-doc de la doctoranda Ana Isabel deCastro, dentro del programa “Junta para la Am-pliación de Estudios.

Referencias bibliográficas

DE CASTRO, A. I., JURADO-EXPÓSITO, M.,GÓMEZ-CASERO, M. T., & LÓPEZ-GRANA-DOS, F. 2012a. Applying Neural Networks toHyperspectral and Multispectral Field Data forDiscrimination of Cruciferous Weeds in WinterCrops. The Scientif ic World Journal, 1-11.DOI:10.1100/2012/630390.

DE CASTRO, A. I., JURADO-EXPÓSITO, M., PE-ÑA-BARRAGÁN, J. M., & LÓPEZ-GRANA-DOS, F. 2012b. Airborne multi-spectral imageryfor mapping cruciferous weeds in cereal and le-gume crops. Precision Agriculture, 13, 302-321.

DE CASTRO, A. I., LÓPEZ-GRANADOS, F., &JURADO-EXPÓSITO, M. 2013. Broad-scaleCruciferous Weed Patch Classification in WinterWheat using QuickBird Imagery for In-SeasonSite-Specif ic Control. Precision Agriculture.DOI: 10.1007/s11119-013-9304-y.

LÓPEZ-GRANADOS, F. 2011. Weed detection forsite-specific weed management: mapping and re-al-time approaches. Weed Research, 51, 1-11.

ROBERT, P. C. 2002. Precision agriculture: a cha-llenge for crop nutrition management. PrecisionAgriculture, 247, 143-149.

SRINIVASAN, A. 2006. Precision Agriculture: AnOverview. En: Handbook of Precision Agricul-ture: Principles and Applications. Ed.: A. Srini-vasan. Food Products Press. The Haworth Press.New York. 684 pp.

Land surface albedo is a physical parameterthat affects the Earth´s climate and, also, sup-poses one of the greatest radiative uncertaintiesin the current climate modeling. This parameteris highly variable both spatially and temporally.It changes naturally with solar insolation angle,seasonally with vegetation changes andstochastically with rain or snowfall. It can alsobe changed directly via human activity orindirectly. Consequently, climate studies re-quire a daily temporal resolution. Additionally,the increasing spatial resolution of climatemodels require the study of the albedo spatialdistribution at global scale. Therefore, remotesensing supposes the only practical way todetermine the global surface albedo accuratelyand with high temporal and spatial resolution.

Due to its acquisition geometry and fre-quency of satellite pass, the MODerate Reso-lution Imaging Spectroradiometer (MODIS)sensor onboard Terra and Aqua satellites allowsthe estimation of the surface albedo. Theofficial albedo product (MCD43) is estimatedthrough the Bi-directional Reflectance Dis-tribution Function (BRDF) model inversionfrom surface reflectance images. In this wayseveral assumptions are made in order to derivethe surface albedo. First, the surface reflec-tance, which is the basis to obtain the albedo,is estimated considering that the surface isLambertian, that is, it reflects radiance equallyinto all directions. However, it is well known

that natural surfaces are anisotropic. Then, thefirst objective of the thesis is the study of howthe Lambertian assumption impacts on thealbedo estimation. We analyzed MODISClimate Modeling Grid (CMG) daily data fromboth Aqua and Terra platforms between 2003and 2006 at four different Aeronet sites (eachone of them corresponded to one CMG pixel)located in the United States of America.Secondly, the BRDF model considered in thealbedo off icial product does not take intoaccount the hot spot effect. This effect consistson a maximum of reflectance values when theview and illumination angles coincide. Takingadvantage of the Earth Observation: opticalData calibration and Information eXtraction(EODIX) field campaign which was developedin an agricultural area in Barrax (Albacete)where several flights were achieved with theAirborne Hyperspectral Scanner (AHS), thenext objective of this thesis is the comparisonof in situ measurements with airborne albedoderived with the MODIS BRDF model andwith the BRDF model that considers the HotSpot effect correction. Additionally, weevaluate the MODIS albedo product by com-paring satellite albedo images to airbornealbedo estimations. This study is achievedthrough pixel aggregation in order to get to thesame spatial resolution to the satellite images.Finally, looking for an improvement in theMODIS albedo temporal resolution and

Tesis doctoral

A model to estimate daily albedo from remote sensing data.Accuracy assessment of MODIS MCD43 product

Autora: Belen Franch GrasDirector: Jose A. SobrinoLugar: Parc Cientific, Universitat de ValenciaFecha: Abril 2013Calificación: Apto Cum LaudeDisponible: http://roderic.uv.es/handle/10550/26513


following Vermote et al. (2009) method (VJB)which allows the instantaneous estimation ofthe albedo, we have improved this methodologypresenting a more robust method. Therefore,the last objective of this thesis is the com-parison of the MODIS official product with theresults obtained with the VJB method and withthe improvement presented. Every method wasapplied to MODIS CMG daily data from bothAqua and Terra platforms over a Europeanscene from 2002 through 2011.

Additionally, we present two applicationsderived from the previous studies. Consideringthe airborne albedo obtained and studied du-ring the EODIX campaign we analyze theinfluence of its accuracy on the evapotrans-piration estimation. Finally, taking advantageof all the CMG MODIS dataset processed westudy the albedo temporal evolution over theEuropean scene considered and we examine itsinfluence on the land surface temperature andair temperature.

First of all, the influence study of includingthe BRDF coupling in the atmospheric correc-tion showed that the Lambertian assumptioncan be used satisfactorily in the derivation ofsurface reflectance and surface albedo. In fact,the obtained RMS of 1% in case of the surfacealbedo estimation meets the accuracy requi-rement of 5% suggested by the Global ClimateObserving System. However, it should be usedcarefully for high aerosol amounts since thiscan result in a significant error in the surfacereflectance estimation.

Regarding the MODIS BRDF/albedo pro-duct evaluation over an agricultural hetero-geneous area in the framework of the EODIXcampaign, we obtained good results whencomparing airborne albedo to in situ data witha RMSE of 0.018 both using the same BRDFmodel than MODIS (RTLSR model) and usingthe Hot Spot correction (RTLSR-HS model).However, the comparison between airborne andsatellite data led to a RMSE of 0.04 for bothmodels which can be consequence of thedifferent methodology applied to estimate theBRDF. While MODIS BRDF/albedo algorithmconsiders that the surface does not changeduring 16 days (a coarse approach when wor-king with agricultural sites), the AHS BRDFcorresponded to a single day composition.

Nevertheless, since airborne images presenteda good agreement with in situ data, the RMSEof 0.04 proves that MODIS BRDF/albedoproduct meets the required accuracy of 0.02-0.05 in the surface albedo estimation.

We compared the MCD43 MODIS productwith different BRDF inversion methodsthrough the white sky albedo analysis. The VJBmethod and the proposed methods provideequivalent results to the MCD43 MODISproduct (with errors around 5% along thedataset considered) but with the advantage ofa daily versus a 16-day basis temporal reso-lution. The proposed method suppose an alter-native method to the VJB that shows equivalentresults, is more robust and reduce significantlythe processing time needed for the retrieval ofBRDF parameters.

We analyzed the error committed by manyevapotranspiration studies that assume thesurface as Lambertian and estimate the albedofrom a surface reflectance weighted average.The results show that this approximation leadto relative errors in sensible heat flux, latentheat flux and daily evapotranspiration rangingbetween 23-39%, 6-18% and 5-15% respecti-vely. We observed higher errors for view zenithangles higher than 35º and along the hot spotregion. Therefore, for future evapotranspirationstudies we suggest the appropriate use of theRTLSR-HS modeled albedo.

Finally, we localized the pixels whichsuffered the highest albedo changes from 2002to 2011 through a Europe and northern Africascene, dividing the study into four categoriesof hazards responsible of the albedo increase:forest fires, wind storms, floods and droughts.Forest fires, located in the Iberian Peninsula,led to the highest albedo increases rangingfrom 0.02 to 0.05. After most of these eventswe detected an increase of the seasonal extremeLST proportional to the albedo increase whichlasts three to four years after the f ire eventwhile the albedo reestablishment takes longer.During the studied period a wind storm hitBordeaux region of Les Landes damaging largeforest areas which increased the albedo by 0.02.We observed an increase of the yearly averageLST of 6K and of 2K in case of the airtemperature during the year of the wind storm.We did not observe any influence of the albedo

126 B. Franch Gras / Revista de Teledetección (2013) 39, 125-127

increase on the temperature caused by the otherhazards. This study showed that natural hazardsthat origin surface albedo alteration mayimpact LST depending on the location of the

event (showing more impact on temperatureSouthern Europe sites) the magnitude of thehazard and the regional climate.

A model to estimate daily albedo from remote sensing data 127

The urban heat island (UHI) is an exampleof the local weather modif ication which in-volves the process of urbanization. It is definedas the temperature difference between theurban zone and the rural surroundings. Whena city expands, the natural surfaces are replacedfor artificial ones, with different structural andthermal properties. As a consequence, the ra-diative behaviour of the area changes. Theevaporation is reduced and the heating of theair in the lowest layer of the atmosphere isregulated by a surface with higher heat capacityand greater thermal admittance. Thus, heatenergy is retained throughout the day and it isreleased slowly overnight. The three-dimen-sional structure of city centres also play animportant role in the energy balance of the city.The basic unit of the urban structure is theurban canyon, formed by the walls of thebuildings and the street. This arrangementassists the multiple reflections of radiationbefore being released in the highest layers ofthe atmosphere, favoring the warming of theair in the canopy layer (UCL, layer of theatmosphere between the average height of thebuildings and the land). However, during theday, the presence of buildings shadows oftenmakes the air temperature recorded in the citylower than the one recorded in rural areas,directly exposed to sunlight.

The UHI phenomenon has effects on energyconsumption. While in cold climates it can cause

a reduction in the use of heating, in warmclimates, the overheating of the UHI means therise of the energy consumption due to coolingsystems used to achieve thermal comfort insidethe buildings. The UHI also concerns aboutpollution, as warm temperatures increase pho-tochemical harmful elements. However, themost striking effects of the UHI are those thatdirectly affect human health, like episodes ofinsomnia by exposure to high night temperaturesor more serious problems that can lead to death.

The UHI effect can be defined at differentatmospheric levels, depending on if the airtemperature is taken within the urban canopylayer or if it is in the boundary layer (UBL,layer above the canopy one). However, whenusing thermal remote sensing, the phenomenonis defined at surface level (surface UHI, SUHI)and it is measured as the difference betweenthe land surface temperature (LST) of the urbanand the LST of the non-urban area.

The objectives of this study are to evaluatethe urban heat island effect in the city of Ma-drid, to select from the algorithms in the litera-ture the one that best estimates the LSE and theLST of urban scenarios, to detect and quantifythe error sources of the overall remote sensingprocessing chain, and to propose the conditionsthat a satellite must accomplish to properlymonitor the heat island effect.

These goals have been solved from theanalysis and exploitation of the data registered

Tesis doctoral

Thermal Remote Sensing of urban areas.The case study of the Urban Heat Island of Madrid

Autora: Rosa C. Oltra CarrióDirectores: José A. Sobrino Rodríguez, Guillem P. Sòria BarresLugar: Física de la Terra i Termodinàmica. Facultat de Física. Universitat de ValènciaFecha: Abril 2013Calificación: Apto Cum LaudeDisponible: Tesis Doctorales UVEG: http://roderic.uv.es/handle/10550/26745


in the DESIREX campaign, which took placein Madrid from 23rd June to 6th July 2008.Different remote sensing images were acquiredat high (AHS), medium (ASTER) and low(MODIS) spatial resolution. The atmospherewas characterized with atmospheric soundingsand air and radiometric temperature were mea-sured in both fixed points and mobile traversesinside the city. Moreover, spectral emissivityof different surfaces was evaluated and used tovalidate our LST and LSE retrieval algorithms.

Three algorithms (NDVITM, TES and TISI)have been used to retrieve the LSE from the AHSimagery. Results have been compared with in-situ data obtaining an error of 5.6% for theNDVITM, of 3.9% for the TES and of 3.0% forthe TISI methods. Then, LSE maps have beenintroduced in the SW algorithm to obtain theLST of the city, which has been validated againstin-situ measurements, obtaining an RMSE of2.9 K for the NDVITM and of 2.0 K for the TESand TISI approaches when man-made materialsare used in the validation process. According tothe results, the recommended algorithm wouldbe either the TES or the TISI method.Nevertheless, taking into account the spectraland temporal necessities of each of them, wefinally recommend the TES algorithm.

Therefore, the TES method is used toretrieve LST and LSE from all the acquiredAHS high resolution images. The vicariouscalibration of the thermal bands of the sensorgave an RMSE of 1 K and the validation of theLST product showed an RMSE of 1.4 K fornight images, when the scene is more homoge-neous. From the observation of the LST mapswe concluded that the urban areas present aneffective anisotropy that is clearly reduced atnight, when there are no directly irradiatedsurfaces and LSTs are more similar. The SUHIis analysed at different spatial resolutions. Theresults from different platforms are not directlycomparable, as the different view zenith angleof each acquisition leads to the observation ofdifferent surfaces even if the same area isexamined. Nevertheless the SUHI values per-form similarly for all the platforms, with posi-tive values (maximum below 5 K) during thenight and near zero or even negative valuesduring daytime. AT registered over the build-ings has been used to estimate the atmospheric

UHI at the UBL, while at the UCL it has beenretrieved from mobile traverses inside the city.Both phenomena evolute quite similar and,when compared with the SUHI effect, we haveconcluded that at night the atmospheric and thesurface effects match better than at midday.

Once we have processed all the AHS imageryand the SUHI has been analysed from the LSTmaps obtained, we studied the errors introducedin the LST and LSE products during all theprocessing procedure. Three different sourcesare proposed. First, the algorithm itself, whichmay not perform well for all the man-madematerials found in a city. Second, the atmos-pheric correction performed with atmosphericsoundings may not reproduce the urban atmos-phere. And third, the 3D structure of the urbanenvironment is taken into account. The influenceof the roughness of the surface has been studiedover the asphalt, which is the material commonlyfound at the bottom of the urban canyons.Therefore the three error sources over the asphaltmaterial lead to a global error of 0.7% in LSEand of 0.5 K in LST. The error introduced by theTES algorithm is quite small and the highestinfluence is due to the atmospheric correctionand by the urban structure itself. When the mostrepresentative urban materials are considered,only the first two error sources are consideredand the overall error obtained is of 1.8% for theLSE and 1 K for the LST, the TES algorithmitself being the main source of error.

Finally, we obtained aggregated spatialresolution images from the 4 m AHS imagery.We introduced the SUHIM to evaluate thesuitable spatial resolution to observe a city andwe found that 50 m is the boundary resolutionto differentiate the thermal performances bet-ween different areas of the city. The visit timethat minimises the influence of the acquisitiongeometry and facilitates the relation betweenthe heat island phenomenon at surface and atatmosphere levels is before sunrise. In addition,is at night when the thermal discomfort affectsmore the citizens, as it can perturb the cycle ofsleep. Therefore, for an adequate observationof the UHI phenomenon, a sensor should haveat least a spatial resolution of 50 m, and placedaboard a sun synchronous platform which ac-quires data before sunrise, with similar require-ments as for NEΔT than existing sensors.

Thermal Remote Sensing of urban areas. The case study of the Urban Heat Island of Madrid 129

Nº 39 - Junio 2013


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


Nº 39 JUNIO 2013


Elaboración y validación de un modelo jerárquico derivado de SIOSE.I. Cantarino Martí

Evolución del albedo en Europa e influencia en la temperatura.B. Franch y J.A. Sobrino

Clasificación de unidades geológicas sobre la superficie lunar.I. Ordóñez Etxeberria y A. Bastarrika Izagirre

Estimación de la evapotranspiración real en ecosistemas mediterráneos de Chile mediante datosASTER y MODIS.L. Olivera, C. Mattar y M. Galleguillos

Estudio de la variación angular de la emisividad del crudo para la identificación de vertidos ma-rinos en el infrarrojo térmico.R. Niclòs, C. Doña, M. Bisquert, E. Valor y V. Caselles

Modelos espaciales de la dinámica de la vegetación en escenarios de cambio climático en el «Tim-berline» selva nublada - paramo de la vertiente norte de la Sierra Nevada de Mérida (Venezue-la); escenario B1 y situacion constante.W. Santaella

CASOS PRÁCTICOS

Simple models to estimate soybean and corn percent ground cover with vegetation indices fromMODISM. Bocco, G. Ovando, S. Sayago y E. Willington

Cartografía de la cobertura de la tierra basada en la clasificación espectro-temporal de imágenesLandsat 7-ETM+ y en una leyenda de clases de ocupación del suelo en un territorio de Cuba oc-cidental.D. R. Ponvert-Delisles Batistay I. Reyes Alonso

Monitoring macrophytes cover and taxa in Utah Lake by using 2009-2011 Landsat digital imagery.S. Rivera, K. Landom y T. Crowl

Realización de mapas de cobertura de la tierra a partir de imágenes polarimétricas.D. Hernández, D. Pinilla

TESIS DOCTORAL: Discriminación de infestaciones de malas hierbas crucíferas en cultivos anua-les de invierno utilizando imágenes de alta resolución espacial mediante métodos basados en pí-xeles, objetos y redes neuronales para su control de precisión

TESIS DOCTORAL: A model to estimate daily albedo from remote sensing data. Accuracy as-sessment of MODIS MCD43 product

TESIS DOCTORAL: Thermal Remote Sensing of urban areas. The case study of the Urban HeatIsland of Madrid

RE

VIS

TA D

E T

ELE

DE

TE

CC

IÓN

•N

º 39

•JU

NIO

2013

nº 39 - junio 2013 revista de teledetección · una publicación científico-técnica en la cual...

Documents