para el estudio de la vegetacion en suramerica

INTRODUCCIN

Hasta el momento, Pathfinder AVHRR Land(PAL) es la base de imgenes de satlite de mayorextensin temporal y espacial disponible en lo queconcierna al visible y al infrarrojo trmico. La basede imgenes de satlite GIMMS es una versinmejorada de PAL en el caso del NDVI, tomando encuenta los efectos de deriva de orbite y de contami-nacin por los aerosoles volcnicos. Su utilizacinpara el seguimiento de la vegetacin ha sido princi-palmente centrada en el hemisferio norte, como se

refleja en varios trabajos (Myneni et al., 1997; Tuc-ker et al., 2001; Zhou et al., 2001; Bogaert et al.,2002; Zhou et al., 2003). Esos trabajos han identifi-cado una tendencia a la aumentacin de la vegeta-cin, en particular en Eurasia (Myneni et al., 1997;Tucker et al., 2001; Zhou et al., 2001), donde latendencia es persistente (Bogaert et al., 2002), ydonde la temporada de crecimiento se ha extendido(Zhou et al., 2003).

Para estudios de zonas de gran extensin espa-cial, como, en el caso que nos interesa, Amrica delSur, la diferencia entre los diferentes tipos de vege-

Revista de Teledeteccin. 2007. 27: 17-26

N. 27 - Junio 2007 17

Anlisis Multitemporal de Imgenes PAL parael estudio de la vegetacin en Suramrica

Y. Julien1, J. A. Sobrino1, L. Morales2

1 Global Change Unit, Department of Thermodynamics, University of Valenciac/ Dr Moliner, 50, 46100, Burjassot, Spain.

2 Departamento de Fsica, Universidad Tecnolgica Metropolitana, Av. Jos Pedro Alessandri 1242,Casilla 9845, Santiago, Chile, & Departamento de Ciencias Ambientales y Recursos

Naturales Renovables, Facultad de Ciencias Agronmicas, Universidad de Chile,A. Santa Rosa 11315, Casilla 1004, Santiago, Chile.

RESUMEN

En el presente trabajo ha sido aplicado un algorit-mo de clculo de temperatura de superficie a todo elconjunto de la base de datos Pathfinder AVHRR Land(PAL), con el objeto de estudiar la evolucin de lavegetacin en Amrica del Sur. Este parmetro, juntocon el NDVI, permitir observar los cambios en lavegetacin entre Julio del 1981 y Septiembre del2001. Asimismo, una clasificacin de la zona de estu-diosa sido realizada, basada en los tipos de vegetaciny los regimenes trmicos, a travs del NDVI y deldato de temperatura del aire a 2 metros de altura pro-porcionado por la base de datos Reanalysis. As, ladiferenciacin entre las reas que presentan una vege-tacin similar, pero una climatologa muy diferente,es posible, como ocurre por ejemplo en las regionestropicales y montaosas. La evolucin de la tempera-tura de superficie en el periodo estudiado es muydependiente del satlite correspondiente y de la deri-va de la orbita, lo que necesita de una adecuadacorreccin. El NDVI se ve muy afectado por la erup-cin del Monte Pinatubo en Junio del 1991, quecorrompe temporalmente los datos.

PALABRAS CLAVE: Temperatura de Superficie,NDVI, clasificacin, PAL.

ABSTRACT

In this paper, an algorithm has been applied to thecalculation of land surface temperature to the wholePathfinder AVHRR Land (PAL) database, in order tostudy the evolution of the vegetation in South Ameri-ca. This parameter, along with NDVI, will allow theobservation of changes of the vegetation betweenJuly of 1981 and September of 2001. A classificationof the study area has been also realized, which isbased upon vegetation types and thermal patterns,through PALs NDVI data and Reanalysis Air Tem-perature at 2 meters height. This way can be distin-guished areas which present similar vegetation, butdifferent climatology, as for example tropical andmountainous zones. The land surface temperatureevolution during the studied period shows a strongdependency with the corresponding satellite and withorbital drift, which needs an adequate correction. TheNDVI data show the impact of Mount Pinatuboseruption of June 1991, which corrupts temporarily thedata.

KEY WORDS: Land Surface Temperature, NDVI,classification, PAL.

tacin (del desierto de Atacama a las selvas tropica-les del Amazonas) y el tamao de la serie de datosimplican el uso de una clasificacin para analizarlas evoluciones temporales de las diferentes clases.Existen varias clasificaciones en la literatura (porejemplo, la clasificacin IGBP del USGS-UnitedStates Geological Survey), pero han sido elabora-das a partir de datos conseguidos durante un ao, oun promedio de aos, lo que implica que su usopara la deteccin de cambios es difcil. Por esasrazones, una clasificacin realizada a partir de lospropios datos es necesaria.

A continuacin se presentan los algoritmos usa-dos para determinar la temperatura de superficie, atravs de la estimacin de la emisividad y del con-tenido total en vapor de agua atmosfrico, para pos-teriormente realizar una clasificacin de la zona deestudio y finalizar con la presentacin de los resul-tados obtenidos.

METODOLOGA

Esta parte esta dividida en cuatro apartados, enlos que se presentan la zona de estudio, las bases dedatos utilizados, los algoritmos empleados, ascomo el mtodo de clasificacin de la zona.

2.1. Zona de estudio

La zona considerada para este estudio es Ameri-ca del Sur, con las siguientes coordenadas: longitudde 90W a 30W, latitud de 20N a 60S. Esta zonapresenta una gran variedad: desiertos (Atacama enChile), zonas semi-ridas (Patagonia), regionespolares (Terra del Fuego), selva tropical (Amazo-nas), cultivos (por ejemplo cereales, en la costa deBrazil), alta montaa (los Andes).

La cobertura nevosa permanece durante granparte del ao en las Andes y en las zonas del sur delcontinente, mientras que la zona ecuatorial es sujetaa precipitaciones a lo largo de todo el ao, la cober-tura nubosa pudiendo permanecer durante semanas.

2.2. Datos

2.2.1. Pathfinder AVHRR Land (PAL)

PAL proporciona imgenes globales de la Tierra auna resolucin espacial de 88 km, y a una resolu-cin temporal de 10 das, desde Julio del 1981 hasta

Septiembre del 2001. 5 imgenes estn proporcio-nadas para cada periodo de 10 das, una en el visi-ble (canal 1), una en el infrarrojo prximo (canal 2),dos en el infrarrojo trmico (canales 4 y 5), ascomo una imagen de NDVI. Estas imgenes sonobtenidas a partir del mtodo llamado MaximumValue Compositing (MVC), que consiste en elegirpara cada periodo de 10 das, y para cada pxel dela imagen, el da por el que el valor de NDVI esmximo, con el fin de disminuir, entre otros efectos,el de las nubes (Holben, 1986; James & Kalluri,1994). En la base de datos PAL, los efectos atmos-fricos estn corregidos siguiendo el mtodo deGordon et al. (1988), que incluye una correccin dela absorcin por el ozono (McPeters et al., 1993)

2.2.2. Reanalysis

La base de datos Reanalysis es elaborada por elNCEP (National Center for Environmental Predic-tion) y el NCAR (National Center for AtmosphericResearch), y contiene diferentes datos meteorolgi-cos a una resolucin de 2.5 por 2.5, empezando enel ao 1948, y es actualizada cada mes. Los datosestn proporcionados a una resolucin temporaldesde horaria (cada 6 horas) a mensual (para msdetalles, ver Kistler et al., 2001).

2.3. Algoritmos

Para calcular la Temperatura de SuperficieTerrestre utilizamos el mtodo desarrollado porSobrino & Raissouni (2000). Primero, estimamos laemisividad (a partir del NDVI) y luego el conteni-do total en vapor de agua atmosfrico. Puesto quelos datos de PAL estn proporcionados sin filtradode nubes a una escala continental, un algoritmo dedeteccin de nubes ha sido desarrollado, que prsen-tamos posteriormente.

2.3.1. NDVI

Este dato esta proporcionado directamente en labase de datos PAL, puesto que se utiliza para ela-borar las imgenes composites de 10 das. Calcula-mos el NDVI utilizando las reflectancias en el rojo(Ch1) y en el infrarrojo prximo (Ch2):

(1)

Este dato ser utilizado para estimar la emisividad.

Y. Julien, J. A. Sobrino y L. Morales

18 N. 27 - Junio 2007

2.3.2. Emisividad

Siguiendo a Sobrino & Raissouni (2000), cadaimagen ha sido dividida en tres zonas, dependiendodel valor de NDVI. Estimamos la emisividad media

(promedio de las emisividades para los canales 4y 5 del sensor AVHRR) y la variacin espectral deemisividad (diferencia de emisividad entreambos canales) de la manera siguiente:

NDVI < 0.2Consideramos que la superficie es un suelo des-nudo, del que la emisividad se calcula a partir dela reflectancia en el canal 1:

= 0.980 0.042Ch1 (2)= -0.003 0.029Ch1 (3)

0.2 < NDVI < 0.5Consideramos que la superficie es una mezcla de

suelo desnudo y de vegetacin, de la que la emisi-vidad se puede estimar a partir de la proporcin devegetacin Pv:

= 0.971 + 0.018Pv (4)= 0.006(1- Pv) (5)

donde Pv se calcula a partir del propio NDVI (Carl-son & Ripley, 1997):

Pv = (NDVI 0.2)2 / 0.09 (6)

NDVI > 0.5Consideramos que la superficie corresponde a

una vegetacin homognea, de la que se puede esti-mar la emisividad como:

= 0.985 (7)= 0 (8)

Este mtodo permite la estimacin de la emisivi-dad con un error de 0.01 (Sobrino et al., 1999)

2.3.3. Contenido total en vapor de agua atmosfrico

El contenido total en vapor de agua atmosfricoes estimado con la tasa de varianza-covarianza(R54), la cual se calcula a partir de un vecindario depxeles de las imgenes en los canales 4 y 5:

(9)

siendo T4k y T5k respectivamente las temperaturasradiomtricas de cada pxel del vecindario conside-rado en las imgenes de los canales 4 y 5, y T4o yT5o son respectivamente los valores promedios paraese mismo vecindario en las imgenes de los cana-les 4 y 5.

Con esta tasa de varianza-covarianza estimamosel contenido total en vapor de agua atmosfrico W:

W = 0.26 - 14.253 cos( ) ln R54 -11.649 (cos ( ) ln R54))

Este mtodo (ver Sobrino et al., 1999) proporcio-na una estimacin del contenido total en vapor deagua atmosfrico con un error de 0.5 gcm-2.

2.3.4. Temperatura de Superficie Terrestre

A partir de los valores estimados anteriormente(emisividad media, variacin espectral de emisivi-dad, vapor de agua), estimamos la Temperatura deSuperficie Terrestre (Ts), usando la formulasiguiente:

Ts = T4 + 1.40(T4-T5) + 0.32(T4-T5)2

+ 0.83 + (57-5W)(1- ) (161-30W)(11)

Esta temperatura se obtiene con un error de 1.3 K(Sobrino & Raissouni, 2000)

2.3.5. Filtrado de nubes

Debido a la presencia de nubes durante periodossuperiores a 10 das para algunas zonas de Amricadel Sur (especialmente en el Amazonas), un filtradoadicional de nubes es necesario. Este filtrado sebasa en el mtodo de Saunders & Kriebel (1988) yutiliza los siguientes tres tests para detectar la pre-sencia de pxeles contaminados de nubes:

Ch1 < A AND Ts < 280 (12)

< 1.6 AND Ts < 280 (13)

T = (T4-T5) < B(T4) (14)

siendo A un umbral dinmico establecido como tresveces el valor de reflectancia (del canal 1) quecorresponde al promedio de los valores identifica-dos como tierra, y donde B(T4) es un valor umbralfuncin de la temperatura radiomtrica T4 (Saun-ders & Kriebel, 1988).

Anlisis Multitemporal de Imgenes PAL para el estudio de la vegetacin en Suramrica

N. 27 - Junio 2007 19

2.4. Clasificacin

En este estudio hemos trabajado con la base dedatos PAL en su integridad, recortando las imge-nes a Amrica del Sur. Esta base de datos contienems de 700 imgenes de 801x601 pxeles. Por razo-nes de tiempos de procesamiento, un estudio pxel-a-pxel de la evolucin de varios parmetros, comoNDVI o temperatura de superficie, es irrealista.Consecuentemente, los autores optaron por un an-lisis simplificado, que consiste en una clasificacinde la zona de estudio. Para poder tomar en cuentalos cambios que podra haber sufrido la zona deestudio, una clasificacin en funcin de los propiosdatos es imprescindible. En nuestro caso, la clasifi-cacin se debera elaborar a partir de los datos deLST y NDVI. Price (1991) ha mostrado que losdatos trmicos medidos por los satlites NOAAsufren de una deriva de orbita, lo que vuelve iluso-ria una clasificacin basada en el dato de LST. Paraconstruir la clasificacin, los autores han elegido eldato de temperatura del aire que proporciona labase de datos Reanalysis, por ser un dato muycorrelado al de LST, a travs de la cobertura vege-tal en particular.

Asimismo, la clasificacin utilizada en este traba-jo esta elaborada a partir de dos clasificaciones pre-vias. La primera clasificacin identifica la dinmi-ca temporal anual de la vegetacin en la zona,asociada a tipos de vegetacin, mientras que lasegunda identifica su rgimen trmico. Eso es nece-sario porque diferentes tipos de vegetacin puedentener los mismos 2 primeros momentos estadsticos(promedio y desviacin estndar), y con una evolu-cin temporal muy diferente. Por ejemplo, el valormximo del NDVI en zonas ridas se obtiene entreuno a tres meses antes que el de zonas templadas. Sise omite considerar el rgimen trmico, estos dosdiferentes tipos de vegetacin se podran mezclaren la misma clase, la cual impedira mostrar unaevolucin temporal coherente: solo el comporta-miento de la clase dominante seria visible.

2.4.1. Clasificacin segn la vegetacin

Esta clasificacin esta elaborada usando el mto-do descrito en Morales et al. (2004). En una prime-ra etapa, este mtodo necesita calcular un ao pro-medio de valores NDVI. Esto se hizo promediandoprimero todas las imgenes adquiridas durante elmes de Enero de cada ao, con el fin de obtener unaimagen promedio de Enero, y luego se repiti estaoperacin con todos los meses del ao. A partir de

este ao promedio, computamos el valor promedioy el coeficiente de variacin del NDVI. Calculamosel coeficiente de variacin como sigue:

CV = 100 x (15)

siendo n- el valor promedio de NDVI, y es la des-viacin estndar del NDVI durante el ao promedio.

Una vez obtenidas estos dos valores para cadapxel de la zona de estudio, en una clasificacin porumbrales de media y coeficiente de variacin,podemos distinguir nueve clases, dependiendo delvalor de ambos parmetros. Los valores de NDVIestn divididos de la manera siguiente:

NDVI 0.2: suelo desnudo, 0.2 < NDVI 0.5: mezcla de suelo desnudo y

de vegetacin, NDVI > 0.5: solo vegetacin,

Mientras que se divide al coeficiente de variacincomo sigue:

CV 3%: variabilidad baja, 3% < CV 6%: variabilidad media, CV > 6%: variabilidad alta.

2.4.2. Clasificacin segn el rgimen trmico.

Esta segunda clasificacin se elabora a partir deldato de temperatura del aire a 2 metros de altura,obtenida del Reanalysis por la Universidad de Dela-ware (USA). Usamos este dato para calcular, paraun ao promedio, los das-grados (Dg), como intro-ducido por Raumur (1735): de todos los das delao promedio se seleccionan los que tuvieron unatemperatura del aire promedio superior o igual a10C (T), que se suman para obtener los das-gra-dos, de acuerdo a la ecuacin:

Dg = (T - 10C) (16)

Obtenemos as un mapa de la zona de estudio,que hemos dividido en cinco zonas, segn el rgi-men trmico, como definido por Thornthwaite(1948):

Dg < 500: microtermal, 500 Dg < 1000: infratermal, 1000 Dg < 3000: mesotermal, 3000 Dg < 5000: supratermal, Dg > 5000: macrotermal.


20 N. 27 - Junio 2007

2.4.3. Clasificacin final

A partir de las nueve clases obtenidas de la pri-mera clasificacin, y, de las cinco clases de lasegunda, elaboramos la clasificacin final mediantecruzamiento de tablas. De las 45 posibles clases seobtienen 41 clases, pero algunas contienen muypocos pxeles, as que todas las clases con menos demil pxeles son redistribuidas a las clases las mscercanas geogrficamente. Una vez realizada estaoperacin, pasamos un filtro de moda (o de mayo-ra) sobre la imagen clasificada, lo que deja 14 dife-rentes clases.

A partir de esta clasificacin, nos proponemosestudiar la evolucin de la vegetacin, primerodurante un ao promedio, lo que permitir observarlos comportamientos anuales para las distintas cla-ses. En un segundo tiempo, estudiaremos la evolu-cin a largo plazo durante los 20 aos de datos PAL.Esos dos estudios sern llevados a cabo promedian-do los valores de un parmetro dado dentro de unaclase dada.

RESULTADOS

En esta parte presentamos las clasificacionesobtenidas por los mtodos expuestos precedente-mente, as como las evoluciones de NDVI y LSTpor clase, a nivel anual y a largo plazo.

3.1. Clasificaciones

3.1.1. Clasificacin segn el NDVI

En la figura 1 mostramos la clasificacin segn elNDVI. En esta figura, los valores promedios deNDVI bajos (clases 1 a 3) se diferencian de losvalores de NDVI medios (clases 4 a 6) y de losvalores de NDVI altos (clases 7 a 9). Los valores decoeficiente de variacin bajo corresponden a lasclases 1, 4 (casi inexistente) y 9. Los valoresmedios del coeficiente de variacin corresponden alas clases 2, 5 y 8, mientras que los valores altos seencuentran en las clases 3, 6 y 7. Las clases 1 y 2


N. 27 - Junio 2007 21

Figura 1. Clasificacin segn la vegetacin. Las claseslas ms bajas representan las zonas con muy poca vege-tacin, mientras que las ms altas representan vegetacinms densa.

Figura 2. Clasificacin segn el rgimen trmico. Los regi-menes trmicos son los siguientes: 1 - microtermal; 2 - infra-termal; 3 - mesotermal; 4 - supratermal; 5 - macrotermal.

son zonas montaosas, mientras que la clase 3 inclu-ye las zonas ridas y semiridas. Las clases 4, 5 y 6son compuestas de pastos y zonas de cultivos. Laclase 7 es una mezcla de cultivos y bosques, mientrasque las clases 8 y 9 son principalmente bosques tro-picales (ver clasificacin IGBP, por ejemplo).

3.1.2. Clasificacin segn el rgimen trmico

En la figura 2 mostramos la clasificacin segn elrgimen trmico. En esta clasificacin, las claseslas ms fras son las clases 1 y 2, correspondiendoa las zonas montaosas y al sur del continente. Laclase 3 corresponde a las zonas ridas y semiridas,mientras que las clases 4 y 5, ms calidas, estnsituadas alrededor del ecuador, y incluyen princi-palmente bosque tropical y cultivos.

3.1.3. Clasificacin final

En la figura 3 presentamos la clasificacin final.Las 3 primeras clases estn asociadas con zonas

montaosas, la clase nmero 4 concierne nicamen-te a las zonas ridas y semiridas, mientras que lasclases 11 a 14 corresponden a bosques tropicales.

Para validar esta clasificacin, la hemos compa-rado con una clasificacin segn los regimenes dehumedad, elaborada por el CAZALAC (Centro delAgua para Zonas ridas y semiridas de Latino-Amrica y el Caribe) de Chile (Lobo et al., 2005).La eleccin de esta clasificacin (ver figura 4) sedebe a la escasez de clasificaciones parecidas al tra-bajo que presentamos aqu. Una simple compara-cin visual permite realizar el grado de similitudentre estas dos clasificaciones.

3.2. Evolucin

3.2.1. Evolucin estacional

Para estudiar la evolucin de la vegetacin enAmrica del Sur durante las diferentes estacionesdel ao, calculamos un ao promedio para cada


22 N. 27 - Junio 2007

Figura 3. Clasificacin final. Las 3 primeras clases son aso-ciadas con zonas montaosas, la clase nmero 4 describezonas ridas y semiridas, mientras que las clases 11 a 14describen bosques tropicales.

Figura 4. Mapa de zonas ridas adaptada del proyectoCAZALAC. Ver texto para ms detalles.

parmetro estimado. Estos fueron calculados comose ha explicado anteriormente en el caso del NDVI.

Mostramos respectivamente en las figuras 5.a) y5.b) las evoluciones anuales de temperatura de super-ficie y NDVI. Para asegurarnos que estas evolucionesson coherentes, mostraremos las evoluciones anualesde la temperatura del aire a 2m y de la precipitacinrespectivamente en las figuras 5.c) y 5.d). Estas dosltimas series son extradas de la base de datos mete-orolgicos Reanalysis. Comparando las figuras 5.a) y5.c), uno puede observar que las evoluciones tienenunas tendencias similares, con generalmente unamenor amplitud trmica para la temperatura del aire.Se puede tambin observar que la diferencia entreambas temperaturas varia con las clases, siendo lasclases que corresponden a una vegetacin ms densalas que presentan una diferencia menor de temperatu-ra. Para facilitar la comparacin, la tabla 1 presentalos valores de amplitud de LST y temperatura del aire(TA), la diferencia entre estas dos amplitudes, ascomo su nter-correlacin. Las correlaciones entreLST y TA son altas para las clases 1 a 10, confirman-

do el anlisis visual de las evoluciones. Las clases 11a 14, siendo las que ven una temperatura casi cons-tante a lo largo del ao (amplitudes de temperatura delorden de 5 K o menos), tienen una correlacin menor.

clase Amplitud Amplitud Diferencia CorrelacinLST (K) TA (K) amplitud (LST y TA)

entre LSTy TA (K)

1 25.52 10.47 15.05 0.922 17.33 6.78 10.55 0.823 30.07 11.87 18.2 0.904 21.86 10.68 11.18 0.955 19.35 11.18 8.17 0.956 17.04 11.41 5.63 0.877 13.91 9.94 3.97 0.888 7.23 5.15 2.08 0.839 8.97 6.22 2.75 0.9410 4.38 1.23 3.15 0.9711 5.43 3.68 1.75 0.6812 4.21 1.37 2.84 0.3913 2.85 2.08 0.77 0.4714 4.41 2.42 1.99 0.70

Tabla 1. Comparacin entre las evoluciones anuales deLST y temperatura del aire (TA)


N. 27 - Junio 2007 23

*Figura 5. Evoluciones durante un ao (promedio de los 20 aos de datos) de a) Temperatura de Superficie; b) NDVI; c) Tem-peratura del Aire a 2m; d) Precipitacin. Los dos primeros datos provienen de la base de datos PAL, mientras que los dosltimos provienen de la base de datos Reanalysis

Todas las figuras precedidas de asterisco se incluyen en el cuadernillo anexo de color

Las figuras 5.b) y 5.d) muestran tambin unasevoluciones similares, pero variando las amplitudespara cada clase. La tabla 2 muestra las amplitudesanuales de NDVI y precipitacin, as que su coefi-ciente de correlacin. La nica clase presentandouna correlacin alta es la clase 6.

Amplitud Amplitud CorrelacinClase NDVI PP (NDVI y PP)

(cm/mes)

1 0.03 2.25 0.30

2 0.11 3.33 0.71

3 0.03 3.19 0.61

4 0.03 1.46 0.05

5 0.08 5.50 0.67

6 0.11 4.38 0.91

7 0.09 6.65 0.36

8 0.19 14.78 0.38

9 0.19 15.04 0.31

10 0.05 6.64 -0.06

11 0.10 4.51 0.27

12 0.16 18.74 0.18

13 0.05 10.73 0.31

14 0.04 20.48 0.22

Tabla 2. Comparacin entre las evoluciones anuales deNDVI y precipitacin (PP)

3.2.2. Evolucin a largo plazo

Las evoluciones a largo plazo de la temperaturade superficie terrestre y del NDVI fueron computa-das para todo el conjunto de datos de la base PAL.Las figuras 6.a) y 6.b) muestran estos resultados.En ambas grficas las lneas verticales negras sea-lan las fechas de cambio de satlite (ver tabla 3), yla lnea vertical roja la erupcin del Monte Pinatu-bo (Junio del 1991).

Nmero de Fechas de actividad Nmero desatlite de los satlites imagen

NOAA 7 11/1981 01/1985 0 127

NOAA 9 02/1985 10/1988 128 262

NOAA 11 04/1989 09/1994 263 473

NOAA 14 01/1995 07/2001 485 721

NOAA 16 09/2000 689 727

Tabla 3. Fechas de actividad de los satlites NOAA, y

nmeros de imgenes correspondientes

Por lo que concierna a la evolucin a largo plazode la temperatura de la superficie, es evidente quelos cambios de satlites afectan a los datos: cadacambio de satlite es acompaado por un incremen-to en la temperatura, seguido por una disminucinprogresiva de la temperatura de superficie duranteel periodo de actividad del satlite. Price (1991)evidenci este efecto, llamado deriva de orbita, queimpide la utilizacin de los datos trmicos delAVHRR para comparaciones interanuales.

Por lo que se refiere a la evolucin a largo plazodel NDVI, el efecto de la deriva de orbite no es tanevidente, como demostraron Kaufmann et al.(2000). No obstante, la erupcin del Monte Pinatu-bo en Junio del 1991 afecto a la adquisicin de losdatos, por la gran cantidad de aerosoles emitidos(ver Gleason et al., 2002; Lucht et al., 2002). Tam-bin se puede observar a partir del 2000 una dismi-nucin del NDVI independientemente de la clase,lo que podra explicarse por un problema con elsensor AVHRR a bordo del NOAA-16.

DISCUSIN Y CONCLUSIN

En el presente trabajo se ha desarrollado unametodologa para el estudio a largo plazo de lavegetacin en Sudamrica, a travs de la clasifica-cin de la zona a partir de datos satelitales y mete-orolgicos. Por la falta de fiabilidad de los datos detemperatura de superficie, la clasificacin no pudoser elaborada solo a partir de los datos, como seraconveniente para la observacin de los cambiospadecidos. La clasificacin construida esta basadaen la evolucin anual del NDVI (obtenido del PAL)y de la temperatura del aire a 2 metros de altura(obtenida del Reanalysis). Esta clasificacin escomparable a clasificaciones climticas, como ladel CAZALAC (basada en el rgimen hdrico). Estaclasificacin permite sacar tendencias anuales y alargo plazo conformes con resultados publicadosanteriormente, lo que confirma la validez de estetrabajo. No obstante, la base de datos PAL sufre dela deriva de orbite de los satlites NOAA, lo quenecesita una correccin adecuada. Esta correccin ya ha sido llevada a cabo en el caso del NDVI (basede datos GIMMS), pero sigue por hacer en el tr-mico. Este tipo de correccin no es fcil, tal y comopuede verse en los trabajos de Jin & Treadon (2003)y Pinheiro et al. (2004). En la actualidad los auto-res estn trabajando en el desarrollo de un mtodooperativo que permita evaluar esta correccin.


24 N. 27 - Junio 2007

AGRADECIMIENTOS

Los autores quieren agradecer la AECI (proyectoA/229/03) del Ministerio de Asuntos Exteriores, ala Unin Europea (proyecto EAGLE: SST3-CT-2003-502057), as como el Ministerio de Ciencia yTecnologa (proyecto REN2001-3105/CLI) por laayuda econmica prestada.

REFERENCIAS

BOGAERT, J., ZHOU, L., TUCKER, C. J.,MYNENI, R. B. & CEULEMANS, R., 2002.Evidence for a persistent and extensive greeningtrend in Eurasia inferred from satellite vegetation

index data. Journal of Geophysical Research,Vol. 107(D11), 10.1029/2001JD001075.

CARLSON, T. N. & RIPLEY, D. A., 1997. On therelation between NDVI, fractional vegetationcover, and leaf area index. Remote Sensing ofEnvironment, 1997, 62 (3): 241-252.

GLEASON, A., PRINCE, S., GOETZ, S. &SMALL, J., 2002. Effects of orbital drift on landsurface temperature measured by AVHRR ther-mal sensors, Remote Sensing of Environment,2002, vol. 79, 147-165.

GORDON, H. R., BROWN, J. W. & EVANS, R.H., 1988. Exact Rayleigh scattering calculationsfor use with the Nimbus- 7 coastal zone colorscanner. Applied Optics, 27:2111-2122.


N. 27 - Junio 2007 25

*Figura 6. Evoluciones a largo plazo de a) Temperatura de Superficie; b) NDVI.Las lneas verticales negras muestran lasfechas de cambio de satlites (ver tabla 1), mientras que la lnea vertical roja muestra la erupcin del Monte Pinatubo(Junio del 1991).

Todas las figuras precedidas de asterisco se incluyen en el cuadernillo anexo de color

HOLBEN, B. N., 1986. Characteristics of maxi-mum values composite images from temporalAVHRR data. International Journal of RemoteSensing, 1986, Vol. 7, 1417-1434.

JAMES, M. E. & KALLURI, S. N. V., 1994.TheAVHRR Land data set: an improved coarse reso-lution data set for terrestrial monitoring, Interna-tional Journal of Remote Sensing, 1994, vol. 15,3347-3363.

JIN, M. & TREADON, R. E., 2003. Correcting theorbit drift on AVHRR land surface skin tempera-ture measurements, International Journal ofRemote Sensing, 2003, vol. 24, no. 22, 4543-4558.

KAUFMANN, R., ZHOU, L., KNYAZIKHIN, Y.,SHABANOV, N., MYNENI, R. & TUCKER, C.,2000. Effect of orbital drift and sensor changeson the time series of AVHRR vegetation indexdata, IEEE Transactions on Geoscience andRemote Sensing, vol. 38, no. 6, 2584-2597.

KISTLER, R., KALNAY, E., COLLINS, W.,SAHA, S., WHITE, G., WOOLLEN, J., CHE-LLIAH, M., EBISUZAKI, W., KANAMITSU,M., KOUSKY, V., VAN DEN DOOL, H.,JENNE, R. & FIORINO, M., 2001. The NCEP-NCAR 50-year Reanalysis: Monthly Means CD-ROM and Documentation. Bulletin of the Ameri-can Meteorological Society, 2001, 82, 247-267.

LOBO, L. D., GABRIELS, D., OVALLES, F.V.,SANTIBAEZ, F., MOYANO, M.C., AGUILE-RA, R., PIZARRO, R., SANGESA, C. & URRA,N., 2005. Gua metodolgica para la elaboracindel mapa de zonas ridas, semiridas y subhme-das secas de Amrica Latina y el Caribe, UNES-CO-PHI Program (website: http://www.cazalac.org/mapa_alc_guia.html).

LUCHT, W., PRENTICE, I. C., MYNENI, R. B.,SITCH, S., FRIEDLINGSTEIN, P., CRAMER,W., BOUSQUET, P., BUERMANN, W. &SMITH, B., 2002. Climatic Control of the high-latitude vegetation greening trend and Pinatuboeffect. Science, 296: 1687-1689.

MCPETERS, R. D., et al., 1993. Nimbus-7 TotalOzone Mapping Spectrometer (TOMS) Data Pro-ducts Users Guide. NASA Reference Publication1323.

MORALES, L., CASTELLARO, G., SOBRINO, J.A. & EL KHARRAZ, J., 2004. Land cover dyna-mic monitoring in the region of Coquimbo(Chile) by the analysis of multitemporal NOAA-AVHRR NDVI images. ISPRS Conference, Com-mission VI, 12-23 July 2004, Istanbul, Turquia.

MYNENI, R. B., KEELING, C. D., TUCKER, C. J.,

ASRAR, G. & NEMANI, R. R., 1997. Increasedplant growth in the northern high latitudes from1981 to 1991. Nature, Vol. 386, 17 april 1997.

PINHEIRO, A., PRIVETTE, J., MAHONEY, R. &TUCKER, C., 2004. Directional effects in a dailyAVHRR land surface temperature dataset overAfrica, IEEE Transactions on Geoscience andRemote Sensing, vol. 42, no. 9, 1941-1954.

PRICE, J. C., 1991. Timing of NOAA afternoonpasses. International Journal of Remote Sensing,12, 193-198.

RAUMUR, R. A. F. DE, 1735. Observations duthermomtre. Acad. Roy. des xi. des Pays-BasMem., pp. 737-754.

SAUNDERS, R. W. & KRIEBEL, K. T., 1988. Animproved method for detecting clear sky andcloudy radiances from AVHRR data. Internatio-nal Journal of Remote Sensing, 9, 123-150.

SOBRINO, J. A. & RAISSOUNI, N., 2000. Towardremote sensing methods for land cover dynamicmonitoring: application to Marocco. Internatio-nal Journal of Remote Sensing, 21, 353-363.

SOBRINO, J. A., RAISSOUNI, N., SIMARRO, J.,NERRY, F. & PETITCOLIN, F., 1999. Atmosphe-ric water vapor content over land surfaces derivedfrom the AVHRR data: application to the IberianPeninsula, IEEE, Transactions on Geoscience andRemote Sensing, 37, 1425-1434.

THORNTHWAITE, C. W., 1948. An approachtoward a rational classification of climate. Geo-graphical Review, 38, 55-94.

TUCKER, C. J., SLAYBACK, D. A., PINZON, J.E., LOS, S. O., MYNENI, R. B. & TAYLOR,M.G., 2001. Higher northern latitude NDVI andgrowing season trends from 1982 to 1999. Inter-national Journal of Biometeorology, 45:184-190.

ULIVIERI, C., CASTRONUOVO, M. M., FRAN-CIONI, R. & CARDILLO, A., 1994. A split win-dow algorithm for estimating land surface tempe-rature from satellites, Advances in SpaceResearch, 14 (13), 59-65.

ZHOU, L., TUCKER, C. J., KAUFMANN, R. K.,SLAYBACK, D., SHABANOV, N. V. & MYNE-NI, R. B., 2001. Variations in northern vegetationactivity inferred from satellite data of vegetationindex during 1981 to 1999, Journal of Geophysi-cal Research, 106(D17):20069-20083.

ZHOU, L., KAUFMANN, R. K., TIAN, Y., MYNE-NI, R. B. & TUCKER, C. J., 2003. Relation bet-ween interannual variations in satellite measuresof vegetation greenness and climate between 1982and 1999. Journal of Geophysical Research, 108(D1), doi: 10.1029/2002JD002510.


26 N. 27 - Junio 2007

para el estudio de la vegetacion en suramerica

Documents