Professional Documents
Culture Documents
27: 17-26
RESUMEN
ABSTRACT
INTRODUCCIN
Hasta el momento, Pathfinder AVHRR Land
(PAL) es la base de imgenes de satlite de mayor
extensin temporal y espacial disponible en lo que
concierna al visible y al infrarrojo trmico. La base
de imgenes de satlite GIMMS es una versin
mejorada de PAL en el caso del NDVI, tomando en
cuenta los efectos de deriva de orbite y de contaminacin por los aerosoles volcnicos. Su utilizacin
para el seguimiento de la vegetacin ha sido principalmente centrada en el hemisferio norte, como se
N. 27 - Junio 2007
refleja en varios trabajos (Myneni et al., 1997; Tucker et al., 2001; Zhou et al., 2001; Bogaert et al.,
2002; Zhou et al., 2003). Esos trabajos han identificado una tendencia a la aumentacin de la vegetacin, en particular en Eurasia (Myneni et al., 1997;
Tucker et al., 2001; Zhou et al., 2001), donde la
tendencia es persistente (Bogaert et al., 2002), y
donde la temporada de crecimiento se ha extendido
(Zhou et al., 2003).
Para estudios de zonas de gran extensin espacial, como, en el caso que nos interesa, Amrica del
Sur, la diferencia entre los diferentes tipos de vege17
tacin (del desierto de Atacama a las selvas tropicales del Amazonas) y el tamao de la serie de datos
implican el uso de una clasificacin para analizar
las evoluciones temporales de las diferentes clases.
Existen varias clasificaciones en la literatura (por
ejemplo, la clasificacin IGBP del USGS-United
States Geological Survey), pero han sido elaboradas a partir de datos conseguidos durante un ao, o
un promedio de aos, lo que implica que su uso
para la deteccin de cambios es difcil. Por esas
razones, una clasificacin realizada a partir de los
propios datos es necesaria.
A continuacin se presentan los algoritmos usados para determinar la temperatura de superficie, a
travs de la estimacin de la emisividad y del contenido total en vapor de agua atmosfrico, para posteriormente realizar una clasificacin de la zona de
estudio y finalizar con la presentacin de los resultados obtenidos.
METODOLOGA
Esta parte esta dividida en cuatro apartados, en
los que se presentan la zona de estudio, las bases de
datos utilizados, los algoritmos empleados, as
como el mtodo de clasificacin de la zona.
2.1. Zona de estudio
La zona considerada para este estudio es America del Sur, con las siguientes coordenadas: longitud
de 90W a 30W, latitud de 20N a 60S. Esta zona
presenta una gran variedad: desiertos (Atacama en
Chile), zonas semi-ridas (Patagonia), regiones
polares (Terra del Fuego), selva tropical (Amazonas), cultivos (por ejemplo cereales, en la costa de
Brazil), alta montaa (los Andes).
La cobertura nevosa permanece durante gran
parte del ao en las Andes y en las zonas del sur del
continente, mientras que la zona ecuatorial es sujeta
a precipitaciones a lo largo de todo el ao, la cobertura nubosa pudiendo permanecer durante semanas.
2.2. Datos
Septiembre del 2001. 5 imgenes estn proporcionadas para cada periodo de 10 das, una en el visible (canal 1), una en el infrarrojo prximo (canal 2),
dos en el infrarrojo trmico (canales 4 y 5), as
como una imagen de NDVI. Estas imgenes son
obtenidas a partir del mtodo llamado Maximum
Value Compositing (MVC), que consiste en elegir
para cada periodo de 10 das, y para cada pxel de
la imagen, el da por el que el valor de NDVI es
mximo, 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 atmosfricos estn corregidos siguiendo el mtodo de
Gordon et al. (1988), que incluye una correccin de
la absorcin por el ozono (McPeters et al., 1993)
2.2.2. Reanalysis
La base de datos Reanalysis es elaborada por el
NCEP (National Center for Environmental Prediction) y el NCAR (National Center for Atmospheric
Research), y contiene diferentes datos meteorolgicos a una resolucin de 2.5 por 2.5, empezando en
el ao 1948, y es actualizada cada mes. Los datos
estn proporcionados a una resolucin temporal
desde horaria (cada 6 horas) a mensual (para ms
detalles, ver Kistler et al., 2001).
2.3. Algoritmos
Para calcular la Temperatura de Superficie
Terrestre utilizamos el mtodo desarrollado por
Sobrino & Raissouni (2000). Primero, estimamos la
emisividad (a partir del NDVI) y luego el contenido total en vapor de agua atmosfrico. Puesto que
los datos de PAL estn proporcionados sin filtrado
de nubes a una escala continental, un algoritmo de
deteccin de nubes ha sido desarrollado, que prsentamos posteriormente.
2.3.1. NDVI
Este dato esta proporcionado directamente en la
base de datos PAL, puesto que se utiliza para elaborar las imgenes composites de 10 das. Calculamos el NDVI utilizando las reflectancias en el rojo
(Ch1) y en el infrarrojo prximo (Ch2):
2.3.2. Emisividad
Siguiendo a Sobrino & Raissouni (2000), cada
imagen ha sido dividida en tres zonas, dependiendo
del valor de NDVI. Estimamos la emisividad media
(promedio de las emisividades para los canales 4
y 5 del sensor AVHRR) y la variacin espectral de
emisividad 6 (diferencia de emisividad entre
ambos canales) de la manera siguiente:
NDVI < 0.2
Consideramos que la superficie es un suelo desnudo, del que la emisividad se calcula a partir de
la reflectancia en el canal 1:
= 0.980 0.042Ch1
6 = -0.003 0.029Ch1
(2)
(3)
(4)
(5)
donde Pv se calcula a partir del propio NDVI (Carlson & Ripley, 1997):
Pv = (NDVI 0.2)2 / 0.09
Este mtodo (ver Sobrino et al., 1999) proporciona una estimacin del contenido total en vapor de
agua 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 emisividad, vapor de agua), estimamos la Temperatura de
Superficie Terrestre (Ts), usando la formula
siguiente:
Ts = T4 + 1.40(T4-T5) + 0.32(T4-T5)2
+ 0.83 + (57-5W)(1-) (161-30W)6
(11)
(7)
(8)
Este mtodo permite la estimacin de la emisividad 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 atmosfrico
es estimado con la tasa de varianza-covarianza
(R54), la cual se calcula a partir de un vecindario de
pxeles de las imgenes en los canales 4 y 5:
(9)
N. 27 - Junio 2007
(6)
(12)
(13)
(14)
2.4. Clasificacin
En este estudio hemos trabajado con la base de
datos PAL en su integridad, recortando las imgenes a Amrica del Sur. Esta base de datos contiene
ms de 700 imgenes de 801x601 pxeles. Por razones de tiempos de procesamiento, un estudio pxela-pxel de la evolucin de varios parmetros, como
NDVI o temperatura de superficie, es irrealista.
Consecuentemente, los autores optaron por un anlisis simplificado, que consiste en una clasificacin
de la zona de estudio. Para poder tomar en cuenta
los cambios que podra haber sufrido la zona de
estudio, una clasificacin en funcin de los propios
datos es imprescindible. En nuestro caso, la clasificacin se debera elaborar a partir de los datos de
LST y NDVI. Price (1991) ha mostrado que los
datos trmicos medidos por los satlites NOAA
sufren de una deriva de orbita, lo que vuelve ilusoria una clasificacin basada en el dato de LST. Para
construir la clasificacin, los autores han elegido el
dato de temperatura del aire que proporciona la
base de datos Reanalysis, por ser un dato muy
correlado al de LST, a travs de la cobertura vegetal en particular.
Asimismo, la clasificacin utilizada en este trabajo esta elaborada a partir de dos clasificaciones previas. La primera clasificacin identifica la dinmica temporal anual de la vegetacin en la zona,
asociada a tipos de vegetacin, mientras que la
segunda identifica su rgimen trmico. Eso es necesario porque diferentes tipos de vegetacin pueden
tener los mismos 2 primeros momentos estadsticos
(promedio y desviacin estndar), y con una evolucin temporal muy diferente. Por ejemplo, el valor
mximo del NDVI en zonas ridas se obtiene entre
uno a tres meses antes que el de zonas templadas. Si
se omite considerar el rgimen trmico, estos dos
diferentes tipos de vegetacin se podran mezclar
en la misma clase, la cual impedira mostrar una
evolucin temporal coherente: solo el comportamiento de la clase dominante seria visible.
(15)
siendo n- el valor promedio de NDVI, y m es la desviacin estndar del NDVI durante el ao promedio.
Una vez obtenidas estos dos valores para cada
pxel de la zona de estudio, en una clasificacin por
umbrales de media y coeficiente de variacin,
podemos distinguir nueve clases, dependiendo del
valor de ambos parmetros. Los valores de NDVI
estn 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 variacin
como 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 del
dato de temperatura del aire a 2 metros de altura,
obtenida del Reanalysis por la Universidad de Delaware (USA). Usamos este dato para calcular, para
un ao promedio, los das-grados (Dg), como introducido por Raumur (1735): de todos los das del
ao promedio se seleccionan los que tuvieron una
temperatura del aire promedio superior o igual a
10C (T), que se suman para obtener los das-grados, de acuerdo a la ecuacin:
Dg =
Y (T - 10C)
(16)
Figura 2. Clasificacin segn el rgimen trmico. Los regimenes trmicos son los siguientes: 1 - microtermal; 2 - infratermal; 3 - mesotermal; 4 - supratermal; 5 - macrotermal.
RESULTADOS
A partir de las nueve clases obtenidas de la primera clasificacin, y, de las cinco clases de la
segunda, elaboramos la clasificacin final mediante
cruzamiento de tablas. De las 45 posibles clases se
obtienen 41 clases, pero algunas contienen muy
pocos pxeles, as que todas las clases con menos de
mil pxeles son redistribuidas a las clases las ms
cercanas geogrficamente. Una vez realizada esta
operacin, pasamos un filtro de moda (o de mayora) sobre la imagen clasificada, lo que deja 14 diferentes clases.
A partir de esta clasificacin, nos proponemos
estudiar la evolucin de la vegetacin, primero
durante un ao promedio, lo que permitir observar
los comportamientos anuales para las distintas clases. En un segundo tiempo, estudiaremos la evolucin a largo plazo durante los 20 aos de datos PAL.
Esos dos estudios sern llevados a cabo promediando los valores de un parmetro dado dentro de una
clase dada.
N. 27 - Junio 2007
3.1. Clasificaciones
3.1.1. Clasificacin segn el NDVI
En la figura 1 mostramos la clasificacin segn el
NDVI. En esta figura, los valores promedios de
NDVI bajos (clases 1 a 3) se diferencian de los
valores de NDVI medios (clases 4 a 6) y de los
valores de NDVI altos (clases 7 a 9). Los valores de
coeficiente de variacin bajo corresponden a las
clases 1, 4 (casi inexistente) y 9. Los valores
medios del coeficiente de variacin corresponden a
las clases 2, 5 y 8, mientras que los valores altos se
encuentran en las clases 3, 6 y 7. Las clases 1 y 2
21
Figura 3. Clasificacin final. Las 3 primeras clases son asociadas con zonas montaosas, la clase nmero 4 describe
zonas ridas y semiridas, mientras que las clases 11 a 14
describen bosques tropicales.
son zonas montaosas, mientras que la clase 3 incluye las zonas ridas y semiridas. Las clases 4, 5 y 6
son compuestas de pastos y zonas de cultivos. La
clase 7 es una mezcla de cultivos y bosques, mientras
que las clases 8 y 9 son principalmente bosques tropicales (ver clasificacin IGBP, por ejemplo).
montaosas, la clase nmero 4 concierne nicamente a las zonas ridas y semiridas, mientras que las
clases 11 a 14 corresponden a bosques tropicales.
Para validar esta clasificacin, la hemos comparado con una clasificacin segn los regimenes de
humedad, elaborada por el CAZALAC (Centro del
Agua para Zonas ridas y semiridas de LatinoAmrica y el Caribe) de Chile (Lobo et al., 2005).
La eleccin de esta clasificacin (ver figura 4) se
debe a la escasez de clasificaciones parecidas al trabajo que presentamos aqu. Una simple comparacin visual permite realizar el grado de similitud
entre estas dos clasificaciones.
3.2. Evolucin
3.2.1. Evolucin estacional
*Figura 5. Evoluciones durante un ao (promedio de los 20 aos de datos) de a) Temperatura de Superficie; b) NDVI; c) Temperatura del Aire a 2m; d) Precipitacin. Los dos primeros datos provienen de la base de datos PAL, mientras que los dos
ltimos provienen de la base de datos Reanalysis
Amplitud
LST (K)
Amplitud
TA (K)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
25.52
17.33
30.07
21.86
19.35
17.04
13.91
7.23
8.97
4.38
5.43
4.21
2.85
4.41
10.47
6.78
11.87
10.68
11.18
11.41
9.94
5.15
6.22
1.23
3.68
1.37
2.08
2.42
Diferencia Correlacin
amplitud (LST y TA)
entre LST
y TA (K)
15.05
10.55
18.2
11.18
8.17
5.63
3.97
2.08
2.75
3.15
1.75
2.84
0.77
1.99
0.92
0.82
0.90
0.95
0.95
0.87
0.88
0.83
0.94
0.97
0.68
0.39
0.47
0.70
N. 27 - Junio 2007
23
Clase
Amplitud
NDVI
Amplitud
PP
(cm/mes)
Correlacin
(NDVI y PP)
0.03
2.25
0.30
0.11
3.33
0.71
0.03
3.19
0.61
0.03
1.46
0.05
0.08
5.50
0.67
0.11
4.38
0.91
0.09
6.65
0.36
0.19
14.78
0.38
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
Fechas de actividad
de los satlites
Nmero de
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 A
689 727
24
DISCUSIN Y CONCLUSIN
En el presente trabajo se ha desarrollado una
metodologa para el estudio a largo plazo de la
vegetacin en Sudamrica, a travs de la clasificacin de la zona a partir de datos satelitales y meteorolgicos. Por la falta de fiabilidad de los datos de
temperatura de superficie, la clasificacin no pudo
ser elaborada solo a partir de los datos, como sera
conveniente para la observacin de los cambios
padecidos. La clasificacin construida esta basada
en la evolucin anual del NDVI (obtenido del PAL)
y de la temperatura del aire a 2 metros de altura
(obtenida del Reanalysis). Esta clasificacin es
comparable a clasificaciones climticas, como la
del CAZALAC (basada en el rgimen hdrico). Esta
clasificacin permite sacar tendencias anuales y a
largo plazo conformes con resultados publicados
anteriormente, lo que confirma la validez de este
trabajo. No obstante, la base de datos PAL sufre de
la deriva de orbite de los satlites NOAA, lo que
necesita una correccin adecuada. Esta correccin y
a ha sido llevada a cabo en el caso del NDVI (base
de datos GIMMS), pero sigue por hacer en el trmico. Este tipo de correccin no es fcil, tal y como
puede verse en los trabajos de Jin & Treadon (2003)
y Pinheiro et al. (2004). En la actualidad los autores estn trabajando en el desarrollo de un mtodo
operativo que permita evaluar esta correccin.
N. 27 - Junio 2007
*Figura 6. Evoluciones a largo plazo de a) Temperatura de Superficie; b) NDVI.Las lneas verticales negras muestran las
fechas de cambio de satlites (ver tabla 1), mientras que la lnea vertical roja muestra la erupcin del Monte Pinatubo
(Junio del 1991).
AGRADECIMIENTOS
Los autores quieren agradecer la AECI (proyecto
A/229/03) del Ministerio de Asuntos Exteriores, a
la Unin Europea (proyecto EAGLE: SST3-CT2003-502057), as como el Ministerio de Ciencia y
Tecnologa (proyecto REN2001-3105/CLI) por la
ayuda econmica prestada.
REFERENCIAS
BOGAERT, J., ZHOU, L., TUCKER, C. J.,
MYNENI, R. B. & CEULEMANS, R., 2002.
Evidence for a persistent and extensive greening
trend in Eurasia inferred from satellite vegetation
N. 27 - Junio 2007
25
HOLBEN, B. N., 1986. Characteristics of maximum values composite images from temporal
AVHRR data. International Journal of Remote
Sensing, 1986, Vol. 7, 1417-1434.
JAMES, M. E. & KALLURI, S. N. V., 1994.The
AVHRR Land data set: an improved coarse resolution data set for terrestrial monitoring, International Journal of Remote Sensing, 1994, vol. 15,
3347-3363.
JIN, M. & TREADON, R. E., 2003. Correcting the
orbit drift on AVHRR land surface skin temperature measurements, International Journal of
Remote 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 changes
on the time series of AVHRR vegetation index
data, IEEE Transactions on Geoscience and
Remote Sensing, vol. 38, no. 6, 2584-2597.
KISTLER, R., KALNAY, E., COLLINS, W.,
SAHA, S., WHITE, G., WOOLLEN, J., CHELLIAH, M., EBISUZAKI, W., KANAMITSU,
M., KOUSKY, V., VAN DEN DOOL, H.,
JENNE, R. & FIORINO, M., 2001. The NCEPNCAR 50-year Reanalysis: Monthly Means CDROM and Documentation. Bulletin of the American Meteorological Society, 2001, 82, 247-267.
LOBO, L. D., GABRIELS, D., OVALLES, F.V.,
SANTIBAEZ, F., MOYANO, M.C., AGUILERA, R., PIZARRO, R., SANGESA, C. & URRA,
N., 2005. Gua metodolgica para la elaboracin
del mapa de zonas ridas, semiridas y subhmedas secas de Amrica Latina y el Caribe, UNESCO-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 highlatitude vegetation greening trend and Pinatubo
effect. Science, 296: 1687-1689.
MCPETERS, R. D., et al., 1993. Nimbus-7 Total
Ozone Mapping Spectrometer (TOMS) Data Products Users Guide. NASA Reference Publication
1323.
MORALES, L., CASTELLARO, G., SOBRINO, J.
A. & EL KHARRAZ, J., 2004. Land cover dynamic monitoring in the region of Coquimbo
(Chile) by the analysis of multitemporal NOAAAVHRR NDVI images. ISPRS Conference, Commission VI, 12-23 July 2004, Istanbul, Turquia.
MYNENI, R. B., KEELING, C. D., TUCKER, C. J.,
26