memorias - selper capítulo colombia...establecidos después de pruebas piloto en diferentes...
TRANSCRIPT
MemoriasMemorias
La Geoinformaciónal Servicio de la Sociedad
Medellín, Colombia29 de Septiembre al 3 de Octubre de 2014
Sociedad Latinoamericana enPercepción Remota y Sistemasde Información EspacialCapítulo Colombia
AVANCES EN LA DETECCIÓN DE HUMEDALES EN COLOMBIA USANDO
IMÁGENES MULTITEMPORALES MODIS DEL ÍNDICE NORMALIZADO Y
DIFERENCIADO DE VEGETACIÓN
Lina Estupiñán-Suárez* & Carlos Flórez*
*Investigadores del Instituto de Investigación de Recursos Biológicos Alexander von
Humboldt. Calle 72 12-65 piso 7 Bogotá D.C., Colombia. [email protected],
Resumen
El uso de sensores remotos en la detección de humedales en Colombia implica retos
metodológicos debido a la variabilidad de estos ecosistemas y a las diferencias en las formas
del relieve. El objetivo de este estudio fue el de identificar patrones en perfiles de NDVI de
2007 a 2012. El sensor seleccionado fue MODIS Terra (MOD13q1 250m pixel). Se
obtuvieron un total de 138 datos por pixel los cuales se procesaron y corrigieron, en el
análisis se usaron valores de la calidad de la captura y de nubosidad otorgando mayor peso
a los valores con mejor calidad. El procesamiento se realizó en Timesat 3.1 para las zonas
hidrográficas bimodales (Magdalena-Cauca, Caribe) y monomodales (Orinoquia,
Amazonia) junto con Pacífico. Se realizaron clasificaciones no supervisadas de las imágenes
corregidas, el número de clases seleccionado fue 53 basado en estadísticas divergentes. El
análisis demuestra una alta detección de humedales en zonas con alta nubosidad como el
pacífico y los páramos. En la depresión Momposina y la Orinoquia se generó información
de la temporalidad y permanencia de los cuerpos de agua. En cuanto al Amazonas, es
recomendable evaluar si los bosques inundables pueden ser detectados con una clasificación
más detallada y específica.
Palabras clave: humedales, imágenes multitemporales, índice normalizado y diferenciado
de vegetación NDVI, modis terra.
DETECTION OF COLOMBIAN WETLANDS USING MULTITEMPORAL (2007-2012)
NORMALIZED DIFFERENCE VEGETATION INDEX (NDVI) FROM MODIS TERRA
IMAGERY
Lina Estupiñán-Suárez* y Carlos Flórez*
*Researchers at Instituto de Investigación de Recursos Biológicos Alexander von Humboldt.
Calle 72 12-65 piso 7 Bogotá D.C., Colombia.
[email protected], [email protected]
Abstract
Remote sensing wetlands detection in Colombia is challenging due to relief and ecosystems
variability. This study aims to identify NDVI profile patterns from 2007 to 2012. The
selected sensor was MODIS Terra and its product MOD13Q1 (250m pixel size). In total,
138 data was acquired by pixel, all of them were run in Timesat 3.1 to be cleaned and
corrected. Atmospheric ancillary data was used to give more weight to higher quality data.
The process run separately for (i) bimodal (Magdalena-Cauca and Caribe basins) and (ii)
monomodal regimes (Orinoquia, Amazonia) together with the Pacific basin. Lately, an
unsupervised classification were performed; 53 number of classes were selected as the most
appropriated number based on divergence statistics. In conclusion, this survey shows a high
detection of wetlands on very clouded areas as the Pacific basin and the Paramo ecosystem.
Moreover, temporality of water bodies and flooded areas was identified in less clouded areas
like Orinoquia and La depresión Momposina. In the Amazonia, it is advisable to generate a
more specific and detailed classification to assess if flooded forest detection is possible.
Key words: wetlands, multitemporal imagery, normalized difference vegetation index
(NDVI), modis terra.
Introducción
Los humedales son el único ecosistema que cuenta con una convención mundial - Ramsar -
desde 1971, la cual fue adoptada en Colombia y ratificada en la ley 357 de 1997. En el 2002
se formuló la Política Nacional de Humedales (MADS 2002) basados en los estudios previos
de Naranjo (1997) y Naranjo et al. (1999). A pesar de esto, la información existente en el
país no había sido unificada y homogenizada hasta el año 2013. La importancia de los
humedales en la regulación hídrica, su diversidad, y su desconocimiento se hicieron
evidentes en el fenómeno de la Niña 2010-2011. Por tal razón, el Fondo de Adaptación y el
Instituto de Recursos Biológicos Alexander von Humboldt (IAvH) acordaron aunar
esfuerzos para elaborar insumos técnicos y una recomendación para la delimitación
ecosistemas estratégicos priorizados (Páramos y Humedales).
La implementación de sensores remotos en las metodologías para el estudio y monitoreo de
ecosistemas cada vez es más común a nivel mundial. Algunos ejemplos puntualmente para
humedales usando imágenes ópticas han sido reportados por Fitoka & Keramitsoglou
(2008), es el caso del mapeo e inventario de Humedales en la cuenca de Volta Ghana y
Burkina Faso, en África Occidental, usando imágenes MODIS 250m (Landmann et al.
2006). Imágenes LandSat también han demostrado ser convenientes para la detección de
humedales cuando el área de estudio es más pequeña. Por ejemplo, Albania realizó un
inventario de humedales a través de algoritmos de clasificación no supervisada de NDVI y
la capa de humedad generada a partir de la transformación Tasselled Cap (Apostolakis
2008).
En Colombia se han realizado estudios con varios sensores activos y pasivos. Imágenes del
radar Alos Palsar fueron usadas en el mapa de frecuencias de inundación de la cuenca
Magdalena-Cauca, proyecto conjunto entre The Nature Conservancy TNC y SarVision con
la colaboración de la iniciativa ALOS Kyoto and Carbon K&C y la Agencia Aeroespacial
de Exploración Japonesa JAXA. En cuanto a las imágenes ópticas como LandSat, MODIS
(Moderate Resolution Imaging Spectoradiometer), Spot y RapidEye, se han utilizado en
diferentes investigaciones y proyectos nacionales. Algunos ejemplos, son los análisis
realizados por el Componente Páramos del IAvH donde se utilizan imágenes Rapideye y
LandSat para el modelamiento espacial de la franja de transición de los Páramos (IAvH
2012) teniendo en cuenta las formas de crecimiento de la vegetación. Otro ejemplo es la
implementación de la Metodología CORINE Land Cover adaptada para Colombia Escala
1:100.000 en el cuál se usaron imágenes Spot y RapidEye (IDEAM 2010) para la
interpretación e identificación de coberturas, y el Sistema de Monitoreo de Bosque y
Carbono del IDEAM que es su último informe reportó los principales ocho focos de
deforestación. (Cabrera et al. 2011, IDEAM 2014).
Adicionalmente, se cuentan con investigaciones como las realizados por Etter et al. (2006)
donde se identificaron factores biofísicos y socioeconómicos, a partir imágenes MODIS,
que explican la distribución espacial del bosque y su relación con el uso agrícola de la tierra
y la deforestación, o los estudios realizados por Anaya & Valencia (2013) donde se
encontraron perfiles claros de NDVI de cultivos de arroz, caña de azúcar, pastos, palma
africana, entre otros.
En relación a humedales, el NDVI ha demostrado ser una medida indirecta efectiva para la
detección de estos ecosistemas (Landmann et al. 2006) sin embargo también presenta retos
metodológicos en zonas muy nubladas o con vegetación frondosa donde el índice está sujeto
a niveles de saturación y su poder detección está ligado al tamaño de pixel de la imagen, por
lo tanto humedales pequeños no son detectados. El sensor MODIS Terra y su producto
MOD13Q1 ha sido generado específicamente como producto para el análisis de índices de
vegetación. Las imágenes MODIS son de libre acceso, tienen una baja resolución espacial
pero una alta resolución temporal por lo cual son usadas frecuentemente para análisis
nacionales de cambios de cobertura y monitoreo a escalas de paisaje.
Gracias a la fenología de la vegetación, los índices de vegetación presentan ciclos intra
anuales los cuales están relacionados con la dinámica de la cobertura del suelo. Existen
varios programas para el análisis de estos perfiles de vegetación tales como TiSEG (Colditz
et al. 2008), TIMESAT (Jönsson & Eklundh 2004), entre otros. Estas plataformas de
software han permitido el análisis y corrección de perfiles de vegetación como el NDVI.
Este estudio tiene como objetivo la detección de humedales en Colombia mediante el análisis
multitemporal de perfiles de vegetación de NDVI en el territorio nacional continental del
sensor MODIS, este es un mapa indicativo de humedales que brinda un primer acercamiento
a la identificación, localización y dinámica temporal de estos ecosistemas. Además es un
producto complementario a mapas generados con otro tipo de imágenes.
Metodología
Área de estudio
El área de estudio es el territorio nacional continental de Colombia, los límites geográficos
para el área de estudio son: -66.76 longitud mínima y -79.09 longitud máxima; -4.31°, latitud
mínima y 12.5° latitud máxima en grados decimales. Colombia se encuentra al norte de
sudamericana, es atravesado por el Ecuador en el sur, al noroccidete limita con el istmo de
Panamá. Tiene frontera terrestre con Venezuela y Brasil en el occidente y al sur con Perú y
Ecuador. El gradiente altitudinal va desde 0 a 5600 msmsm y la precipitación anual promedio
puede variar de 300 a 10000 mm en el país. Adicionalmente, limita al occidente con el
océano Pacífico y con el mar Caribe al norte (Etter et al. 2006), todo esto genera un gran
variabilidad de ecosistemas y microclimas. Se han reconocido 5 grandes regiones
biogeográficas en el país las cuáles caracterizadas a partir de variables biofíscas (Hernández
et al., 1992).
Adquisición y preprocesamiento de imágenes
Los productos MOD13Q1 del sensor MODIS Terra fueron descargados de la página de la
Administración Nacional de la Aeronáutica y del Espacio NASA http://reverb.echo.nasa.gov
para el periodo de estudio de 2007 a 2012, cada imagen corresponde a una composición de
16 días realizada por la NASA y tiene una resolución de 250 m tamaño del pixel, el sistema
de coordenadas es WGS84 y el datum es Spheroid (U.S. Geological Survey 2011). En total
se obtuvieron 138 imágenes, 23 imágenes por años, por cuadrante o tile. Seis cuadrantes
fueron necesarios para lograr la cobertura del territorio continental de Colombia (cuadrantes:
h10v07, h10v08, h10v09, h11v07, h11v08, h11v09). La banda de NDVI –banda 1– de todas
las imágenes fueron importadas en ERDAS IMAGINE 2010, y posteriormente se unieron
en un stack siguiendo el orden cronológico; es decir que la primera banda del stack es la
imagen de Enero 1 a 16 de 2007, y la última banda del stack o banda 138 corresponde a la
imagen de Diciembre 21 2012 a Enero 5 de 2013. Después de generar los stacks
individualmente para cada cuadrante, se realizó un mosaico único para todo el país.
El proceso anterior también se realizó para la banda de confiabilidad o –banda 12– la cual
se uso posteriormente y se explica en la siguiente sección.
Siguiendo las recomendaciones de Eklundh & Jönsson (2012), el stack de imágenes de
NDVI se convirtió a formato binario para ser leídas correctamente en el programa,
igualmente se generaron los formatos binarios del stack de confiabilidad. Debido a las
diferencias entre regímenes climáticos de las subzonas hidrográficas de Colombía, se realizó
una generalización y se crearon dos mascaras una máscara para las subzona Magdalena-
Cauca y Caribe con régimen bimodal, y otra para Orinoquia, Amazonia (régimen
monomodal) y Pacífico teniendo en cuenta las descripciones de IDEAM (2005)
Procesamiento y Correcciones TIMESAT 3.1
Después de obtenidos los datos en formato binario tanto para NDVI como de confiabilidad
de la imagen y para los principales regímenes climáticos, los análisis corrieron
separadamente en TIMESAT 3.1 (Eklundh & Jönsson 2012). Se otorgó un mayor peso a los
pixeles con más alta confiabilidad, pixeles con calidad buena (nivel 0) recibieron un valor
de 1 mientras que pixeles con calidad media (nivel 1) recibieron un valor de 0.5; pixeles no
procesados o con nubes (nivel -1 y 3) no fueron usados y se les asigno un peso de 0. Los
pixeles con cobertura de hielo o nieve, nivel 2, fueron incluidos con un valor de 0.5.
La función matemática seleccionada para hacer los ajustes y correcciones de tendencias del
perfil de vegetación fue Savitzky-Golay, los parámetros de la configuración del programa fueron
establecidos después de pruebas piloto en diferentes ventanas (Figura 1). Se asignó un valor de 0 de
parámetro de estacionalidad para el análisis de las áreas con régimen bimodal y de 0.5 para régimen
monomodal.
Después de ajustados los perfiles de NDVI a nivel de pixel y de obtenerse las salidas de TIMESAT
3.1 en formato binario, la información fue importada en ERDAS IMAGINE 2010 y se generó de
nuevo un stack de imágenes corregidas. Los resultados de los de los dos regímenes climáticos fueron
integrados espacialmente generándose una única capa final con 138 bandas donde cada banda
corresponde a una composición de 16 días.
Clasificación de imágenes y análisis de las unidades detectadas
El stack de imágenes corregidas fue reescalado a números digitales (DN) donde al menor
valor se le asigno cero y al mayor 256, esto con el fin de correr el algoritmo de clasificación
no supervisada ISODATA clustering de ERDAS IMAGINE 2010. Se generaron en total 90
clasificaciones no supervisadas en un rango de 30 a 120 clases. Criterios de estadística
divergente, promedio de divergencia y mínima divergencia fueron usados para la selección
del número más adecuado de clases, buscando los máximos valores de los dos criterios
estadísticos y manteniendo el mínimo número de clases (de Bie et al. 2011, Ali et al. 2013).
Finalmente los perfiles de NDVI de la imagen supervisada clasificada y seleccionada fueron
evaluados y comparados a nivel regional para conocer el tipo y nivel de información
generada para el estudio de la dinámica y temporalidad de los humedales.
Resultados
El número de clases seleccionado se basó en estadísticas divergentes (Figura 2). El primer
criterio fue el promedio de separabilidad; las clases 36, 44, 45 y 89 tuvieron valores mayores
a 300.000. El segundo criterio fue el mínimo de separabilidad en el cual la clase 45 obtuvo
22, máximo valor entre las clases mencionadas. Adicionalmente siempre se buscó mantener
el número menor de clases posible. Finalmente, el número de clases seleccionado de la
clasificación no supervisada de ISODATA clustering fue 45.
Debido a la alta diversidad y tipología de humedales en Colombia, a la variabilidad en los
regímenes climáticos y a las marcadas diferencias en el relieve se decidió realizar el análisis
por regiones para facilitar la visualización y el estudio de los datos. Las regiones
seleccionadas fueron la cuenca baja del Magdalena-Cauca, el pacífico colombiano, la zona
de páramos, la Orinoquia, la Amazonia y la Guajira.
Cuenca Baja Del Magdalena-Cauca
En la zona baja de del río Magdalena y del río Cauca, se detectaron clases asociadas a
inundación permanente (clases de la 9 a la 12) e inundación temporal (clases 35, 36, 38), en
la Figura 3 se presenta los perfiles de NDVI de estas clases. El primer grupo de clases se
caracteriza por tener valores bajos de NDVI que oscilan entre 12 DN y 163 DN, y con un
promedio cercano a 45 (Tabla 1). Mientras que las clases de inundación temporal alcanzan
valores máximos de 190 DN y mínimos de 80 DN, siendo un reflejo de la productividad de
esta zona en aguas bajas.
Esta información refleja la expansión y contracción de los cuerpos de agua en la zona.
Pacífico
En el pacífico se observaron los principales ríos como el Atrato, San Juan, y Patía además
de la conectividad hídrica del sistema.
La clase con mayor diferenciación espectral es la 1, la cual a aguas marinas. Las clases
predominantes de los cuerpos de agua son de la 13 a 16, las clases 17-18-19 corresponden
a zonas de inundación frecuente. Mientras que las clases 36-37-39 se refieren a ríos. En la
figura 4 muestra los principales perfiles para esta zona.
Páramos – Montaña alta
Los perfiles de NDVI reflejan la particularidad del relieve y el endemismo de la vegetación.
En la figura 5a. se observan claramente dos grupos, la clase 1 y 5 que son zonas glaciares,
la clases 19 presenta valores continuos y bajos por lo cual se presume que tiene poca
cobertura vegetal. Las clases 20, 23, 25, 27 tienen una tendencia bimodal mientras que la
clase 24 es claramente monomodal. Estas clases presentan picos de vegetación de acuerdo
las cuales se espera que coincidan con la fenología de las plantas de la zona.
Orinoquia
Las clases 37, 38 y 39 predominan en las sabanas de la Orinoquia, se observa claramente el
régimen bimodal y la marcada estacionalidad en la zona. Sin embargo los valores de NDVI
siempre se mantienen altos, en un rango de 120 a 180 (Figura 6a). La clase 28 es muy
frecuente en la zona nororiental del Vichada, es un área susceptible a inundación con un
perfil atípico de NDVI para la Orinoquia (Figura 6b). Las clases con los mayores perfiles
de NDVI (clases 43, 44, 45) presentan los valores más altos (tabla 1) y son típicos valores
de los bosques riparios.
Amazonia
En el Amazonas la clase domintante es la 45, la cual corresponde a los mayores valores de
fotosíntesis, se reconoció la clase 42 como una clase con vegetación asociada a cuerpos de
agua como rías. En el amazonas únicamente se reconocen los principales ríos como el
Putumayo, Amazonas, Apaporis, El Brazo del Silencia y en menor medida el Vaupés
representados en las clases 13, 19 y en menor medida en la 27 y 34 (Figura 7a).
Guajira
Los perfiles de NDVI muestran el régimen bimodal de la zona. Por la alta aridez del área se
identifican que predominan clases con baja fotosíntesis, como las clases 17, 21 y 22. La clase
30 se encuentra alrededor de zonas más húmedas como la Macuira (Figura 7b).
En la figura 8 se representa la clasificación de los perfiles multitemporales de NDVI y las
clases asociadas a humedales para (a) La Mojana, (b) Orinoquía y (c) La Sierra Nevada de
Santa Marta.
Discusión de Resultados
El NDVI al ser un índice normalizado no es susceptible a las variaciones de iluminación en
la imagen permitiendo la detección de coberturas similares sin importar las diferencias de
luz (Lillesand et al. 2008) lo cual es una ventaja al momento de realizar algoritmos de
clasificación. Aunque el NDVI es una medida de la fotosíntesis activa de la vegetación ha
sido usado como medida indirecta en el estudio de humedales en África y Europa. El
presente estudio coincide con la propuesta del departamento de Sensores Remotos de la
Universidad de Wuerzburg asociado al centro aeroespacial alemán, en el cual se toman como
insumos imágenes MODIS. Sin embargo, el desarrolló metodológico es diferente, ya que
ellos proponen para la detección de humedales comparando imágenes de NDVI de época
seca y de lluvia (Landmann et al. 2006).
Los resultados de este estudio deben ser analizados bajo la comprensión de los valores del
NDVI, y de la variabilidad biogeográfica del país. Inicialmente, se debe tener en cuenta que
valores bajos del índice se explican por la presencia de glaciares y láminas o cuerpos de agua
como ríos, lagos y sabanas de inundación Pero también se generan por suelos sin cobertura
(Weir & Herrin 2011). Zonas como el desierto de la Tatacoa, La Guajira, minas a cielo
abierto como la Drumond y las grandes ciudades también fueron detectadas en esta
investigación debido a la similaridad en la respuesta espectral.
Al realizar los análisis a escala regional, se evidencia que el tipo de información generada
para cada región tiene diferentes alcances, es así como en la depresión Momposina (cuenca
baja del Magdalena) se identifican los cuerpos de agua permanentes y otras áreas que son
inundadas temporalmente, esta información refleja variaciones intra e interanuales
espacialmente.
En el pacifico se observa la conectividad de la red hídrica de los ríos San Juan, Patia y Atrato.
Los resultados en esta área demuestran la efectividad de TIMESAT 3.1 para corregir los
valores de esta región los cuales están ligados a la presencia de nubes, relieves abruptos y la
susceptibilidad de saturación del NDVI por la densa vegetación. En las zonas de páramos se
observa una clara detección de los glaciares y una buena coincidencia con los páramos del
Cocuy, la Sierra Nevada, el complejo Chili y Barragán, y Las Hermosas. En la zona sur del
país y en la cordillera occidental se observan mayores diferencias entre el mapa de Páramos
a escala 1:100.000 (IAvH 2012) y la detección con imágenes multitemporales de MODIS-
NDVI.
En la Orinoquia se observan 3 clases dominantes en las sabanas inundables (clase 37, 38 y
39), y valores muy altos y constantes de NDVI para los bosques riparios. Los perfiles de
NDVI son monomodales; los valores mínimos están alrededor de 110 (DN) y se presentan
en marzo mientras que los máximos (170 DN aproximadamente Tabla 1) ocurren entre julio
y diciembre, este patrón es similar al régimen climático de la zona. Se recomienda hacer un
análisis que integre la información hidrológica con los perfiles de NDVI para entender las
relaciones ecológicas de estos humedales estacionales.
Debido a la densa vegetación de la Amazonia y a la saturación del índice de vegetación la
detección de humedales en esta zona fue pobre, por lo tanto se sugiere hacer una clasificación
específica para la región o usar otros sensores como el radar. En relación con la Guajira, se
presentan valores bajos del índice y se pueden separar áreas con diferentes patrones de sequía
pero no hay detección de humedales interiores.
Uno de los resultados más significativos es la diferencia entre clases para los cuerpos de
agua de La Mojana y los del Pacífico, teniendo en cuenta que el retorno espectral es
semejante en todas las superficies de agua. Hipotéticamente estas diferencias se pueden
(clases 9-12 Mojana; clases 13-15 Pacífico) explicar por las diferencias temporales de cada
una de las regiones y no por las variaciones espectrales.
En general, este estudio detecta los principales complejos de humedales nacionales con
espejo de agua temporal o permanente. Por lo tanto, es fundamental recordar que en
Colombia existen numerosos bosques inundables y otro tipo de humedales en los cuáles el
dosel no permite que la inundación sea detectada a través de sensores pasivos. Estos
humedales que no están asociados directamente con láminas de agua si cumplen con los
criterios biofísicos y la definición de humedales construida por el IAvH (2014 en publ.) la
cual incluye conceptos de geomorfología, dinámica hidrológica espacial y temporal; y
condiciones típicas en el suelo y la biota causadas por la inundación.
Conclusiones
El mapa generado a partir de imágenes MODIS brinda una mirada nacional a los humedales,
incluye información temporal la cual es un insumo para el análisis de la dinámica de estos
ecosistemas y complementaría la información de los pulsos de inundación. En este estudio
se identificaron muy bien los complejos cenagosos de la Mojana y Zapatosa en los cuales
se puede diferenciar las áreas permanentes y temporalmente inundadas. A pesar de la alta
presencia de nubes en el Pacífico se identificaron los principales ríos, y lagunas, en algunos
casos se detectó la planicie de inundación como ocurrió con el río Atrato, observándose la
conectividad hídrica en la zona. El NDVI demostró perfiles claros en las áreas de páramo,
resaltándose la particularidad del relieve y la vegetación de este ecosistema. En los
departamentos de Arauca, Casanare y Vichada, es decir las sabanas inundables de la baja y
la alta llanura, se observó un claro régimen monomodal del NDVI el cual debe ser analizado
junto con información hidro metereológica para arrojar información útil en la comprensión
de la dinámica ecológica de esta región que ha sido tan desconocida en el país.
Esta metodología ofrece una visión integral entre hidrología y vegetación y brinda un primer
acercamiento al funcionamiento y conectividad de los humedales. Sin embargo, debido a la
variabilidad de estos ecosistemas es conveniente hacer la interpretación a nivel regional
donde existe variabilidad interanual de los perfiles de NDVI y puede ser pueden detectar.
Además, se recomienda hacer una clasificación específica para la Amazonia con el objetivo
de evaluar si se puede incrementar la detección de humedales en esta región.
Agradecimientos
Al Fondo de Adaptación entidad financiadora del convenio13-014 (FA. 005 de 2013), bajo
el cual se ha elaborado este estudio y al IAvH coordinadora el proyecto. En particular a la
Subdirección de Servicios Científicos y Proyectos Especiales del IAvH por permitir el
desarrollo de esta iniciativa en el proceso de construcción del mapa de humedales de
Colombia escala 1:100.000, y a la Subdirección Científica por apoyar la participación en
este evento.
Bibliografía
Ali, A., de Bie, C. A. J. M., Skidmore, A. K., Scarrott, R. G., Hamad, A., Venus, V., &
Lymberakis, P. (2013). Mapping land cover gradients through analysis of hyper-temporal
NDVI imagery. International Journal of Applied Earth Observation and Geoinformation
23, 301-312.
Anaya, J & Valencia, G. (2013). Fenología de ambientes tropicales en el marco de la
Teledetección. GeoFocus, 13(2), 195-211.
Apostolakis, A. (2008). Wetland identificacion at National Level: AL. En: Fitoka E &
Keramitsoglou I 2008 (Eds).
Cabrera, E., Vargas, D. M., Galindo, G., García, M.C., & Ordoñez, M.F. (2011). Memoria
técnica de la cuantificación de la deforestación histórica nacional – escalas gruesa y fina.
Instituto de Hidrología, Meteorología, y Estudios Ambientales-IDEAM-. Bogotá D.C.,
Colombia. 91 pp.
Colditz, R.R., Conrad, C., Wehrmann, T., Schmidt, M. & Dech, S. (2008). TiSeG – A
flexible software tool for time series generation of MODIS data utilizing the quality
assessment science data set. IEEE Transactions on Geoscience and Remote Sensing, 46 (10),
3296-3308.
de Bie, C. A. J. M., M. R. Khan, Smakhtin, V. U., Venus, V., Weir, M. J. C., & Smaling, E.
M. A. (2011). Analysis of multi-temporal SPOT NDVI images for small-scale land-use
mapping. International Journal of Remote Sensing, 32 (21), 6673-6693.
Eklundh, L., & Jönsson, P. (2012). TIMESAT 3.1. Software Manual. [Versión electrónica].
Suecia. p 82. Recuperado en 1 de Diciembre de 2013, de
http://www.nateko.lu.se/timesat/docs/timesat3_1_1_SoftwareManual.pdf
Etter, A., McAlpine, C., Wilson, K., Phinn, S., & Possinghan, H. (1996). Regional patterns
of agricultural land use and deforestation in Colombia Agriculture, Ecosystems and
Environment, 114, 369–386.
Fitoka, E., & Keramitsoglou, I. (2008). (Eds). Inventory, assessment and monitoring of
Mediterranean Wetlands: Mapping wetlands using Earth Observation techniques. EKBY &
NOA. MedWet publication. (Scientific reviewer Nick J Riddiford).
Hernández, J., Ortiz, R., Walschburger, T., & Hurtado, A. (1992). Estado de la Biodiversidad
en Colombia. La Diversidad Biológica de Iberoamérica. CYTED, México, DF, 146 pp.
IAvH. (2012). Cartografía de Páramos de Colombia Esc. 1:100.000. Proyecto: Actualización
del Atlas de Páramos de Colombia. Convenio Interadministrativo de Asociación 11-103,
Instituto de Investigación de Recursos Biológicos Alexander von Humboldt y Ministerio de
Ambiente y Desarrollo Sostenible. Bogotá D.C. Colombia.
IAvH. (2014). Principios y Criterios para la Delimitación de Humedales Continentales.
Instituto de Investigación de Recursos Biológicos Alexander von Humboldt. 43 pp. [en
publicación]
IDEAM. (2005). Atlas Climatológico de Colombia. Instituto de Hidrología, Meteorología y
Estudios Ambientales. Bogotá, Colombia. 219 pp.
IDEAM. (2010). Leyenda Nacional de Coberturas de la Tierra. Instituto de Hidrología,
Meteorología y Estudios Ambientales. Metodología CORINE Land Cover adaptada para
Colombia Escala 1:100.000. Instituto de Hidrología, Meteorología y Estudios Ambientales.
Bogotá, D. C., 72p
IDEAM (2014) Segundo Boletín de Alertas tempranas de deforestación en Colombia:
segundo semestre de 2013 (julio-diciembre 2013). Proyecto de Sistema de Monitoreo de
Bosques y Carbono. Instituto de Hidrología, Meteorología, y Estudios Ambientales-
IDEAM-. Bogotá D.C., Colombia.
Jönsson, P. & L. Eklundh. (2004). TIMESAT—a program for analyzing time-series of
satellite sensor data. Computers & Geosciences, 30, 833–845.
Landmann, TR, Colditz, R., & Schmidt, M. (2006). “An Object-Conditional Land Cover
Classification System (LCCS) Wetland Probability Detection Method for West African
Savannas Using 250-Meter MODIS Observations,” In Proc. ‘GlobWetland: Looking at
Wetlands from Space’ (Ed. Lacoste H), ESA SP-634 (CD-ROM), ESA Publications
Division, European Space Agency, Noordwijk, The Netherlands. En: Fitoka, E., &
Keramitsoglou I., (2008).
Lillesand, T. M., Kiefer, R.W., & Chipman, J.K. (2008). Remote Sensing and Image
Interptretacion. Sexta edición. John Wiley & Sons, Inc. Estados Unidos.
Sarmiento, C., Cadena, C., Sarmiento, M., Zapata, J., & León, O. (2013). Aportes a la
conservación estratégica de los páramos de Colombia: Actualización de la Cartografía de
los complejos de páramo a escala 1:100.000. Instituto de Investigación de Recursos
Biológicos Alexander von Humboldt. Bogotá, D.C. Colombia.
MADS. (2002). Política Nacional para Humedales Interiores de Colombia. Estrategias para
su conservación y uso sostenible. Ministerio de Medio Ambiente. República de Colombia.
Bogotá.
Naranjo, L.G. (1997). Humedales. En: Chaves M. y N. Arango (eds.). Informe Nacional
sobre el Estado de la Biodiversidad: pp 140 - 163. Tomo I, Diversidad Biológica. Instituto
de Investigación de Recursos Biológicos Alexander von Humboldt, Ministerio del Medio
Ambiente, PNUMA (Programa de las Naciones Unidas para el Medio Ambiente). 536 pp.
Bogotá, D.C.
Naranjo, N.G., Andrade, G.I., & Ponce, E. (1999). Humedales interiores de Colombia. Bases
técnicas para su conservación y uso sostenible. Instituto de Investigación de Recursos
Biológicos Alexander von Humboldt y Ministerio de Medio Ambiente. Bogotá, D.C.
U.S. Geological Survey 2011. Vegetation Indeces 16-day L3 Global 250m. [versión
electrónica] Recuperada el 15 de octubre de 2013.
https://lpdaac.usgs.gov/products/modis_products_table/
Weier, J., & Herrin, D. (2011). Measuring vegetation (NDVI & EVI). NASA Earth
Observatory [versión en línea] Recuperada en octubre 15 de 2013
http://earthobservatory.nasa.gov/Features/MeasuringVegetation/measuring_vegetation_1.p
hp.
Tabla 1. Estadísticas descriptivas de la Clasificación con 45 clases (clasificación
seleccionada). De las clases 2-4 no hubo representación
Clases Mínimo Máximo Promedio
Clase 1 23.00 23.00 23.00
Clase 5 4.76 31.87 14.60
Clase 6 19.83 58.88 32.00
Clase 7 33.53 47.39 38.98
Clase 8 7.87 103.97 41.52
Clase 9 12.32 80.81 39.10
Clase 10 19.05 81.31 45.59
Clase 11 19.92 129.03 47.36
Clase 12 21.71 163.12 60.49
Clase 13 46.35 64.39 54.70
Clase 14 39.27 89.25 63.08
Clase 15 39.63 102.90 71.10
Clase 16 31.61 169.75 93.56
Clase 17 61.05 89.87 70.50
Clase 18 60.77 138.73 95.88
Clase 19 79.76 92.17 85.80
Clase 20 50.66 154.55 80.67
Clase 21 64.95 132.51 86.97
Clase 22 77.06 164.51 107.68
Clase 23 85.16 123.55 97.43
Clase 24 56.55 185.16 102.42
Clase 25 71.55 162.78 107.15
Clase 26 60.69 171.20 113.70
Clase 27 99.54 139.95 119.43
Clase 28 87.40 149.37 117.90
Clase 29 84.28 181.83 126.40
Clase 30 98.42 174.12 133.19
Clase 31 74.84 202.52 133.95
Clase 32 91.05 192.57 141.36
Clase 33 108.94 201.03 159.52
Clase 34 123.22 162.27 144.78
Clase 35 90.58 192.50 153.93
Clase 36 85.42 204.81 146.69
Clase 37 109.13 172.88 149.67
Clase 38 127.82 165.27 153.74
Clase 39 131.18 174.94 161.95
Clase 40 127.67 198.40 172.63
Clase 41 137.82 193.94 178.25
Clase 42 143.15 201.06 178.27
Clase 43 142.54 195.85 181.27
Clase 44 176.97 207.11 196.31
Clase 45 193.10 224.61 216.79
a. b.
c. d.
f. e.
Figura 1. Ejemplo de ventanas de entrenamieto (recuadros negros) para la selección de la
configuración de los parámetros en TIMESAT. Los ejes X y Y se refieren a la ubicación
espacial de los pixeles, columnas column y filas row respectivamente. La paleta de colores
son los valroes de NDVI. a. Orinoquia b. Amazonia c. Pacífico d. Guajira. e. Andes f.
Depresión Momposina.
Figura 2. Estadísticas divergentes para la selección del número más adecuado de clases en
rutinas de clasificación no supervisada ISODATA clustering.
-2
3
8
13
18
23
28
50000
100000
150000
200000
250000
300000
350000
400000
450000
30 40 50 60 70 80 90 100 110
Mín
ima
div
ergen
cia
Pro
med
io d
e d
iver
gen
cia
Número de clases
Promedio de separabilidad Mínima separabilidad
a. b.
Figura 3. Cuenca baja Magdalena-Cauca: Depresión Momposina. a. Perfiles de NDVI
Clases asociadas a inundación permanente. B. Clases asociadas a inundación temporal. c.
Mapa de detección de humedales en la depresión Momposina (La Mojana y Ciénaga de
Zapatosa)
0
40
80
120
160
200
200
701
200
712
200
723
200
811
200
822
200
910
200
921
201
009
201
020
201
108
201
119
201
207
201
218
ND
VI
(DN
)
Año y no. de imagen
Class 9 Class 10
Class 11 Class 12
0
40
80
120
160
200
200
701
200
712
200
723
200
811
200
822
200
910
200
921
201
009
201
020
201
108
201
119
201
207
201
218
ND
VI
(DN
)
Año y no. de imagen
Class 34 Class 35 Class 37
0
40
80
120
160
200
200
701
200
712
200
723
200
811
200
822
200
910
200
921
201
009
201
020
201
108
201
119
201
207
201
218
ND
VI
(DN
)
Año y no. de imagen
Clase 16 Clase 17
Clase 18 Clase 28
0
40
80
120
160
200
200
701
200
712
200
723
200
811
200
822
200
910
200
921
201
009
201
020
201
108
201
119
201
207
201
218
ND
VI
(DN
)
Año y no. de imagen
Clase 1 Clase 13 Clase 14Clase 15 Clase 37 Clase 38
a. a. b.
Figura 4. Región Pacífica: Río Atrato y San Juan. a. Perfiles de NDVI Clases asociadas a
inundación permanente, cuerpos de agua. b. Clases asociadas a inundación temporal. c.
Perfiles de NDVI de principalmente de ríos y cercanos a pixeles con vegetación densa. d.
Mapa de detección de humedales en el Pacífico.
a. b.
Figura 5. Ecosistemas de Montaña: Páramos a. Perfiles de NDVI Clases 1 y 5 asociadas
glaciares, clases 19, 20 y 23 asociadas al relieve paramuno. b. Clases 23, 24, 25.
0
40
80
120
160
200
200
701
200
712
200
723
200
811
200
822
200
910
200
921
201
009
201
020
201
108
201
119
201
207
201
218
ND
VI
(DN
)
Año y no de imagen
Clase 1 Clase 5 Clase 19Clase 20 Clase 23
a.
0
40
80
120
160
200
200
701
200
712
200
723
200
811
200
822
200
910
200
921
201
009
201
020
201
108
201
119
201
207
201
218
ND
VI
(DN
)
Año y no de imagen
Class 24 Class 25 Class 27
a. . b.
Figura 6. Perfiles de NDVI para la Orinoquia a. Clases 37, 38, 39 asociadas a las sabanas de
inundación b. Clase 28 zona con patrones específicos de inundación en la frontera con
Venezuela, Clases 43-45 asociadas a bosques riparios.
0
40
80
120
160
200
240
200
701
200
712
200
723
200
811
200
822
200
910
200
921
201
009
201
020
201
108
201
119
201
207
201
218
ND
VI
(DN
)
Año y no. de imagen
Clase 37 Clase 38 Clase 39
0
40
80
120
160
200
240
200
701
200
712
200
723
200
811
200
822
200
910
200
921
201
009
201
020
201
108
201
119
201
207
201
218
ND
VI
(DN
)
Año y no. de imagen
Clase 28 Clase 43Clase 44 Clase 45
a. b.
Figura 7. Áreas con baja detección de humedales usando perfiles de NDVI. a. Amazonas.
b. Guajira
0
40
80
120
160
200
240
200
701
200
712
200
723
200
811
200
822
200
910
200
921
201
009
201
020
201
108
201
119
201
207
201
218
ND
VI
(DN
)
Año y no. de imagen
Clase 17 Clase 21
Clase 22 Clase 30
0
40
80
120
160
200
240
200
701
200
712
200
723
200
811
200
822
200
910
200
921
201
009
201
020
201
108
201
119
201
207
201
218
ND
VI
(DN
)
Año y no. de imagen
Clase 13 Clase 19 Clase 27
Clase 34 Clase 42 Clase 45
Figura 8. Ventanas de interés del mapa de detección de humedales usando perfiles de NDVI
(2001-2012) a. Sierra Nevada de Santa Marta, a la derecha mapa de NDVI, izquierda imagen
LandSat b. Complejo Cenagoso La Mojana y Zapatosa, imagen superior es el mapa de
NDVI, inferior imagen LandSat. C. Orinoquia, imagen izquierda es el mapa de NDVI,
derecha imagen LandSat.