Estudio de bofedales en los Andes ecuatorianos a través de la comparación de imágenes Landsat-8 y Sentinel-2

  1. Jara, C. 1
  2. Delegido, J. 2
  3. Ayala, J. 3
  4. Lozano, P. 1
  5. Armas, A. 1
  6. Flores, V. 1
  1. 1 Escuela Superior Politécnica de Chimborazo
  2. 2 Universitat de València
    info

    Universitat de València

    Valencia, España

    ROR https://ror.org/043nxc105

  3. 3 Universidad Nacional de Chimborazo
    info

    Universidad Nacional de Chimborazo

    Riobamba, Ecuador

    ROR https://ror.org/059wmd288

Mostrar afiliaciones +
Revista:
Revista de teledetección: Revista de la Asociación Española de Teledetección

ISSN: 1133-0953

Año de publicación: 2019

Número: 53

Páginas: 45-57

Tipo: Artículo

DOI: 10.4995/RAET.2019.11715 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Revista de teledetección: Revista de la Asociación Española de Teledetección

Objetivos de desarrollo sostenible

Resumen

El objetivo del presente estudio fue comparar las imágenes Landsat-8 y Sentinel-2 para calcular la extensión, distribución y grado de conservación del bofedal en la Reserva de Producción de Fauna Chimborazo (RPFCH) ubicada en la región andina de Ecuador. Este proceso se desarrolló con trabajos in situ en 16 bofedales con diferentes grados de conservación. Las imágenes Landsat-8 y Sentinel-2 fueron procesadas a través de una calibración radiométrica (restauración de líneas o píxeles perdidos y la corrección del bandeado de la imagen) y una corrección atmosférica (conversión de los niveles digitales a valores de radiancia), para posteriormente calcular los índices espectrales de vegetación: NDVI, SAVI (L= 0,5) donde L es una constante del componente de brillo del suelo, EVI2 (índice de vegetación mejorado 2), NDWI (índice de agua de diferencia normalizada), WDRI (índice de vegetación de rango dinámico amplio) y el modelo Red Edge que solo está dispone en Sentinel-2 dentro de este estudio. Haciendo una clasificación del ecosistema bofedal en las imágenes satelitales aplicando Random Forest, las variables más importantes con Landsat-8 fueron EVI2 (37,72%) y SAVI con L=0,5 (30,97%), mientras que con Sentinel-2 las variables más importantes corresponden a los índices Red Edge (38,54%) y WDRI (27,06%). A partir de los índices calculados, se determinaron dos categorías de análisis: a) bofedal, integrada por los niveles: intervenido [1], medianamente conservado [2] y conservado [3] y b) otros, integrada por áreas que no corresponden a bofedales [4]. Mediante Landsat-8 se evidenció que el porcentaje de clasificaciones correctas de píxeles pertenecientes a la categoría bofedal corresponde a: [1] 72,76%, [2] 58,38%, [3] 68,42%, mientras que para la categoría otros [4] 95,15% fueron correctas. Con Sentinel-2, el porcentaje de clasificaciones correctas corresponde a [1] 95,00%, [2] 82,60%, [3] 96,25%, y para la categoría otros [4] los aciertos fueron 98,13%. De esta forma con Landsat-8 el bofedal corresponde a 21.708,54 ha (41,21%), mientras que con Sentinel-2 el bofedal representa un total de 20.518 ha (38,95%), de las 52.560 ha que pertenecen a la RPFCH, concluyendo que Sentinel-2, debido a su mejor resolución espacial, y a la incorporación de bandas en el Red Edge, obtiene mejores resultados en la clasificación de imágenes.

€ Ver financiación

Información de financiación

Delegido, J., Pezzola, A., Casella, A., Winschel, C., Urrego, E.P., Jimenez, J.C., Soria, G., Sobrino, J.A., Moreno, J. 2018. Estimación del grado de severidad de incendios en el sur de la Provincia de Buenos Aires, Argentina, usando Sentinel-2 y su comparación con Landsat-8. Revista de Teledetección, 51, 47-60. https://doi.org/10.4995/raet.2018.8934 Di Vittorio, C., Georgakakos, A. 2018. Land cover classification and wetland inundation mapping using MODIS. Remote Sensing of Environment, 204, 1-17. https://doi.org/10.1016/j.rse.2017.11.001 Dwire, K., Mellmann, S., Gurrieri, J., 2018. Potential effects of climate change on riparian areas, wetlands, and groundwater-dependent ecosystems in the Blue Mountains, Oregon, USA. Climate Services, 10, 44-52. https://doi.org/10.1016/j.cliser.2017.10.002

Financiadores

Referencias bibliográficas

  • Ahmed, K., Akter, S. 2017. Analysis of landcover change in southwest Bengal delta due to floods by NDVI, NDWI and K-Means cluster with Landsat multiSpectral surface reflectance satellite data. Remote Sensing Applications: Society and Environment, 8, 168-181. https://doi.org/10.1016/j.rsase.2017.08.010
  • Amin, M., Riza, N. 2018. Machine learning enhanced optical distance sensor. Optics Communications, 407, 262-270. https://doi.org/10.1016/j. optcom.2017.09.028
  • Andrade, J. 2016. Determinación del estado de conservación de los bofedales de La Reserva de Producción de Fauna Chimborazo. Escuela Superior Politécnica De Chimborazo.
  • Ayala, J., Márquez, C., García, V., Recalde, C., Rodríguez, M., Damián, D. 2017. Land Cover Classification in an Ecuadorian Mountain Geosystem Using a Random Forest Classifier, Spectral Vegetation Indices, and Ancillary Geographic Data. Geosciences, 7(2), 34. https://doi.org/10.3390/geosciences7020034
  • Bansal, S., Katyal, D., Saluja, R., Chakraborty, M., Garg, J. 2018. Remotely sensed MODIS wetland components for assessing the variability of methane emissions in Indian tropical/subtropical wetlands. Int J Appl Earth Obs Geoinformation, 64(0303- 2434. https://doi.org/10.1016/j.jag.2017.08.011
  • Cabello, J., Alcaraz-Segura, D., Reyes, A., Lourenço, P., Requena, J.M., Bonache, J., Serrada, J. 2016. Sistema para el Seguimiento del funcionamiento de ecosistemas en la Red de Parques Nacionales de España mediante Teledetección. Revista de Teledeteccion, 46, 119-131. https://doi.org/10.4995/raet.2016.5731
  • Delegido, J., Tenjo, C., Ruiz, A., Pereira, M., Pasqualotto, N., Gibaja, G., Verrelst, J., Peña, R., Urrego, E., Borràs, J., Sanchis, J., Pezzola, A., Mosquera, Z., Quinto, Z., Gómez, J., Moreno, J. 2016. Aplicaciones de Sentinel-2 a estudios de vegetación y calidad de aguas continentales. Conference: XVII Simposio Internacional En Percepción Remota Y Sistemas de Información Geográfica (SELPER).
  • Delegido, J., Pezzola, A., Casella, A., Winschel, C., Urrego, E.P., Jimenez, J.C., Soria, G., Sobrino, J.A., Moreno, J. 2018. Estimación del grado de severidad de incendios en el sur de la Provincia de Buenos Aires, Argentina, usando Sentinel-2 y su comparación con Landsat-8. Revista de Teledetección, 51, 47-60. https://doi.org/10.4995/raet.2018.8934
  • Di Vittorio, C., Georgakakos, A. 2018. Land cover classification and wetland inundation mapping using MODIS. Remote Sensing of Environment, 204, 1-17. https://doi.org/10.1016/j.rse.2017.11.001
  • Dwire, K., Mellmann, S., Gurrieri, J., 2018. Potential effects of climate change on riparian areas, wetlands, and groundwater-dependent ecosystems in the Blue Mountains, Oregon, USA. Climate Services, 10, 44- 52. https://doi.org/10.1016/j.cliser.2017.10.002
  • ESA. 2015. SENTINEL-2 User Handbook. (1),1-64.
  • García, E., Lleellish, M.A. 2012. Cartografiado de bofedales usando imágenes de satellite Landsat en una cuenca altoandina del Perú. Revista de Teledeteccion, 38, 92-108. Disponible en: http:// www.aet.org.es/revistas/revista38/Numero38_09. pdf Últim acceso: junio de 2019.
  • Garcia, E., Otto, M. 2015. Caracterización ecohidrológica de humedales alto andinos usando imágenes de satélite multitemporales en la cabecera de cuenca del río Santa, Ancash, Perú. Ecología Aplicada, 14(2):115-125. https://doi.org/10.21704/ rea.v14i1-2.88
  • Gitelson, A. 2004. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation. Journal of Plant Physiology, 161(2), 165-173. https://doi.org/10.1078/0176-1617-01176
  • Gitelson, A., Viña, A., Ciganda, V., Rundquist, D., Arkebauer, T. 2005. Remote estimation of canopy chlorophyll content in crops. Geophysical Research Letters, 32(8), 1-4. https://doi. org/10.1029/2005GL022688
  • Granizo, T., Molina, M., Secaira, E., Herrera, B., Benítez, S., Maldonado, O., Libby, M., Arroyo, P., Ísola, S., Castro, M. 2006. Manual de Planificación Para La Conservación de Áreas, PCA. edited by M. Cuvi. Quito- Ecuador: TNC y USAID.
  • Halabisky, M., Moskal, L., Gillespie, A., Hannam, M. 2016. Reconstructing semi-arid wetland surface water dynamics through spectral mixture analysis of a time series of Landsat satellite images (1984- 2011). Remote Sensing of Environment, 177, 171- 183. https://doi.org/10.1016/j.rse.2016.02.040
  • ENVI - Environment for Visualizing Images v5.1. 2019. Harris Geospatial Solutions. Recuperado en mayo de 2019, disponible en: https://www.harrisgeospatial. com/
  • Heynes, S., Gonzáles, M., Ruacho, L., Gonzáles, M., López, I. 2017. Vegetación de humedales del municipio de Durango, Durango, México. Revista Mexicana de Biodiversidad, 88, 358-364. https:// doi.org/10.1016/j.rmb.2017.03.005
  • Houborg, R., Fisher, J., Skidmore, A. 2015. Advances in remote sensing of vegetation function and traits. International Journal of Applied Earth Observation and Geoinformation, 43, 1-6. https:// doi.org/10.1016/j.jag.2015.06.001
  • Jiang, Z., Huete, A., Didan, H., Miura., T. 2008. Development of a two-band enhanced vegetation index without a blue band. Remote Sensing of Environment, 112(10), 383-345. https://doi. org/10.1016/j.rse.2008.06.006
  • Kaplan, G., Avdan., U. 2019. Evaluating the utilization of the red edge and radar bands from sentinel sensors for wetland classification. Catena, 178, 109-119. https://doi.org/10.1016/j.catena.2019.03.011
  • Lary, D.J., Faruque, F., Malakar, N., Moore, A. 2014. Estimating the global abundance of ground level particulate matter (PM2. 5) Since 1997. Geospatial Health, 9(1), 1-40. https://doi.org/10.4081/ gh.2014.292
  • Li, H., Zhong, X.C., Zhi, W.J.,Wen, B.W., Jian, Q.R., Bin, L., Hasi, T. 2017. Comparative analysis of GF1, HJ-1, and Landsat-8 data for estimating the leaf area index of winter wheat. Journal of Integrative Agriculture, 16(2), 266-285. https://doi.org/10.1016/ S2095-3119(15)61293-X
  • Liang, L., Di, L., Huang, T., Wang, J., Lin, L., Wang, L., Yang, M. 2018. Estimation of Leaf Nitrogen Content in Wheat Using New Hyperspectral Indices and a Random Forest Regression Algorithm. Remote Sensing, 10(12), 1940. https://doi.org/10.3390/ rs10121940
  • Liu, J., Pattey, E., Jégo, G. 2012. Assessment of vegetation indices for regional crop green LAI estimation from Landsat images over multiple growing seasons. Remote Sensing of Environment 123, 347-358. https://doi.org/10.1016/j.rse.2012.04.002
  • Mahdianpari, M., Salehi, B., Mohammadimanesh, F., Brisco, B., Mahdavi, S., Amani, M., Granger, J. 2018. Fisher Linear Discriminant Analysis of coherency matrix for wetland classification using PolSAR imagery. Remote Sensing of Environment, 206, 300- 317. https://doi.org/10.1016/j.rse.2017.11.005
  • McFeeters, S.K. 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7), 1425-1432. https://doi.org/10.1080/01431169608948714
  • Ministerio del Ambiente. 2014. Actualización Del Plan de Manejo de La Reserva de Producción de Funa Chimborazo. EcoCiencia. Riobamba.
  • Nie, S., Wang, C., Xi, X., Lou, S., Li, S. 2018. Estimating the height of wetland vegetation using airborne discrete-return LiDAR data. Optik, 154, 267-274. https://doi.org/10.1016/j.ijleo.2017.10.016
  • O’Neil, G., Goodall, J., Watson, J. 2018. Evaluating the potential for site-specific modification of LiDAR DEM derivatives to improve environmental planning-scale wetland identification using Random Forest classification. Journal of Hydrology, 559, 192- 208. https://doi.org/10.1016/j.jhydrol.2018.02.009
  • Orimoloye, I.R., Kalumba, A., Mazinyo, S.P., Nel, W. 2018. Geospatial analysis of wetland dynamics: wetland depletion and biodiversity conservation of Isimangaliso Wetland, South Africa. Journal of King Saud University - Science. (in press). https://doi.org/10.1016/j.jksus.2018.03.004
  • Qi, J., Chehbouni, A., Huete, A.R., Kerr, Y.H., Sorooshian, S. 1994. A modified soil adjusted vegetation index. Remote Sensing of Environment 48(2), 119-126. https://doi.org/10.1016/0034-4257(94)90134-1
  • Ren, H., Zhou, G., Zhang, F. 2018. Using negative soil adjustment factor in soil-adjusted vegetation index (SAVI) for aboveground living biomass estimation in arid grasslands. Remote Sensing of Environment, 209, 439-445. https://doi.org/10.1016/J.RSE.2018.02.068
  • Rouse, J. W., Hass, R.H., Schell, J.A., Deering, D.W. 1974. Monitoring vegetation systems in the Great Plains with ERTS. Third Earth Resources Technology Satellite (ERTS) Symposium, 1, 309-317.
  • SNAP - ESA Sentinel Application Platform v2.0.2. 2019. STEP | Science Toolbox Exploitation Platform. Recuperado en mayo de 2019, de http://step.esa.int/main/
  • Secretaría de la Convención de Ramsar. 2013. Manual de La Convención de Ramsar , 6a Edición. Ramsar 6, 118.
  • Wang, Y., Yésou, H. 2018. Remote Sensing of Floodpath Lakes and Wetlands: A Challenging Frontier in the Monitoring of Changing Environments. Remote Sensing, 10(12), 1955. https://doi.org/10.3390/rs10121955
  • Zarco, P., Hornero, A., Hernández, R., Beck, P. 2018. Understanding the temporal dimension of the red-edge spectral region for forest decline detection using high-resolution hyperspectral and Sentinel-2a imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 137, 134- 148. https://doi.org/10.1016/j.isprsjprs.2018.01.017
  • Zhang, H., Roy, D., Yan, L., Li, Z., Huang, H., Vermote, E., Skakun, S., Roger, J. 2018. Characterization of Sentinel-2A and Landsat-8 top of atmosphere, surface, and nadir BRDF adjusted reflectance and NDVI differences. Remote Sensing of Environment 215, 482-494. https://doi.org/10.1016/j.rse.2018.04.031
Fuente de los datos: Dialnet