Tesis Densidad de Dosel Forestal, como alternativa de la clasificación de los Bosques

La densidad de dosel forestal,como una nueva alternativapara la estratificación de losbosques en el Valle del Sacta

RespónsaleUnv. Armando RodríguezMontellano

TutorIng. M. Sc. Edgar Ponce

Cochabamba – Bolivia

Capitulo I Introducción 1

CAPITULO I

1. INTRODUCCIÓN

Los bosques cumplen funciones medioambientales, tales como la protección de los

recursos de suelos y aguas, la conservación de la biodiversidad, son fuentes y

sumideros de dióxido de carbono, mitigan la desertificación y degradación de los

recursos naturales, debiendo favorecer la productividad y sostenibilidad en función

de protección de aquellos recursos necesarios para la protección del mismo bosque,

contribuyen al bienestar de los pueblos, este punto es clave donde debe dirigirse la

acción y el actuar de los forestales, debemos buscar mejores alternativas de

desarrollo a gran escala y en corto tiempo, todo siempre para el crecimiento de

nuestro país.

Generalmente en la clasificación de Bosques, se aplica una metodología

convencional en el análisis estadístico de la información espacial teniendo ciertas

desventajas en términos de tiempo y costo requeridos para el modelamiento del

bosque, así como sus limitadas aplicaciones por no ser tan fiables o viables en

terreno (JOFCA 1997).

Un buen manejo del recurso forestal depende de operaciones acertadas con el

objetivo principal de monitorear los bosques, para la detección, cuantificación y

seguimiento a lo largo del tiempo sufridos por procesos de origen natural y/o

antrópico que modifican la estructura y/o extensión de los ecosistemas forestales

naturales (ITTO 2000).

Para lograr este objetivo se utilizan principalmente técnicas de percepción remota y

sistemas de información geográfica, este estudio tiene como meta final servirnos de

herramienta para el seguimiento y control de los bosques (Kajiwara et al 1990).

El modelo densidad de dosel forestal que se plantea en este trabajo pretende

optimizar los resultados en la clasificación del bosque para su mejor uso, al obtener

Universidad Mayor de San Simón – Escuela de Ciencias Forestales Armando Rodríguez Montellano 2005


como resultado estratos definidos mediante densidades de copas (dosel); se podrán

plantear estos estratos como unidades de manejo (UM) reduciendo tanto el tiempo

como el costo de manera significativa en la evaluación periódica del recurso forestal;

su aplicación se realizará en el Valle del Sacta (Trópico de Cochabamba), con la

obtención de los resultados demostrativos mediante la utilización de esta nueva

metodología, se pretende proporcionar una herramienta acorde a las necesidades

actuales para el manejo Forestal (JOFCA 1997).

1.1. Justificación

La creciente necesidad de conocer como las perturbaciones naturales o antrópicas

influyen en los ecosistemas ha determinado que los modelos de clasificación se

hayan constituido en los últimos años, en una herramienta de suma utilidad

(ITTO 2000).

Particularmente, en el campo forestal, la urgencia de tomar medidas que

propendan a un mejor uso de los recursos, crea la necesidad de crear técnicas y

metodologías que permitan tener una visión de posibles consecuencias que se

derivan de intervenir estos ecosistemas en diferentes formas (FAO 2001).

JOFCA (1997), afirma que la Densidad de Dosel Forestal DDF es uno de los

parámetros mas útiles a considerar en la aplicación e implementación de

programas de rehabilitación del bosque; esta herramienta combina el análisis

digital de imágenes satelitales Landsat TM georeferenciadas en un solo paquete

,permitiendo a los forestales una rápida clasificación de bosques, expresados en

valores porcentuales de densidad de vegetación .

La formulación de las políticas de manejo para los bosques tropicales se ha visto

limitada por la escasa información disponible sobre las potencialidades forestales

del bosque, por ser difícil de inventariar debido a la extensión y los recursos

económicos insuficientes (ITTO 2000).

La densidad de dosel forestal, como una nueva alternativa para la estratificación de los bosques en el Valle del Sacta.


Como no se puede evaluar periódicamente el comportamiento de los ecosistemas

forestales, ante el aprovechamiento forestal y la aplicación de los diferentes

tratamientos silviculturales, estas permiten dimensionar la perdida paulatina de

la cobertura forestal en los bosques, como en la evaluación ex – ante en el

aprovechamiento forestal haciendo un monitoreo del manejo con la utilización

del modelo DDF (Rikimaru A.1996).

En nuestro medio las evaluaciones son restringidas por el acceso y rentabilidad

en extensiones grandes, lo que ha dificultado la determinación de las patentes

forestales, ciclos de corta y adopción de diámetros mínimos de corta en función

de la dinámica del bosque, es muy necesario recurrir a herramientas que

disminuyan el tiempo y el costo, todo ello con la finalidad de tender al desarrollo

forestal sustentable (Malleux, J. et al 1999).

1.2. Hipótesis

La estratificación y clasificación del Bosque ubicado en el Valle del Sacta, a

través del uso del modelo Densidad de Dosel Forestal DDF tendrá un nivel de

confiabilidad en un 90%.

1.2.1. Identificación de Variables para la estratificación

Independiente

Nivel digital del píxel en cada una de las bandas de la imagenLANDSAT.

DependienteClasificación de coberturas en función al porcentaje de densidad de copas.

Los estratos de la clasificación serán discriminados a partir de la

reflactancia individual del dosel.



1.2.2. Objetivos

1.2.2.1. General

Validar la estratificación de los bosques en el Valle del Sacta

mediante el uso de imágenes satelitales LANDSAT TM, aplicando

el modelo densidad de dosel forestal sugerido por la International

Tropical Timber Organization (siglas en ingles ITTO).

1.2.2.2. Especifico

Utilizar la técnica del modelo DDF para la clasificación en estratos

de la cubierta forestal del Fundo Universitario Sacta.

Adoptar una metodología que pueda ser aplicada con facilidad

para la clasificación de los bosques con este tipo de imágenes.

Verificar la clasificación de los bosques mediante la técnica del

DDF a través de puntos de control.


Capitulo II Marco teórico 5

CAPITULO II

2. MARCO TEÓRICO

2.1. Clasificación de los bosques

Los Bosques Primarios son bosques vírgenes o formaciones vegetales poco

alteradas por disturbios naturales o antropogénicos. De acuerdo a la variedad

ambiental existe una amplia gama de tipos de bosque con diferente estructura y

composición. En zonas tropicales la riqueza en especies es alta y el mismo tipo

de bosque puede tener cientos de especies arbóreas). La abundancia de la

mayoría de especies es baja y la mezcla es intensiva, no sólo en el área

(horizontalmente) sino también en los estratos (verticalmente) (Budowski, 1985

citado por Arroyo 1997).

En ambientes homogéneos, las mezclas y estructuras de los rodales varían en

superficies pequeñas. Se observa una alta heterogeneidad de las dimensiones de

los árboles (diámetro y altura) en pequeñas superficies. En el estrato superior

predominan los árboles gruesos, mientras que los delgados son escasos. Esta

forma de vida o estrategia estructural es especialmente característica para las

especies pioneras longevas, como por ejemplo la mara (Swietenia macrophylla),

las nómadas (planta introducida que crece y se reproduce como si fuera nativa)

como el eucalipto (Eucalyptus spp.) y las oportunistas ( que aparecen en sitios

perturbados abiertos y van colonizando nuevas áreas por tener una fácil

regeneración, llegando a ser elementos dominantes del habitat que ocupan) por

ejemplo el ambaibo (Cecropia spp.) (Lamprecht, H. 1990).

Los Bosques Secundarios son comunidades vegetales que abarcan los estadios

de una sucesión, desde el bosque inicial que se forma en una superficie abierta

natural o antropogénea, hasta su fin, excluyendo el desarrollo de un bosque

primario. En la práctica, el término de bosque secundario se refiere a los estadios



tempranos de sucesión porque los bosques secundarios viejos son generalmente

difíciles de distinguir de un bosque primario. La opinión generalizada que los

bosques secundarios son menos naturales que los bosques primarios no es

correcta cuando las causas de su origen no son antropógeneas y la sucesión

ocurre sin perturbaciones. La composición y las estructuras de estas comunidades

no sólo dependen del medio ambiente, sino también de la edad y las mismás.

varían con el avance de la sucesión (Lamprech, H 1990).

En realidad, un bosque tropical está compuesto por comunidades vegetales en

diferentes estados de desarrollo. La mayoría de los claros en los bosques

tropicales son causados por la caída de uno o más árboles viejos que forman el

dosel superior, que al caer pueden tumbar a varios árboles vecinos. Existen claros

por derrumbes, vientos fuertes, la muerte o lesión de un árbol individual o el

despeje por parte del hombre. La frecuencia de la caída de árboles o la frecuencia

de la formación de claros puede brindar una evidencia indirecta de la importancia

de los claros para la regeneración de las especies, porque al quedar espacio libre

y gracias al aporte de semillas de los árboles circundantes los espacios se llenan

inmediatamente de plántulas. Estas son heliófitas y tienen un rápido crecimiento

en altura y experimentan una competencia por la cual llegan en pocos años a

alcanzar el dosel superior del bosque; las especies tolerantes a la falta de luz

crecen en forma más lenta (Morales, 1990).

La caracterización de la vegetación y su clasificación como diferentes

comunidades vegetales se basa en la composición florística y características

estructurales tales como diversidad, altura, frecuencia, dominancia, abundancia y

área basal de las especies constituyentes (Quevedo 1994).



2.2. Caracterización tropical de bosques

2.2.1. Estratos del bosque

Según Alder, D. et al. (1992) los estratos horizontales están

conformados de la siguiente manera:

2.2.1.1. El estrato suelo

Presenta predominantemente pastos en ecosistemas tropicales,

aquí se desarrolla una intensa vida animal entre los restos de

hojas y troncos en descomposición. En este estrato actúan

también los organismos descomponedores de la materia orgánica,

Entre los troncos se encuentran huecos, acumulación de materia

orgánica y un complicado sistema de troncos muertos, donde se

desarrolla una activa vida animal, con variedad de mamíferos,

aves, reptiles, anfibios, insectos y otros grupos.

2.2.1.2. El estrato del sotobosque

Conformado por arbustos y hierbas. Es de poca densidad debido

a la escasa luz que logra penetrar hasta allí. Cuando se produce

un claro en el bosque, generalmente por la caída de un árbol

maduro, que arrastra a otros, las plantas herbáceas reaccionan

rápidamente, y se forma una mancha de hierbas y arbustos de

importancia para los herbívoros terrestres.

2.2.1.3. El estrato de sub dosel

Está conformado por los fustes de 11 a 20m de altura o troncos

de los árboles, ampliamente cubiertos de plantas epifitas



(bromearas, aráceas, helechos y otras) y lianas de las plantas

trepadoras.

2.2.1.4. El dosel de las coronas continuas

Está conformado por las coronas de los árboles, entre los 25 y 35

m de alto, donde éstas se entrelazan unas con otras. Desde el aire

este estrato parece un tapiz continuo de verdor. Este dosel

dispone de abundante luz solar y aquí crecen muchas plantas

epifitas (bromearas, orquídeas, etc.) entre las ramas, y a él llegan

también las ramas y hojas de las plantas trepadoras. Este estrato

tiene abundancia de hojas, flores y frutos, que mantienen una

variedad de animales especializados y toda una red trófica. La

mayor parte de las especies animales de este estrato nunca

desciende al suelo.

2.2.1.5. El dosel de las coronas emergentes

Está conformado por las coronas de los árboles más altos (35 a45 m) y que sobresalen del dosel continuo de coronas, como el de

la castaña (Bertholetia excelsa). También tiene numerosas

epifitas, muy especializadas y adaptadas a la alta disponibilidad

de luz.

2.3. Métodos convencionales de medición de dosel forestal

Las técnicas que se usan para medir la estructura del dosel para un árbol en

particular, varían tanto las características como los procesos conformación del

dosel ellos se usan para investigar, y esta en función de las varias dimensiones

de investigación (Brown, M et al. 1994).



Los métodos son normalmente dividido en dos categorías: métodos directos que

involucran el contacto físico con los elementos del dosel, y métodos indirectos

que coleccionan radiación que ha atravesado o ha reflejado fuera de los

elementos del dosel (Cooley, A. et al 2002).

2.3.1. Métodos directos y métodos indirectos

Los métodos directos requieren tiempos largos y el trabajo del campo

laborioso, es bastante fácil de compilar la información en variables útiles.

Por otro lado, los métodos indirectos normalmente tienen medidas del

campo rápidas algunos de los cuales pueden recoger inmensas cantidades

de datos casi instantáneamente; sin embargo, la reducción de datos del

campo en la información útil requiere algoritmos complejos, modelos como

componentes de un SIG (Clayton, F. et al. 2000).

Se obtienen resultados más precisos al combinar los ambos métodos, con

los métodos directos se hacen medidas detalladas de una muestra de árboles

en el campo, y usando métodos indirectos detallando modelos paramétricos

se realizan predicciones mediante los modelos, obteniendo datos que

después pueden ser verificados y comparados (Cooley, A. et al 2002).

2.3.1.1. Métodos directos

La manera más simple de medir la orientación en el espacio de

elementos del dosel es ir al campo y medirlos con clinómetros, y

mediciones con cinta métrica. Hacer esto requiere acceso simple a los

doseles. En la estructura vertical de los bosques, la altura es mayor a

5m por lo tanto es difícil medirlos, los investigadores han alcanzado el

dosel con métodos que van de simples a complejos (Brown, M et

al.1994).



Para muchas investigaciones de estructura del dosel que involucra el

acceso directo, para un estratificado acercado a la realidad se toma un

número limitado de individuos, se reúnen variables pequeñas para una

muestra grande. Este juego más pequeño de variables incluye a

menudo la altura del árbol, las alturas del dosel superior y además de

los estratos inferiores, y alguna medida del área de la corona

proyectada, y el diámetro a la altura del pecho (DAP). Con modelo

apropiado se puede validar la estratificación, estas variables pueden

proporcionar a menudo estimaciones buenas de índice de área de hoja,

área del foliar total, biomasa, y muchos otros "estructura del dosel"

que son las variables de interés (Cooley, A. et al 2002).

2.3.1.2. Métodos indirectos

Los métodos indirectos incluyen técnicas de mensura el dosel a través

de los instrumentos, midiendo la altura de un árbol con un clinómetro,

o contar el número de manchas luminosas que ha penetrado el dosel a

una área particular de suelo (Parker, G. 1995).

Sin embargo, la tecnología he tenido una fuerte tendencia por el

desarrollo de una inmensa serie de métodos indirectos más complejos.

Con la aplicación de los métodos de percepción remota RS (por sus

siglas en ingles Remote Sensing) cada vez más modernos,

proporcionan una serie de instrumentos de medición de la cobertura

terrestre.

Los métodos indirectos permiten la toma rápida y extensa de datos, y

permite al investigador aumentar la extensión espacial del estudio.

(Campbell, 1989, citado por Cooley, A. et al. 2002).



2.4. Definición de la densidad de dosel forestal

La densidad de dosel forestal (designada DDF por su abreviatura) es la

proporción de una zona en la naturaleza que queda cubierta por las copas de los

árboles. Esa densidad se expresa en porcentaje del área total. En la práctica

normal, es el ingeniero forestal experimentado quien determina la DDF, por

medio de la observación de la espesura de las copas, es decir la cobertura

(Rikimaru, A. 1999).

La DDF generada por datos de los satélites, por otro lado, es la proporción del

espacio que se identifica como dosel forestal dentro de un píxel de la imagen de

satelite. El tamaño de un píxel en los datos del Landsat TM es de 30 X 30 metros.

El valor (es decir, la porción) de la densidad del dosel forestal calculada en cada

píxel se dispone en una reja para producir un mapa de cobertura forestal. Estos

valores se aplican para calcular la densidad del dosel forestal de cada segmento

o unidad de manejo del bosque y para toda la zona que se esta evaluando

(JOFCA, 1997).

2.5. Modelamiento en Sistema de Información Geográfica (SIG)

En un sentido muy general un modelo de SIG puede ser entendido como un

proceso de combinación de un grupo o mapas de entrada con una función de

producir un mapa resultante.

Mapa resultante = f (2 o más mapas de entrada)

La función f toma muchas diferentes formas, pero la relación expresada por la

función es basada en un entendimiento teórico de los principios físicos y

químicos o ellos son empíricos, basados sobre las observaciones de datos, o

alguna mezcla de teoría y empirismo (Bonham, G. et al. 1994).



2.6. Fundamentos físicos de Sensores Remotos (RS)

2.6.1. Radiación electromagnética

La luz visible es sólo una de las muchas formas de energía

electromagnética. Así, las ondas de radio, el calor, los rayos ultravioleta o

los rayos X son otras formas comunes. Todas estas formas de energía radian

de acuerdo a la teoría básica de ondas o Teoría ondulatoria, que describe

como la energía electromagnética viaja con forma sinusoidal a la velocidad

de la luz:

Donde:

c =Ecuación 1 energía electromagnética

c : constante 3.108 m/s: frecuencia : longitud de onda

que están inversamente relacionadas.

En teledetección, lo normal es caracterizar a las ondas electromagnéticas

por su longitud de onda en micras, es decir, por la posición que ocupan

dentro del espectro electromagnético (Lillesand, H et al 1994).

2.6.2. Reflexión en la superficie terrestre: espectro solar

Cuando la energía electromagnética incide sobre los cuerpos situados en la

superficie terrestre, EI, esta puede descomponerse en tres términos: uno de

reflexión, ER, de absorción, EA y otro de transmisión ET. Así pues,

aplicando el principio de conservación de la energía podemos establecer la

relación existente entre estas tres interacciones de la energía:

EI ) = ER ( ) + EA ) + ET )Ecuación 2 Reflexión en la superficie terrestre: espectro solar



Figura 1 Relación entre flujo incidente y reflejado (Chuvieco E. 1995)

Donde ER denota la reflejada, EA la absorbida y ET la transmitida, siendo

todas dependientes de la longitud de onda.

La fracción de energía reflejada en una longitud de onda particular varía

con los diferentes elementos del suelo y la reflectancia de cada uno de los

elementos varía a diferente longitudes de onda. Por tanto, dos elementos

que son indistinguibles en un campo espectral puede ser muy diferente en

otra banda de longitud de onda (Chuvieco, E. 1995).

2.6.3. Reflectividad espectral

2.6.3.1. Vegetación

Las curvas de reflectividad espectral para la vegetación casi siempre

manifiestan los picos-valles. Los valles en la región del visible vienen

dados por los pigmentos en las hojas de las plantas. La clorofila por

ejemplo absorbe energía fuertemente en las bandas centradas en 0.45 y

0.67 µm. Es por ello por lo que nuestros ojos perciben la vegetación

sana con color verde, debido a la gran absorción en azul y rojo por las



hojas y la alta reflexión en el verde. Cuando la vegetación no está sana

disminuye la clorofila y el resultado es una absorción en el rojo y el

azul, a menudo incrementando la reflectividad espectral en el rojo por

lo que vemos las hojas con tono amarillento (mezcla de verde y rojo).

Al llegar al IR próximo la reflectividad de la vegetación sana aumenta

drásticamente. La región 0.7-1.3 µm refleja entre el 40 – 50% de la

energía incidente, el resto. de la energía es casi toda transmitida, ya

que en esta región la absorción es menor que el 5%. La reflectividad

de 0.7 a 1.3 µm se debe a la estructura interna de las hojas. Como estas

son distintas nos permite diferenciar los tipos de vegetación, aunque

en el visible sean muy similares (Lillesand, T. et al. 1994).

Esta región también sirve para detectar estrés en la vegetación más

allá de 1.3 µm, la reflectividad de las hojas es aproximadamente

inversamente proporcional al contenido del agua total presente en las

hojas (Chuvieco, E. 1995).

2.6.3.2. Suelo

Casi sin variación espectral, los principales factores que afectan a la

reflectividad espectral de los suelos son: humedad, textura (proporción

de arena), rugosidad, presencia de óxidos de hierro y materia orgánica.

Por ejemplo, la presencia de humedad hace decrecer la reflectividad

espectral, al igual que la rugosidad, materia orgánica y la presencia de

óxidos de hierro, estos últimos principalmente en el visible (Chuvieco,

E. 1995).

La influencia del tamaño del píxel. En efecto, la parametrización de

los flujos de energía a través superficie mediante imágenes de satélite

multiespectrales presenta el problema de que éstos caracterizados por

parámetros (cubierta vegetal, humedad del suelo, temperatura) cuya



escala variación es menor que el tamaño del píxel, por lo general se ha

observado que a escalas inferiores a 1m, se debe considerar

descripción de las superficies las características de (i) la vegetación

vista como superposición de elementos discretos (hojas, tallos, ramas,

flores, y otros.) de reflectividad variable, (ii) el suelo, que presenta

variaciones microscópicas (composición de minerales, agua, materia

orgánica, tamaño de las partículas, rugosidad de la superficie, etc.) y

(iii) las sombras proyectadas por los elementos voluminosos (Jasinski,

F. et al. 1989).

2.6.3.3. Agua

Esta transmite la mayor parte de la energía visible que incide en ella,

absorbiendo más cuanto mayor es la longitud de onda de la radiación

incidente. La mayor reflectividad del agua clara está entorno al azul,

disminuyendo cuando se alcanza el infrarrojo próximo. De ahí la

facilidad a estas longitudes de onda de distinguir la línea de la costa

(Roy, P et al.1997).

La variabilidad del agua se detecta mejor en longitudes de onda más

cortas (azul y verde) y está relacionada con la profundidad, el

contenido de materiales en suspensión (clorofila,. nutrientes) y

rugosidad de la superficie. Así, la reflectividad espectral aumenta en

aguas poco profundas. (Chuvieco, E. 1995)



Reflactancia (%)80

Suelocubierto

40

20

0 agua

Suelodescubierto

vegetación

0.4 0.8 1.2 1.6 2.0 2.4infrarrojo infrarrojocercano medio

Figura 2 Reflactividad espectral, en la suelo, suelo y vegetación

(Centro Canadiense de Percepción Remota 2004)

2.7. Programa Landsat

Los satélites Landsat constan de dos tipos de sensores; el Multiespectral Scanner(MSS) y el Thematic Mapper (TM). Estos sensores funcionan a través de la.

radiación solar que reflejan los objetos en la superficie terrestre. Los datos de

reflexión están relacionados o dependen de la estructura y composición de la

vegetación que presenta el suelo. Ambos sensores poseen funciones parecidas, tal

como recibir señales de reflexión producida por los elementos terrestres, y

mediante un sistema electrónico interno procesar dicha reflexión y convertirla a

un formato digital. Esta información es enviada a la superficie terrestre donde

hay instaladas estaciones receptoras que analizan la información para luego

distribuirla en forma de imágenes (Chuvieco, E. 1995).

2.8. Imágenes Landsat

Todas las imágenes de satélite tienen un parecido a la forma de presentación de

una imagen fotográfica común. Las imágenes Landsat pueden ser presentadas

tanto en formato de papel fotográfico, para la aplicación de análisis visual o bajo

una computadora donde se tiene acceso para la realización de análisis digital. La



representación digital de una imagen es un conjunto de números, con valores de0 a 255 que representa la intensidad de reflexión que llega al sensor desde la

superficie terrestre. Este conjunto de números está representado por puntos y

cada punto es llamado “pixel” (del ingles “picture elements”). El valor de cada

pixel es siempre un número entero, y para imágenes TM Landsat representa una

superficie en terreno de 30x30 m, exceptuando la banda 6; mientras que para

MSS la superficie es 80x80 m (Landsat 7, 2004).

2.9. Sensor MSS (Multiespectral Scanner)

Este sensor ha sido desarrollado para los primeros satélites Landsat.Estructurado de cuatro bandas o canales establecidos, cada banda tiene un rango

de medición expresada en unidades de micrones que corresponde al tamaño de

la longitud de onda presente. El MSS tiene un alcance de vista de un área

cuadrangular de hasta 185 km. (100 millas) de ancho, registra 2 bandas visibles

y 2 infra-rojas, la reflexión recibida es enviada a 24 detectores. Como resultado

de esta actividad son las imágenes satélites las cuales se hallan distribuidas en

¨escenas¨ (Chuvieco, E. 1995).

El conjunto de estas imágenes se llama imagen multiespectral, bajo esta lógicasi las imágenes fueron tomadas en tiempo distinto, pero en un mismo espacio se

denominan imágenes multitemporales (USGS 2004).

2.10. Sensor Tematic Mapper (TM)

El TM es uno de los sensores más recientes en los satélites, mecánicamente

parecido al MSS con la diferencia de que cada oscilación del espejo desarrolla16 líneas de barrido y una cadena de 24 a 100 detectores. La resolución espacial

espectral y radiométrica son diferentes, registra 7 bandas visibles 1, 2 y 3

(rojo,verde y azul), infrarojo 4, 5 y 7 (cercano, medio y lejano) y una termal



banda 6. Estas siete bandas tienen una capacidad de resolución de 30x30 m de

terreno, salvo la banda 6 cuya resolución es 120 m (Chuvieco, E. 1995).

2.10.1. El satélite y el sensor

El Landsat 5 pertenece al programa Landsat, financiado por el gobierno de

los Estados Unidos y operado por la NASA. Pesa 2200 Kg y tiene una

longitud aproximada de 4 metros. Lleva a bordo un sensor denominado

Thematic Mapper (TM) que opera en siete bandas espectrales diferentes.

Estas bandas fueron elegidas especialmente para el monitoreo de vegetación

a excepción de la banda 7 que se agregó para aplicaciones geológicas

(USGS 2004).

Tabla 1 Utilidad de las Bandas Landsat en la Percepción remota.

Banda Micrones Utilidad sobresaliente en la Percepción

remotaCuerpos de agua, para diferenciar entre suelo y

Banda 1 ( 0,45 a 0,52 - azul) vegetación y para clasificar distintos cubrimientosboscosos.

Banda 2 (0,52 a 0,60 - verde) Vigor de la vegetación sana, midiendo su pico de

reflectancia (o radiancia) verde.

Banda 3 (0,63 a 0,69 - rojo)Clasificación de la cubierta vegetal. También sirve en ladiferenciación de las distintas rocas y para detectarlimonita

Banda 4 (0,76 a 0,90 - infrarrojo cercano) Contenido de biomasa, para la delimitación de cuerpos

de agua y para la clasificación de las rocas.

Banda 5 (1,55 a 1,75 - infrarrojo medio)Indicativa del contenido de humedad de la vegetación ydel suelo. También sirve para discriminar entre nieve ynubes.

Banda 6 (10,40 a 12,50 - infrarrojo termal)El infrarrojo termal es útil en el análisis del stress de lavegetación, en la determinación de la humedad delsuelo y en el mapeo termal.

Banda 7 (2,08 a 2,35 - infrarrojo medio)Discriminación de rocas y para el mapeo hidrotermal.Mide la cantidad de hidróxilos (OH) y la absorción deagua.

Fuente : (Aerosat S.A. 2004).



Estas siete bandas pueden combinarse de a tres o más, produciendo una

gama de imágenes de color compuesto que incrementan notablemente sus

aplicaciones, especialmente en el campo de los recursos naturales.

(Aerosat S.A. 2004).

El mapeador temático (TM) tiene mayor sensibilidad radiométrica que su

antecesor, el MSS, y mejor resolución espacial, ya que el tamaño del pixel

en todas las bandas excepto la 6, es de 30 metros. Esto permite la

clasificación de zonas tan pequeñas como 2,5 o 3 hectáreas. La banda 6,

que es una banda termal, tiene un pixel de 120 metros en el terreno.

2.11. Transformaciones e interpretación de imágenes satélites

El tipo de sensor que se encuentre en el satélite, toma la energía irradiada por los

elementos provenientes de la superficie terrestre y los convierte en un rango de

valores numéricos, enteros (pixel), que se hallan comprendidos entre 0 y 255

niveles de grises (Clayton, F. et al. 2000).

No es posible obtener datos de superficie, longitud, latitud de la información que

las imágenes contienen. Para lograr todo ello es necesario realizar un

tratamiento de imagen. Este es un tipo de transformación para imágenes el cual

ofrece una gama de coloración en base a la mezcla de los tres principales colores

rojo, verde y azul (RVA). La tonalidad de colores desde el mas oscuro (negro)

hasta el mas claro (blanco) se relaciona con el nivel digital de cada pixels, es

decir que la coloración va, desde valores menores en tonos oscuros y valores

mas altos en tonos claros, haciendo un rango de 0 hasta 255 valores. (Chuvieco,

E. 1995).



2.12. Índices de vegetación

Para estudiar la cobertura vegetal de una zona mediante imágenes de satélites, se

han desarrollado diversas técnicas que permiten tener datos cualitativos y

cuantitativos del estado de la vegetación. Los índices de vegetación son técnicas

que transforman las imágenes originales reduciendo directamente en cada pixel

el número de sus bandas a un solo dato de información. Básicamente estos

índices se fundamentan en el fuerte contraste existente entre la reflectancia

expresada en rango de valores de menor a mayor. En las plantas con actividad

fotosintética, las moléculas de clorofila responsables de esta función absorben la

luz roja, por lo tanto reflejan elementos como nubes, nieve, agua, zonas de suelo

sin cobertura y rocas, mientras que las células de las hojas en un estado de

turgencia normal reflejan la mayor parte de la radiación infrarroja que reciben

(Yaguë, et al. 1999 citado por Chuvieco, E. 1995).

Entonces, una de las transformaciones aplicadas al estudio de vegetación, es el

Indice de vegetación de diferencia normalizada (NDVI). La combinación de las

bandas infrarroja cercana (4) y roja (3) para el sensor TM es utilizada para la

construcción del NDVI. Este resultado permite visualizar a través de los valores

niveles digitales una discriminación mas clara de la vegetación. Existe un rango

de valores que es la respuesta de la magnitud espectral que se obtiene del NDVI

este oscila entre (-1) y el (+1); encontrándose para cubiertas vegetales valores en

torno a 0.2. Sin embargo los valores positivos que se muestran en la imagen

indican menor reflectancia correspondiendo a zonas de vegetación. Mientras que

los valores negativos, generados por una mayor reflectancia mas en el rojo que

en el infrarrojo pertenecen a nubes, nieve, agua, zonas de suelo sin cobertura y

rocas (Chuvieco, E. 1995).



2.13. Métodos de Clasificación digital

La clasificación digital se dirige a obtener una nueva imagen, en la cual cada

uno de los pixeles originales venga definido por un ND (Nivel Digital), que es el

identificador de la clase en donde se haya incluido. Estas clases pueden describir

distintos tipos de cubierta (variable nominal o categórica), o bien intervalos de

una misma categoría de interés (variable ordinal). Por ejemplo, una clasificación

de especies vegetales estaría dentro del primer grupo, mientras un intento de

señalar niveles de afectación en un incendio forestal o de humedad en una

inundación, estaría en el segundo (USGS, 2004).

Se pueden distinguir los siguientes métodos de clasificación: a) Método

Supervisado, b) Método no supervisado (Centro Canadiense de Percepción

Remota, 2004).

2.13.1. Clasificación Supervisada

Para realizar la clasificación supervisada, se sugiere tener un conocimiento

somero de la cobertura y de los elementos circundantes de la zona o área

donde se desarrollará el estudio. Son muy útiles las experiencia de campo

que conlleven relevamientos florísticos y geológicos. Se delimitan áreas de

interés, siendo esto una manera más puntual para realizar el análisis. Así se

consideran áreas representativas de acuerdo a las categorías que se hubieran

tomado en cuenta para realizar la clasificación de cobertura (Kajiwara, et al.

1990).

Una técnica útil es construir polígonos dentro de la imagen, representados

en “campos de entrenamiento”, estos se encargan de entrenar al programa

del computador a reconocer las distintas categorías ya establecidas por el

investigador para la zona de estudio en cuestión. Estos campos de

entrenamiento muestran un rango numérico en niveles digitales que



representa cada pixel. En base a la aplicación estadística básica como la

media y desviación estándar calculadas de los campos de entrenamiento, el

programa de análisis de imágenes analiza los datos numéricos de los pixeles

para definirlos en una de las categorías propuesta y seleccionada mediante

los campos de entrenamiento (Giddings, L.1980).

Es aconsejable seleccionar campos de entrenamiento pequeños de tal

manera que se logre objetivamente analizar el contenido de información en

esta población de pixels, para evitar distorsión en los valores que serán

generados en la matriz de datos (Chuvieco, E.1995).

2.13.2. Clasificación No supervisada

Otra opción para realizar una clasificación de la cobertura se denomina

clasificación no supervisada, en cuyo caso el agrupamiento de pixeles

similares es realizado automáticamente por el sistema digital del

computador. En este sentido lo que se logra es realizar agrupamientos o

categorías arbitrarias que serán utilizadas para la clasificación del área de

estudio (Chuvieco E. 1995).

La clasificación no supervisada está en condición de ofrecer una

información subjetiva, en base a la realidad de sitio de estudio escogido más

bien hace una referencia lógica de lo que capta el sensor. En este sentido si

bien la informática tiene la capacidad de minimizar el tiempo de trabajo en

el análisis de imágenes y su consecuente clasificación un punto muy

importante es el criterio del analista, ya que aún el ojo humano no puede ser

reemplazado (Martínez, I. 1997).

Tanto la clasificación no supervisada como la supervisada, las poblaciones

de pixeles de las diferentes categorías deben tener caracteres espectrales



homogéneos, lo que significa que cada unidad de la imagen (pixel) se

asocia con niveles digitales contiguos similares.

2.14. Resolución de las Imágenes

SNIDS 2001, definen la resolución de un sistema sensor como su habilidad para

discriminar la información de detalle. El conjunto de resoluciones de un sistema

sensor presenta al menos cuatro manifestaciones y son las siguientes:

2.14.1. Resolución espectral

Indica el número y anchura de las bandas espectrales que puede

discriminar el sensor.

Los sensores del satélite Landsat TM (Mapeador Temático) captan la

energía reflejada por la superficie terrestre en 7 bandas o rangos del

espectro electromagnético.

2.14.2. Resolución radiométrica

Esta resolución depende de la sensibilidad del sensor, en otras palabras,

de su capacidad para detectar variaciones en la radiansa espectral que

recibe, y va del nivel (0) hasta 256; el cero equivale al color negro y el

256 al color blanco, existiendo una gama de grises en el rango indicado.

Al conjunto de la resolución espectral y espacial se le conoce como

resolución radiométrica.

2.14.3. Resolución espacial

Este concepto designa al objeto más pequeño (píxel) que puede ser

designado sobre una imagen. El píxel es la medida más generalizada de



resolución espacial. Es la identificación de los objetos sobre la superficie

del suelo y la discriminación de los mismos.

2.14.4. Resolución Temporal

Relacionado con la frecuencia de cobertura que proporciona el sensor,

determinando la periodicidad con la que se registran los datos de la

misma porción de la superficie terrestre.

2.15. Análisis de Componentes principales

El PCA constituye un procedimiento matemático que permite transformar un

número de variables posiblemente correlacionadas en un número menor de

variables no correlacionadas (ortogonales), llamadas componentes principales.

El primer componente (eje) absorbe la mayor cantidad de variabilidad posible

del conjunto de datos y cada uno de los componentes restantes absorbe el resto

(JOFCA, 1996).

Esta metodología es ampliamente usada en teledetección multiespectral. La

transformación de los datos originales multiespectrales mediante el PCA puede

resultar en un conjunto de nuevas bandas (componentes principales), más

interpretables que las originales. El PCA también es usado para comprimir

datos, reduciendo la dimensionalidad espectral de las bandas originales (6 en el

Landsat) en unas pocas bandas transformadas en la imagen de componentes

principales (Maldonado, F. 1999).

2.16. Modelo densidad de dosel forestal DDF

El Modelo DDF combina los datos derivados de cuatro índices: un índice de

vegetación VI, un índice de suelo sin cobertura BI, un índice de sombra SI y un

índice térmico TI. Además, el proyecto estableció tres nuevos índices: un índice



avanzado de vegetación AVI; un índice avanzado de sombra ASI; y un índice de

sombra escalonado SSI (ITTO, 2000).

En la figura 3 se ilustra la relación entre las condiciones forestales y los cuatro

primeros índices. Los valores del VI se refieren a todos los tipos de vegetación,

por ejemplo, bosques y pastos. Los valores del SI se incrementan al aumentar la

densidad del bosque. Los valores del TI aumentan al disminuir los valores del

VI. Al estar expuestos al sol, los suelos negros tienen una temperatura

relativamente alta: por lo tanto, los valores del BI aumentan en proporción a la

superficie de suelo sin cobertura expuesta. Los valores de estos índices se

calculan para cada pixel de la imagen de satélite (ITTO, 2001).

Figura 3 Características de los cuatro índices de condiciones forestales (ITTO, 2000)

Según Rikimaru A. et al (2000), la densidad de dosel se calcula en degradación

de píxeles. El modelo DDF requiere menos información de levantamiento

topográfico, basándose básicamente en el crecimiento del bosque; se obtienen



resultados bastante fiables como muy aplicables dentro de todas las operaciones

forestales, en interpretación de características de suelo, protección de cuencas,

composición florística del bosque entre otras; en la aplicación de este modelo se

analizaran cuatro factores espectrales denominados índices desarrollados a

continuación.

2.16.1. Índice de Vegetación Avanzado (AVI)

Al evaluar el estado de vegetación de los bosques, en este nuevo modelo

se examinan las características de clorofila-a refracción percibida en la

Banda 7 del LANDSAT TM (Roy, P. 1999).

2.16.2. Índice de la Suelo Sin Cobertura (BI)

El valor del índice de vegetación no es tan fiable en situaciones donde la

vegetación cubre menos de la mitad del área, los nuevos métodos

incluyen un índice del suelo sin cobertura (BI) qué se formula con

información de infrarrojo medio. La lógica subyacente de este

acercamiento es basado en la reciprocidad alta entre el estado del suelo

sin cobertura y estado de vegetación. Combina la vegetación y los índices

de suelo sin cobertura en el análisis, se evalúa el estado de la tierra desde

el bosque continuo desde la vegetación con cobertura boscosa hasta

condiciones de la suelo expuesto (Rikimaru, A. et al. 2000).

2.16.3. Índice de la Sombra (SI)

Un bosque permite extraer información sobre la estructura del bosque de

los datos en tres dimensiones, los nuevos métodos examinan las

características de sombra utilizando (a) la información espectral sobre la

propia sombra del bosque y (b) la información termal sobre el bosque



influenciado por sombra. El índice de la sombra se formula a través del

extracto del fulgor bajo de bandas visibles (Roy, P. et al. 2000).

2.16.4. Índice Termal (TI)

Dos factores se toman en cuenta para poder percibir las fluctuaciones de

la temperatura relativa y fresca dentro de un bosque. Uno es el efecto

escudando del dosel del bosque que bloquea y absorbe energía del sol. El

otro es evaporación de la superficie de la hoja que mitiga calentamiento.

La Formulación del índice termal es basado en éstos fenómenos. La

fuente de información termal esta dada por la Banda infrarroja de datos

TM (Roy, P. et al. 2000).

Los índices que se describen a continuación son mas avanzados en

cuestión de percepción y sincronía con los componentes principales


2.16.5. Índice Avanzado de Vegetación (AVI)

El índice avanzado de vegetación (AVI) permite evaluar el estado de la

vegetación de los bosques examinando las características de la clorofila-a.

En los ensayos llevados a cabo, el índice AVI respondió a la cantidad de

vegetación más sensiblemente que el Indice de Vegetación de Diferencia

Normalizada (NDVI) desarrollado por el Instituto de Investigación

NOAA-NESS de Estados Unidos (Hans, E. 2001).

2.16.6. Índice Avanzado de Sombra (BI)

En los bosques con una cubierta superior densa, suele ser imposible

determinar con precisión la intensidad relativa de los valores de sombra

en base a los datos del satélite. En consecuencia, es probable que se



subestime la densidad del dosel forestal. El índice ASI se desarrolló para

abordar este problema (Rikimaru, A. 1998).

2.16.7. Índice de Sombra Escalonada (SSI)

El valor normalizado se utiliza para los cálculos con otros parámetros. Por

ejemplo, entre las áreas de sombra del bosque, a la zona de sombra más

oscura se le asigna el 100%, mientras que a la más clara se le adjudica el

0%. Con el índice de sombra escalonado (SSI) se aumenta la precisión del

análisis en condiciones que superan la capacidad del SI.

Utilizando el SSI es posible diferenciar claramente la vegetación de la

cubierta superior de la vegetación del suelo, lo que ayuda a superar las

dificultades planteadas por las condiciones del tipo 2. Esta es una de las

principales ventajas de la nueva metodología y mejora considerablemente

la precisión del análisis de los datos del satélite (Rikimaru, A.1998).

Figura 4 Condiciones del terreno (ITTO, 1999)



2.16.8. Efectos medioambientales sobre la clasificación por DDF

2.16.8.1. Efecto de cambio de estación

En los bosques húmedos tropicales, la senescencia de las hojas y

la desfoliación ocurren durante la estación seca. Para estimar la

densidad de la vegetación, el Modelo DDF examina las

características de la clorofila a baja cuando los árboles pierden sus

hojas. En tales circunstancias, es necesario ajustar el modelo para

que pueda determinar un tope máximo de densidad de vegetación

que no sea 100%. En algunos casos, será necesario hacer

verificaciones en el terreno en las zonas afectadas (JOFCA, 1999).

2.16.8.2. Efectos de la topografía

Las sombras por el terreno montañoso pueden ser confundidas con

sombras por las copas de los árboles. En aquellas zonas donde

predominan las sombras topográficas, el valor de la DDF queda

afectado por el “ruido” causado por el efecto de la topografía.

Hace falta proceder con cautela cuando se analizan datos afectados

por estas sombras topográficas. Una posibilidad es la de esconder

o cubrir las zonas con mucha sombra y de excluirlas del computo

cuando se calcula la densidad del dosel forestal (JOFCA, 1999).

2.16.8.3. Nubes, sombra de nubes y agua

Las nubes, las sombras de nubes (ruidos) y los cuerpos de agua no

son el objetivo de la estación cuando se usa este modelo. Pueden,

por lo tanto, excluirse semi-automáticamente cuando se usa el



mapeador DDF. Es difícil estimar la DDF en áreas cubiertas de

nubes. Esto es particularmente problemático cuando se quiere

avaluar los bosques tropicales húmedos, donde la imagen de

satélite a menudo esta distorsionada. Cubrir las áreas afectadas,

como se sugirió en el caso de las sombras topográficas, puede ser

una solución parcial pero no completa de este problema. La

próxima etapa de desarrollo de la metodología DDF incluirá

estudios y experimentos para incorporar en el análisis de los

recursos forestales datos de radar enviados por satelite,

combinando esto con los métodos de análisis existentes (JOFCA,

1999).

2.16.8.4. Bruma

Es conveniente eliminar la bruma del computo de la densidad de

dosel forestal, puesto que la bruma afecta el indice de sombra del

Modelo DDF. La bruma se manifiesta como manchas obscuras en

las imágenes de satelite. Es posible eliminar la bruma, buscando el

valor minimo de radiancia. Pero para ello, hace falta un

procesamiento muy detallado de los datos. Es esta una opción que

actualmente no esta incluida en el sistema semi-experto. Por lo

tanto, conviene escoger para los análisis los datos que contengan

la menor distorsión posible (JOFCA, 1999).

2.16.9. Algoritmos del modelo Mapeador DDF y los Procedimientos

2.16.9.1. Definición de Parámetros Técnicos

Índice de vegetación (VI)

NDVI; Índice de Vegetación de Diferencial Normalizado (original de

NOAA)

NDVI = (NIR-R) / (NIR+R)



AVI; Índice Avanzado de Vegetación

(Original de ITTO/JOFCA)AVI = (NIR x (256-R) x (NIR-R) + 1)1/3 , 0< (NIR-R)

ANVI; Índice Avanzado de Vegetación Normalizado

ANVI; Sintetiza los Índices NDVI y AVI, mediante el Análisis del

Componente Principal

Índice de Suelo desnuda (BI)

BI = ((SWIR+R) – (B+NIR)) / ((SWIR+R) + (B+NIR))

Índice termal (TI)

TI; Calibra el Valor de Información de la Banda Termal

Índice de la sombra (SI)

SI = ((256-B)x(256-G)x(256-R))1/3

B; Banda Azul, G; Banda Verde, R; Banda Roja

NIR; Banda de Infra-rojo cercano, SWIR; Onda corta Infra-rojo

Índice de la Sombra avanzado (ASI)

Detecta apertura de claros en la cobertura del bosque; los valores de los

índices SI y VI son menores que el nivel de umbral de vegetación, el

valor del píxel resultante esta en función a las áreas donde no exista

cobertura. Entonces el valor de ASI es el cero (0).

Detecta Suelo negro; los valores de SI y TI son menores que el nivel del

origen Termal, la mirada del píxel sujeta en el área de la suelo Negra.

Entonces el valor de ASI es cero (0). Este proceso es el instrumento para

la anulación de error en áreas de sombra presentes en el bosque


Densidad de Vegetación (VD)

VD ; Densidad de la cobertura vegetal (%) para cada píxel.



Calcula el Componente Principal de VI y BI, y Calibra de Mínimo y el

Nivel Cobertura de la Vegetación Máxima.

Índice avanzado de Sombra (SSI)

SSI; Calibra el Índice de la Sombra para la Zona Boscosa

Agrupaciones por clases “Cluster” (FC)FC; Indica el nivel de tendencia del Bosque, un valor alto muestra

posibilidad alta de Bosque denso.

FC=(VI x SI x (256-BI) +1)1/3

Densidad de Dosel Forestal (DDF)

DDF; Densidad de Dosel Forestal en (%) por cada píxel.

FCD= (VD x SSI +1)1/2 -1



2.17. Diagrama de flujo de procedimientos del modelo DDF

El diagrama descrito por JOFCA, (1999) en la figura 5 distingue la metodología

empleada para la creación de un mapa de cobertura forestal, a partir de índices

de vegetación.

Registrar nuevo proyecto en el DDF Reprocesamiento de un proyecto ya

Existente en el DDF.

Importar la imagen

Preparación del proceso de trabajo en el FCD MapperDesignación de áreas, de Agua, de Nubes, de Sombra de Nubes.

NORMALIZACIÓN DE LA IMAGEN

Calculo de Índice Termal (TI)

Calculo de Índice de Sombra (SI)

Calculo de Índice de Vegetación (VI)

Calculo de Índice de Sombra Escalonado (SSI)

MAPA DE DENSIDAD DE DOSEL FORESTAL (DDF)

Figura 5 Diagrama de flujo del procedimiento del cálculo de Índices (JOFCA, 1999)


Capítulo III Metodología 34

CAPITULO III

3. METODOLOGÍA

3.1. Ubicación área de estudio

El Valle del Sacta esta ubicado en el cantón Icuma, provincia Carrasco del

departamento de Cochabamba a 223 km. de la ciudad con una altitud de

212msnm, ubicado gegraficamente entre 17°31'30'' - 17°7'30'' latitud sud y64°47'10' - 64°3105'' longitud oeste, la propiedad universitaria cuenta

actualmente con 6518 hectáreas (Montecinos, P. 1998).

En la figura 6 se muestra el área de estudio, los mapas fueron trabajados en

proyección UTM, esferoide internacional 1984 y el Datum correspondiente al

WGS -84.

Figura 6 Mapa de Ubicación del área de Estudio



3.1.1. Fisiográfica y suelos

Según estudios de la Universidad Mayor de San Simón (UMSS-1988) el

relieve es levemente ondulado con suelos de origen aluvial de reciente

formación cuyo perfil típico consiste de deposiciones de arcilla, limo y

arena textura fina, suelos de tipo inceptisoles, oxisoles y pocos ultisoles,

con un ph de 4.5 a 5.5 (ácidos) con alta saturación de aluminio y deficiente

en Ca, y Mg (Holdridge, L.1996).

3.1.2. Clima

El clima sub tropical, es de ambiente cálido con temperatura media de 26°

C, temperatura mínima de 22.9°C y la máxima de 29.1°C (SENAMEHI;

2000 citado por Montesinos, P. 1998).

Las máximas precipitaciones ocurren en los meses de diciembre enero

febrero disminuyendo paulatinamente hasta los meses de julio y agosto

siendo estos últimos los menos lluviosos alcanzando una Precipitación

media anual de 3000-3500 mm (Montesinos, P. 1998).

3.1.3. Hidrografía

La zona se caracteriza por la presencia de tres ríos caudalosos de agua

considerables y en gran parte navegables por embarcaciones pequeñas. la

concesión se encuentra surcada de varios arroyos siendo el principal el

arroyo Aro-Uta (Escalante,1980 citado por Montesinos, P. 1998).

En al zona oeste, existen caudalosos muy variables, en los cuales un 3%

tiene un caudal intermitente y el resto con presencia de agua de forma

constante. El mas importante es el Rió Amarillo, que cruza la senda de Alto

Pucara – UMSS, y presenta en época lluviosa una crecida de 50 m



aproximadamente ambos lados, con inundaciones y crecidas temporales

(Macias, M 1993 citado por Montesinos, P. 1998).

3.1.4. Vegetación

Muestra una gran diversidad de especies arbóreas y arbustivas que

corresponden a la formación de vegetal “bosque húmedo subtropical” (bh –

ST) (Holdridge, L. 1987 citado por Montesinos, 1998)

3.2. Materiales

Entre los materiales que se requiere para la elaboración del presente estudio de

investigación tenemos los siguientes:

3.2.1. Requerimientos de medición.-

Brújula

Cinta métrica

G.P.S. Navegador (Sistema de Posicionamiento Global)

3.2.2. Requerimientos de mapas / imágenes.-

Mapas topográficos (Esc. 1: 50000)

Imagen satélite LANDSAT TM (232/072/11/03)

3.2.3. Requerimiento de otros materiales.-

Software y hardware necesarios para el Estudio ( ILWIS 3.2, ERDAS,

ARCVIEW 3.0 ; FCD Mapper 2.0; SYSTAT 11)

Material de escritorio

Cámara fotográfica

Material de escritorio



3.3. Métodos y procedimientos

3.3.1. Tratamiento de la imagen Landsat TM

Lillesand, T. et al (1994) sostienen que para la corrección geométrica

de la imagen, este proceso se refiere a la transformación de cada uno

de los píxeles a un sistema de referencia geográfico conocido, de tal

manera que la orientación espacial de la imagen coincida con otro

sistema de referencia similar, para esto se utiliza ILWIS.

Para este efecto, se ha utilizado, como datos de referencia, las cartas

topográficas 1:50.000 del IGM y se ha aplicado un modelo geométrico

polinomial de primer orden y una transformación mediante el método

de los vecinos más próximos (entre píxeles) (Chuvieco, E.1995).

Antes de realizar la clasificación o estratificación se hace un recorte

de cada imagen para cubrir solamente el sitio de estudio.

El análisis visual de la imagen se realiza una combinación en falso

color o infrarrojo color 4, (Infrarrojo cercano) 5 (Infrarrojo medio), 3

(Rojo). Esta combinación permite garantizar mejor la discriminación

de las cubiertas vegetales, este proceso fue realizado en el modelo

FCD Mapper como se ilustra en la figura 7 (Roy, P. 2000).



Figura 7 Composición de bandas Landsat 543 del Área de Estudio 11/03

3.3.1.1. La designación de la imagen y el análisis del área

Antes de proceder con la importación de la imagen, con la ayuda de

ILWIS se trasforma la imagen de formato Geotiff1 a formato BMP2 el

cual permite cargar la imagen de entrada al FCD Mapper.

La designación de la combinación de bandas para adscribir cada uno

de los píxeles de la imagen a uno de los valores seleccionados, para

que el usuario obtenga una nueva imagen cuyos valores expresen la

categoría temática que obtiene a partir de la imagen original para

facilitar la interpretación visual (Roy, P.1997).

3.3.1.2. Designación del rango del análisis del área

Se designa un rango de despliegue de la imagen como los parámetros

de importación de las 7 bandas, se toma en cuenta la cobertura que

esta fuera del limite administrativo para permitir una buena

1 Extensión del formato TIFF que permite transmitir la información geográfica vinculada a la imagen (posición, orientación, resolución yproyección2 Contracción de Bit MaP (mapa de bits). Formato de archivos gráficos de Windows



discriminación de los valores expresados a partir de reflactancias

diferenciadas por estratos vecinos que denota la selección del área; sus

coordenadas están expresadas en la siguiente tabla.

Tabla 2 Puntos Máximos y Mínimos dentro el rango del Área

Puntos Coor X Coor YMínimos 309.283,15 8.105.685,28Máximos 321.459,22 8.117.330,06

Fuente: Elaboración propia 2005

3.3.1.3. Normalización de la imagen y enmascaramiento de ruidos

A través del proceso de normalización de la imagen se ajustan todos

los datos de los ND´s de los pixeles dentro de la imagen producidos

por efectos medioambientales denominados ruidos para conformar o

configurar una mejor percepción del área de estudio, resaltando sus

características. En este caso no es necesario ajustar a las variaciones

producidas por sombra dentro de la imagen debido el período de

tiempo y sitio los rasgos bio-específicos del área no producen este

fenómeno (Chuvieco, E. 1995).

Con la ayuda del modelo se normaliza la imagen, enmascarando áreas

que puedan ser confundidas con características de la vegetación,

como nubes, sombras de las nubes, pendientes y otros (ITTO, 2000).

(Y1 – Y2) 20 – 220 50A = = =

(X1 – X2) (M –2S) – (M +2S) S

Ecuación 3 Normalización de imagen

B = AX1 + Y1 Y = AX + B

Donde:X1= M-2S X2=M+2S Y1=20 Y2=220M= Media S = Desviación EstandarX = Datos Originales Y = datos Normalizados



Al contrario del método de un SIG normal para agrupar la vegetación,

evalúa el estado del bosque basándose en análisis cualitativo, dicho

análisis de datos en los sistemas percepción remota deriva en toma de

datos preliminares en campo antes de realizar cualquier clasificación

confiable, el modelo de DDF se basa en las condiciones del bosque que

son análisis cuantitativos. El Modelo DDF utiliza la densidad de dosel

del bosque como un parámetro esencial para la caracterización de

condiciones del bosque, innovando parámetros no utilizados

anteriormente.

Figura 8 datos de la Normalización de cada banda (Rikimaru, A. 2002)

3.3.1.3.1. Enmascaramiento de los cuerpos de agua

Estos procedimientos permiten asignar valores de reducción de

ruido o encubrimiento (enmascaramiento) del ruido para que en

el proceso ya de clasificación estos valores no sean confundidos

ni incluidos dentro de las características espectrales analizadas,

con estos valores se remueve las áreas (es decir se enmáscara) de

la imagen dónde el ruido existe debido a la presencia de cuerpos

de agua (ITTO, 2000).



3.3.1.3.2. Enmascaramiento de nubes

Este procedimiento es similar al de encubrimiento de los cuerpos

de agua, el valor de esas porciones de la imagen dónde el ruido

existe debido a las nubes, es removida (es decir se enmascara),

sin embargo este procedimiento es mas delicado e importante

puesto que las nubes nos cubrirán áreas importantes de

clasificación, no permitiendo cuantificar estas áreas (ITTO,

2001).

3.3.1.4. Designación del índice de vegetación (IV)

Dentro del Modelo DDF se busca el índice mas adecuado y/o

ajustarlo mejor, para la practica de la clasificación, buscando que

los valores representen a cabalidad la realidad, por adecuarse

mejor a las características de cobertura forestal haciéndolos mas

notables para el clasificador y usuario (ITTO, 2000).

El índice de vegetación es el mas importante de los índices

porque permite realzar las características antes mencionadas, para

el objetivo de estratificación; elegir en cual de los índices la

clorofila-a se expresa con mayor radianza, por esto es mas fácil

la cuantificación visual de la biomasa presentes en las bandas

(NIR) como se expresa en la formula siguiente (JOFCA, 1997).

NDVI = ( ( TM4 – TM3 ) / ( TM4 + TM3 ) ) * 127 + 128Ecuación 4 NDVI



Ficoeritrina

Clorofila b

B- Caroteno

Ficocianina

Clorofila A

0.01 10 3.80 450 490 570 590 620Longitud de onda, nm

Figura 9 Cromatología espectral vegetal (Chuvieco, E. 1995)

El análisis de componentes principales (ACP) esta basado en las

Bandas del infrarrojo, si la correlación es negativa el numero de

píxeles con valores del Índice de Vegetación será mayor (Jasinki,

F. et al 1990).

Figura 10 Análisis de Componentes Principales para índices (BI VI) (JOFCA, 1999)



3.3.1.4.1. Cálculo del índice termal (TI)

Este índice esta basado en la presencia de la banda termal 6, por

lo que se asignan valores después de la designación del Índice de

vegetación (VI) que seleccionamos anteriormente.

Dos factores se consideraron para representar mejor la

temperatura relativa dentro del bosque. Uno de estos es el efecto

de escudo que proporciona el dosel forestal (Sombra) que

bloquea y absorbe la energía del sol. El otro es la evaporación de

la superficie de la hoja que mitiga el calentamiento en estratos

inferiores mas que en los superiores del bosque (ITTO, 2000).

L= Lmin + ( ( Lmax – Lmin ) / 255 ) * Q

T= K2 / ( ln ( K1 / L + 1) )Ecuación 5 TI

Donde:L: valor de fulgor en el infrarrojo termal.T: temperatura (kelvin).Q: registro digital.K1, K2,: coeficientes de la calibración.K1=666.09 / (µm)K2=1282.71 KelvinLmin = 0.1238 vatios / (µm)Lmax = 1.500 vatios / (µm)

3.3.1.4.2. Cálculo del índice de la sombra (SI)

El cálculo del índice de la sombra involucro una ecuación

normal. El sistema básicamente revisa huecos dentro del bosque

y la información del suelo sin cobertura, con el modelo DDF se

puede calcular además el Índice de la Sombra Avanzado (ASI)

que no es mas que un escalonamiento de sombra con valores que

van de 0 a 100.



El modelo DDF se utilizo la información espectral sobre la

propia sombra del bosque y la información termal en el bosque

influenciado por la sombra. El índice de la sombra se formula a

través del extracto del fulgor de las Bandas Visibles (ITTO,

2000).

SI = ( ( 256-B1) x ( 256 - B2 ) x ( 256- B3 ) ) 1/3Ecuación 6 SI

Donde :SI : Índice de SombraB1 : Banda 1B2 : Banda 2B3 : Banda 3256 :Constante escala de grises

3.3.1.4.3. Cálculo de Índice de Vegetación Avanzado (AVI)

Al evaluar el estado de vegetación del bosque, los nuevos

métodos examinan primero las características de la clorofila-a

que es analizado por todos los Sistemas de Información

Geográfico (SIG) al usar un nuevo Índice de Vegetación

Avanzado (AVI) se analizan dos casos, el primero es para el

estado refractario de la clorofila-a en las bandas 4 y 3; para el

segundo caso de la misma manera pero de la clorofila-b, este

proceso se representa en la formula siguiente (ITTO, 2000).

Caso-(a) B43 <0 AVI = 0

Caso-(b) B43>0 AVI= ( ( B4+1 ) x ( 256-B3 ) x B43 )1/3

Donde:Ecuación 7 AVI

B1~B7: datos de las bandas TM 1~7B43= B4-B3 después de la normalización delrango de los datos.



3.3.1.4.4. Cálculo de Índice de Suelo sin cobertura (BI)

Tomando en cuenta que el valor del índice de vegetación no es

tan fiable en las situaciones dónde las capas de vegetación son

menos de la mitad del área total de estudio, con la utilización del

Modelo Densidad de Dosel Forestal se incluyen un índice de

suelo sin cobertura (BI) qué se formula con el infrarrojo medio

que va de 1,55µ a 1,75µ (JOFCA, 1997).

La lógica subyacente de esta estimación esta basada en la

reciprocidad alta entre el estado del suelo desnudo y estado

húmedo de vegetación del área de estudio. Combinando

vegetación y el índices de suelo sin cobertura en el análisis, se

puede evaluar el estado del suelo en temperatura y cobertura del

bosque el Valle del Sacta que va en degradación (Rikimaru, A.

1999).

BI=((B5+B3)-(B4+B1)) / ((B5+B3) + (B4+B1)) x 100 +100

; 0 <BI <200Ecuación 8 BI

El rango de BI se cubre dentro rango de 8 BitsDonde:BI : Índice de Suelo DescubiertoB1: Banda 1B2: Banda 2B3: Banda 3B4: Banda 4B5: Banda 5

3.3.1.5. Estratificación no supervisada del área de estudio

La estratificación fue resultante del tratamiento de la imagen,

después del proceso de normalización de la imagen, y todos los

demás procesos que mencionamos adelante; la clasificación o



estratificación en este caso, fue basado en 6 clases o unidades que

van de 0 a 100% dentro de los rangos de vegetación de densidad

de dosel los cuales por efectos de análisis preliminar, y efecto de

la investigación se les nombraron como estratos, el valor de 0 en

la clase 1 denota áreas enmascaradas por ruido (ver Tabla3).

Tabla 3 Rango de clases

Clases Rango de estrato %1 0 - 02 1 - 213 22 - 414 42 - 625 63 - 816 82 - 100


3.3.1.6. Definición de los puntos de control

Debido a que se trabaja con una imagen Landsat cuya resolución

espacial es de 30 x 30 metros, la leyenda de trabajo o clases a

categorizar está controlada por este hecho.

Para facilitar la recolección de datos, dentro los puntos de control,

el área de divide en 9 cuadrantes de 113 x113 píxeles, dentro una

variable binomial la probabilidad de certeza de 90%, y esperanza

de error máximo de 10% de error en el mapa, como resultado

tenemos 72 puntos de entrenamiento necesarios para cubrir el

área, siendo estos 18 parcelas temporales de 3 x 3 píxeles.



A1 27 28

25 26

A2 A3

31 32

29 3035 36

B1 B2

19 20

33 34

B3

339pixe ls

15 1617 18

23 24

13 14C1 C2

21 22

C3

7 811 12

5 6113pixe l 3 4

9 10

1 2

339pixe ls

Figura 11 Desarrollo del muestreo Sistemático no Alineado

(adaptado de Chuvieco, E 1995)

Z 2 p q

=n L2

Ecuación 9 Ecuación de Variable Binomial

Donde :n= Numero de muestrasz= nivel de probabilidadp= % de asiento esperadoq= % de error esperadoL= nivel máximo de error

1.962 (95*5) 72=n 52 =

Con esta ecuación binomial se obtuvo 72 puntos de verificación en terreno,

con 95% de probabilidad, con un acierto de la estratificación esperado de

95% y un máximo de error permitido de ±5%.



3.3.2. Verificación de la clasificación del modelo

Tomando como base la información obtenida en la fase anterior, se obtuvo

datos de campo en el área de estudio, en aspectos referidos a la clasificación

del bosque por factores espectrales; se establecen áreas (vértices de puntos

de control) que involucre la mayor representatividad de la clasificación no

supervisada en las unidades dentro del Área de Estudio.

Dentro de las parcelas se realizo un training3 o verificación de la

clasificación de los estratos, para ubicar los puntos, se utilizo GPS en

puntos claves donde la percepción de los satélites sea aceptable,

aprovechando claros de apertura en las copas para hallar los puntos mas

precisos con la ayuda de la brújula y la cinta métrica, en estos puntos se

miden las alturas aproximadas de los árboles presentes en estratos

predominantes.

3.3.2.1. Puntos de control verificables en terreno

Consistió en la caracterización de las clases informacionales de

acuerdo a patrones de reconocimiento en el terreno. Se trata de

delimitar parcelas de muestreo (polígonos), en donde los píxeles que

las componen son representativos por cada una de las categorías y la

información que se desea identificar, correspondiente a las siguientes

unidades o estratos:

3 Training: Levantamiento en campo de los puntos de control (parcelas de muestreo).



3.3.2.1.1. Clases o estratosTabla 4 Estratos

Unidades DescripcionEstrato 1 El estrato del suelo Estrato2 El estrato del soto bosqueEstrato 3 El estrato del sub doselEstrato 4 El estrato de las coronas continuasEstrato 5 El dosel de las coronas emergentes


Así mismo, el grado de cobertura de la vegetación, fue evaluado

tomando en cuenta cinco parámetros:

1) cerrada, con más del 80 % de cobertura2) densa, entre un 40 y un 80 %3) abierta, entre 10 y 40 %4) dispersa, entre 2 y 10 %5) ausente, inferior al 2 %.

3.3.2.2. Validación de unidades en campo

El producto final de la clasificación digital, es un mapa temático. La

fiabilidad de este documento cartográfico depende principalmente, de

la metodología adoptada y de la calidad de los datos sobre los que se

aplica.

La validación se realiza comparando el estrato definido en 72 puntos

GPS´s muestreados de manera sistemática no alineada propuesta por

Chuvieco, E. (1995), y reclasificarla basándose en estratos ya

definidos, con la asignación de valores de descripción, y porcentaje de

cobertura de vegetación para cada estrato en el total de puntos, se

prosigue con la validación del modelo mediante el análisis estadístico .



3.3.3. Validación del Modelo DDF

En esta fase se comparo datos de la clasificación no-supervisada y la

clasificación supervisada, datos obtenidos en campo, así como la

interpretación de los mismos obtenidos de la aplicación de modelos

estadísticos analíticos.

Se asigno valores descriptivos (leyenda) a cada uno de los estratos

seleccionados, de acuerdo a los datos recolectados dentro de los puntos de

control, estos valores fueron los mismos descritos en la tabla 6.

3.3.3.1. Análisis estadístico

Para este análisis se utilizo el software estadístico SYSTAT que

posibilito el análisis comparativo de la estratificación.

Se recurrió al análisis de matriz de correlación y coeficientes Kappa,

por ser más apropiado a las características de este estudio.

La matriz de correlación se uso para comparar una muestra del

verdadero valor del píxel para cada clase de los estratos de la

vegetación que se obtuvo en el trabajo de campo y el segmento

clasificado en la imagen en la base de una comparación de píxel-a-

píxel, que nos permitió analizar con exactitud los diferentes estratos,

interpolando la muestra de cada estrato en las parcelas (Landis J. et al

1977).

Los coeficientes Kappa, se analizaron después de la recolección de

datos de validación en terreno o de parcelas temporales cuya

interpretación temática es conocida sobre algunas partes del área

clasificada, con el objetivo de ser comparados con el mapa de uso y



cobertura obtenido por una clasificación espectral que es básicamente

el objetivo de este estudio como se muestra en la tabla 5 (Hedeker, D.

et al 2002).

Tabla 5 Matriz de Correlación

ReferenciaExactitud Error

Estrato 1 Estrato 2 Estrato 3 Estrato 4 Estrato 5 Estrato 6 TOTAL Usuario Comision

Estrato 1 X 11 X 1+ X 11/X 1+ 1-X11/X1+

Estrato 2 X 22 X 2+ X 22/X 2+ 1-X22/X2+

Estrato 3 X 33 X 3+ X 33/X 3+ 1-X33/X3+

Estrato 4 X 44 X 4+ X 44/X 4+ 1-X44/X4+

Estrato 5 X 55 X 5+ X 55/X 5+ 1-X55/X5+

Estrato 6 X 66 X 6+ X 66/X 6+ 1-X66/X6+

TOTAL X +1 X +2 X +3 X +4 X +5 X +6 SXii

ExactitudProductor

X 11/X+1 X 22/X+2 X 33/X+3 X 44/X+4 X 55/X+5 X 66/X+6

Error deOmision 1-X11/X+1 1-X22/X+2 1-X33/X+3 1-X44/X+4 1-X55/X+5 1-X66/X+6

Fuente: Smillie, K. 1978.

Coeficiente Kappa = (dK-qK)/N-qK)Ecuación 10 KAPPA

Donde:dK= suma de los elementos de la diagonalqK= coeficiente calculadoN = número de puntos obtenido

Una vez construida la matriz, se procedió al cálculo de un coeficiente que

se denota como qK obtenido por la sumatoria de la multiplicación de los

totales de los errores de comisión de los 6 estratos de la clasificación no-

supervisada por los totales de los errores de omisión de los 6 estratos de la

reclasificación (Herrera José et al 1999).



Además, del estadístico kappa, la matriz de confusión nos proporciono

otras informaciones adicionales tales como:

% Fiabilidad global =nº píxeles correctamente clasificados

nº total de píxeles x 100

% Fiabilidad por estrato =

nº total píxeles correctamente clasificados en un estrato x 100nº total de píxeles del estrato

% error de omisión = X+i - Xii x 100

X i+

% error de comisión=

Xi+ - Xii x 100X i+

Landis, J. et al (1977), asociaron a las concordancias observadas cinco clases de

valores de K para el grado de concordancia:

0< k < 0,20 grado de concordancia pequeño o leve.0,21< k < 0,40 grado de concordancia satisfactorio.0,41 < k < 0,60 grado de concordancia moderado.0,61 < k < 0,80 grado de concordancia fuerte.0,81 < k < 1 grado de concordancia casi perfecta.

También, la medida de concordancia kappa puede ser utilizada de forma aislada

para cada una de las clases (Congalton, R. et al.1983).

Para estudiar la significación de las diferencias entre las dos clasificaciones, se

realiza un contraste de hipótesis . Siendo la hipótesis nula H0: k =O, y, la

hipótesis alternativa Hl: k >O. Se utiliza como estadístico de contraste la variable

Z (ecuación 11), que para un nivel de significación de 0,05, le corresponde un Z

crítico de 1,96 (Fleiss, J. 1981).

Z = k /SEcuación 11 Contraste de hipótesis

Donde:Z: variable reducidak : coeficiente de concordancias: desviación típica de k



3.4. Diagrama de flujo de metodología empleada en la estratificación

El diagrama presentado en la figura 12, expresa en síntesis el desarrollo del

trabajo paso a paso de todos los procedimientos para la generación de los

resultados, estos pasos permiten generar mapas de estratificación del bosque.

Landsat TM

CorrecciónSistema

Mapa DDF

Proceso de Reducción de ruido (línea deruido, ruido Atmosférico, área de la Nube,área de sombra de Nube, el área,etc deagua.etc..

Rango de Normalización de los datos TMpara cada banda

CorrecciónAtmosférica

Geo-corrección

DigitalizaciónÍndice devegetaciónAvanzada

ÍndiceSuelo

Índicesombra

Índicetermal

Rectificación de lageoreferencia Diferenciación

Detección de laTierra negra

Registro inicialReferencial de laimagen

Rectificación delregistro

no

Vegetació n/ sueloDesnudo

Índice Avanzadode VegetaciónEscalonada

Integración

Exactitudsuficiente Mapa de Densidad

de Dosel

si

salida

Características de lasparcelas por cada

banda

LocalizaciónParcelas del

campo

conclusión

Base de datos para cadabanda por estrato

Figura 12 Diagrama de la metodología empleada, elaboración propia (2005)


Capitulo IV Resultados y Discusión 54

CAPITULO IV

4. RESULTADOS Y DISCUSIÓN

4.1. Análisis de la densidad de dosel forestal

Para poder analizar como la densidad de dosel puede permitir una rápida

clasificación de los bosques específicamente en el Valle del Sacta, se desarrolla a

continuación todo lo planteado en la metodología paso a paso.

4.1.1. Normalización o realce de la imagen

La imagen que se nuestra en al figura 13 esta normalizada, las áreas de

color negro son cuerpos naturales (agua) removidos que no entran en el

análisis de estratificación a través de la información pictórica4.

Figura 13 Normalización de imagen en B541

4 Pictórica: valores representados por colores.



La composición en falso color de las bandas 5,4,1, permite discriminar

mejor las características y remover áreas de ruido, las bandas fueron

elegidas por lo siguiente, la banda 5 para reducir el ruido de las nubes; la

banda 4 para cuerpos de agua y la banda 1 para penetración de cuerpos de

agua.

Con los histogramas presentes en el modelo DDF se realiza el tratamiento

de enmascaramiento o de realce de la imagen, permiten mejorar el realce

visual, por las características de este estudio es importante e indispensable

realizarlo en cada uno de los índices.(Ver Anexo 1.1)

La banda 1 presenta mayor desplazamiento en sus valores mínimos, lo que

puede ser considerado como un efecto de la dispersión atmosférica; valga

recalcar que la frecuencia relativa de un ND (Nivel Digital) en este y los

demás histogramas se calcula como la proporción del número total de

píxeles de cada banda que cuentan con ese valor.

4.1.1.1.Enmascaramiento de ruidos

Para minimizar la mancha y/o ruido, evitando incurrir en un error de

clasificación, a cada agrupación de estas características se le asigna un

valor de 0. Durante la clasificación no-supervisada el modelo clasifico

la imagen en conglomerados o agrupaciones de vegetación (clusters),

en este caso 6 estratos (o unidades) como se muestra en la figura 14.



Figura 14 Enmascaramiento de cuerpos de Agua

En el enmascaramiento de la imagen referida al cubrimiento y

designación de valores de 0 a las áreas cubiertas de cuerpos de

agua, para no ser incluidas en el análisis espectral de clasificación

posterior.

En el histograma de entrada para enmascarar las superficies de

agua, se encontraron un total de 65 conglomerados dentro del área

de estudio, siendo la frecuencia mas alta que el histograma de

Suelo sin cobertura indicando así áreas mayores y continuas,

asignándoles a los puntos un valor de 175. (ver Anexo 1.2)



Figura 15 Enmascaramiento de suelos sin cobertura

Para la cobertura vegetal se encontró un total de 146 puntos semejantes de

suelo sin cobertura, esta superficie sin cobertura vegetal tiene un valor de

8 % (762,66ha) del total del área expresados en la figura 16 (ver Anexo

1.3)

% 40

35 35

30 2925

2018

15

109 8

5

0 1Est 1 Est 2 Est 3 Est 4 Est 5 Est 6

Figura 16 Superficie por estratos expresado en porcentajes, elaboración propia (2005)



La explicación porque el estrato 2 sotobosque tiene un valor de 1% con

respecto a el total del area, es porque el sensor remoto (satelite) solo capta

la reflactancia de este estrato que no tiene obstrucción de estratos

superiores, se explica mas claramente con una grafica en el Anexo 4.1.

Refiriéndose a este problema Rikimaru, A. (2000) afirma que gracias a los

cuatro índices aplicados por el DDF desminuye enormemente este error en

la discriminación de cobertura vegetal por densidades.

4.1.2. Ajuste del Índice Avanzado de Vegetación Normalizado (ANVI)

Para todos los índices de vegetación en este estudio sin excepción se analiza

bajo componentes principales ACP, permitiendo sintetizar bandas

originales creando nuevas bandas que recojan la mayor cantidad de

información original, esta síntesis es fundamental para nuestro estudio de

estratificación de los bosques.

.

Figura 17 Realce para (ANVI)



La modificación de la imagen en base a los histogramas del ANVI produce 6410

valores máximos dispersos píxel a píxel adentro de los componentes principales

con una media de 95.0 para este índice, este proceso realza la imagen tal y como

se muestra en la figura 17. (ver Anexo 1.4)

Tabla 6 Correlación (BI VI) para ANVI

Elaboración propia a partir del modelo DDF (2005).

La correlación negativa de –0,806 que se muestra en la tabla 6 y también es

ilustrada en la figura 18, indica que predomina la vegetación contra el suelo

desnudo, pero los valores de ambos índices están muy dispersos, no siguiendo

una correlación lineal.

Figura 18 Densidad de Vegetación en el ACP del ANVI



4.1.3. Designación del Índice de Vegetación Avanzado (AVI)

Se designa el valor mínimo del área de vegetación por VI. En la figura 19

se observa que los valores adquiridos para la formación de la imagen son

netamente redundantes (componentes principales), puesto que los tipos de

cobertura tienden a representar un comportamiento similar en regiones

próximas del espectro.

Refiriéndose a esto Rikimaru, A. (2001) hace referencia a la espesura o

densidad de las copas que influyen clasificación de bosques, debiéndose

encontrar el índice que mejor refleje la realidad.

Figura 19 Realce (AVI)

En los histogramas del AVI se encontraron 53991 valores máximos

dispersos píxel a píxel adentro de los componentes principales con una

media de 37.3 para este índice. (ver Anexo1.5)



Tabla 7 Correlación (BI VI) para AVI

AVIIndice de Suelo

Desnudo (BI)Indice de Vegetacion

(VI)

Correlación Media Desviacion Media Desviacion-0,723 126,3 13,2 50,4 37,3


La Correlación negativa de –7,723 que se muestra en la tabla 7 ilustrada

en la figura 20, indica la presencia de vegetación casi en proporciones

similares a las de suelo desnuda, debido a propiedades de reflactancia por

la combinación de bandas, los valores del ACP por lo tanto no son muy

precisos para el efecto de nuestro estudio.

Figura 20 Densidad de Vegetación para el ACP del AVI

4.1.4. Designación del índice de vegetación normalizado(NDVI)

El NDVI dentro de los componentes principales de las bandas espectrales

es el que mejor representa la realidad expresado en la media estadística de

valores sintetizados con respecto al total de valores en toda la imagen.



Figura 21 Realce (NDVI)

En los histogramas del NDVI se encontraron 6305 valores máximos

dispersos píxel a píxel adentro de los componentes principales, reflejando

así una correlación de –0,839 con una media de 126.2 para este índice.

(ver Anexo 1.6).

Tabla 8 Correlación (BI VI) para NDVIÍndices de Suelo Indice de vegetacion

NDVI Desnudo (BI) (VI)Correlación Media Desviacion Media Desviacion

-0,839 126,3 13,2 126,2 30,8


La Correlación de –0.839 nos indica que en la mayor parte de los píxeles

dentro del ACP están presentes la síntesis de valores de vegetación, en

comparación con los índices AVI y VI, la correlación del NDVI permite

una mejor delimitación de la cobertura por tener una rango mas amplio de

propiedades discretas.



Figura 22 Densidad de Vegetación para el ACP del NDVI

4.1.5. Corrección de huecos en el bosque

A través de histogramas de Índices de Vegetación, se delimitan áreas donde

exista aperturas de los doseles, como también la identificación de

características particulares para cada píxel que podría ser confundido con otro

valor.

4.1.5.1.Designación de índice de suelo sin cobertura (BI)

En este proceso se designaron valores mínimos a los píxeles de suelo

desnuda para el BI, este proceso se acompaño con enmascaramientos

(valor equívocos) delimitando áreas donde no exista la presencia de

suelo sin cobertura, para no ser confundida con la sombra del bosque

que tenia valores similares.

Para eliminar la confusión se procedió al cálculo del Índice de la

Sombra Avanzado (ASI), una vez más se procedió a la calibración



manual de los histogramas para delimitar las aperturas de doseles en el

área de estudio.(ver Anexo 1.7 y Anexo 1.8)

Figura 23 Realce para índices de suelo sin cobertura (BI)

Figura 24 Realce y enmascaramiento de suelo sin cobertura para realzar la vegetación



4.1.6. Designación del índice termal (TI) del índice de la sombra (SI)

Se agruparon valores por conglomerados (clusters) usando los índices VI –

BI - SI para la creación de bandas para el TI este índice permite el

despliegue de áreas de temperaturas iguales. Esto designa la categoría de la

clasificación del bosque y entradas del área del bosque.

Figura 25 Realce para índice termal (TI)

La temperatura en el área de estudio esta influenciada por las diferentes

coberturas de vegetación y la evapotraspiración del medio, existe menos

temperatura por la sombra de los árboles expresado en la figura 25 con color

azul, (ver Anexo 1.9)

Roy P. et al (2000) en el estudio de estratificación se refiere al índice termal TI

afirmando que no pueden estar desvinculados los demás índices entre si, ya que

habrá mas temperatura donde los índices de vegetación sean bajos al igual que el

índice de sombra, por el contrario se encontrara menos temperatura en áreas

donde los índices de temperatura y vegetación sean mayores.



4.1.7. Realce de la vegetación

No olvidemos que la densidad de la vegetación que nos proporciona el

modelo DDF esta expresado en porcentajes de 0 a 100%.

En la figura 26 se representa la variación de cobertura, tomando en cuenta

la variación de abundancia de vegetación y no así los estratos en si, este

realce nos indica donde no existe vegetación suficiente a tomar en cuenta en

la estratificación.

Figura 26 Densidad de Vegetación para las 6 clases

Mediante el modelo se clasifico en estratos derivados de conglomerados

estos extraídos de los índices VI-BI-SI y los índices termales. Con estos

datos se ajusto el rango de SI en el área del bosque todo en porcentajes.

Todos estos índices en despliegue falso color, representando las 6 clases o

unidades de clasificación (ver. tabla 9).



Después de el despliegue de los índices se los agrupa en conglomerados(clusters), se hallan con la utilización de una curva de conversión por

colores (ver. figura 27).

4.1.8. Estratificación del Área de estudio

La clasificación supervisada redujo de 9 clases asignadas por la

clasificación no-supervisada preliminarmente a 6 clases; destacando en la

densidad del Bosque para el estudio, el estrato 5 es un estrato muy extenso

representando 35 por ciento del área.

El segundo estrato mas extenso es la densidad del bosque 4 que cubre 17

por ciento del área refiriéndose a un estrato más denso.

Basado en las densidades del dosel, puede asumirse que estas dos clases

tienen mas árboles grandes y menos arbustos y árboles pequeños. La

clasificación también muestra, que el área con los árboles más maduros y

las copas de densidades de dosel más altas sólo aproximadamente 20 por

ciento del área total.

Figura 27 Curva de conversión de conglomerados (clusters).



Tabla 9 Estratos descendientes de vegetación

Unidades Range % Color Total (pix) Total (ha)Estrato 1 0- 0 Gris 36.492.014 2.857,86Estrato 2 1- 21 Anaranjado 1.581.313 123,84Estrato 3 22- 41 Rojo 10.666.967 835,38Estrato 4 42- 61 Verde Claro 22.379.716 1.752,66Estrato 5 62- 81 Verde Obscuro 44.434.205 3.479,85Estrato 6 82-100 Amarillo 9.738.406 762,66Fuente : Elaboración propia 2005

En la tabla 9 se observa que entre los estratos de mayor significancia están

presentes el estrato 1 y el estrato 5 , representados con los colores gris y verde

oscuro respectivamente, donde áreas mayores presentes con 2.857.86ha,

3.479.85ha, y el menos significativo el estrato dos con 123.84ha. (Anexo 2.1).

4.2. Especies encontradas en puntos de control

Con los datos proporcionados por el modelo DDF mas la implementación de

puntos de control permitió clasificar las especies predominantes en los doseles

del estrato para cada una de las clases, la identificación de las especie se llevo

acabo con la ayuda de un matero (ver Anexo 4.2).



Tabla 10 Especies encontradas en los puntos de control

Nombre común Nombre Científico FamiliaAjillo Goldmania paraguensis (Benth.) Brenan MIMOSOIDEAEAmbaibo Cecropia sp. MORACEAEBibosi Ficus sp. MORACEAEBlanquillo Alseis floribunda (Schott) RUBIACEAECharque Eschweilera coriacea (D.C.) Mori LECYTHIDACEAECoquino Pouteria macrophylla (Lam.) Eyma SAPOTACEAECoquino colorado Pouteria nemorosa (Baehni) SAPOTACEAECrispito ni* niGabetillo Aspidosperma rigidum (Rusby) APOCYNACEAEGargatea Jacaratia spinosa (Aublet) A. DC. CARICACEAEIchiramillo Tapirira guianensis (Aublet) ANACARDIACEAEIsigo Tetragastris altissima (Aublet) BURSERACEAELaurel Nectandra sp. LAURACEAELaurel palto Nectandra sp. LAURACEAELeche Leche Sapium marmierii (Huber) EUPHORBIACEAELlave Tetrapteris sp. MALPIGHIACEAEMara macho Tapirira guianensis (Aublet) ANACARDIACEAEMondadiente ni* niNegrillo Nectandra amazonum (Nees) LAURACEAEPacay Inga sp. MIMOSOIDEAEPalmas Mauritia sp. ARECACEAEPalo nui Pseudolmedia laevis (Ruiz & Pavon) MORACEAEPalo roman Tapirira guianensis (Aublet) ANACARDIACEAEPaquio Hymenaea courbaril (L.) CAESALPINIOIDEAEPata de buey Bauhinia ungulata (L.) CAESALPINIOIDEAETrompillo Guarea guidonia (L.) Sleumer MELIACEAETutumillo ni* niUvilla Muntingia calabura (L.) ELAEOCARPACEAEVerdolago amarillo Terminalia oblonga (Ruiz & Pavon) COMBRETACEAEni* = no identificada

La obtención de familia y Nombre científico basados en Guía de Árboles de Bolivia.Fuente: Elaboración propia a partir de identificación por un matero 2005.

La conformación observada del bosque según el dosel y las especies encontradas

en cada uno de los 72 puntos en el valle del Sacta, las especies dominantes son

Terminalia oblonga, Pouteria sp., Tapirira guianensis, Clarisia biflora, Clarisia

racemosa, Eschweilera coriacea, entre las mas abundantes están la

Pseudolmedia laevis y algunas palmeras como Socratea exhorriza e Iriartea

deltoidea que están por enzima de los 35m de altura, presentes en el estrato

superior (Arroyo P. 1997).



4.2.1. Reclasificación

En el estrato 5 están presentes doseles de especies dominantes en posiciones

homogéneas, en el estrato 3 se presenta individuos de dosel múltiple

directamente relacionada con el espectro-electromagnético, el estrato 4

incluye especies de dosel del estrato 2 parcialmente por propiedades

reflectarías del dosel obstruido por el estrato superior, finalmente en el

estrato 1 están las especies suprimidas y pastos con propiedades reflexivas

mínimas, esto es posible afirmar gracias al análisis estadístico de dispersión

de conglomerados. (Anexo 3.1 y tabla 11)

4.3. Análisis de la fiabilidad de la clasificación

Resulta de interés analizar las relaciones entre las diferentes estratos. Para este

análisis se utilizó la técnica de análisis categórico multivariante denominada

kappa (K) (Hudson, W. et al 1999).

La matriz de confusión representa los conflictos que se presentan entre las

diferentes categorías, las columnas representan la información de referencia

(verdad sobre el terreno) y las líneas el resultado de una clasificación visual o

digital. Para la elaboración de la matriz de confusión se tomó como referencia

(estrato real). Esta información es comparada con el producto de la clasificación

no supervisada obtenida por medio del algoritmo FCD (clase en el mapa) y se

genera una mapa temático por estratos 2005 (Hedeker, D. et al.2002) (ver

anexo5).

El porcentaje de fiabilidad por estratos de la clasificación esta descrita en la

tabla 11, donde el estrado 1 es el que presento menos error con un 100% de

exactitud, el estrato 4 una exactitud de 46% porque en los puntos de control se

encontraron doseles pertenecientes al estrato 2.



Tabla 11 Matriz de confusión resultanteReferencia

Estrato 1 Estrato 2 Estrato 3 Estrato 4 Estrato 5 Total Nº dePuntos

ExactitudUsuario

ErrorComision

Estrato 1 9,72 0,00 0,00 0,00 0,00 9,72 10 1,00 0,000

Estrato 2 1,23 5,39 0,00 0,00 0,00 6,62 11 0,81 0,186

Estrato 3 0,00 2,36 23,61 0,00 0,00 25,97 18 0,91 0,091

Estrato 4 0,00 2,78 6,94 8,33 0,00 18,06 12 0,46 0,538

Estrato 5 0,00 1,56 0,00 1,36 5,23 8,15 21 0,64 0,358

Total 10,95 12,09 30,56 9,69 5,23 68,52

Nº Parcelas 10 11 18 12 21 72

Exactitud

Productor 0,89 0,45 0,77 0,86 1,00

Error de 0,11 0,55 0,23 0,14 0,00Omision

Fuente: elaboración propia 2005

Los valores del estadístico kappa k , de su varianza, y del porcentaje

de clasificaciones correctas k 1, son (ver anexo 3.2):

Kappa : K = 0,689Varianza típica de K: 2 = 0,05Desviación típica: S = 0,065

Estos valores revelan la existencia de un grado de concordancia fuerte en la

clasificación (Landis, J. et al. 1977).



%

100

80

10091

81

6460

4640

20

0El estrato del suelo El estrato del

sotobosqueEl estrato de los

troncosEl dosel de las

coronas continuasEl dosel de las

coronas emergentes

Estrato 1 Estrato 2 Estrato 3 Estrato 4 Estrato 5

Figura 28 Acierto en la estratificación expresado en (%) elaboración propia 2005

Realizando el contraste de hipótesis de Fleiss, J. 1981, para estudiar la

significación de las diferencias entre las dos clasificaciones, se obtuvo:

Z = 0,689/0,065 = 10,64

Valor que al ser superior a 1,96 ( =0,05) indica la existencia de concordancia

significativa para un nivel del 95 % entre las clasificaciones comparadas.


Capitulo V Conclusiones 73

CAPITULO V

5. CONCLUSIONES

Los mapas obtenidos mediante comparación mapa-terreno y su expresión en las

matrices de confusión muestran unos porcentajes de error moderados en algunas

categorías (estratos), lo que repercute en un índice de fiabilidad global menor del

que cabría esperar.

La estructura del área de estudio en cuanto a su forma, orientación, el tamaño de

las parcelas, influyen en la estratificación de los estratos; el contraste espacial

entre cubiertas vecinas o la mezcla de usos en una región relativamente pequeña

influyeron en los resultados de la clasificación de diversas maneras.

La morfología del parcelamiento, de pequeña extensión y con gran variedad de

estratos (cada uno con una respuesta espectral diferente), por la estructura de

nuestro bosque denso, existe superposición de estratos.

Se ha empleado el estadístico kappa, para comparar cuantitativamente dos

procedimientos de clasificación de la vegetación, permite una fácil comparación

entre ambos métodos de clasificación.

De los resultados obtenidos se concluye que: hubo un grado de concordancia

fuerte, (K=0,689), cuando se compararon ambas técnicas para el conjunto de

clases de formaciones vegetales. Por medio de un test de hipótesis fue

comprobado estadísticamente a un nivel de significación del 95 %.

Al analizarse las clases de formaciones de forma aislada, se constataron los

siguientes grados de concordancia entre los dos tipos de clasificación:

satisfactorio (K =0,33) para el estrato 2; moderada (K =O,470 y 0,530), para los


Capitulo V Conclusiones 74

estratos 5 y 4; fuerte (K = 0,715) para el estrato 3; y casi perfecta para el estrato1 (K =0,815). Este análisis también fue comprobado estadísticamente a un nivel

de confianza del 95%.

La utilización del método supervisado mas la implementación del DDF permite

una mejor separación entre clases de vegetación. El uso combinado de

informaciones satelitales, y de campo, junto al empleo del método supervisado,

es eficaz para la discriminación de las unidades del "Valle del Sacta" de la región

y su consecuente topografía.

El método es sencillo y rápido, mostrando claramente la clasificación de los

bosques por estrato.

En cuanto a las desventajas de este modelo se pueden nombrar las siguientes, no

existe una interfase adecuada con otros programas SIG, al momento de realizar la

presentación de mapas necesariamente se debe realizar ortoregtificación,


Capitulo VII Bibliografía 75

CAPITULO VI

6. RECOMENDACIONES

Con el desarrollo de esta nueva herramienta se puede optimizar las operaciones

forestales en extensiones grandes, ya sea en propiedades fiscales o privadas, este

modelo de clasificación mediante la densidad de dosel forestal, podría ser utilizada

en concesiones ya que se pueda hacer evaluaciones periódicas del potencial forestal

presente en base a lo expuesto se recomiendan:

Se debería adoptar este modelo para realizar inventarios forestales

rápidos y periódicos, considerando los resultados obtenidos.

Con la ayuda de DDF se podría realizar evaluaciones periódicas

utilizando el modelo densidad de copas, para implementar

operaciones silviculturales en el Valle del Sacta, refiriéndose a las

operaciones de aprovechamiento y post-aprovechamiento forestal.

Se pueden elaborar planes de rehabilitación de bosques, como

plantación a mediana y gran escala.

Se pueden incorporar esta metodología en programas de evaluación

de tierras por usos como uno de sus componentes.

En la bibliografía se menciona que este modelo es independiente de

las revisiones en campo, es decir que no es necesario un control de

la clasificación, pero es recomendable realizarlo a cualquier escala

para poder acercarse a la realidad.



CAPITULO VII

7. BIBLIOGRAFÍA

Aerosat, S.A. 2004. (en línea). Disponible en: http:// www.aeroterra.com

/HTMs/ landsat5tm .htm. Fecha de consulta (12/05/2004).

Alder, D.; Synnott, T. J. 1992. Permanent sample plot techniques for mixed

tropical forest. Tropical Forestry Papers 25. Oxford Forestry Institute, Oxford,

UK.

Arroyo, P. Luzmila 1997. Estructura y composición de una isla de bosque y un

bosque de galería en el Parque Nacional Noel Kempff Mercado.

Bonham, G.; Carter, F. 1994. Geographics Information System for

geoscientists Pergamon, Kidlington,

Brown, M. J.; Parker, G. 1994. Canopy linght transmittace in a chonosequence

of mixed-species deciduous forests. Canadian Journal of Forest Reserch.

Centro Canadiense de Percepción Remota, 2004.: Fundamentals of Remote

Sensing Canada Centre for Remote Sensing. (en línea) Disponible en:

http://www.ccrs.nrcan.gc.ca/ccrs/learn/tutorials/fundam/chapter1/chapter1_2_e.h

tml. Fecha de consulta (12/05/2004).

Chuvieco, E. 1995. Fundamentos de la Teledetección Espacial. Ediciones Rialp,

S.A., Madrid.

Clayton, F.; Blodgett C. 2000. Remote sensing-based geostatiscal modeing of

forest canopy estructure.

Congalton, R.; Oderwald G.; Mead, R. 1983. Assessing Landsat classification

accuracy using discrete multivariate analysis statistical tech-niques.

Photogrammetric Engineering and Remote Sensing.


http://www.aeroterra.com

http://www.ccrs.nrcan.gc.ca/ccrs/learn/tutorials/fundam/chapter1/chapter1_2_e.h


Cooley, A.; Wolosin, M. 2002. Canopy Structure “Canopy research is a

relatively new science”. (en línea) Disponible en:

http://www.biology.duke.edu/bio265/msw10. Fecha de consulta (25/06/2004).

FAO, 2001. Comparison of Forest Area and Forest Area Change Estimates

Derived from FRA 1990 and FRA 2000, Forest Resources Assessment

Programme, Working, FAO, Roma, Italia.

Fleiss, J. L. 1981. Statistical methodso for rates and proportions. New York.

N.Y. J. Willey.

Giddings L. E. 1980.: Transformaciones de Imágenes Landsat para aplicaciones

botánicas. Instituto Nacional de Investigaciones sobre Recursos Bióticos.

Hans, E. A. 2001. A Comparison of forest canopy models derived from lidar

and insar data in a pacific northwest conifer forest University of Washington,

College of Forest Resources, Seattle, WA, USA.

Hedeker, D.; Pechnyo, M. 2002. Chapter 2: Mixed Regression, in SYSTAT

10,Statistics II .

Herrera, J. C.; Carse L. E. 1999. Guía de aplicación de pruebas estadísticas en

el programa systat 7.0 para ciencias biologicas y forestales(Bolfor) .

Holdridge, L. R. 1978. Ecología basada en zonas de vida. San José, Costa Rica:

Instituto Interamericano de Ciencias Agrícolas.216 p.

Hudson, W. D.; Ramn, C. W. 1987.: Correct formulation of fue kappa

coefficient of agreement. Photo-grammetric Engmeering and Remate Sensing.

ITTO, 2000. Desarrollo e instalación de un Sistema de Control de Recursos

Forestales (FORMS) utilizando el Modelo de Densidad del Dosel Forestal

(DDF)elaborado a través del proyecto PD 66/99 Rev.1 F) 48p.

ITTO, 2001. TROPICAL FOREST UPDATE A Newsletter from the

International Tropical Timber Organization to Promote Conservation and

Sustainable Development of Tropical Forests.


http://www.biology.duke.edu/bio265/msw10.


ITTO, 2003. XXXV Consejo Internacional de las Maderas Tropicales, celebrado

en Yokohama (Japón)en noviembre de 2003 .

Jasinski, F. J.; Eagleson, P. S. 1990. Estimation of subpixel vegetation cover

using red-infrared scat-tergrams. IEEE Transactions on Geoscience and Remote

Sensing.

JOFCA, 1995. Proceedings of the Workshop on Utilization of Remote Sensing

in Site Assessment and Planning for Rehabilitation of Logged-over Forests

Cisarua,Bogor, Indonesia,25 –28 de septiembre de 1995.

JOFCA, 1996. Proceedings of the workshop on utilization of remote sensing in

site assessment and planning for rehabilitation of logged-over forests. Bangkok,

Thailand, July 30- August 1, 1996.

JOFCA, 1997. Utilization of remote sensing in site assessment and planning for

rehabilitation of logged-over forests.Project Report on PD 32/97 Rev.2 (F)

Rehabilitation of Logged-over Forests in Asia/Pacific Region, Sub-project III

Informe preparado para la OIMT.

Johnson, R. A.; Wichern, D. W. 1982. Applied Multivariate Statistical

Analysis. 2da.ED. Prentice Hall International Edition. New Jersey.

Kajiwara, K.; Tateishi, R. 1990. Integration of Satellite Data and Geographic

Data of Global Land Cover Analysis. Proceedings, ISPRS Commission.

Lamprecht, H. 1990. Silvicultura en los Trópicos. GTZ, Eschborn

Landis, J. R.; Koch, G. C. 1977. The measurement of observer agreement of

categorical data. Biometrics.33.

Landsat7, 2004. Science Data User Handbook, Chapter 11 – Data Products. (en

línea) Disponible en: http://ltpwww.gsfc.nasa.gov /IAS/handbook/ handbook _

htmls / chapter11/chapter11.html. Fecha de consulta (08/06/2004).

Lillesand, T.; Kiefer, R. 1994. Remote Sensing and image interpretation. John

Wiley & Sons, Inc. 3 ed. USA.


http://ltpwww.gsfc.nasa.gov


Macias, M. 1993. Estudio de Suelos Fundo Universidad Mayor de San Simón

Valle del Sacta Cochabamba Bolivia.

Maldonado, F. 1999. Analise por componentes principais (ACP) na

caracterizafilo da dinamica do uso da terra em área do semi-árido brasileiro.

Malleux, J.; Romero, R. 1999. Estudios sobre los efectos de la estratificación de

bosques tropicales con fines de inventario.

Martinez, I. M. 1997. Consideraciones sobre el Uso de Imágenes de Satélite en

Áreas Tropicales,. Simposio Internacional «Posibilidades de Manejo Forestal

Sostenible en América Tropical.

Montecinos, P. O. 1998. Plan general de manejo en propiedad del Valle del

Sacta. Universidad Mayor de San Simón Escuela técnica Superior Forestal

Cochabamba - Bolivia.

Morales, C. 1990. Bolivia Medio Ambiente y Ecología Aplicada”. Instituto de

Ecología. UMSA. La Paz..

Parker, G. G. 1995. Structure and microclimate of forest conopies. Academic

press, San Diego, Calif.

Quevedo, S. C. 1994.: Caracterización de los principales tipos de bosque

experimental Elías Meneses, reserva forestal de producción el Chore. Tesis de

grado UAGRM – Santa Cruz, Bolivia.

Rikimaru, A. Y. U. 1996. LANDSAT TM Data Processing Guide for Forest

Canopy Density Mapping and Monitoring Model , ITTO workshop on utilization

of remote sensing in site assessment and planning for rehabilitation of logged-

over forests. Bangkok, Thailand, July 30- August 1, 1996.

Rikimaru, A. Y. U. 1998. Yamashita The Basic Study of the Maximum Logging

Volume Estimation For Consideration of Forest Resources Using Time Series

FCD Model. (en línea) Disponible en: http://www.gisdevelopment.net /aars/acrs

/1998/ps2/ps2008pf.htm. Fecha de consulta (08/06/2004).


http://www.gisdevelopment.net


Rikimaru, A Y. U. 1999. The Concept of FCD Mapping Model and Semi-

Expert System. FCD Mapper User’s Guide.” International Tropical Timber

Organization and Japan Overseas Forestry Consultants Association.

Rikimaru, A.; Miyatake, S.; Dugan, P. 2000. Sky is the Limit for Forest

Management Tool.

Robinson, H. A. 1995. Elemenents of Cartografy. Sixth Edition. John Wiley &

Sons, Inc. USA.

Roy, P. S.; Miyatake, S.; Rikimaru, A. 1997. Biophysical Spectral Response

Modeling Approach for Forest Density Stratification, P.S. “Indian Institute of

Remote Sensing, (NRSA), Department of Space, Dehra Dun- 248001, India (en

línea) Disponible en: http://www.gisdevelopment.net/aars /acrs/ 1997/ ts5/ts

5008a .shtml. Fecha de consulta (25/06/04).

Roy P. S. 1999. Space Remote Sensing For Forest Management” India Institute

of Remote Sensing (National Remote Sensing Agency), 1999. (en línea)

Disponible en: http\\www.biospec.org/bpmt/P.S.Roy_Biodata.doc. Fecha de

consulta (10/04/2004).

Roy, P. S.; Miyatake, S.; Rikimaru, A. 2000. Biophysical Spectral Response

modelling Approach for Forest Density Stratification. (en línea) Disponible en:

http://www.gisdevelopment.net/aars/acrs/1996/ts5/index.shtml. Fecha de

consulta (15/06/2004).

Smillie, K. W 1978. An Introduction of Regression and Correlation.

SNIDS, 2001. Sistema Nacional de Información para el Desarrollo Sostenible.

Modulo de Sensores Remotos y Teledetección. La Paz-Bolivia.

USGS, 2004 (U.S. Geological Survey) Estudio Geológico Norte-americano

EROS Data Center, Sioux Falls, SD (en línea) Disponible en:

http://edc.usgs.gov/guides/images/landsat_tm/orbit. Fecha de consulta

(21/04/2004).


http://www.gisdevelopment.net/aars

http://www.biospec.org/bpmt/P.S.Roy_Biodata.doc.

http://www.gisdevelopment.net/aars/acrs/1996/ts5/index.shtml.

http://edc.usgs.gov/guides/images/landsat_tm/orbit.

ÍNDICE

Tesis Densidad de Dosel Forestal, como alternativa de la clasificación de los Bosques

Documents

Transcript of Tesis Densidad de Dosel Forestal, como alternativa de la clasificación de los Bosques