REVISTADE TELEDETECCIÓN - Asociación Española de ...

AETASOCIACIÓN ESPAÑOLA DETELEDETECCIÓNNº 34 DICIEMBRE 2010REVISTADE TELEDETECCIÓNREVISTA DE LA ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN

SUMARIOConsejo de Redacción y Junta Directiva de la AET.................................................................................................... 1Editorial .......................................................................................................................................................................... 2Información y Normas para los autores ....................................................................................................................... 3ARTÍCULOS CIENTÍFICOS• Análisis de cambios de usos del suelo en la «Vega de Granada»: correcciones radiométricas y evaluación delcambio.V. F. Rodríguez-Galiano, M. J. García-Soldado, M. Chica-Olmo, E. Pardo-Igúzquiza, J. P. Rigol-Sánchez yM. Chica-Rivas........................................................................................................................................................... 5• Comportamiento geométrico y radiométrico del sensor AHS durante la campaña multitemporal CEFLES2.M. Jiménez, J. A. Gómez, A. Fernández-Renau, J. A. Holguín, E. de Miguel, O. Gutiérrez de la Cámara yE. Prado ...................................................................................................................................................................... 16• Análisis comparativo de las superficies regadas en los acuíferos del Campo de Montiel y La Mancha Occidentalen el período 2004-2008.M. Bea, S. Montesinos, C. Morugán y S. Moraleda ................................................................................................ 22• Seguimiento del estado ecológico de las aguas continentales superficiales españolas mediante imágenes MERIS.J. A. Domínguez, C. Arancón, C. Alonso, A. Alonso, C. de Hovos y A. Quesada ................................................... 29• Análisis de correlaciones entre la temperatura del aire y la temperatura de las superficies vegetadas medidacon radiometría térmica.R. Niclòs, M. J. Estrela, J. A. Valiente y M. J. Barberà............................................................................................ 36• Dinámica estacional e interanual del NDVI en bosques nativos de zonas áridas argentinas.M. R. Iglesias, A. Barchuk y M. Grilli ...................................................................................................................... 44• Estimación y cartografía de parámetros ecológicos y forestales en tres especies (Quercus ilex L. subsp ilex,Fagus sylvatica L. y Pinus halepensis L.) con datos LiDAR.V. Zaldo, G. Moré y X. Pons....................................................................................................................................... 55• Estudio del crecimiento urbano, de la estructura de la vegetación y de la temperatura de la superficie del GranSan Miguel de Tucumán, Argentina.R. Oltra-Carrió, J. A. Sobrino, J. Gutiérrez-Angonese, A. Gioia, L. Paolini y A. Malizia.................................... 69• Clasificación de cultivos en la zona media de Navarra mediante imágenes radar polarimétricas.A. Larrañaga, L. Albizua y J. Álvarez-Mozos........................................................................................................... 77• Detección automática de edificios mediante imágenes de alta resolución y datos Lidar para la actualizaciónde bases de datos cartográficas en entornos urbanos.T. Hermosilla, L. A. Ruiz y J. A. Recio ...................................................................................................................... 89• ¿QUIÉN ES QUIÉN?: Área de SIG y Teledetección del INDUROT (Universidad de Oviedo)......................... 94• TESIS DOCTORAL: Técnicas de extracción de características y clasificación de imágenes orientada a objetosaplicadas a la actualización de bases de datos de ocupación del suelo............................................................ 96

REVISTA DE TELEDETECCIÓNDirector: José Antonio SOBRINODep. de Física de la Terra i Termodinámica- Facultat de Física.Universidad de ValenciaC/ Dr. Moliner, 5046100 Burjassot (Valencia)Tel.: 96 354 3115. Fax: 96 354 3099. director.revista@aet.org.esSecretario: Juan Carlos JIMÉNEZ MUÑOZUnidad de Cambio Global Dep. de Física de la Terra i Termodinámica-Facultat de Física. Universidad de ValenciaC/ Dr. Moliner, 5046100 Burjassot (Valencia).Tel.: 96 354 3781. Fax: 96 354 3202. jcjm@uv.esConsejo de RedacciónCarlos GARCÍA-SOTOInstituto Español de Oceanografía (IEO)Pablo J. ZARCO-TEJADAInstituto de Agricultura Sostenible (IAS)- CSIC. Córdoba.Juan DE LA RIVAUniversidad de Zaragoza. Zaragoza.Vicente CASELLESUniversidad de Valencia. Valencia.Santiago CASTAÑO FERNÁNDEZUniversidad Complutense. Madrid.Jordi FONTInstitut de Ciéncies del Mar (CSIC). BarcelonaGraciela Isabel METTERNICHTUniversidad de Australia del Sur (Adelaide).Alfredo R. HUETEUniversidad de Arizona.Carlos M. DI BELLACIRN-INTA Castelar y Universidad de Buenos Aires. Argentina.Comité CientíficoFernando CAMACHOEarth Observation Laboratory Spin-off Universidad de Valencia.Fernando. camacho@eolab.esEduardo DE MIGUELLaboratorio de Teledetección INTA. demiguel@inta.esArnon KARNIELIThe Remote Sensing Laboratory.Jacob Blaustein Institute forDesert Research. Ben Gurion Univ. of the NegevSede Boker Campus 84990, ISRAEL. karnieli@bgu.ac.ilAgustín LOBOInstitut de Ciències de la Terra «Jaume Almera»CSIC. Agustin.lobo@ija.csic.esLuis MORALESDpto. de Ciencias Ambientales y Recursos Renovables. Universidadde Chile. lmorales@uchile.clIsmael MOYALMD-CNRS. Ecole Polytechnique. moya@lmd.polytechnique.frFrançoise NERRYLSIIT/TRIO.Louis Pasteur University. nerry@lsiit.u-strasbg.frAlbert OLIOSOINRA - Avignon. olioso@avignon.inra.frAntonio PLAZADpto. Tecnología Computacional y Comunicaciones. Universidadde Extremadura. aplaza@unex.comJean-Louis ROUJEANMeteo-France. jean-louis.roujean@meteo.frAlain ROYERDépartement de géomatique appliquée.Université de Sherbrooke. Alain.Royer@USherbrooke.caJiancheng SHIInstitute for Computational Earth System ScienceUniversity of California. shi@icess.ucsb.eduWout VERHOEFDept. of Water Resources. ITC. verhoef@itc.nlRaúl ZURITA-MILLALaboratory of geo-information science and remote sensingWageningen University. Raul.zurita@wur.nlDepósito legal: B-9.502-1993ISSN: 1988-8740Foto portada: Imagen del canal AHS 15 multitemporal de lastres campañas CEFLES 2.JUNTA DIRECTIVAPresidente: FEDERICO GONZÁLEZ ALONSOINSTITUTO NACIONAL DE INVESTIGACIÓN Y TECNO-LOGÍA AGRARIA Y ALIMENTARIA (INIA)Departamento de Protección Forestal.Centro de InvestigaciónForestalCarretera de la Coruña km 7. 28040 Madrid.Tel.: 913476828. alonso@inia.esVicepresidente: ABEL CALLE MONTESUNIVERSIDAD DE VALLADOLIDLaboratorio de Teledetección LATUV.Edificio I+D. Paseo de Belén, 1. 47011Valladolid.Tel.: 983423952. abel@latuv.uva.esSecretaria: JUAN JOSÉ PECES MORERAINSTITUTO GEOGRÁFICO NACIONALServicio de TeledetecciónC/ General Ibáñez Íbero, 3. 28003 MadridTel.: 915979526. jjpeces@fomento.esTesorera: CONSUELO GONZALO MARTÍNUNIVERSIDAD POLITÉCNICA DE MADRIDDepartamento de Arquitectura yTecnología de Sistemas InformáticosCampus de MontegancedoBoadilla del Monte. 28660 Madrid.Tel.: 913367382. chelo@fi.upm.esVocal: SILVIA MERINO DE MIGUELUNIVERSIDAD POLITÉCNICA DE MADRIDEscuela Universitaria de Ingeniería Técnica ForestalUD TopografíaCiudad Universitaria s/n. 28040 Madrid.Tel: 913367668. silvia.merino@upm.esVocal: MARÍA DEL CARMEN RECONDO GONZÁLEZUNIVERSIDAD DE OVIEDODepartamento de Explotación y Prospección de Minas.C/ Gonzalo Gutierrez Quirós. 33600 Mieres.Tel: 985458034. crecondo@etsimo.uniovi.esVocal: SALOMÓN MONTESINOS ARANDAGEOSYS, SLSector Foresta, 23 locales 7 y 8.Tres Cantos. 28760 Madrid.Tel.: 912797232 - Fax: 912298394. smontesinos@geosys.esRevista de Teledetección. ISSN: 1988-8740. 2010. 34: 1 1

EDITORIALEstimados socios y lectores,En este número 34 de la Revista de Teledetección se publican un total de 10 artículos correspondientesa diversas temáticas, entre las que se encuentran la dinámica del NDVI en bosques nativosde Argentina, la estimación y cartografía de parámetros ecológicos y forestales con datos Li-DAR, el análisis de cambios de usos del suelo mediante imágenes Landsat, el análisis comparativode las superficies regadas en los acuíferos del Campo de Montiel y La Mancha Occidental entre2004 y 2008, el seguimiento del estado ecológico de las aguas continentales mediante imágenesMERIS, el análisis del comportamiento geométrico y radiométrico del sensor AHS durante la campañaCEFLES2, el análisis de correlaciones entre la temperatura del aire y la de las superficies vegetadas,la clasificación de cultivos mediante imágenes radar polarimétricas, la detección automáticade edificios mediante imágenes de alta resolución y datos Lidar y el estudio del efecto de islade calor en una región de Argentina.La sección «¿Quién es quién?» corresponde al Instituto de Recursos Naturales y Ordenacióndel Territorio (INDUROT), un centro propio de la Universidad de Oviedo creado en el año 1985 ycuya sede actual se encuentra en el Campus de Mieres. Su actividad principal es la investigación yel asesoramiento científico y técnico sobre los aspectos relacionados con la ordenación del territorio,los recursos naturales y el medio ambiente en general, así como la docencia de tercer ciclo.En «Reseñas de Tesis» se incluye una tesis doctoral desarrollada en el Departamento de IngenieríaCartográfica, Geodesia y Fotogrametría de la Universidad Politécnica de Valencia, dedicadaa las técnicas de extracción de características y clasificación de imágenes orientada a objetos aplicadasa la actualización de bases de datos de ocupación del suelo.Para finalizar, sólo me resta seguir animando a los lectores a enviar sus trabajos a las diferentessecciones de la Revista de Teledetección.José A. SobrinoDirector2 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 2

Información y Normas para los autoresRevista de Teledetección (ISSN: 1988-8740) esuna publicación científico-técnica en la cual sepublican artículos originales de investigación, relacionadoscon las diversas aplicaciones de la Teledeteccióny con su desarrollo metodológico. Ensecciones aparte, se presentan Casos Prácticosque describen experiencias prácticas en los quese ha utilizado la teledetección para desarrollarproyectos de análisis y gestión territorial o paradesarrollar misiones, sensores o segmentos terrestres.También, se incluyen recensiones críticas delibros, programas y material docente relacionadocon métodos o aplicaciones de la teledetección,así como resúmenes de tesis doctorales.Revista de Teledetección es el órgano de expresióncientífica de la Asociación Española de Teledetección.Se publica ininterrumpidamente desde1993, siendo la publicación de referencia en nuestroidioma en el ámbito de los desarrollos y aplicacionesde esta tecnología. Se edita semestralmente.Los artículos originales de investigación sonsometidos a un proceso de evaluación externa yanónima por pares, por parte de miembros especialistasde la comunidad científica nacional e internacionalde teledetección, supervisado y coordinadopor el Consejo de Redacción. Revista deTeledetección se compromete a comunicar a losautores la aceptación o rechazo de los manuscritosen un plazo de 3 meses.Revista de Teledetección se encuentra indexadaen el Catálogo LATINDEX (http://www.latindex.unam.mx/) y en las bases de datos ISOC eICYT (Instituto de Estudios Documentales sobreCiencia y Tecnología, IEDCYT-CSIC). A travésdel portal de difusión electrónica de revistas científicasDIALNET de la Universidad de La Rioja(http://dialnet.unirioja.es/) y del sitio web de laAsociación Española de Teledetección(http://www.aet.org.es/?q=numeros) se puede accedera los contenidos de la revista, en formato.pdf. Revista de Teledetección forma parte de e-revist@s, una Plataforma Open Access de RevistasCientíficas Electrónicas españolas y latinoamericanas(http://www.erevistas.csic.es/). Porúltimo, el sitio web de la Asociación Española deTeledetección (http://www.aet.org.es/) dispone deuna herramienta de búsqueda que puede aplicarsea la selección de los contenidos de los númerospublicados de la revista.PRESENTACIÓN DE ORIGINALES1. ARTÍCULOSLos artículos deberán ser obligatoriamente originalese inéditos. Se enviarán en soporte digital(preferentemente Word o compatible). El trabajono excederá de 25 páginas (DIN-A4) incluidos resúmenes,figuras, tablas y referencias. Los trabajosdeberán ir precedidos de resúmenes en españole inglés, finalizando con las palabras clave.Para facilitar la edición se recomienda escribir losartículos utilizando la plantilla Word disponibleen el siguiente enlace:http://www.aet.org.es/plantillas/plantilla.docEl Consejo de Redacción seleccionará los artículosen función de su calidad y originalidad.Para desarrollar esta tarea de supervisión, contarácon la colaboración de especialistas de la comunidadcientífica nacional e internacional de teledetecciónquienes, de forma anónima,informarán sobre la conveniencia o no de la publicaciónde los artículos evaluados o, en su caso,sobre las modificaciones que el autor deberáincluir en el trabajo. La maquetación final del artículose realizará desde la secretaría de la revista,una vez que se haya recibido la versión finaldel mismo, aprobada por el consejo de redacción.En cualquier caso, es recomendable ajustarsea los siguientes criterios:• Título en Mayúsculas, centrado. Además deltítulo en español, los autores indicarán el títulodel artículo en inglés.• A continuación, autores e institución en laque trabajan, dirección y correo electrónico parael autor principal.• Resumen / Abstract y palabras clave (mínimode 5).• Texto principal: los epígrafes principalesirán, sin numerar, en mayúsculas y negritas y lossubepígrafes en minúsculas negritas.• Las líneas vendrán numeradas correlativamentedesde el inicio hasta el final del texto.• Referencias. Tablas. Pies de figura y figuras,insertadas en el documento.• Las citas de autor, en el texto, irán en minúscula(ej. Fernández, 2006 ó Fernández et al.,2005).• Las tablas y figuras deberán llevar un títuloy estar numeradas consecutivamente. Se indicaráRevista de Teledetección. ISSN: 1988-8740. 2010. 34: 3-4 3

V. F. Rodríguez-Galiano et al.su inserción en el texto con el texto: «Insertar fig.XX». Las figuras pueden insertarse en el texto parala versión de evaluación, pero se requerirá posteriormenteremitirlas en ficheros gráficos (tif, jpg),con suficiente resolución (300 ppp o superior). Sedebe prestar especial atención a la rotulación, paraque sean legibles al tamaño final de reproducción.Se pueden incluir figuras en color, aunque convieneconsiderar que sólo se reproducirán en color parala edición electrónica de la revista, mientras seránen blanco y negro para la versión impresa. Lastablas se envierán en un archivo de Microsoft Excel,evitando insertar figuras en ellas.• Se intentará evitar la inclusión de notas a piede página. En caso necesario, la numeración serácorrelativa. Se indicarán en el texto como superíndices.Las referencias irán al final del texto del artículoy sólo se incluirán las citadas en el texto. Estarádispuesta por orden alfabético por el apellidodel autor o autores, en mayúscula y nombre onombres propios con inicial, seguido de la fecha,título en cursiva, lugar de edición, editorial y númerode páginas (ej: CHUVIECO, E. 2002. TeledetecciónAmbiental, Barcelona, Ariel, 586 pags).Los artículos de revista habrán de redactarse comosigue: apellidos del autor o autores con las inicialesde sus nombres propios, fecha de edición,título del trabajo, nombre de la revista en cursiva,número del volumen y/o del fascículo, primeray última página (ej. VENTURINI, V., RODRÍ-GUEZ, L. y ISLAM, S. 2007. Metodología parala estimación de la facción evaporable y la evapotranspiracióncon productos MODIS. Revistade Teledetección. 27: 44-52).2. PRESENTACIÓN DE CASOSPRÁCTICOSLa revista incluirá una sección que describa experienciasprácticas en las que se haya utilizadola teledetección para desarrollar un proyecto degestión o análisis territorial, desarrollo de misiones,sensores, segmentos terrestres, etc. Su objetivoes mostrar ejemplos de cómo la teledetecciónse emplea en situaciones prácticas.Estos artículos no se incluirán en el proceso derevisión estándar de la revista, sino que serán evaluadospor el director de la misma o persona enquien delegue. Seguirán, por lo demás, la mismaestructura formal de los artículos, aunque las referenciasbibliográficas serán más sucintas.3. CRÍTICAS DE LIBROS o PROGRAMASSe incluirán recensiones críticas de libros, programaso material docente relacionados con métodoso aplicaciones de la teledetección, así comoresúmenes de tesis doctorales. Se incluirá enlas mismas los datos completos de la obra recensionada:ficha bibliográfica del libro, datos de referenciadel programa (incluyendo versión, coste,dirección de contacto), o de la página webcomentada (incluyendo último acceso), así comolos del autor de la crítica.Todos los trabajos se enviarán a la siguiente dirección:director.revista@aet.org.esASOCIACIÓN ESPAÑOLADE TELEDETECCIÓNLa Asociación Española de Teledetección(AET) se inscribió en el Registro de Asociacionesdel Ministerio del Interior el 8 de Septiembrede 1988 con el número nacional 81537.Los fines son fomentar, facilitar, aunar y difundirlos trabajos de investigación interdisciplinaren todos los aspectos de la Teledetección enEspaña mediante:a) Organización de reuniones, periódicas ono, para la exposición y discusión de trabajoscientíficos.b) Revista, actas, boletines y servicios de informaciónbibliográfica.c) Organización de cursillos, conferencias ypublicaciones para la difusión de la investigacióncientífica en la relación de la Teledetección.d) Creación de Grupos temáticos de trabajopara el estudio de problemas concretos.e) Fomento de las enseñanzas y estímulo dela investigación en relación con las ramas de laciencia vinculadas con Teledetección.f) Y la ejecución de cualesquiera otros finesen relación con la actividad principal, siempre quesean compatibles con las disposiciones legales ycon las normas dictadas al efecto por los organismoscompetentes.4 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 3-4

Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 5-15Análisis de cambios de usos del suelo en la«Vega de Granada»: correcciones radiométricasy evaluación del cambioLand-cover change analysisin «Vega de Granada»: radiometric correctionsand change assessmentV. F. Rodríguez-Galiano 1 , M. J. García-Soldado 1 , M. Chica-Olmo 1 ,E. Pardo-Igúzquiza 1 , J. P. Rigol-Sánchez 2 y M. Chica-Rivas 3vrgaliano@ugr.es1Departamento de Geodinámica. Facultad de Ciencias. Universidad de Granada.Avda. Fuentenueva, s/n. 18071 Granada2Departamento de Geología. Universidad de Jaén. Campus de las Lagunillas, s/n. B-3,23071 Jaén3Departamento de Análisis Matemático. Facultad de Ciencias. Universidad de Granada.Avda. Fuentenueva, s/n. 18071 GranadaRecibido el 22 de febrero de 2010, aceptado el 17 de mayo de 2010RESUMENEn este trabajo se evalúan diferentes metodologíasde estudio de cambios en los usos delsuelo y de corrección radiométrica de seriestemporales de imágenes Landsat TM. Se haaplicado un método híbrido de corrección absolutadenominado «normalización absoluta»,basado en el código de transferencia radiativaMODTRAN4 y se han comparado diversas técnicasde normalización radiométrica («pseudoinvariantfeatures» y «radiometric controlsets»). Por otro lado, los resultados de las técnicasde «realce de cambios» y «post-clasificación»aplicadas en este estudio cuantifican yaportan información sobre la naturaleza de loscambios en el área metropolitana de Granada ydemuestran el potencial de las imágenes Landsatpara cartografiar los cambios en los usos delsuelo.PALABRAS CLAVE: teledetección, usos delsuelo, correcciones radiométricas, normalizaciónabsoluta, análisis de cambios.ABSTRACTIn this paper several approaches to study theland-use/land-cover changes and radiometriccorrection methodologies of Landsat satelliteimages have been assessed. Absolute normalizationhas been applied, which is based on therelative correction between a subject image anda reference image that has been corrected usingthe radiative transfer code MODTRAN4. Inaddition, «Pseudo-invariant features» and «radiometriccontrol sets», two different radiometricnormalization techniques have also beencompared. Overall, the results of «change enhancement»and «post-classification» techniquesquantify and yield information about the natureof change in the Granada metropolitan area.KEY WORDS: remote sensing, land-uses, radiometriccorrections, absolute normalization,change analysis.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 5-15 5

V. F. Rodríguez-Galiano et al.INTRODUCCIÓNEs un hecho constatable que a lo largo de lasúltimas décadas se ha producido una importantetransformación de las áreas rurales y litoralesde España, y muy especialmente de Andalucía.Este proceso de transformación, que afecta esencialmenteal uso del suelo, es aún más notorioen las áreas periurbanas, en las que el procesode expansión urbana ejerce una gran presión sobrelos usos del suelo tradicionales. La teledetecciónespacial constituye una técnica con unpotencial inestimable para el estudio de procesosecológicos y socio-económicos, en los quela componente espacial y temporal de la «informacióngeográfica» reviste especial importancia.En este contexto de estudio de los procesosde transformación territorial, las técnicas de monitorizaciónbasadas en datos multiespectraleshan demostrado un gran potencial para detectar,identificar y cartografiar cambios en los usos delsuelo a partir del procesamiento y la clasificaciónde imágenes digitales provenientes de sensoressatelitales como Landsat (TM y ETM+).Las técnicas de detección de cambios aplicadasa imágenes de satélite pueden agruparse endos categorías: técnicas post-clasificación y técnicasde realce de cambios, dependiendo de sien el análisis se utilizan imágenes categorizadaso continuas (Singh, 1989; Coppin y Bauer, 1996;Cihlar, 2000; Lu et al., 2006).La premisa básica en la utilización de datosde satélite para la detección de los cambios, esque los cambios en los usos del suelo implicancambios en los valores de radiancia. Aunqueexisten otros factores que pueden cambiar laenergía electromagnética detectada por el sensor,que no están asociados con un cambio delpaisaje, sino con variaciones en las condicionesatmosféricas, en el ángulo solar y diferencias enla humedad del suelo (Singh, 1989). Es por elloque se requiere el empleo de metodologías decorrección radiométrica robustas, que transformenlas imágenes de satélite en unidades comparables.La idoneidad de aplicar una determinada metodologíade corrección depende de una serie defactores, tales como: las imágenes, los datos atmosféricosdisponibles, el objetivo planteado, ylos métodos analíticos usados para extraer la información.En algunas aplicaciones relacionadascon clasificaciones y detección de cambioslas correcciones atmosféricas son innecesarias,siempre y cuando los datos de entrenamiento ylos datos a clasificar estén en la misma escalarelativa. En otras circunstancias, las correccionesson necesarias para convertir datos multitemporalesa la misma escala radiométrica para el estudiode una determinada cobertura a lo largodel tiempo (Song et al., 2001).FUNDAMENTOSCorrecciones radiométricasLas correcciones atmosféricas pueden ser absolutas(CA), cuando un nivel digital (ND) esconvertido a reflectancia de superficie, o relativas(CR), en las que partiendo de un par de imágenesse considera una relación lineal y se minimizanlas diferencias radiométricas existentes.Correcciones absolutas (CA)Convierten la radiancia registrada por el sensora valores independientes de las condicionesatmosféricas, permitiendo comparar imágenesde diferentes fechas o directamente píxeles conmedidas de campo y de laboratorio.Los procedimientos de corrección absolutavarían en la cantidad y exactitud de los datos atmosféricosrequeridos para la aplicación, y a excepcióndel método de sustracción del objeto oscuro(Chávez, 1996), pocos se pueden aplicarcuando no hay datos atmosféricos disponibles(Furby y Campbell, 2001). Dependiendo de lametodología a aplicar se hace necesario disponerde la siguiente información: calibración radiométricadel sensor, medidas simultáneas insitu de parámetros atmosféricos, medidas de reflectanciade superficie, códigos de transferenciaradiativa (RTC), atmósferas simuladas y modelosde aerosoles.Correcciones Relativas (CR)Este tipo de técnicas no necesitan medidas decampo simultáneas y suponen la normalizaciónde las intensidades de los niveles digitales ban-6 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 5-15

Análisis de cambios de usos del suelo en la «Vega de Granada»: correcciones radiométricas y evaluación del cambioda a banda a una imagen de referencia seleccionada;así, las imágenes son tratadas como si hubiesensido adquiridas en condiciones atmosféricasy de iluminación similares (Yang y Lo,2000). Entre ellas se encuentran las técnicas deregresión lineal, que consideran que la radianciamedida por un sensor para una determinadabanda espectral es función lineal de la reflectividad(Schott et al., 1988; Casselles y García,1989; Paolini et al., 2006):ND ḱ= m kND k+ b kdonde ND es el nivel digital de una banda, ND’es el nivel digital normalizado, m es la pendienteo ganancia, b es el sesgo y k representa cadauna de las bandas del sensor. Los coeficientesm k y b k son calculados mediante las siguientesecuaciones (Yang y Lo, 2000):m k= V R k S kVSkS Ket al., 2001; Chica-Olmo, et al., 2004; Yuan etal., 2005; Lunetta et al., 2006).Técnicas post-clasificaciónEstas técnicas comparan mapas obtenidos medianteprocesos de clasificación supervisados ono. La exactitud del resultado obtenido dependede la exactitud de las clasificaciones originales,por lo que el mapa de cambios será tan exacto comolo sean las clasificaciones. Su principal ventajaes que son capaces de producir informacióndescriptiva del tipo de cambio y no requieren quelas imágenes sean normalizadas. La mayor desventajade estas técnicas es el tiempo empleadoen clasificar las imágenes y el hecho de que algunoserrores producidos en la clasificación pasena formar parte del mapa de cambios.b k=R k-m k*S kR k y S k son las medias de la imagen de referenciay la imagen sujeto de la corrección y V RkSk yV SkSk la covarianza y la varianza de la imagen sujeto.Métodos de detección y análisisde cambiosLa detección de cambios es un proceso deidentificación de los diferentes estados de un objetoo fenómeno observado en diferentes instantestemporales (Singh, 1989). Esencialmente,permite cuantificar los efectos en el tiempo utilizandogrupos de datos multitemporales.Todas las técnicas de detección de cambios sefundamentan en dos métodos básicos, el análisiscomparativo de clasificaciones independientesproducidas para diferentes fechas y el análisissimultáneo de datos multitemporales,dependiendo de si el análisis utiliza imágenescontinuas o categorizadas. En el primer caso secomparan imágenes previamente clasificadasmediante matrices de confusión; en el segundo,se emplean técnicas cuantitativas: diferencias,regresión, cocientes, componentes principales,vectores multitemporales, etc. (Collins y Woodcock,1996; Macleod y Congalton, 1998; Oetter,Técnicas de realce de cambiosLas técnicas de realce de cambios suponenuna combinación matemática de imágenes de diferentesfechas. Estas técnicas tienen la ventajade ser más exactas identificando áreas de cambio.Por otra parte, requieren a menudo un análisisadicional para caracterizar la naturaleza delcambio y una mayor exactitud para la normalizacióny el co-registrado.METODOLOGÍAÁrea de estudio y datosPara este estudio se han usado dos escenas flotantesLandsat Thematic Mapper 5 de la mismaárea del Sureste de España. Las imágenes fueronadquiridas el 17 de julio de 1998 y el 1 de juliode 2004 respectivamente. La localización de lasescenas corresponde con el path 200 row 34 delLandsat Worldwide Referente System (WRS).Para las correcciones radiométricas se hanconsiderado las escenas Landsat completas. Ladetección y análisis de cambios ha sido aplicadaa un área piloto, la «Vega de Granada». LaVega de Granada está situada al sur de la PenínsulaIbérica, dentro de la provincia de Granada,al oeste y sur de la ciudad de Granada (Fig. 1).Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 5-15 7

V. F. Rodríguez-Galiano et al.NLeyendaRíosPoblacionesAcuíferoÁrea0 2.500 5.000 10.000MetrosFigura 1. Localización geográfica de la Vega de Granada.Morfológicamente, la Vega de Granada coincidecon un acuífero detrítico de gran importanciaregional, que ocupa una superficie esencialmenteplana de unos 200 km 2 (García-Soldado,2009). Este área está caracterizada por la presenciade cultivos diversos, que van desde el olivaren secano, a los regadíos de los márgenesdel río Genil. El principal uso del suelo es elagrícola, que compite fuertemente en determinadasáreas con usos urbanos, especialmente,en las zonas cercanas al área metropolitana deGranada.Debido a la naturaleza retrospectiva de esteestudio ha sido necesario recurrir a informaciónauxiliar para crear las bases de datos para el entrenamientoy validación del cambio. En la selecciónde las áreas de entrenamiento se han utilizado,además de las imágenes Landsat, lasortofotografías digitales de Andalucía del año1998 y 2004, a escala 1:10.000 editadas por laJunta de Andalucía y los Mapas de Usos del Sueloy Coberturas Vegetales del Suelo de Andalucíade los años 1999 y 2003 editados por la Consejeríade Medio Ambiente de la Junta deAndalucía.Correcciones radiométricasLas correcciones atmosféricas son necesariasen situaciones en las que debido a la metodologíade detección de cambios a aplicar la atmósferano tiene un efecto aditivo sobre los datosde partida. En este estudio se ha usado el índicede vegetación normalizado (NDVI), el cualconsiderando los efectos atmosféricos se definecomo:( ρ IRC−ρ R )− ( A IRC− A R )( ρ IRC+ρ R )− ( A IRC+ A R )donde ρ y A son respectivamente los valores dereflectividad y los efectos atmosféricos para lasbandas del infrarrojo cercano y del rojo. De laecuación anterior se deduce que, en el caso delos índices de vegetación, la relación con el efectoatmosférico no es lineal, por lo que es importantecorregir radiométricamente los niveles digitalesantes del cálculo de los índices (Song etal., 2001).Para este estudio se ha elegido un método denormalización absoluta (Schroeder et al., 2006),en el cual se corrige una imagen a reflectividadde superficie y el resto de imágenes se ajustan aella mediante técnicas de CR. La elección de estametodología de corrección ha estado determinadapor la ausencia de datos correspondientesa los parámetros atmosféricos necesarios para lacorrección absoluta de la imagen de 1998 (verTabla 1), por lo que la imagen elegida como basepara la normalización absoluta ha sido la escenade julio de 2004.8 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 5-15

Análisis de cambios de usos del suelo en la «Vega de Granada»: correcciones radiométricas y evaluación del cambioHoraVapor(g/cm 2 )α1Se ha utilizado el programa de corrección atmosféricaFLAASH (Fast Line-of-sight AtmosphericAnalysis of Spectral Hypercubes)desarrollado por el Air Force Research Laboratory,Space Vehicles Directorate (AFRL/VS), HanscomAFB and Spectral Sciencies, Inc. (SSI), elcual está basado en el modelo de transferenciaradiativa MODTRAN4 (MODerate ResolutionTRANsmitance). Los objetivos principales deeste modelo son, en primer lugar, eliminar de laradiancia recibida por el sensor los efectos de laabsorción y dispersión causados por las moléculasy partículas atmosféricas en suspensión y, ensegundo lugar, convertir esa radiancia a valoresde reflectividad de superficie. La radiancia espectralL* en un píxel del sensor es definida pormedio de los parámetros siguientes (Abreu y Anderson,1996):⎛L * Aρ ⎞= ⎜⎝1−ρ ⎟e ⎠+⎛ Bρ ⎞e⎜⎝1−ρ eS⎟⎠+ L *aα2AOD AOD670 nm 440 nm10:13 1,747 1,245 0,935 0,163 0,26910:18 1,713 1,284 0,941 0,150 0,25110:25 1,731 1,335 0,921 0,135 0,22510:33 1,709 1,352 0,883 0,140 0,22810:41 1,650 1,421 0,895 0,129 0,21010:48 1,675 1,452 0,969 0,130 0,219Tabla 1. Datos atmosféricos de Granada (1-7-2004).Fotómetro solar CIMEL CE-318.donde ρ es la reflectividad de superficie en el píxel,ρ e es un promedio de la reflectividad de superficieen una región circundante al píxel, S esel albedo esférico de la atmósfera, L * a es la radianciaaportada por la dispersión atmosféricaque no ha alcanzado la superficie y A y B soncoeficientes independientes de la superficie quevarían con las condiciones atmosféricas y geométricas.Los valores de A, B, S y L * a son determinadospor MODTRAN4, el cual requiere para suscálculos diversos parámetros de entrada: ángulosolar, ángulo de observación, elevación promediode la superficie, modelo atmosférico estándar,tipo de aerosol y el rango de visibilidadhorizontal. Después de obtener las variables atmosféricasse despeja de la ecuación anteriormentedescrita las reflectividades de superficiede cada píxel, en todos los canales delsensor.El proceso de corrección fue realizado considerandoalgunos parámetros especificados en lacabecera de la imagen Landsat: hora de adquisición,elevación solar y los coeficientes de calibración;el resto fueron calculados a partir demedidas in situ realizadas con un fotómetro solarCIMEL CE-318, simultáneas a la adquisiciónde la imagen.El modelo de atmósfera seleccionado fue elestándar de verano para latitudes medias, el cualconsidera un contenido en vapor de agua atmosféricode 2,92 g/cm 2 , por lo que se introdujo unfactor de corrección para ajustar el contenido envapor de agua por defecto al de las condicionesde adquisición de la imagen (Tabla 1).En la elección del modelo de aerosoles se partióde las medidas de α1 y α2 (coeficientes deAngström; Tabla 1), las cuales determinaron eluso de un modelo de aerosoles rural. El últimoparámetro introducido en el modelo fue la visibilidad(V), definida para longitudes de onda de550 nm, relacionada con el coeficiente de extinciónβ mediante la siguiente ecuación (Abreu yAnderson, 1996):V =3, 912βdonde V es igual a la visibilidad y β es el coeficientede extinción, definido como el espesoróptico para 550 nm por km. Para obtener este coeficientese ha dividido por la anchura de la capaefectiva de aerosoles.Una vez corregida la imagen de 2004 a unidadesde reflectividad de superficie, la imagendel 17 de julio de 1998 fue normalizada a laanterior. En la CR se han comparado dos metodologíasdiferentes: «Pseudoinvariant Features»y «Radiometric Control Sets» (Yang y Lo,2000).La metodología Pseudoinvariant features (característicaspseudoinvariantes, PIF), fue desarrolladapor Shott et al. (1988). Se basa en labúsqueda de objetos con una reflectividad casiconstante en las diferentes escenas (pseudoinvariantes).De acuerdo con Shott et al. (1988),son típicamente objetos cuya reflectancia es independientede los ciclos estacionales o biológicosy por tanto se asume que las diferenciasRevista de Teledetección. ISSN: 1988-8740. 2010. 34: 5-15 9

V. F. Rodríguez-Galiano et al.PIFs testPIFs trainingReflectancia altaReflectancia bajaReflectancia mediaFigura 2. Localización de las PIFs usadas para el entrenamiento y la validación de la normalización.en el brillo de estos objetos son una funciónlineal.Radiometric control set (RCS), fue desarrolladopor Hall et al. (1991). Este método se fundamentaen que en una imagen siempre existenalgunos píxeles que tienen la misma reflectanciamedia, que se mantienen a lo largo de imágenesde la misma escena para distintas fechas.A este conjunto de píxeles es a lo que se le denomina«radiometric control set». Este métodousa los extremos de la transformación de Kauth-Thomas verdor y brillo, que son construidosusando las dos primeras bandas de la transformaciónTasseled Cap. El diagrama de dispersiónde la transformación Kauth-Thomas aísla unconjunto de píxeles oscuros que corresponden aaguas profundas (embalses) y los píxeles brillantesrepresentan elementos similares a los definidospor las características pseudoinvariantes(Franklin y Giles, 1995).En la búsqueda de las características pseudoinvariantesse consideraron los criterios sugeridosen Eckhardt et al. (1990), y se seleccionarondiferentes áreas agrupadas en tres categoríasque cubrían todo el rango de valoresespectrales de brillo (Furby and Campbell,2001):— Píxeles de baja reflectividad: embalses.— Píxeles de reflectividad media: afloramientosrocosos y áreas urbanas.— Píxeles de alta reflectividad: arena de playa,suelos desnudos y canteras.De la consideración de estos criterios resultaronun total de 30 PIFs de entrenamiento parala normalización y 15 áreas test para validar lascorrecciones. Cada área pseudoinvariante estáformada por 4 ó 9 píxeles localizados sobre unárea uniforme con el mismo nivel de elevación(Furby y Campbell, 2001). Los coeficientes obtenidosde las regresiones fueron aplicados bandaa banda para obtener las imágenes normalizadas(Fig. 2 y Tabla 2).m b RBanda 1 21,64 –1.365,64 0,997Banda 2 40,14 –885,04 0,997Banda 3 30,47 –496,29 0,998Banda 4 37,26 –410,93 0,999Banda 5 22,70 –186,22 0,999Banda 6 1,75 –952,63 0,977Tabla 2. Coeficientes de regresión obtenidos del métodoPIF para cada banda de imagen.10 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 5-15

Análisis de cambios de usos del suelo en la «Vega de Granada»: correcciones radiométricas y evaluación del cambioComo alternativa más operativa y menos subjetivaa la metodología de características pseudoinvariantesse utilizó el método «RadiometricControl Sets». Para ello se obtuvieron a partirde los extremos brillantes y oscuros del diagramade dispersión de las bandas de verdor y brillode la transformación Tasseled Cap un conjuntode píxeles de forma iterativa, cuyareflectancia media fue utilizada para realizar lanormalización.Las ecuaciones utilizadas para la obtenciónde los «radiometric control sets» fueron:D k= {( Verdor ≤ u 1 )∩ ( Brillo ≤ u 2 )}B k= ( Verdor ≤ u 1 )∩ u 2≤ Brillo{ ( )}donde D k y B k son el conjunto de píxeles oscurosy brillantes y u 1 y u 2 los valores umbrales parala obtención de estos conjuntos. Teóricamente,el conjunto de píxeles oscuros correspondena zonas de agua profunda y el conjunto de píxelesbrillantes a elementos similares a los de altareflectividad definidos mediante las PIFs.Los coeficientes de transformación (Tabla 3)fueron calculados a partir de las siguientes ecuaciones:( )( B Sk− D Sk )m k= B Rk − D Rk( )( B Sk− D Sk )b K= D Rk B Sk − D Sk B RkMétodos de detección y análisisde cambiosEn este trabajo se han comparado diferentestécnicas de realce de cambio (diferencia deNDVI, cocientes de NDVI y regresión) y de postclasificación.Con las técnicas de realce se haobtenido información sobre la localización y lamagnitud del cambio que ha sido complementadacon información sobre su naturaleza medianteel cálculo de las matrices de confusión y decambios, a partir de las imágenes clasificadas.En las técnicas de detección de cambios se handistinguido entre una serie de umbrales basadosen la desviación estándar para diferenciar las diferenciasdebidas a cambios reales de las quepueden atribuirse a una variación aleatoria (Fungy LeDrew, 1988).⎧x ≥ x +σu 1: ⎨⎩x ≤ x −σ⎧x ≥ x + 2σu 2: ⎨⎩x ≤ x − 2σLos valores umbrales mostrados en la Tabla 4establecen unos límites que aplicados al histogramaexperimental de la imagen residual permitenseparar las zonas de cambio de las que no hancambiado en el período de 1998 a 2004. De estaforma, se obtuvieron nueve mapas binarios querepresentan las zonas de cambio y no cambio parcada una de las técnicas y umbrales aplicados.En cuanto al análisis de cambios postclasificación,teniendo en cuenta las características delárea de estudio se definieron un conjunto de áreasde entrenamiento, que representan las diferentesclases identificables en el área de estudioa partir de las imágenes Landsat: choperas, bosque,matorral, olivar, regadío, suelo desnudo,suelo urbano y embalses.En la clasificación de las imágenes se utilizóun algoritmo de clasificación de máxima probabilidad,que fue entrenado con 20 áreas de entre-⎧x ≥ x + 3σu 3: ⎨⎩x ≤ x − 3σB Rk D Rk B Sk D Sk M k b kBanda 1 1.748,367 221,853 158,813 76,337 18,509 –1.191,045Banda 2 2.157,551 317,018 86,865 26,959 30,724 –511,261Banda 3 2.513,882 135,958 111,231 18,780 25,721 –347,071Banda 4 2.507,279 –64,032 96,341 9,728 29,687 –352,829Banda 5 2.905,336 –13,004 148,918 6,811 20,536 –152,879Banda 7 –811,458 –945,241 86,393 4,314 1,630 –952,273Tabla 3. Valores medios de los RCS y coeficientes de regresión.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 5-15 11

V. F. Rodríguez-Galiano et al.Diferencia NVI Ratio NDVI Regresión NDVIU 1 U 2 U 3 U 1 U 2 U 3 U 1 U 2 U 3–0,159 –0,308 –0,458 –0,441 –0,927 –1,413 –0,441 –0,927 –1,413–0,140 –0,289 –0,438 –0,531 –1,018 –1,504 –0,531 –1,018 –1,504Tabla 4. Valores umbrales aplicados en las técnicas de realce de cambios.namiento por clase, con un número de píxel quevarió entre 9 y 12 (180 a 240 píxeles por clase), ypor tanto suficiente para calcular las matrices devarianza y covarianza por el clasificador. Para laevaluación de la exactitud de las clasificacionesse utilizaron un total de 145 píxeles por clase, independientesde las áreas de entrenamiento.RESULTADOSY CONCLUSIONESLa forma ideal de evaluar la exactitud de unacorrección atmosférica es comparar medidas insitu de propiedades atmosféricas y de reflectanciade superficie en el tiempo de adquisición delas imágenes con la estimación de los parámetrosresultantes de la corrección atmosférica(Moran et al., 1992). Por desgracia, en estudiosmultitemporales en los que se utilizan imágenesde archivo esto no es siempre posible, por lo quehay que recurrir a otras formas de validación. Eneste estudio, se utilizó el error cuadrático medio(RMS) para medir la bondad de las diferentestécnicas de normalización aplicadas.El error cuadrático medio se calculó a partirde un conjunto de 15 muestras de reflectividadRMS (PIF)RMS (RCS)Banda 1 0,502 0,425Banda 2 0,457 0,667Banda 3 0,362 0,505Banda 4 0,590 1,035Banda 5 0,518 0,679Banda 7 0,023 0,029Tabla 5. Error cuadrático medio de los métodos PIF y RCS.constante, que no se habían usado en el cálculode los coeficientes de calibración, comparandolas intensidades de estos objetivos de referenciacon las de las imágenes calibradas.La Tabla 5 muestra los errores cuadráticos medioscalculados para cada método de normalizaciónen cada banda. Ambos métodos tienen el mayorerror en el infrarrojo cercano (banda 4), lo cualpuede ser debido a diferencias en la presencia devegetación entre las imágenes. El método PIF, conexcepción de la banda 1, presenta un error cuadráticomedio inferior al RCS, por lo que fue el elegidopara normalizar las imágenes utilizadas en elestudio de los cambios de usos del suelo.Se ha de indicar, no obstante, que estos métodosde normalización absoluta son aproximados,pues admiten la linealidad de las correcciones yconsideran las condiciones atmosféricas comoconstantes en toda el área de estudio.Con carácter general, se puede concluir que,los resultados de los métodos de detección decambio aplicados son similares. Los métodos dediferencia, cociente y regresión de imágenes hansido capaces de diferenciar las áreas de cambioa partir de los índices de vegetación normalizados(NDVI), con índices de exactitud global del88,67%, 81,33% y 80,67%, e índices Kappa del0,72, 0,56 y 0,50 respectivamente. La diferenciade imágenes y el cociente produjeron una estimaciónsimilar de las áreas de cambio, con estimacionesde cambio iguales a 1.686 y 1.697 km 2respectivamente (ver Tabla 6).Diferencia Cociente RegresiónE. global 88,67 81,33 80,67Kappa 0,72 0,56 0,50Cambio (km 2 ) 24 13 66Tabla 6. Evaluación de la exactitud y superficie de cambiode las técnicas de realce de cambios.12 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 5-15

Análisis de cambios de usos del suelo en la «Vega de Granada»: correcciones radiométricas y evaluación del cambioLa clasificación supervisada de las imágenesLandsat normalizadas correspondientes a la Vegade Granada para los años 1998 y 2004 dio comoresultado unos mapas clasificados con una exactitudaceptable, con índices kappa iguales a 0,86y 0,92 respectivamente. La exactitud del mapa decambios final es igual al producto de las exactitudesindividuales de cada mapa clasificado (Yuanet al., 2005), por lo que se obtuvo finalmente unmapa de cambios con un kappa igual a 0,79.N0 4.000 8.000MetrosLeyenda17-7-1998ClaseBosqueChoperasEmbalsesMatorralOlivarRegadíoSuelo desnudoSuelo urbanoFigura 3. Mapa clasificado de la Vega de Granada para el verano de 1998.N0 4.000 8.000MetrosLeyenda1-7-2004ClaseBosqueChoperasEmbalsesMatorralOlivarRegadíoSuelo desnudoSuelo urbanoFigura 4. Mapa clasificado de la Vega de Granada para el verano de 2004.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 5-15 13

V. F. Rodríguez-Galiano et al.Clasifi- Clasificación 1998cación2004 Choperas Bosque Embalses Matorral Olivar Regadíos s. des. Urbano TotalChoperas 376,38 38,16 0 24,84 45,27 603,27 20,43 23,94 1.132,29Bosque 56,79 3.354,84 0,27 785,52 28,35 68,04 11,34 4,05 4.309,2Embalses 0 0,36 143,64 5,22 0,45 4,68 2,34 0 156,69Matorral 40,14 1.392,84 3,42 17.420,22 963,27 538,65 1.076,67 189,9 21.625,11Olivar 138,69 124,11 0 4.529,43 29.505,6 4.064,94 21.077,55 1.603,62 61.043,94Regadíos 554,4 161,37 1,26 785,79 1.905,12 5.605,65 1.144,35 401,49 10.559,43s. des. 49,86 14,94 2,7 5.450,58 5.270,76 1.978,2 37.764,45 1.163,61 51.695,1Urbano 129,6 27,63 0,36 1.461,24 2.391,12 3.540,96 6.036,57 6.890,76 20.478,24Total 1.345,86 5.114,25 151,65 30.462,84 40.109,94 16.404,39 67.133,7 10.277,37 171.000Tabla 7. Matriz de cambio entre las clasificaciones de 1998 y 2004 en hectáreas.Del mapa de cambios puede deducirse la evolucióno transiciones de las diferentes categoríasen el período de 1998 a 2004 (Tabla 7). La claseurbana pasó de 10.277 ha (6.01%) a 20.478(11,98%) fundamentalmente en detrimento de laclase regadíos, suelo desnudo (s. des.) y matorral.Este incremento tan acentuado pudo ser debidoa una sobreestimación de la clase urbana enla clasificación de la imagen de 2004 debido auna confusión con la clase suelo desnudo. El olivarincrementó su extensión en un 12,24% respectoal total del área de estudio, ocupando61.044 ha en 2004. Este incremento, como puedeobservarse en la Tabla 7, se debió fundamentalmentea una transición desde la clase suelodesnudo, la cual probablemente no fue bien clasificadaen la imagen de 1998 por encontrarse elolivar en un estado de desarrollo incipiente.En futuros trabajos se pretende mejorar el resultadode las clasificaciones mediante el uso declasificadores no paramétricos y la inclusión devariables auxiliares a estos modelos de clasificación:como imágenes multiestacionales, térmicas,modelos digitales del terreno y variablestexturales y de contexto.AGRADECIMIENTOSEste trabajo se ha desarrollado con la financiacióndel Proyecto GEOSDA CGL2010-17629del Ministerio de Ciencia e Innovación y del grupode investigación RNM122 de la Junta de Andalucía.BIBLIOGRAFÍAABREU, L. & ANDERSON, G. P. 1996. The modtran2/3 report and lowtran 7 model. Technical report,Phillips Laboratory, Geophysics Directorate,PL/GPOS.CASSELLES, V. & GARCÍA, M. J. 1989. An alternativesimple approach to estimate atmospheric correctionin multitemporal studies. InternationalJournal of Remote Sensing, 10: 1127-1134.CHAVEZ, P. S. 1996. Image-based atmospheric corrections-revisitedand improved. PhotogrammetricEngineering & Remote Sensing, 62: 1025-1036.CHICA-OLMO, M., RUIZ-CASTELLANO, J. P. &RIGOL-SÁNCHEZ, J. P. 2004. Aplicación de lafunción variograma al análisis de cambios espaciotemporalesen imágenes Landsat TM. Revista deTeledetección, 22: 41-46.COLLINS, J. B. & WOODCOCK, C. E. 1996. An assessmentof several linear change detection techniquesfor mapping forest mortality using multitemporallandsat TM data. Remote Sensing ofEnvironment, 56: 66-77.COPPIN, P. R. & BAUER, M. E. 1996. Change detectionin forest ecosystems with remote senging digitalimagery. Remote Sensing Reviews, 13: 207-234.ECKHARDT, D. W., VERDIN, J. P. & LYFORD, G.R. 1990. Automated update of an irrigated lands14 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 5-15

Análisis de cambios de usos del suelo en la «Vega de Granada»: correcciones radiométricas y evaluación del cambiogis using spot hrv imagery. Photogrammetric Engineering& Remote Sensing, 56: 1515-1522.FUNG, T. & LEDREW, E. 1988. The determinationof optimal threshold levels for change detectionusing various accuracy indices. PhotogrammetricEngineering and Remote Sensing, 54, 1449-1454.FURBY, S. L. & CAMPBELL, N. 2001. Calibratingimages from different dates to «likevalue» digitalcounts. Remote Sensing of Environment, 77:186-196.GARCÍA-SOLDADO, M. J. 2009. Metodología basadaen SIG para el desarrollo de un sistema soportede decisión en la gestión de la calidad de losrecursos hídricos subterráneos de la Vega de Granada.Tesis doctoral. Universidad de Granada, Granada.335 pp.LU, D., MAUSEL, P., BRONDÍZIO, E. & MORAN,E. 2004. Change detection techniques. InternationalJournal of Remote Sensing, 25: 2365-2407.LUNETTA, R. S., KNIGHT, J. F., EDIRIWICKRE-MA, J., LYON, J. G. & WORTHY, L. D. 2006.Land-cover change detection using multi-temporalMODIS NDVI data. Remote Sensing of Environment,105: 142-154.MACLEOD, R. D. & CONGALTON, R. G. 1998. Aquantitative comparison of change detection algorithmsfor monitoring eelgrass from remotely senseddata. Photogrammetric Engineering and RemoteSensing, 64: 207-216.MORAN, M. S., JACKSON, R. D., SLATER, P. N. &TEILLET, P. M. 1992. Evaluation of simplifiedprocedures for retrieval of land surface reflectancefactors from satellite sensor output. Remote Sensingof Environment, 41: 169-184.OETTER, D. R., COHEN, W. B., BERTERRETCHE,M., MAIERSPERGER, T. K. & KENNEDY, R. E.2001. Land Cover mapping in an agricultural settingusing multiseasonal Thematic Mapper data.Remote Sensing of Environment, 76: 139-155.PAOLINI, L., GRINGS, F., SOBRINO, J. A., JIMÉ-NEZ-MUÑOZ, J. C. & KARSZENBAUM, H. 2006.Radiomeetric correction effects in Landsat multidate/multi-sensorchange detection studies. InternationalJournal of Remote Sensing, 27: 685-704.SCHOTT, J. R., SALVAGGIO, C. & VOLCHOK, W.J. 1988. Radiometric scene normalization usingpseudoinvariant features. Remote Sensing of Environment,26: 1-14.SCHROEDER, T. A., COHEN, W. B., SONG, C.,CANTY, M. J. & YANG, Z. 2006. Radiometric correctionof multi-temporal Landsat data for characterizationof early successional forest patterns inWestern Oregon. Remote Sensing of Environment,10: 16-26.SINGH, A. 1989. Digital change detection techniquesusing remotely-sensed data. International Journalof Remote Sensing, 10: 989-1003.SONG, C., WOODCOCK, C. E., SETO, K. C., PAXLENNEY, M. & SCOTT, A. 2001. Classificationand change detection using landsat tm data: Whenand how to correct atmospheric effects? RemoteSensing of Environment, 75: 230-244.YANG, X. & LO, C. P. 2000. Relative radiometric normalizationfor change detection from multi-datesatellite images. Photogrammetric Engineeringand Remote Sensing, 66: 967-980.YUAN, F., SAWAYA, K. E., LOEFFELHOLZ, C. &BAUER, M. E. 2005. Land cover classificationand change analysis of the twin cities (minnesota)metropolitan area by multitemporal landsatremote sensing. Remote Sensing of Environment,98: 317-328.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 5-15 15

Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 16-21Comportamiento geométrico y radiométricodel sensor AHS durante la campañamultitemporal CEFLES2Geometric and radiometric performanceof the AHS sensor along CEFLES2multi-temporal campaignM. Jiménez 1 , J. A. Gómez 1 , A. Fernández-Renau 1 , J. A. Holguín 2 ,E. de Miguel 1 , O. Gutiérrez de la Cámara 1 y E. Prado 1jimenezmm@inta.es1Instituto Nacional de Técnica Aeroespacial (INTA). Ctra. Ajalvir, s/n.28850 Torrejón de Ardoz. Madrid2GEOSYS. Sector Foresta, 23, locales 7 y 8. 28760 Tres Cantos. MadridRecibido el 03 de marzo de 2010, aceptado el 17 de mayo de 2010RESUMENLa Agencia Espacial Europea (ESA) promuevecampañas de medidas sobre el terreno ycon imágenes de sensores aeroportados paraproyectos de calibración, validación o simulaciónde misiones de observación de la Tierra.CEFLES2 (CarboEurope, Flex and Sentinel-2)es un proyecto de la ESA que agrupatres campañas llevadas a cabo durante 2007sobre zonas urbanas, rurales, forestales, y demontaña en Francia y España. El Área de Teledeteccióndel INTA participó con su sensoraeroportado AHS adquiriendo imágenes en todaslas fechas y zonas. Además, la plataformadel INTA fue utilizada par la instalaciónde un segundo sensor aeroportado, HYPERSIM.GA, un prototipo de radiómetro pushbroomVNIR (512 bandas) + SWIR (256 bandas)de la empresa italiana Galileo Avionica. Losdatos AHS fueron procesados en las instalacionesdel INTA para ofrecer a los diferentesgrupos participantes en el proyecto datos calibradosgeográfica, radiométrica y espectralmente.En un proyecto de este tipo, con datoshiperespectrales multitemporales y adquiridossobre objetivos diferentes, la estimaciónde la calidad geométrica, radiométrica y espectrales crítica. Procedimientos de la calidadestimación geométrica y radiométrica seaplicaron a todas las imágenes y se indicaronABSTRACTThe European Space Agency (ESA) coordinatesa number of ground-based and airbornecampaigns to support calibration/validation andthe simulation of future spaceborne earth observationsmissions. CEFLES2 (CarboEurope,Flex and Sentinel-2) is an ESA project carriedout with three different campaigns along 2007over several urban, agricultural and forestedlandscapes in France and Spain. INTA RemoteSensing Laboratory participates with the 80-band airborne line-scanner radiometer AHS(Airborne Hyperspectral Scanner) installed ina CASA C-212 aircraft and complemented withan INS/GPS module to gather accurate positioningand attitude measurements. Also the IN-TA platform was used to install and acquirewith the Galileo Avionica HYPER SIM.GAhyperspectral sensor. The AHS data were processedat INTA premises in Madrid, through anad-hoc processing chain generating radiometriccalibration, geometric and atmosphericallycorrected products. For a multi-date and multi-landscapeproject where hyperspecral imagerywas acquired over the same flat and hillyareas with different target characteristic, solarillumination, and atmospheric conditions, thereliability and stability of all image productsdistributed are fundamental. Radiometric andgeometric quality checks were applied to AHS16 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 16-21

Comportamiento geométrico y radiométrico del sensor AHS durante la campaña multitemporal CEFLES2Las campañas de campo realizadas durante lastres misiones de CEFLES2, consistieron en unatoma de datos sobre los cultivos de las zonas seleccionadas:parámetros estructurales (ej. Índienlos ficheros XML de metadatos adjuntados.PALABRAS CLAVE: teledetección hiperespectralaeroportada, AHS, ESA, CEFLES2,Sentinel-2.data and indicated in an appended XML metadatafile appended.KEY WORDS: airborne remote sensing, AHS,ESA, CEFLES2, Sentinel-2.INTRODUCCIÓNLa teledetección hiperespectral aeroportadaes la técnica de teledetección idónea para la simulación,calibración y validación de misionesespaciales de observación de la Tierra. CEFLES2(CarboEurope, Flex and Sentinel-2) es un proyectode la Agencia Espacial Europea (ESA) queagrupa tres campañas aeroportadas y de campollevadas a cabo durante 2007 sobre zonas urbanas,rurales, forestales, y de montaña de Franciay España. El objetivo de dichas campañas es lasimulación de los datos y productos de la futuramisión de GMES Sentinel-2 y la entonces candidataEarth Explorer FLEX (Fluorescente Explorer).El Área de Teledetección del INTA (InstitutoNacional de Técnica Aeroespacial) participó enel proyecto CEFLES2 mediante la adquisición yproceso de las campañas hiperespectrales aeroportadascon el sensor AHS (Airborne HyperspectralScaner) y el sensor HYPER SIM.GA propiedady operado por la empresa italiana GalileoAvionica.Los requisitos para la exactitud geométricay radiométrica de las imágenes hiperespectralesaeroportadas adquiridas para el proyectoCEFLES2, y en general para proyectos de caráctermultitemporal, son muy exigentes. Lasimágenes del sensor AHS son calibradas radiometricamentemediante coeficiente de calibraciónobtenidos en laboratorio y campañas decalibración en vuelo, las imágenes de cada proyectoson posteriormente evaluadas en calidadpara cumplir los requisitos exigidos. En el casode la validación radiométrica de las imágenesdel proyecto CEFLES2 se ha realizadoutilizando los datos espectrales en el espectrosolar y térmico de las campañas de camporealizadas por los grupos de campo deCEFLES2, coordinados por la Universidad deValencia.VUELOS HIPERESPECTRALESY DATOS DE CAMPOPara cumplir los múltiples objetivos de lacampaña CEFLES2, la ESA seleccionó variaszonas forestales, agrícolas, montañosas y urbanasen el sur de Francia y España, planificandoadquisiciones de datos aeroportados y de campoen tres fechas distintas a largo del año 2007.Estas fechas se localizaron en el principio, mitady final del ciclo vegetativo de los cultivos deregadío de las zonas seleccionadas.Datos hiperespectralesEl sistema hiperespectral aeroportado INTA-AHS esta formado por: la plataforma aérea CA-SA-212, el sensor hiperespectral aeroportadoAHS (Tabla 1), equipos de calibración de laboratorio,sensores de posicionamiento en vueloGPS/INS, la cadena de proceso y metadatos yequipos de campo (1). En la plataforma del IN-TA también se instaló el sensor hiperespectralaeroportado HYPER SIM.GA, un prototipo deradiómetro pushbroom VNIR (512 bandas) +SWIR (256 bandas) de la empresa italiana GalileoAvionica (2).Un total de 47 pasadas fueron realizadas a983 m y 2.751 m de altura sobre el terreno. En cadapasada se adquirían simultáneamente imágenescon los sensores AHS y HYPER, en el caso delAHS estas dos alturas se corresponden con 2,4 my 6,9 m de tamaño de píxel respectivamente.Datos de campoRevista de Teledetección. ISSN: 1988-8740. 2010. 34: 16-21 17

M. Jiménez et al.Adquisición de imágenesCobertura espectralFOV/IFOVVelocidades de barridoResolución espacialCobertura lateralDigitalizaciónwhisk-broom linescanning80 bandas: Visible Near Infrared (VNIR) + Shortwave Infrared (SWIR) + MidInfrared(MWIR) + LongwaveInfrared (LWIR)1.571 rad (90º)/2,5 mrad12,5,18,75,25,31,25,25,35 rps750 píxeles por línea (16% solapamiento lateral)2,5 a 6,8 m @ 72 ms-12.000 m a 5.500 m12 bitsTabla 1. Características Sensor Hiperespectral Aeroportado AHS.ce de Área Foliar, altura de dosel), caracterizaciónbioquímica (ej. Contenido en hoja de clorofilay agua), funcionamiento fisiológico (ej.Fluorescencia, intercambio de gases).En estas campañas se adquirieron también medidasespecíficas para la calibración y validaciónde las imágenes hiperespectrales aeroportadas sobreáreas de cultivos vegetación y superficies naturales.Para la caracterización de la reflectanciade los distintos cultivos se utilizaron hasta cuatroespectro-radiómetros de campo ASD FieldSpec-FR (3), este espectro-radiómetro registra la radiaciónentre 350 y 2.500 nm mediante una fibra ópticade 25° de ángulo de visión (Field Of View,FOV), pero ajustable con ópticas añadidas. Parala caracterización de la respuesta radiométrica enla región térmica se utilizaron dos radiómetrostérmicos multiespectrales de campo CIMEL 312(4). El CIMEL 312-1 con 4 bandas y el CIMEL312-2 con 6 bandas espectrales dentro de la ventanaatmosférica de 8 a 14 micras.PROCESO IMÁGENES AHSLas imágenes del sensor hiperespectral aeroportadoAHS fueron procesadas geométrica y radiometricamentemediante la cadena de procesodel Área de Teledetección del INTA, esta cadenarealiza calibraciones, correcciones y metadatosde las imágenes para su posterior distribución.La calibración a radiancia en el sensor de todoslos canales dentro del espectro solar se realizamediante los coeficientes de calibración obtenidosen laboratorio con una esfera integradora(5). Para los canales térmicos se realiza mediantedos cuerpos negros, ajustables en temperatura,situados en el propio sensor que son observadosen cada línea de imagen, se configuran a la temperaturamas baja y más altas esperadas para lassuperficies dentro de la cobertura de imagen. Lacorrección geométrica se realiza mediante el softwarede geocodificación paramétrica PARGE (6),incorporando para todas las imágenes la calibracióngeométrica realizada en una campaña de calibracióngeométrica realizada sobre lagunas deTirez (Toledo) y el el Modelo Digital del Terreno.Para cada imagen PARGE requiere los datosdel sistema de navegación inercial Applanix PO-SAV, que ha registrado las variaciones de posicionamientoy observación en cada línea de imagenocasionadas por la plataforma aeroportada. La correcciónatmosférica se realiza mediante la aplicaciónATCOR4 (7) basada en el código de transferenciaradiativa MODTRAN4 (8), estaaplicación incorpora la visibilidad y vapor de aguapresente en la atmósfera mediante informaciónexterna o de la propia imagen del AHS.Las imágenes AHS sobre terreno plano se procesarony distribuyeron en producto L2b, que esla reflectancia y temperatura en el terreno georreferenciablescon la función de geocodificación(igm por Input Geometry, ENVI) adjuntada.Para las imágenes sobre zona montañosa, condesniveles de 1.000 m, se procesaron y distribuyeronen producto L2c que es la reflectancia ytemperatura en el terreno georreferenciada. Todaslas imágenes y productos del AHS van acompañadasde ficheros XML de metadatos siguiendoel estándar ISO19115.18 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 16-21

Comportamiento geométrico y radiométrico del sensor AHS durante la campaña multitemporal CEFLES2EVALUACIÓN DE LA CALIDADDEL AHSProcedimientos para la estimación de la calidadgeométrica y radiométrica de las imágenesAHS se realizan en un paso previo a la distribuciónde las imágenes, estas estimaciones evalúanel funcionamiento del sensor a los largo de lacampaña y determinan si las imágenes obtienenlos requisitos demandados.Validación geométricaTodas las imágenes AHS del proyecto CE-FLES2 fueron georreferenciadas a la proyecciónUTM huso 30 WGS84. La corrección paramétricade las imágenes aeroportadas aplica paracada línea de imagen sus parámetros independientesdel resto, con lo que dentro de la mismaimagen puede haber zonas con mejor exactitudque otras. Los métodos utilizados para estimarla exactitud de la corrección geométrica en imágenesaeroportadas, son tanto, los clásicos aplicadosa las imágenes de satélite de «Puntos deControl», como algunos avanzados que tenganen cuenta toda la imagen.Siguiendo el método clásico de «puntos decontrol», la comparación de una muestra de puntostomados de la ortofoto (SIGPAC, GEOPOR-TAIL) sobre una selección de imágenes de todaslas zonas adquiridas muestran un RMSE por debajode los 2 píxeles, tanto para las pasadas altascomo bajas.Para una estimación más exacta del funcionamientogeométrico del AHS a lo largo de unacampaña multitemporal, se ha aplicado un métodobasado en la correlación entre imágenesadquiridas sobre una misma zona en fechas distintas.La Figura 1 muestra la superposición delcanal AHS 15 de la pasada sobre Marmande(Francia) en tres fechas distintas, la sub-escenade zona urbana se observa un perfecta superposicióny en la sub-escena de zona agrícola loscolores son debidos a diferencias radiométricasdel estado fenológico de los cultivos en las tresfechas consideradas. La correlacion imagen aimagen estima que todas las imágenes han tenidoun comportamiento muy similar entre ellas,siempre por debajo de los 2 píxeles. Es en lasbordes de la imagen donde se produce este errorsiendo muy cercano al píxel en el nadir de laimagen.Validación radiométricaLa calidad radiométrica de los canales del espectrosolar y térmico se han analizado a nivelde calibración y de corrección atmosférica.Figura 1. Imagen del canal AHS 15 multitemporal de las tres campañas CEFLES2.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 16-21 19

M. Jiménez et al.Basándose en los dos cuerpos negros situadoen el sensor y que son registrados al principio yfinal de cada línea de imagen, se calcula el ruidopresente en todas las imágenes. La Figura 2muestra los valores del incremento de radianciaequivalente al ruido (NEDL por Noise EquivalenteDelta Radiance) y el incremento de temperaturaequivalente al ruido (NEDT por NoiseEquivalent Delta Temperatura) estimados mediantela desviación típica de la señal de los cuerposnegros a lo largo de la pasada. Las gráficasmuestran en azul las pasadas bajas y en rojo laspasadas altasLas reflectancias y temperatura en el terrenoadquiridas por los grupos de campo de CE-FLES2, se ha utilizado para la validación delas reflectancia y temperaturas de salida de lacorrección atmosférica. Las temperaturas obtenidascon el sensor AHS después de la correcciónatmosférica tienen un error de 1,3 Kfrente a los datos de campo, esta validación hasido realizada por la Unidad de Cambio Globalde la Universidad de Valencia. En el casode las reflectancias del AHS, la Figura 3 muestrala comparación de la reflectancia AHS deuna parcela de suelo desnudo frente a la obtenidapor el espectro-radiómetro de campo ASD.La reflectancia del ASD ha sido previamenteremuestreada a la resolución espectral del sensorAHS.30CEFLES2 NEDL AHS VNIR-SWIR25NEDL (uW/cm 2 sr nm)201510501 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61Canal AHSNEDT (°C)10,90,80,70,60,50,40,30,20,10CEFLES2 NEDT AHS MIR / TIR Noise64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80Canal AHSFigura 2. NEDL y NEDT de una muestra de imágenes AHS bajas (azul) y altas (rojas) en lastres misiones CEFLES2.20 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 16-21

Comportamiento geométrico y radiométrico del sensor AHS durante la campaña multitemporal CEFLES26.0005.000CEFLES 2 Missiion 1 (Bare soil)AHSASDReflectance (% * 100)4.0003.0002.0001.00000,5 1,0 1,5 2,0 2,5WavelengthFigura 3. Comparación de la reflectancia obtenida por el AHS y el ASD en una parcela de suelo desnudo.DISCUSIÓN Y CONCLUSIONESEn el marco del proyecto multitemporal de laESA CEFLES2, un total de 47 pasadas del sensorhiperespectral aeroportado AHS fueron adquiridasy procesadas geométrica y radiométricamente.Un mes después de la realización decada misión se entregaron los productos y metadatosde imagen.El comportamiento geométrico del sensorAHS a lo largo de las tres misiones fue muy buenoalcanzando en todo momento los requisitosde exactitud geométrica en torno a 1 píxel ysiempre por debajo de los 2 píxeles.El comportamiento radiométrico se ajustó alos requisitos en términos de NEDL y NEDT ytemperatura en el terreno. El error en reflectanciasi supera el 5% para los primeros canales ypartes finales del SWIR.Las imágenes AHS están siendo parte del sistemade simulación de las imágenes y productosde la futura misión de GMES Sentinel-2.AGRADECIMIENTOSProyecto de la ESA: «Technical Assistance forAirborne/Ground Measurements in support ofSentinel-2 mission during CEFLES2 Campaign».ESRIN/Contract Nº 20801/07/I-LGAl Departamento de Físicas y Unidad deCambio Global de la Universidad de Valenciay en especial a José Moreno, Luís Alonso, JoséSobrino y Juan Carlos Jiménez, por colaboraciónen la validación de los datos del sensorAHS.REFERENCIASFERNÁNDEZ-RENAU, A., GÓMEZ, J. A. & DE MI-GUEL, E. 2005. The INTA AHS system. Sensors,Systems, and Next-Generation Satellites IX. Proceedingsof the SPIE, 5978: 471-478.http://www.selexgalileo.com/EN/Common/files/Galileo_Avionica/Relazioni_Esterne/Scheda_Prodotto_2/Electro_Optics_2/SIM_GA.pdfhttp://www.asdi.comhttp://www.cimel.frhttp://www.labsphere.comhttp://www.rese.ch/PARGEhttp://www.rese.ch/ATCOR4BERK, A., ANDERSON, G. P., ACHARYA, P. K.,HOKE, M. L., CHETWYND, J. H., BERNSTEIN,L. S., SHETTLE, E. P., MATTHEW, M. W. &ADLERGOLDE, S. M. 2003. MOD-TRAN4 Version3 Revision 1 User’s Manual. Hanscom Air ForceBase, MA: Air Force Res. Lab.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 16-21 21

Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 22-28Análisis comparativo de las superficies regadasen los acuíferos del Campo de Montiely La Mancha Occidental en el período 2004-2008Comparative analysis of irrigated areasin Campo de Montiel and La Mancha Occidentalaquifers during 2004-2008M. Bea 1 , S. Montesinos 1 , C. Morugán 2 y S. Moraleda 2mbea@geosys.es1GEOSYS. Sector Foresta, 23, locales 7 y 8. 50340 Tres Cantos. Madrid2Confederación Hidrográfica del Guadiana. Ctra. de Porzuna, 6. 13002 Ciudad RealRecibido el 02 de marzo de 2010, aceptado el 20 de mayo de 2010RESUMENLa declaración de sobreexplotación de los acuíferosde la Llanura Manchega conlleva el necesariocontrol, por parte de la ConfederaciónHidrográfica del Guadiana, del Régimen anualde explotación de las aguas subterráneas. La teledeteccióndesde satélite es, sin duda, la herramientamás eficaz para realizar este control.En esta comunicación se presenta el análisiscomparativo de los resultados obtenidos en variosestudios en el periodo 2004-2008.PALABRAS CLAVE: superficies en regadío,acuíferos sobreexplotados, régimen de explotación.ABSTRACTThe aquifer’s overexploitation declaration of LaLlanura Manchega entails a necessary controlby Guadiana River Basin Authorities about theyearly regime of exploitation of the groundwaterresources. Without a doubt, remote sensingtechniques with satellite images are the mostefficient tool for realise this control.In the following paper, it’s presented a comparativeanalyse of this study between differentyears 2004-2008.KEY WORDS: irrigated area, overexploitedaquifers, exploitation regime.INTRODUCCIÓNEl Texto Refundido de la Ley de Aguas en suartículo 56.1 y el Reglamento del Dominio PúblicoHidráulico en su artículo 171.1, indican queel Organismo de cuenca puede declarar los recursoshidráulicos subterráneos de una zona sobreexplotadoso en riesgo de estarlo, debiendoimponer limitaciones a las distintas explotacionesdel acuífero, mediante la elaboración del Plande Ordenación de las extracciones y el establecimientode regímenes anuales de explotación delacuífero. La Disposición Transitoria 3ª de la Ley29/1985, de Aguas, dispone que, a los aprovechamientosde aguas privadas procedentes de pozosen explotación, les serán aplicables las normativasque regulan la sobreexplotación de acuíferos.Debido a la grave situación alcanzada en losacuíferos de la Llanura Manchega, en junio de1989, mediante resolución de la Dirección Generalde Obras Hidráulicas, fue declarado sobreexplotadoel acuífero de Campo de Montiel.Por otra parte, la Junta de Gobierno de la ConfederaciónHidrográfica del Guadiana, en diciembrede 1994, declaró sobreexplotado el acuíferode La Mancha Occidental, cuya área fueampliada mediante acuerdo de 22 de agosto de2008 (D.O.C.M. del 10 de octubre de 2008).Considerando los 5.125 km 2 declarados sobreexplotadosen el acuífero de la Mancha Oc-22 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 22-28

Análisis comparativo de las superficies regadas en los acuíferos del campo de Montiel y La Mancha Occidental...cidental y los 1.840 km 2 del acuífero del Campode Montiel, la superficie total declarada sobreexplotadaen la cuenca alta del Guadiana esde 6.965 km 2 . En dichas zonas, existen unos derechosde regadío de unas 165.000 ha y 13.000ha respectivamente.Los trabajos se han desarrollado en los sistemasacuíferos de la Mancha Occidental y delCampo de Montiel, incluidos en el ámbito territorialde la Confederación Hidrográfica del Guadianaen virtud del Real Decreto 650/1987(Fig. 1).ANTECEDENTESLa cuantificación de las superficies regadasy el conocimiento de la distribución de los diferentestipos de cultivos en regadío supone un aspectoclave para la realización de las tareas degestión hídrica y planificación hidrológica sobreel territorio.La teledetección espacial ha demostrado supotencial como herramienta válida para la elaboraciónde mapas de cultivos en regadío (Barón,1999; Quintanilla et al., 1997; Montero etal., 2005; Montesinos y Bea, 2008), siendo unatécnica capaz de proporcionar resultados fiablescon costes económicos y periodos de respuestarápidos en relación a otras posibilidades.La cuenca alta del Guadiana, seguramente debidoa la gravedad de los problemas ambientalesa los que se enfrenta, ha sido una zona pioneraen la elaboración de estudios para ladeterminación de superficies regadas a partir detécnicas de teledetección (Montesinos, 1990).En los últimos años, se han realizado estudiosanuales para la elaboración de mapas de cultivosen regadío dentro del ámbito de los acuíferossobreexplotados.En el año 2004, Geosys llevó a cabo para laComisaría de Aguas del Guadiana, las asistenciastécnicas «Seguimiento del control del régimende explotación del acuífero de La ManchaOccidental» con el objetivo de evaluar las superficiesde cultivos en regadío existentes en el año2004, en la unidad hidrogeológica 04.04 y el«Seguimiento del control del régimen de explotacióndel acuífero de Campo de Montiel», en laU.H. 04.06.En ambos casos, se trataba de detectar las superficiesen cultivos herbáceos en regadío existentesen los acuíferos declarados sobreexplotadospara, aplicando las dotaciones por cultivoestablecidas en el Plan de Ordenación del Régimende explotación, identificar aquellas explotacionesque incumplían el régimen dentro delos perímetros de sobreexplotación.Los datos de viña del año 2004, se extrajerondel proyecto «Estimación de consumos de cultivosen regadío en el ámbito territorial del Acuíferode La Mancha Occidental durante la campañade riego de 2003», elaborado a partir de losdatos corregidos de declaraciones de cultivos dela PAC y de los consumos estimados por el ServicioIntegral de Asesoramiento al Regante dela Consejería de Agricultura de la Junta de Comunidadesde Castilla-La Mancha.Estos datos de viña provenían de las estadísticasde las declaraciones 1T requeridas por laPAC y recopiladas por la Consejería de Agricultura,habiendo sido corregidos y complementadospor las Delegaciones Provinciales de Agriculturay las Oficinas Comarcales Agrarias.TOLEDOCUENCAAcuífero deLa Mancha OccidentalCIUDAD REALAcuífero deCampo de MontielALBACETEFigura 1. Ámbito de estudio: Unidad Hidrogeológica 0404, PA0401 y PS0406.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 22-28 23

M. Bea et al.Por otro lado, durante los años 2005 y 2006 laempresa pública TRAGSA realizó, para la ConfederaciónHidrográfica del Guadiana, el estudio«Estimación de superficies en regadío porteledetección en la cuenca del Alto Guadiana yacuíferos sobreexplotados. Campañas 2005 y2006», con el objetivo de cuantificar las superficiesregadas y determinar el consumo de aguade los cultivos en regadío observados en la zona,a partir de las dotaciones teóricas ligadas acada cultivo.Por último, en los años 2007 y 2008, la ConfederaciónHidrográfica del Guadiana encargóla realización de las asistencias técnicas «Estimaciónde las superficies realmente regadas enlos acuíferos del campo de Montiel y de La ManchaOccidental», donde además de cuantificarlas superficies en regadío en los acuíferos enesos años, se realizó un análisis espacial comparativode las superficies obtenidas desde 2004.METODOLOGÍAS PARA LAELABORACIÓN DE LOS MAPASDE CULTIVOS EN REGADÍOEn relación a la metodología, cabe destacar,que en cada uno de los trabajos se han realizadodistintas aproximaciones o bien se han introducidomejoras en las aproximaciones realizadas,aunque en todos los casos se han basado en elanálisis multiespectral y multitemporal de datosde satélite.Las imágenes empleadas han sido series temporalesadquiridas por el satélite Landsat durantela primavera y verano de cada año, que hanpodido ser apoyadas con coberturas de imágenesSPOT adquiridas durante los veranos entre2004 y 2008.Durante el año 2004, la metodología de trabajose ha basado en la clasificación multiespectralsupervisada de una serie de imágenes de satéliteLandsat distribuidas en seis fechas a lolargo de las campañas de primavera y verano.Esta clasificación se realizó para cada píxel determinadocomo superficie regada a partir decomponentes principales derivadas del conjuntode imágenes disponibles.Durante los años 2005 y 2006 las metodologíasempleadas han sido análogas. Para los cultivosherbáceos se llevó a cabo un proceso declasificación multiespectral supervisada. Lasprecisiones de identificación (PI) obtenidas fuerondel 81% para 2005 y del 88% para 2006, conuna leyenda que contiene cereal, forrajes, cebolla,maíz, melón y otros cultivos regados. Parael viñedo se calculó un índice de vegetación(NDVI) sobre el total de la zona estudiada, a partirdel cual se llevó a cabo una segmentación entres categorías del viñedo identificado en la últimaversión disponible del SIGPAC. Estas trescategorías fueron denominadas «viñedo conNDVI alto», «Viñedo con NDVI medio» y «Viñedocon NDVI bajo». La primera de las clasesha sido asimilada al viñedo regado, realizándoseun proceso de validación sobre la fiabilidadde los resultados así obtenidos. Según este análisis,la precisión de identificación del viñedoregado supera el 95% en las dos campañas.En los años 2007 y 2008, también se han desarrolladodos procedimientos diferenciados parala estimación de las superficies realmente regadas,uno para cultivos herbáceos, basado enuna aproximación mixta de clasificador en árbol-clasificaciónmultiespectral de los datos desatélite y otro para la viña, basado en un análisismulticriterio.Los cultivos herbáceos en riego han sido determinadosa partir del cálculo de índices de vegetación,usándose umbrales definidos empíricamentea partir de datos de campo para ladeterminación de vegetación activa. Tras un posteriorenmascaramiento, se han determinado laszonas de cultivos regados, que han sido ajustadasa los límites de las parcelas catastrales de lazona.La asignación de las superficies regadas a lascategorías de la leyenda temática de cultivos regadosse ha realizado a nivel de parcela cultivada.Para ello, se han realizado diferentes procesos:fotointerpretación, análisis de cambios entrefechas y clasificación multiespectral supervisadadel conjunto de fechas, de pares de fechas yde fechas aisladas.Un porcentaje de la muestra no utilizado enestos procesos ha servido para ajustar un árboljerárquico de decisión que se ha empleado paradefinir la metodología parcial que proporcionamejores resultados para cada cultivo y establecerprioridades entre ellas y entre cultivos. Esteárbol de decisión ha servido para llevar a caboel proceso de discriminación de cultivos.24 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 22-28

Análisis comparativo de las superficies regadas en los acuíferos del campo de Montiel y La Mancha Occidental...La precisión global obtenida para el mapa deherbáceos regados de 2007 se sitúa en el 88%mientras que para 2008, ha sido del 90% en unaclasificación que contiene cereal, ajo, forrajes,cebolla, girasol maíz, melón, pimiento y tomate,patata y otros herbáceos regados.En el caso de la viña, las dificultades inherentespara la cuantificación del riego mediante elempleo de la teledetección de alta resolución resultanevidentes, dado que la respuesta captadapor los sensores presenta una mezcla entre vegetacióny suelo que dificulta el análisis de lascaracterísticas de las plantas (Arán et al., 2001).Además, las diferencias en la conducción, tipología,variedad, edad y prácticas agrícolas introducenevidentes factores de variabilidad.A todo esto se suma el hecho de que las dotacionestotales y frecuencia de los riegos oscilannotablemente en un gradiente que abarca desdeviñedos en vaso que reciben un único riego deapoyo de varias horas en un día concreto, hastaexplotaciones en espaldera regadas regularmentedurante toda la campaña con objeto de maximizarla producción de uva.A pesar de estos condicionantes, el empleo deimágenes de los satélites Landsat y SPOT proporcionauna información de interés relacionadacon los efectos del riego sobre el cultivo dela viña. Como complemento a esta información,se ha decidido emplear otros datos no numéricosque se encuentran disponibles o han podidoser georreferenciados y que se encuentran relacionadoscon la posibilidad de ausencia / presenciade riego, dentro de un enfoque de apoyo coninformación basada en el conocimiento del territorio(Richards, 1993).Así, varios mapas de índices de vegetación yde diferencias de índices entre fechas han sidopuestos en relación con otros mapas representandofactores relacionados con la posibilidadde existencia de riego en los viñedos (inventariosde pozos, inscripción en el Registro deAguas, usos del suelo previos a la plantación delviñedo, datos disponibles de campo de años anteriores,etc.), dentro de un procedimiento deevaluación multicriterio (Eastman et al., 1998).El modelo desarrollado ha sido ajustado zonalmentea partir de una muestra amplia de datosde campo (por encima de 16.000 ha en cadauno de los años) permitiendo obtener un pesoasociado a cada mapa empleado que optimiza elajuste entre la información de partida disponiblerelacionada con el riego y la distribución de parcelasen regadío. Este modelo de evaluación multicriterioha sido aplicado sobre el conjunto deparcelas de viñedo del territorio, determinadopreviamente mediante procesos de fotointerpretacióna partir de ortofotografía digital en colorcon 50 centímetros de tamaño nominal de píxel.La validación de los mapas obtenidos arrojauna precisión global del 81%. La fiabilidad dela identificación de parcelas en secano se ha cifradoen un 88%, mientras que la fiabilidad enla identificación de riegos ha sido del 75%, loque indica la necesidad de ajustar en mayor gradola metodología para conseguir identificar losriegos de apoyo y baja dotación, así como lasplantaciones jóvenes, aún con poco desarrollo.En ambos casos, los procesos se han realizadoindependientemente para cada una de las zonasresultantes de la segmentación del territorio.Esta segmentación tiene por objeto obtener áreashomogéneas, donde las variables estadísticassean extrapolables y respondan a una distribuciónunimodal para que los algoritmos que seutilizan funcionen correctamente.ANÁLISIS COMPARATIVO DE LOSRESULTADOS ENTRE 2004 Y 2008En la tabla 1 se pueden ver los resultados obtenidos,desglosados en forrajeras con riego deciclo largo, en cultivos herbáceos regados en primavera,en herbáceos regados con alta dotaciónen verano, y por último, en viñedo, que se haconvertido en el cultivo que presenta las mayoresextensiones de superficie regada.Los cultivos de forrajes (alfalfa y prados) semantienen en un rango estable, no siendo demasiadorepresentativos en relación al total.Los herbáceos regados en primavera (fundamentalmentecereales) presentan cifras que oscilanconsiderablemente entre los diferentesaños. Con objeto de explicar esta situación, seha incluido una registro en la tabla, que representala pluviometría media entre los meses demarzo y mayo, calculada como la media entrelos datos recogidos por las estaciones del SIARinstaladas dentro de la zona de estudio.Se observa como en un año con una primaverahúmeda, como 2004, los cultivos de primave-Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 22-28 25

M. Bea et al.ra en regadío se cifran en unas 12.000 ha, mientrasque en años secos como 2005 y 2006 estemismo dato se acerca a las 30.000 ha. Esta explicaciónse refuerza por el escaso valor añadidodel cereal. Dado que el agua debe ser bombeadadesde profundidades cada vez mayores,muchas parcelas reciben riegos de apoyo o inclusode emergencia, sólo cuando las condicionesclimáticas obligan a ello.En verano, la media de la superficie de herbáceosen regadío, en los últimos 5 años, es de18.327 ha. Todos los años presentan cifras dentrodel rango, con la mínima en el año 2006, con14.326 ha y la máxima en 2005, con 22.544 ha.En el año 2008, la superficie de herbáceos en regadíoprácticamente coincide con la media delos últimos 5 años.Las mayores diferencias las encontramos en laestimación de la superficie de viña en regadío.Las cifras indicarían un crecimiento de la viñaen regadío durante estos 5 años, que no se correspondecon ningún tipo de pauta real conocida.La cifra de viña en regadío en el año 2004(45.484 ha), está extraída de las declaracionesde la PAC y parece evidente que presenta un sesgoa la baja muy importante.Por otro lado, para los años 2005 y 2006, lamemoria del estudio del que se han extraído losdatos, establece la fiabilidad del viñedo a partirde la Precisión de Identificación (PI). Ésta se obtienedel cruce de la clasificación realizada porteledetección con los datos de viñedo en regadíoy secano obtenidos en las campañas de campo realizadasen el verano de 2005 y en la primaverade 2006. Según se recoge en dicha memoria, laPI del viñedo regado en las dos campañas superael 95% en la Mancha occidental. Sin embargo,dada la metodología que se empleó, no pareceprobable que la precisión de la estimación seatan alta como la fiabilidad que se dice. El hechode que la superficie identificada como viña regadaaumente en 23.000 ha de un año a otro (locual implica un 45% de la viña en regadío cuantificadaen 2005) avalaría esta afirmación.Entre 2006 y 2007, la diferencia también resultamuy importante (18.000 ha) y tiene obligatoriamenteque deberse a las diferencias en laaproximación metodológica empleada, ya que elritmo de crecimiento del viñedo en regadío noha podido ser tan intenso en un solo año. En estesentido, resulta inquietante que la fiabilidadglobal (definida como el cociente entre la superficiecorrectamente identificada como regadíoen la muestra de validación y el total de superficiede viña usada en la validación) sea tan elevadaen ambos estudios, ya que indica que la rigurosidaddel proceso de validación en algunode los dos (o en ambos) resulta cuestionable. Estainquietud se basa en la respuesta de cualquierusuario ante un análisis comparativo de este ti-Tipo cultivo 2004 2005 2006 2007 2008Forrajeras 938 773 1.481 1.156 689Herbáceos en primavera 11.894 27.594 31.071 5.163 24.377Herbáceos en verano 17.758 22.544 14.326 18.485 18.523Viña en regadío 45.484 52.572 75.554 94.428 92.134TOTAL (ha) 76.074 103.483 122.432 119.232 135.723Total PRIMAVERA 11.894 27.594 31.071 5.163 24.377Total VERANO 18.696 23.317 15.807 19.641 19.212Total VIÑA 45.484 52.572 76.389 94.428 92.134Consumo estimado (Hm 3 ) 212,85 276,30 274,80 264,70 283,30Precipitación acumulada media enmarzo-mayo (mm) 240 37 142 195 149Tabla 1. Estimación de superficies regadas (en hectáreas) y consumos para el período 2004-2008.26 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 22-28

Análisis comparativo de las superficies regadas en los acuíferos del campo de Montiel y La Mancha Occidental...po, que en muchas ocasiones le puede llevar arechazar, de forma general, la propia técnica.La cifra obtenida en 2008 resulta muy similara la de 2007, a pesar de la complejidad propiade la cultura vitícola (arranques, nuevas plantaciones,riegos de apoyo, etc.).En 2008, la muestra de campo se recogió, dentrode cada una de las zonas resultado de la segmentaciónterritorial, dentro de polígonos catastralescompletos y con una distribución demuestreo proporcional según la viña total existenteen cada segmento. De esta forma, fue posiblerealizar un proceso estadístico de expansióndirecta para la estimación de la cifraesperable de viña en regadío existente (basadaen un porcentaje de muestra del 12% del total),que se situó en el entorno de las 90.000 ha.Igualmente, se realizó un análisis de incertidumbreque indicó que la superficie de viña en regadíoen los perímetros de sobreexplotación, estabaen torno a las 95.000 ha, en un intervalo quepodía oscilar entre las 88.000 ha y las 102.000 ha.Desde el punto de vista del consumo de agua,las diferencias en las superficies cuantificadas enlos distintos años, no tienen una relevancia significativa.Así, si no consideramos el año 2004, porlas razones que venimos argumentando, el consumoen el año 2008 representa el máximo con 283,30Hm 3 y el mínimo se registraría en el año 2006, con264,70 Hm 3 . La desviación con respecto a la mediaes de 8-10 Hm 3 . Las dotaciones empleadas parala estimación del consumo son las establecidaspara cada cultivo dentro del Plan de Ordenación delas Extracciones del acuífero de la Mancha Occidental,aprobado como consecuencia de la declaraciónde sobreexplotación del acuífero.Sin embargo estas cuantificaciones presentandos factores de variabilidad que deben ser tenidosen cuenta: los cambios interanuales en lassuperficies regadas debidas a las diferencias declimatología y la necesidad de ajustar las dotacionesde consumo.La distribución de los diferentes tipos de cultivosdentro del área de estudio se muestra en laFigura 2.DISCUSIÓN Y CONCLUSIONESLa estimación de superficies regadas en un territoriose realiza de forma habitual mediante di-Figura 2. Distribución de superficie regada en 2008 dentrode la zona de estudio. Se representan los cultivos herbáceosregados en primavera (en amarillo), los cultivosherbáceos regados en verano (en verde) y el viñedo regado(en naranja).ferentes técnicas, que integran trabajos estadísticos,recopilación de declaraciones de agricultores,trabajos de campo y proceso de datos geográficos.La teledetección se ha convertido en una herramientaaceptada para su empleo en este tipode estudios, proporcionando información detalladaacerca de la distribución de cultivos en elterritorio, posibilitando mejoras en la calidadde los resultados, la obtención de datos adicionalesasí como ahorros en costes y tiempos derespuesta.En relación a los resultados, hay que tener encuenta que el mapa de distribución de las superficiesrealmente regadas en los acuíferos, es unmapa dinámico que cambia cada año, por lo quese recomienda su actualización continua, apoyandoel mapa de referencia obtenido para el año2008, con campañas de campo dirigidas a:i) cultivos herbáceos de verano, como mayoresconsumidores de agua,ii) los cereales, para determinar en que gradose riegan dependiendo de las precipitacionesdel año, yiii) la viña en regadío, dado que es el cultivocon mayor extensión en la zona, y cuya tendenciaes al alza.Se recomienda también una revisión de los datosadministrativos relacionados con las concesionesde uso privativo de aguas, que deben serunos datos de referencia en este tipo de estudios,pero que como se ha visto, en la actualidad contienenerrores sustanciales.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 22-28 27

M. Bea et al.Por último, se recomienda el desarrollo denuevos escenarios de consumo de agua basadosen la integración del mapa de superficie regadascon medidas en campo de caudalímetros distribuidosestadísticamente y en función de este mapabase.REFERENCIASARÁN, M., VILLAR, P., XANDRI, J., ALBIZUA,L., LERÁNOZ, A., ZALBA, M. & FARRÉ, X.2001. Estudio de las relaciones entre propiedadesdel suelo, cubierta vegetal y respuesta espectral enel cultivo de la viña. En: Teledetección, Medio Ambientey Cambio Global 29-32. Universidad deLleidaBARÓN, A. 1999. Experiencia sobre la evaluaciónde las extracciones de agua subterránea en las IslasBaleares. En: Ballester et al. (1999): Mediday evaluación de las extracciones de aguas subterráneas.ITGE. Madrid. pp. 43-54. ISBN: 84-7840-361-2.EASTMAN, J. R., JIANG, H. & TOLEDANO, J.1998. Multi-criteria and multi-objective decisionmaking for land allocation using GIS. En: «Multicriteriaanlysis for land-use management». Ed. byBeinat, E., and Nijkamo, P. (Kluwer Academic Publishers),pp. 227-251.MONTERO, I., RODRÍGUEZ-PÉREZ, A. J., CI-FUENTES, V., MARTOS, J. C., MOLINA, F., RO-DRÍGUEZ-ÁLVAREZ, J. A., OYONARTE, N. &MUÑOZ, A. 2005. Mejoras metodológicas en laestimación por teledetección de la superficie en regadíoen la demarcación de la Confederación Hidrográficadel Guadalquivir. XI Congreso Nacionalde TELEDETECCIÓN. Puerto de la cruz(Tenerife).MONTESINOS, S. 1990. Teledetección: su utilizaciónen la cuantificación y seguimiento de recursoshidráulicos aplicados al regadío. Informacionesy Estudios, 51, MOPU (ed), 106 pp.MONTESINOS, S. & BEA, M. 2008. Aplicacionesoperativas de la Teledetección en la Planificacióny Gestión del Medio Hídrico. Revista de Teledetección,29: 91-100,QUINTANILLA, A., CASTAÑO, S., MONTESINOS,S., GARCÍA-CONSUEGRA, J. & NAVARRO, E.1997. Aproximación al estudio de la evolución temporalde la superficie en regadío en la cuenca delrío Segura mediante técnicas de teledetección ySIG. Teledetección: usos y aplicaciones, 39-46.Universidad de Valladolid.RICHARDS, J. A. 1993. Remote Sensing digital imageanálisis. Springer-Verlag. 340 pp.28 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 22-28

Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 29-35Seguimiento del estado ecológico de las aguascontinentales superficiales españolasmediante imágenes MERISMonitoring the ecological state in Spanishinland water using MERIS imagesJ. A. Domínguez 1 , C. Arancón 2 , C. Alonso 1 , A. Alonso 1 , C. de Hoyos 1 y A. Quesada 2jose.a.dominguez@cedex.es jadomin@dfmf.uned.es1Centro de Estudios Hidrográficos (CEDEX). P.º Bajo Virgen del Puerto, 3. 28005 Madrid2Universidad Autónoma de Madrid. Departamento de BiologíaRecibido el 03 de marzo de 2010, aceptado el 20 de mayo de 2010RESUMENLa teledetección tiene como uno de sus objetivospoder proporcionar información de utilidaden el menor tiempo posible para la toma de decisiones.En esta línea se han realizado multitudde estudios de teledetección en calidad de aguallegando a la conclusión de la necesidad de disponerde un sensor con bandas espectrales estrechasy centradas en las longitudes de ondas apropiadas,con una periodicidad alta y una adecuadaresolución espacial. El sensor MERIS reúne casitodas estas características, siendo su resoluciónespacial (300 m) la más crítica. Aprovechandolas facilidades que proporciona la ESApara la realización de investigaciones con imágenesde los sensores de ENVISAT, durante losúltimos años se han realizado las investigacionesnecesarias y colaboraciones en todos las áreas(radiometría de campo, corrección atmosférica,desarrollo de algoritmos y software) parapoder proporcionar en el menor tiempo (1 horadesde la recepción de la imagen) una cartografíafiable en calidad de agua. A continuación sepresenta un resumen de todas las investigacionesasí como de la operatividad del sistema.PALABRAS CLAVE: MERIS, cartografía de calidadde aguas, aguas continentales, estado trófico,estado ecológico, Directiva Marco del Agua.ABSTRACTRemote sensing has as an aim to give useful informationin the shortest possible time in orderto make the taking of decisions easier. This iswhy so much research on water quality usingremote sensing has been done, the conclusionof which implies the necessity of disposing ofnarrow spectral bands in the appropriate wavelenghts,with a high periodicity and the rightspatial resolution. MERIS has most ot thesecharacteristics, with a critical spatial resolutionof 300 metres. Taking advantage of ESA convenienceto supply researchers with ENVISATsensor imagery, in the last years there has beena lot of research in every area (field radiometry,atmospheric correction, algorhithm developmentand software) in order to produce in theshortest possible time (an hour since the receptionof imagery) an accurate and trustworthywater quality cartography. A summary of thisresearch and the working of this system are presentedbelow.KEY WORDS: MERIS, water quality cartography,inland water bodies, trophic state, ecologicalstate, Water Framework Directive.INTRODUCCIÓNLa orden ministerial ARM/2656/2008 en lacual se produce la adaptación del Reglamento dela Planificación Hidrológica a los cambios introducidosen el texto refundido de la Ley deAguas, transposición de la Directiva Marco delAgua 2000/60/CE que establece un marco co-Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 29-35 29

J. A. Domínguez et al.munitario en política de aguas, define la tipologíade la masas de agua, así como los indicadoresde calidad hidromorfológica, calidad físicoquímicay presentación del estado ecológico delas aguas continentales superficiales. El Centrode Estudios Hidrográficos durante el siglo XXIviene realizando diversos proyectos con el finúltimo de disponer de un sistema operacional deseguimiento del estado ecológico de las masasde aguas continentales eficaz para la gestión delas aguas continentales españolas. Para ello eranecesario disponer de un satélite con un resoluciónespectral, temporal, radiométrica y espacialadecuada. El único sensor que cumple la mayoríade los requerimientos necesarios para realizareste seguimiento es el sensor MERIS instaladoen el satélite ENVISAT; la única deficienciade este sensor es su resolución espacial (300 m),aunque es suficiente para poder realizar el seguimientodel 80% de las masas de agua españolas(Peña et al., 2004).METODOLOGÍALa idea inicial era utilizar imágenes L2, correspondientesa imágenes de reflectividad proporcionadaspor la ESA, a las cuales se les aplicaríanmodelos desarrollados a partir de datosde campo. La diferencia existente entre los valoresde reflectividad de las imágenes L2 de ME-RIS con los valores de reflectividad de agua, enmasas de aguas continentales, era tal que se descartosu utilización para el seguimiento de parámetrosde calidad de agua, por lo que se decidióutilizar nivel L1b de MERIS (Peña et al., 2004).La metodología para implementar el sistema deseguimiento del estado ecológico de las aguascontinentales podemos resumirla en:a) Generación de librería espectral de ecosistemasacuáticos continentales. Los datos a adquiriren campo corresponderían a medidas dereflectividad, medidas de perfiles con sonda multi-paramétricay muestras del primer espesor ópticopara analizar pigmentos mediante HPLC yfitoplancton (Ruiz-Verdú et al., 2008, Domínguezet al., 2008). La reflectividad medida desdeuna embarcación a una determinada alturarespecto a la superficie del agua es:R rs = (L sfc – ρ ·L Sky )/E sdonde E s es la irradiancia solar, L sfc es la radianciaprocedente del agua y L Sky es la radiancia procedentedel cielo.Estas variables se midieron con un espectrorradiómetroASD-FR un espectralón y con unpanel de referencia lambertiano gris del 25%.A partir de los datos de campo (velocidad delviento) y la información auxiliar (ángulos cenitalessolares) se determinan los valores de Rrs apartir del modelo de transferencia radiativa (Mobley1999).La sonda multi-paramétrica consta de: CTDy fluorómetros de clorofila-a, materia orgánicadisuelta coloreada (CDOM), ficocianina y ficoeritrina,así como un turbidímetro y un sensor0,090,08[Cla] (mg m –3 )0,070,06Reflectancia0,050,040,030,020,010412 442 490 510 560 620 665 681 705 753 760 775 865 890 990Longitud de onda (nm)1 5 15 40 97 390Figura 1. Espectros de campo para diferentes valores de concentración de clorofila-a.30 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 29-35

Seguimiento del estado ecológico de las aguas continentales superficiales españolas mediante imágenes MERISPigmentosPeridininaFucoxantinaNeoxantinaViolaxantinaAlloxantinaLuteinaZeaxantinaClorofila-bClorofila-aFeofitina-aGrupos taxonómicosDianoflageladosDiatomeas (algo en dinoflagelados)Euglenofíceas (algo en cloroficeas)ClorofíceasCriptofíceasClorofíceasCianobacteriasClorofíceas (algo en uglonofíceas)TodosTodosTabla 1. Los pigmentos analizados y grupos taxonómicosde algas a los que corresponden.PAR. El proceso de filtrado de las muestras parael análisis de pigmentos fotosintéticos se realizamediante una bomba de vacío de baja presiónque absorbe el agua de una rampa en la cualse colocan los recipientes con filtros de fibra devidrio Whatman GF/F de 25 mm de diámetro y0,7 µm de tamaño medio de poro. El análisis mediantecromatografía líquida de alta resolución(HPLC) consta de 2 fases, la fase de extraccióny el análisis de pigmentos mediante un equipode cromatografía de líquidos de alta resolución(HPLC), con muestreador automático y detectorde Diodo Array, de la casa Hewlett-Packard (actualAgilent), modelo 1050.b) Desarrollo de algoritmos. Los algoritmosque hasta el momento se han desarrollado sonlos correspondientes a la concentración de clorofila-a[Cla] y ficocianina [PC].La concentración de clorofila-a como indicadorde biomasa y la concentración de ficocianina,pigmento característico de las cianofíceas,debido a que algunas de ellas son tóxicas (Peñay Domínguez, 2006; Ruiz-Verdú et al., 2008).Los algoritmos se han determinado a partir dedatos de campo, en el mismo punto se han medidoespectros de agua, que posteriormente se hantransformado en espectros de agua correspondientesa las bandas del sensor MERIS, concentraciónde clorofila-a en muestras posteriormentedeterminadas en el laboratorio mediante HPLCy medidas «in situ» mediante fluorómetro, previamentecalibrado, en el caso de la ficocianina.El algoritmo de concentración de clorofila-aen función de las bandas MERIS (Fig. 2) correspondea una función por partes, necesaria debidoa que en los espectros de campo en todos seobserva el primer mínimo de absorción de la clorofila-a,pero no en todos se observa el segundo,sólo en aquellos en la concentración de clorofila-aes elevada:— Para valores altos de concentración de clorofila-ay en la cuales se observan con claridadlos valores para la cual se utiliza la banda de absorciónde la clorofila-a (banda 7) y la fluorescenciade la clorofila-a (banda 9).— La segunda corresponde a aquellos valoresde concentración de clorofila-a bajos y para700[Cla] (mg/m 3 )y = 19,34e 6,1257x R 2 = 0,72y = 19,34e 5,2044x R 2 = 0,93600500400300x = {[(B5 – B2) / (B5 + B2)] – 0,662955} ≤ 0x = [(B9 – B7) / (B9 + B7)] – ≥ 02001000–0,7 –0,6 –0,5 –0,4 –0,3 –0,2 –0,1 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7Figura 2. Analizando los espectros de campo se observa la necesidad de encontrar una función compuesta pero continuapara la concentración de clorofila-a (p < 0,001, n = 78).Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 29-35 31

J. A. Domínguez et al.los cuales no hay respuesta espectral representativapara las longitudes de ondas de 680 nm y705 nm, En este caso se utilizaron la banda correspondientea la absorción de la clorofila-a,(banda 2) y el máximo de reflectividad del verde(banda 5).El algoritmo utilizado para la concentraciónde la ficocianina [PC] en función de las bandasMERIS (Peña y Dominínguez, 2006): [PC] =46678exp{5.1864·[(B9-B6)/(B9+B6)]}R 2 = 0.9211c) Corrección atmosférica de imágenes L1b.Una buena corrección atmosférica supone unacartografía temática con precisión; supuestamenteesta correspondería al nivel L2 de ME-RIS, sin embargo la ESA no ha podido proporcionarel procesamiento de precisión requerido(Peña et al., 2004). Esta fue la razón por la cualse analizaron los diversos tipos de corrección atmosféricaexistentes, comparando los espectrosobtenidos en campo con los correspondientes acada una de las correcciones atmosféricas utilizadasen el mismo punto: el nivel L2 de MERIS,ATCOR, SCAPE-M. Se observó que la mejorcorrección atmosférica correspondía a la realizadapor SCAPE-M. Sin embargo, la banda 2 correspondientea 442 nm, banda de absorción dela clorofila-a que en los datos de campo correspondecon un mínimo de reflectividad, interesantepara poder utilizarla en la determinaciónde valores bajos de concentración de clorofilaa,presentaba un error excesivo y no deseado. Paraesta banda se mejoró la corrección en el agua,denominándola (SCAPE-M_B2), a partir de lacomparación de los espectros de campo y la correcciónSCAPE-M se determinó un procedimientode doble corrección atmosférica que consisteen comparar la versión β de SCAPE-M y ladefinitiva para la banda 2 y restar este último valormenos el primero.d) Validación de algoritmos en las imágenesMERIS. La validación de los algoritmos de clorofila-ay demás pigmentos fotosintéticos se realizócon la comparación de datos de campo correspondientea las campañas de campo realizadas enel 2006, para el seguimiento de la evolución temporalde la Perellonada (inundación de las arrozalesque circundan el lago de la Albufera) y calidadde las aguas de La Albufera de Valencia (CEDEX,2007) y las realizadas para la campaña 2007, proyectode un procesador de aguas continentales eutróficasa nivel europeo para MERIS (Koponen etal., 2008). Los algoritmos obtenidos se aplican alas imágenes L1b de MERIS con la corrección previaatmosférica SCAPE-M-B2 y se comparan conlos datos de campo, obteniendo unos errores cuadráticosmedios aceptables: RMSE[Cla] = 8,60mgm –3 y RMSE[PC] = 12,92 mgm –3e) Automatización de la cartografía temática.La distribución de imágenes L1b de MERISpara los proyectos de investigación de la ESA serealiza mediante petición de la imagen a travésdel programa EOLISA. Este software sólo permiteadquirir cuarto de imagen total y el tiempo1.4001.200R(%)*101.000R(%)*1008006004002000413 442 490 510 560 620 665 681 708 753 762 778 865 885 900Wavelength (nm)ab060624a_Fieldab060624a_ATCOR3ab060624a_SCAPE-M_B2ab060624a_MERIS L2Figura 3. Comparación de los diferentes modelos de corrección atmosférica (L2, ATCOR, SCAPE-M_B2 y datos decampo), en el punto ab060624a, correspondiente al muestreo realizado en el lago de la Albufera el 24 de junio de 2006.32 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 29-35

Seguimiento del estado ecológico de las aguas continentales superficiales españolas mediante imágenes MERISentre la solicitud y la llegada de la imagen, quecorresponde al cuarto de la imagen adquirida porMERIS, suele ser de unas 4 horas. Para tener laimagen completa hay que realizar un pedido de4 cuartos de imágenes. Los cuartos de imagense georreferencian a partir de los datos orbitalesy así se puede realizar el mosaico de la imagen.El mosaico realizado a partir de estas imágenespresenta errores de continuidad. Este problemase resuelve corrigiendo los cuartos de imagen,con puntos de control respecto a una imagen dereferencia generada a partir del mosaico de lasimágenes TM del satélite Landsat para toda lapenínsula. Una vez que las imágenes están corregidasatmosférica y geométricamente estánpreparadas para trabajar con ellas. Los algoritmosse aplicaran en las masas de agua y para determinaréstas se realiza el análisis del histogramade una banda del infrarrojo cercano paragenerar una máscara de agua. La banda del infrarrojoseleccionada es la banda 14. El análisisdel histograma de la banda 14 se ha realizado paramás de 60 imágenes y se ha llegado a la conclusiónde considerar que se realizará una buenamáscara de agua en más del 99% de lasimágenes para valores inferiores al 9% de reflectividad,evitando las sombras generadas por lasnubes. A las imágenes se les aplica la máscarade agua para disponer de una imagen de agua paracada fecha. La imagen de agua tiene en cadabanda los valores correspondientes a reflectividadsólo en las masas de agua, a las cuales se lesaplican los algoritmos de los pigmentos y se obtienela cartografía temática.f) Generación de datos a multi-escala espacial:local y estatal. La realización de los mapastemáticos es el primer paso, sin embargo en latoma de decisiones se necesita disponer de undato para toda la masa de agua, este valor deseado,para poder tomar una rápida decisión, se obtendrácomo media de los valores correspondientesa cada masa de agua. Además es interesanteconocer los valores mínimo, máximo y desviacióntípica de cada masas de agua para cada variable.Para ello se ha diseñado y programado enIDL un programa (estadisticasporgrupo.pro),que a partir de la imagen de cada pigmento y laimagen de agua realiza la segmentación de laimagen de agua y determina las coordenadas geográficasdel centroide de cada grupo de píxeles,y calcula el mínimo, máximo, media y desviacióntípica, para cada grupo de píxelescorrespondiente a una masa de agua.RESULTADOSEl trabajo desarrollado durante los últimosaños nos ha permitido, entre otras cosas, conocerlas características espectrales de las masasde agua continentales españolas, colaborar conotros investigadores para poder obtener una buenacorrección atmosférica y desarrollar un sistemade seguimiento del estado de la calidad de10.000Superficie inundada (Ha)8.0006.0004.0002.000002/09/0702/10/0702/11/0702/12/0702/01/0802/02/0802/03/0802/04/0802/05/0802/06/0802/07/0802/08/0802/09/0802/10/0802/11/0802/12/08Fecha de imagenSuperficie perellonadaSuperficie del lago de La AlbuferaFigura 4. Seguimiento de la masa de agua del Parque de La Albufera desde2/09/2007 hasta 22/12/2008.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 29-35 33

J. A. Domínguez et al.1.000900800700[Cla] (mg/m 3 )600500400300200100001/09/200701/10/200701/11/200701/12/200701/01/200801/02/200801/03/200801/04/200801/05/200801/06/200801/07/200801/08/200801/09/200801/10/200801/11/200801/12/2008Fechas imágenes[Cla](mg/m 3 )_Media[Cla](mg/m 3 )_Max[Cla](mg/m 3 )_Min[Cla](mg/m 3 )_DesvFigura 5. Seguimiento de los valores mínimo, máximo, media y desviación típica de la concentración de clorofila-a(mg/m 3 ).las aguas continentales, eficaz en un tiempo quepodemos considerar cuasi-real. El día 18 de marzode 2009 por la tarde se pidieron a la ESA las4 imágenes correspondientes a dicho día. A primerahora del día 19, la ESA nos envío el correopara descargar el fichero con las imágenes; 30minutos después teníamos las imágenes y 2 horasmás tarde la cartografía temática definitivalista para ser difundida mediante Internet. Durantelos primeros meses del 2008 se fueron resolviendolos últimos problemas del sistema deseguimiento de la calidad de las aguas continentalesmediante teledetección y para ver su utilidadse empezó a solicitar imágenes a la ESA L1bde MERIS desde septiembre de 2007. El análisisde las imágenes sin nubes de la península no[Cla]_Media(mg/m 3 )60055050045040035030025020015010050001/09/200716/09/200701/10/200716/10/200731/10/200715/11/200730/11/200715/12/200730/12/200714/01/200829/01/200813/02/200828/02/200814/03/200829/03/200813/04/200828/04/200813/05/200828/05/200812/06/200827/06/200812/07/200827/07/200811/08/200826/08/200810/09/200825/09/200810/10/200825/10/200809/11/200824/11/200809/12/200824/12/2008Fechas imágenes[Cla](mg/m 3 )_MediaFigura 6. Evolución temporal de concentración media de clorofila-a (mg · m –3 ) en el lago de La Albufera entre (2/09/2007)y (22/12/2008).34 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 29-35

Seguimiento del estado ecológico de las aguas continentales superficiales españolas mediante imágenes MERISfue tan satisfactorio como se deseaba y por lotanto la periodicidad teórica de las imágenesMERIS de 3 días no siempre se cumple. La potenciade la metodología desarrollada se observaen el seguimiento del humedal de La Albuferade Valencia entre septiembre de 2007 ydiciembre de 2008, una vez determinada la concentraciónde clorofila-a se realizó el seguimientode la zona inundada y se determinó la superficiedel lago de La Albufera en 2.350 Ha,comparado con la superficie determinada (2.027Ha) con sensores de mayor precisión (CEDEX,2007). La ausencia de imágenes durante el mesde febrero del 2008 debido a la cubierta nubosano impide observar los valores bajos a primerosde marzo de 2008, correspondientes a la fase claraque se produce en la Albufera.CONCLUSIONESLa teledetección a través de imágenes MERISy siguiendo la metodología expuesta en este trabajoproporciona mayor información de la masade agua y de la cuenca, incorporando la variabletemporal a la Directiva Marco del Agua.Los mapas obtenidos permitirían obtener cartografíade utilidad en la gestión de:— Estado Trófico de las Aguas Continentales,sencillamente delimitando los valores paracada nivel de eutrofia.— El estado ecológico (EQR) de las masasde aguas, ya que conocemos el nivel más bajo yóptimo para cada tipología de masas de agua ypor lo tanto podemos determinar EQR al dividircada píxel por este valor.— Un sistema de vigilancia de posible toxicidadpor cianobacterias con dos niveles: el nivel-1([Cla] < 50 mg · m –3 y [PC] > 30 mg · m –3 ),lugares donde hay posibilidad de encontrar cianobacteriasy el nivel-2 ([Cla] > 50 mg:m –3 y[PC]>30 mg·m –3 ), a los que habría que ir amuestrear lo antes posible para analizar dichasmuestras en laboratorio.Una vez desarrollado la metodología es necesariosu puesta en funcionamiento a un nivel deproducción eficaz y útil para la gestión de lasmasas de aguas españolas. Para ello esta metodologíase ha transferido al Ministerio de MedioAmbiente Rural y Marino con el objetivo de lapuesta en marcha del sistema de producción adecuadopara su eficaz utilización.REFERENCIASCEDEX. 2007. Seguimiento de la evolución temporalde la Perellonada y calidad de las aguas de LaAlbufera de Valencia.DOMINGUEZ. J. A., ALONSO, C. & ALONSO, A.2008. Remote Sensing as a Basic Toolbox for MonitoringWater Quality Parameters and as a Systemof Surveillance of Cyanobacterial Harmful AlgaeBlooms (SCYANOHABS). 2008 IEEE InternationalGeoscience & Remote Sensing Symposium. BostonMassachusetts.USA.KOPONEN, S., RUIZ-VERDÚ, A., HEEGE, T,. HE-BLINSKI, J., SORENSEN, K., KALLIO, K.,PYHÄLAHTI, T., DOFFER, R., BROCKMANNC. & PETERS, M. 2008. Develompent of MERISLake Water Algorithms, Ciudad, ESRIN ContractNº 20436/06/I-LG,.http://www.space.tkk.fi/research/projects/water_quality_monitoring/MERIS_Lakes.html. Frascati (Italia).MOBLEY, C.D. 1999. Estimation of remote sensingreflectance from above-surface measurements.Applied Optics, 38: 7442-7455.PEÑA, R., DOMÍNGUEZ, J. A., DE HOYOS, C. &RUIZ, A. 2004. Mapping of photosynthetic pigmentsin Spanish reservoirs. Presented at MERISuser workshop http://www.esa.int/esapub/conference/toc/tocSP549.pdf.PEÑA, P., & DOMÍNGUEZ, J. A. 2006. Using remotesensing for monitoring wetlands in Spain.Presented at GlobWetland: looking at wetlandsfrom space. www.esa.int/esapub/conference/toc/tocSP634.pdfRUIZ, A., SIMIS, S. G. H., DE HOYOS, C., GONS,H. J. & PEÑA, P. 2008. An evaluation of algorithmsfor the remote sensing of cyanobacterial biomass.Remote Sensing of Environment, 112: 3996-4008.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 29-35 35

Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 36-43Análisis de correlaciones entre la temperaturadel aire y la temperatura de las superficiesvegetadas medida con radiometría térmicaRegression analysis between air temperatureand vegetated-surface temperature measuredby thermal radiometryR. Niclòs 1 , M. J. Estrela 2 , J. A. Valiente 1 y M. J. Barberà 1niclos@ceam.es1Unidad Mixta CEAM-UVEG. Fundación Centro de Estudios Ambientales del Mediterráneo.C/ Charles Darwin, 14. 46980 Paterna2Unidad Mixta CEAM-UVEG. Departamento de Geografía. Universidad de Valencia.C/ Blasco Ibáñez, 28. 46010 ValenciaRecibido el 08 de marzo de 2010, aceptado el 31 de mayo de 2010RESUMENEn este trabajo se analizan las correlaciones entrela temperatura del aire a nivel superficial y latemperatura de la propia superficie medida porradiometría térmica, y por tanto equivalente a laque puede obtenerse desde satélite. La finalidades obtener relaciones entre ambas variables quesirvan para generar mapas de temperatura del airea partir de imágenes térmicas de satélite. Paraello, se calculan las diferencias entre ambastemperaturas medidas simultáneamente en dossuperficies vegetadas diferentes, una forestal yotra agrícola, y se estudian estas diferencias enfunción tanto de parámetros meteorológicos comobiofísicos. Los resultados demuestran la existenciade correlaciones entre ambas temperaturas,la irradiancia solar y la velocidad del vientoen superficie, aunque estas correlaciones dependende la proporción vegetación y del estado hídricoen el que se encuentren.PALABRAS CLAVE: radiometría térmica,temperatura de la superficie terrestre, temperaturadel aire, irradiancia solar, velocidad delviento, meteorología.ABSTRACTThis work analyses correlations between surfaceair temperature and land surface temperaturemeasured by thermal radiometry; thelast being equivalent to that retrieved from satellites.The aim is to obtain relationships betweenboth variables to be use for generatingair temperature maps from satellite thermalimages. For this end, differences between bothtemperatures measured simultaneously in twodifferent vegetated surfaces, one forest siteand one agricultural site, are first assessed andthen studied as a function of meteorologicaland biophysical parameters. The results showthat there is a correlation among canopy-airtemperature difference, solar irradiance andsurface wind speed. Nevertheless, this correlationdepends on the site vegetation cover andits hydrological state.KEY WORDS: thermal radiometry, land surfacetemperature, air temperature, solar irradiance,wind speed, meteorology.INTRODUCCIÓNLa temperatura del aire a nivel superficial(T a ), definida entre 1 y 2 m sobre la superficieterrestre, es una magnitud clave a nivel climáticoy meteorológico y permite cuantificar los procesosde intercambio a nivel superficial. Así, porejemplo, interviene en el cálculo de flujos ener-36 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 36-43

Análisis de correlaciones entre la temperatura del aire y la temperatura de las superficies vegetadas...géticos y de la evapotranspiración potencial yreal (Kustas et al., 2003; Cristóbal et al., 2005;Sánchez et al., 2009), en la generación de índicesde estrés hídrico en cultivos (Moran et al.,1994) y como parámetro de entrada en modelosmeteorológicos. Además, la T a constituye hoy endía un parámetro de interés a nivel social y económico.En este sentido, la Fundación CEAMdispone de un sistema meteorológico de vigilanciay alerta de temperaturas extremas, es decir,olas de calor en verano y de frío en invierno, enel marco de una campaña de prevención de losefectos de estas temperaturas extremas sobre lasalud (Estrela et al., 2007). Además del impactosobre la salud, evidenciándose incluso un aumentode la mortalidad en periodos de temperaturasextremas (Florio et al., 2004), existenconsecuencias económicas importantes: durantela temporada de floración implican una reducciónde las cosechas, las temperaturas bajas puedencrear situaciones de niebla que dificulten eltráfico terrestre y aéreo, y, en general, las temperaturasextremas incrementan la demandaenergética.Si bien es cierto que la T a suele medirse desdeestaciones meteorológicas, los datos disponiblessiempre se limitan a la distribución y a ladensidad de la red de estaciones con las que secuente (Vogt et al., 1997). Por ello, nos proponemosestablecer correlaciones entre la T a y latemperatura de la propia superficie (T s ) con elobjetivo de disponer de la información necesariapara obtener mapas de T a a partir de imágenesde T s obtenidas desde satélite, siempre conel apoyo de los datos medidos por nuestra red detorres meteorológicas. La Fundación CEAM poseey mantiene una red de 44 estaciones meteorológicasa lo largo de la Comunidad Valenciana(http://www.ceam.es/; Corell et al., 2010), lascuales tienen capacidad de consulta de datos atiempo real. Además, también disponemos de lared nacional de la Agencia Estatal de Meteorologíay una red regional del Instituto Valencianode Investigaciones Agrarias (IVIA, 2003) quenos servirían como base para la generación y/ovalidación de dichos mapas. Sin embargo, lasimágenes de satélite ofrecen información espacialmentemás continua y por tanto útil para determinarvariables meteorológicas entre estaciones,donde no disponemos de datos de campo(Vogt et al., 1997). Muchos de los estudios queusan la teledetección para determinar la T a se basanen análisis estadísticos, siendo pocos los trabajoscon base física como el de Sun et al.(2005). Goward et al. (1994) propuso una aproximacióncontextual conocida como Índice Temperatura-Vegetación(TVX), extensamente usadaen la bibliografía (Czajkowski et al., 1997 y2000; Prince et al., 1998; Riddering y Queen,2006), que asume que la T s de una superficie vegetaldensa es igual a la T a y que existe una correlaciónentre la T s y un índice de vegetaciónespectral como el NDVI. El cálculo de la T a coneste método implica establecer regresiones linealesentre T s y NDVI dentro de una matriz móvilde 9 × 9 píxeles, en el caso de una imagenAVHRR, y extender la regresión establecida alcaso de vegetación completa. Sin embargo estemétodo produce así imágenes de T a de menor resoluciónespacial que las de T s de partida (Princeet al., 1998). Otras metodologías estadísticasestablecen regresiones lineales entre la T a máximao media diaria y la T s medida desde satélite,permitiendo la generación de mapas diarios deT a máxima o media a la resolución de las imágenesT s . Este es el caso de los trabajos de Vogtet al. (1997) y Recondo y Pérez-Morandeira(2002) que usan la T s obtenida con imágenesNOAA-AVHRR. Recientemente, además, se hanpropuesto metodologías para la interpolación dedatos de T a medidos por estaciones meteorológicasque combinan el uso de variables geográficas(como la elevación, latitud y la distancia acosta de las estaciones), ya usadas en métodosprevios de interpolación espacial (Ninyerola etal., 2007), con variables obtenidas mediante teledetección(T s y NDVI fundamentalmente) yque ofrecen resultados prometedores (Florio etal., 2004; Cristóbal et al., 2008).La determinación de correlaciones entre magnitudessuperficiales determinadas mediante técnicasde teledetección y medidas meteorológicasde campo contribuye a caracterizar lavariabilidad espacial de los parámetros meteorológicossuperficiales (Vogt et al., 1997). Coneste trabajo pretendemos mejorar el conocimientode las relaciones entre la T a y la T s a nivel instantáneo,que permita incluso la generación demapas instantáneos de T a , sacando partido, porejemplo, a las imágenes quinceminutales delSpinning Enhanced Visible and Infrared Imager(SEVIRI) a bordo de Meteosat Segunda Gene-Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 36-43 37

R. Niclòs et al.ración (MSG). Para ello partimos del análisis dedatos medidos de forma continua en campo, tantode T a como de T s , obtenida esta última por radiometríatérmica y por tanto equiparable a lamedida desde satélite, además de otras variablesmeteorológicas que puedan intervenir en estascorrelaciones.A continuación, describimos el dispositivo experimentalutilizado para este estudio, además delos datos medidos y su procesado. Tras esto, analizamoslos resultados y establecemos correlacionescon el fin de parametrizar las diferenciasentre ambas temperaturas. Finalmente, resumimoslas principales conclusiones alcanzadas.MEDIDAS EXPERIMENTALESPara realizar este estudio se instalaron radiómetrostérmicos en torres fijas, junto con estacionesmeteorológicas completas, en dos áreasvegetadas diferentes (Fig. 1): A) una zona arbustivasilvestre muy densa, situada en un altiplanoextenso a unos 800 m de altitud (39,225°N,–0,902°E), donde las especies predominantesson el romero y la aliaga (Fig. 2a), y B) una zonaagrícola de marjal dedicada al cultivo delarroz (39,265°N, –0,308°E), con una extensiónaproximada de 7 × 21 km 2 y una altitud de unos10 m sobre el nivel del mar (Fig. 2b). Ambas áreasfueron seleccionadas por ser superficies planasy uniformes, con el fin de poder descartarposibles efectos locales debidos al relieve y a heterogeneidades.Los radiómetros utilizados para la medida dela temperatura de la superficie son los modelosSI-111 (IRR-PN,) y SI-121 (IRR-P) fabricadospor Apogee Instruments Inc. (Bugbee et al.,1998, www.apogeeinstruments.com), véanse suscaracterísticas técnicas en la Tabla 1.Estos radiómetros, que disponen de una bandaespectral de 8-14 µm, fueron calibrados frentea cuerpos negros de referencia NIST, obteniendouna precisión de ± 0,2K a 293K (CEOS,Committee on Earth Observation Satellites, IRcomparison, Fox et al., 2009). En la zona A seinstalaron 3 radiómetros SI-121, dos de ellos midiendola superficie con ángulos de 20° y 55°desde nadir, instalados a alturas de 8 m y 4 m paraobtener un área de observación sobre la su-N425000 430000 435000 440000 445000 450000Sin clasificarArrozalCereal/BarbechoBosqueUrbanoMatorralRegadío/CítricoSecano/VidSecano/OlivoMáscara1:200000001020304050Zona AZona BKilómetros650000700000 750000 800000 850000Figura 1. Situación de las zonas de medida sobre un mapa de clasificación de superficiesgenerado a partir de imágenes MODIS (Niclòs et al., 2010). Sistema de proyecciónUTM-30 N con datum Europeo de 1950.38 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 36-43

Análisis de correlaciones entre la temperatura del aire y la temperatura de las superficies vegetadas...a) b)ModeloSI-111(IRR-P)SI-121(IRR-PN)IFOV/2 22° 18°Región espectral 8-14 µmRango de medidaTiempo de respuestaPrecisión233-343 K< 1 s± 0,2 KFigura 2. Zonas de estudio: (a) Zona A, matorral termófiloMediterráneo denso típico del este de España, y (b) ZonaB, arrozal de la Albufera de Valencia, con cobertura vegetaldel 100% durante el verano.Tabla 1. Características técnicas de los radiómetros térmicosApogee utilizados para este estudio.perficie de unos 24 m 2 , y otro registrando la radianciahemisférica procedente de la atmósferaen sentido descendente bajo un ángulo de 55,4°desde zenith. Este ángulo efectivo, con el quemedir la contribución atmosférica, fue calculadopara el sensor utilizado en condiciones decampo siguiendo el procedimiento descrito enNiclòs et al. (2005).En la zona B se instalaron 2 radiómetros SI-111, uno de ellos observando la superficie en direcciónnadir desde una altura de 2 m, dada suelevada homogeneidad, y otro registrando la radianciaatmosférica hemisférica, en este casomedida en dirección zenith y multiplicada porun factor 1,3, estimado también de acuerdo conel trabajo de Niclòs et al. (2005). La temperaturadel aire se midió con sensores VAISALAHMP45A en la zona A y Hygro-Thermo THIESen la zona B, en ambos casos con una sonda detemperatura tipo PT-100 y con una precisión de± 0,2K. Adicionalmente, se midieron de formasimultánea gran número de variables meteorológicas,como la irradiancia solar, usando piranómetrosKipp & Zonen CM3 (región espectralde 305-2.800 nm y precisión de ± 5%), y la velocidaddel viento a una altura de 1,5 m y 2 m,con anemómetros GILL Instruments WindSonicy NGR #40 para las zonas A y B respectivamente,con precisiones de ± 0,2 m/s. Esta instrumentaciónnos ha permitido disponer de datos radiométricosy meteorológicos simultáneos en ambaszonas desde agosto de 2008 hasta el momento(Fig. 3).La temperatura de la superficie terrestre seobtiene a partir de los datos radiométricos medidosen campo con la siguiente ecuación:[1]que consiste en una corrección atmosférica y deemisividad, siendo R la radiancia medida por elsensor, ε la emisividad de la superficie observada,B(T s ) la función de Planck para la temperaturaT s de la superficie, promediada para la bandaespectral del sensor, y L ↓ atm hem la radianciaatmosférica hemisférica, medida simultáneamenteen campo. Así, la determinación de T s , pora)T(°C)3530252015105T sT a0270 271 272 273 274 275 276 277 278 279 280Día del añoIrradiancia (W/m 2 )1.2001.0008006004002000–200Irradancia solarVelocidad del viento10270 271 272 273 274 275 276 277 278 279 280Día del añoFigura 3. Ejemplo de los datos medidos (zona A, 10 días de 2008): (a) temperatura superficial medida con radiometríade campo (T s ) y temperatura del aire (T a ), (b) irradiancia solar y velocidad del viento en superficie.8765432Velocidad del viento (m/s)b)Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 36-43 39

R. Niclòs et al.inversión de la ecuación [1], requiere conocer laemisividad efectiva para cada superficie. Estaemisividad fue obtenida aplicando el Método deCobertura Vegetal (MCV, Valor y Caselles, 1996y 2005). La proporción de vegetación se estimóconociendo las dimensiones de la estructura vegetal,asociada a un modelo de cubos de acuerdocon el MCV, y se comprobó a partir de ortofotos.En la zona A la proporción de vegetaciónpara la visión nadir era de 48,8%, aumentando a60% para un ángulo de 20° y 95% para 55°. Losvalores de emisividad de la vegetación, matorralcompuesto predominantemente por romero(Rosmarinus officinalis L.) y aliaga (Ulex parviflorusL.), y del suelo (70% de Luvisol crómicoy 30% de Leptosol lítico) se obtuvieron conel Método de la Caja (Rubio et al., 1997; Rubioet al., 2003). La emisividad efectiva resultantede aplicar el MCV para esta zona es de0,986 ± 0,007 para un ángulo de observación de20° y de 0,989 ± 0,008 para 55°. Para la zona B,había una proporción de vegetación del 100%durante los meses de verano (ver Fig. 2b), conuna emisividad de 0,985 ± 0,005.ANÁLISIS DE DATOSY RESULTADOST s -T a (K)151050–5T s -T a = 0,01308 I – 4,6r 2 = 0,73 error ajuste = 0,9 K0 200 400 600 800 1.000I (W m –2 )Figura 4. Dependencia de T s -T a con I en condiciones decielos despejados (zona A).Con el fin de establecer correlaciones entre laT a y la T s obtenida con la ecuación [1], en primerlugar nos centramos en los datos medidosdurante el día, cuando la irradiancia solar tieneun efecto importante. Para ello, consideramosun valor límite de 20° en el ángulo de elevaciónsolar, ya que por debajo de este valor la imprecisiónen la medida de la irradiancia solar es elevada.Por otro lado, también distinguimos los datosmedidos con y sin nubosidad. Para ello,simulamos la irradiancia solar, I, que mediríanuestro piranómetro con el modelo SBDART 2.4(Ricchiazzi et al., 1998), el cual tiene en cuentala elevación del terreno, y calculamos el cocienteentre el valor instantáneo medido en campo yel simulado. Cuando este cociente es próximo ala unidad (> 0,8) significa que el dato fue medidoen condiciones de nubosidad nula o despreciable,y cuando difiere que la medida fue realizadacon cielos nubosos. Además, para estadiscriminación también se consideró un valor límiteen la medida radiométrica de la temperaturaatmosférica, que fue de unos 253 K. En cualquiercaso este valor depende del IFOV del instrumentoutilizado y también ligeramente de lalatitud geográfica y la estación en que se realizanlas medidas.Los primeros resultados de este análisis muestranque la diferencia de temperaturas superficie-airetiene una dependencia con la I y la velocidaddel viento en superficie, U. La Figura 4muestra dicha dependencia con la I para los datosmedidos con cielos despejados en la zona A,además de un ajuste lineal, con el que obtenemosun coeficiente de estimación razonable de0,7 y un error estándar de estimación para elajuste de ± 0,9 K.Así, la T a puede obtenerse a partir de la T susando una función lineal de I (W m –2 ):T a = T s – ( a I + b ) [2]donde a = 0,01308 ± 0,00005 Km 2 W –1 y b =–4,6 ± 0,9 K. Si ajustamos una ecuación de estetipo separando los datos por rangos de velocidadesde viento en superficie, los coeficientes a yb muestran una ligera dependencia con esta velocidad,pero los errores obtenidos indican quela precisión en la determinación de T a no mejoraríaapreciablemente. El uso de la ecuación [2]para obtener mapas de T a a partir de imágenesde satélite de T s requiere a su vez disponer de informaciónespacial de irradiancia solar, que podríaobtenerse mediante un modelo de transferenciaradiativa teniendo en cuenta la topografíadel terreno. Dado que a escala regional el relievedel terreno puede ser variable, en futuros estudiospretendemos comprobar si el ajuste pro-40 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 36-43

Análisis de correlaciones entre la temperatura del aire y la temperatura de las superficies vegetadas...151515101010T s -T a (K)5Ts-Ta (K)5T s -T a (K)50000 ms –1

R. Niclòs et al.T s -T a (K)151050–5–10–150 5 10 15 20U (m s –1 )Figura 7. Dependencia de T s -T a con U para datos tomadoscon ángulo solares menores a 20° (zona A).aunque el error estándar de estimación para elajuste sea de nuevo de ± 0,9 K. El bajo estrés hídricoen que se encontraba el cultivo en el momentode la medida, además de la elevada coberturavegetal, justificaría las bajas diferencias T s -T a(Sun et al., 2005). La diferencia respecto de losresultados obtenidos en la zona A podría deberseademás al efecto del régimen de brisas existenteen zonas costeras (Vogt et al., 1997), con lo queestas zonas requerirían un tratamiento especial.Estas diferencias nos plantean la necesidad de estudiarlas correlaciones existentes en otras árease introducir nuevos parámetros en nuestro estudio,como la proporción de vegetación y la humedad,además de variables geográficas como la elevacióndel terreno o la distancia a costa (Ninyerolaet al., 2007; Cristóbal et al., 2008).Si representamos los datos medidos para ángulosde elevación solar menores a 20° en función dela velocidad del viento, donde la irradiancia solares despreciable, observamos que a mayor velocidadmayor similitud existe entre T a y T s (Fig. 7).Finalmente, todos estos resultados demuestranque cuanto menor es la irradiancia solar ymayor es la velocidad del viento, menores diferenciasexisten entre estas temperaturas, y porello más próxima es la temperatura del aire a latemperatura superficial medida desde satélite.CONCLUSIONESLa obtención de la temperatura del aire a partirde la temperatura de la superficie medida desdesatélite requiere establecer a priori correlacionesentre ambas magnitudes, que dependen deotras variables meteorológicas, como la velocidaddel viento en superficie y la irradiancia solar,durante el día. En este trabajo hemos establecidodichas correlaciones analizando las medidasrealizadas en 2 áreas vegetadas diferentes: unazona silvestre de matorral denso y una zona demarjal dedicada al cultivo del arroz, con una coberturavegetal del 100% y sin estrés hídrico. Laobtención de resultados diferentes en ambas zonasapunta la necesidad de estudiar estas correlacionesen otros tipos de superficies y en zonascon diferentes relieves, así como la introducciónde nuevos parámetros en las expresiones propuestascon el fin de obtener una ecuación generalque nos permita determinar la temperatura delaire a partir de la observación desde satélite. Sinembargo, se ha comprobado que las diferenciasentre ambas temperaturas son menores cuandomenor es la irradiancia solar y mayor es la velocidaddel viento. Además, estas diferencias tambiéndisminuyen a mayor proporción de coberturavegetal y cuando no existe estrés hídrico.AGRADECIMIENTOSAgradecemos la colaboración de la Dra. M.J.Marín, así como de los Departamentos de Efectosen la Vegetación e Investigación Forestal de laFundación CEAM. Este estudio ha sido financiadopor el Ministerio de Ciencia e Innovación y elFondo Social Europeo a través de los proyectosCGL2007-65774/CLI, CGL2008-04550/CLI,CONSOLIDER-INGENIO CSD2007-00067, y elcontrato «Juan de la Cierva» de la Dra. R. Niclòs.La Fundación CEAM está subvencionada por laGeneralitat Valenciana y la Fundación Bancaja.REFERENCIASBUGBEE, B., DROTER, M., MONJE, O. & TAN-NER, B. 1998. Evaluation and modification ofcommercial infra-red transducers for leaf temperaturemeasurement. Advanced Space Research,22: 1425-1434.CORELL-CUSTARDOY, D., VALIENTE-PARDO, J.A., ESTRELA-NAVARRO, M. J., GARCÍA-SÁN-CHEZ, F. & AZORÍN-MOLINA, C. 2010. Red detorres meteorológicas de la Fundación CEAM. IIJornadas de Meteorología y Climatología del MediterráneoOccidental,Valencia.42 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 36-43

Análisis de correlaciones entre la temperatura del aire y la temperatura de las superficies vegetadas...CRISTÓBAL, J., PONS, X. & NINYEROLA, M.2005. Modelling actual evapotranspiration in Catalonia(Spain) by means of remote sensing and geographicalinformation systems. Gottinger GeographischeAbhanlungen, 113: 144-150.CZAJKOWSKI, K. P., MULHERN, T., GOWARD, S.N., CIHLAR, J., DUBAYAH, R. O. & PRINCE, S.D. 1997. Biospheric environmental monitoring atBOREAS with AVHRR. Journal of GeophysicalResearch, 102: 29651-29662.CZAJKOWSKI, K. P., GOWARD, S. N. & STADLER,S.J. 2000. Thermal remote sensing of near surface environmentalvariables: application over the OklahomaMesones. Professional Geographer, 52: 345-357.ESTRELA, M., PASTOR, F., MIRÓ, J., GÓMEZ, I.& BARBERÁ, M. 2007. Heat waves predictionsystem in a Mediterranean area (Valencia region).7th EMS Annual Meeting / 8 th European Conferenceon Applications of Meteorology, Madrid.FLORIO, E. N., LELE, S. R., CHANG, Y. C., STER-NER, R. & GLASS, G. E. 2004. IntegrationAVHRR satellite data and NOAA ground observationsto predict surface air temperature: a statisticalapproach. International Journal of Remote Sensing,25: 2979-2994.FOX, N. & CALIBRATION/VALIDATION COM-MUNITY. 2009. Comparisons: the key evidence todemonstrate performance (optical space examples).Disponible en: http://www.qa4eo.org/docs/workshop_09/Fox_29Sep09.pdf.IVIA (Instituto Valenciano de Investigaciones Agrarias).2003. Servicio de tecnología del riego. SIAR(Servicio Integral de Asesoramiento al Regante)Red de estaciones agro-climáticas de la ComunitatValenciana, Documento técnico disponible en:http://estaciones.ivia.es/estacion.KUSTAS, W. P., FRENCH, A. N., HATFIELD, J. L.,JACKSON, T. J., MORAN, M. S., RANGO, A.,RITCHIE, J. C. & SCHMUGGE, T. J. 2003. Remotesensing research in hydrometeorology, PhotogrammetricEngineering and Remote Sensing, 69:631-646.MORAN, M. S., CLARKE, T. R., INOUE, Y. & VI-DAL, A. 1994. Estimating crop water deficit usingthe relation between surface-air temperature andspectral vegetation index. Remote Sensing of Environment,49: 246-263.NICLÒS, R., CASELLES, V., COLL, C., VALOR, E.& SÁNCHEZ, J. M. 2005. In situ surface temperatureretrieval in a boreal forest under variablecloudiness conditions. International Journal of RemoteSensing, 26: 3985-4000.NICLOS, R., ESTRELA, M. J., VALIENTE, J. A. &BARBERÀ, M. J., 2010. Clasificación periódicade coberturas terrestres a escala regional con imágenesMODIS. GeoFocus, Revista Internacionalde Ciencia y Tecnología de la Información Geográfica,10: 1-17.NINYEROLA, M., PONS, X. & ROURE, J. M. 2007,Objective air temperatura mapping for the IberianPeninsula using spatial interpolation and GIS.Internacional Journal of Climatology, 27(9):1231-1242.PRINCE, S. D., GOETZ, S. J., DUBAYAH, R. O.,CZAJKOWSKI, K.P. & THAWLEY, M. 1998. Inferenceof surface and air temperature, atmosphericprecipitable water and vapor pressure deficit usingAdvanced Very High-Resolution Radiometer satelliteobservations: Comparison with field observations.Journal of Hydrology, 212-213: 230-249.RECONDO, C. & PÉREZ-MORANDEIRA, C. S.2002. Obtención de la temperatura del aire en Asturiasa partir de la temperatura de la superficie terrestrecalculada con imágenes NOAA-AVHRR.Revista de Teledetección, 17: 5-12.RICCHIAZZI, P., YANG, S., GAUTIER, C. & SO-WLE, D. 1998. SBDART: A Research and TeachingSoftware Tool for Plane-Parallel Radiative Transferin the Earth’s Atmosphere. Bulletin of the AmericanMeteorological Society, 79: 2101-2114.RIDDERING, J. P. & QUEEN, L. P. 2006. Estimatingnear-surface air temperatura with NOAA AVHRR.Canadian Journal of Remote Sensing, 32: 33-43.RUBIO, E., CASELLES, V. & BADENAS, C. 1997.Emissivity measurements of several soils and vegetationtypes in the 8-14 µm wave band: analysisof two field methods. Remote Sensing of Environment,59: 490-521.RUBIO, E., CASELLES, V., COLL, C., VALOR, E.& SOSPEDRA, F 2003. Thermal-infrared emissivitiesof natural surfaces: improvements on the experimentalset-up and new measurements. InternationalJournal of Remote Sensing, 24: 5379-5390.SÁNCHEZ, J. M., CASELLES, V., NICLÒS, R.,COLL, C. & KUSTAS, W. P. 2009. Estimatingenergy balance fluxes above a boreal forest fromradiometric temperature observations. Agriculturaland Forest Meteorology, 149: 1037-1049.SUN, Y. J., WANG, J. F., ZHANG, R. H., GILLIES,R. R., XUE, Y. & BO, Y. C.2005. Air temperatureretrieval from remote sensing data based on thermodynamics.Theoretical and Applied Climatology,80: 37-41.VALOR, E. & CASELLES, V. 1996. Mapping landsurface emissivity from NDVI: application to European,African, and South American Areas. RemoteSensing of Environment, 57: 167-184.VALOR, E. & CASELLES, V. 2005. Validation of theVegetation Cover Method for land surface emissivityestimation. Recent Research Developments inThermal Remote Sensing (Ed. Research Singpost,Kerala), 1-20.VOGT, J. V., VIAU, A. A. & PAQUET, F. 1997. Mappingregional air temperatura fields using satellite-derivedsurface skin temperaturas. InternacionalJournal of Climatology, 17: 1559-1579.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 36-43 43

Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 44-54Dinámica estacional e interanual del NDVIen bosques nativos de zonas áridas argentinasSeasonal and interannual dynamicsof NDVI in arid forest of ArgentinaM. R. Iglesias 1,2 , A. Barchuk 2 y M. P. Grilli 3charo@agro.unc.edu.ar1CONICET2Facultad de Ciencias Agropecuarias. Cátedra de Ecología Agrícola.Universidad Nacional de Córdoba. Avda. Valparaíso, s/n. 5000 Córdoba. Argentina3Centro de Relevamiento y Evaluación de Recursos Agrícolas y Naturales.Facultad de Ciencias Agropecuarias. Universidad Nacional de Córdoba.Avda. Valparaíso, s/n. 5000 Córdoba. ArgentinaRecibido el 10 de marzo de 2010, aceptado el 24 de agosto de 2010RESUMENDinámica estacional e interanual del NDVI enbosques nativos de zonas áridas de Argentina.Se analizó la dinámica estacional e interanualde la actividad fotosintética de la vegetaciónoriginal y su relación con las lluvias, en tres ReservasNaturales con diferentes regímenes hídricos.Se empleó el Índice Verde Normalizado(NDVI-Normalized Difference VegetationIndex) de imágenes de cada diez días del satéliteSPOT V en un período de cinco años (1998-2003). La relación entre el NDVI y las lluviasse realizó por medio de correlaciones cruzadas.El análisis de las variaciones interanual y estacionaldel NDVI, permitió obtener valores dereferencia del patrón de crecimiento vegetal encada Reserva. Las variaciones del NDVI en eltiempo de las tres áreas protegidas evidencianel comportamiento estacional de la vegetación.Los valores de los atributos del NDVI son mayoresen la Reserva más húmeda. Por otro lado,el análisis de correlaciones cruzadas compruebaque existe una correlación entre losvalores de precipitaciones y el NDVI y en general,esta es mayor cuando se lo relaciona conun mes de retraso de la respuesta de la vegetacióncon respecto a las lluvias ocurridas.PALABRAS CLAVE: Índice de Verde Normalizado(NDVI), correlaciones cruzadas, precipitaciones,bosques xerofíticos, Chaco Árido,Provincia fitogeográfica de Monte.ABSTRACTSeasonal and interannual dynamics of NDVI indry forests of Argentina. The seasonal and interannualdynamics of the photosynthetic activityof the original vegetation and the relationshipwith the rainfall in three Forest Reserves wereanalyzed. It was used the Normalized DifferenceVegetation Index (NDVI) of the first 10-daysimage of SPOT V satellite along five years(1998-2003). For the study of the relationshipbetween NDVI and rainfall, cross correlationwas applied. The analysis of interannual and seasonalvariations of NDVI shows reference valuesof patterns of plants growth in each Reserve.The NDVI variations over time in the threeprotected areas show the seasonal dynamic ofnative vegetation. The values of the NDVI`sattributes are bigger in the wetter Reserve. Furthermore,cross correlation analysis shows thatthere is a correlation between the values of rainfalland NDVI, and this is bigger when it is relatedto one month of the response of NDVIfrom the rainfall occurring.KEY WORDS: Normalized Difference VegetationIndex (NDVI), cross correlation, rainfall,xerofitic forest, Monte, Arid Chaco.44 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 44-54

Dinámica estacional e interanual del NDVI en bosques nativos de zonas áridas argentinasINTRODUCCIONEn las últimas décadas se ha incrementado elinterés por entender la interacción entre la vegetacióny el clima, en especial, su relación con elcambio climático global y la desertificación(Hall et al., 1991). Estos fenómenos modificanlos patrones espaciales y temporales de la vegetación,la estructura (distribución espacial y dela biomasa), así como la dinámica y funcionamientode los ecosistemas (flujo de energía, reciclajede nutrientes, interacciones entre las especiesy sucesión). Las regiones áridas secaracterizan por presentar procesos ecosistémicosde lenta dinámica y alta variabilidad espacio-temporal.Para estudiar dicha variabilidadespacial y temporal del funcionamiento de la vegetaciónson apropiadas las series temporales deimágenes satelitales (Paruelo et al., 1998) y susrelaciones con variables climáticas (Chacon,1999; Ballester, 2000; Duro et al., 2007). Porotra parte, cada vez es más frecuente el uso deindicadores y situaciones de referencia comoáreas protegidas o poco perturbadas, para estudiarlas consecuencias de la desertificación (Parueloet al., 1998; Sebego et al., 2002; Reynoldset al., 2005; Reeves et al., 2006; Verón et al.,2006) y del cambio climático (Illera et al., 1998;Hughes et al., 2002; Cabello et al., 2008; AlcarázSegura et al., 2008).Diversos autores demostraron que la variacióntemporal de las precipitaciones controla la productividadprimaria neta aérea (PPNA) en lossistemas áridos y semiáridos (Younis et al., 1999;Jobbágy et al., 2002). Estos sistemas se caracterizanpor la elevada aleatoriedad espacio-temporalde las lluvias y el corto tiempo de disponibilidadde agua en el suelo como recurso paralas plantas (Noy-Meir, 1973; Wiegand y Jeltsch,2000). Se ha descrito la relación vegetación-precipitacionescomo lineal, basada en el supuestoque la productividad primaria neta es función dela humedad disponible (Sebego et al., 2002).El Índice de Vegetación (Normalized DifferenceVegetation Index, NDVI) permite observarel nivel de crecimiento de la vegetación en las diferentesregiones y sintetiza el resultado de ladinámica del funcionamiento y los patronesdebidos a factores físicos, bióticos y disturbios(Paruelo et al., 1998; Gurgel et al., 2003).Este índice relaciona la fracción de radiación fotosintéticamenteactiva (fPAR) y la productividadprimaria neta aérea (PPNA) (Jobbágy et al.,2002). La principal ventaja del NDVI es su fácilinterpretación, ya que sus valores varían entre–1 y +1, permitiendo conocer el estado de vigorvegetal de grandes superficies, detectando fenómenosde amplio rango de variación (Chuviecoet al., 2002; Alcaráz Segura, 2006; Quevedo etal., 2007). En regiones que exhiben una estacionalidaddefinida en las precipitaciones, la dinámicadel NDVI se visualiza como ondas queacompañan de manera estrecha la variacióninteranual del crecimiento de la vegetación (Hilly Donald, 2003). Particularmente los bosques dezonas áridas de Argentina, presentan ventajas sobrelos bosques tropicales en cuanto al uso de lateledetección, ya que es factible obtener imágeneslibres de nubes y además de caracterizar ciclosfonológicos más marcados (Gasparri et al.,2007, 2010).Si bien, la relación entre la precipitación y elNDVI fue ampliamente investigado en distintosecosistemas áridos y semiáridos (Paruelo yLauenroth, 1998; Jobbágy et al., 2002; Schmidty Karnieli, 2002; Al-Bakri y Taylor, 2002; Rojaset al., 2003; McR. Holm et al., 2003; Scalonet al., 2005; De la Casa y Ovando, 2006) y particularmenteen áreas protegidas (Alcaráz Seguraet al., 2008), no se conocen estudios realizadosen Reservas Naturales argentinas en laregión árida con régimen monzónico. El objetivode este estudio fue caracterizar la dinámicaespacio-temporal del NDVI como indicadora delfuncionamiento de la vegetación de tres ReservasNaturales ubicadas en la provincia fitogeográficadel Monte y la región del Chaco Árido yrelacionar aquella dinámica con el patrón de ocurrenciade las lluvias.MATERIALES Y MÉTODOSSitio de estudioEl estudio se llevó a cabo en tres Reservas Naturalescon diferencias en el régimen hídrico, ubicadasen la región central-occidental de Argentina.Dichas Reservas constituyen áreas pocoperturbadas, por lo que se las considera indicadorasde las limitaciones naturales propias delambiente físico. La Reserva Natural Bosques deRevista de Teledetección. ISSN: 1988-8740. 2010. 34: 44-54 45

M. R. Iglesias et al.Telteca de 38.507 ha se ubica en el NE de la Provinciade Mendoza, departamento de Lavalle (68°01’30” O y 32° 23’27” S). La Reserva NaturalQuebracho de la Legua con una superficie de2243 ha., se ubica al NO de la provincia de SanLuis (32° 21’ S y 66° 55’ O). Finalmente, la ReservaNatural Chancaní (31° 22’ S y 65° 29’ W)de 4.920 ha, al oeste de las sierras de Pocho, enlas Planicies Occidentales en la provincia de Córdoba.La localización y características de cadaReserva se describen en la Figura 1 y en la Tabla 1.Análisis de la dinámica del NDVISe realizó la caracterización de la heterogeneidadfuncional de las tres Reservas en base ala construcción de series completas de 60 imágenesde NDVI derivadas del sensor VEGETA-TION del satélite SPOT, en el período julio de1998-junio de 2003, correspondiente a los primerosdiez días de cada mes. Las imágenes fueronprocesadas por el centro de distribución delas imágenes SPOT (VITO) de Bélgica. Este sensorofrece imágenes gratuitas corregidas con resoluciónespacial de 1 × 1 km (detalles del programaen www.vgt.vito.be) y temporal de 10 díasque resume el mejor valor tomado en ese periodo,por lo que se descarta problemas de nubosidady errores del satélite. Las imágenes seprocesaron con el programa Idrisi Andes (Eastman,2006).Los datos de precipitación mensual de los periodosanuales correspondientes a julio de 1998hasta junio del 2003, se obtuvieron de distintasfuentes. En el caso de la Reserva Chancaní, losdatos provienen de registros diarios de la estaciónpluviométrica ubicada en un sitio abiertosin cobertura leñosa. Por otro lado, la falta dedatos de una serie continua y del periodo de interésen las Reservas de Telteca y Quebracho dela Legua, condujo a la utilización de datos delregistros históricos del Servicio MeteorológicoNacional de sitios distantes a menos de 60 kmde los sitios de interés.Para evaluar las series temporales de índicesde vegetación NDVI se realizaron los siguientespasos: (1) Extracción de los valores de los índicesde vegetación (NDVI) mediante perfiles, apartir del módulo profile de Idrisi, sobre 14 pixelesubicados en el área central de cada ReservaNatural. Estos valores fueron promediados aReserva Natural Telteca Q. de la Legua ChancaníProvincia fitogeográficaMonteChaco (región del ChacoÁrido)Chaco (región del ChacoÁrido)Clima (Torres Guevara,2007)Árido hiperáridoÁridoÁrido-semiáridoPrecipitación media anual150 mm (Estrella et al.,1979)310 mm (promedio décadadel 80 según el SistemaMeteorológico Nacional)512 (promedio de 1973-2003, registros internos)Temperatura media anual13-15,5°C18°C20°CDescripción de las comunidadesEstepa de arbustos perennifolios,estepa halófita ybosques dominados porProsopis flexuosa (Villagraet al., 2004; Barroset al., 2006, Álvarez etal., 2006)Bosque xerofítico deAspidosperma quebracho-blancoy matorrales(Del Vitto et al., 1994)Bosque xerofítico de Aspidospermaquebrachoblancoy matorrales (Carranzaet al., 1992)Porcentaje promedio decobertura de la vegetación(Iglesias, 2010)40 %65%68%Tabla 1. Características resumen de las tres Reservas Naturales.46 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 44-54

Dinámica estacional e interanual del NDVI en bosques nativos de zonas áridas argentinasFigura 1. Ubicación de las tres Reserva Naturales situadas en la región centro-occidental de Argentina. Mapa de isohietasbasado en valores medios del Servicio Meteorológico Nacional. De oeste a este: Reserva Natural Bosques deTelteca; Reserva Natural Quebracho de la Legua y Reserva Natural Chancaní.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 44-54 47

M. R. Iglesias et al.fin de obtener un único valor mensual que resumeel estado de vigor de la vegetación y la heterogeneidadlocal de cada área de estudio, en elmes considerado. (2) Filtrado estacional de losdatos de NDVI. Al igual que las mayoría de lasvariables de series de tiempo, la serie de NDVIse encuentran autocorrelacionada, por lo que semodifica la serie a partir de la aplicación de unfiltro estacional anual (12 meses), mediante elalgoritmo de promedios móviles (InfoStat, 2007,2008). (3) Determinación del grado de dependencialineal existente entre las variables precipitacionesy el NDVI mediante la estimación de correlacionescruzadas, con distintos períodos deretraso (lags), medido en meses. Conceptualmente,la función de correlación cruzada es análogaa la función de autocorrelación, donde las correlacionesno son obtenidas entre observaciones deuna misma serie, sino entre dos series diferentes,en este caso precipitación y NDVI. El retraso (lagk), mide la magnitud de la correlación lineal entrelos valores de dos series de tiempo, las precipitacionesy los valores del NDVI, donde k es lacantidad de periodos desplazados hacia delante.La confiabilidad de estas estimaciones se determinócon una prueba estadística «F» de Fishercon un nivel de significancia global de 0,05%.Se aplicó dicha prueba a las series temporales deprecipitaciones y NDVI de 60 meses (cinco años)y se ilustró mediante gráfico de líneas (InfoStat,2007, 2008). Dicho análisis se realizó tanto paralas serie crudas de NDVI y como para aquellascon filtro estacional.Para cada periodo anual de la serie temporal(julio-junio de cada año) de valores medios delNDVI se calcularon los siguientes atributos dela curva estacional (régimen monzónico): a) lasumatoria anual (Σ-NDVI); b) los valores máximosy mínimos (NDVI-máx. y NDVI-min.); c)los valores promedio (NDVI media); d) la amplitudmáxima (A-máx.). Estos atributos resumenla mayor parte de la variabilidad temporalde la dinámica del NDVI de un área (Paruelo etal., 2005). La sumatoria anual (Σ-NDVI) se calculóadicionando los valores medios mensualesdel índice calculado previamente para cada períodoconsiderado. Esta sumatoria del NDVI,brinda aspectos del funcionamiento ecosistémicoanual del territorio y se considera un buen estimadorde la fracción de radiación fotosintéticamenteactiva absorbida por el dosel (Parueloet al., 2005). Por otro lado, los valores máximosy mínimos (NDVI-máx. y NDVI-min) correspondena los valores extremos encontrados en elaño hidrológico considerado. El NDVI-media,indica el valor promedio del funcionamiento delecosistema en el periodo estudiado. Finalmente,la amplitud máxima (A-máx.) responde a ladiferencia entre los valores máximos y mínimosde NDVI registrados durante un período de tiempodeterminado (año hidrológico).RESULTADOSCaracterización de la dinámicade la vegetación de las Reservas NaturalesEn los tres sitios de estudio, las ondas de NDVIevidenciaron una marcada estacionalidad para todoslos años hidrológicos estudiados (Fig. 2). Enlíneas generales, los valores de NDVI indicaronuna cobertura de vegetación activa durante todoel año (NDVI superior a 0,15) y como era de esperar,los valores más elevados y mayor amplitudde onda se observaron en la Reserva más húmeda.La variación estacional de las precipitacioneses pronunciada en los tres sitios, concentrándosemás del 75% de las lluvias en la temporada primavera-verano(octubre a marzo). Dicha estacionalidadhídrica marcada, concuerdan con los valoresmayores y crecientes del NDVI (Fig. 2).En la Reserva Chancaní, los mayores valoresde NDVI (NDVI media, Σ-NDVI e NDVI máx.)se observaron en el período más húmedo (año1999-2000, Tabla 2), mientras que en Telteca yQuebracho de la Legua, si bien el periodo 1999-2000 fue particularmente húmedo con valoresde precipitación notablemente superior a la media,los valores mayores de NDVI se evidenciaronal año siguiente. Por otro lado, los valoresmás bajos de NDVI medio y Σ-NDVI se observaronen las tres Reservas estudiadas en los añohidrológico 1998-1999 y 2002-2003.En líneas generales, los valores máximos(NDVI-máx.) y mínimos (NDVI-min.) del NDVIfueron muy variables según los años analizados.Por un lado, en la Reserva de Chancaní fue frecuenteencontrar valores máximos extremos(NDVI-máx.) al finalizar la estación estival (mesde abril), mientras que en Telteca y Quebrachode la Legua, el pico máximo de NDVI ocurrie-48 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 44-54

Dinámica estacional e interanual del NDVI en bosques nativos de zonas áridas argentinas200Telteca0,8Precipitación (mm)16012080400,60,40,2NDVI01998-7 1999-1 1999-7 2000-1 2000-7 2001-1 2001-7 2002-1 2002-7 2003-10200Quebracho de la Legua0,8Pecipitación (mm)16012080400,60,40,2NDVI01998-7 1999-1 1999-7 2000-1 2000-7 2001-1 2001-7 2002-1 2002-7 2003-10200Chancaní0,8Precipitación (mm)16012080400,60,40,2NDVI01998-7 1999-1 1999-7 2000-1 2000-7 2001-1 2001-7 2002-1 2002-7 2003-10ppNDVIFigura 2. Variación estacional e interanual de las precipitaciones (mm) y NDVI para el período 1998-2003, en las ReservasForestales Telteca, Quebracho de la Legua y Chancaní.ron comúnmente en los meses de febrero-marzo.Por otro lado, en todos los sitios, los valoresmínimos (NDVI-min) fueron usualmente alcanzadosen el mes de septiembre, en concordanciacon la finalización de la estación seca (Tabla 2).Debido al estrés hídrico evidenciado en la vegetación,la amplitud del NDVI es en general menoren los años secos. Sin embargo se observaque no existe una reducción notable entre los valoresde NDVI medios de los años secos (precipitación20% menores a la media anual, Ej. periodo2002-2003 para Quebracho de la Legua yChancaní) en relación con los húmedos (años húmedoscon precipitaciones 20% superiores a lamedia anual Ej, periodo 1999-2000).Relación temporal del NDVIcon las precipitacionesEn las tres Reservas, las correlaciones cruzadasentre la serie de precipitaciones mensualesy las series de NDVI (crudas y con filtro estacional)resultaron significativas (p

M. R. Iglesias et al.Año pp. NDVIhidrológico Acum. MediaΣ-NDVINDVImín. máx. AmplitudTelteca 1998-1999 136 0,22 2,60 0,17 (sep) 0,27 (jun) 0,101999-2000 419 0,25 3,03 0,14 (sep) 0,35 (mar) 0,212000-2001 323 0,26 3,11 0,18 (sep) 0,36 (ene) 0,182001-2002 276 0,25 2,96 0,16 (sep) 0,3 (feb) 0,142002-2003 194 0,23 2,80 0,18 (sep) 0,28 (mar) 0,10Quebracho 1998-1999 346 0,26 3,12 0,20 (oct) 0,30 (feb) 0,10de la Legua 1999-2000 483 0,29 3,51 0,18 (oct) 0,40 (ene) 0,222000-2001 387 0,33 4,06 0,21 (sep) 0,51 (abril) 0,302001-2002 367 0,30 3,63 0,22 (sep) 0,39 (feb) 0,172002-2003 101 0,29 3,52 0,2 (nov) 0,39 (feb) 0,19Chancaní 1998-1999 636 0,54 6,59 0,37 (oct) 0,67 (abr) 0,301999-2000 662 0,60 7,28 0,43 (sep) 0,70 (dic) 0,272000-2001 401 0,57 6,89 0,38 (sep) 0,70 (abr) 0,322001-2002 596 0,55 6,67 0,32 (sep) 0,65 (ene) 0,332002-2003 473 0,53 6,38 0,41 (sep) 0,62 (abr) 0,21Tabla 2. Atributos del Índice Verde Normalizado (NDVI) obtenido a partir de 60 imágenes satelitales (SPOT V) correspondientesal período 1998-2003 y a los territorios de las Reservas Telteca, Quebracho de la Legua y Chancaní. pp.Acum.: precipitación anual acumulada; NDVI media: valores promedio de NDVI; Σ-NDVI: NDVI acumulado anual;NDVI min.: valores anuales mínimos de NDVI; NDVI máx.: valores anuales máximos de NDVI; Amplitud máx.: NDVImáx.- NDVI min.alto valores de coeficiente de correlación con unmes de atraso de la respuesta de la vegetacióncon respecto a la ocurrencia de las lluvias(Fig. 3). Se observa que al aplicar el filtro estacionalen la serie de NDVI, los valores de correlaciónson en general más pequeños que con laserie cruda, aunque revela una correlación consistenteentre las variables, mientras que en lacorrelación con la serie cruda, puede estar sobreo subestimando dicha relación.En el caso de la serie cruda, también se observaronvalores significativos (p < 0,05) y con altovalores de coeficiente de correlación con dosmeses de retraso y en el caso de las Reservas delChaco Árido (Quebracho de la Legua y Chancaní)y se detectaron además altos coeficientes alos 13 meses de retraso respecto a la respuestadel NDVI. En Telteca, además de los atrasos de1 y 2 meses, se obtuvieron altos valores de coeficientede correlación en el mismo mes de ocurrenciade las precipitaciones.DISCUSIÓNEl análisis de las variaciones interanuales yestacionales del NDVI en las tres Reservas analizadasy su relación con las lluvias, permitió obtenervalores de referencia del funcionamientode estos ecosistemas en los diferentes bosquesxerofíticos con diferencias en el régimen hídrico.La magnitud de los atributos que reflejan ladinámica del NDVI difirió en los distintos sitiosde acuerdo a la disponibilidad de agua.El comportamiento del NDVI a lo largo deltiempo sigue el patrón general unimodal descritoen la bibliografía para las regiones con estacionalidadhídrica marcada (Hill y Donald, 2003).La magnitud de los atributos analizados, respondendirectamente a la disponibilidad de agua. Lastendencias en el promedio anual de NDVI entre1998 y 2003 en las tres áreas protegidas evidencianuna estabilidad dentro de cada sitio, sin embargo,existe un cambio funcional importante entrelos sitios. Se observaron cambios extensos enlos atributos de NDVI, como la media y la amplitudde NDVI, a más del doble entre las ReservasNaturales de Telteca y Chancaní.Es conocido que las regiones áridas-semiáridasfuncionan robustamente acopladas a los sistemashídrico-ecológicos con fuerte retroalimentaciónque ocurre desde escalas más finas a másgruesas (Noy-Meir, 1973; Wang et al., 2007)donde el agua controla la productividad prima-50 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 44-54

Dinámica estacional e interanual del NDVI en bosques nativos de zonas áridas argentinasCoeficiente de correlación10,80,60,40,20–0,2–0,4–0,6–0,8–1Correlaciones cruzadas entre precipitaciones y NDVI0 –1 –2 –3 –4 –5 –6 –7 –8 –9 –10 –11 –12 –13 –14 –15 –16LagTelteca Q. de la Legua ChancaníCoeficiente de correlación10,80,60,40,20–0,2–0,4–0,6–0,8–1Correlaciones cruzadas entre precipitaciones y NDVIcon filtro estacional0 –1 –2 –3 –4 –5 –6 –7 –8 –9 –10 –11 –12 –13 –14 –15 –16LagTelteca Q. de la Legua ChancaníFigura 3. Correlaciones cruzadas de la respuesta del NDVI (crudas y con filtro estacional)con respecto a las precipitaciones en las tres Reservas. Lag: período de tiempo de retrasoen meses. Coeficiente de Correlación: coeficiente de correlación cruzada (R 2 ).ria y, por ende, el potencial de acumulación decarbono (C) del sistema (Wiegand y Jeltsch,2000). En estas comunidades leñosas, la diferenciaen los valores de los atributos del NDVI delas formaciones boscosas con gran cobertura vegetalde la región del Chaco Árido hacia los bosquesy estepas arbustivas abiertas propias delMonte, indican diferencias en la conservaciónde C en estos sitios (Iglesias, 2010). Por otro lado,la marcada estacionalidad detectada en losatributos del índice (valores máximos y mínimos,amplitud), refleja en parte los patrones fenológicosde dos tipos funcionales de plantas quecoexisten en las regiones del Chaco Árido y delMonte: caducifolias y perennifolias (GonzálesLoyarte, 1992; Carranza et al., 1992; Cabido etal., 1993; Chebez, 2007). En un estudio previo(Iglesias, 2010) se determinó la abundancia relativade las especies leñosas caducifolias en laReservas Telteca, Quebracho de la Legua yChancaní, correspondiendo al 38%, 41% y 52%,respectivamente. El comportamiento del NDVIcon valores máximos en plena temporada de lluvias,no permite la detección de estos grupos vegetalesdominantes (perennifolias y caducifolias)sin embargo, los valores mínimos nosestaría indicando el estado de vigor sólo de lavegetación perennifolia esclerófila. Frente a esto,es de suponer que las diferencias en rangosde estacionalidad y a la amplitud entre máximoy mínimo estarían mayormente explicado por elgrupo de caducifolias.Los análisis de correlación cruzada confirmaronun retraso de la respuesta del índice verdecon respecto a las precipitaciones, patrón tambiénobservado en regiones más húmedas (Gurgelet al., 2003; Nagai et al., 2005) y áridas mediterráneas(García-García, 2004; ParmiggianiRevista de Teledetección. ISSN: 1988-8740. 2010. 34: 44-54 51

M. R. Iglesias et al.et al., 2006), tanto con series crudas como confiltro estacional (Adegoke y Carleton, 2002;Wang et al., 2007). Este retraso estaría explicadoen parte por el modelo de umbral-retraso queintegra la idea de umbral de precipitación y retrasoen la respuesta de la vegetación (Ogle yReynolds, 2004). En la generalidad de los casosla estacionalidad y división de recursos (modelode dos capas) y los eventos de precipitacionesde importancia biológica (modelo de pulso-reserva)fueron los argumentos para la comprensiónde las respuestas de las plantas a las precipitacionesen zonas áridas. Ambos paradigmastienen limitaciones significativas, al no tener encuenta la plasticidad en los hábitos de enraizamientode las plantas leñosas, el potencial retrasode la respuesta de las plantas a las lluvias, elumbral de precipitaciones y los eventos fenológicosde las plantas. Alternativamente, el modelosimple de «umbral-retraso» integra las ideasde umbral de precipitaciones, retraso de las plantas,reparto de recursos y las estrategias de lostipos funcionales de plantas. En este contexto sepuede interpretar más adecuadamente la respuestade las plantas leñosas a la variabilidad de lasprecipitaciones tanto estacionales, interanualescomo espaciales en los tipos de vegetación delas tres Reservas de las regiones del Chaco Áridoy Monte.Fenológicamente, los árboles y arbustos caducifolios,reaccionan con las primeras precipitacionesde la estación lluviosa, provocando la apariciónde las primeras hojas, mientras que lapérdida de hojas responde más lentamente a ladisminución de las lluvias. Por otro lado, Huxmanet al. (2004) en su estudio sobre los pulsosde precipitación y los flujos de C en regiones áridasy semiáridas, recalca el papel que desempeñael momento y la magnitud del pulso en el balancede C en los ecosistemas áridos. Los grandespulsos (mayores a 5 mm), o una serie continua depequeños pulsos, se infiltran en profundidad yaumentan la actividad fotosintética de las plantas.Estos autores resaltan que si bien las plantascon sistemas radiculares profundos, en general,experimentan menos estrés hídrico durante losperíodos estacionales de sequía (meses donde lasprecipitaciones son nulas), por su capacidad derecurrir a reservas de agua subterráneas, tambiénpuede responder de manera más lenta y menosextensa a los pulsos de precipitación actual queaquellas especies que presentan raíces superficiales.Por ejemplo en zonas áridas del hemisferionorte, Prosopis glandulosa, con raíces profundas,responde más lentamente a lasprecipitaciones que Larrea tridentata que presentaraíces más superficiales (Bassiri-Rad et al.,1999, citado por Huxman et al., 2004). Esta coexistenciade distintas estrategias foliares y radicularesexplicaría los valores de vegetación activade todo el año en las tres Reservas y el retrasode los picos de NDVI con respecto a los picos deacumulación de precipitaciones mensuales.Además, el hecho que las correlaciones cruzadascon las series crudas con un año de retrasode la respuesta de la vegetación con respectoal NDVI presenten valores positivos de coeficientesde correlación, sugiere que posiblementelas condiciones hídricas de años anteriores queexceden la media anual (años húmedos con precipitaciones20% superiores a la media anual)atenúan el efecto de estrés de la vegetación enaños secos siguientes (precipitación 20% menoresa la media anual), evidenciando en estos añosvalores de NDVI medios y Σ-NDVI similares alos presentados en años húmedos (Reynolds etal., 2004). Para verificar este supuesto se deberácontar con una serie temporal mayor a la analizadaen este trabajo.REFERENCIASADEGOKE, J. O. & CARLETON, A. M. 2002. Relationsbetween soil moisture and satellite vegetationindices in the U.S. Corn Belt. American MeteorologicalSociety, 3: 395-405.AL-BAKRI, J. T. & TAYLOR, J. C. 2003. Applicationof NOAA AVHRR for monitoring vegetation conditionsand biomass in Jordan. Journal of Arid Environments,54: 579-593.ALCARAZ-SEGURA, D. 2006.Caracterización delfuncionamiento de los ecosistemas ibéricos medianteteledetección. Ecosistemas, 2006/1.ALCARAZ-SEGURA, D., BALDI G., DURANTE,P. & GARBULSKY, M. F. 2008. Análisis de la dinámicatemporal del NDVI en áreas protegidas: trescasos de estudio a distintas escalas espaciales, temporalesy de gestión. Ecosistemas, 17(3): 108-117.ÁLVAREZ, J. A., VILLAGRA, P. E., CONY, M. A.,CESCA, E. & BONINSEGNA, J. A. 2006. Estructuray estado de conservación de los bosques deProsopis flexuosa D.C. en el Noreste de Mendoza,Argentina. Revista Chilena de Historia Natural,79: 75-87.52 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 44-54

Dinámica estacional e interanual del NDVI en bosques nativos de zonas áridas argentinasBALLESTER, J. Y. 2000. Serie Multi-Temporal NDVI87m. Respuesta Espacio-Temporal de las Cubiertasen Castilla y León. Tecnologías Geográficaspara el Desarrollo Sostenible Departamento de Geografía.Universidad de Alcalá, 2000: 273-289.BARROS, V. 2006. El Cambio climático Global. 2ªedición. Ed. Libros del Zorzal, Buenos Aires, Argentina,175 pp.CABELLO, J., ALCARAZ-SEGURA, D., ALTESOR,A., DELIBES, M., BAEZA, S. & LIRAS, E. 2008.Funcionamiento ecosistémico y evaluación de prioridadesgeográficas en conservación. Ecosistemas,17(3): 53-63.CARRANZA, M. L., CABIDO, M. R., ACOSTA, A.& PÁEZ, S. A. 1992. Las comunidades vegetalesdel Parque Natural Provincial y Reserva ForestalNatural Chancaní, Provincia de Córdoba. Lilloa,38: 75-92.CABIDO, M., GONZÁLEZ, C., ACOSTA, A. &DÍAZ, S. 1993. Vegetation changes along a precipitationgradient in Central Argentina. Vegetatio109: 5-14.CHACÓN, E. 1999. Patrones fenológicos de vegetaciónde los Llanos del Orinoco, Venezuela, a travésde análisis de series de tiempo de imágenesNOAA. Memorias del VII Conferencia Iberoamericanasobre Sistemas de Información Geográfica,Mérida, CD-ROM.CHEBEZ, J. C. 2007. Zona Centro: Guía de las ReservasNaturales De La Argentina. Plaza Edición.Buenos Aires, pp. 98-99.CHUVIECO, E., RIAÑO, D., AGUADO, I. & CO-CERO, D. 2002. Estimation of fuel moisture contentfrom multitemporal analysis of Landsat ThematicMapper reflectance data: applications in firedanger assessmen. Int. J. Remote Sensing, 23:2145-2162.DE LA CASA, A. & OVANDO, G. 2006. Relación entrela precipitación e índices de vegetación duranteel comienzo del ciclo anual de lluvias en la provinciade Córdoba, Argentina. RIA, 35(1): 67-85.DEL VITTO, L. A., PETENATTI, E. M., NELLAR,M. M. & PETENATTI, M. E. 1994. Las Áreas NaturalesProtegidas de San Luis, Argentina. Multequina,3: 141-156.DURO, D. C., COOPS, N. C., WULDER, M. A. &HAN, T. 2007. Development of a large area biodiversitymonitoring system driven by remote sensing.Progress in Physical Geography, 31(3): 235-260.EASTMAN, J. R. 2006. Idrisi 15.0 The Andes Edition.Clark University-Worcester, MA.ESTRELLA, H. A., HERAS, V. A. & GUZZETA, V.A. 1979. Registro de elementos climáticos en áreascríticas de la provincia de Mendoza. InstitutoArgentino de Investigaciones en Zonas Áridas (Argentina).Cuaderno Técnico, 1-79: 49-71.GARCÍA GARCÍA, M. 2004. Respuesta de la vegetacióna variaciones climáticas en las praderasy sistemas adehesados mediterráneos. Metodologíade análisis utilizado utilizando datos hiperespectralesy multiespectrales. Ecosistemas,13(2): 103-107.GASPARRI, N. I., PARMUCHI, M. G., BONO, J.,KARSZENBAUM, H. & MONTENEGRO, C. L.2007. Utilidad de imágenes Landsat 7 ETM+ dediferentes fechas para la estimación de biomasa aéreaen bosques subtropicales secos de Argentina.En XII Congreso de la Asociación Española de Teledetección.19-21 de septiembre de 2007.GASPARRI, N. I., PARMUCHI, M. G., BONO, J.,KARSZENBAUM, H. & MONTENEGRO, C. L.2010. Assessing multi-temporal Landsat 7 ETM+images for estimating adove-ground biomass insubtropical dry forests of Argentina. Journal ofArid Enviroments, 74 : 1262-1270.GONZÁLEZ LOYARTE, M. M. 1992. Reserva faunísticay florística Telteca. Las Áreas Protegidas dela Provincia de Mendoza. Instituto Argentino deInvestigaciones en Zonas Áridas (IADIZA), Mendoza,Argentina. 175 pp.GURGEL, H. C., FERREIRA, N. J. & LUIZ, A. J. B.2003. Estudo da variabilidade do NDVI sobre oBrasil, utilizandose a análise de agrupamentos. RevistaBrasileira de Engenharia Agrícola e Ambiental,7(1): 85-90.HALL, F. G., BOTKIN, D. B., STREBEL, D. E., WO-ODS, K. D. & GOETZ, S. J. 1991. Large-scalepatterns of forest succession as determined by remotesensing. Ecology, 72: 628-640.HILL, M. J. & DONALD, G. E. 2003. Estimating spatio-temporalpatterns of agricultural productivityin fragmented landscapes using AVHRR NDVI timeseries. Remote Sens. Environ., 84: 367-384.HUGHES, J. B., IVES, A. R. & NORBERG, J. 2002.Do species interactions buffer environmental variation(in theory)? En: Biodiversity and ecosystemfunctioning. Loreau M., Naeem S. and Inchausti P.(eds.), Oxford University Press, Oxford, UK, pp.92-101.HUXMAN, T., SMITH., FAY. P., KNAPP. A., SHAW.M., et al., 2004. Convergence across biomes to acommon rain-use efficiency. Nature, 429: 651-654.IGLESIAS. M. R. 2010. Evaluación de la vegetaciónleñosa como depósito de carbono en un gradienteÁrido-semiárido argentino. Tesis Doctoral. Facultadde Ciencias Agropecuarias. Universidad Nacionalde Córdoba. Argentina. 133 pp.ILLERA, P., DELGADO, J. A., FERNÁNDEZ-MAN-SO, A. A. & FERNÁNDEZ-UNZUELA, A. 1998.Sistema de información geográfica agrometeorológicapara el seguimiento de la vegetación en Castillay León: diseño y primeras aplicaciones. Revistade teledetección, 10: 1-12.INFOSTAT. 2007. Software estadístico. Grupo InfoStat.Facultad de Ciencias. Agropecuarias. UniversidadNacional de Córdoba. Córdoba. Argentina.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 44-54 53

M. R. Iglesias et al.INFOSTAT. 2008. Manual del usuario. Grupo Infostat.Primera Edición. Editorial Brujas Argentinas.FCA. Universidad Nacional de Córdoba, Córdoba,Argentina. 334 pp.JOBBÁGY, E. G., SALA, O. E. & PARUELO, J. M.2002. Patterns and controls of primary productionin the Patagonian steppe: a remote sensing approach.Ecology, 83(2): 307-319.MCR HOLM, A., CRIDLAND, S. W. & RODERICK,M. L. 2003. The use of time-integrated NOAANDVI data and rainfall to assess landscape degradationin the arid shrubland of Western Australia.Remote Sensing of Environment, 85: 145-158.NAGAI, S., ICHII K. & MORIMOTO, H. 2005. Identificationof the climate control factors on carboncycle variations of tropical forests combined analysisof ground and satellite observations. The 11 thCEReS International Symposium on Remote Sensing.Disponible en: http://www2.cr.chibau.jp/symp2005/documents/Postersession/p013_ShinNagai_paper.pdf. Julio 2010.NOY-MEIR, I. 1973. Desert ecosystem: environmentand producers. Annual Review of Ecology andSystematics, 5: 25-51.OGLE, K. & REYNOLDS, J. F. 2004. Plant responsesto precipitation in desert ecosystems: integratingfunctional types, pulses, thresholds, and delays.Oecologia, 141: 282-294.PARMIGGIANI, F., QUARTA, G., MARRA G. P. &CONTE, D. 2006. NDVI fluctuations from 1995 to2006 in South Italy and North Africa: a search fora climate change indicator. Proceedings- Spie TheInternational Society For Optical Engineering Vol.6359, pp. 635909.PARUELO, J. M. & LAUENROTH W. K. 1998. Interannualvariability of NDVI and its relationship toclimate for North American shrublands and grasslands.Journal of Biogeography, 25: 721-733.PARUELO, J. M., PIÑEIRO, G., OYONARTE, C.,ALCARAZ, D., CABELLO, J. & ESCRIBANO,P. 2005. Temporal and spatial patterns of ecosystemfunctioning in protected arid areas in southeasternSpain. Applied Vegetation Science, 8: 93-102.QUEVEDO, E. R., PEIXOTO FILHO, G. E. C., OLI-VEIRA, P. T. S. & PARANHOS FILHO, A.C. 2007.Estudo da Variabilidade do NDVI dos Bairros daBacia Hidrgráfica do Prosa - Campo Grande - MScomo suporte para avaliação da qualidade ambiental.In: I Simpósio de Recursos Hídricos do Nortee Centro-Oeste. Cuiabá. A busca pelo usos sustentáveldo recursos hídricos das regiões do Norte eCentro-Oeste.pp. 1-11.REEVES, M. C., ZHAO, M. & RUNNING, S. W.2006. Applying improved estimates of MODISproductivity to characterize grassland vegetationdynamics. Rangeland Ecology and Management,59: 1-10.REYNOLDS, J. F., KEMP, P. R., OGLE, K. & FER-NÁNDEZ, R. J. 2004. Modifying the «Pulse-Reserve»paradigm for deserts of North America: precipitationpulses, soil water and plant responses.Oecologia, 41: 194-210.REYNOLDS, J. F., MAESTRE, F. T., HUBER-SANNWALD, E., HERRICK, J. & KEMP, P. R.2005. Aspectos socioeconómicos y biofísicos de ladesertificación. Ecosistemas, 14: 3-21.ROJAS, J., ECHE, J. C., DE BRAS, T., CASANOVA,J. L. & PÉREZ, C. 2003. La variabilidad de la vegetaciónen la costa norte de Perú a partir de lasimágenes de satélite. Teledetección y desarrollo regional.X Congreso de Teledetección. Cáceres, España,2003, 27-30.SCANLON, T. M., CAYLOR, K. K., MANFREDA,S., LEVIN S. A. & RODRIGUEZ-ITURBE, I.2005. Dynamic response of grass cover to rainfallvariability: implications for the function and persistenceof savanna ecosystems. Advances in WaterResources, 28: 291-302.SCHMIDT. H. & KARNIELI, A. 2002. Analysis ofthe temporal and spatial vegetation patterns in semi-aridenviroment observed by NOAA AVHRRimagery and spectral ground measurements. Int. J.Remote Sensing, 23(19): 391-399.SEBEGO, R. J. G., ARNBERG, W. & RINGROSE,S. 2002. Relation Between cold cloud data, NDVIand Mopane in Eastern Botwana. The internationalArchieves of Photogrammetry, Remote Sensingand Spatial Information Sciences, 34: Part 6.VERÓN, S. R., PARUELO, J. M. & OESTERHELD,M. 2006. Assessing desertification. Journal of AridEnvironments, 66: 751-763.VILLAGRA, P. E., CONY, M. A., MANTOVÁN, N.G., ROSSI, B. E., GONZÁLEZ LOYARTE, M. M.,VILLALBA, R. & MARONE, L. 2004. Ecologíay Manejo de los algarrobales de la Provincia Fitogeográficadel Monte. En: Arturi M. F., Frangi J.L., and Goya J. F., (ed). Ecología y Manejo de BosquesNativos de Argentina. Editorial. UniversidadNacional de La Plata.WANG X., XIE, H., GUAN, H. & ZHOU, X. 2007.Different responses of MODIS-derived NDVI toroot-zone soil moisture in semi-arid and humid regions.Journalof Hydrology, 340(1-2): 12-24.WIEGAND, T. Y., & JELTSCH, F. 2000. Long-termdynamics in arid and semiarid ecosystems-synthesisof a workshop. Plant Ecology, 150: 3-6.YOUNIS, M. T., GILABERT, M. A. & MÉLIA, J.1999. La dinámica de la vegetación como indicadorde la desertificación en la cuenca del Guadalentín,SE España. Revista de Teledetección, 12: 1-4.54 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 44-54

Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 55-68Estimación y cartografía de parámetrosecológicos y forestales en tres especies(Quercus ilex L. subsp ilex, Fagus sylvatica L.y Pinus halepensis L.) con datos LiDAREstimation and mapping forest and ecologicalparameters for three tree species (Quercus ilexL. subsp. ilex, Fagus sylvatica L. and Pinushalepensis L.) with LIDAR dataV. Zaldo 1 , G. Moré 2 y X. Pons 1,2victor.zaldo@uab.es1Dep. de Geografía. Edifici B. Universitat Autònoma de Barcelona. 08193 Bellaterra2Centre de Recerca Ecològica y Aplicacions Forestals (CREAF). Edifici C.Univ. Autònoma de Barcelona. 08193 BellaterraRecibido el 22 de marzo de 2010, aceptado el 24 de agosto de 2010RESUMENSe ha estudiado la idoneidad de los datos Li-DAR (Light Detection And Ranging) para estimarparámetros ecológicos y forestales para tresespecies (encina, haya y pino) dentro de una zonade Cataluña. Se muestrearon un total de 50parcelas de las cuales 14 eran para encinas, 18para hayas y 18 para pinares. Los pulsos LiDARse modelizaron mediante estadísticos (percentiles,mediana, media, desviación estándar y coeficientede penetración), que sirvieron comovariables independientes en los modelos de regresión.El tratamiento realizado mostró buenajuste a nivel de parcela, pero la densidad dedatos LiDAR es insuficiente para la obtenciónde modelos a nivel árbol. Además, los resultadossugieren el uso de modelos generales, ya quelas diferencias entre las tres especies forestalesno fueron significativas. Los parámetros forestalesque mejor se consiguieron estimar fueronla altura (R 2 = 0.923), la biomasa de madera(R 2 = 0.815) y el volumen de copa (R 2 = 0.758).Finalmente se generaron modelos digitales paraestos tres parámetros. Los resultados fueronsatisfactorios y sugieren el uso operativo de losdatos LiDAR para la generación de cartografíaforestal.ABSTRACTThe suitability of LiDAR data to estimate ecologicalforest parameters for three species(holm oak, beech and pine) has been studied inan area of Catalonia. A total of 50 plots weresampled, 14 were for oaks, 18 for beechs and18 for pines. LiDAR pulses were modeled bystatistical (percentile, median, mean, standarddeviation and coefficient of penetration), whichwere used as independent variables in regressionmodels. This treatment yields good agreementat plot level, but the density of LiDARdata was insufficient to obtain good adjustmentat tree level. Furthermore, the results suggestthe use of general models, since differencesamong the three forest species were not significant.The best forest parameters were theheight (R 2 = 0.923), wood biomass (R 2 = 0.815)and crown volume (R 2 = 0.815). Digital modelsfor ecological forest parameters were generated.The results were satisfactory and providenew reasons for the generation of forest mapswith LiDAR data.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 55-68 55

V. Zaldo et al.PALABRAS CLAVE: LiDAR, parámetros ecológicos,cartografía forestal, altura, biomasa,volumen de copa.INTRODUCIÓN Y OBJETIVOSEl estudio de los bosques es de gran importanciapara el conocimiento de las potencialidadesforestales del territorio. Cataluña cuenta con1.2 millones de hectáreas de bosques, lo cual representaun 38% de su superficie total (Burrielet al., 2000-2004). Se hace, pues, patente la necesidadde contar con información precisa delestado de los montes y de conocer los parámetrosecológicos y forestales que los caracterizan.La estimación de estos parámetros permite obtenercartografía forestal de tipo cuantitativo quees importante para modelar la biomasa y el carbonofijado en los ecosistemas forestales. A suvez, también sirve como entrada para la elaboraciónde modelos de incendio (Riaño et al.,2003) y de modelos predictivos de la distribuciónde especies (Rodríguez et al., 2007). A lolargo de décadas, las instituciones y los centrosde investigación han ido realizando inventariosforestales para obtener información de estos parámetrosecológicos y forestales, pero estos estudiosimplican métodos bastante costosos entérminos de tiempo y dinero. Esto ha llevado aexplorar otras metodologías más rápidas y menoscostosas, como el uso de sistemas de teledetección.Así, se han realizado estudios intentandoestimar parámetros forestales, mediante eluso de imágenes de satélite (Anderson et al.,1993; Salvador & Pons, 1998; Vázquez de laCueva, 2008) o de imágenes de sensores aeroportados(Salvador et al., 1997; Baulies & Pons,1995). En varios de estos casos los ajustes de losmodelos no permitieron generar prediccionescuantitativas. Actualmente con la tecnología Li-DAR (Light Detection And Ranging) se puedeempezar a captar para luego representar de maneracada vez más precisa la estructura tridimensional(x, y, z) de un bosque. El LiDAR incorporaun láser pulsado de alta potencia comofuente de radiación electromagnética y detectalos pulsos reflejados. La distancia se determinacomo el tiempo de retardo de cada uno de los retornoscon respecto al pulso inicial (Wehr &Lohr, 1999). De esta manera la tecnología Li-KEY WORDS: LiDAR, ecological parameters,forest mapping, height, biomass, crown volume.DAR ofrece la novedosa posibilidad de obtenerinformación detallada de la estructura verticalde las cubiertas forestales. Los estudios LiDARse han aplicado en bosques tropicales (Nelson etal., 1997), bosques de taiga (Naesset, 1997) ybosques caducifolios del norte de Europa (Hill& Thomson, 2005); sin embargo son escasos enbosques mediterráneos caracterizados por su altacomplejidad (Maselli & Chiesi, 2006; Garcíaet al., 2010). El objetivo principal de este estudioes determinar la aplicación de los datos Li-DAR para la estimación de variables forestales(altura, altura de la base de la copa, volumen decopa, DBH (Diameter at Breast Height), biomasade madera y biomasa de hojas) en encinares,hayedos y pinares para una zona de Cataluña ygenerar cartografía cuantitativa de estas variables.Para ello se analizará la idoneidad de la metodologíade trabajo tanto a nivel de árbol comode parcela, se evaluará la importancia de la separaciónpor especies en los modelos de regresióny se determinara el mejor estimador LiDARpara cada variable a través del coeficiente de determinación(R 2 ).MATERIAL Y MÉTODOSÁrea de estudioLa zona de estudio se sitúa sobre una zona deCataluña (long: 2° 20’ lat: 41° 46’) que discurrepor el Parque Natural de Sant Llorenç del Munti l’Obac y el Parque Natural del Montseny(Fig. 1). El vuelo LiDAR tiene una longitud deunos 65 km y una anchura de 1 km. La altura mediadel terreno de estudio es de 617 m, variandoentre 232 y 1.527 m. El área de estudio presentauna gran diversidad de especies vegetales, siendorelevantes los extensos pinares de pino carrasco(Pinus halepensis L.). También pueden encontrarseencinares (Quercus ilex L. subsp ilex) yalcornocales (Quercus suber L.). Además, en laszonas más elevadas hay gran presencia de hayedos(Fagus sylvatica L.) y castañares (Castaneasativa Mill.). En este estudio nos centraremos en56 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 55-68

Estimación y cartografía de parámetros ecológicos y forestales en tres especies con datos LiDARFigura 1. Localización del vuelo LiDAR en Cataluña.la obtención de variables para las tres especiesforestales más abundantes Pinus halepensis,Quercus ilex subsp ilex y Fagus sylvatica.Datos de campoCoincidente en el tiempo con la obtención delos datos LiDAR se realizó una campaña de tomade datos de campo para obtener parámetrosdasométricos en la zona de trabajo. El muestroque se realizó entre los meses de octubre y diciembredel 2007, fue diseñado especialmentepara este trabajo y llevado a cabo por personaltécnico del CREAF (Centre de Recerca Ecològicai Aplicacions Forestals). Los datos obtenidosconsistieron en un muestreo discreto en elespacio basado en parcelas circulares con un radioentre 10-15 m para los hayedos y entre 8-10 m para los pinares y encinares. Las diferenciasen el tamaño de las parcelas se deben a lasdiferencias en la densidad de pies de las distintasespecies: para tener un número representativode árboles por parcela, en los hayedos se tuvieronque usar radios mayores que en lospinares y encinares. Se obtuvieron medidas ecológicasy forestales de todos lo árboles que seencontraban dentro de cada parcela. Así, se consiguióinformación para un total de 6.197 árbolesen 50 parcelas repartidas por las diferentesáreas de muestreo (3.518 individuos de Fagussylvatica en 18 parcelas, 1.022 individuos de Pinushalepensis en 18 parcelas y 1.657 individuosde Quercus ilex en 14 parcelas). Se realizó unaNlocalización de cada árbol gracias al uso distanciómetrosdigitales y a su ubicación sobre ortofotografías1:5.000 e imágenes CASI. De estamanera se consiguió una georeferenciación finade los árboles muestreados para conseguir minimizarla propagación de errores que se producedebido a la indeterminación de la posición de cadaárbol y se evito la localización mediante eluso del GPS ya que bajo dosel forestal este sistematienden a producir errores 1,5 a 3 veces mayoresde lo normal (Popescu et al., 2003). Lasparcelas se seleccionaron previamente a travésde ortofotomapas 1:5.000 y una imagen CASIen zonas aparentemente puras cerca de caminos.La georeferenciación de los árboles se conseguíaubicando una referencia en los ortofotomapas1:5.000 y luego usando un distanciómetro. Setomaron medidas estructurales a nivel de árboly éstas se extrapolaron a nivel de parcela (Tabla1). Las medidas de altura, altura de la base yDBH se calcularon directamente en el campo.Las medidas de biomasa de madera y biomasade hojas se obtuvieron a partir de ecuaciones alométricasdiseñadas especialmente para este estudiousando muestras de campo de hojas y ramasen parcelas cercanas pero distintas a lasparcelas donde se realizaron las otras medidasde inventario (Gracia et al., 2004). Los informesde las ecuaciones alometricas fueron altamentesignificativos para las tres especies (F. sylvaticar 2 : 0,992, p < 0,0001; P.halepensis r 2 : 0,986,p < 0,0001 y Q. ilex r 2 : 0,952, p < 0,0001). Parael volumen de copa, se usó una aproximación deestudios anteriores (Riaño et al., 2004). Estaaproximación, requiere del cálculo de la superficiede la copa, que en este caso se calculó a travésde las medidas de campo del radio de la copaen los cuatro puntos cardinales.Datos LiDAREl área de estudio fue sobrevolada el20/10/2007 utilizando un equipo LiDAR de lafirma Optech modelo ALTM3025 propiedad delInstituto Cartográfico de Cataluña (ICC). Se sobrevolaronun total de 6.694 ha; la altura mediade vuelo fue de 1.494 m sobre el nivel del mar,con un ángulo máximo de escaneo de ± 20°, unafrecuencia de barrido de 200 Hz, un swath de 580m, una densidad de puntos de aproximadamenteRevista de Teledetección. ISSN: 1988-8740. 2010. 34: 55-68 57

V. Zaldo et al.Parámetro forestalÁrbolParcelaUnidad Método Unidad MétodoAltura m Campo m Media de los 10 árboles(Distanciómetro)más altosAltura base de la copa m Campo m Media(Distanciómetro)Volumen de copa m 3 /m 2 (Riaño et al., 2004) m 3 /m 2 SumatorioDBH cm Campo cm SumatorioBiomasa de madera kg Ecuaciones T/Ha EcuacionesalométricasalométricasBiomasa de hojas kg Ecuaciones T/Ha EcuacionesalométricasalométricasTabla 1. Parámetros forestales a nivel de árbol y de parcela.0.5 puntos/m 2 y dos retornos registrados por cadapulso emitido. Se realizaron tres pasadas, consolape. Los datos LiDAR utilizados incluyen lascoordenadas (x, y, z) en proyección UTM, huso31N, en el sistema ED50 de dos retornos, así comola intensidad de cada retorno. El valor del RootMean Square Error (RMSE) para el ajuste delos puntos láser obtenidos por el ICC fue de 0,033m. Para todas las consideraciones altimétricas seusó el Modelo Digital de Terreno (MDT) derivadode los datos LiDAR a 2 m de resolución.Resolución espacialA fin de determinar cual es la resolución espacialóptima para la obtención de modelos forestalesa partir de un LiDAR con densidad de0,5 puntos/m 2 , se establecieron dos niveles de estudio:el árbol y la parcela. El árbol correspondíaal individuo que se había medido en campo yla parcela a la parcela seleccionada que englobabaa todos los individuos. Se generaron dos basesvectoriales de polígonos; una para cada unade las copas de los árboles y otra para las parcelasque englobaban a dichos árboles. El procesode creación de la base vectorial de las copas delos árboles se realizó a partir de las medidas decampo de la posición central del árbol y del radiode capa copa en los cuatro puntos cardinalesy cuatro puntos más que se calcularon suponiendoun polígono octogonal para las copas de losárboles. La base vectorial de las parcelas se obtuvoa través de aplicar un buffer al punto centralde la parcela con su radio correspondiente.Análisis estadístico de los datos LiDARDe los datos LiDAR, que contenían más de 84millones de registros, se seleccionaron únicamentelos datos LiDAR para los árboles y las parcelasde las cuales se tenían datos de campo. Paraello se usó la cartografía vectorial generada a partirde los datos de campo de las copas de los árbolesy de las parcelas muestreadas, para así poderextraer los puntos LiDAR correspondientesa cada nivel de estudio: el árbol y la parcela (Fig.2). La extracción de puntos del fichero originalen formato LAS i los procesos posteriores se realizócon el software MiraMon (Pons, 2010).01:70020 mFigura 2. Polígonos de las copas de los árboles (color) delas parcelas (fondo en negro) y puntos LiDAR.58 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 55-68

Estimación y cartografía de parámetros ecológicos y forestales en tres especies con datos LiDARAltura (m)302520151050Fagus sylvaticaQuercus ilexPinus halepensis0,00 0,05 0,10 0,15 0,20FrecuenciaFigura 3. Funciones de densidad del retorno LiDAR porárbol.Altura (m)3025201510500,00 0,05 0,10 0,15 0,20 0,25 0,30FrecuenciaFigura 4. Funciones de densidad del retorno LiDAR porparcela.Se utilizaron todos los pulsos del vuelo Li-DAR, tanto el primer pulso como el segundo, yaque los parámetros forestales de árboles que seencontraban en el dosel inferior, podían estar explicadospor la información presente en este segundopulso. Para obtener la altura sobre el terreno(Altura LiDAR), se realizó una resta de laz LiDAR menos la z del MDT. El MDT fue generadopor el ICC con los mismos datos del vueloLiDAR y a partir de la selección de los puntospertenecientes al suelo mediante un algoritmo declasificación (Axelsson, 1999) y la posterior interpolaciónde dichos puntos. Una vez obtenidoslos datos LiDAR para los árboles correspondientesa las medidas de campo, se realizó un análisisexploratorio de los datos LiDAR para poderdeterminar tendencias y tipos de distribución. Serealizaron histogramas con la Altura LiDAR porespecie. Los histogramas fueron ajustados mediantefunciones de densidad (Figs. 3 y 4). El perfilaltimétrico de densidad indica cuántos puntosde retorno hay en cada rango de altitudes. En lospinares se ha obtenido mayor penetración del Li-DAR que en los encinares y en los hayedos. Losbosques de Pinus halepensis se suelen encontrarsobre suelos poco evolucionados en ambientesáridos, lo que determina unas formaciones abiertasy, en consecuencia, gran parte de los puntosLiDAR en estos bosques corresponden al suelo.Se detectó que por debajo de 5 m de altura, en loshayedos no hay rebotes de los pulsos LiDAR, loque se relaciona con la escasa presencia de sotobosqueen estas formaciones debido la estructurade copas y hojas de los hayedos, que aprovechanal máximo la radiación incidente limitandoasí la presencia de luz en el sotobosque. Por suparte los encinares se representan como bosquesdensos donde la frecuencia de rebotes LiDAR esalta pero con individuos bajos.Los datos de Altura LiDAR sin procesar no seajustaron a ningún modelo de distribución estadísticaconocido. Por lo tanto se optó por usarestadísticos no paramétricos (mediana y percentiles),aunque también se calcularon algunos estadísticosparamétricos (media y desviación estándar)al igual que realizan en otros estudios(Nelson et al., 1997; Ziegler et al., 2000). Se parametrizóla nube de puntos LiDAR, para así creardiferentes variables, que explicasen mejor lascaracterísticas forestales. Las variables LiDARque se generaron fueron: Altura máxima (Máximo),Altura media (Media), Desviación estándar(Sd), Percentiles (P), Mediana (Mediana) yCoeficiente de penetración (CP). El coeficientede penetración es la proporción de puntos quellegan al suelo respecto del número de puntos totales.Los puntos del suelo pertenecientes al primerpercentil se eliminaron del análisis.ModelizaciónFagus sylvaticaQuercus ilexPinus halepensisSe supone un modelo de regresión de la formaY=a+b·Xdonde Y es el parámetro ecológico oforestal, X es la variable LiDAR y (a y b) son loscoeficientes estimados para el modelo. Se deci-Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 55-68 59

V. Zaldo et al.dió optar por modelos simples para que pudiesenser extrapolables a otras zonas del territorio. Sequería determinar cuál de los estadísticos LiDARera el mejor estimador para cada una de las variablesforestales por lo que se realizó una regresiónentre las variables forestales y cada una de las variablesLiDAR, tanto a nivel de individuo (Anexo,Tabla A), como a nivel de parcela (Anexo, TablaB). Usando estos modelos (Anexo, Tablas Ay B), se seleccionó el mejor estimador LiDAR paracada parámetro forestal en función del coeficientede determinación R 2 y su RMSE Estos mejoresestimadores LiDAR fueron la base para laobtención de los modelos de la Tabla 2.Generación de cartografíaSe pretendía obtener modelos digitales de losparámetros ecológicos estimados. La forma habitualpara obtener modelos digitales es interpolara partir de puntos individuales, pero en estecaso interesaba obtener información a una escalade parcela. Además el elevado número de puntoshacia la interpolación muy costosa computacionalmente.Por tanto se optó por generar unamalla regular y obtener las estadísticas LiDARcon los puntos que caían dentro de cada polígono.Así los coeficientes de los modelos se podíanaplicar a las estadísticas de los puntos LiDARpara obtener los valores de las variables ecológicasy forestales a nivel de polígono. Se seleccionaronlas variables biomasa de madera (T/ha),volumen de copa (m 3 /m 2 ) y altura (m) por presentarunos ajustes bastante altos en los modelosgenerales. Esta cartografía se generó parauna zona de escena (3 × 0,5 km 2 ) en áreas dominadaspor vegetación de hayedo y encina. Paragenerar cartografía forestal de debe tener encuenta cual es el tamaño de píxel optimo de di-ParámetroforestalEspecieEstadísticoLiDARindividuoR 2individuoRMSEindividuoEstadísticoLiDARparcelaR 2parcelaRMSEparcelaAltura General Máximo 0,607 6,452 P 90% 0,923 1,593Quercus ilex Máximo 0,384 8,293 P 80% 0,858 1,145Fagus sylvatica Máximo 0,386 8,343 P 80% 0,823 1,710Pinus halepensis Máximo 0,243 12,682 P 80% 0,869 1,144Altura base General P 80% 0,258 11,993 Sd 0,496 1,110de la copa Quercus ilex P 80% 0,297 11,344 P 30% 0,570 0,915Fagus sylvatica P 80% 0,219 12,725 P 40% 0,611 0,884Pinus halepensis P 80% 0,298 14,638 P 60% 0,662 0,904Volumen General Máximo 0,296 14,542 Máximo 0,758 3,232Quercus ilex Máximo 0,119 33,891 Máximo 0,464 10,53Fagus sylvatica Máximo 0,141 34,193 Máximo 0,496 30,80Pinus halepensis Máximo 0,128 44,124 Máximo 0,392 36,98DBH General Máximo 0,152 161,067 P 20% 0,389 158,0Quercus ilex Máximo 0,191 116,963 P 20% 0,339 127,1Fagus sylvatica Máximo 0,214 121,321 P 20% 0,233 213,5Pinus halepensis Máximo 0,108 115,835 P 10% 0,314 97,45Biomasa General Máximo 0,321 42,723 Media 0,815 23,35de madera Quercus ilex Máximo 0,247 54,923 Media 0,964 6,448Fagus sylvatica Máximo 0,240 63,754 Media 0,750 30,26Pinus halepensis Máximo 0,165 75,567 P 60% 0,746 10,83Biomasa General CP 0,043 139,243 Sd 0,466 10,81foliar Quercus ilex CP 0,086 98,237 CP 0,476 24,89Fagus sylvatica CP 0,027 179,732 Sd 0,272 30,96Pinus halepensis CP 0,076 120,464 CP 0,586 21,01Tabla 2. Modelos de los mejores estimadores LiDAR.60 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 55-68

Estimación y cartografía de parámetros ecológicos y forestales en tres especies con datos LiDARcha cartografía. La elección del tamaño del píxelesta sujeta a diferentes variables: la resoluciónde los datos de partida, la estructura espacialdel ecosistema, la variabilidad forestal y eltipo de variable a representar. Es decir se tratade una elección compleja que no solo dependede los datos de partida. En (Nijland et al., 2009)determinan la resolución espacial óptima paramapear la vegetación natural en un ambiente mediterráneo,usando un tamaño de píxel diferentedel de los datos de partida. En este estudio debidoal escaso número de muestras, no se pudorealizar un análisis de «cross-validation» que podríadar una medida del error de la cartografía.Por tanto se generaron mapas a diferentes resoluciones5, 10, 15 y 20 metros y se evalúo la representatividadde dicha cartografía con respectoa la imagen CASI atendiendo a la estructuraespacial del ecosistema, la variabilidad forestaly el tipo de parámetro. Se comprobó que debidoa la alta complejidad estructural y ambiental, apartir de un tamaño de píxel de 10 metros no serecogía la variabilidad de los parámetros representados.Por tanto se selecciono el píxel de 10metros como el óptimo para representar los parámetrosde este estudio. Para calcular las variablesLiDAR se utilizó una media de 170 puntosLiDAR por polígono, que se aproxima a los 190puntos que se tenían de media para las parcelas.RESULTADOS Y DISCUSIÓNLos resultados del estudio [Tabla 2, Anexo(Tablas A y B)] revelaron que los datos LiDARpermiten estimar, a nivel de parcela y con elevadaexactitud, parámetros forestales en ecosistemasde tipo mediterráneo. Los modelos a nivelde árbol mostraron que todas las variables Li-DAR empleadas fueron significativas pero conbajos ajustes, mientras que a nivel de parcela algunasvariables LiDAR no fueron significativas[marcadas con (—) en el Anexo (Tablas A y B)]pero los modelos en general incrementaron considerablementesu nivel de ajuste. Los ajustes delos modelos por individuo (con un intervalo deR 2 de 0,027-0,607) y por parcela (con un intervalode R 2 de 0,233-0,964), permiten estableceren este caso la parcela como el nivel adecuadopara trabajar con datos LiDAR de las característicasde los utilizados en este estudio.En todos los casos los modelos mejoraron alpasar del nivel de individuo, al nivel de parcela.Probablemente la densidad de puntos LiDAR deeste estudio (0,5 puntos/m 2 ) que permite usar 22puntos para árboles de 8 m 2 de superficie media,es insuficiente para trabajar con individuos (otrostrabajos, como el de Chen et al., 2006, usan unadensidad de 9 puntos/m 2 para trabajar a este nivel).Por tanto estos resultados son susceptiblesde mejora con una mayor densidad de puntos,que puede conseguirse con una conveniente planificaciónde vuelo o bien con la incorporaciónde tecnología LiDAR que almacene mayor númerode retornos o una mayor frecuencia de emisiónde pulsos. También cabe plantearse hastaqué punto es útil obtener cartografía muy detalladade variables forestales que representan parámetrosespaciales con una unidad mínima demedida correspondiente al propio árbol. Los modelosgenerados a nivel de parcela sí fueron satisfactoriosy mejoraron los ajustes de estudiosanteriores usando imágenes de satélite Landsat(Salvador & Pons, 1998; Mallinis, et al., 2004;Vázquez de la Cueva, 2008) e imágenes hiperespectrales(Baulies & Pons, 1995; Schlerf & Atzberger,2006). De aquí en adelante se consideraránlos modelos a nivel de parcela y se trabajarány discutirán sus resultados. Con respecto al efectode las diferencias entre especies en la generaciónde los modelos, los resultados a nivel de parcelapredicen una mejoría en los casos en los quelos predictores LiDAR son similares entre especiesdiferentes. Así, tanto la altura máxima, elvolumen de copa y el DBH con similares predictoresLiDAR entre especies mejoran en el análisisgeneral. Además, la pérdida del ajuste de losmodelos generales es escasa en las variables conmayor variación interespecifica, como la alturade la base de la copa, biomasa foliar y biomasade madera. Por tanto, las diferentes especies presentanuna tendencia similar, por lo que el esfuerzoque supondría realizar un análisis y cartografíaa nivel de especie no compensa a la vistade los resultados obtenidos para los modelos generales.Los resultados a nivel de parcela tambiénmostraron que los parámetros forestales estabanexplicados por un estadístico LiDARdiferente en cada caso. Así, para los modelos generaleslos parámetros que dieron mejores resultadosfueron la altura máxima explicada por elpercentil 90%, el volumen de copa explicado porRevista de Teledetección. ISSN: 1988-8740. 2010. 34: 55-68 61

V. Zaldo et al.Altura media de los 10 árboles más altos (m)R 2 = 0,923RMSE = 1,5935 10 15 20 25Percentil 90 altura LiDAR (m)Figura 5. Estimación de la altura para modelos generalesa nivel de parcela.el máximo y la biomasa de madera estimada porla media. Los parámetros de altura de la base dela copa, DBH y biomasa foliar no se consiguieronestimar con tanto nivel de ajuste, aunque losresultados no son despreciables y podrían ser mejorablescon un LiDAR de una mayor densidadde puntos. La altura de la base de la copa, que esun parámetro con una alta variabilidad interespecífica,no arrojó buenos resultados a nivel general,pero los modelos por especie indican quelas estadísticas LiDAR explican parte de la variabilidadde este parámetro. Para el DBH no seobtuvo una relación con las estadísticas LiDARcalculadas, aunque cabe señalar que el DBH esun parámetro difícil de estimar con la densidadde puntos LiDAR de este estudio, ya que se tratade una variable de baja resolución espacial porlo que se necesitaría un mayor densidad de puntospara su correcta estimación (Chen et al.,2007). El coeficiente de penetración sirve paraexplicar parte de la biomasa foliar, sobretodo enlos bosques de aciculifolios donde la penetracióndel LiDAR es mayor. Se esperaba obtener unospeores ajustes de los modelos en los bosques másheterogéneos y variables como los encinares ypinares con respecto a los bosques más homogéneoscomo los hayedos (Salvador et al., 1997).Sin embargo, los resultados obtenidos han reveladopruebas en el sentido opuesto. Se puede pensarque el propio tipo de estructura homogéneade las copas de los hayedos hace que la penetrabilidaddel LiDAR en el dosel vegetal sea menorque en bosques más heterogéneos y esto impidael correcto ajuste de los datos LiDAR a parámetrosque explican características del propio dosel.Para la generación de cartografía cuantitativase usaron los tres parámetros que seconsiguieron estimar con mayor exactitud a nivelde parcela; la altura máxima R 2 = 0.923, biomasade madera R 2 = 0.815 y volumen de copaR 2 = 0.758 (Figs. 5, 6 y 7). Estos tres parámetrosson de vital importancia para el cocimiento delos bosques mediterráneos: La altura máxima esun parámetro básico de los inventarios forestalesy del cual derivan otros parámetros, la biomasade madera permite estimar la cantidad decarbono acumulado en los bosques y el volumende copa es importante para la modelización deincendios forestales.Los modelos calculados permitieron generarcartografía de tipo cuantitativo de estos parámetrosforestales (Anexo, Fig. A). Lo deseable hubierasido evaluar de forma cuantitativa estosmodelos con nuevos datos de campo, pero debidoa que todas las parcelas con verdad terrenodisponibles se usaron para el ajuste del modelono se ha procedido a tal análisis. Aun así, los resultadosde los modelos son satisfactorios a nivelvisual comparando con la imagen CASI quenos aporta una referencia del estado de las cubiertas.La combinación CASI (907, 707, 406nm) permite distinguir las zonas de vegetaciónen rojo y verde, de las áreas sin vegetación o consuelo desnudo en azul o blanco. Se detecta comolas áreas sin vegetación (en azul) presentanvalores cero de biomasa, volumen de copa y al-Biomasa de madera (T/ha)2520151025020015010050Fagus sylvaticaPinus halepensisQuercus ilexFagus sylvaticaPinus halepensisQuercus ilexR 2 = 0,815RMSE = 23,355 10 15 20Media altura LiDAR (m)Figura 6. Estimación de biomasa de madera para modelosgenerales a nivel de parcela.62 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 55-68

Estimación y cartografía de parámetros ecológicos y forestales en tres especies con datos LiDARVolumen de copa (m 3 /m 2 )7006005004003002001000Fagus sylvaticaPinus halepensisQuercus ilexR 2 = 0,758RMSE = 3,23210 15 20 25Máximo altura LiDAR (m)Figura 7. Estimación de volumen de copas para modelosgenerales a nivel de parcela.tura máxima, mientras que en las zonas de mayordensidad de copas estos valores aumentan.En la imagen correspondiente al volumen de copase observan zonas con valor 0 y sin embargola altura varía entre 5-10 m y la biomasa presentavalores de aproximadamente 50 T/ha; esto esdebido a que son áreas de matorral que no presentancobertura arbórea y en consecuencia noexisten copas arbóreas, pero sí presencia de especiesarbustivas con cierta altura y biomasa demadera. Los modelos se realizaron para un áreadominada por haya en la parte inferior de la imageny encinas en la zona superior. El rango devalores obtenido fue de 0-300 T/ha para la biomasade madera, de 0-800 m 3 /m 2 para el volumende copa y de 0-35 m para la altura.Estos modelos permiten detectar áreas dentrodel bosque con elevado contenido en biomasay/o con elevado volumen de copa. Estasáreas podrían ser zonas con características climáticasy edáficas muy benignas que permitena la vegetación desarrollarse y acumular altasconcentraciones de biomasa. En los modelosdigitales se detectaron valores altos de los parámetrosecológicos en zonas con altas pendientes,como puntos cercanos a la cima de las colinasde la parte superior de la imagen. Estopuede ser debido a que la generación de modelosdigital del terreno (MDT) obtenidos por Li-DAR se realiza a través de la interpolación delos puntos del suelo. Estos puntos se clasificanpor un algoritmo automático que puede generarerrores en las cimas de colinas. Así, el MDTpresentaría altitudes menores en las cimas y, enconsecuencia, al restar el MDT a los puntos Li-DAR se tendrían valores de Z mayores de lo esperadoen estas zonas.Los ajustes obtenidos en este estudio han sidomayores que los obtenidos en estudios anteriores(Salvador et al., 1997) y permiten ser optimistassobre las posibilidades de la aplicacióndel LiDAR para la estimación y cartografía cuantitativade la vegetación natural. En futuros estudiosse espera poder mejorar los resultados deestimación de los parámetros ecológicos y forestales,sobretodo de los foliares, con la incorporaciónde información hiperespectral CASI yde la intensidad LiDAR.CONCLUSIONESEn este estudio se comprobó la capacidad delos datos LiDAR para genera cartografía de tipocuantitativo. Se puede concluir que una densidadde puntos de 0,5 puntos/m 2 , es adecuada paratrabajar a nivel de parcela, pero insuficientepara el nivel de individuo. A su vez, la escasa diferenciaentre los modelos a nivel de especie ya nivel general parece indicar que el esfuerzo enla separación por especie sea innecesario para lageneración de una cartografía extensiva de parámetrosforestales. Finalmente, la metodologíausada para el tratamiento de la información Li-DAR ha permitido modelizar variables ecológicasforestales como biomasa de madera, volumende copa y altura, y en consecuencia generarmodelos digitales forestales con un nivel de fiabilidadque no se había conseguido obtener conotras aproximaciones.AGRADECIMIENTOSEste estudio ha sido posible gracias a un conveniode colaboración entre ICC y CREAF parala utilización de datos hiperespectrales ymultitemporales (CASI) y LiDAR para la cartografíacategórica y cuantitativa de la vegetaciónforestal. Deseamos agradecer especialmentea los compañeros del ICC el cuidadosoprocesado de los datos, así como a los compañerosdel CREAF que realizaron el extenso trabajode campo.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 55-68 63

V. Zaldo et al.REFERENCIASANDERSON, G. L., HANSON, J. D. & HAAS, R.H. 1993. Evaluating Landsat Thematic Mapper derivedvegetation indices for estimating abovegroundbiomass on semiarid rangelands. RemoteSensing of Environment, 45, 165-175.AXELSSON, P. 1999. Processing of laser scanner data;algorithms and applications. ISPRS Journal ofPhotogrammetry & Remote Sensing, 54: 138-147.BAULIES, X. & PONS, X. 1995. Approach to forestryinventory and mapping by means of multispectralairborne data. International Journal of RemoteSensing, 16: 61-80.BURRIEL, J. A., GRACIA, C., IBÀÑEZ, J. J., MA-TA, T. & VAYREDA, J. 2000-2004. Inventari Ecològici Forestal de Catalunya (IEFC). CREAF, Bellaterra.CHEN, Q., BALDOCCHI, D. D., GONG, P. &KELLY, M. 2006. Isolating individual trees in a savannawoodland using small footprint LiDAR data.Photogrammetric Engineering and Remote Sensing,72: 923-932.CHEN, Q., GONG, P., BALDOCCHI, D. & TIAN, Y.2007. Estimating basal area and stem volume forindividual trees from LiDAR data . Photogrammetricengineering and Remote Sensing, 12: 1355-1365.GARCIA, M., RIANO, D., CHUVIECO, E. & DAN-SON, FM. 2010. Estimating biomass carbon stocksfor a Mediterranean forest in central Spain usingLiDAR height and intensity data. Remote Sensingof Environment, 114: 816-830.GRACIA, C., BURRIEL, J. A., IBÀÑEZ, J. J., MA-TA, T. & VAYREDA, J. 2004. InventariEcològic i Forestal de Catalunya. Mètodes. Volum9. CREAF, Bellaterra, 112.HILL, R. & THOMSON, A. 2005. Mapping woodlandspecies composition and structure using airbornespectral and LiDAR data. International Journalof Remote Sensing, 26: 3763-3779.MALLINIS, G., KOUTSIAS, N., MAKRAS, A. &KARTERIS, M. 2004 Forest parameters estimationin a European Mediterranean landscape using remotelysensed data . Forest Science, 50: 450-460.MASELLI, F. & CHIESI, M. 2006. Evaluation of StatisticalMethods to Estimate Forest Volume in a MediterraneanRegion. IEEE Transactions on Geoscienceand Remote Sensing, 44: 2239-2250.NAESSET, E. 1997. Determination of mean treeheight of forest stands using airborne laser scannerdata. Journal of Photogrammetry and RemoteSensing, 52: 49-56.NELSON, R., ODERWALD, R. & GREGOIRE, T. G.1997. Separating the ground and airborne lasersampling phases to estimate tropical forest basalarea, volume, and biomass. Remote Sensing of Environment,60: 311-326.NIJLAND, W., ADDINK, E. A., DE JONG, S. M. &VAN DER MEER, F. D. 2009. Optimizing spatialimage support for quantitative mapping of naturalvegetation. Remote Sensing of Environment,13:771-780.PONS, X. 2010. MiraMon. Geographical informationsystem and remote sensing software. Versión 7.Centre de Recerca Ecològica i Aplicacions Forestals(CREAF). ISBN: 84-931323-4-9.POPESCU, S. C., WYNNE R. H. & NELSON R.F.2003. Measuring individual tree crown diameterwith lidar and assessing its influence on estimatingforest volume and biomass. Canadian Journal ofRemote Sensing, 29: 564-577.RIAÑO, D., CHUVIECO, E., CONDES, S., GONZÁ-LEZ-MATESANZ, J. & USTIN, S. 2004. Generationof crown bulk density for Pinus sylvestris L.from LiDAR. Remote Sensing of Environment, 92:345-352.RIAÑO, D., MEIER, E., ALLGÖWER, B., CHUVIE-CO, E. & USTIN, S. L. 2003. Modeling airbornelaser scanning data for the spatial generation of criticalforest parameters in fire behavior modeling.Remote Sensing of Environment, 86: 177-186.RODRÍGUEZ, J. P., BROTONS, L., BUSTAMANTE,J. & SEOANE, J. 2007. The application of predictivemodelling of species distribution to biodiversityconservation. Diversity and Distributions, 13:243-251.SALVADOR, R. & PONS, X. 1998. On the applicabilityof Landsat TM images to Mediterranean forestinventories. Forest Ecology and Management,104: 193-208.SALVADOR, R., PONS, X. & BAULIES, X. 1997.Análisis de imágenes multiespectrales aerotransportadaspara estimar variables estructurales debosques mediterráneos de Quercus ilex L. Orsis,12: 127-139.SCHLERF, M. & ATZBERGER, C. 2006. Inversionof a forest reflectance model to estimate structuralcanopy variables from hyperspectral remote sensingdata. Remote Sensing of Environment, 100:281-294.VÁZQUEZ DE LA CUEVA, A. 2008. Structural attributesof three forest types in central Spain andLandsat ETM plus information evaluated with redundancyanalysis. International Journal of RemoteSensing, 29: 5657-5676.WEHR, A. & LOHR, U. 1999. Airborne laser scanning- an introduction and overview. ISPRS Journalof Photogrammetry & Remote Sensing, 54: 68-82.ZIEGLER, M., KONRAD, H., HOFRICHTER, J.,WIMMER, A., RUPPERT, G., SCHARDT, M. &HYYPPA, J. 2000. Assessment of forest attributesand single-tree segmentation by means of laserscanning. Proceedings of the Internacional Societyfor Optical Engineering, 4035: 73-84.64 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 55-68

Estimación y cartografía de parámetros ecológicos y forestales en tres especies con datos LiDARAnexoMODELOS DIGITALES DE LOS PARÁMETROS ECOLÓGICOSFORESTALES1. Imagen CASI RGB (907, 707, 406 nm).2. Biomasa de madera (T/ha).3. Volumen de copa (m 3 ).4. Altura (m).12342 (T/ha)0-5050-100100-150150-200N200-250250-300> 3001:16.000200 0 1.000 m3 (m 3 ) 4 (m)0-100 0-5100-200 5-10200-300 10-15300-400 15-20400-500 20-25500-600 25-30600-700 30-35700-800 >35> 800Figura A. Modelos Digitales Forestales de la biomasa de madera, volumen de copa y altura.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 55-68 65

V. Zaldo et al.ParámetroParámetros LiDARMáx P90 P80 P70 P60 Med P40 P30 P20 P10 SD Medi CPAltura (m)GQFPR 2 0,607 0,583 0,555 0,529 0,496 0,452 0,403 0,349 0,260 0,121 0,265 0,451 0,024RMSE 6,452 6,893 6,931 7,627 7,802 8,653 8,982 9,212 9,262 9,392 8,245 7,36 9,834R 2 0,384 0,375 0,375 0,363 0,352 0,343 0,324 0,304 0,249 0,153 0,050 0,319 0,027RMSE 8,293 8,485 8,683 8,721 8,959 9,348 9,562 9,578 9,885 10,2 21,39 9,378 24,85R 2 0,386 0,357 0,326 0,308 0,276 0,239 0,199 0,155 0,107 0,039 0,066 0,218 0,017RMSE 8,343 8,379 8,381 8,402 8,628 8,863 9,256 9,892 9,913 10,38 16,483 9,527 25,38R 2 0,243 0,221 0,181 0,139 0,102 0,055 0,017 0,005

Estimación y cartografía de parámetros ecológicos y forestales en tres especies con datos LiDARParámetroParámetros LiDARMáx P90 P80 P70 P60 Med P40 P30 P20 P10 SD Medi CPBiomasaRG2 0,030 0,034 0,041 0,005 0,006 0,008 0,003 0,012 0,005 0,008 0,007 0,008 0,043foliar (T/ha) RMSE 145,6 145,8 146,5 146,8 147,3 148,2 143,8 146,1 146,4 147,3 148,2 152,3 139,2QFPR 2 0,033 0,023 0,018 0,012 0,014 0,010 0,008 0,003

V. Zaldo et al.ParámetroParámetros LiDARMáx P90 P80 P70 P60 Med P40 P30 P20 P10 SD Medi CPDBH (cm)GQFPR 2 0,129 0,161 0,185 0,226 0,272 0,328 0,348 0,366 0,389 0,176 — 0,299 —RMSE 188,6 185,1 182,4 177,8 172,4 165,8 163,2 161 158 183,5 — 169,2 169,3R 2 — — — — — 0,291 0,301 0,320 0,339 — — — —RMSE — — — — — 131,7 130,7 128,9 127,1 — — — —R 2 — — — — — — 0,174 0,191 0,233 0,131 — — —RMSE — — — — — — 220,7 218,6 213,5 225,8 — — —R 2 — — — — 0,278 0,290 0,220 — — 0,314 — 0,266 0,260RMSE — — — — 99,93 99,09 103,9 — — 97,45 — 100,8 101,2Biomasa deRG2 0,632 0,683 0,711 0,731 0,753 0,725 0,716 0,742 0,805 0,563 0,250 0,815 0,262madera (T/ha) RMSE 32,91 30,52 29,13 28,11 26,94 28,44 28,87 27,54 23,94 35,86 46,99 23,35 46,6QFPR 2 0,877 0,884 0,922 0,937 0,950 0,963 0,962 0,961 0,944 0,908 0,419 0,964 0,338RMSE 11,91 11,53 9,479 8,517 7,556 6,397 6,277 6,649 8,035 10,25 25,89 6,448 27,62R 2 0,450 0,540 0,581 0,620 0,658 0,693 0,711 0,660 0,721 0,598 — 0,750 0,340RMSE 44,89 41,02 39,19 37,32 35,37 33,55 32,52 35,28 31,97 38,35 — 30,26 49,15R 2 0,267 0,529 0,627 0,686 0,746 0,230 — — — — 0,545 0,559 0,240RMSE 18,39 14,75 13,13 12,04 10,83 18,86 20,16 — — — 14,5 14,27 18,73BiomasaRG2 0,335 0,267 0,233 0,159 0,114 — — — — — 0,466 — 0,153foliar (T/ha) RMSE 20,02 21,12 22,17 22,27 24,33 — — — — — 10,811 — 28,283QFPR 2 — — — — — — — — — — — — 0,376RMSE — — — — — — — — — — — — 24,89R 2 — — — — — — — — — — 0,272 — —RMSE — — — — — — — — — — 30,961 — —R 2 — — 0,260 0,434 0,585 0,422 0,248 0,311 — — — 0,442 0,586RMSE — — 21,35 21,18 21,03 21,19 21,36 21,30 — — — 21,17 21,01Tabla B. Tabla de R 2 de los modelos significativos LiDAR a nivel de parcela. Modelo General, Quercus ilex, Fagussylvatica y Pinus halepensis (G, Q, F y P) respectivamente. P: percentil. Máx: máximo. Med: mediana. Sd: desviaciónestándar. Medi: media. CP: coeficiente de penetración.68 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 55-68

Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 69-76Estudio del crecimiento urbano,de la estructura de la vegetacióny de la temperatura de la superficie del GranSan Miguel de Tucumán, ArgentinaStudy of the urban growing, the vegetationstructure and the land surface temperatureof the Gran San Miguel de Tucumán, ArgentinaR. Oltra-Carrió 1 , J. A. Sobrino 1 , J. Gutiérrez-Angonese 2 , A. Gioia 2 ,L. Paolini 2 y A. Malizia 2rosa.oltra@uv.es1Unidad de Cambio Global. Laboratorio de Procesado de Imágenes. Universitat de València2Instituto de Ecología Regional (IER). Universidad Nacional de TucumánRecibido el 25 de junio de 2010, aceptado el 14 de septiembre de 2010RESUMENSe estima que en la actualidad más del 50% dela población mundial vive en ciudades. Esta urbanizacióndel planeta implica un cambio importanteen los usos del suelo y, consecuentemente,de las propiedades térmicas de lassuperficies terrestres. En este trabajo se analizael impacto de la urbanización en el Gran SanMiguel de Tucumán (Argentina). Se estudia eltipo de vegetación que se recupera en la zonatras el proceso de construcción de la ciudad, latransición de vegetación natural a vegetaciónde parques y jardines. Además se analiza, a travésde imágenes de satélite, la temperatura delas superficies de la zona en estudio, relacionándoselos patrones térmicos con las zonas vegetadasde la ciudad. A partir de la temperaturade superficie se calcula la intensidad de laIsla de Calor Urbana Superficial que, para imágenesdiurnas, da valores negativos para finalesde invierno y primavera, y positivos en verano.El aumento de la zona construida entrelos años 1992 y 2008 estimado a través de imágenessatelitales es del 66%.PALABRAS CLAVE: isla de calor urbana desuperficie, vegetación urbana, teledetección,LANDSAT, San Miguel de Tucumán (Argentina).ABSTRACTNowadays more than the 50% of the earthpopulation lives in cities. This urbanization ofthe planet involves an important change in thesoil uses. Therefore, thermal properties of thesurfaces have changed. In this work the impactof the urbanization is analyzed in the Gran SanMiguel de Tucumán (Argentina). It is studiedthe change from natural vegetation cover tourban vegetation as squares or gardens. Moreover,satellite images are used to study thesurface temperature, and it is observed that thethermal patterns are connected with the vegetatedareas in the city. Land surface temperatureis used to measure the value of the Surface UrbanHeat Island. This phenomenon is estimatedusing daytime images, negative values areobtained in winter and spring while positivevalues are obtained for summer time. Thegrowing of the built area is monitored with satelliteimages observing an increase of theurban area of the 66% between 1992 and 2008.KEY WORDS: surface urban heat island, urbanvegetation, remote sensing, LANDSAT, SanMiguel de Tucumán (Argentina).Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 69-76 69

R. Oltra-Carrió et al.INTRODUCCIÓNLa artificialización del suelo a través de la urbanizaciónes una de las formas más extremasde alteración del uso de la tierra y una de las modificacionesmás persistentes e importantes delos cambios producidos por las personas. El impactode los procesos urbanizadores sobre losecosistemas naturales y sobre la calidad del hábitates un tema de estudio de actualidad, siendopoca aun la literatura que podemos encontraral respecto. La relación entre la dinámica urbanay la dinámica de las comunidades vegetalesimplica procesos con características complejasy muchas veces no lineales. A medida que la urbanizaciónavanza, la vegetación natural es eliminaday, en parte, es remplazada por una nuevacomunidad, mezcla de especies autóctonas yexóticas principalmente ornamentales. La formaciónde ésta nueva comunidad vegetal asociadaa áreas urbanas puede ser entendida como unproceso de transición urbana, donde la vegetaciónpreexistente es reemplazada por una nuevavegetación con características funcionales y estructuralesdiferentes. Uno de los efectos másimportantes que tiene ésta nueva vegetación esla regulación de la temperatura de las áreas urbanizadas.Este proceso de refrigeración se debeno sólo a la intercepción de la radiación solarpor parte de la vegetación (lo cual disminuyela acumulación de calor de las construccionesurbanas) sino también a los procesos de evapotranspiraciónllevados a cabo por las plantas, loque ayuda a reducir la temperatura del aire. Elgrado de presencia y las características estructuralesy funcionales de la vegetación urbanapueden modificar tanto las características del ciclodiurno como la intensidad de la Isla de CalorUrbana (ICU). Este fenómeno se caracterizapor el calentamiento de las zonas urbanas encomparación a sus alrededores no urbanizados.Estudiar los patrones y procesos que ocurren enun área urbana revela un mosaico dinámico entregente y naturaleza. Comprender las relacionesentre la dinámica urbana, la dinámica de lavegetación asociada y la temperatura de superficienos permitirá mejorar nuestro entendimientosobre los efectos de las futuras urbanizaciones.En este trabajo se presenta un análisispreliminar de la relación entre la dinámica de lavegetación urbana y sus efectos sobre los patronesde temperatura de superficie en el Gran SanMiguel de Tucumán (Argentina).LUGAR DE ESTUDIOLa Provincia de Tucumán se encuentra en elNoroeste de Argentina. El estudio se centra en elGran San Miguel de Tucumán (GSMT) que es elaglomerado urbano formado alrededor de la ciudadde San Miguel de Tucumán. El GSMT se encuentraa los pies de la Sierra de San Javier (SSJ),en su vertiente este, y presenta una dinámica deuso de la tierra caracterizada por la reducción delas áreas agrícola-ganaderas y una expansión delas áreas urbanas, asociado al marcado crecimientopoblacional. Durante las últimas cuatro décadasel GSMT ha triplicado su población, conformandoel núcleo urbano más importante delNorte de Argentina, con una población de más de1,5 millones de habitantes. Esto ha generadocambios importantes en los patrones de uso delsuelo, por un lado incrementando la densidad deconstrucciones en el centro de la ciudad y porotro expandiendo su área urbana hacia la periferia.La mayor expansión se ha localizado en susector oeste, más cercano a la SSJ, y donde se sitúael núcleo urbano de Yerba Buena.METODOLOGÍA Y RESULTADOSEl análisis de la relación entre la crecienteconstrucción, la vegetación urbana y los patronesde temperatura requieren de un estudio previoen el que cada factor sea analizado. Estas reflexionesy resultados preliminares son los quese presentan a continuación.Elaboración de mapas de ocupacióndel territorioSe han obtenido mapas de suelo urbanizado parael área metropolitana del GSMT a partir de imágenesdel satélite Landsat TM de los años 1992,2000 y 2008. La clasificación se hizo utilizandoel procedimiento Random Forest (Breiman, 2001).A partir de estos mapas se ha obtenido la superficieurbana en cada fecha y se ha estimadoel cambio en la superficie urbanizada mediante70 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 69-76

Estudio del crecimiento urbano, de la estructura de la vegetación y de la temperatura de la superficie...Superficie urbana: 1992 2000 2008 0 1,5 2,5 5 7,5 10KmFigura 1. Cambios en la zona urbanizada del GSMT en los años 1992, 2000 y 2008.comparación de las clasificaciones individualespor tabulación cruzada, identificando ademáslas áreas de cambio.En la Figura 1 se representa la evolución de laurbanización entre los años 1992 y 2008. Se observaun notable crecimiento de la zona urbana delGSMT, pasando de una superficie urbanizada deaproximadamente 9.460 Ha en el año 1992 a1.2270 Ha en el año 2000 y 1.5685 Ha en el año2008. Estos valores implican un aumento de la zonaurbanizada del 66% entre 1992 y 2008. Lasprincipales áreas de expansión fueron hacia el oestey sudoeste del Municipio de Yerba Buena, al piede la Sierra de San Javier, y hacia la región este,al sur de Banda de Rio Salí y noreste de Alderete.Obtención de mapas de temperaturasuperficialSe han elaborado mapas de temperatura superficialterrestre (TST) de la zona del Gran SanMiguel de Tucumán a partir de seis imágenesLandsat TM, captadas a las 14:00 UTC, las fechasde las imágenes utilizadas son: 28 de febrerode 2008, 7 de septiembre de 2008, 9 de octubrede 2008, 26 de noviembre de 2008, 13 deenero de 2009 y 2 de marzo de 2009. La metodologíaseguida para calcular la TST es la propuestapor Jiménez-Muñoz et al. (2009). El algoritmomonocanal utilizado viene descrito enla ecuación 1.⎡TST =γ 1 [1]ε ψ L +ψ ⎤⎢ ( 1 sen 2 )+ψ 3 ⎥+δ⎣⎦donde ε es la emisividad de la superficie, calculadasegún el método simplificado del NormalizedDifference Vegetation Index (NDVI) (Sobrinoet al., 2008); L sen la radiancia medida por elsensor; γ y δ son parámetros que dependen de latemperatura a nivel del sensor, de L sen y de la longitudde onda del canal; Ψ 1 , Ψ 2 y Ψ 3 son las llamadasfunciones atmosféricas y se han tomadocomo:Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 69-76 71

R. Oltra-Carrió et al.275 280 285 290 295 300 (K)Figura 2. Imagen de TST del día 28 de febrero de 2008 a las 14:00 UTC de la zona del Gran San Miguel de Tucumán.Las zonas señaladas con una flecha corresponden a zonas ajardinadas de la ciudad.ψ 1= 1 ψ [2]τ2=−L ↓ − L↑ψτ3= L ↓donde τ es la transmisividad de la atmósfera, L ↓la radiancia descendente y L ↑ la radiancia ascendente.Estos tres parámetros se han obtenido deproductos MODIS de la zona, más concretamentedel producto MOD07.En la Figura 2 se puede observar un ejemplode las imágenes de temperatura obtenidas. Enella se aprecia perfectamente la diferencia detemperatura superficial entre la zona urbana(temperatura mayor) y la zona no urbana. Ademásse pueden diferenciar las zonas de parquescon vegetación dentro del casco urbano, debidoal contraste de temperatura, estas aparecen señaladascon sendas flechas en la figura. La zonade más baja temperatura, a la izquierda de laimagen, corresponde a la SSJ.A partir de las imágenes de TST, se ha obtenidoel valor de la Isla de Calor Urbana Superficial(ICUS), definida según la ecuación 3 como la diferenciaentre la temperatura media de la zona urbanay la temperatura media de la zona no urbana.Este efecto sería el análogo al fenómeno atmosféricode la ICU, donde hablamos de temperatura delaire, sólo que en el caso de la ICUS se trata de unefecto superficial y se trabaja por tanto con la TSTICUS= TST urbana – TST no-urbana [3]La zona urbana se ha delimitado siguiendo loslímites cartográficos de los núcleos urbanos y laclasificación obtenida en el subapartado anterior,que distinguia las zonas de suelo urbanizadode las zonas no urbanizadas. La intensidad dela ICUS se ha calculado para un recorte de lasimágenes LANDSAT, la porción de imagen elegidase muestra en la Figura 3, donde además,se marca el límite entre lo urbano y lo rural.El resultado de la ICUS obtenido se puede observaren la Figura 4. Se observa que, para lasimágenes de verano (enero, febrero y marzo), seFigura 3. Zona de estudio para determinar la ICUS, las zonasconsideradas como urbanas están rodeadas de unafina línea negra.72 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 69-76

Estudio del crecimiento urbano, de la estructura de la vegetación y de la temperatura de la superficie...ICUS (K)5,55,04,54,03,53,02,52,01,51,00,50,0–0,5–1,0–1,5–2,0–2,5–3,0–3,5–4,0VeranoInviernoICUS_TucumánPrimaveraVeranoPrimaveraVerano1 = 28/02/2008 4 = 26/11/20082 = 07/09/2008 5 = 13/01/20093 = 09/10/2008 6 = 02/03/20090 1 2 3 4 5 6 7Fecha (ver leyenda)Figura 4. Intensidad del ICUS para los meses de febrero, septiembre, octubre y noviembrede 2008 y enero y marzo de 2009.obtiene una isla de calor típica positiva, con unmáximo de 5,2 K el 2 de marzo. Mientras quepara invierno (septiembre y octubre) y primavera(noviembre), la ICUS calculada es fría o negativa,con un mínimo de –3,6 K el día 9 de octubre.Son diversas las causas que originan este comportamientode la ICUS. Una de ellas seria la variaciónde la elevación del sol en las distintas épocasdel año. En la Tabla 1 se pueden consultar losdistintos ángulos cenitales solares para cada imagen,todos calculados a las 14:00 UTC (hora deadquisición de las imágenes). Vemos que en inviernoel ángulo solar cenital es mayor que en veranoy, por tanto, en invierno tendremos más sombrasdebido a los edificios que en verano. Así, laexposición de las superficies urbanas a la radiaciónsolar directa en invierno será menor que enverano, en consecuencia, el calentamiento del cañónurbano también será menor. No obstante, estano puede ser la única causa del comportamientoanual de la ICUS, ya que, según la Tabla 1, parala fecha de primavera del 26 de noviembre, lassombras serian menores que para las fechas deverano del 28 de febrero y del 2 de marzo. Portanto, se esperaría mayor calentamiento de la ciudaden esa fecha de primavera. Sin embargo, nohay que olvidar que la SUHI se obtiene de unaresta y lo que obtenemos en realidad en la figura4 es que el entorno rural se presenta más fríoque la ciudad en las fechas de verano (SUHI > 0)y al revés en la fecha primaveral (SUHI < 0). Porlo tanto, cabe pensar que el comportamiento dela Figura 4 es debido a cambios estacionales delentorno urbano.En otros estudios como el realizado en la ciudadde Atenas (Stathopoulou et al., 2009) y enexperiencias de campo en otras ciudades, comopor ejemplo Madrid (Sobrino et al., 2009b, Sobrinoet al., 2009a), queda demostrado que el fe-Fecha y hora Estación del año θ (°)13 de enero (14:00 UTC) Verano 23.528 de febrero (14:00 UTC) Verano 38.42 de marzo (14:00 UTC) Verano 38.97 de septiembre (14:00 UTC) Invierno 47.39 de octubre (14:00 UTC) Primavera 39.326 de noviembre (14:00 UTC) Primavera 32.7Tabla 1. Ángulo cenital solar para cada imagen analizada.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 69-76 73

R. Oltra-Carrió et al.nómeno de la ICUS se observa mejor de noche,debido al enfriamiento más rápido que sufren lassuperficies rurales respecto a las urbana. Mientrasque de día se obtiene una ICUS fría, es decir,que la zona no construida presenta temperaturasmayores que las que sí lo están. Laintensidad de la ICUS se ve pues fuertemente influenciadopor las características de las zonascircundantes a la ciudad, que en el caso de Madridson más áridas que en el caso de Tucumán.Los cultivos que rodean el GSMT son cítricos ycaña de azúcar, así, la fenología del cultivo decaña de azúcar influirá fuertemente en el resultadode la ICUS. Durante los meses de septiembre,octubre y noviembre, con ICUS < 0, la porciónde suelo desnudo en cada píxel deplantación de caña de azúcar, es mayor que enlos meses de enero, febrero y marzo, donde latemperatura superficial urbana es mayor que larural, con más presencia de vegetación.Reconstrucción de la dinámicade la vegetación urbanaPara analizar la relación entre estructura ycomposición de la vegetación a lo largo del gradientede urbanización San Miguel de Tucumán-Yerba Buena-SSJ y su relación con los valoresde Temperatura de Superficie se ha trabajado en19 plazas ubicadas a lo largo del gradiente, siendoestos sitios representativos del arbolado público.Se han medido todos los árboles de más de 10cm de diámetro a la altura del pecho (DAP) eidentificado a nivel de especie. Se han utilizadoparámetros estructurales medidos in situ comola cobertura vegetal, el área basal, y la densidadde vegetación. Además se han obtenido datos desuperficie de cobertura vegetal y superficie decemento, utilizando la aplicación Google EarthPro., además de variables complementarias comola distancia a la SSJ y la antigüedad de lasplazas.Los parámetros ambientales considerados parael estudio han sido el NDVI calculado a partirde imágenes Landsat TM y para la temperaturade superficie se han utilizado las imágenesde TST obtenidas en el subapartado anterior.Para describir la estructura del arbolado urbanoa lo largo del gradiente se han realizado análisisde correspondencia corregido (DCA) y análisisde componentes principales (PCA) paracuantificar gradientes a lo largo de las 19 plazas,basados en las variables estructurales y ambientales.Para relacionar las variables estructuralesdel arbolado urbano, las variables ambientales ylas variables complementarias se han utilizado correlacionesde Pearson entre dichos parámetros ylos scores de las plazas sobre los ejes del PCA.Lo que muestra el análisis es que el arboladourbano representado en las plazas posee unacomposición simplificada, fuertemente dominadapor pocas especies, entre ellas Citrus sp, Tabebuiaimpetiginosa, Jacaranda mimosifolia yFraxinus sp; con alta proporción de individuospara estas especies. Estos resultados sugierenque a escala local la urbanización tiende a homogeneizarla comunidad de plantas. Además,como consecuencia de la intervención antrópicaen el ajardinamiento de las plazas, se observaen los resultados una proporción casi igual deespecies exóticas y nativas.Las plazas del centro de San Miguel de Tucumán,que en este estudio representa la zona másdensamente urbanizada, se encuentran más alejadasde la Sierra de San Javier, son más antiguas,presentan mayor porcentaje de superficieconstruida y se registra mayor temperatura desuperficie, en comparación con aquellas ubicadasen Yerba Buena (Tabla 2). Mientras que lasplazas ubicadas en la localidad de Yerba Buena(zona menos densamente urbanizada del estudio)revelan mayor porcentaje de superficie ver-TST media (K)Zona verde en Yerba Buena 304,5 ± 1,2Zona verde en San Miguel de Tucumán 305,1 ± 1,7Zona de baja urbanización (Yerba Buena) 308,2 ± 1,5Zona densamente urbanizada (San Miguel) 311,4 ± 1,9Tabla 2. Valores de TST para algunas zonas verdes y superficies urbanas calculadas apartir de la imagen Landsat TM del día 2 de marzo de 2009.74 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 69-76

Estudio del crecimiento urbano, de la estructura de la vegetación y de la temperatura de la superficie...de, más cobertura vegetal y área basal (la mayoría)y valores más altos del índice de vegetaciónNDVI. Por lo tanto, existe una relación positivaentre la cobertura vegetal del arbolado urbano yel NDVI; y por otro lado, esa cobertura se relacionanegativamente con la temperatura de superficiepor lo cual se confirma que al haber mayorvegetación existe mayor evapotranspiracióny más sombra, lo que contribuye a disminuir elsobrecalentamiento de las estructuras urbanas.CONLUSIONESEl análisis de las imágenes de TST nos ha permitidoestudiar el cambio térmico de las diferentessuperficies que constituyen el GSMT a lo largodel año. Este cambio en los patrones detemperatura debido a la construcción, se hacuantificado a partir de la ICUS. Los cambiosen la intensidad de la ICUS serán debidos a ladiferente estación del año y a la fenología de loscultivos que rodean la ciudad, como la caña deazúcar. Se ha obtenido un resultado de ICUS < 0para finales de invierno y primavera (septiembre,octubre y noviembre) y un ICUS > 0 para losmeses de verano (enero, febrero y marzo). Obteniendouna diferencia máxima entre los mesesde octubre y marzo de unos 9 K.De forma complementaria, el análisis de lospatrones de vegetación asociados al proceso deexpansión urbana a lo largo del gradiente urbano-ruralbajo estudio, muestra el papel centralque juega la estructura de la vegetación a la horade mitigar los efectos de la ICUS.La información obtenida puede servir para alimentarmodelos dinámicos espacialmente explícitosque permitirán generar escenarios futurosrealistas con los cuales enfrentar el crecimientourbano durante el próximo siglo y estudiar elcambio climático local y la ecología urbana.AGRADECIMIENTOSEste proyecto ha sido financiado por la AgenciaEspañola de Cooperacion Internacional parael desarrollo (AECID), bajo el proyectoA/018766/08-Efectos de la dinámica urbana sobrela estructura de la vegetación y la temperaturade superficie del Gran San Miguel de Tucumán.Este trabajo se llevó a cabo mientras R. Oltra-Carrió disfrutaba de una beca predoctoral V Seglesde la Universitat de València.REFERENCIASBREIMAN, L. 2001. Random Forest. Machine Learning,45: 5- 32.JIMÉNEZ-MUÑOZ, J. C., CRISTÓBAL, J., SOBRI-NO, J. A., SÒRIA, G., NINYEROLA, M. & PONS,X. 2009. Revision or the Single-Channel Algorithmfor Land Surface Temperature Retrieval FromLandsat Thermal-Infrared Data. IEE Transactionon Geoscience and Remote Sensing, 4 (1): 339-349.SOBRINO, J. A., JIMÉNEZ-MUÑOZ, J. C., SÒRIA,G., ROMAGUERA, M., GUANTER, L., MORE-NO, J., PLAZA, A. & MARTÍNEZ, P. 2008. Landsurface emissivity retrieval from different VNIRand TIR sensors. IEE Transaction on Geoscienceand Remote Sensing, 8(2),: 316-327.SOBRINO, J. A., BIANCHI, R., PAGANINI, M.,SÒRIA, G., JIMÉNEZ-MUÑOZ, J. C., OLTRA-CARRIÓ, R., MATTAR, C., ROMAGUERA, M.,FRANCH, B., HIDALGO, V., CUENCA, J., JU-LIEN, Y., ATITAR, M., FERNÁNDEZ-RENAU,A., GÓMEZ, J. A., DE MIGUEL, E., GUTIÉRREZDE LA CÁMARA, O., JIMÉNEZ, M., PRADO, E.,RODRÍGUEZ-CANTANO, R., RUIZ, I., NERRY,F., NAJJAR, G., KASTENDEUCH, P. P., PUJA-DAS, M., MOLERO, F., MORENO, J., ALONSO,L., FERNÁNDEZ, F., GALÁN, E., CAÑADA, R.,ROMERO, J. M., CALPE-MARAVILLA, J.,CAMPS-VALLS, G., BOSCH-MAGRANER, M.,PUENTE-ROBLES, R., CORDERO-SALVADOR,J., TORRES-CARRERO, J., DUQUE-CUESTA, M.A., MOYA, F., LABAJO, A., LABAJO, S., HIDAL-GO-RODRÍGUEZ, J., ACERO, J. A., HERNÁN-DEZ-MARTÍN, E., MARTILLI, A., SALAMAN-CA, F., GIMENO-PRESA, L. & PIGEON, G.2009a. Dual-use European Security IR Experiment2008 (DESIREX 2008) Final Report. Frascati(Italy), European Space Agency.SOBRINO, J. A., SÒRIA, G., OLTRA-CARRIÓ, R.,JIMÉNEZ-MUÑOZ, J. C., ROMAGUERA, M.,CUENCA, J., HIDALGO, V., FRANCH, B., MAT-TAR, C., JULIEN, Y., BIANCHI, R., PAGANINI,M., MORENO, J. F., ALONSO, L., FERNÁNDEZ-RENAU, A., GÓMEZ, J. A., DE MIGUEL, E., GU-TIÉRREZ, O., JIMÉNEZ, M., PRADO, E., RO-DRÍGUEZ-CANTANO, R., RUIZ, I., NERRY, F.,NAJJAR, G., KASTENDEUCH, P. P., PUJADAS,M., MOLERO, F., MARTILLI, A., SALAMANCA,F., FERNÁNDEZ, F., GALÁN, E., CAÑADA, R.,HERNÁNDEZ, E., HIDALGO, J., ACERO, J. A.,ROMERO, J. M., MOYA, F. & GIMENO, L. 2009b.DESIREX 2008: estudio de la isla de calor en laRevista de Teledetección. ISSN: 1988-8740. 2010. 34: 69-76 75

R. Oltra-Carrió et al.Ciudad de Madrid. Revista de Teledetección, 31:80-92.STATHOPOULOU, M., SYNNEFA, A., CARALIS,C., SANAMOURIS, M., KARLESS, T. & AKBA-RI, H. 2009. A surface heat island study of Athensusing high-resolution satellite imagery and measurementsof the optical and thermal propertiesof commonly used building and paving materials.International Journal of Sustainable Energy, 28:59-76.76 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 69-76

Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 77-88Clasificación de cultivos en la zona mediade Navarra mediante imágenes radarpolarimétricasCrop classification in central Navarre usingpolarimetric radar dataA. Larrañaga 1 , L. Albizua 1 y J. Álvarez-Mozos 2alarranaga@tracasa.es1Tracasa. Departamento de Sistemas de Información Territorial. C/ Cabárceno, 6. 31621 Sarriguren.Navarra2Universidad Pública de Navarra. Departamento de Proyectos e Ingeniería Rural. Los Tejos.Arrosadía, s/n. 31006 Pamplona. NavarraRecibido el 8 de marzo de 2010, aceptado el 6 de octubre de 2010RESUMENNavarra lleva años empleando la técnica de clasificaciónsupervisada de imágenes multiespectralesde satélite para la realización de la estadísticaagraria. La cubierta nubosa, muyhabitual en esta zona, limita e incluso imposibilitael uso de imágenes ópticas para este fin.Los sensores radar representan una alternativainteresante, dado que a las longitudes de ondaque trabajan, la cobertura nubosa es transparente,por lo que la nubosidad no supone ningúntipo de limitación para su empleo. Por otrolado, los sensores radar de nueva generación(por ejemplo ALOS/PALSAR o RADARSAT-2), incorporan mejoras importantes respecto asus predecesores (ERS-1/-2 o RADARSAT-1).En lo que respecta a la clasificación de cultivos,los sensores radar que adquieren imágenesen múltiples polarizaciones resultan especialmenteinteresantes.El principal objetivo de este trabajo es evaluarla viabilidad del empleo de observaciones deteledetección radar de polarización múltiple enla clasificación de cultivos de la zona mediade Navarra. Para ello, se han utilizado dos imágenesALOS/PALSAR. Una vez realizado undetallado análisis polarimétrico, se han obtenidolas firmas o signaturas de los distintoscultivos de secano y de regadío por separado yse ha realizado una clasificación supervisada.La clasificación obtenida se ha comparado conla verdad campo resultando en un índice Kap-ABSTRACTSupervised classifications using optical remotesensing data have been used in the region ofNavarre (Spain) for many years to obtain datafor the elaboration of the annual crops statistics.However, cloud cover very frequent in thisarea limits and even prevents the use of opticaldata for this scope. Radar remote sensing representsan interesting alternative, since at itswavelengths, the cloud cover is transparent; notimplying any limitation. Furthermore, the newgeneration of radar sensors (ALOS/PALSARand RADARSAT-2 for example), incorporatesignificant improvements over their predecessors(or ERS-1/-2 RADARSAT-1). Finally, forcrop classification, radar sensors that acquireimages in multiple polarizations are particularlyinteresting.The main objective of this study was to evaluatethe feasibility of polarimetric radar observationsfor crop classifications in central Navarre.For this, two ALOS/PALSAR observationshave been used. A detailed polarimetric analysis,polarimetric signatures of different cropsunder dryland and irrigation conditions werethe previous step to the supervised classificationperformed. The result crop classificationwas compared with reference ground data, obtainingan overall Kappa and accuracy of 0.52and 85% respectively.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 77-88 77

A. Larrañaga et al.pa y fiabilidad global de 0,52 y 85% respectivamente.PALABRAS CLAVE: teledetección radar, polarimetría,clasificación supervisada, clasificaciónpor parcela, retrodispersión.KEY WORDS: radar remote sensing, polarimetry,supervised classification, parcel-basedclassification, backscatter.AANTECEDENTESLos sensores radar emiten un pulso de radiaciónhacia la superficie terrestre y reciben el pulsode retorno (o retrodispersión). La señal de retornoque capta el sensor depende de lascaracterísticas de las cubiertas observadas y dela configuración del propio sensor. Los parámetrosprincipales de la configuración de un sensorson la frecuencia o banda en que trabaja, elángulo de incidencia que forma el haz de radiaciónemitido con la vertical y la polarización dela radiación emitida y recibida por el sensor(Ulaby y Elachi, 1990). La polarización hace referenciaa la orientación del campo eléctrico dela radiación electromagnética, que básicamentepuede ser vertical (V) u horizontal (H). Por lotanto, el canal de un sensor que emite y recibeen la polarización H se denomina HH, mientrasque uno que emite en V y recibe en H se denominaVH.Los primeros sensores radar que se pusieronen órbita (ERS-1/-2, RADARSAT-1 y JERS) fueron(salvo alguna excepción) sensores de configuraciónsimple. Éstos, trabajaban en una únicabanda (frecuentemente la banda C, con una frecuenciacercana a los 5 GHz) y con una únicapolarización (generalmente directa, HH o VV).En consecuencia, estos sensores proporcionanun único canal por cada imagen adquirida, lo queha supuesto una limitación de cara a su uso parala clasificación de cubiertas (Lee et al., 2001).Los sensores radar de nueva generación (porejemplo ALOS/PALSAR o RADARSAT-2) incorporanmejoras importantes. Entre otras, resultaespecialmente interesante la capacidad delos sensores de adquirir información en múltiplespolarizaciones. La adquisición simultáneade imágenes en varias polarizaciones resulta útilpara interpretar y clasificar el terreno dado quese añaden canales con información adicional interesanteque permiten caracterizar las propiedadesfísicas de la superficie observada de formamucho más completa. Esto ha hecho que enlos últimos años se estén empleando este tipo deobservaciones en diferentes aplicaciones comoen agricultura, silvicultura, hidrología etc.(Ouarzeddine et al., 2007).Como ya se ha comentado, la retrodispersiónes función de la configuración del sensor, perotambién de características de las cubiertas comosu geometría y comportamiento dieléctrico. Porconsiguiente, son observaciones que ofrecen unainformación distinta y complementaria a la obtenidapor los sensores ópticos.Los radares polarimétricos recogen la completacaracterización de la dispersión en todaslas configuraciones de polarización (HH, VV,HV y VH). En cada polarización el sensor recibela amplitud y fase del pulso de radiación provenientedel terreno, traduciéndose en un totalde ocho canales distintos. Con esta informaciónde partida es posible calcular parámetros interesantescomo los ratios entre diferentes canales,su grado de correlación (o coherencia) o lasdiferencias entre las fases. También es posibleemplear algoritmos de descomposición, que permitendescomponer las observaciones en parámetrosque ofrecen una interpretación física dela interacción ocurrida (por ejemplo dispersiónsuperficial, dispersión de volumen o doble rebote)(Freeman y Durden, 1992; Lee et al., 1999;Ouarzeddine et al., 2007). Las descomposicionesse pueden utilizar para interpretar la naturalezade las cubiertas e incluso realizar clasificacionesno supervisadas (Alberga, 2007; Rodrigues etal., 2003). Aunque en esta línea se hayan producidoavances significativos, se ha visto que lomejor es hacer un uso combinado de los algoritmosde descomposición y de herramientas estadísticaspara realizar clasificaciones de terrenode forma más fiable (Cloude y Pottier, 1997;Ouarzeddine et al., 2007).El principal objetivo de este trabajo es evaluarla viabilidad del empleo de observacionesde teledetección radar de polarización múltiple78 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 77-88

Clasificación de cultivos en la zona media de Navarra mediante imágenes radar polarimétricasNen la clasificación de cultivos de la zona mediade Navarra.Mar CantábricoFranciaINFORMACIÓN DE PARTIDAPaís VascoLa RiojaNavarraAragónEl estudio se ha llevado a cabo en la zona mediade la Comunidad Foral de Navarra (España)(Fig. 1). Las zonas agrícolas de interés de esteárea están ocupadas por cultivos herbáceos desecano y de regadío, siendo mayoritarios los primeros(Fig. 2a, Tabla 1).Se ha trabajado con dos imágenes radar de primaveradel año 2007 (Fig. 2b), captadas por elsatélite de observación japonés ALOS. Dicho satélite,lanzado en 2006 por la Agencia EspacialJaponesa (JAXA), está compuesto de 3 sistemasindependientes (PRISM: Panchromatic Remote-sensingInstrument for Stereo Mapping, AV-NIR-2: Advanced Visible and Near Infrared Ra-0 10 20 40kmFigura 1. La zona sombreada indica el área de estudio.Este área está definida por la zona común de las dos imágenesALOS PALSAR utilizadas.Superficie (ha)Secano 53.989Regadío 3.147Total 57.135Tabla 1. Superficie de las parcelas agrícolas clasificadas.a)b)HH-VVHV+VHHH+VVFigura 2. a) Parcelas agrícolas del SIGPAC de secano (en verde) y de regadío (de rosa) que se han clasificado. b) Imagende ALOS de mayo en representación de Pauli.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 77-88 79

A. Larrañaga et al.Fecha adquisiciónALOS25-III-2007 10-V-2007θ (centro escena) 23,873°SensorBandaModo adquisiciónÓrbitaTamaño píxel en slantrange (m)PALSARL (1,27 GHz)PolarimétricoAscendente9*4 (rango*azimut)Tabla 2. Caracteristicas de las imágenes ALOS/PALSARutilizadas. θ indica el ángulo de incidencia.Figura 3. Detalle del nivel de precisión del SIGPAC utilizado.diometer-2 nd generation, PALSAR: Phased Arraytype L-band Synthetic Aperture Radar) pudiéndoseadquirir simultáneamente imágenes ópticase imágenes radar con diversas resolucionesy coberturas. JAXA tiene definido un plan deadquisición a partir de criterios climáticos y conel objetivo de crear un archivo mundial de imágenescomplementarias. Esta estrategia de adquisiciónestá establecida para los próximos añosy es prioritaria sobre el conjunto de otras peticiones(a excepción de las adquisiciones urgentesy puntuales que podrían surgir para el seguimientode grandes catástrofes).El sensor PALSAR es un Radar de AperturaSintética que trabaja en la banda L y es capazde adquirir datos de hasta 10 m de resolucióncon ángulos de incidencia entre 20° y 55°. Tienecuatro modos de adquisición (cada uno deellos con una determinada resolución, coberturay polarización), cada uno de los cuales estáactivo durante un ciclo completo de adquisiciónde 46 días.Las imágenes captadas por PALSAR son muyinteresantes en cuanto a resolución, modos deadquisición e incluso desde el punto de vista económico.No obstante, presentan una serie de limitacionesa tener en cuenta:— Tal y como se ha comentado anteriormente,presenta problemas en cuanto a su disponibilidady dificultades para una programaciónespecífica.— El modelo de ortorrectificación no está incorporadoen los softwares comercialesutilizados (aunque existen programas gratuitosque permiten hacerlo, no obstantepresentan importantes limitaciones).Las características de las dos imágenes utilizadasen este estudio se detallan en la Tabla 2.Como información auxiliar se ha utilizado elSIGPAC 2007, que nos garantiza un ajuste muypreciso de la superficie agrícola. El SIGPACcontiene información detallada de los usos decada parcela (Fig. 3). Además también se cuentacon información sobre las inspecciones de lasdeclaraciones PAC que se utilizan como verdadcampo (VC), junto con visitas a campo diseñadasespecíficamente para tener suficiente representatividadde los cultivos. El tamaño de las parcelasde secano y regadío varían entre 300 y300.000 m 2 y 600 y 100.000 m 2 respectivamenteaunque la mayoría de las parcelas tanto de secanocomo de regadío oscilan entre los 2.000 y4.000 m 2 siendo las parcelas de regadío algo máspequeñas. Toda esta información de verdad campose ha utilizado para seleccionar las bandasmás importantes y para crear las firmas espectralesde los cultivos a clasificar.METODOLOGÍA Y RESULTADOSLa Figura 4 muestra el flujo de trabajo llevadoa cabo.PreprocesoEn esta primera fase, se ha realizado el filtradodel ruido speckle y se han creado nuevas bandasa partir de la información original filtradade cada imagen (Fig. 5). El filtro utilizado ha sidoel de Lee Adaptativo, con un tamaño de ven-80 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 77-88

Clasificación de cultivos en la zona media de Navarra mediante imágenes radar polarimétricasFILTRADOPreprocesoCREACIÓN BANDASORTORRECTIFICACIÓNENMASCARARPreparación de datosSIGPACSecanoRegadíoANÁLISIS DE SIGNATURASVCSecanoRegadíoSEGMENTACIÓNCLASIFICACIÓNMATRIZ DE CONFUSIÓNClasificación supervisadaSelección bandasProbabilidadesTipicalidadAnálisis de resultadosKAPPAGlobalSecano, RegadíoPor cultivoFigura 4. Flujo de trabajo.tana de 3 × 3. Las bandas creadas (σ° HH , σ° HV ,σ° VV , Span σ° HV /σ° VV , σ° RR /σ° RL , |ρ HHVV |, φ HHVV ,H, α y A) pueden tener una interpretación físicaútil y han sido seleccionadas debido a que enestudios previos (Quegan et al., 2003; Skriver etal., 2005) han proporcionado resultados satisfactorios.El coeficiente de retrodispersión (σ°) para cadapolarización (HH, VH y VV), representa el ratioentre la potencia total recibida y la emitida ini-HHHVVHVVCreación de bandasσ° HH ρ (HHVV)σ° HV Fase (HHVV)σ° VV HSpanασ° HV /σ° VVσ° RR /σ° RLAImagen originalInformación derivadaFigura 5. Representación de la fase de preproceso.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 77-88 81

A. Larrañaga et al.cialmente. Este coeficiente puede tomar valoresdiferentes en cada canal de polarización y esas diferenciasse pueden interpretar en función de los3 principales mecanismos de dispersión: (1) simpleo especular, (2) doble o de rebote y (3) de volumen,que se relacionan con las característicasde las distintas cubiertas del terreno (agua, suelourbano, forestal e incluso distintos cultivos, etc.).De esta forma y en términos generales se dice queσ° HV es mayor para zonas forestales y urbanas debidoa la dispersión por volumen, así comoσ° HH < σ° VV para dispersores orientados verticalmente(árboles, tallos, etc.) y viceversa para dispersoresorientados horizontalmente. Sin embargo,el fenómeno de la extinción diferencialprovoca que cultivos con elementos orientadosverticalmente, además de poder tener mayor σ° VV ,también produzcan una mayor extinción (endB/m) de la onda polarizada verticalmente a supaso por el medio. Dependiendo del tipo de escena,esto puede causar que la retrodispersión delcanal HH (teniendo en cuenta el suelo y la interaccióncon la planta) sea mayor que la del VV, debidoa la mayor atenuación de la onda polarizadaverticalmente. Además de esto, tal y como se hamencionado en el apartado de antecedentes y taly como demuestran otros estudios (Quegan et al.,2003; Skriver et al., 1999), la señal de retorno delradar depende del ángulo de incidencia local quees función de la geometría de la adquisición y delrelieve. Por lo tanto, se ha calculado el ángulo deincidencia local para cada píxel (a partir de los metadatosde la imagen y de un MDT de la zona) ycon este ángulo se ha obtenido el coeficiente deretrodispersión (σ°) de cada canal de polarización.El ratio de polarización cruzada tanto lineal comocircular (σ° HV /σ° VV y σ° RR /σ° RL ) se utiliza paradistinguir vegetación y suelo desnudo, así comodistintos tipos de cultivos (Quegan et al.,2003; Skriver et al., 2005). La potencia total(Span) representa la suma de la potencia recibidapor los cuatro canales y se suele utilizar en procesosde clasificación de la imagen ya que da unabuena representación de la distribución espacial(contornos, zonas homogéneas, etc.) relacionadoscon el uso del terreno (Touzi et al., 1992).El módulo del coeficiente de correlación depolarización directa (|ρ HHVV |), tal y como indicasu nombre, representa la correlación entre losdos canales de polarización directa. Este parámetrose suele emplear para detectar depolarización,cuando la dispersión de superficie es predominantesu valor se acerca a 1 mientras queen cubiertas donde la dispersión de volumen predominasu valor es cercano a 0.La diferencia de fase entre los dos canales copolarizados(φ HHVV ), representa el número de reflexioneso rebotes que sufre la onda, un valorde 0° corresponde a una única reflexión (o unnúmero impar) y representa la dispersión superficial,mientras que un valor de 180° correspondea rebotes dobles (o pares) que ocurren con reflectoresde esquina. En los casos de superficiescon vegetación donde predomina la dispersiónpor volumen, el valor de la diferencia de fase copolarizadapuede oscilar entre los –180° y 180°dependiendo del tipo de vegetación y de la configuracióndel sensor.Los tres últimos parámetros que quedan pormencionar, (entropía, alfa y anisotropía) reúnenla información polarimétrica y la descomponenen términos de los mecanismos de retrodispersiónque se producen en las cubiertas, lo que estádirectamente relacionado con su naturaleza(Cloude and Pottier, 1996). La entropía (H) representael grado de aleatoriedad o desorden estadísticode la dispersión. Varía entre 0, reflexionesde primer orden, y 1, mezcla aleatoria demecanismos de reflexión. El ángulo alfa proporcionaun valor relativo al mecanismo de retrodispersióndominante, oscila entre 0°, dispersiónsuperficial y 90°, reflexión de esquina, con valoresintermedios 45° ilustrando la dispersión devolumen. Por último, la anisotropía (A) cuantificala proporción entre los dos mecanismos dedispersión no dominantes. Su valor varía entre0 y 1 y da idea de la homogeneidad de la cubierta;valores bajos corresponden a cubiertas homogéneasy viceversa.Las dos imágenes se han ortorrectificado enel sistema de referencia WGS84, UTM Huso 30,remuestreando las imágenes por medio del algoritmode convolución cúbica a tamaño de píxelde 10 m. El modelo digital de terreno (MDT) utilizadoha sido de 5 m de resolución.Preparación de datosEn una segunda fase, se han eliminado los estratosdel SIGPAC que no interesan en este estudio,manteniendo solamente la tierra arable o82 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 77-88

Clasificación de cultivos en la zona media de Navarra mediante imágenes radar polarimétricasσ° HH σ° HV σ° VV Span σ° HV /σ° VV σ° RR /σ° RL ρ (HHVV) ø (HH-VV) α H Aσ° HH — 0,39 0,90 0,97 –0,10 –0,09 0,12 0,00 –0,12 –0,20 0,06σ° HV — 0,39 0,50 0,54 0,48 –0,36 0,00 0,44 0,42 –0,23σ° VV — 0,96 –0,15 –0,13 0,16 0,00 –0,17 –0,22 0,02Span — –0,05 –0,04 0,08 0,00 –0,08 –0,15 0,01σ° HV /σ° VV — 0,85 –0,75 0,00 0,88 0,86 –0,37σ° RR /σ° RL — –0,91 0,00 0,95 0,90 –0,20ρ (HHVV) — 0,00 –0,94 –0,90 0,05ø (HH-VV) — 0,00 0,00 0,00α — 0,95 –0,16H — –0,24A —Tabla 3. Matriz de correlación de la bandas estudiadas. En negrita se indican las bandas más correlacionadas.parcelas agrícolas que incluyen los cultivos herbáceosde secano y de regadío (Fig. 2).Con el fin de seleccionar las bandas más significativas,se han calculado las matrices de correlación(Tabla 3), se han analizado las signaturasde la verdad campo de secano y regadío decada imagen (Fig. 6) y finalmente se ha estudiadola separabilidad entre las bandas generadas(Fig. 7). Los valores de los parámetros estudiadosen los gráficos de signaturas (Fig. 6), estánreescalados entre 0 y 100. Los valores mínimo ymáximo utilizados para reescalar cada una de lasvariables estudiadas son los siguientes: de –180°a 180° para la diferencia de fase, de 0° a 90° parael ángulo alfa, de 0 a 0,5 los coeficientes de retrodispersiónde polarización directa (HH y VV),de 0 a 0,1 el coeficiente de retrodispersión de polarizacióncruzada (HV) y de 0 a 1 el resto de variablesestudiadas. Los resultados de estos tresanálisis se han utilizado para seleccionar las bandasmás interesantes para clasificar los cultivos.La matriz de correlación (Tabla 3), muestra quela potencia total (Span) presenta una alta correlacióncon los coeficientes σ° de polarización directa.Tanto la entropía como el ángulo alfa muestranuna gran correlación con los ratios depolarización cruzada lineal y circular (σ° HV /σ° VVy σ° RR /σ° RL ). También presentan una alta correlaciónentre sí la entropía y el ángulo alfa así comolos ratios de polarización cruzada lineal y circular.El coeficiente de correlación de polarizacióndirecta (|ρ HHVV |), también muestra una alta correlación,aunque negativa, con los ratios de polarizacióncruzada lineal y circular, la entropía y elángulo alfa. La diferencia de fase (φ HHVV ) no estácorrelacionada con ninguna de las bandas, probablementedebido al amplio rango de valores deφ HHVV que pueden tomar las cubiertas vegetales.Por último, mencionar que la anisotropía tampocomuestra una buena correlación con ninguno delos parámetros estudiados.Estudios anteriores realizados en Navarra (Leránozy Albizua, 2001) demostraron que al estratificarel territorio, se reducía la variabilidaddel carácter estudiado, mejorando así las estimacionesobtenidas. En este trabajo, se ha seguidola estratificación propuesta en dicho estudio conlo que los cultivos de secano y de regadío se separanen distintos estratos.Los cultivos de trigo, cebada y avena, tanto desecano como de regadío, muestran un comportamientomuy similar (Fig. 6), de modo que sehan unido estas tres clases en una única clase(denominada CEREAL). En cuanto a los cultivosde regadío, destacan el girasol y el guisanteya que presentan una firma bastante diferente aldel resto de los cultivos. En el caso de estos doscultivos es muy probable que el suelo se encuentreaún desnudo en las fechas de adquisición deimágenes, por lo que el valor del coeficiente decorrelación es alto y los ratios de polarizacióncruzada son bajos. De marzo a mayo, tanto enlos cultivos de secano como en los de regadío seaprecia, en general, un ligero ascenso de los valoresde los ratios de polarización cruzada asícomo un descenso de los valores del coeficientede correlación debido a que al estar el cultivomás desarrollado, la dispersión por volumen aumenta.La separabilidad entre cultivos, se ha calculadopara cada banda a partir de los datos de signaturasgenerados.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 77-88 83

A. Larrañaga et al.100Marzo regadío806040200100σ° HH σ° HV σ° VV Span σ° HV /σ° VV σ° RR /σ° RL ρ (HHVV) Fase (HH-VV) H α AMarzo secano806040200100σ° HH σ° HV σ° VV Span σ° HV /σ° VV σ° RR /σ° RL ρ (HHVV) Fase (HH-VV) H α AMayo regadío806040200σ° HH σ° HV σ° VV Span σ° HV /σ° VV σ° RR /σ° RL ρ (HHVV) Fase (HH-VV) H α A100Mayo secano806040200σ° HH σ° HV σ° VV Span σ° HV /σ° VV σ° RR /σ° RL ρ (HHVV) Fase (HH-VV) H α ABarbecho Cebada Trigo Avena Pradera Alfalfa HabasGirasol Colza Espárrago GuisanteFigura 6. Análisis de signaturas, los valores de los distintos parámetros están normalizados.84 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 77-88

Clasificación de cultivos en la zona media de Navarra mediante imágenes radar polarimétricasσ° HHσ° HVσ° VVσ° HHσ° HVσ° VVHαA0,60,50,40,30,20,10,0SpanHαA0,60,50,40,30,20,10,0Spanφ (HH-VV)σ° HV /σ° VVφ (HH-VV)σ° HV /σ° VV|ρ (HHVV) | σ° RR /σ° RL|ρ (HHVV) | σ° RR /σ° RLFigura 7. Separabilidad de las bandas de las imágenes de marzo (izquierda) y mayo (derecha). Las líneas continuas representanlos cultivos de secano mientras que las discontinuas los de regadío.χ cultivo1 – χ cultivo2Separabilidad = —————————σ cultivo1 – σ cultivo2donde, χ representa el valor medio para cada clasede un determinado parámetro y σ su desviacióntípica (Lee et al., 2001). En las siguientesfiguras, se representa la separabilidad media decada banda para los cultivos de secano y regadío,y para cada imagen.En general (excepto para valores de sigma depolarizaciones cruzadas), los cultivos de regadíopresentan mayor separabilidad que los de secano(Fig. 7). Las bandas que mayor separabilidadpresentan, tanto en secano como en regadíoson: H, α, |ρ HHVV |, σ° HV /σ° VV y σ° RR /σ° RL .Una vez analizadas las signaturas, las matricesde correlación y la separabilidad, se ha decididoseleccionar las siguientes bandas para clasificarlos cultivos: σ° HH , σ° HV , α, |ρ HHVV |,σ° HV /σ° VV y σ° RR /σ° RL .Varios autores (Alberga, 2007; Quegan et al.,2003; Dong et al., 2001) han observado que laclasificación por parcela da mejores resultadosque la clasificación por píxel. En este trabajo, seha realizado una segmentación utilizando comoobjetos las parcelas agrícolas obtenidas del SIG-PAC correspondiente a la zona de estudio. Posteriormente,a cada una de las parcelas se les haasignado el valor medio de sus píxeles en cadauna de las bandas.Clasificación supervisadaRodrigues et al. (2003) ya demostraron quelas clasificaciones supervisadas daban mejoresresultados que las no supervisadas. Por lo tantoen este trabajo se ha empleado el algoritmo declasificación supervisada de máxima verosimilitud.Este clasificador permite asignar cada objeto(en este caso parcela) a una determinada clasesegún una función de probabilidad.Previamente al proceso de clasificación se hanasignado probabilidades a priori (o peso) a cadauno de los cultivos a clasificar. Estas probabilidadesse han obtenido a partir de los datos deCoyuntura Agraria 2007. Esta asignación ayudaa discriminar mejor entre aquellos cultivos conrespuesta similar ya que desplaza a un lado u otrolas distribuciones de probabilidad en función delvalor de probabilidad «a priori» asignado.El resultado de la clasificación ha consistidoen la asignación de cada parcela a una determinadaclase asociándose además el valor de tipicalidadcon que ha sido asignada. Este valor permiteconocer el grado de fiabilidad de pertenenciaa esa clase. Así, tipicalidades altas indican probabilidadde pertenencia a esa clase elevada y viceversa.Análisis de resultadosSe calcula la matriz de confusión, el índiceKappa global y de cada cultivo (Tablas 4 y 5).La colza, no se cultiva en los campos de regadío,por eso aparece en gris en la Tabla 4. La alfalfatanto de secano como de regadío no se haclasificado correctamente. Esto puede debersea que se disponía de poca muestra de este cultivoy además la alfalfa, suele recibir varios cortesa lo largo de su ciclo productivo. En esta zonade estudio en concreto, la alfalfa que seRevista de Teledetección. ISSN: 1988-8740. 2010. 34: 77-88 85

A. Larrañaga et al.Sec. + Reg. Secano RegadíoFiabilidad global 0,85 0,87 0,61Kappa global 0,52 0,54 0,34Kappa por cultivoBarbecho 0,53 0,55 0,16Cereales 0,52 0,52 0,33Pradera — — —Alfalfa 0,09 0,08 0,26Habas 0,91 0,91 0,74Girasol 0,68 0,51 0,81Colza 0,29 0,29Espárrago 0,18 0,78 0,02Guisante 0,88 0,57 1,00Tabla 4. Resultados obtenidos, globales y por cultivo.siembra en septiembre suele recibir cuatro o cincocortes mientras que la alfalfa que se siembraen primavera, recibe tres o cuatro cortes duranteel verano. Esto hace que sea un cultivo muyheterogéneo por lo que la firma obtenida para laalfalfa es poco precisa y, en consecuencia, no seclasifica adecuadamente. La pradera, otra claseque presenta bastante heterogeneidad, tampocose ha clasificado bien y se confunde principalmentecon los cereales, > 70% de las praderas sehan clasificado como cereales (Tablas 4 y 5).Los cultivos mayoritarios de la zona y por lotanto los que mayor probabilidad a priori tienenson los cereales y se han clasificado adecuadamente,más del 90% se han clasificado en la claseque les correspondía. Los cultivos minoritarios,la colza, el espárrago y los guisantes, quequedan peor clasificados, se confunden con cultivosmayoritarios como los cereales y el barbecho(Tabla 5).En términos generales, los cultivos de secanose han clasificado mejor que los de regadío (Tabla4). Esto puede deberse a que (1) la muestrade cultivos de regadío era menor que la de secano,(2) el tamaño medio de las parcelas de regadíotambién era inferior a las de secano y (3) sesabe, gracias a las visitas a campo realizadas enfechas próximas a las adquisiciones de las imágenes,que en algunas de las parcelas acababande instalar recientemente la infraestructura parael riego, aunque mantenían un sistema de producciónde secano.La fecha en la que se adquieren las imágeneses vital en el resultado de la clasificación debi-Verdad campoBA Cereal PR AF HA GI CO ES GUClasificadoBA 59,78 4,13 11,63 11,48 0,11 10,83 0,00 24,39 29,51Cereal 37,58 94,82 70,93 61,45 17,91 0,00 47,60 53,52 55,06PR 0,17 0,15 0,00 0,00 0,36 0,00 0,00 0,00 0,00AF 1,19 0,20 1,29 12,56 9,47 0,00 0,00 0,00 0,00HA 0,32 0,14 0,25 0,00 54,46 0,00 0,00 0,00 0,00GI 0,23 0,03 0,00 0,00 3,62 89,17 0,00 0,00 0,00CO 0,46 0,15 8,17 0,00 12,28 0,00 52,40 0,00 0,00ES 0,27 0,34 7,73 14,51 0,00 0,00 0,00 22,08 0,00GU 0,00 0,05 0,00 0,00 0,00 0,00 0,00 0,00 15,43Total 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00Tabla 5. Matriz de confusión de la clasificación total (secano y regadío) en tanto por cien.86 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 77-88

Clasificación de cultivos en la zona media de Navarra mediante imágenes radar polarimétricasdo al distinto estado de desarrollo vegetativo delcultivo. Para este trabajo se han utilizado las imágenesALOS disponibles. Lamentablemente, nohabía ninguna imagen de verano por lo que sehan utilizado solo imágenes de primavera.Los cultivos de verano, no se deberían de haberincluido en la clasificación debido a que lasfechas de adquisición de estas imágenes no sonadecuadas para tal fin. No se disponía de ningunaotra imagen adquirida en fechas más adecuadaspara clasificar los cultivos de verano.En el caso del girasol, es importante mencionarque en Navarra, el grueso de las siembras serealiza a finales del mes de abril y a principiosde mayo (fuente: ITG Agrícola). Por lo tanto, hayque interpretar con cuidado los resultados obtenidospara esta clase, dado que en marzo y mayose habrá observado el suelo desnudo y no elcultivo en sí. En definitiva, es importante conocerel ciclo productivo de todos estos cultivospara interpretar los resultados adecuadamente.Aún conociendo todas las limitaciones que seacaban de mencionar, el resultado final obtenidoha sido bueno. El índice Kappa global de0,52, corresponde a una calidad buena (Kappa> 0,4) según la categorización propuesta porLandis y Koch (1977) y la fiabilidad global indicaque un 85% de las parcelas se han clasificadocorrectamente.unido en una única clase. Este hecho sueleser también habitual en clasificacionesbasadas en imágenes ópticas y se suele actuarde forma similar.— Es importante conocer el calendario o cicloproductivo de los cultivos a clasificary, a ser posible, seleccionar las imágenesen función del mismo.Las futuras líneas de trabajo son:— Incorporar al análisis imágenes de fechasmás adecuadas para clasificar los cultivosde verano.— Estudiar clasificadores más específicos declasificación a nivel de objeto y para imágenesmultitemporales (función discriminantey random forests).— Analizar distintos tipos de imágenes radar(distintas bandas, ángulos de incidencia yfechas) y ver cuales son los más adecuadospara este tipo de clasificación.AGRADECIMIENTOSEste trabajo ha sido realizado gracias a lafinanciación por el Ministerio de Ciencia e Innovacióndel Subprograma Torres Quevedo, alFondo Social Europeo y al Proyecto CGL2007-63453/HID del Plan Nacional de I+D+i.CONCLUSIONESLas principales conclusiones de este trabajo son:— La clasificación se ha llevado a cabo utilizandoclasificadores convencionales ylos resultados obtenidos han sido satisfactorios(Kappa global, 0,52) y similares alos obtenidos en otros estudios que utilizanel mismo tipo de clasificador (Rodrigueset al., 2003).— Es interesante realizar un análisis previode todas las bandas generadas y seleccionarlas más importantes, ya que se puedenobtener resultados similares con menorcoste computacional.— El trigo, avena y cebada se confunden muchodebido a que la época en la que se hancaptado las imágenes, el desarrollo vegetativode estos cultivos es muy parecido.Es por eso que estos tres cultivos se hanREFERENCIASALBERGA, A. 2007. A study of land cover classificationusing polarimetric SAR parameters. InternationalJournal of Remote Sensing, 28(17): 3851-3870.CLOUDE, S. R., & POTTIER, E. 1996. A review oftarget decomposition theorems in radar polarimetry.IEEE Transactions Geoscience and RemoteSensing, 34(2): 498-518.CLOUDE, S. R., & POTTIER, E. 1997. An entropybased classification scheme for land applicationsof polarimetric SARs. IEEE Transactions Geoscienceand Remote Sensing, 35(2): 68-78.DONG, Y., MILNE, A. K., & FORSTER, B. C. 2001.Segmentation and classification of vegetated areasusing polarimetric SAR image data. IEEE Trans.Geoscience and Remote Sensing, 39(2): 321-329.FREEMAN, A., & DURDEN, S. L. 1992. A threecomponent scattering model to describe polarimetricSAR data. Proc. SPIE, Radar Polarimetry,1748: 213-225.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 77-88 87

A. Larrañaga et al.LANDIS, J. R., & KOCH, G. G. 1977. The measurementof observer agreement for categorical data.Biometrics, 33: 159-174.LEE, J. S., GRUNES, M. R., AINSWORTH, T. L., LI-JEN, D. U., SCHULER, D. L., & CLOUDE, S. R.1999. Unsupervised classification using polarimetricdecomposition and the complex Wishart classifier.IEEE Transactions Geoscience and RemoteSensing,37/1(5): 2249-2258.LEE, K.Y., LIEW, S. C., & KWOH, L. K. 2001. Landcover classification using NASA/JPL polarimetricSAR data. International Paper presented al the 22 ndAsian Conference on Remote Sensing.LERÁNOZ, A., & ALBIZUA, L. 2001. Mejoras en laestratificación para la estimación de superficiescultivadas en Navarra. Teledetección, Medio Ambientey Cambio Global, pp. 91-94.OUARZEDDINE, M., SOUISSI, B., & BELHADJ-AISSA, A. 2007. Unsupervised classification usingWishart classifier. Proc. of ESA POLINSAR 2007Workshop.QUEGAN, S., LE TOAN, T., SKRIVER, H., GO-MEZ-DANS, J., GONZALEZ-SAMPEDRO, M.C., & HOEKMAN, D. H. 2003. Crop classificationwith multitemporal polarimetric SAR data. Proc.of ESA POLINSAR 2003 Workshop.RODRIGUES, A., CORR, D. G., POTTIER, E., FE-RRO-FAMIL, L., & HOEKMAN, D. H. 2003. Landcover classification using Polarimetric SAR data.Proc.of ESA POLINSAR 2003 Workshop.SKRIVER, H., SVENDSEN, M. T., & THOMSEN,A. G. 1999. Multitemporal C- and L- band PolarimetricSignatures of Crops. IEEE Trans. Geoscienceand Remote Sensing,37(5): 2413-2428.SKRIVER, H., DALL, J., LE TOAN, T., QUEGAN,S., FERRO-FAMIL L., POTTIER, E., LUMSDON,P., & MOSHAMMER, R 2005. Agriculture classificationusing POLSAR data. Proc. of ESA POLIN-SAR 2005 Workshop.TOUZI, R., GOZE, S., LE TOAN, T., LOPES, A., &MOUGIN, E. 1992. Polarimetric discriminators forSAR images. IEEE Trans. Geoscience and RemoteSensing, 30(5): 973-980.ULABY, F. T., & ELACHI, C. 1990. Eds, RadarPolarimetry for Geoscience Applications. ArtechHouse.88 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 77-88

Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 89-93Detección automática de edificios medianteimágenes de alta resolución y datos Lidarpara la actualización de bases de datoscartográficas en entornos urbanosAutomatic building location using highresolution images and Lidar data for landuse/land cover geospatial database updatingin urban environmentsT. Hermosilla, L. A. Ruiz y J. A. Reciotxohergo@topo.upv.esGrupo de Cartografía GeoAmbiental y Teledetección. Departamento de Ingeniería Cartográfica,Geodesia y fotogrametría. Universidad Politécnica de Valencia. Camino de Vera, s/n. 46022 Valencia.EspañaRecibido el 11 de febrero de 2010, aceptado el 8 de octubre de 2010RESUMENEn este trabajo se estudia la viabilidad de empleode una metodología de detección de edificiospara la determinación automática del tantopor ciento de ocupación de edificios enpolígonos de bases de datos geoespaciales deusos del suelo tales como el SIOSE (Sistema deInformación de Ocupación del Suelo en España).La metodología de detección de edificioscombina información espectral proveniente deortofotografías de alta resolución con datos altimétricosobtenidos a partir de tecnología Lidaraerotransportado. Los resultados obtenidosde superficie edificada y porcentaje de edificacionesen una serie de polígonos SIOSE seevalúan y analizan con los datos de referenciaobtenidos mediante digitalización de las edificaciones.PALABRAS CLAVE: detección automática deedificios, Lidar, imágenes de alta resolución,SIOSE, actualización cartográfica.ABSTRACTThis paper studies the viability of the use of abuilding detection methodology for updatinggeospatial databases. Building detection methodcombines two types of data: spectral and heights.Spectral information is composed by aerialortophotographs. Surface digital model hasbeen generated using Lidar data. The experimentshave been performed using polygonsfrom the SIOSE (Spanish land use/land coverinformation system) geospatial database. Theachieved results regarding surface of buildingsand percentage of built area are analyzed andcompared to the reference data, which havebeen created through digitalization.KEY WORDS: automatic building detection,Lidar, high resolution images, SIOSE, cartographicupdating.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 89-93 89

T. Hermosilla et al.INTRODUCCIÓNUna correcta gestión del requiere de informaciónprecisa y actualizada del mismo. El alto gradode dinamismo al que se encuentra sometidoconlleva una constante alteración de los paisajesy usos característicos de entornos periurbanoscausada por la construcción de nuevas infraestructuras,viviendas y edificaciones. Por ello, sehace patente la necesidad de emplear una metodologíarápida, eficiente y sistemática que permitaun continuo mantenimiento y actualizaciónde la información sobre edificaciones contenidaen las bases de datos cartográficas. Hoy en día,estos procedimientos requieren de un gran esfuerzoeconómico y de recursos humanos. La informaciónobtenida a través de técnicas de teledeteccióny el tratamiento digital de estos datosfacilita la actualización cartográfica.La detección automática de edificios, así comode otros elementos propios de entornos urbanosy periurbanos, es una tarea compleja derealizar mediante técnicas de procesado digitalde imágenes que ha llevado a un gran número deautores a realizar investigaciones en este área,proponiendo diferentes metodologías que no hanllegado a ofrecer una solución completamentesatisfactoria. Liu et al. (2005) distingue, en funciónde las fuentes de información utilizadas,dos tipologías principales de métodos para la deteccióny localización de edificios. La primerase basa únicamente en imágenes aéreas o de satélite,combinando algoritmos de procesado deimágenes con distintos métodos de reconocimientode formas o de clasificación. Estos métodostienen una serie de dificultades técnicasque deben solucionarse, principalmente la ausenciade una tridimensionalidad explícita. Lasegunda tipología de métodos realiza la detecciónde los edificios combinando informaciónde la imagen con información altimétrica, derivadamediante técnicas de estereoscopía o utilizandootras fuentes más modernas, como los sistemasde láser escáner.La detección de edificios utilizando metodologíasbasadas en imágenes aéreas o de satélitesupone, aún hoy en día, una tarea difícil, puestoque los edificios pueden mostrarse como estructurascomplejas con muchos detalles arquitectónicos,o estar rodeados por objetos que dificultensu detección. Además, las respuestas espectralesde los tejados son muy diferentes debido a ladiversidad de materiales empleados en su construcción.Esta problemática requiere, por tanto,la utilización no sólo de técnicas de visión de bajonivel (low-level vision), como extracción debordes o detección de alineaciones, sino tambiénde técnicas de visión de nivel medio o alto (highlevelvision), como son el reconocimiento de formaso la clasificación (Kim y Muller, 1999). Así,en función de las metodologías utilizadas, lastécnicas de localización de edificios empleandoúnicamente imágenes pueden dividirse en dosgrandes grupos: de bajo nivel y de alto nivel. Lastécnicas de bajo nivel consisten, fundamentalmente,en la detección y extracción de bordes ylíneas de las imágenes y la posterior construcciónde una serie de reglas o hipótesis que éstashan de cumplir para ser definidas como pertenecientesa edificios (Irvin y McKeown, 1989;Lin y Nevatia, 1998). Por su parte, las técnicasde procesado digital de imágenes de alto niveltratan de imitar la cognición humana y la habilidadde tomar decisiones en función de la informacióncontenida en la imagen. Así, metodologíaspropias de estas técnicas son la detecciónde objetos, el reconocimiento de formas y la clasificaciónde imágenes (Wei et al., 2004; Hermosillaet al., 2008).La detección de edificios combinando imágenesde satélite e información altimétrica conllevauna menor dificultad y proporciona mejoresresultados que los obtenidos empleando únicamenteimágenes o información altimétrica. Unagran parte de los autores recurre a la clasificacióna nivel de objetos generados por segmentaciónautomática basados en criterios de homogeneidad.Los objetos son caracterizados,además de por sus respuestas espectrales, de textura,tamaño y forma, a través de la informacióntridimensional (Kokubu et al., 2001; Teo y Chen,2004). Otros autores obtienen un conjunto deedificios candidatos a partir de umbralizacionesdel nDSM (modelo de superficies normalizado)y del enmascaramiento de la vegetación utilizandola información multiespectral, principalmenteel índice de vegetación NDVI (Vögtle y Steinle,2000; Rottensteiner, 2003). En el análisiscomparativo realizado por Hermosilla y Ruiz(2009) se comprueba cómo el método de establecimientode umbrales en altura y vegetaciónproporciona, por lo general, mejores resultados90 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 89-93

Detección automática de edificios mediante imágenes de alta resolución y datos Lidar para la actualización...que el empleo del método aparentemente másrobusto basado en clasificación orientada a objeto,que requiere la selección de los datos conlos que realizar la segmentación, la selección delmétodo de segmentación, el cálculo de característicasdescriptivas, la selección de las más significativasy la selección de un algoritmo de clasificación.El objetivo de este trabajo es comprobar laviabilidad de la utilización de técnicas de detecciónautomática de edificios basadas en datosLidar para la actualización de bases de datos geoespacialesde ocupación del suelo, específicamenteel SIOSE (Sistema de Información deOcupación del Suelo en España). Este proyecto,enmarcado dentro del Plan Nacional de Observacióndel Territorio en España, y dirigido y coordinadopor el Instituto Geográfico Nacional(IGN), pretende reunir en un único sistema deinformación los datos precisos para el conocimientointegral de la ocupación del suelo en España,con el propósito general de «recoger la informaciónuna vez» y «utilizarla por todos», deacuerdo a los principios de la iniciativa INSPI-RE de la Unión Europea. (Instituto GeográficoNacional, 2007). La unidad básica de esta basede datos es el polígono SIOSE, que representauna ocupación de suelo con cobertura uniformey homogénea. En lo referido a edificaciones, paracada polígono se describe, además de la tipologíade las construcciones existentes, el porcentajede la superficie que ocupan. Hasta elmomento, la asignación del porcentaje se ha realizadomediante estimaciones visuales y técnicasde fotointerpretación. Consecuentemente,estas metodologías conllevan un gran coste económicoy temporal. Es por ello que se pretendeevaluar la posibilidad de estimar el porcentajede superficie edificada de los polígonos SIOSEutilizando metodologías de detección automáticade edificios.ÁREA DE ESTUDIO Y DATOSEl estudio se ha realizado en el término municipalde Alcalá de Henares, Madrid, trabajandocon los datos disponibles para la elaboracióndel SIOSE. La imagen utilizada es una ortofotografíadel Plan Nacional de Ortofotografía Aérea(PNOA) en color verdadero con una resoluciónespacial de 0,5 metros por píxel. Los datosLidar tienen una densidad de 0,5 puntos/m 2 . Seha dispuesto, además, de la definición geométricade los polígonos SIOSE para este municipioy de la información alfanumérica referentea la ocupación de los polígonos.METODOLOGÍA DE DETECCIÓNDE EDIFICIOSEl método de detección de edificios empleadose basa en el establecimiento de umbrales(Hermosilla y Ruiz, 2009) que consiste fundamentalmenteen la definición de dos valores deumbralización, uno en altura y otro con respectoa la presencia de vegetación. El umbral conrespecto a las alturas de los edificios se establecesobre el nDSM. Para aislar y enmascarar lavegetación se establece un umbral sobre la imagende NDVI. Al no disponerse de banda infrarroja,la vegetación se enmascaró utilizando elcociente entre la banda del verde y la banda delrojo. El procedimiento para la definición de losvalores umbral es similar en ambos casos, tomándosemuestras de entrenamiento de las áreasque se desea diferenciar: el suelo de las zonascon edificios, y las áreas sin vegetación de laszonas con vegetación. Una vez tomadas lasmuestras, se calculan ambos histogramas y seaproximan posteriormente a curvas gaussianascon el fin de simplificar su forma. El valor umbrales el correspondiente a la intersección deambas curvas. A la máscara resultante de la umbralizaciónde la vegetación se le aplica un filtrode cierre morfológico, descartando los objetosmuy pequeños.El último paso es la combinación de ambasmáscaras, obteniéndose objetos que, una vez refinadassus formas y eliminados los de menortamaño, representarán los edificios detectados.Este método se ha combinado con el estudio delas relaciones contextuales de los edificios detectadoscon las sombras. Para ello se ha seguidola metodología descrita en Hermosilla et al.(2008). Tras la detección y un posterior refinamientoen la forma de las sombras, se establececomo requisito que los objetos detectados comoedificios sean contiguos a una sombra proyectadasiguiendo la dirección del ángulo de incidenciasolar.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 89-93 91

T. Hermosilla et al.RESULTADOSÁrea de referencia (m 2 )50.00045.00040.00035.00030.00025.00020.00015.00010.0005.0000005.00010.00015.00020.00025.000Área detectada (m 2 )R 2 = 0,959430.00035.00040.00045.00050.000Figura 1. Relación entre las superficies edificadas de referenciay las estimadas automáticamente. Ecuación dela recta y = 0,8256x – 481,79.Área de referencia (%)6050403020100Las Figuras 1 y 2 muestran la relación entre ladetección automática con respecto a los edificiosde referencia para las superficies, y el porcentajede zona edificada, respectivamente, para los 68polígonos SIOSE analizados. Analizando la gráficareferente a las áreas, se observa una fuertecorrelación lineal entre las áreas automáticamentedetectadas y las de referencia, que muestran uncoeficiente de correlación R 2 superior a 0,95, conun error medio cuadrático de 11,69%. Este coeficientede correlación es de 0,75 para el porcentajede superficie edificada con un error mediocuadrático de 3.827,8 m 2 . Se observa un excesode detección al obtenerse sesgos positivos, convalores de 0,672 para el porcentaje y 0,919 parael área edificada. Este efecto es más acusado enel caso de las parcelas más pequeñas ya que pequeñasalteraciones en la superficie edificada detectadase traducirán en grandes variaciones en elporcentaje de superficie del polígono SIOSE.Analizando las causas de los errores de detecciónse confirma, por lo general, la sobre-detecciónde la superficie de los edificios. Es decir, losedificios detectados muestran un tamaño mayor alos de referencia. Esto es debido a la baja densidadde los puntos Lidar. Además, una gran fuentede error es debida a la detección errónea de vegetaciónarbolada asignada a edificios. Esta causade error puede ser paliada en gran medida mediantela utilización de información multiespectral infrarroja,tal y como ha sido comprobado por Hermosillay Ruiz (2009). Los errores de omisión dedetección de edificios también son producidos, engran medida, por la ausencia de información espectralinfrarroja y debido al índice de vegetaciónutilizado, que en algunos casos se detecta comovegetación edificios cuyos tejados presentan unarespuesta espectral similar, principalmente en zonasindustriales. En la Figura 3 se muestra gráficamenteel resultado de la detección de edificios.CONCLUSIONESEn este trabajo se ha analizado la posibilidadde inclusión de un método de detección automáticade edificios en el proceso de la actualizacióndel porcentaje de ocupación de edificios enpolígonos SIOSE. Los resultados obtenidosmuestran la adecuación de estas técnicas. Lasprecisiones pueden ser mejoradas utilizando informaciónmultiespectral del infrarrojo cercano,para evitar la detección errónea de árboles comozonas edificadas.AGRADECIMIENTOSR 2 = 0,74930 10 20 30 40 50 60Área detectada (%)Figura 2. Relación entre los porcentajes de superficie edificadadentro del polígono y el estimado automáticamente.Ecuación de la recta y = 0,6999x + 1,8331.Los autores agradecen la financiación por partedel Ministerio de Ciencia e Innovación y el FEDERen el marco de los proyectos CTM2006-11767/TEC-NO y CLG2006-11242-C03/BTE. Así mismo, al InstitutoGeográfico Nacional por su apoyo y por facilitarlos datos necesarios para realizar este trabajo.92 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 89-93

Detección automática de edificios mediante imágenes de alta resolución y datos Lidar para la actualización...Figura 3. Ejemplos de edificios detectados.REFERENCIASHERMOSILLA, T. & RUIZ, L. A. 2009. Detecciónautomática de edificios combinando imágenes desatélite y datos lidar. Semana Geomática, 2-4 febrero2009. Barcelona.HERMOSILLA, T., RUIZ, L. A., FERNÁNDEZ-SA-RRÍA, A. & RECIO, J. A. 2008. Detección automáticade edificios en imágenes aéreas mediantetécnicas de teledetección y análisis contextual.Congreso Internacional sobre Ingeniería Geomáticay Topográfica, TOP-CART 2008. Febrero 2008,Valencia.INSTITUTO GEOGRÁFICO NACIONAL 2007. Sistemade información de ocupación del suelo en España.Manual de Fotointerpretación. versión 1.2.IRVIN, R. B. & MCKEOWN, D. M. Jr. 1989. Methodsfor exploiting the relationship between buildingsand their shadows in aerial imagery, IEEE Transactionson Systems, Man, and Cybernetics, 19:1564-1575.KIM, T. & MULLER, J. 1999. Development of agraph based approach for building detection. Imageand Vision Computing, 17: 3-14.KOKUBU, K., KOHIYAMA, M., UMEMURA F. &YAMAZAKI, F. 2001. Automatic Detection ofBuilding Properties from Aerial Photographs UsingColor and 3D Configuration. 22nd Asian Conferenceon Remote Sensing, Singapore.LIN, C. & NEVATIA, R. 1998. Building detectionand description from a single intensity image.Computer Vision and Image Understanding, 72:101-121.LIU, Z. J., WANG, J. & LIU, W. P. 2005. Building extractionfrom high resolution imagery based onmulti-scale object oriented classification and probabilisticHough transform. Proceedings of InternationalGeoscience and Remote Sensing Symposium,4: 2250- 2253.ROTTENSTEINER, F., TRINDER, J., CLODE, S. &KUBIC, K. 2003. Building dectection using LI-DAR data and multispectral images. Proceedingsof DICTA, Sydney, Australia. pp. 673-682.TEO, T. A. & CHEN, L. C. 2004. Object-based buildingdetection from LiDAR data and high resolutionsatellite imagery, Proceedings of the 25 th AsianConference on Remote Sensing. Chiang Mai, Thailand.22-26 November.VÖGTLE, T. & STEINLE, E. 2000. 3D modelling ofbuildings using laser scanning and spectral information.International Archives of Photogrammetryand Remote Sensing, XXXIII, Part B3,pp. 927-934.WEI, Y., ZHAO, Z. & SONG, J. 2004. Urban buildingextraction from high-resolution satellite panchromaticimage using clustering and edge detection.Geoscience and Remote Sensing Symposium, 3:2008-2010.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 89-93 93

Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 95-96¿Quién es quién? Área de SIG y Teledeteccióndel INDUROT (Universidad de Oviedo)El Instituto de Recursos Naturales y Ordenacióndel Territorio (INDUROT) es un centro propiode la Universidad de Oviedo creado en el año1985 y cuya sede actual se encuentra en el Campusde Mieres. Su actividad principal es la investigacióny el asesoramiento científico y técnicosobre los aspectos relacionados con laordenación del territorio, los recursos naturalesy el medio ambiente en general, así como la docenciade tercer ciclo. La calidad de su investigaciónviene avalada por la posesión de la Certificaciónde Calidad ISO 9001 e ISO Ambiente14001 para el diseño y ejecución de proyectosde investigación en los ámbitos indicados. La realizaciónde este tipo de proyectos ha dotado alInstituto de un marcado carácter multidisciplinar,de forma que en el INDUROT han desarrolladosu actividad hasta el momento biólogos,geólogos, geógrafos, juristas, arquitectos, ingenierosagrónomos, de montes y de minas, topógrafos,arqueólogos, economistas, historiadores,matemáticos, físicos, etc., lo que ha permitidoel intercambio de criterios, conocimientos y puntosde vista diferentes dirigidos hacia un objetivocomún. El personal del Instituto está compuestopor profesores de la Universidad deOviedo, por personal propio contratado de investigación,por becarios y por personal de administracióny servicios. Actualmente somos 46personas, a las que se sumarían personal colaboradorde otros centros de investigación, públicoso privados. El director actual del INDUROTes Miguel Ángel Álvarez García, Profesor Titulardel Área de Ecología.El INDUROT (www.indurot.uniovi.es) estáestructurado en diferentes áreas de trabajo, queinteractúan en función de las necesidades de cadaproyecto. Estas áreas son:— Sistemas de Información Geográfica(SIG) y Teledetección.— Geomorfología.— Recursos Naturales (Biodiversidad y conservaciónvegetal, Conservación y gestiónde fauna silvestre y Planificación y gestiónde espacios naturales protegidos).— Ordenación del Territorio.— Economía Ambiental.— Derecho Ambiental.— Informática y servicio de apoyo.Con respecto al Área de SIG y Teledetección,mencionar que el INDUROT ha sido pionero enEspaña en la utilización y aplicación de estas técnicas.Así, el Instituto ya disponía de su propioSistema de Información Geográfica antes de quelas casas comerciales iniciaran su distribución yfue pionero en el desarrollo de aplicaciones conimágenes de satélite para el estudio del medioambiente, siendo el centro responsable de la ediciónde la primera imagen Landsat en falso colorde Asturias en el año 1988. También de estosaños son los primeros trabajos sobre zonas quemadasy corrección topográfica de las imágenesLandsat, presentados ambos en las ReunionesCientíficas de Trabajo en Teledetección de laAET (III-1989 y IV-1991), antecedentes de losactuales Congresos de la AET. A partir de estosinicios y a lo largo del tiempo se ha ido trabajandocon múltiples imágenes, como fotografíasoblicuas, aéreas (ortofotos y estereoscópicas)e imágenes de satélite pasivas (Landsat, SPOT,QuickBird, NOAA y MODIS) y activas (JERS,ERS-SAR, ENVISAT-SAR y RADARSAT), parala realización de diversos trabajos (cartografíade zonas quemadas, erosión y degradaciónde los suelos, índices de riesgo, variables meteorológicas,etc.). Actualmente el Área de SIG yTeledetección del INDUROT está liderada porPilar García Manteca en la parte de SIG (Dra. enBiología y Personal científico-técnico de la Universidadde Oviedo) y por Carmen RecondoGonzález en la parte de Teledetección (Dra. enCiencias Físicas (Astrofísica) y Profesora Titulardel Área de Ingeniería Cartográfica, Geodésicay Fotogrametría).La instrumentación más novedosa con la quecuenta el Área de SIG y Teledetección (y el IN-DUROT en general) es una antena receptora dedatos MODIS en tiempo real, adquirida en 2007con fondos FEDER, siendo la investigadora principaldel proyecto Carmen Recondo. La antena,de 2.4 m de diámetro, trabaja en modo dual bandaX/L, por lo que podría adquirir también imá-Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 95-96 95

genes NOAA, Landsat, así como los datos deotros satélites futuros. Para obtener más informaciónsobre la antena y poder visualizar lasimágenes adquiridas cada día puede consultarsela página:http://www.indurot.uniovi.es/actividades/modis/paginas/default.aspx.Los proyectos más destacados en los que hemosestado involucrados en los últimos años son:— Impacto de los Incendios Forestales en Asturias.Análisis de los últimos 30 años(Proyecto Regional de I+D+I. 2001-2003).Se utilizaron imágenes Landsat para lacartografía de zonas quemadas. Los resultadosfueron publicados en diversos artículosy en un libro con el mismo nombreque el proyecto (Álvarez García, M. A. etal., 2007; Recondo et al., 2007, para el capítulo«Teledetección de incendios»).— Procesos de erosión en las vertientes de laCordillera Cantábrica: relación con los incendiosforestales (Proyecto Regional deI+D+I. 2004-2006). En este caso se usaronimágenes radar. Los resultados fueron presentadosy publicados internacionalmente.— Bases para el seguimiento de los cambiosen la flora y vegetación como consecuenciadel cambio climático en el Parque Nacionalde los Picos de Europa (ProyectoNacional de la Fundación Biodiversidad.2008-2009).— FIREGLOBE, Analysis of fire risk scenariosat national and global scales (ProyectoNacional de I+D+I. 2009-2011). El IPes el Dr. Emilio Chuvieco y nuestro equipoes el encargado de las imágenes MO-DIS y de las variables meteorológicas derivadas.— Metodología para la elaboración de un sistemade alarmas de incendios en tiemporeal a partir de datos del sensor MODISválida para Asturias (Proyecto Regionalde I+D+I. 2010). IP: Carmen Recondo.El INDUROT y el Área de Ingeniería Cartográfica,Geodésica y Fotogrametría organizaránel próximo XIV Congreso de la AET de 2011(www.congreso2011aet.es) en el que, además,se celebrarán los 25 años de la creación de laAET. ¡Os esperamos!El Área de SIG y Teledetección del INDUROT. Mieres, 28 de octubre de 2010. De izquierda a derecha y de arriba abajo:Adán Abajo Chic, Carmen Recondo González, Pilar García Manteca, Eva Zapico Redondo, Miguel Ángel ÁlvarezGarcía y Juan Carlos Fernández Iglesias.96 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 95-96

Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 97-99Tesis DoctoralTítulo:Técnicas de extracción de características yclasificación de imágenes orientada a objetosaplicadas a la actualización de bases de datosde ocupación del sueloAutor: Jorge Abel Recio RecioDirector: Luis Ángel Ruiz Fernández (Universidad Politécnica de Valencia)Lugar: Departamento de Ingeniería Cartográfica, Geodesia y Fotogrametría de la UniversidadPolitécnica de ValenciaFecha: Diciembre de 2009Identificador universal: http://hdl.handle.net/10251/6848RESUMENA lo largo de los últimos años ha aumentadoel interés y la necesidad de disponer de una informaciónde usos y coberturas del territorio fiabley actualizada, siendo numerosos los proyectosde carácter local, nacional e internacionalcuyo objetivo es la creación y actualización debases de datos de usos y ocupación del suelo. Losprocedimientos metodológicos para llevar a caboestas tareas requieren un alto grado de intervenciónhumana, ya que están basados casi íntegramenteen la fotointerpretación de imágenes osu comparación con otras imágenes u otra basede datos. Los recientes avances en la calidad delos sensores, tanto aerotransportados como espaciales,y en su cantidad, han supuesto un incrementosignificativo en la disponibilidad de imágenesde alta resolución. Por otra parte, desde lasadministraciones públicas se están gestionandoiniciativas conjuntas para adquirir y facilitar ladisponibilidad de datos e imágenes aéreas y satelitales,como es el Plan Nacional de Observaciónde la Tierra (PNOT), al tiempo que se desarrollannuevas metodologías para la explotaciónde estos datos. Es en esta línea de trabajo dondese enmarca esta tesis, cuyos desarrollos y ensayospretenden aportar una contribución a la automatizaciónprogresiva de los procesos de obtenciónde información relativa a los usos del territoriomediante el análisis de las imágenes disponiblesde forma regular por los planes deobservación en España, así como su integracióncon la información contenida en las bases de datoscartográficas ya existentes.El objetivo general de esta tesis es el desarrollode metodologías para la actualización de basesde datos cartográficas de ocupación del suelo,aplicadas a zonas agrícolas mediterráneas ybasadas en el empleo de datos de observaciónde la Tierra y geográficos disponibles regularmenteen España para los trabajos de actualizacióncartográfica. Estos datos suelen consistiren imágenes aéreas de la fecha en la que sequiere actualizar la cartografía, la misma basecartográfica que se va a actualizar y otro tipode información auxiliar, variable en función decada caso concreto. No se han considerado otrasfuentes de datos que, si bien supondrían uncomplemento eficaz a los datos básicos, comoinformación de tipo altimétrico (lidar), multitemporal,hiperespectral, microondas, etc., sucoste limitaría su aplicación en el escenario actualespañol, y que no es probable que estén disponiblesde forma periódica y con una coberturaestatal.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 97-99 97

J. A. Recio RecioEsta actualización se aborda mediante la integracióny el análisis de información cartográficaen formato vectorial, imágenes aéreas de altaresolución, la información alfanuméricacontenida en la base de datos a actualizar y la informaciónauxiliar. En concreto, se ha utilizadoun mosaico de ortoimágenes aéreas con resoluciónespacial de 0,5 m/píxel, obtenido tras la fusiónde las bandas pancromática y multiespectralestomadas con el sistema de cámarasfotogramétricas DMC. La base de datos cartográficautilizada en los ensayos corresponde a labase cartográfica de la D.G. de Catastro, junto asu información temática asociada, en once polígonoscatastrales en el término municipal de Benicarló(Castellón). Como información auxiliarse ha utilizado la altitud media, la pendiente mediay la distancia a la costa extraída de modelosdigitales del terreno con una resolución espacialde 1 m. La integración de los datos se realiza mediantela extracción de características y la clasificaciónde imágenes orientada a objetos. En primerlugar, la cartografía aporta los límitesespaciales que delimitan los objetos de estudio,que en nuestro caso se corresponden con la subparcelacatastral. En segundo lugar, el uso de lassubparcelas se asigna mediante el análisis de unconjunto de características, como son las extraídasa partir del análisis de una imagen de altaresolución, o las definidas por su forma, su usoprevio, etc.Así, la descripción cuantitativa de cada objetose hace por medio de un conjunto de característicasdiseñadas específicamente para ladescripción de parcelas fundamentalmente agrícolas.La información que proporcionan estascaracterísticas se refiere a la respuesta espectralde cada objeto o parcela, a la textura, a laexistencia de elementos con una estructura opatrón determinado (marcos de plantación,...),así como a las propiedades de algunos de esoselementos y, por último, a la propia geometríade las parcelas o características de forma. Eldesarrollo y aplicación de estas característicasdescriptoras constituye el núcleo central de estatesis.Se han evaluado, mediante una serie de ensayos,la utilización y el rendimiento de estas característicascomo descriptores de las propiedadesque definen los usos de las parcelas. Así, porejemplo, se ha comprobado que la posición delprimer máximo del semivariograma omnidireccionalcalculado sobre la banda del infrarrojo esun indicador preciso del diámetro de la copa delos árboles dispuestos según un marco de plantaciónregular. Así mismo, la transformada deHough sobre una imagen binaria con la localizaciónde árboles permite determinar las dimensionesde los marcos de plantación en cultivosarbóreos. Se ha diseñado un método de segmentaciónautomática y caracterización de árbolespor parcela para determinar la superficie cubiertapor árboles en una parcela y, al mismo tiempo,la clase de cultivo presente, dentro de la variaciónexistente en la zona de estudio. Tambiénse ha comprobado que el uso previo de una parcela,introducido como una característica descriptoramás de las parcelas, incrementa la fiabilidadde la clasificación de manera muyrelacionada con el grado de actualización de labase de datos. En los ensayos realizados este incrementoestá próximo al 4%.Como método de decisión para la asignaciónde clases se ha utilizado un multiclasificador detipo boosting sobre un conjunto de árboles dedecisión creados mediante el algoritmo C5.0, apartir de un conjunto de ejemplos o muestras deaprendizaje. Además de la clase asignada por elclasificador a cada parcela se obtiene un valorde la confianza con la que el clasificador hacela asignación de la clase, el cual proporciona informaciónobjetiva sobre la fiabilidad en la clasificaciónde cada objeto.La metodología de clasificación propuesta seha evaluado en un conjunto de subparcelas delárea de estudio, considerando un total de 10 clases.La fiabilidad global obtenida es del 78,4%cuando se tiene en cuenta el uso previo, frenteal 74,7% cuando no se tiene en cuenta.Por último, se evalúa la metodología propuestaen el contexto de un problema real de actualización,en el cual se compara la clasificaciónde las subparcelas con la clase contenida en labase de datos que se pretende actualizar, de formaque se detecten las discordancias entre ambasfuentes. En estos casos, es necesaria una revisiónpor parte de un fotointérprete con el finde determinar si ha existido un cambio real o unerror de clasificación, defieniendo la clase finalde asignación.La metodología presentada en esta tesis se hautilizado con éxito en varios trabajos de produc-98 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 97-99

Técnicas de extracción de carcterísticas y clasificación de imágenes orientada a objetos aplicadas a la actualización...ción como la actualización del SIG Citrícola dela Comunidad Valenciana en la provincia de Castellón,en la actualización del lnventario de Cultivosde la Región de Murcia y en la elaboraciónde cartografía de usos del suelo para el Bancode Terras de Galicia. Las fiabilidades obtenidasen las clasificaciones de estos trabajos oscilanentre el 78% y el 93%, siendo paisajes, leyendasy datos de partida muy distintos entre sí. En todoslos casos, la aplicación de esta metodologíasupone una reducción significativa en los tiemposde actualización de las bases de datos al reducirseen gran medida el número de parcelas arevisar por los fotointérpretes.Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 97-99 99

AETASOCIACIÓN ESPAÑOLA DETELEDETECCIÓNNº 34 DICIEMBRE 2010REVISTADE TELEDETECCIÓNREVISTA DE LA ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓNARTÍCULOS CIENTÍFICOSAnálisis de cambios de usos del suelo en la «Vega de Granada»: correcciones radiométricas y evaluación del cambio.V. F. Rodríguez-Galiano, M. J. García-Soldado, M. Chica-Olmo, E. Pardo-Igúzquiza, J. P. Rigol-Sánchez y M. Chica-RivasComportamiento geométrico y radiométrico del sensor AHS durante la campaña multitemporal CEFLES2.M. Jiménez, J. A. Gómez, A. Fernández-Renau, J. A. Holguín, E. de Miguel, O. Gutiérrez de la Cámara y E. PradoAnálisis comparativo de las superficies regadas en los acuíferos del Campo de Montiel y La Mancha Occidental en el período2004-2008.M. Bea, S. Montesinos, C. Morugán y S. MoraledaSeguimiento del estado ecológico de las aguas continentales superficiales españolas mediante imágenes MERIS.J. A. Domínguez, C. Arancón, C. Alonso, A. Alonso, C. de Hovos y A. QuesadaAnálisis de correlaciones entre la temperatura del aire y la temperatura de las superficies vegetadas medida con radiometría térmica.R. Niclòs, M. J. Estrela, J. A. Valiente y M. J. BarberàDinámica estacional e interanual del NDVI en bosques nativos de zonas áridas argentinas.M. R. Iglesias, A. Barchuk y M. GrilliEstimación y cartografía de parámetros ecológicos y forestales en tres especies (Quercus ilex L. subsp ilex, Fagus sylvatica L. yPinus halepensis L.) con datos LiDAR.V. Zaldo, G. Moré y X. PonsEstudio del crecimiento urbano, de la estructura de la vegetación y de la temperatura de la superficie del Gran San Miguel de Tucumán,Argentina.R. Oltra-Carrió, J. A. Sobrino, J. Gutiérrez-Angonese, A. Gioia, L. Paolini y A. MaliziaClasificación de cultivos en la zona media de Navarra mediante imágenes radar polarimétricas.A. Larrañaga, L. Albizua y J. Álvarez-MozosDetección automática de edificios mediante imágenes de alta resolución y datos Lidar para la actualización de bases de datoscartográficas en entornos urbanos.T. Hermosilla, L. A. Ruiz y J. A. Recio¿QUIÉN ES QUIÉN?: Área de SIG y Teledetección del INDUROT (Universidad de Oviedo).TESIS DOCTORAL: Técnicas de extracción de características y clasificación de imágenes orientada a objetos aplicadas a la actualizaciónde bases de datos de ocupación del suelo.