Técnicas de percepción remota y sistemas de información ...

COLOMBIA

50 % MAR

Técnicas de percepción remota y sistemas de información geográfica para la delimitación de bosques de manglar

REPORTE FINAL ORDEN DE SERVICIO No. ____

Instituto de Investigaciones Marinas y Costeras José Benito Vives de Andréis

Vinculado al Ministerio de Ambiente, Vivienda y Desarrollo Territorial

Noviembre de 2007

Técnicas de percepción remota y sistemas de información geográfica para la delimitación de bosques de

manglar

Ing. PILAR LOZANO-RIVERA, Especialista en Percepción Remota y SIG - [email protected]

i

Contenido

Pág.

1 INTRODUCCIÓN................................................................................................ 1

1.1 JUSTIFICACIÓN ........................................................................................................................................ 1 1.2 ANTECEDENTES........................................................................................................................................ 2

2 MARCO CONCEPTUAL ........................................................................................ 4

2.1 CONCEPTOS DE PERCEPCIÓN REMOTA .................................................................................................. 4 2.1.1 La radiación electromagnética.............................................................................................. 4 2.1.2 Interacción atmósfera-radiación electromagnética....................................................... 5

2.2 COMPORTAMIENTO ESPECTRAL DE LA VEGETACIÓN.............................................................................. 7

3 PROPUESTA METODOLÓGICA ............................................................................. 8

3.1 ETAPA 1. ADQUISICIÓN DE DATOS........................................................................................................ 9 3.1.1 Imágenes de satélite ................................................................................................................ 9 3.1.2 Información secundaria ......................................................................................................... 13

3.2 ETAPA 2. PRE-PROCESAMIENTO........................................................................................................... 13 3.2.1 Georreferenciación .................................................................................................................. 13 3.2.2 Clasificación no supervisada ................................................................................................ 14 3.2.3 Selección de puntos de muestreo...................................................................................... 14 3.2.4 Definición de localidades o sectores ................................................................................. 15 3.2.5 Mapas de campo ...................................................................................................................... 17 3.2.6 Preparación de GPS................................................................................................................. 17

3.3 ETAPA 3. TRABAJO DE CAMPO ............................................................................................................. 17 3.4 ETAPA 4. PROCESAMIENTO .................................................................................................................. 18 3.4.1 Corrección atmosférica .......................................................................................................... 18 3.4.2 Geocodificación de la imagen .............................................................................................. 19 3.4.2.1 Mosaico .............................................................................................................................................................19

3.4.3 Clasificación................................................................................................................................ 19 3.4.3.1 Definición de clases de cobertura ........................................................................................................19 3.4.3.2 Segmentación por regiones ....................................................................................................................20 3.4.3.2.1 Máscara de cuerpos de agua............................................................................................................21 3.4.3.2.2 Transformaciones espectrales .........................................................................................................21 3.4.3.2.3 Segmentación de imagen con máscara y/o transformada ................................................21

3.4.3.3 Clasificación de la imagen........................................................................................................................22 3.5 ETAPA 5. BASE DE DATOS GEOGRÁFICA.............................................................................................. 24 3.5.1 Edición vectorial ....................................................................................................................... 24 3.5.1.1 Composiciones de color.............................................................................................................................25

3.5.2 Evaluación de precisión del mapa de cobertura........................................................... 26 3.5.3 Estructuración de las unidades de manglar en el SIG ............................................... 26 3.5.4 Elaboración de salidas graficas........................................................................................... 27

4 ANÁLISIS ESPACIO – TEMPORAL DE BOSQUES DE MANGLAR ............................... 27

4.1 REQUISITOS PREVIOS PARA EL ANÁLISIS ESPACIO TEMPORAL........................................................... 27

5 CONCLUSIONES Y RECOMENDACIONES............................................................. 28

6 REFERENCIAS................................................................................................. 30


manglar

Ing. PILAR LOZANO-RIVERA, Especialista en Percepción Remota y SIG - [email protected]

ii

7 ANEXOS......................................................................................................... 36

Índice de tablas

Tabla 1 Características principales de las imágenes Landsat, SPOT y TERRA-Aster .......................9

Tabla 2 Datos para compra de imágenes............................................................................. 11

Tabla 3 Ejemplo de tabla de puntos de muestreo.................................................................. 16

Tabla 4 Datos requeridos por ATCOR para corrección atmosférica ........................................... 19

Tabla 5. Ejemplo de Tabla de Características estructurales del manglar por estación. ................. 20

Tabla 6 Ejemplo de Tabla de descripción de clases de manglar ............................................... 20

Tabla 7 Composiciones de Color ........................................................................................ 25

Índice de figuras

Figura 1 Espectro Electromagnético (Tomado y modificado de: escience.anu.edu.au) ...................5

Figura 2 Ventanas atmosféricas. (Tomado de: earthobservatory.nasa.gov) .................................6

Figura 3 Comportamiento espectral de la vegetación...............................................................7

Figura 4 Etapas de propuesta metodológica...........................................................................8

Figura 5 Comparación de bandas sensores de Landsat, SPOT y TERRA-ASTER........................... 11

Figura 6 Etapa 2 – Pre-procesamiento ................................................................................ 13

Figura 7 Ejemplo de mapa de localidades, departamento del Atlántico ..................................... 16

Figura 8 Etapa 4 - Procesamiento ...................................................................................... 18

Figura 9 Segmentación por crecimiento de regiones sobre imagen Landsat con mascara de agua . 22

Figura 10 A) Máscara para cuerpos de agua y zona costera imagen Landsat ETM 10/58 de 2001, B) Segmentación con valores de similitud y área 8/100, C) Clasificación ................................ 24


manglar

ING. PILAR LOZANO-RIVERA, Especialista en Percepción Remota y SIG - [email protected]

1

11 IINNTTRROODDUUCCCCIIÓÓNN

1.1 Justificación

Se ha reportado que hasta un 75% de las zonas costeras tropicales del mundo han estado cubiertas por manglares (Spalding et al., 1997). En Colombia, según Sánchez-Páez et al. (2004a) y algunas Corporaciones Autónomas Regionales, los manglares ocupan un área aproximada de 312.536 ha, distribuidas entre la costa Caribe, 61.742 ha y Pacífica, 250.794 ha (INVEMAR, 2005). Así mismo, son considerados como uno de los ecosistemas estratégicos debido a su importancia ecológica. Sus características y funciones ambientales, así como la relevancia para las comunidades que habitan a su alrededor han sido ampliamente descritas, resaltando entre estas, su papel como sumideros naturales de CO2; su participación en los procesos formadores del suelo; sus funciones de transferencia de energía; su papel como sitio de crianza, refugio, anidación y alimentación de especies; su función de filtración por medio de sus raíces, de las cargas orgánicas provenientes de fuentes terrestres; y su función de proteger la línea de costa evitando procesos erosivos producidos por acción de las corrientes y las olas, entre otros (MMA, 1995; Ulloa-Delgado et al., 1998; Sánchez-Páez et al., 2000; MMA, 2002).

A causa de los impactos a los que están sometidos los manglares debido a factores como alteraciones en los regímenes hídricos, tala y contaminación, estos son calificados como un ecosistema frágil. El Ministerio de Ambiente, Vivienda y Desarrollo Territorial (MAVDT), lidera un programa nacional cuyo objetivo es planificar y gestionar de forma integrada los ecosistemas de manglar del país con miras a lograr su uso sostenible, manejo y conservación (MMA, 2002). Este programa tiene como marco conceptual el “Enfoque Ecosistémico” a través del cual, se busca hacer un manejo de los recursos naturales, a través de acciones que consideran los factores ecológicos, económicos y sociales, buscando la permanencia o la restauración del sistema natural, sus funciones y valores, promoviendo de esta manera la conservación y uso sostenible.

Así mismo, el MAVDT señala la necesidad de llevar acabo por parte de las Corporaciones Autónomas Regionales estudios tendientes a la zonificación de las áreas de manglar en Colombia y la definición de los lineamientos para su manejo. El desarrollo de éstas actividades, contribuye con el desarrollo de la “Política Nacional Ambiental para el Desarrollo Sostenible de los Espacios Oceánicos y las Zonas Costeras e Insulares de Colombia” (PNAOCI) al enmarcarse dentro del objetivo de la misma, tendiente a incorporar los ecosistemas marinos y costeros del país, como son los manglares, dentro del ordenamiento territorial de la Nación, reconociéndolos como parte integral y estratégica del territorio, para armonizar sus usos y las actividades que allí se realicen (MMA, 2001).

Como parte de las herramientas de implementación de estos procesos de planificación y gestión del manglar, está el uso de técnicas de percepción remota (PR), sistemas de información geográfica (SIG), la generación de cartografía y el manejo de bases de datos, y definir un proceso estándar para su aplicación se convierte en una prioridad. Las tecnologías como la PR y SIG son sin duda alternativas que ofrecen diversas ventajas para la generación de geoinformación. En cuanto al monitoreo a larga escala, con


manglar


2

imágenes de satélite se reducen los costos en comparación con campañas extensas de campo, sin afirmar que estas dos actividades no sean complementarias. Así mismo, usando imágenes periódicas y SIG surge la posibilidad de monitorear los cambios en la extensión de manglar a través del tiempo. En general, las aplicaciones de la percepción remota en procesos de manejo de manglar se clasifican en 3 categorías: (i) inventario del recurso, (ii) detección de cambios, y (iii) selección e inventario de sitios de acuicultura (Green et al., 2000). Por otro lado, el aumento de satélites en orbita y mejora en las características de las imágenes acrecienta las posibilidades en escalas espaciales, temporales y espectrales.

1.2 Antecedentes

En diversos trabajos se han utilizado técnicas de clasificación de manglar utilizando fotografías aéreas en blanco y negro e infrarrojas y en algunos casos para determinar hasta el nivel de especie (Rollet ,1974; Hamilton y Snedaker, 1984; Anouk et al, 2002); por otro lado ha sido bastante frecuente el uso de imágenes multiespectrales como Landsat y SPOT para el mapeo de manglar a escalas entre 1:50.000 y 1:100.000 incluyendo análisis de cambios espacio temporales (Green et al., 1998; Gao, 1999; Rasolofohrinkoro et al.,1998; Mas, 1999;Ratanasermpong et al. , 2000; Green et al., 2000; Cunha-Lignon, 2001; Phinn y Stanford, 2001; Kovacs et al., 2001; Meza y Blackburn, 2003; Carvalho, 2003; Crepani y De Madeiros, 2003), así como con imágenes ASTER (Saito et al.,2003; Hirose et al., 2004).

En Colombia han sido aplicadas técnicas de percepción remota para delimitación de áreas de manglar (González, 1991; Gónima et al., 1998; Villamil, 2000; Rivera y Mancera, 2001; Sierra, 2001; Arenas y Bedoya, 2002; Vargas, 2002; Sánchez-Páez et al., 2004b; Lozano-Rivera y Sierra-Correa, 2005, Thomas et al., 2005, García-Valencia et al., 2006, Lozano-Rivera et al., 2006, Lozano-Rivera y Sierra-Correa, 2006). Entre los años 1995 y 1996 el Proyecto Manglares de Colombia MMA/OIMT realizó una evaluación nacional, logrando reportar la cobertura nacional de manglares con base en trabajo de campo, cartografía, fotografía aérea, imágenes del radar INTERA (Pacífico) e imágenes del satélite Landsat (Caribe) (Sánchez-Páez et al.,1997a y b).

Durante los últimos años el Instituto de Investigaciones Marinas y Costeras INVEMAR a través del Laboratorio de Sistemas de Información viene aplicando esta técnica como herramienta en los procesos de manejo integrado de zonas costeras así como en los estudios para los planes de manejo del ecosistema de manglar.

En estos proyectos se ha aplicado satisfactoriamente la metodología explicada en este documento:

• Proyecto: Mapa de Ecosistemas de Colombia

Este estudio hizo parte de una iniciativa nacional para generar un primer mapa oficial escala 1:500.000 donde estuvieran integrados los ecosistemas terrestres, costeros y marinos de Colombia. Como parte del proceso se planteó cartografiar los ecosistemas de manglar y lagunas costeras a partir del procesamiento digital de imágenes. El proyecto empleó un conjunto de imágenes Landsat ETM+ obtenidas entre los años 2000 y 2003 de


manglar


3

diferentes fechas que cubrían todo el territorio emergido de Colombia las cuales fueron georreferenciadas por el Instituto Geográfico Agustín Codazzi IGAC.

• Proyecto Monitoreo de la Ciénaga Grande de Santa Marta – CGSM

En esta región del caribe colombiano se ha venido haciendo monitoreo del estado del ecosistema de manglar usando técnicas de percepción remota durante los últimos 50 años, para los periodos recientes (desde 1993) se han utilizado imágenes Landsat, SPOT y ASTER.

• Proyecto Plan de seguimiento y monitoreo de la zona deltaico estuarina del río Sinú:

Con la puesta en funcionamiento de la Hidroeléctrica Urrá I surgió la necesidad de determinar si existían cambios en el ecosistema de manglar en la región del Delta de Tinajones realizando un seguimiento periódico a través de 10 estaciones de monitoreo y usando técnicas de percepción remota. Las imágenes utilizadas fueron Landsat-EMT de los años 2000 y 2003 y SPOT-XS de los años 2005, 2006 y 2007.

• Proyecto Ordenamiento Costero del Departamento de la Guajira

En este trabajo se cartografiaron los ecosistemas costeros de La Guajira, haciendo uso de técnicas de percepción remota y visitas de campo. Se utilizaron fotografías aéreas y procesamiento digital de imágenes ASTER entre los años 2001 y 2004.

• Proyecto Ordenamiento costero del departamento del Atlántico

Como parte del proceso de Ordenamiento Ambiental de la Zona Costera del Departamento del Atlántico, se realizó la caracterización de los bosques de manglar, incluyendo el estudio de cambios en los bosques de manglar y lagunas costeras durante los últimos años. Para esto se utilizaron técnicas de percepción remota y sistemas de información geográfica, utilizando fotografías aéreas de los 1996 y 2005, imágenes SPOT de 1986 y 1996 y un subset de una imagen ASTER del 2004.

• Proyecto MIZC en la Unidad Ambiental Costera de la Llanura Aluvial del Sur

Dentro de la caracterización de la zona costera de los departamentos de Cauca y Nariño se realizó el procesamiento de imágenes Landsat ETM+ de 2001 apoyado con trabajo de campo realizado en los años 2004 y 2005.

• Proyecto Plan de monitoreo de las áreas de manglar del Valle del Cauca

Como parte de un monitoreo sistemático del bosque de manglar del Valles de Cauca, se realizó el procesamiento de imágenes Landsat ETM de 2001 y ASTER 2004, apoyado con un conjunto de imágenes Landsat de los años 2004, 2005 y 2007.


manglar


4

22 MMAARRCCOO CCOONNCCEEPPTTUUAALL

2.1 Conceptos de Percepción Remota

Buiten y Clevers (1993) definen la percepción remota como el conjunto de instrumentos, técnicas y métodos para observar la superficie de la tierra a distancia y para interpretar las imágenes o los valores numéricos obtenidos con el objetivo de extraer información significativa de los objetos sobre la superficie de la tierra.

Sabins (1996) define la percepción remota como la ciencia de adquisición, procesamiento e interpretación de imágenes tomadas gracias a la interacción entre la energía electromagnética y la materia.

Por otro lado, Lillesand et al. (2004), define la percepción remota como la ciencia y arte de obtener información acerca de un objeto, área o fenómeno a través del análisis de datos adquiridos por un dispositivo que no está en contacto con el objeto, área o fenómeno objeto de investigación.

Estas tres definiciones tienen en común que los datos de la superficie de la tierra son adquiridos por un dispositivo (sensor) que no está en contacto con el objeto que está siendo medido. La característica medida por el sensor es la energía electromagnética reflejada o emitida por la superficie de la tierra, esta energía se relaciona con algunas franjas específicas del espectro electromagnético.

La fuente mas importante de energía electromagnética en la superficie terrestre es el sol, el cual provee luz, calor y rayos UV. Muchos sensores miden la reflexión de la luz solar, y otros detectan la energía emitida por la tierra (sensores pasivos), mientras otros proveen su propia energía (sensores activos).

2.1.1 La radiación electromagnética.

La radiación electromagnética (REM) es una forma de energía que se propaga mediante ondas que se desplazan por el espacio a la velocidad de la luz (300000 km/s) transportando cantidades discretas de energía (cuantos). Una característica de las ondas electromagnéticas es de particular importancia para entender la teoría de la percepción remota, es la Longitud de Onda (λ). Esta es definida como la distancia entre dos crestas de onda sucesivas, es medida en metros (m), nanómetros (nm) o micrómetros (µm). La frecuencia (ν), es el número de ciclos de onda pasando por un punto fijo en un periodo de tiempo determinado, es normalmente medida en hertz (Hz) equivalente a un ciclo por segundo. Como la velocidad de la luz es constante, la longitud de onda y la frecuencia son inversamente proporcionales.

Todo cuerpo con temperatura absoluta por encima de cero (K) radia ondas electromagnéticas en varias longitudes de onda, el rango total de longitudes de onda es comúnmente llamado como espectro electromagnético. Las ondas se caracterizan por tener longitudes muy diferentes, desde los rayos X y gamma con longitudes de onda menores de 100 Amstrongs hasta las ondas de televisión y radio con longitudes mayores de un metro.


manglar


5

Dentro del espectro electromagnético se distinguen una serie de regiones en función de la longitud de onda, algunas regiones son más utilizadas por diferentes técnicas de percepción remota. La región óptica, se refiere a la parte del espectro donde los fenómenos de reflexión y refracción pueden ser usados para comprender la radiación. Se extiende desde los rayos X (0,02 µm) incluyendo la parte del visible e infrarrojo cercano (1000 µm). La región del visible es importante porque es la única región del espectro que se asocia normalmente con el concepto de color (azul, verde y rojo). En la región del infrarrojo térmico, se toma información sobre la temperatura de superficie y se mide en longitudes de onda largas (8 – 14 µm). Las microondas que proveen información sobre rugosidad de la superficie y son medidas en longitudes entre 0,1 cm y 1 m.

2.1.2 Interacción atmósfera-radiación electromagnética

Todos los sistemas de percepción remota a bordo de satélites recogen mediciones de REM, las cuales han sido emitidas, reflejadas o dispersadas por la atmósfera o la superficie de la tierra. Estas mediciones de REM permiten la determinación de los valores de algunas variables físicas instantáneas de la atmósfera y la superficie.

Los blancos tales como tierra y agua en la superficie y las gotas de agua y los cristales de hielo en la atmósfera, reflejan, absorben, emiten y transmiten la energía radiante sobre un amplio rango de longitudes de onda. La energía emitida es descrita por un conjunto de leyes de radiación para un cuerpo negro ideal (Rao et al., 1990).

Figura 1 Espectro Electromagnético (Tomado y modificado de: escience.anu.edu.au)

Puesto que la atmósfera apenas refleja radiación solar, la modificación por parte de la atmósfera de la radiación entrante y saliente incluye tres procesos: (i) La dispersión que es el redireccionamiento de la radiación por parte de los gases y aerosoles presentes en la atmósfera en cualquier dirección. Existen tres tipos básicos de dispersión: Rayleigh, Mie y no selectiva. (ii) La refracción se trata de un cambio de dirección de la luz que ocurre cuando la luz atraviesa dos medios con diferente densidad (diferentes capas de la atmósfera por ejemplo). Causa espejismos en días cálidos y degrada la firma espectral de


manglar


6

los objetos.(iii) Y la absorción, donde cada uno de los gases atmosféricos tiene capacidad para absorber radiación en diferentes longitudes de onda, fundamentalmente son tres los gases que absorben radiación son ozono, dióxido de carbono y vapor de agua.

De este modo aparecen una serie de regiones en el espectro en las que la radiación es absorbida por uno o varios de los gases. Esto deja, por otro lado, regiones del espectro en las que no se produce absorción, son las denominadas ventanas atmosféricas. Por tanto la teledetección sólo va a ser en principio viable en estas ventanas, las principales aparecen en:

• Visible e infrarrojo cercano (0.3 - 1.35 µm)

• Varias en el infrarrojo medio (1.5 - 1.8 µm; 2 - 2.4 µm; 2.9 - 4.2 µm; 4.5 -5.5 µm)

• Infrarrojo térmico (8 - 14 µm)

• Microondas, por encima de 20 µm la atmósfera es prácticamente transparente

La Figura 2 muestra un espectro suavizado de la atmósfera terrestre. Una gran parte del espectro es opacado debido a la absorción por los gases atmosféricos, aunque hay excepciones. Por ejemplo, hay varios sectores importantes, llamados ventanas, en las cuales la atmósfera es relativamente transparente (Rao et al., 1990).

Figura 2 Ventanas atmosféricas. (Tomado de: earthobservatory.nasa.gov)


manglar


7

2.2 Comportamiento espectral de la vegetación

Si se observa una curva patrón típica de la respuesta espectral de la hoja vegetal de una planta (Figura 3), en el rango del espectro correspondiente al visible, la absorción de la luz por parte de los pigmentos de la hoja domina en la reflectancia espectral de la hoja, conduciendo generalmente a reflectancias más bajas (15% máximo). Se observa un pico de absorción en la región del azul (0,45 µm) y otro en la región del rojo (0,65 µm), debido principalmente a dos pigmentos: la clorofila a y b, los cuales cuentan con 65% del total de los pigmentos de la hoja en las plantas superiores. Esta fuerte absorción de las bandas induce a un pico de reflectancia en la banda verde-amarillo (0,55 µm ). Por esta razón la clorofila es llamada pigmento verde (Chuvieco, 1996).

Figura 3 Comportamiento espectral de la vegetación

En la región dominada por el infrarrojo cercano (0,7-1,3 µm) la vegetación verde y sana se caracteriza por la alta reflectancia (45 a 50%), causada por la difusión resultante de los índices de refracción del líquido intracelular y de los espacios intercelulares del mesófilo el mismo autor ha concluido que al incidir la radiación en una capa de hojas se refleja un 50% y se trasmite el restante. Los pigmentos de la hoja y la celulosa son transparentes para estas longitudes de onda y por consiguiente, la absorción de la hoja es muy pequeña (10% máximo), pero no la reflectancia y transmitancia de la hoja, el cual puede alcanzar el 50%. La reflectancia de la hoja se incrementa al presentarse mas formas heterogéneas de las células y sus contenidos, así como del número de capas


manglar


8

celulares, de espacios intercelulares y del tamaño de la célula. Por lo tanto esta reflectancia dependerá del grosor del mesófilo (Chuvieco, 1996).

33 PPRROOPPUUEESSTTAA MMEETTOODDOOLLÓÓGGIICCAA

La propuesta para la identificación y caracterización de manglar usando técnicas de percepción remota y SIG descrita en este documento, pretende ser una guía para la elaboración de cartografía temática dentro de procesos de planificación y gestión del ecosistema de manglar. El principio de esta iniciativa es la integración los resultados obtenidos del procesamiento de las imágenes, es decir la identificación de la extensión del manglar, con la información de la caracterización biológica, física y socioeconómica del ecosistema.

La propuesta está compuesta por 5 etapas: adquisición de datos, pre-procesamiento, trabajo de campo, procesamiento y estructuración de base de datos geográfica (Figura 4). Estas etapas se desarrollan de manera consecutiva, aunque especialmente en las dos últimas fases debe realizarse un proceso de retroalimentación que permita evaluar y mejorar el resultado final.

Como se menciona anteriormente, la aplicación de técnicas de percepción remota es una herramienta de apoyo en los procesos de planificación y gestión del ecosistema de manglar, por lo tanto en todas las etapas están involucrados, además del experto (s) en procesamiento de imágenes y SIG, los profesionales que desarrollan las actividades de caracterización biológica, física y socioeconómica del área, así como la comunidad, los entes territoriales, ambientales y en general todos los actores que tengan influencia en el área.

Figura 4 Etapas de propuesta metodológica


manglar


9

3.1 Etapa 1. Adquisición de datos

3.1.1 Imágenes de satélite

Como primer paso en cuanto a la búsqueda de datos satelitales, se debe realizar un sondeo de imágenes gratis disponibles en Internet, para así descartar la compra o contar con imágenes de soporte actuales y/o de años anteriores.

Para propósitos de compra de imágenes, primero se deben definir las características de estas de acuerdo a los objetivos específicos del proyecto en cuanto a escala del mapa, precisión, análisis espaciales, etc. Los parámetros que se deben tener en cuenta son: satélite/sensor, resolución espacial, resolución espectral, número de imágenes, costo y tiempo de programación de toma y/o adquisición. Esta propuesta considera los satélites Landsat 5, Landsat 7, SPOT 4, SPOT 5 y TERRA (ASTER), cuyas características se encuentran detalladas en la Tabla 1.

Tabla 1 Características principales de las imágenes Landsat, SPOT y TERRA-Aster

Plataforma Sensor Resolución Espectral (µµµµm)

Resolución espacial

Principales Características

Azul (0,45-0,52 ) 30 m Ancho de barrido de 185 Km

Verde (0,52-0,60 ) Órbita a 705 Km

Rojo (0,63-0,69 ) Revisita 16 días

IRc (0,76-0,9 )

IRm1 (1,55-1,75 )

IRm2 (2,08-2,35 )

Satélite Landsat 5

TM (Thematic Mapper)

IRt (10,4 –12,5 ) 120 m

Azul (0,45-0,515 ) 30 m Ancho de barrido de 185 Km.

Verde (0,525-0,605 ) Órbita a 705 Km. Rojo (0,63-0,69 ) Revisita 16 días IRc (0,75-0,90 ) IRm1 (1,55-1,75 ) IRm2 (2,09-2,35 ) IRt (10,4–12,5 ) 60 m

Satélite Landsat 7*

ETM+ (Enhanced Thematic Mapper)

Pancromática (0,52-0,9) 15 m

Verde (0,50-0,59 ) 20 m Ancho de barrido de 60 Km

Rojo (0,61-0,68 ) Órbita a 832 Km. IRc (0,79-0,89 ) Revisita 26 días IRm (1,58 – 1,75 ) Capacidad estereoscópica

Satélite SPOT 4

HRV

Pancromática (0,61-0,68 ) 10 m

Verde (0,50-0,59 ) 10 m Ancho de barrido de 60 Km.

Rojo (0,61-068 ) Órbita a 832 Km. IRc (0,79-0,89 ) Revisita 26 días IRm (1,58-1,75 ) Capacidad estereoscópica

Satélite SPOT 5 HRV

Pancromática (0,49-0,69 ) 2,5-5,0 m


manglar


10

Verde (0,52 - 0,6 ) 15m Rojo (0,63 - 0,69 ) IRc 3n(0,76 - 0,86 )

IRc 3b (0,76 - 0,86) Ancho de barrido de 60 Km.

IRm (1,6 - 1,7) 30m Órbita a 705 Km. IRm5 (2,145 - 2,185) Revisita 26 días IRm 6 (2,185 - 2,225) Capacidad estereoscópica IRm 7 (2,235 - 2,285) IRm 8 (2,295 - 2,365) IRm 9 (2,36 - 2,43) IRt 10 (8,125 - 8,475) 90m IRt 11 (8,475 - 8,825) IRt 12 (8,925 - 9,275) IRt 13 (10,25 - 10,95)

Satélite Terra ASTER

IRt 14 (10,95 - 11,65)

Los rangos espectrales de las bandas de los tres principales sensores, ETM, HRV y ASTER pueden ser comparados en paralelo para observar las similitudes y diferencias entre bandas (Figura 5). Landsat es el único que ofrece una banda en el rango del azul, lo que significa la posibilidad de generar composiciones color real, sin embargo los tres sensores ofrecen información del infrarrojo medio y cercano, áreas del espectro generalmente utilizadas para estudios de cobertura y vegetación. Según diversos autores (Green et al., 1998; Gao, 1999; Rasolofohrinkoro et al.,1998; Mas, 1999; Ratanasermpong et al., 2000; Green et al., 2000; Cunha-Lignon, 2001; Phinn y Stanford, 2001; Kovacs et al., 2001; Meza y Blackburn, 2003; Carvalho, 2003; Crepani y De Madeiros, 2003; Saito et al.,2003; Hirose et al., 2004) la delimitación de manglar utilizando imágenes de sensores de Landsat, SPOT y TERRA-ASTER, puede superar en general el 70% de precisión.


manglar


11

Figura 5 Comparación de bandas sensores de Landsat, SPOT y TERRA-ASTER

Para comprar las imágenes el proceso puede ser realizado por Internet, utilizando los servicios de pago electrónico y FTP. Las direcciones electrónicas, precios actuales y algunas características de los productos ofrecidos para las imágenes Landsat, SPOT y Terra-ASTER están descritas en la Tabla 2.

Tabla 2 Datos para compra de imágenes

Productos Costo Observación Dirección URL

Landsat 7

L7- ETM+ SLC-off Gap fill L1G Single-LPGS

US 275 Después de 2003, imágenes con datos perdidos

Landsat 7 L7 ETM+ SLC-on L1G Single LPGS

US 600 Entre 1999 - 2003

Landsat 4 - 5

L1-5 TM MSS L1G single NLAPS

US 200 1982 - 1992

http://glovis.usgs.gov

Landsat 4 - 5

US 450, en algunos casos US 25

Solo algunas escenas entre 1982 -1997

http://www.landsat.org/index.html


manglar


12

L7 ETM+ SLC-on L1G Single LPGS

US 600 Solo algunas escenas entre 1999 - 2003

Landsat 7 L7- ETM+ SLC-off Gap fill L1G Single-LPGS

US 275 Solo algunas escenas después de 2003

20 m color / 10 m blanco y negro

€ 1900

20 m color / 10 m blanco y negro

€ 1200 Algunas escenas entre 1986 y 2004

10 m color/ 5 m blanco y negro

€ 2700

En algunos casos Spot image ofrece descuento del 20% para instituciones académicas y de investigación

5m color/ 2,5 m blanco y negro

€ 5400

2.5 m color € 8100 20 m color / 10 m blanco y negro programada*

€ 2700

10 m color/ 5 m blanco y negro programada

€ 3500

5m color/ 2,5 m blanco y negro programada

€ 6200

SPOT

2.5 m color programada € 8900

http://sirius.spotimage.fr/

TERRA-ASTER

ASTER- L1B VNIR, SWIR US 80 Imágenes a partir del

2000, no continuas

http://glovis.usgs.gov (Pagina de USA) http://imsweb.aster.ersdac.or.jp/ims/html/MainMenu/MainMenu.html (pagina de Japón)

ASTER- L1B VNIR, SWIR US 350

Imagen programada para toma

* El costo de las imágenes programadas es mas alto que las imágenes que se compran del catalogo de existencias.


manglar


13

3.1.2 Información secundaria

En cuanto a información secundaria se debe realizar búsqueda y adquisición de información cartográfica y fotografías aéreas en formato análogo y digital. También es importante buscar en las entidades regionales y locales informes de estudios previos, planes de manejo o de ordenamiento territorial, así como leyes, decretos o resoluciones que incluyan información relevante como localización y delimitación de áreas protegidas, total de manglar reportado, clasificación de áreas de manejo, entre otras. En todo este proceso es importante tener en cuenta en lo posible anexar los metatadatos de toda la información adquirida.

3.2 Etapa 2. Pre-procesamiento

Figura 6 Etapa 2 – Pre-procesamiento

3.2.1 Georreferenciación

La georreferenciación es el proceso que permite relacionar la imagen con un sistema de referencia previamente definido usando transformaciones geométricas, esto permite la superposición de datos vectoriales almacenados en el mismo sistema. Es de anotar que la imagen goerreferenciada mantiene la misma estructura raster y su geometría no es alterada. Esta relación puede ser calculada a través de la definición de puntos de control que pueden ser obtenidos en un mapa o imagen de referencia (Chuvieco, 1996).

En general, las imágenes de satélite pueden venir procesadas en diferentes niveles, el nivel 0 es la imagen cruda sin ningún tipo de procesamiento, el nivel 1A incluye las correcciones radiométricas, en el nivel 1B realizan las correcciones geométricas debidas a distorsiones sistemáticas en la geometría de las imágenes tales como líneas de exploración mal alineadas y tamaños no uniformes de los pixeles; y el nivel 2A asigna una


manglar


14

proyección cartográfica estándar basada en una predicción de donde estaba el satélite cuando la imagen fue adquirida, estas imágenes pueden tener un error de localización hasta de 100 m. 1

De esta manera, si se cuenta con una imagen de nivel 1B o 2A es posible tomar el sistema de referencia asignado para utilizarlo en esta parte del proceso. De lo contrario, la imagen original se puede georreferenciar a partir de la información secundaria o imágenes previamente referenciadas, ya que en campo se recopilarán los puntos de control definitivos para realizar la corrección geométrica de la imagen.

3.2.2 Clasificación no supervisada

La clasificación no supervisada es el procedimiento donde cada píxel de la imagen es asociado a una clase sin que el usuario tenga un conocimiento previo del número o identificación de las diferentes clases presentes en la imagen, esto es hecho, básicamente, a través de algoritmos de agrupamiento. La utilidad de esta primera clasificación es reconocer las clases de cobertura e identificar aquellas áreas que sean prioridad para la salida de campo como zonas cubiertas por nubes o puntos de coberturas no reconocidas.

Para el caso específico de manglares, se recomienda hacer una clasificación utilizando el algoritmo ISOSEG a partir de segmentación por regiones, proceso que se explicará detalladamente para la etapa de procesamiento. Sin embargo, es posible también realizar esta clasificación previa utilizando algoritmos de clasificación por píxel como son los implementados en la mayoría de los programas de procesamiento de imágenes (PCI Geomatica, ERDAS, ENVI, Ilwis, Spring).

Sobre el resultado de esta clasificación se seleccionan los puntos de verificación de cobertura.

3.2.3 Selección de puntos de muestreo

Con la imagen referenciada y clasificada, se seleccionan los puntos de muestreo (estaciones), puntos de verificación de cobertura y puntos de control para corrección geométrica.

Para determinar la localización de las estaciones de muestreo, en conjunto con el profesional encargado de la caracterización biológica y estructural del manglar, se seleccionan los puntos sobre un mapa-imagen impreso o directamente en pantalla utilizando el SIG. Los criterios para la selección de estos varían de acuerdo al área, pero en general se tienen en cuenta: presencia de manglar, accesibilidad al punto y representatividad de las características estructurales de la estación dentro del sector o localidad. En otros casos, las entidades ambientales tienen definida ya la localización de estas estaciones de muestreo por estudios previos.

1 http://uregina.ca/piwowarj/Think/ProcessingLevels.html


manglar


15

La selección de los puntos de verificación de cobertura se hace a partir del resultado de la clasificación no supervisada y la realiza directamente el encargado del procesamiento de la imagen. Se debe tener en cuenta que haya por lo menos un punto de verificación por clase y en lo posible, se visiten aquellas áreas cubiertas por nubes o donde pueda generarse confusión en los procesos posteriores de clasificación. Así mismo, deben estar incluidas aquellas áreas dinámicas donde por conocimiento previo o revisión de imágenes de otros años, se reporte pérdida o regeneración de manglar.

Los puntos de control para la corrección geométrica los selecciona el encargado del procesamiento de la imagen y lo hace directamente sobre la imagen buscando características invariables del paisaje como son cruces de caminos, infraestructura costera, puentes, canales, aeropuertos, entre otros. Sin embargo, en la visita de campo se pueden seleccionar otros puntos adicionales que considere puedan ser fácilmente identificados en la imagen. En este sentido, de la información secundaria recopilada (imágenes procesadas) se debe verificar si existen puntos de control visitados anteriormente para realizar una revisita y usar estos mismos puntos.

A partir de la lista de los puntos y sus coordenadas, se elabora una tabla donde se asigna un identificador secuencial y temático a cada punto anteponiéndole la letra P (punto programado), con el propósito que al ser incluidos en el GPS sea posible diferenciar estos puntos de los puntos efectivamente tomados en campo. Por ejemplo puede ser asignado PE para estaciones de muestreo, PV para puntos de verificación de cobertura y PG para puntos de control para corrección geométrica (Tabla 3).

3.2.4 Definición de localidades o sectores

Las localidades se definen a partir de la información previa recopilada agrupando las estaciones de muestreo de acuerdo a características físicas y biológicas. Este proceso se realiza en conjunto con los encargados del componente biótico de los manglares y puede continuar después de la salida de campo ya que la definición de algunas localidades puede ser modificada debido al conocimiento del área. Como resultado de esta tarea se obtiene una capa que divide el área de estudio en localidades (Figura 7).


manglar


16

Figura 7 Ejemplo de mapa de localidades, departamento del Atlántico

Estas localidades se crean con el propósito de integrar la información y optimizar los procesos de recopilación y análisis de datos en todos los componentes. Cada localidad tiene definido un nombre y un identificador que serán la llave para unir la información de cada componente en la etapa 5, de estructuración de la base de datos geográfica. Por esto, cada componente debe crear una tabla resumen de los resultados de su trabajo de campo organizado por estaciones y localidades. También esta información de localidades, se puede utilizar para programar el orden de visita de los puntos en campo (Tabla 3).

Tabla 3 Ejemplo de tabla de puntos de muestreo

ID Latitud Longitud Localidad Día de visita PE1 Localidad 1 Día 1 PE2 Localidad 2 Día 2 … … … … … PV1 Localidad 1 Día 1 PV2 Localidad 2 Día 2 … … … … … PG1 Localidad 1 Día 1 PG2 Localidad 2 Día 2 … … … … …


manglar


17

3.2.5 Mapas de campo

Se pueden elaborar dos tipos de mapas de campo, un mapa-imagen con la clasificación no supervisada y/o un mapa con la información base y temática recopilada. En ambos, los puntos de muestreo, verificación y control deben ser señalados, al igual que toda la información topográfica y de toponimia. La escala de los mapas depende fundamentalmente del tamaño del papel de impresión, ya que estos mapas deben ser fáciles de llevar y revisar. En algunos casos es conveniente plastificarlos o protegerlos en bolsas selladas y transparentes, de tal manera que puedan ser manipulados en los lugares húmedos o expuestos a salpicaduras de agua (Anexo 1).

3.2.6 Preparación de GPS

Este paso es importante ya que la configuración del GPS debe estar de acuerdo con el sistema de coordenadas que se esté utilizando en el SIG, para el caso específico de Colombia deberá ser MAGNA-SIRGAS. Se recomienda tomar los datos en coordenadas geográficas utilizando el elipsoide WGS 84 y posteriormente si proyectarlos a coordenadas métricas.

3.3 Etapa 3. Trabajo de Campo

Según la guía metodológica para el manejo integrado de zonas costeras en Colombia, el trabajo de campo puede ser realizado en dos fases, una primera visita de reconocimiento que consiste en una inspección general del área de estudio y una visita de campo detallada, en la cual se colecta información primaria, se verifica información que ha sido revisada en la literatura y se recoleta la información necesaria para la producción de cartografía y el procesamiento de las imágenes (Alonso et al., 2003). Esto significa que dentro del proceso completo de planificación y gestión del ecosistema de manglar se pueden realizar mas visitas al área de estudio, sin embargo para el procesamiento de las imágenes se hace necesario que el encargado de esta labor participe por lo menos de la visita de campo detallada.

En campo, utilizando los puntos programados y almacenados en el GPS y haciendo uso de la función “GoTo” se llega al punto lo mas cerca que se pueda de este, no se requiere que la localización sea exacta. Al determinar el sitio de la estación y el punto de inicio del transecto, se almacena su localización marcando “waypoint” en el GPS. En lo posible se deben tomar los puntos de Inicio del Transecto (Ti) y Final del Transecto (Tf), asignando en el GPS identificadores de manera secuencial, por ejemplo para la primera estación de muestreo el punto de inicio de transecto será Ti1 y el punto final de trayecto será Tf1, para la siguiente estación visitada el punto de inicio será Ti2 y así sucesivamente. Para los casos donde por ausencia de señal en el GPS y no sea posible tomar los puntos del transecto se debe marcar el punto en el área de recepción de satélites anotando la distancia y azimut al punto y diferenciando este punto con las letras Tid.

Para los puntos de verificación de cobertura y puntos de control para corrección geométrica también se deben marcar los “waypoint” en el GPS asignándole identificadores secuenciales utilizando la letra V y G respectivamente. Se sugiere además, tomar una foto por cada punto de verificación de cobertura, así como hacer anotaciones sobre los mapas de campo y almacenar en el GPS los recorridos (tracks) durante toda la


manglar


18

visita de campo, ya que todos estos datos pueden ayudar en la fase posterior de procesamiento de la imagen.

Sobre la recopilación de información en campo específicamente para la caracterización estructural del bosque de manglar, el encargado del componente biótico establecerá la metodología apropiada según las condiciones del área. En general los datos recopilados son sobre los atributos estructurales, regeneración natural, fenología productiva, unidades estructurales y funcionales y salinidad (INVEMAR, 2005a).

3.4 Etapa 4. Procesamiento

Figura 8 Etapa 4 - Procesamiento

3.4.1 Corrección atmosférica

Para corregir los efectos de la dispersión atmosférica han sido desarrollados diversos métodos, algunos denominados absolutos, que se basan en los parámetros relativos al sensor, en las condiciones atmosféricas durante la adquisición de la imagen y en las características de la escena (Richter 1990, 1997; Vermote et al., 1997); otros en cambio llamados métodos relativos, se basan en valores de reflectancia tomados en la superficie y definiendo una relación lineal con los valores de radiancia en la cima de la atmósfera (TOA).

Uno de los métodos absolutos para realizar la corrección atmosférica está implementado en el del programa PCI Geomática v.9, denominado ATCOR2, que se basa en el algoritmo desarrollados por Richter (1990, 1997). Este método fue diseñado para calcular la corrección atmosférica en áreas planas aplicando una atmósfera constante o variante. El algoritmo para una atmósfera constante se basa en asumir la atmósfera de una región como un bloque horizontal que posee las mismas características, no considera variaciones


manglar


19

espaciales sino solamente variaciones en el contenido atmosférico para diferentes rangos de altitud. Los parámetros que el algoritmo requiere incluyen un modelo atmosférico por localización y condición. (Tabla 4). Richter (1997) sugiere definir la visibilidad a partir de la apariencia de los datos de la imagen teniendo en cuenta la siguiente clasificación: bajo contraste (visibilidad < 10 km), promedio (visibilidad = 15 km) y limpia (visibidad 25 km).

Tabla 4 Datos requeridos por ATCOR para corrección atmosférica

Información de elevación Constante Tipo de sensor Tamaño del píxel Fecha Angulo de inclinación:

Información del sensor

Archivo de calibración Información Atmosférica Definición atmosférica

Zenith Solar Visibilidad Parámetros de Corrección Tipo de Corrección

3.4.2 Geocodificación de la imagen

Como se explicó anteriormente, la georreferenciación crea la relación entre la imagen y un sistema de coordenadas a través de una transformación geométrica, la geocodificación consiste en crear una nueva imagen proyectada al sistema de coordenadas y recalcular el valor digital del píxel por medio de un remuestreo. Este registro se hace a través de puntos de control en el terreno, o puntos obtenidos en un mapa o imagen de referencia. Se recomienda siempre verificar que el error medio cuadrático (RMS) que se obtiene al hacer las transformaciones, sea menor de 1 píxel. Este valor debe ser reportado en el documento donde se reporten los resultados y así mismo, almacenarlo en los metadatos de la imagen.

3.4.2.1 Mosaico

Consiste en unir las imágenes que se tengan del área en un mismo archivo basándose en la corrección geométrica realizada en el paso anterior. Cada imagen se referencia independientemente y al crear el mosaico deben coincidir los puntos de control. La calidad del mosaico depende directamente del nivel de error permitido en la georreferenciación.

3.4.3 Clasificación

3.4.3.1 Definición de clases de cobertura

En este paso se definen los nombres de las clases de cobertura que son identificados en la imagen. Además del bosque de manglar en la imagen se podrán identificar otros tipos de cobertura, que en algunas casos será importante identificar para realizar un análisis integrado del ecosistema, estas clases pueden ser Bosque de Guandal, Lagunas costeras, Áreas urbanas, Playas, Playones, Bajos, entre otros.


manglar


20

Concretamente, la tarea de definir las clases de manglar se hace en conjunto con el encargado del componente biótico y se hace utilizando la información procesada de campo, la cual puede estar resumida en una tabla con las características estructurales del manglar por estación (Tabla 5). A partir de esta tabla se elabora una nueva tabla (Tabla 6) agrupando las estaciones por características estructurales similares y definiendo el nombre de cada clase, en el ejemplo, se agruparon las 5 estaciones pertenecientes a 3 localidades en 2 clases diferentes Bm1 y Bm2. En el Anexo 2 y Anexo 3 se puede observar la tabla con los datos del estudio realizado para el departamento del Atlántico.

Es importante aclarar que esta categorización en más de dos clases de manglar se podrá hacer siempre y cuando se haga por atributos estructurales obtenidos en la caracterización biológica, ya que hasta ahora esta diferenciación no es posible solamente utilizando imágenes multiespectrales. En este sentido, se debe tener prudencia en la delimitación de las localidades, ya que las características estructurales se generalizan para toda el área, si se requiere se deben hacer los cambios necesarios hasta encontrar la delimitación mas adecuada o dejar áreas sin atributos estructurales.

Se puede realizar pruebas de procesamiento de imágenes en búsqueda de la posibilidad de la delimitación de más clases dentro del manglar y los resultados pueden ser utilizados para mejorar esta propuesta (ver Recomendaciones).

Tabla 5. Ejemplo de Tabla de Características estructurales del manglar por estación.

Estación Localidad N

DAP Prom. (cm)

DAP máx. (cm)

h Prom. (m)

h máx. (m)

Densidad Ind./0,1

ha

AB m2/0,1ha

Salinidad %Tala Spp dom. Comp. Reg.

1 A 2 A 3 B 4 B 5 C N = número de árboles medidos. DAP = diámetro a la altura del pecho. h = altura. AB = área basal. Spp = Especie. Comp. = composición de especies. Reg. = Regeneración Natural

Tabla 6 Ejemplo de Tabla de descripción de clases de manglar

Estación Localidad Descripción de la unidad de manglar Identificador Clase 1 A Descripción 1 Bm1 2 A Descripción 1 Bm1 3 B Descripción 2 Bm2 4 B Descripción 1 Bm1 5 C Descripción 2 Bm2

3.4.3.2 Segmentación por regiones

El algoritmo de segmentación por crecimiento de regiones recomendado es el implementado en el software SPRING v4.3. Este algoritmo se fundamenta en el concepto de la similitud donde se forman regiones de manera iterativa a partir de un píxel individual y va creciendo hasta que todos los píxeles son procesados. El valor de similitud es relativo a la distancia Euclidiana y mide la distancia entre los centros (media) de cada región evaluando los niveles de gris o valores digitales (DN). Asimismo incluye un valor


manglar


21

límite de área que permite que durante la segmentación las regiones menores sean agrupadas con las regiones mayores adyacentes (Bins et al., 1996).

3.4.3.2.1 Máscara de cuerpos de agua

Antes de realizar la clasificación es recomendable eliminar la mayor cantidad de ruido posible, por ello sobre la banda del infrarrojo cercano (banda 4 para TM-ETM y banda 3 para SPOT y ASTER) que es la región del espectro donde el agua absorbe la mayor cantidad de energía y el sensor recibe una reflectancia baja (DN cercanos a 0), es mas fácil diferenciar los cuerpos de agua. Sobre esta banda que se realiza una segmentación y clasificación de tal forma que son identificados los cuerpos de agua y así convertirlos en una máscara que le asigne a todas las bandas el valor digital 0.

Los valores de similitud y límite de área requeridos en los procesos de segmentación para elaborar esta máscara, dependen de las características del área de estudio, es decir del tamaño y forma de los cuerpos de agua, sin embargo se puede decir que el valor de similitud puede ser mayor de 20. De todas maneras, se recomienda realizar pruebas de segmentación y clasificación en un subset de la imagen, para así determinar los parámetros mas adecuados.

3.4.3.2.2 Transformaciones espectrales

Las transformaciones espectrales de las imágenes son, en general, utilizadas para mejorar la cualidad de la imagen, reduciendo redundancias de información, agregando información de otros sensores o removiendo ruidos. Esto posibilita una mejor extracción de rasgos de interés. Entre estas técnicas se encuentran los Índices de vegetación, el análisis de componentes principales y cociente entre bandas.

Algunos índices de vegetación son: IRS Índice de radio simple, NDVI Índice de Diferencia Normalizada de vegetación, IPVI Índice de vegetación de Porcentaje del Infrarrojo, DVI Índice de diferencia de Vegetación, SAVI Índice de vegetación ajustado al suelo, entre otros.

El análisis de componentes principales permite sintetizar las bandas originales, creando unas nuevas bandas (los componentes principales de la imagen), que recojan la mayor parte de la información original (Chuvieco, 1996). Esta transformación genera un nuevo conjunto de imágenes cuyas bandas individuales presentan información no disponible en otras bandas.

Estas técnicas pueden ser aplicadas para optimizar los resultados de las segmentaciones, no obstante esto dependerá de las características del área de estudio, calidad radiométrica de la imagen, cubrimiento de nubes, etc.

Las estadísticas de las transformaciones aplicadas en la imagen deben ser reportadas en el documento de resultados y almacenadas en los metadatos de la imagen.

3.4.3.2.3 Segmentación de imagen con máscara y/o transformada


manglar


22

Posteriormente se realiza la segmentación de la imagen para delimitar las unidades de manglar, Lozano y Sierra-Correa (2005) recomiendan utilizar las bandas 3, 4 y 5 del sensor ETM+, utilizando valores de similitud de 8 y limite de área 50. Estas bandas en el sensor de Landsat son las bandas del rojo, infrarrojo cercano y medio que tienen un comportamiento particular en la vegetación. Para SPOT y ASTER estas mismas bandas son la bandas 2, 3 y 4.

En cuanto a los valores de similitud y limite de área, pueden ser modificados de acuerdo a los objetivos definidos en cuanto a escala del mapa y resolución espacial de la imagen (30 m. Landsat, 20m/10m Spot, 15 m Aster). Se recomienda que para encontrar los valores mas adecuados y obtener una segmentación que delimite las clases de interés, se hagan pruebas de segmentación en una porción de la imagen y se verifique visualmente los resultados.

En la Figura 9 por ejemplo, se observa una imagen Landsat ETM en composición de color 453, con máscara en los cuerpos de agua y los límites de las regiones resultado de la segmentación en color blanco. Los valores de similitud y límite de área para el proceso de segmentación fueron 5 y 50 respectivamente, se puede notar el detalle en la delimitación del borde litoral y de las áreas con coberturas diferentes a manglar.

Figura 9 Segmentación por crecimiento de regiones sobre imagen Landsat con mascara de agua

3.4.3.3 Clasificación de la imagen

A partir de las regiones obtenidas en la segmentación, se realizan pruebas con clasificación no supervisada utilizando el algoritmo ISOSEG y clasificación supervisada tomando muestras de regiones patrón utilizando el algoritmo Battacharya.


manglar


23

Estos dos algoritmos son aplicados sobre el conjunto de regiones resultantes de la segmentación, que a su vez son caracterizadas por su media, matriz de covarianza y área. La medida de similitud utilizada por el clasificador ISOSEG es conocida como distancia de Mahalanobis y para el Battacharya la medida es denominada igualmente Battacharya. Estos algoritmos utilizan atributos estadísticos como la media y la matriz de covarianza para realizar la clasificación. (Fonseca et al., 2000 y Paul M. Mather, 1993).

El clasificador Battacharya, al contrario del ISOSEG que es automático, requiere interacción del intérprete a través de un entrenamiento que consiste en proveer muestras representativas de las clases presentes en la imagen. Estas muestras son tomadas de las regiones formadas en la segmentación de la imagen y se basan en los datos de la verificación en campo y el conocimiento del área por parte del intérprete, proceso que es fundamental en la calidad de los resultados finales. Dentro de este procedimiento hay un límite de aceptación, el cual puede asemejarse a un intervalo de confianza, es decir, si es dado un límite de 95%, significa que para que un píxel sea clasificado en una determinada clase, su valor debe estar dentro de un intervalo del 95% para la clase a la cual pertenece. Así, algunos píxeles pueden no ser clasificados en ninguna clase. Si se escoge 100% como límite, todos los píxeles serán obligatoriamente clasificados en alguna clase, así su valor sea muy diferente de cualquiera.

Se sugiere hacer pruebas con los dos algoritmos de clasificación y determinar cual de los dos arroja mejores resultados. En algunos casos se pueden usar las salidas de las dos clasificaciones extrayendo las clases mejor determinadas en cada una y complementando los resultados para generar una sola capa. En la Figura 10 se puede observar la clasificación de una imagen Landsat utilizando bandas 453 y con máscara para cuerpos de agua. El mapa final fue obtenido a partir de la conjunción entre una clasificación no supervisada (ISOSEG) y una supervisada (Battacharya).

Los parámetros utilizados en los procesos de segmentación y clasificación, incluyendo el nombre del algoritmo de clasificación, deben ser reportados en el documento de resultados y almacenadas en los metadatos de la imagen.


manglar


24

A B

C

Manglar

Cultivos

Guandal

Ríos y esteros

Figura 10 A) Máscara para cuerpos de agua y zona costera imagen Landsat ETM 10/58 de 2001, B) Segmentación con valores de similitud y área 8/100, C) Clasificación

3.5 Etapa 5. Base de datos geográfica

3.5.1 Edición vectorial

Un procedimiento posterior a la clasificación digital es la revisión y verificación de la asociación de las clases resultantes. Esta edición consiste en analizar y modificar si es necesario, los polígonos obtenidos por la segmentación y clasificación de la imagen, a través de una interpretación visual, basada en el conocimiento a priori del área de estudio, y auxiliada por las imágenes originales e imágenes de otras fechas. Como resultado se tiene el mapa vectorial de cobertura de manglar del área de estudio.

Como herramienta para esta verificación visual se utilizan las composiciones de color, donde se pueden observar los rasgos del paisaje con características especificas.


manglar


25

3.5.1.1 Composiciones de color

Desplegando una banda por cada uno de los tres colores primarios rojo, verde y azul (RGB) es posible obtener diversas combinaciones que permiten observar algunos rasgos específicos en la imagen. Algunas de las composiciones utilizadas para estudios de manglar están descritas en Tabla 7.

Tabla 7 Composiciones de Color

Composición de Color (CC)

Descripción Muestra

Landsat 321

En SPOT y TERRA-ASTER no es posible

esta CC

Esta composición es denominada verdadero color pues se despliega cada banda utilizando el mismo color de la banda. En cuanto al manglar es difícil diferenciarlo de otras coberturas vegetales.

Landsat 432

SPOT 321

TERRA-ASTER 321

Esta composición es comúnmente conocida como falso color y es muy usada para identificación de vegetación. El manglar se ve de color rojo, áreas urbanas colores blanco/gris, cuerpos de agua en color negro, vegetación acuática color rosado. Y pantanos sin cobertura de color verde.

Landsat 453

SPOT 342

TERRA-ASTER 342

Esta composición es la que da mayor diversidad de colores por clases. El manglar se ve de color rojo, vegetación acuática en color naranja o fucsia, pasto en color verde claro, áreas urbanas color gris-azul, suelo desnudo y playas en color blanco-verde, pantanos sin cobertura de color azul-blanco (azul pantano húmedo, blanco pantano seco). Las áreas de cultivos mixtos están entre colores naranjas y verdes.


manglar


26

3.5.2 Evaluación de precisión del mapa de cobertura

Para realizar una evaluación estadística del mapa obtenido, se puede utilizar el coeficiente kappa (Hudson y Ramm, 1987), que es uno de los más empleados para la evaluación de resultados en procesos de clasificación o interpretación visual de imágenes de satélite (Chuvieco, 1996). La ventaja de este coeficiente radica en el hecho que estima los errores de clasificación en cada una de las clases, es decir es un valor ponderado de la calidad completa de la clasificación aproximándose más a la realidad (Congalton, 1991).

El valor de kappa es obtenido a partir de una matriz de confusión, que tabula la cantidad de aciertos y errores en la clasificación. Los valores de referencia en la matriz de confusión debe ser la verdad en terreno, la cual se dispone en las columnas, mientras que los valores de la clasificación quedan en las filas. A partir de la construcción de la matriz de confusión se estima el valor de kappa siguiendo la siguiente expresión matemática:

Donde n es el tamaño de la muestra, que para el caso será el total de píxeles del área de estudio clasificada y r es el número de clases. El valor del coeficiente kappa se puede evaluar según las categorías dadas por Landis y Koch (1977).

Para determinar la verdad en terreno se hace una distribución al azar de puntos considerando el total del área de estudio y encontrando en cada punto la categoría considerada correcta. El número de puntos de muestra se puede determinar con base en una estrategia estadística formal como la presentada por Wilkie y Finn (1996), que utilizando un porcentaje de precisión y un nivel de confianza, estima el total de puntos independientes requeridos. La categoría o clase correcta en cada punto puede ser determinada a partir de verificación visual usando fotografías aéreas, mapas realizados previamente o inclusive la información disponible en Google Earth.

Este valor de precisión debe ser incluido en la salida gráfica, así como también debe ser reportado en el documento de resultados y almacenado en los metadatos de la imagen

3.5.3 Estructuración de las unidades de manglar en el SIG

La estructuración de las unidades de manglar consiste en integrar la información biótica, física y socioeconómica recopilada durante el estudio a las unidades espaciales definidas en el procesamiento de las imágenes de satélite.

Para hacer esto se realiza una unión entre el mapa de cobertura y el mapa de localidades, lo que significa que el nuevo mapa producto de esta unión contiene el identificador con la clase de manglar (p.e. Bm1) y el identificador de la localidad (p.e. L1) que sumado es un nuevo identificador (p.e. Bm1L1). Con esta llave es posible adicionarle a este nuevo mapa la tabla con la información de la caracterización biótica, física y socioeconómica.


manglar


27

3.5.4 Elaboración de salidas graficas

Con la base de datos geográfica implementada se procede a elaborar los mapas temáticos para impresión, esta tarea se desarrolla con el apoyo de un modulo de elaboración de salidas graficas, como es ArcMap de ArcGIS 9.2. Cada mapa temático contiene los elementos básicos de cartografía: título, sistemas de coordenadas, escala gráfica, escala numérica, convenciones, leyenda, etc. Ejemplo de una salida grafica de cobertura de manglar y su leyenda se encuentran en el Anexo 4 y Anexo 5.

44 AANNÁÁLLIISSIISS EESSPPAACCIIOO –– TTEEMMPPOORRAALL DDEE BBOOSSQQUUEESS DDEE MMAANNGGLLAARR

Específicamente sobre el análisis espacio - temporal, se puede decir que uno de los aportes más destacados de la percepción remota al estudio del medio ambiente, es su capacidad para seguir procesos dinámicos, ya que las imágenes se captan por un sensor que observa la tierra desde una órbita estable y repetitiva, y por esta razón la importancia de la dimensión temporal ha crecido, puesto que para prevenir y evaluar una amplia variedad de fenómenos es pieza clave el seguimiento de su dinámica. Existe una amplia variedad de técnicas para detección de cambios con datos satelitales: composiciones multitemporales, diferencia o cociente entre imágenes, componentes principales, vectores multitemporales, y análisis de imágenes categorizadas (clasificadas). Esta última técnica, utilizada en el presente trabajo, se basa en el empleo de métodos de clasificación donde se discriminan las clases para cada fecha y luego son comparadas, una vez se tiene la clasificación separada de cada imagen; la determinación de cambios se hace construyendo una tabla cruzada con las clases presentes en cada fecha. La diagonal indica las áreas estables y el resto las áreas dinámicas. La gran ventaja de esta tabla es que ofrece las transiciones que se han producido especificando cual era la cobertura original y cual es la actual. (Chuvieco, 1996).

El esquema metodológico para la detección de cambios en las áreas de manglar se basa en aplicar a cada periodo la metodología aquí explicada, es decir utilizando técnicas de segmentación y clasificación por regiones. El año base del análisis, es decir el periodo actual, incluye trabajo de verificación en campo y la definición de las clases a identificar; y para todos los años a analizar se realizan las otras etapas hasta la elaboración del mapa de cobertura.

Para determinar los cambios se hace una superposición de los mapas teniendo en cuenta que se deben eliminar las áreas pequeñas por superposición de líneas, se calculan las áreas de cambio por cobertura a través de análisis boleano y se elabora la salida gráfica donde se muestran las áreas estables, áreas de pérdida y ganancia de cobertura.

4.1 Requisitos previos para el análisis espacio temporal

Es importante abordar previamente ciertas condiciones de las imágenes con el objetivo de garantizar una comparabilidad de los resultados obtenidos en el procesamiento, esto incluye de una manera radical el tema de la corrección geométrica y parcialmente las correciones radiométricas, específicamente corrección atmosférica.


manglar


28

El ajuste geométrico entre imágenes resulta crucial en este tipo de estudios, ya que el análisis de cambio se basa en la superposición de vectores, es decir que cualquier área que difiera entre un mapa y otro será detectada como una transformación. Chuvieco (1998) hace una comparación entre imágenes artificialmente desplazadas un píxel hacia el oeste y el sur, comparando el resultado con el archivo de partida reporta un porcentaje de cambio del 34%.

La homogenización radiométrica también resulta crítica para comparar imágenes entre si, puesto que los niveles digitales que definen una determinada imagen se refieren a unas condiciones específicas de adquisición (sensor, fecha, iluminación, etc.), pero no son extrapolables a otras. En esta propuesta, no se habla específicamente de comparación entre imágenes, sin embargo se propone realizar una corrección atmosférica previamente a los procesos de clasificación, por esto es preciso equiparar estos valores para trabajar en la misma escala todas las imágenes. Si no es posible realizar estrictamente la corrección atmosférica, puede ocurrir esto por ausencia de alguno de los paramentos requeridos para este procedimiento, se presentan dos alternativas: convertir los valores digitales originales a variables físicas (reflectancia,) o equipararlos entre imágenes. En el primer caso, es preciso acudir a modelos mas o menos complejos, según como solventen los efectos atmosféricos y las variaciones de iluminación. En esta propuesta metodológica se sugiere utilizar la corrección atmosférica ATCOR, lo cual significa que todas las imágenes a incluir en un análisis espacio temporal, deben ser corregidas del mismo modo. En el segundo enfoque basta una corrección relativa entre fechas, que puede obtenerse a partir de regresiones entre áreas invariantes de baja y alta reflectancia (sombras, aguas claras y profundas, suelos descubiertos, estacionamientos, pistas de aterrizaje) o partir de modelos atmosféricos simplificados.

55 CCOONNCCLLUUSSIIOONNEESS YY RREECCOOMMEENNDDAACCIIOONNEESS

Esta metodología se proyecta como una guía en la elaboración de cartografía temática dentro de procesos de planificación y gestión del ecosistema de manglar, mostrando integralmente las técnicas de percepción remota y SIG. Es un documento abierto a modificaciones de acuerdo a nuevas experiencias que sobre el tema realice el Laboratorio de Sistemas de Información LabSI de INVEMAR. Se espera que esta sea la primera aproximación en la estandarización de procesos de tal manera que pueda ser usado como herramienta para el monitoreo del ecosistema y sea apoyo en la tarea de generación de indicadores ambientales.

La selección de los sensores/satélites a utilizar dentro de esta metodología puede ser variada, esta propuesta solo incluye las imágenes que a la fecha se encuentran disponibles en el mercado y que cumplen con las características espectrales, espaciales y temporales descritas en el documento y que facilitan la delimitación de bosques de manglar. Día a día aparecen nuevas imágenes con diversas características y opciones de adquisición, se recomienda por esto hacer un chequeo periódico en Internet o vincularse a grupos o foros relacionados con temas de percepción remota y que publiquen información de este tipo.

Es importante observar que de acuerdo a las técnicas propuestas en este documento, procesamientos usando los valores digitales de la imagen y realizando análisis estadístico para el agrupamiento de clases (ver 3.4.3), no es imprescindible realizar métodos


manglar


29

absolutos para la corrección atmosférica (ver 3.4.1). La recomendación es aplicar este tipo de correcciones cuando se desarrollen procesos de la imagen basados en los valores físicos de la imagen (radiancia y/o reflectancia) o únicamente cuando se cuente con la información completa para correr el algoritmo seleccionado. Esta sugerencia se hace ya que cualquier dato faltante y por consiguiente, cualquier dato supuesto, puede modificar la atmósfera que se modela durante la corrección y a su vez alterar los valores reales de la imagen.

La segmentación y clasificación por regiones se presenta como una alternativa en el mapeo de manglar ya que ofrece ventajas frente a procesos de clasificación por píxel o interpretación visual. Se concluyen como ventajas la disminución del tiempo en la estructuración de información vectorial debido los procesos automáticos, eliminación de la subjetividad que puede traer la delimitación de áreas por parte de un intérprete y la suavización en las formas debido a que no son procesos basados en píxeles solos sin en regiones de píxeles. Sin embargo, no se deben descartar otros métodos de clasificación en los casos donde las condiciones de las imágenes no permitan realizar procesos automáticos.

Se debe anotar que esta metodología es flexible y puede ser aplicada en procesos que no incluyan caracterización estructural del bosque, caso en el cual el mapa resultado contendrá la delimitación de los bosques de manglar y no tendrá información asociada en la base de datos geográfica.

Por último, se recomienda tener dentro del banco de proyectos temas relacionados con el mapeo de manglares usando técnicas de PR y SIG de tal manera que se avance hacia el mejoramiento y optimización del uso de estas tecnologías de información. Se plantean algunos temas que pueden ser de interés en el corto plazo:

• Medición de datos espectrales en campo usando radiómetros para emplearlos en la calibración de las imágenes, correcciones atmosféricas o la determinación de firmas espectrales.

• Estudio de la relación existente entre la respuesta espectral de imágenes multiespectrales (4 bandas) para la diferenciación de bosques defoliados o poco densos.

• Estudio del potencial de las técnicas hiperespectrales para la discrimación de manglares hasta el nivel de especie.

• Integración de datos de satélites activos (radar, lidar) para la identificación de manglares, especialmente en áreas de alta pluviosidad.

• Estudio para el procesamiento de fotografías aéreas e integración con imágenes satelitales.

• Métodos de clasificación orientado a objetos, basada en variogramas o por niveles píxel y sub-pixel.


manglar


30

66 RREEFFEERREENNCCIIAASS

Alonso, D., P. Sierra-Correa, F. Arias-Isaza y M. Fontalvo. 2003. Guía metodológica para el manejo integrado de zonas costeras en Colombia, manual 1: preparación, caracterización y diagnóstico. Serie de Documentos Generales de INVEMAR. No.12, 94p.

Anouk V., F. Dahdouh-Guebas, K. Thomaes, N. Koedam, S. Hettiarachchi, W. De Genst 2002. High-Resolution Vegetation Data for Mangrove Research as Obtained From Aerial Photography. Environment, Development and Sustainability. V. 4, Issue 2, pp 113 – 133.

Arenas J.M., F.A. Bedoya. 2002. Aplicación de los sensores remotos en la evaluación de la distribución y superficie del bosque de manglar vallecaucano con estimación de tipos forestales de cobertura (un enfoque metodológico). Trabajo de grado para optar al título de Ingeniero Agrícola. Universidad Nacional de Colombia, Sede Palmira y Universidad del Valle. Santiago de Cali. 198 p.

Bins L.S., L.M.G. Fonseca, G.J. Erthal, F.M. Li. 1996. Satellite imagery segmentation: a region growing approach. In: 8 Simpósio Brasileiro de Sensoriamento Remoto. Anais. Salvador: Instituto Nacional de Pesquisas Espaciais, p. 221-223.

Buiten, H.J. y J.G.P.W. Clevers. 1993. Land Observation by Remote Sensing: Theory and Applications, vol. 3 of current topics in Remote Sensing. Gorden & Breach.

Carvalho M. 2003. Mapeamento da Sensibilidade Ambiental ao impacto por óleo de um segmento da costa entre os estados do Rio Grande Do Norte e Ceará u Imagens ETM+/Landsat 7 e geoprocessamento. Dissertação de Mestrado em Sensoriamento Remoto, orientada pelo Dr. Douglas Francisco Marcolino Gherardi e pela Dra. Cláudia Zuccari Fernandes Braga, aprovada em 15 de abril de 2003. Instituto Nacional de Pesquisas Espaciais – INPE. Sao José dos Campos. 278 p.

Chuvieco, E. 1996. Fundamentos de Teledetección espacial, 3ra edición revisada. Ediciones RIALP, S.A. Madrid,. 567 p.

Chuvieco, E. 1998. El factor temporal en la teledetección: evolución fenomenológica y análisis de cambios. Revista de Teledetección. No. 10. pp 1 – 9.

Crepani E. y S. De Madeiros 2003. Carcinucultura em apicum no lotral do Piauí: uma análise con sensoriamento remoto e geoprocessamento. Anais XI SBSR, Belo Horizonte, Brasil. INPE p. 1541 –1548.

Congalton, R. 1991. A review of assessing the accuracy of classification of remotely sensed data. Remote Sensing of Environment, v. 37, n.1, p. 35-45.

Cunha-Lignon M. 2001. Dinâmica do manguezal no Sistema de Cananéia-Iguape, Estado de de Sao Paulo – Brasil. Dissertaçao apresentada ao Instituo Oceanográfico da Universidade de Sao Paulo, como parte dos requisitos para obtençao do título de Mestre em Ciências, área de Oceanografía Biológica. Sao Paulo. 57 p.


manglar


31

Fonseca, M. G., S. Silva, E. Lopes, L. Vinhas; F. Y. Yamaguchi. J.C.L D'alge. 2000. Apostilla Processamento Digital de Imagens de sensores remotos, Divisão de Processamento de Imagens – Instituto nacional de Pesquisas Espaciais, PDI_3_correcao.pdf y PDI_7_seg_clas.pdf: Disponible en: <http://www.dpi.inpe.br/%7Eleila/ser437.html > Acceso en enero de 2007.

García-Valencia C., Y. Thomas, M. Cesaraccio, L. Ménanteau y P. Sierra. 2006. Aporte de la Teledetección al estudio de la vegetación se pantano en el Delta del río Atrato, Caribe Colombiano. Memorias XII Simposio Internacional en percepción remota y sistemas de información geográfica SELPER - Capítulo Colombia: SIG y percepción remota aplicados a riesgos naturales y gestión del territorio. Cartagena, Colombia, septiembre 24-19.

Gao, J., 1999. A comparative study on spatial and spectral resolutions of satellite data in mapping mangrove forests. International Journal of Remote Sensing. V 20, No.14, pp 2823 – 2833.

Green, E.P., P.J. Mumby, A.J. Edwards, C.D. Clark y A.C. Ellis. 1998. The assessment of mangrove Áreas using high resolution multispectral airborne imagery. Journal of Coastal Research, 14, 433-443.

Green, E.P., P.J. Mumby, A. J. Edwards, C.D. Clark. (Ed. A. J. Edwards), 2000. Remote Sensing Handbook for tropical Coastal Managemente. Coastal Management Sourcebooks 3, UNESCO, Paris. x + 316 PP.

Gónima, L., J. E. Mancera-Pinedo & L. Botero. 1998. Aplicación de imágenes de satélite al diagnóstico ambiental de un complejo lagunar estuarino tropical: Ciénaga Grande de Santa Marta, Caribe colombiano. Instituto de Investigaciones Marinas y Costeras INVEMAR. Santa Marta. Serie de publicaciones especiales No. 4: 56p.

González, A.E. 1991. El manglar de la Ciénaga Grande de Santa Marta: ecosistema en peligro de extinción. En: Colombia sus gentes y Regiones, IGAC, 21: 2 – 21

Gordon, S. I. 1980. Utilizing Landsat imagery to monitor land use change: a case study in Ohio. Remote Sensing of Environment 9: 189-196.

Hamilton, L.S. y S.C. Snedaker. 1984. Eds. Handbook for Mangrove Area Management. IUCN/UNESCO/UNEP. Honolulu, Hawaii, East-West Center.

Hudson, W.D. y C. W. Ramm. 1987. Correct formulation of the kappa coeficient of agreement. Photogrammetric Engineering and Remote Sensing, v. 53, n. 4, p. 421-422.

Hirose, K., M. Syoji, H.T.M Hang, N.H. Anh, T. Triet y V.N. Nam, 2004. Satellite Data Application for mangrove management. International Symposium on Geoinformatics for Spatial Infraestructure Development in Earth and Allied Sciences. Disponible en: http://gisws.media.osaka-cu.ac.jp/gisideas04/viewpaper.php?id=89. Acceso en octubre de 2006.


manglar


32

INVEMAR. 2005. Informe del Estado de los Ambientes Marinos y Costeros en Colombia: Año 2005. (Serie de publicaciones periódicas/INVEMAR; No.8) Santa Marta. 360 p. ISSN: 1692-5025

INVEMAR. 2005 (a). Actualización y ajuste al diagnóstico y zonificación de los manglares de la zona costera del departamento del Atlántico, Caribe colombiano. Informe final. Editado por: A. López y P.C. Sierra-Correa. INVEMAR – CRA. Santa Marta. 191 p + 5 anexo.

Kovacs J.M., J. Wang, M. Blanco-Correa. 2001. Mapping Disturbances in a Mangrove Forest using multi-date Landsat TM imagery. Environmental Management. V. 27, No. 5. pp. 763-776

Mas, J.-F.,1999 Monitoring land-cover changes: a comparison of change detection techniques. International Journal of Remote Sensing. V. 20, No. 1, p. 139 - 152

Meza Diaz, B. and Blackburn, G.A. 2000. The Spectral Reflectance Properties of Mangrove Leaves and the Relationships Between Vegetation Indices and Leaf Área Index of Leaf Stacks. International Journal of Remote Sensing.

MINISTERIO DEL MEDIO AMBIENTE (MMA). 1995. Resolución 1602 de 1995. Por la cual se dictan medidas para garantizar la sostenibilidad de los manglares en Colombia.

MINISTERIO DEL MEDIO AMBIENTE (MMA). 2001. Política Nacional Ambiental para el Desarrollo Sostenible de los Espacios Oceánicos y las Zonas Costeras e Insulares de Colombia. Ministerio de Medio Ambiente – Dirección General de Ecosistemas. 95 p.

MINISTERIO DEL MEDIO AMBIENTE (MMA). 2002. Uso sostenible, Manejo y Conservación de los Ecosistemas de Manglar en Colombia. Programa Nacional. Dirección General de Ecosistemas – Ministerio del Medio Ambiente. Bogotá. 59 p.

Landis, J y G. G. Koch, 1977. The measurements of observer agreement for categorical data. Biometrics, v. 33, n.3, p.159-179, Mar.

Lillesand, T.M., R.W. Kiefer y J.W. Chipman. 2004. Remote Sensing and Image Interpretation, fifth ed. John Wiley & Sons, New York, NY.

Lozano-Rivera, P. y P.C. Sierra-Correa 2005. Propuesta metodológica para delimitación de bosques de manglar a partir de datos satelitales utilizando SPRING v 4.1, en la reserva de biósfera Ciénaga Grande de Santa Marta, Caribe Colombiano. Memorias XII Simposio Brasileiro de Sensoriamento Remoto. Goiania. Brasil, 16-21 abril 2005, INPE, p4285-4293. ISBN 85-17-00018-8

Lozano-Rivera, P., P.C. Sierra-Correa y A. López-Rodríguez. 2006. Zonificación del bosque de manglar del departamento del Atlántico, Caribe colombiano a partir de percepción remota y sistemas de información geográfica. Memorias XII Simposio Internacional en percepción remota y sistemas de información geográfica SELPER - Capítulo Colombia: SIG y percepción remota aplicados a riesgos naturales y gestión del territorio. Cartagena, Colombia, septiembre 24-19.


manglar


33

Lozano-Rivera, P. y P.C Sierra-Correa. 2006. Aplicación de datos satelitales durante los últimos cincuenta años para el manejo del bosque de manglar en la Ciénaga Grande de Santa Marta, Caribe colombiano. Memorias XII Simposio Internacional en percepción remota y sistemas de información geográfica SELPER - Capítulo Colombia: SIG y percepción remota aplicados a riesgos naturales y gestión del territorio. Cartagena, Colombia, septiembre 24-19.

Phinn S. y M. Stanford. 2001. Monitoring Land-Cover and Land-Use Change in a Rapidly urbanising coastal environment: the Maroochy and Mooloolah Rivers Catchments, Southeast Queensland, 1988 1997. Australian Geographicla Studies. V. 39, Issue 2. p 217.

Rao P. K., S. H. Holmes, R. K. Anderson, J. S. Winston and P. E. Lehr, editors. 1990. Weather Satellites: Systems, data and Environmental Applications. Boston, 503 AMS.

Rasolofoharinoro M., F. Blasco, M. F. Bellan, M. Aizpuru, T. Gauquelin, J. Denis. 1998. A remote sensing based methodology for mangrove studies in Madagascar International Journal of Remote Sensing. V. 19, No. 10 , pp 1873 - 1886

Ratanasermpong, S. y D. Disbunchong. 2000. Coastal zone environment mangemente with emphasis on mangrove ecosystem, a case study of Ao-Sawi, Thung Khla. Chumphon, Thailand, Bangkok. Disponible en: http://www.gisdevelopment.net/aars/acrs/2000/ts3/cost003.shtml Acceso en octubre de 2007.

Richter, R. 1990. A fast atmospheric correction algorithm applied to LANDSAT TM images. International Journal of Remote Sensing 11(1):159-166.

Richter, R. 1997. Correction of atmospheric and topographic effects for high spatial resolution satellite imagery. Int. J. Remote Sensing 18:1099-1111

Rivera, V. y J. Mancera. 2001. Proyecto : Estructura y función de un ecosistema de mangalr a lo largo de una trayectoria de restauración – El caso de la región Ciénaga Grande de Santa Marta. University of Lousiana at Lafayette – Center for Ecology anda Environmental Technology, Instituto de Investigaciones Marinas y Costeras INVEMAR, Reporte Final. p. 241

Rollet, B.1974. Introduction a L’Etude des Mangroves du Mexique. Photo-Interpretation. Types de Forêt. Mexico. 73 p.

Sabins, F.F. 1996. Remote sensing: Principles and Interpretation, third ed. Freeman & Co., New York, NY.

Saito, H., M.F. Bellan, A. Al-Habshi, M. Aizpuru, F. Blasco, 2003. Mangrove research and coastal ecosystem studies with SPOT-4 HRVIR and TERRA ASTER in the Arabian Gulf. International Journal of Remote Sensing. Publisher: Taylor & Francis. Volume 24, Number 21 / November 10, 2003. pp. 4073 - 4092


manglar


34

Sánchez-Páez, H.; R. Alvarez-León; F. Pinto-Nolla; A.S. Sánchez-Alferez; J.C. Pino-Renjifo; I. Garcia-Hansen y M.T. Acosta-Peñaloza. 1997a. Diagnóstico y zonificación preliminar de los manglares del Caribe de Colombia. En: Sánchez-Páez, H. y R. Alvarez-León (eds.) Proy. PD 171/91 Rev. 2 (F) Fase I. Conservación y Manejo para el Uso Múltiple y el Desarrollo de los Manglares de Colombia. MINAMBIENTE/OIMT. Santa Fe de Bogotá D.C., Colombia. 511 p.

Sánchez-Páez, H.; R. Alvarez-León; O.A. Guevara-Mancera; A. Zamora-Guzmán; H. Rodríguez-Cruz y H.E. Bravo-Pazmiño. 1997b. Diagnóstico y zonificación preliminar de los manglares del Pacífico de Colombia. In: Sánchez-Páez, H. y R. Alvarez-León (eds.) Proy. PD 171/91 Rev. 2 (F) Fase I. Conservación y Manejo para el Uso Múltiple y el Desarrollo de los Manglares de Colombia. MINAMBIENTE/OIMT. Santa Fe de Bogotá D.C., Colombia. 343 p.

Sánchez-Páez H., G. A. Ulloa-Delgado, R. Álvarez-León, W. Gil-Torres, A. S. Sánchez-Álferez, O. A. Guevara-Mancera, L. Patiño-Callejas y F. E. Páez-Parra. 2000. Hacia la recuperación de los manglares del Caribe de Colombia. H. Sánchez-Páez, G. Ulloa-Delgado y R. Álvarez-León (eds.). Minambiente – Acofore – OIMT. 350 p.

Sánchez-Páez H, G.A Ulloa-Delgado y H.A. Tavera-Escobar. 2004 (a). Manejo integral de los manglares por comunidades locales, Caribe de Colombia. Proyecto PD 60/01 REV.1 (F): Manejo sostenible y restauración de los manglares por comunidades locales del Caribe de Colombia. MAVDT/ CONIF/OIMT, Bogotá. 335 p.

Sánchez-Páez, H., Rendón-Orduz, M.M., Casas-Monroy, O. 2004 (b) Historia del proceso del deterioro de los bosques de manglar, p59-78. En: Garay, J., J. Restrepo, O. Casas, O. Solano y F. newmark (eds.) 2004. Los manglares de la ecorregión Ciénaga Grande de Santa Marta: pasado, presente y futuro. INVEMAR- Serie de publicaciones especiales No. 11. Santa Marta. 236 p.

Sierra, P.C. 2001. Coastal lnadscape analysis using advanced remote sensing techniques for ICZM: Case study Guapi-Iscuandé, Pacific coast Colombia. ITC, thesis for degree of Master. Enschede, The Netherlands.105 p

Spalding, M.D., Blasco, F., Field, C.D. 1997. World Mangrove Atlas. International Society for Mangrove Ecosystems, Okinawa.

Thomas, Y. F., Ménanteau L., García-Valencia C. 2005. Análisis del uso del suelo por acuicultura en el delta del Canal del Dique entre 1986 y 2003 (Caribe colombiano) Boletín Científico CIOH No. 23, ISSN 0120-0542, Cartagena de Indias, Colombia, pp. 140-155.

Ulloa-Delgado G.A., H. Rodríguez-Cruz, W. Gil-Torres Y J.C. Pino-Renjifo, 1998. Manual Sobre dinámica de crecimiento, capacidad de regeneración natural y aspectos fenológicos de los manglares. MMA, OIMT y ACOFORE. Bogotá, 21p.

Vargas, D.Y. 2002. Caracterización y determinación de los cambios espacio – temporales (1989 – 2000) en el bosque de manglar del complejo de las bocanas de Guapi – Iscuandé, Pacífico colombiano mediante la aplicación de sensores remotos. Trabajo de


manglar


35

grado para optar al título de Biólogo Marino. Fundación universitaria Jorge Tadeo Lozano. Bogotá. 228 p.

Villamil, A.M. 2000. Evaluación de los cambios espacio temporales (1990-1999) de los bosques de manglar de la Ciénaga Grande de Santa Marta utilizando imágenes de satélite. Trabajo de grado para optar al título de Biólogo Marino. Fundación universitaria Jorge Tadeo Lozano. 120 p.

Wilkie, D. S.; Finn, J.T. 1996. Remote sensing imagery for natural resources monitoring. New York; Columbia University Press, 1996. 295 p.


manglar


36

77 AANNEEXXOOSS

Anexo 1 Mapa imagen de campo, zona costera del departamento del Valle del Cauca, Pacífico colombiano.



1

ESTACION N AREA DAP prom. DAPmax. h prom. h max. AB

AB (m2/0,1 ha)

DENSIDAD (ind./0,1 ha) salinidad % tala Especie dominante

Composición de especies

Regeneración natural

E1 10 100 11,3 17,2 6,2 10,0 0,11 1,13 100,0 1,2 <10 C. erectus

C. erectus, A. germinans, L. racemosa. 0,00

E2 16 100 10,0 23,2 4,5 5,4 0,16 1,57 160,0 1,0 <10 C. erectus C. erectus, L. racemosa. 0,00

E4 19 100 11,4 33,5 5,0 7,2 0,27 2,72 190,0 1,2 <10 C. erectus C. erectus, L. racemosa. 0,00

E9 6 100 21,5 30,5 7,2 7,5 0,24 2,38 60,0 1,2 <10 C. erectus C. erectus. 0,00

E10 59 200 5,1 9,4 3,6 5,0 0,14 0,68 295,0 28,7 >25 A. germinans A. germinans, C. erectus. 4,11

E10a 36 100 5,9 20,1 3,9 7,0 0,12 1,23 360,0 28,7 <10 C. erectus C. erectus. 0,00

E11 20 100 13,0 34,0 5,3 10,0 0,34 3,41 200,0 28,7 >25 A. germinans A. germinans, L. racemosa. 0,00


E21 78 300 5,8 26,0 4,5 14,0 0,32 1,06 260,0 33,9 >25 A. germinans A. germinans, C. erectus. 0,00

E21a 24 100 9,6 26,0 7,4 14,0 0,24 2,39 240,0 33,9 <10 A. germinans A. germinans, C. erectus. 0,00


E25 149 300 4,1 7,4 3,6 5,5 0,21 0,72 496,7 27,3 >25 A. germinans A. germinans. 0,11

E27 31 100 6,1 17,4 6,1 6,6 0,12 1,24 310,0 0,8 <10 C. erectus C. erectus. 0,00

E29 56 400 7,4 20,2 4,9 10,0 0,32 0,80 140,0 25,0 >25 A. germinans A. germinans y R. mangle. 3,50

E30 170 300 6,4 37,0 4,8 8,0 0,76 2,53 566,7 19,1 >25 A. germinans A. germinans. 2,77

E30A 155 300 6,1 14,3 6,5 10,5 0,55 1,84 516,7 4,9 >25 A. germinans

A. germinans, C. erectus, L. racemosa. 1,39

E33 36 200 11,8 35,4 7,1 16,0 0,68 3,42 180,0 4,7 >25 A. germinans

A. germinans, R. mangle, L. racemosa, C. erectus. 19,99

E34 27 100 6,5 13,2 4,2 5,2 0,11 1,06 270,0 20,8 <10 A. germinans A. germinans. 0,33

E35 68 200 9,1 26,0 7,8 10,0 0,56 2,81 340,0 18,5 >25 A. germinans

A. germinans, R. mangle, C. erectus, L. racemosa. 10,67


E37 121 300 6,2 26,0 4,2 9,5 0,52 1,75 403,3 22,7 10<25 A. germinans A. germinans. 10,78

Anexo 2 Tabla de características estructurales del manglar por estación, departamento del Atlántico.



2

ESTACION DESCRIPCION CLASE

El rodeo Bosque ralo, de área basal media, con altura promedio de 6 m, dominado por C. erectus, mezclado con vegetación arbórea, regeneración natural escasa y poco intervenido por tala.

Bm1

E2 Bosque ralo o poco denso, de área basal media a alta, con altura promedio entre 4 y 7 m, dominado por C. erectus, regeneración natural escasa y poco intervenido por tala.

Bm2

E4 Bosque ralo o poco denso, de área basal media a alta, con altura promedio entre 4 y 7 m, dominado por C. erectus, regeneración natural escasa y poco intervenido por tala. 3

Bm2


Bm2

E10 Bosque poco denso, de área basal baja, con altura promedio entre 3,5 y 4,5, dominado por A. germinans, regeneración natural escasa a media y muy intervenido por tala.

Bm3

E10a Bosque poco denso, de área basal media, con altura promedio de 3,8, dominado por C. erectus, regeneración natural escasa y poco intervenido por tala. Bm4

E11 Bosque ralo, de área basal media a alta, con altura promedio entre 5 y 6 m, dominado por A. germinans, regeneración natural escasa y muy intervenido por tala.

Bm5

E14 Bosque ralo, de área basal media a alta, con altura promedio entre 5 y 6 m, dominado por A. germinans, regeneración natural escasa y muy intervenido por tala.

Bm5

E21 Bosque poco denso, de área basal baja, con altura promedio entre 3,5 y 4.5, dominado por A. germinans, regeneración natural escasa a media y muy intervenido por tala.

Bm6

21a Bosque poco denso, de área basal alta, con altura promedio de 7 m, dominado por A. germinans, regeneración naural escasa y poco intervenido por tala. Bm7

E24 Bosque denso, de área basal baja a media, con altura promedio entre 3,5 y 4,5 m, dominado por A. germinans, regeneración natural escasa y muy intervenido por tala.

Bm8

E25 Bosque denso, de área basal baja a media, con altura promedio entre 3,5 y 4,5 m, dominado por A. germinans, regeneración natural escasa y muy intervenido por tala.

Bm8


Bm2

E29 Bosque ralo, de área basal baja, con altura promedio de 5m, dominado por A. germinans, regeneración natural media y muy intervenido por tala. Bm9

E30 Bosque denso, de área basal media a alta, con altura promedio entre 5 y 6.5 m, dominado por A. germinans, regeneración natural escasa y muy intervenido por tala.

Bm10

E30A Bosque denso, de área basal media a alta, con altura promedio entre 5 y 6.5 m, dominado por A. germinans, regeneración natural escasa y muy intervenido por tala.

Bm10

E36 Bosque poco denso, con área basal alta, con altura promedio entre 7 y 9,5 m, dominado por A. germinans, regeneración natural abundante y muy intervenido.

Bm11

E37 Bosque poco denso, con área basal media, con altura promedio de 4.1, dominado por A. germinans, regeneración natural media a abundante y muy intervenido por tala .

Bm12

E33 Bosque poco denso, de área basal alta, con altura promedio entre 7 y 9,5 m, dominado por A. germinans, regeneración natural abundante y muy intervenido por tala.

Bm11

E34 Bosque poco denso, con área basal media, con altura promedio de 4.1, dominado por A. germinans, regeneración natural media a abundante y muy intervenido por tala .

Bm12

E35 Bosque poco denso, de área basal alta, con altura promedio entre 7 y 9,5 m, dominado por A. germinans, regeneración natural abundante y muy intervenido por tala.

Bm11

Anexo 3 Tabla de descripción de las clases de manglar, departamento del Atlántico.



3

Anexo 4 Mapa de cobertura de manglar, departamento del Atlántico.



4

Anexo 5 Leyenda mapa de cobertura de manglar, departamento del Atlántico.

Date post:	25-Oct-2021
Category:	Documents
Upload:	others
View:	5 times
Download:	0 times

Técnicas de percepción remota y sistemas de información ...

Documents