INDICADORES DE VEGETACION

Los índices de vegetación, o índices verdes, son transformaciones que implican efectuar
una combinación matemática entre los niveles digitales almacenados en dos o más bandas
espectrales de la misma imagen. (Esperanza y Zerda, 2002). El desarrollo de estos índices
obedeció a la observación de la consistencia de la respuesta a la reflectancia de la luz roja
e infrarroja de la vegetación verde: a mayor cantidad de clorofila, mayor absorción de la
luz incidente roja; a mayor volumen foliar, mayor reflectancia de la luz infrarroja cercana.
Considerando que pueden existir otras coberturas con alta reflectancia en el infrarrojo, u
otras con alta absorción en el rojo, el empleo de solo una banda puede conducir a errores.
Sin embargo, solo la vegetación viva produce invariablemente ambas respuestas, de modo
que si se calcula el cociente 41 de la reflectancia infrarroja por la roja, o su diferencia,
como la primera siempre aumenta conforme la segunda disminuye, el cociente (o
diferencia) será mayor cuanta más vegetación haya, por el efecto aditivo que una mayor
abundancia de vegetación produce (Towers, 2002).

 NDVI

Sus siglas significan Índice de Vegetación Diferencial Normalizado, es el índice de

vegetación más utilizado para todo tipo de aplicaciones. La razón fundamental es su
sencillez de cálculo, y disponer de un rango de variación fijo (entre –1 y +1), lo que
permite establecer umbrales y comparar imágenes, etc. Este índice da lugar a isolíneas de
vegetación de pendiente creciente y convergente en el origen (Sánchez, et al, 2000)

Para valores muy bajo de NDVI (orden de 0.1) es para áreas rocosas, arenosas o nevadas.

Para valores entre 0.2 y 0.3 a áreas pobres con arbustos o pastizales.

A partir de estos valores mencionados anteriormente tendremos los niveles

correspondientes a praderas, cultivos, forestaciones etc. dependiendo el valor alcanzado.

Sin embargo, tiene el inconveniente de ser sensible a la reflectividad del suelo sobre el
que se sitúa la planta, lo que limita su potencial de discriminación. Por ejemplo, en una
zona con baja densidad de vegetación, la reflectividad de un pixel en la banda infrarroja
y en la banda roja, vendrían determinados fundamentalmente por el suelo, con una
pequeña variación debida a la presencia de vegetación. El resultado, es que un índice de
vegetación de esa zona, daría resultados muy similares a los del suelo desnudo y sería
imposible detectar la presencia de vegetación. De hecho, este problema es bastante grave
cuando la cubierta vegetal es menor del 50%, lo que ocurre bastante a menudo, incluso
en zonas cultivadas, siendo su uso poco aconsejable en esas condiciones. (más adelante
se expone un ejemplo aplicado).

 SAVI

El índice de suelo ajustado, también tiene en cuenta la reflectividad del suelo y permite
aislar la información que aporta la vegetación, de la que procede del suelo que está bajo
ella.

Al usar este índice, dos coberturas vegetales de igual actividad fotosintética, pero sobre
suelos muy diferentes, aparecerán con igual (o muy similar) índice SAVI, a diferencia de
lo que puede suceder en el NDVI clásico. Es importante considerar, que si la cobertura
de vegetación no es suficientemente densa, los valores medidos de reflectancia, pueden
deberse, no sólo a la vegetación, sino también al suelo subyacente. En la imagen número
5, podemos apreciar que en la imagen de la izquierda los pixeles tienen cobertura vegetal
del 100%, en cambio en la imagen de la derecha, el pixel del centro, en amarillo, posee
una cobertura del 15% aproximadamente, donde el valor registrado por sensor esta
fuertemente influencoiado por la reflectancia del suelo.
Para lograr el objetivo de separar las radiancias del suelo y la vegetación, se añadió una
constante L al denominador del NDVI, donde L puede tomar valores entre 0 y 1,
dependiendo de la densidad de la vegetación (valores más altos del índice, para
densidades más bajas). Para mantener el mismo rango de variación que el NDVI, el
resultado debe multiplicarse por 1 + L. Huete (1988), basándose en un modelo de
transferencia radiactiva, mostró que un valor de L = 0.5 permitía mejorar el ajuste,
especialmente, para densidades intermedias de vegetación y sobre todo porque un valor
de L = 0 produce el mismo resultado que el NDVI y si L vale 1, el resultado es equivalente
al PVI.

SAVI = [(IRC – R) / (IRC + R + L)] (1 + L)

IRC= banda del infrarrojo cercano.

R= banda del Visible, Roja.

L= constante de compensación promedio, 0.5

 EVI

Índice de vegetación mejorado, también conocido como EVI por su sigla en inglés.
Provee información que permite monitorear el estado de la vegetación en caso de altas
densidades de biomasa. El EVI, provee información que permite monitorear el estado de
la vegetación de forma continua desde febrero de 2000 hasta la actualidad.
Fue optimizado a partir del NDVI para reducir la influencia de la atmósfera, por ejemplo,
por la dispersión de aerosol. Por lo tanto este índice es más apropiado para zonas con
escasa cobertura vegetal y fuerte efecto del suelo desnudo y no presenta problemas de
saturación como el NDVI en zonas con altas densidades de biomasa.

Los valores mayores a 0 están asociados a presencia de vegetación. De acuerdo a la

leyenda utilizada, los tonos de verde oscuro presentan un mejor estado de la vegetación,
y los tonos de beige indicarían situaciones de estrés para la misma.

 ÍNDICE DE ESTRÉS HÍDRICO MSI

De todos los índices no verdes de uso común, el más conocido es el denominado MSI, o
Índice de Estrés Hídrico (Rock et al. 1985). Se calcula dividiendo la reflectancia de la
banda 5 del Landsat por la de la banda 4. Como se mencionara anteriormente, la banda 4
responde a la biomasa presente y la banda 5, fuertemente afectada por el contenido de
agua en la planta, tiene una respuesta similar en plantas 45 sana, pero en una planta seca
o bajo stress hídrico, la reflectancia medida aumenta proporcionalmente más que la de la
banda 4. El resultado es que a medida que la vegetación se seca, el MSI aumenta.
Conforme una hoja se seca, aumenta su reflectancia a lo largo de todo el espectro. El
secado produce aumentos en la zona del rojo (0,6 – 0,7 μm), y en el infrarrojo medio en
la zona de las bandas de absorción de agua (1,4 μm, 1,9 μm, y 2,6 μm) (Towers, 2002).
El MSI puede ser una alternativa para conocer el estado de estrés hídrico de un cultivo o
una cobertura vegetal, y está relacionado con la temperatura de la planta y la humedad
aprovechable del suelo (Palacios et al., 2009). El Índice de Estrés hídrico se calcula
mediante la siguiente expresión: NIR SWIR NIR SWIR MSI    (11) Donde: NIR=
reflectancia corregida atmosféricamente correspondiente al infrarrojo cercano SWIR =
reflectancia corregida atmosféricamente correspondiente al infra rojo medio.
  DESCARGA DE IMÁGENES SATELITALES PARA
PRECIPITACIONES

Para empezar ingresamos a la pagina GIOVANNI, que es un servidor de la Nasa donde

se pueden descargar imágenes de precipitaciones, hidrología, biología oceánica, química
atmosférica, dinámica atmosférica

Después empezamos a crear un mapa con datos de todo un año promedio acumulado
Despues escogemos el periodo donde deseamos obtener las precipitaciones

Una vez escogido el periodo, se selecciona la zona de donde se desea obtener el promedio
acumulado de precipitaciones.

Despues en Keyword escribimos precipitaciones y nos darán todas las imágenes

disponibles para precipitaciones, las cuales no son todas las existentes.
Aca se muestra todas las opciones de imágenes satelitales de precipitación disponible en
este servidor, con la fecha indicada y el área delimitada.

Se escoge el satelite que deseamos, si se desea comparar resoluciones es recomendable

escoger varias opciones. Para seleccionar una de ellas se da clic en la casillera en blanco
en el lado derecho y despues se da clic en la opcion Plot Data

Como se puede observar, el servidor esta procesando la información ingresada y esta

cargando la imagen seleccionada.
Aca podemos observar la imagen satelital de precipiacion, la cual tiene una resolucion
muy baj. Para poder obtener mejor resolucion es recomendable probar con otros sateliters
y comparar cual es la mejor opcion

Se puede descargar la imagen en los formatos Tiff, pgn y kmz, esto dependerá de la
aplicación que se le desee dar.
BIBLIOGRAFIA

 Palacios, J. Bisher, Y. Cabrera, F. 2009. Aplicación de la Radiometría

Multiespectral para Detectar Estrés Hídrico en el Cultivo de Maíz (Zea mayz L.)
en el Sur de Sonora, Mexico. Universidad de Sonora. UNISON – INIFAP

 Rock, B. N., D. L. Williams, and J E. Vogelmann. 1985. Field and airborne spectral
characterization of suspected acid deposition damage in red spruce (Pricea rubens) from
Vermot, Machine Processing of Remotely Sensed Data Symposium, 71-81, 1985.
 Towers, P. 2002. Conceptos Iniciales sobre Teledetección y su Aplicación al Agro. Buenos
Aires, 138 p.
Link:http://sedici.unlp.edu.ar/bitstream/handle/10915/34487/Documento_completo.
pdf?sequence=1