POTENCIALIDAD DE LOS ÍNDICES DE VEGETACIÓN

PARA LA DISCRIMINACIÓN DE COBERTURAS FORESTALES

Speranza F. C.1y H. R. Zerda2

RESUMEN: La elaboración de inventarios de las coberturas del suelo, brinda información básica para la

planificación, ordenación, uso y gestión en general del ambiente. Para ello, las imágenes satelitales son

herramientas de gran importancia para cuantificar y conocer la distribución espacial y temporal de las

coberturas. En este estudio se utilizaron las imágenes multiespectrales ETM+ del satélite Landsat 7. La

exactitud de la identificación y discriminación de las diferentes coberturas vegetales aumentó a través de

la implementación de combinaciones de bandas y sus transformaciones matemáticas mismas. En este

caso, los denominados índices de vegetación de diferencia normalizada (NDVI), representan un

comportamiento definido de la vegetación basados en su comportamiento espectral frente a las

radiaciones rojas e infrarrojas del espectro electromagnético. A través de métodos gráficos para estimar

la separabilidad entre coberturas (firmas espectrales, dispersión espectral y diagramas de dispersión) se

logró valorar visualmente la capacidad de estos índices para la discriminación de coberturas forestales,

fundamentalmente entre coníferas y latifoliadas. Mediante la distancia normalizada JM de Jeffries-

Matusita se evaluó cuantitativamente la discriminación, mostrando que el índice de vegetación que

aporta mayor información para la discriminación promedio de las coberturas forestales es el denominado

NDVI54, posteriormente y en forma decreciente respecto a la capacidad de separabilidad de las

coberturas, le siguen los índices NDVI47, NDVI53, NDVI52, NDVI51, y NDVI43. El índice NDVI75 ofrece

la menor separabilidad entre categorías, debido a la fuerte correlación que existe entre estas bandas

espectrales.

Palabras Clave: coberturas del suelo, imágenes satelitales multiespectrales, índices de vegetación.

(1) Proyecto Picto 12931, INTA Manfredi, Ruta 9 Km 636, (5988) Manfredi, Córdoba. E-mail:

cesarflavio@yahoo.com.ar. Tel/Fax: +54-3572-493039/53/58/61.

(2) Facultad de Ciencias Forestales, UNSE, Av. Belgrano 1200, (4200) Capital, Santiago del Estero.

E-mail: hzerda@unse.edu.ar. Tel./Fax: +54-385-4509550.

1
INTRODUCCION

La elaboración de inventarios de la cobertura del suelo, brinda información básica para la

planificación, ordenación, uso y gestión en general del ambiente. Por cobertura del suelo se entiende a

la cubierta (bio)física sobre la superficie de la tierra (Di Gregorio y Jansen, 2000).

La teledetección espacial es una herramienta fundamental para la elaboración de la cartografía,

técnica que permite adquirir imágenes multiespectrales por medio de sensores remotos. Las imágenes

generadas mediante esta tecnología brindan no solamente mayor cantidad de observaciones sobre las

coberturas del suelo, en comparación a los levantamientos terrestres, sino también permiten la detección

de características de la vegetación que solo se manifiestan en regiones del espectro electromagnético

que no pueden detectarse a simple vista. A través de los años, la disponibilidad al público en general y

los costos de las imágenes satelitales fueron más accesibles, a lo que se suman el incremento en la

resolución tanto espacial como espectral. Por este motivo la interpretación y análisis de tales fuentes de

información presentan una singular dinámica de desarrollo.

La aplicación de la teledetección en nuestro país se viene incrementando en los últimos años,

especial mención merece en el campo forestal, la realización del Primer Inventario Nacional de Bosques

Implantados (SAGPyA Forestal, 2001), apoyados en la interpretación visual de imágenes satelitales

multiespectrales. Aquí vale mencionar que en la cartografía correspondiente a la publicación final de este

Inventario, pudo observarse que las forestaciones con edades de 5 años pertenecientes a la empresa

Danzer Forestaciones S.A., ubicadas en el lote El Porvenir, no se encuentran cartografiadas. Esta

omisión pudo haber estado presente en otros sectores de la superficie de estudio. El objetivo del

presente trabajo es proponer formas de mejorar la exactitud de la identificación y discriminación de

coberturas a través del uso de índices de vegetación, transformaciones matemáticas de las bandas

espectrales originalmente captadas por el sensor remoto.

MATERIALES Y MÉTODOS

Área de estudio

La zona de estudio corresponde al lote llamado El Porvenir perteneciente a la empresa Danzer

Forestaciones S.A., localizado en las cercanías de la ciudad de Posadas, Provincia de Misiones, ubicado

en latitud 27º27’ S y longitud 55º59’ E. El mismo se encuentra dentro de la Región Fitogeográfica de la

Selva misionera.

2
Información Auxiliar: Fotografías Aéreas de Pequeño Formato (FAPEF)

Se utilizó una cámara fotográfica reflex Minolta de 35 mm, lente de 50 mm y película Fujicolor 100

ASA. La fecha de toma de las fotografías fue el día 22 de Octubre de 2001.

Se utilizaron copias en papel de 10 cm por 15 cm, con un factor de ampliación 1:4, y en una escala

media aproximada de 1:10.000.

Las fotografías aéreas de grandes escalas auxilian eficientemente a la interpretación de imágenes

satelitales, disminuyendo considerablemente el costo y tiempo del trabajo a campo; con tal información

detallada, la “verdad terrestre” puede ser reemplazada por la “verdad aérea” (Kenneweg, 1992).

Datos satelitales multiespectrales

Los datos satelitales multiespectrales corresponden al satélite Landsat 7, el cual posee un sensor

óptico-electrónico de barrido (scanner) multiespectral, denominado ETM+ (Enhanced Thematic Mapper)

Cartógrafo Temático Mejorado, especialmente diseñado para la elaboración de cartografía temática. Este

posee 7 bandas ubicadas en diferentes longitudes de onda y un canal pancromático. A modo práctico,

las bandas espectrales del sensor se nombran como TM1 hasta TM7, respectivamente. La escena

utilizada es la 224–79, del sistema WRS II de Landsat, adquirida en la fecha 3 de Marzo de 2001.

Índices de vegetación

El comportamiento teórico de la vegetación vigorosa (figura 1) muestra una reducida reflectividad

en las bandas visibles debido al efecto absorbente de los pigmentos de clorofilas, xantofilas y carotenos,

captando la radiación situada en torno a los 0,445 µm, coincidente con el rango de la banda TM1. La

clorofila presenta una segunda banda de absorción cercana a los 0,645 µm, perteneciente al rango de la

banda TM3. Entre ambas porciones del espectro, aparece una banda intermedia, alrededor de los 0,55

µm , banda TM2, en donde el efecto absorbente es menor, mostrando así un máximo relativo de

reflectividad. (Gates et al., 1965).

Figura 1: Comportamiento espectral teórico de la vegetación vigorosa

Tomado de Molina, 1984

3
 En el infrarrojo cercano presenta una elevada reflectividad debido principalmente a la estructura

celular interna de la hoja, (Harris, 1987). Esto se reduce paulatinamente hacia el infrarrojo medio,

llegando a 1,45 µm en donde el efecto absorbente del agua provoca una drástica reducción de la

reflectividad, esta absorción también se produce a los 1,92 µm y 2,7 µm (Lusch, 1989). Entre estas

bandas del espectro electromagnético, donde la absorción del agua es más clara, se sitúan dos picos

relativos de reflectividad en torno a 1,6 µm y 2,2 µm, donde se encuentran las bandas del sensor ETM+

TM5 y TM7 respectivamente.

Generación de los índices de vegetación

Los índices de vegetación son transformaciones que implican efectuar una combinación

matemática, entre los niveles digitales almacenados en dos o más bandas espectrales de la misma

imagen. El principio en el que se encuentran apoyados es el comportamiento radiométrico de la

vegetación vigorosa, descrito anteriormente.

Rouse et al. (1974) desarrollaron el denominado índice de vegetación de diferencia normalizada

(NDVI – Normalized Difference Vegetation Index). Este asume valores en un rango de –1 a +1, y se

calcula mediante: IC − R TM 4 − TM 3
NDVI 43 = =
IC + R TM 4 + TM 3

Rock et al. (1985) definieron un índice de estrés hídrico (MSI – Moisture stress index) utilizando el

cociente entre la banda TM5 y la TM4, poniendo así en evidencia los cambios en el estrés hídrico de las

plantas con: TM 5 − TM 4
NDVI 54 =
TM 5 + TM 4

Lee y Nakane (1997) desarrollan un índice que correlaciona la biomasa con los niveles digitales

según la transformación: TM 7 − TM 5
NDVI75 =
TM 7 + TM 5

Ray (1994) implementa las combinaciones TM5/TM3 y TM4/TM7. Para una mayor comprensión se

generan los cocientes de diferencia normalizada:

TM 5 − TM 3 TM 4 − TM 7
NDVI53 = NDVI 47 =
TM 5 + TM 3 TM 4 + TM 7

Schneider (1998) ha experimentado con otros índices, con el objetivo de aumentar la discriminación

entre coberturas vegetales:

TM 5 − TM1 TM 5 − TM 2
NDVI 51 = NDVI 52 =
TM 5 + TM1 TM 5 + TM 2

4
Determinación de clases temáticas

Las categorías temáticas identificadas, sobre las cuales se realizarán los análisis multivariados para

su discriminación, se detallan a continuación: i) Paraíso (Melia azedarach L.) diferenciando dos

coberturas de dos años diferentes: a) Paraíso A: año de plantación 1993, y b) Paraíso B: año de

plantación 1994; ii) Grevillea (Grevillea robusta); iii) Kiri (Paulownia tomentosa); iv) Pino (Pinus Taeda), v)

Selva en galería, incluyendo especies de la selva climax (Tortorelli, 1956); y vi) Pastizal natural

característico de la zona (Cabrera, 1976).

Se determinaron cada una de las categorías que pretendían discriminarse, teniendo en cuenta su

propia variabilidad en la zona de estudio. Este objetivo se logra seleccionando una muestra de píxeles

de la imagen que representen adecuadamente a las categorías de interés.

Dependiendo de la variabilidad de la cobertura, se seleccionaron entre 3 y 6 parcelas de muestreo,

con un área total de 60 píxeles por cada cobertura, equivalente a una superficie de 5,4 hectáreas.

Respecto a la distribución, se tuvo en cuenta las características de cada cobertura, intentando abarcar

las variaciones que se presentan, como ser su densidad, vigor, sanidad, calidad de sitio, tipo de suelo,

etc.

Tanto la precisión de la localización, así como la distribución de las áreas de entrenamiento

estuvieron estrechamente ligadas a la información auxiliar aportada por las FAPEF.

Medidas de la separabilidad entre coberturas

Métodos gráficos

Firmas espectrales: para realizar una primera valoración visual de la variabilidad de las áreas de

entrenamiento, se genera un gráfico bidimensional a partir de los valores medios de los niveles digitales

(ND) de los diferentes canales que componen la imagen; ubicando los canales en el eje de las abscisas

y los valores de los ND medios de cada lote en el eje de las ordenadas, mostrando de este modo un

perfil espectral (Chuvieco, 1996).

Dispersión espectral: se trata de un diagrama de barras que recoge en cada banda y para cada

categoría el rango digital cubierto por la media ± una desviación estándar (Jensen, 1996).

Dispersogramas: consiste en un gráfico bivariado relacionando dos bandas, en donde son

localizados los píxeles de las áreas de interés de cada cobertura, en forma de elipses, a partir de sus

niveles digitales ND en esas dos bandas.

Para la elaboración de estos gráficos se utilizaron las combinaciones de bandas implementadas en

la generación de los índices de vegetación, pudiendo valorar de esta manera, la capacidad de esos

índices en la discriminación de las categorías.

5
Métodos numéricos

Para evaluar cuantitativamente la posibilidad de discriminar distintas coberturas se utiliza la

Distancia de Jeffries-Matusita (JM) (Swain y King, 1973).

Dividiendo los valores de la distancia Jeffries-Matusita por 2 , siendo este el máximo valor
posible, se obtiene un índice de separabilidad normalizado JM* (D’Urso y Meneti, 1995).

Los grados de separabilidad satisfactorios son obtenidos con JM* > 0.94, sin exceder un error de

probabilidad de 0.05 (Swain, 1978).

RESULTADOS

Diferenciación entre coberturas

Firmas espectrales: Se aprecia en la figura 2 la evidente similitud de la mayor parte de las categorías, en

la tendencia media en los diversos canales, ya que las coberturas están conformadas por distintas

especies forestales y considerando un comportamiento espectral teórico correspondiente a la vegetación

vigorosa.

250

200
Grevillea
Kiri
Reflectancia (ND)

150
Monte
Paraiso-A
100 Paraíso-B
Pastizal
Pino
50

0
TM1 TM2 TM3 TM4 TM5 TM7 NDVI43 NDVI47 NDVI51 NDVI52 NDVI53 NDVI75 NDVI54
Canales

Figura 2: Firmas espectrales incluyendo los índices de vegetación producidos.

Las líneas paralelas y próximas indican una probable superposición entre categorías, mientras que las

intersecciones entre líneas indican las bandas o índices donde es más probable separar a las categorías

que representan.

Se diferencia visualmente el comportamiento distintivo del pastizal con reducidos valores en los

índices de vegetación, especialmente en el NDVI43 y NDVI47.

Se observa también una clara separación de la cobertura de pino de las demás coberturas

mediante el NDVI51 y NDVI52.

6
Dispersión espectral: La banda 13, correspondiente al índice de vegetación normalizado NDVI54,

muestra una reducida desviación estándar, y una considerable separación entre clases (figura 3a),

resultando ser el mejor índice para captar la variabilidad entre éstas cubiertas vegetales. Por el contrario,

el NDVI75, presenta una fuerte similitud entre categorías (figura 3b).

a) Dispersograma - NDVI54 b) Dispersograma - NDVI75

250 250

225 225
Reflectancia (ND)

Reflectancia (ND)
200 200

175 175

150 150

125 125

100 100

75 75

50 50

25 25

0 0

Grevillea Kiri Selva Paraiso-A Paraiso-B Pastizal Pino Grevillea Kiri Selva Paraiso-A Paraiso-B Pastizal Pino

Coberturas Coberturas

Figura 3: a) índice de vegetación en donde la separación entre clases es acentuada. b) índice que
presenta una reducida diferenciación entre coberturas.

Dispersogramas: En el NDVI75, la distribución de la nube de puntos se encuentra concentrada en un

sector del gráfico (figura 4a), lo que indica que las bandas implementadas se encuentran relacionadas y

aportan información redundante. En estos casos también se genera una mayor superposición entre las

elipses que representan a las coberturas, disminuyendo su aptitud para discriminarlas. Por el contrario,

en el NDVI47, la nube de puntos posee una mayor amplitud y una mínima superposición entre categorías

(figura 4b).

NDVI75 NDVI47
ND TM7

ND TM7

ND TM5 ND TM4

Figura 4: Comportamiento de diversas coberturas ante NDVI75 y NDVI47: a) mayor superposición,

b) mínima superposición.

Índice de separabilidad normalizado JM*: Según el indicador estadístico, en la tabla 1 se aprecian los

valores para las combinaciones entre pares de coberturas.

7
Se detecta la similitud entre las coberturas de Paraíso A y Paraíso B, para los cuales el valor JM* es

bastante inferior a 0.94.

Tabla 1: Matriz de distancias Jeffries –Matusita* para cada cobertura.

Lotes 1 2 3 4 5 6 7
1 1
2 1.00 1
3 0.97 1.00 1
4 1.00 0.99 1.00 1
5 1.00 1.00 1.00 0.88 1
6 1.00 1.00 1.00 1.00 1.00 1
7 1.00 1.00 1.00 1.00 1.00 1.00 1
Prom. 0.99

Coberturas:

1: Grevillea 2: Kiri 3: Selva en galería 4: Paraíso – A 5: Paraíso – B 6: Pastizal 7: Pino

También se realizó el cálculo de la Distancia JM* utilizando una banda por vez (tabla 2).

Tabla 2: Distancia JM* para dada índice.

Canal JM* Promedio JM* Mínimo

NDVI43 0.55 0.08
NDVI47 0.71 0.24
NDVI51 0.57 0.12
NDVI52 0.63 0.18
NDVI53 0.58 0.13
NDVI75 0.45 0.12
NDVI54 0.77 0.27
Se distinguen los mayores valores promedios para el NDVI54 y NDVI47.

El análisis multivariado de los datos satelitales permite caracterizar la variabilidad dentro de cada

cobertura mediante gráficos y cuantificarla por medio del índice de separabilidad normalizado Jeffries-

Matusita, siempre y cuando las parcelas de entrenamiento hayan sido ubicadas con el apoyo de

información auxiliar, captando de esta manera las variaciones locales de estas coberturas.

CONCLUSIONES

El análisis estadístico mediante gráficos e índices de los datos satelitales multiespectrales es

sumamente efectivo para identificar y discriminar las coberturas de interés forestal seleccionadas,

principalmente entre especies latifoliadas y coníferas.

Para coberturas forestales de la misma especie, con escasa diferencia de edad, la discriminación

es muy reducida, como sucede en el caso de estudio, en lotes con paraíso coetáneo, (Paraíso A y

Paraíso B) donde las diferencias de edad son de solo un año de edad.

8
 El índice de vegetación que aporta mayor información para la discriminación promedio de las

coberturas forestales es el índice normalizado NDVI54, posteriormente y en forma decreciente según la

capacidad de separabilidad, le siguen los índices NDVI47, NDVI53, NDVI52, NDVI51, y NDVI43; siendo

el índice NDVI75 el que ofrece la menor separabilidad entre categorías, debido a la fuerte correlación

entre bandas.

La incidencia de la resolución espacial para la discriminación de coberturas es un factor

condicionante, en este caso del sensor ETM+ del satélite Landsat 7, es de 30 m x 30 m en el modo

multiespectral. Estas imágenes están formadas por una matriz de celdas de la dimensión citada, por lo

cual en plantaciones de áreas reducidas el efecto de borde puede ser de gran importancia, ya que estas

celdas o píxeles contienen información del lote de plantación y de las otras coberturas limítrofes.

Agradecimientos: A la Universidad Nacional de Santiago del Estero y a su Facultad de Ciencias

Forestales por el financiamiento de los proyectos de investigación CICYT-UNSE 23/B036 y 23/B050, de

donde provienen los datos e informaciones utilizados para la realización de este trabajo. A la empresa

DANZER Forestaciones S.A. que ha facilitado informaciones sobre el área de estudio.

BIBLIOGRAFÍA

• Cabrera, A.L. 1976. Enciclopedia Argentina de Agricultura y Jardinería. Segunda. Edición. Tomo II.

Fascículo I. Regiones Fitogeográficas Argentinas. Buenos Aires, Argentina.

• Chuvieco, Emilio. 1996. Fundamentos de Teledetección Espacial. 3ª Edición revisada. Madrid,

España.

• Di Gregorio, A. y Jansen, L.J.M. 2000. “Land Cover Classification System (LCCS), classification

concepts and user manual”, FAO, Roma.

• D’Urso G. y Meneti, M. 1995. “Performance indicators for the statistical evaluation of digital image

classifications”, ISPRS Journal of Photogrammetry and Remote Sensing, vol.51, pp. 78-90.

• Gates, D.M. 1980. Biophysical Ecology, Springer-Verlag, New York, Heidelberg, Berlin.

• Harris, R. 1987. “Satellite remote sensing. An introduction”, Routledge and Kegan Paul, London.

• Jensen, J.R. 1996. “Introductory digital image processing: a remote sensing perspective”. 2nd. Ed.,

Prentice Hall Series in Geographic Information Science, Upper Saddle River, New Jersey.

• Kailath, T. 1967. “The divergence and Bhattacharyya distance measures in signal selection”, IEEE

Trans. Communication Theory, COM-15, pp. 52-60.

9
• Kenneweg, H. 1992. “New approaches of forest inventory and monitoring techniques integrating aerial

photography”, Proceedings of the IUFRO Centennial Meeting in Berlin, 1992. Japan Society of Forest

Planning Press, Faculty of Agriculture and Technology, Japan. Edit.: G. Preto y B. Koch.

• Lee, N.J. y Nakane, K. 1997. “Forest vegetation classification and biomass estimation based on

Landsat TM data in a mountainous region of West Japan”. In: Forestry Sciences Vol. 50:159-171, The

use of remote sensing in the modelling of forest productivity, Dordrecht, Netherlands.

• Lusch, D.P. 1989.”Fundamental considerations for teaching the spectral reflectance characteristics of

vegetation, soil and water”, en Current Trends in Remote Sensing Education (M.D. Nellis, R. Lougeay y

K. Lulla, Eds.), Geocarto International Centre, Hong Kong.

• Molina, Isabel C. de. 1984. “Fotointerpretación de Bosques Manejados”, Centro Interamericano de

Fotointerpretación, Unidad de Ingeniería Forestal y Ecología, Bogotá.

• Ray, T.W. 1994. A FAQ on Vegetation in Remote Sensing. Division of Geological and Planetary

Science. California Institute of Technology. Http://www.kepler.gps.caltech.edu - /pub/Terrill/rsvegfaq.txt.

p.16.

• Rock, B.N., Williams, D.L., y Vogelmann J.E. 1985. “Field and airborne spectral characterization of

suspected acid deposition damage in red spruce (Picea rubens) from Vermont”. Proc., Symp. on

Machine Processing of Remotely Sensed Data, Purdue Univ., West Lafayette, Indiana.

• Rouse, J.W., Haas, R.H., Schell, J.A., y Deering, D.W. 1974. “Monitoring vegetation systems in the

Great Plains with ERTS”. Proc. Third Earth Resources Technology Satellite-1 Symp., Goddard Space

Flight Center, NASA SP-351, Science and Technical Information Office, NASA, Washington, D. C.

• SAGPyA Forestal. 2001. Publicación trimestral de la Secretaría de Agricultura, Ganadería, Pesca y

Alimentos. Nº 20, Septiembre 2001. Buenos Aires.

• Schneider, C.A. 1998. “Erarbeitung Methodischer Grundlagen zur Erfassung von Galeriewäldern in

Mittelbrasilien aus Satellitendaten”. Magister der tropischen Forstwirtschaft, Fakultät für

Forstwissenschaften, Universität Göttingen.

• Swain, P.H. 1978. “Fundamentals of pattern recognition in remote sensing”, en: P.H. Swain and S.M.

Davis (Editor), Remote Sensing: The Quantitative Approach. McGraw-Hill, New York, pp.136-186.

• Swain, P.H. y King, R.C. 1973. “Two effective feature selection criteria for multispectral remote

sensing”. Proc. 1st International Joint Conference Pattern Recognition, IEEE, Cat.nº 73 CHO 82 1-9c,

Piscataway, N.J., pp.536-540.

• Tortorelli, L.A. 1956. “Maderas y bosques argentinos”. Edit. Acme, SACI, Buenos Aires.

10