104932

Master Thesis ǀ Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en

Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg ǀ Universidad de Salzburg

Determinación de la Distribución de Joyapa (Macleania rupestris) en páramo, al Sur del Ecuador

Distribution of Joyapa (Macleania rupestris) in paramo, South Ecuador by/por

Luis Ivan Medina Cajamarca 11714066 A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science– MSc Advisor ǀ Supervisor: Leonardo Zurita Arthos PhD

Chilla, El Oro - Ecuador, julio 2020

Compromiso de Ciencia Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente el resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

_______________________________________________________________ (Chilla, El Oro – Ecuador, julio 2020) Luis Ivan Medina C.

Agradecimiento Gracias las instituciones y personas que los dirigen o conforman que apoyaron a la presente investigación como son: Carrera de Ingeniería agronómica de la Universidad de Cuenca, bajo la dirección del Ing. Eduardo Tacuri E. MSc. con la cámara multiespectral Sequoia, al Programa para el Manejo para el Agua y el Suelo PROMAS – Universidad de Cuenca, con la dirección del Ing. Felipe Cisneros PhD. con los equipos GNSS, Datos de la estación de monitoreo continuo para corrección diferencial y la motivación a la formación continua, al Ing. Vicente Jaramillo de INV Metals por toda la logística de campo, TERRAGEO – Soluciones Territoriales CIA. LTDA. con la Plataforma Mavic Pro DJI, amigos; José Sotamba, Mateo López, Xavier Galindo que de una u otra forma siempre estuvieron animando y apoyando, a mi docente asignado por UNIGIS Leo Zurita por sus recomendaciones y sugerencias, y al Comité de América Latina con sus revisiones ayudaron a fortalecer el documento final.

A mis padres Luis Vicente Medina Velepucha y Lucila Leonor Cajamarca Sánchez y toda mi familia gracias por sus apoyo y oraciones, a los amigos de siempre y las que surgieron en este proceso, Gracias y que la vida los recompense.

Luis Ivan Medina Cajamarca.

RESUMEN El monitoreo de las especies endémicas conocidas como “Plantas Vasculares que son indicadoras de la calidad y problemas de los ecosistemas” con Sistemas de Información Geográfica (SIG) y las técnicas de análisis multiespectral permite la determinación y geolocalización de dichas especies dentro de la cobertura vegetal. Esto contribuye a la generación de información de calidad y a la optimización de recursos, permitiendo a la vez el alcance de lugares poco accesibles mediante la utilización de otras metodologías.

La presente investigación se centra en la determinación de la distribución de la joyapa (Macleania rupestris) en el páramo sur del Ecuador mediante el análisis multiespectral y los SIG. Inicia con la generación de geoinformación multiespectral a partir de levantamiento fotogramétrico con la cámara multiespectral Sequoia montada sobre un Vehículo Aéreo no Tripulado (VANT). Se usan puntos de control terrestre para el ajuste geométrico, así como un registro de la especie in situ mediante encuesta digital del estado fenológico y localización de la especie, utilizándose estos registros de campo como sitios de entrenamiento para el análisis de respuesta espectral, la identificación de la especie en la cobertura vegetal y la validación del método empleado.

En base a los resultados obtenidos, se confirmó la viabilidad de utilizar las herramientas y técnicas de ‘SIG y teledetección’ para el monitoreo de Macleania rupestris. Además, se pudo identificar la geolocalización, cuantificar el área de la especie, así como generar sugerencias que permitan profundizar y avanzar en la investigación. El estudio finaliza con la elaboración de una guía preliminar de manejo de la especie y del ecosistema, respecto al monitoreo y las experiencias recopiladas en la ejecución de la presente investigación.

Palabras clave: SIG, Teledetección, Análisis Multiespectral, Monitoreo de Especies Endémicas, Páramo, Fotogrametría, VANT, Cámara Sequoia.

ABSTRACT The monitoring of endemic species, known as "Vascular Plants that are indicators of the quality and problems of ecosystems", with Geographic Information Systems (GIS) and multispectral analysis techniques, allows the determination and geolocation of these species within the vegetation cover. This contributes to the generation of quality information and the optimization of resources, while permitting to reach places that are not easily accessible through the use of other methodologies.

This research focuses on the determination of the distribution of jewel (Macleania rupestris) in a southern paramo of Ecuador through multispectral analysis and GIS. It starts with the generation of multispectral geoinformation from photogrammetric survey with the Sequoia multispectral camera mounted on an Unmanned Aerial Vehicle (UAV).

Ground control points are used for geometric adjustment, as well as an in situ species registry by means of a digital survey of the phenological state and location of the species.

These field records are used as training sites for spectral response analysis, identification of the species in the vegetation cover and validation purposes.

Based on the results of this research, the feasibility of using “GIS and remote sensing” tools and techniques for monitoring Macleania rupestris was confirmed. Additionally, it was possible to identify the geolocation, to quantify the coverage area of the species, as well as generating suggestions to deepen and advance the investigation. The study concludes with the preparation of a preliminary guide for the management of the species and the ecosystem, regarding monitoring and experiences gathered in the execution of the present research.

Keywords: GIS, Remote Sensing, Multispectral Analysis, Endemic Species Monitoring, Paramo, Photogrammetry, UAV, Sequoia Camera.

5

INDICE ÍNDICE DE FIGURAS ................................................................................................................................... 7 ÍNDICE DE TABLAS ..................................................................................................................................... 8 INDICE DE FOTOS ....................................................................................................................................... 8 GLOSARIO ..................................................................................................................................................... 9 1

CAPÍTULO I: INTRODUCCIÓN ..................................................................................................... 11 1.1 ANTECEDENTES ................................................................................................................................. 11 1.2 OBJETIVOS ......................................................................................................................................... 12 1.2.1 Objetivo General ..................................................................................................................... 12 1.2.2 Objetivo Especifico .................................................................................................................. 12 1.2.3 Preguntas de Investigación...................................................................................................... 12 1.3 HIPÓTESIS .......................................................................................................................................... 13 1.4 JUSTIFICACIÓN ................................................................................................................................... 13 1.5 ALCANCE ........................................................................................................................................... 14

2

CAPITULO II: REVISIÓN DE BIBLIOGRAFÍA ........................................................................... 15 2.1 MARCO REFERENCIAL - EL ECOSISTEMA PÁRAMO Y LA JOYAPA ........................................................ 15 2.1.1 Páramo .................................................................................................................................... 15 2.1.2 Joyapa (Macleania rupestris) .................................................................................................. 15 2.1.3 Descripción de la especie Macleania rupestris (Kunth) A.C. Smith 1935 ............................... 16 2.1.4 Distribución geográfica de la joyapa ...................................................................................... 17 2.2 MARCO TEÓRICO - CONCEPTUAL ....................................................................................................... 18 2.2.1 Geolocalización ....................................................................................................................... 18 2.2.2 Teledetección y sensores remotos ............................................................................................ 19 2.2.3 Sensores remotos pasivos ........................................................................................................ 21 2.2.4 Comportamiento espectral de la vegetación............................................................................ 25 2.2.5 Firmas Espectrales .................................................................................................................. 27 2.2.6 Monitoreo de especies vegetales ............................................................................................. 28 2.2.7 Tecnología aplicada al monitoreo de especies vegetales ........................................................ 33 2.3 MARCO METODOLÓGICO .................................................................................................................... 34 2.3.1 Colección de datos in-situ ....................................................................................................... 34 2.3.2 Generación de geoinformación multiespectral de alta resolución geométrica ....................... 35 2.3.3 Análisis de imágenes multiespectrales .................................................................................... 41

3

CAPITULO III: MATERIALES Y METODOS............................................................................... 45 3.1 CARACTERIZACIÓN DEL ÁREA DE ESTUDIO ........................................................................................ 46 3.1.1 Localización ............................................................................................................................ 46 3.1.2 Pendiente ................................................................................................................................. 47 3.1.3 Características climáticas ....................................................................................................... 47 3.2 MATERIALES Y EQUIPOS .................................................................................................................... 48 3.2.1 Materiales de campo ............................................................................................................... 48 3.2.2 Materiales de postproceso ....................................................................................................... 53 3.2.3 Materiales informáticos ........................................................................................................... 53 3.3 METODOLOGÍA .................................................................................................................................. 54 3.3.1 Levantamiento de Información ................................................................................................ 55 3.3.2 Determinación de firma espectral ........................................................................................... 66 3.3.3 Experimentación ...................................................................................................................... 68

4

CAPITULO IV: RESULTADOS Y DISCUSIÓN ............................................................................. 73 4.1 RESULTADOS ..................................................................................................................................... 73 4.1.1 Levantamiento de información ................................................................................................ 73 4.1.2 Determinación de la Especie ................................................................................................... 78 4.1.3 Validación de resultados ......................................................................................................... 83 4.2 DISCUSIÓN DE RESULTADOS .............................................................................................................. 85 4.2.1 Análisis de la generación de geoinformación .......................................................................... 85

6

4.2.2 Análisis de la determinación de joyapa en la cobertura vegetal por medio de la respuesta espectral ................................................................................................................................................. 86 5

CAPITULO V: CONCLUSIONES Y RECOMENDACIONES ...................................................... 89 5.1 5.2

CONCLUSIONES .................................................................................................................................. 89 RECOMENDACIONES .......................................................................................................................... 90

6

BIBLIOGRAFÍA ................................................................................................................................. 91

7

ANEXOS ............................................................................................................................................... 98 ANEXO 1 – FICHA DE CAMPO ............................................................................................................. 98 ANEXO 2 – PUNTOS DE CONTROL TERRESTRE .................................................................................... 99 ANEXO 3 – BASE DE DATOS DE FICHAS - DETERMINACIÓN DE RESPUESTA ESPECTRAL .................... 100 ANEXO 4 - INFORME DE POSTPROCESO DE FOTOGRAFÍA AÉREA ....................................................... 101 ANEXO 5 – BASE DE VALIDACIÓN .................................................................................................... 112 ANEXO 6 - GUÍA PRELIMINAR DE MANEJO PARA MONITOREO DE LA ESPECIE Y DEL ECOSISTEMA EN GENERAL ................................................................................................................................................... 114 7.1 7.2 7.3 7.4 7.5 7.6

7

ÍNDICE DE FIGURAS Figura 2.1 Representación esquemática de los diferentes tipos fisionómicos que conforman el mosaico de transición bosque-páramo. ............................................................................................................................... 15 Figura 2.2 Joyapa (Macleaiea rupestris). ........................................................................................................ 16 Figura 2.3 Distribución de Joyapa en países recorridos por la cordillera de los andes. ................................... 18 Figura 2.4 Esquema de observación mediante teledetección........................................................................... 19 Figura 2.5 Evolución tecnológica de componentes de la teledetección ........................................................... 20 Figura 2.6 Evolución tecnológica de componentes de la teledetección ........................................................... 21 Figura 2.7 Comparación de resolución espacial. ............................................................................................. 22 Figura 2.8 Comparación de resolución radiométrica. ...................................................................................... 23 Figura 2.9 Comparación de resolución espectral. ............................................................................................ 24 Figura 2.10 Espectro de absorción para la clorofila ........................................................................................ 25 Figura 2.11 Reflectancia espectral típica de una hoja viva.............................................................................. 26 Figura 2.12 Variación de la reflectancia de acuerdo en base del estado fenológico del dosel vegetal. ........... 26 Figura 2.13 Comparación de resolución espectral. .......................................................................................... 27 Figura 2.14 Ejemplo de firma espectral de un cultivo en 7 bandas. ................................................................ 28 Figura 2.15 interacción entre variables de medición para diferentes criterios de estudio. .............................. 29 Figura 2.16 Aplicación tecnológica para la determinación de patrones característicos................................... 34 Figura 2.17 Ejemplos de PCT en fotogrametría. ............................................................................................. 37 Figura 2.18 Gráfica comparativa de las frecuencias de los sistemas GNSS actuales ...................................... 38 Figura 3.1 Ubicación aproximada del área de estudio ..................................................................................... 46 Figura 3.2 Dianas para PCT ............................................................................................................................ 50 Figura 3.3 Plataforma Mavic Pro con soporte para cámara multiespectral ..................................................... 51 Figura 3.4 sensor multiespectral parrot sequoia .............................................................................................. 52 Figura 3.5 Ficha digital en dispositivo móvil .................................................................................................. 52 Figura 3.6 Secuencia metodológica ................................................................................................................. 55 Figura 3.7 Código QR de encuesta en survey 123........................................................................................... 56 Figura 3.8 Diagrama metodológico de levantamiento de geoinformación con VANT. .................................. 56 Figura 3.9 Planificación de vuelo .................................................................................................................... 57 Figura 3.10 Planificación de vuelo .................................................................................................................. 58 Figura 3.11 Corrección diferencial de los puntos de control terrestre. ............................................................ 59 Figura 3.12 configuración de parámetros de alineación. ................................................................................. 61 Figura 3.13 Ubicación de PTC en marcas. ...................................................................................................... 62 Figura 3.14 Enmascaramiento inverso del panel de calibración...................................................................... 63 Figura 3.15 comprobación de valores de factores de reflectancia en pix4D mapper....................................... 64 Figura 3.16 Calibración de reflectancia en Agisoft. ........................................................................................ 64 Figura 3.17 nube densa de puntos. .................................................................................................................. 65 Figura 3.18 Malla 2.5 D generada a partir de nube densa de puntos. .............................................................. 65 Figura 3.19 configuración en Model builder para extracción de mosaico a partir de una máscara. ................ 66 Figura 3.20 Diagrama metodológico para determinación de firma espectral de Joyapa. ................................ 67 Figura 3.21 visualización en combinación de bandas...................................................................................... 69 Figura 3.22 Experimentación para analizar respuesta espectral. ..................................................................... 69 Figura 3.23 Definición de muestras para clasificación supervisada en ArcGIS. ............................................. 70 Figura 3.24 Configuración del método de clasificación de máxima probabilidad. ......................................... 70 Figura 4.1 Grafico de Calor de encuestas realizadas en área de estudio. ........................................................ 73 Figura 4.2 Asociación ecosistémica de la joyapa en el área de estudio. .......................................................... 74 Figura 4.3 Altura de la especie. ....................................................................................................................... 74 Figura 4.4 Estado fenológico de las hojas ....................................................................................................... 75 Figura 4.5 diámetro foliar de la joyapa............................................................................................................ 76 Figura 4.6 ortofoto multiespectral composición NIR+Red+Green.................................................................. 78 Figura 4.7 ortofoto RGB.................................................................................................................................. 78 Figura 4.8 Análisis de respuesta espectral de la especie.................................................................................. 79 Figura 4.9 Boxplots en bandas multiespectrales (Izq. Sin ajuste, Der. Con ajuste). ....................................... 80 Figura 4.10 Comportamiento espectral de niveles digitales vs. reflectancia. .................................................. 81 Figura 4.11 Scatterplots de muestras para clasificación supervisada. ............................................................. 81 Figura 4.12 Clasificación supervisada para determinar joyapa en zona de páramo. ....................................... 81 Figura 4.13 Determinación de joyapa en pajonal mediante clasificación supervisada .................................... 82 Figura 4.14 Boxplot de NDVI para muestras de joyapa en estado fenológico de desarrollo. ......................... 82

8

Figura 4.15 Figura 4.16 Figura 4.17 Figura 4.18 Figura 4.19

. Extracción de pixeles en rango de NDVI para joyapa............................................................... 83 . Distribución de las muestras de validación en el área de estudio. ............................................. 83 . Porcentaje de coincidencias en el muestreo de validación. ....................................................... 84 . Joyapa en fase fenológica madura vs en desarrollo. .................................................................. 87 . Joyapa en fase fenológica de desarrollo determinada mediante software vs. fotografía. .......... 87

ÍNDICE DE TABLAS Tabla 2-1 Criterios, indicadores, cuantificadores, análisis estadísticos y tiempo. .......................................... 30 Tabla 2-2 Recopilación de índices de vegetación ........................................................................................... 43 Tabla 3-1 Variables climatológicas (Estación Quimsacocha 1) ..................................................................... 48 Tabla 3-2 Especificaciones técnicas de registro GNSS R8 Trimble............................................................... 49 Tabla 3-3 Especificaciones de rendimiento de posicionamiento GNSS R8 Trimble ..................................... 49 Tabla 3-4 Especificaciones de sensor multiespectral sequoia ......................................................................... 51 Tabla 3-5 Especificaciones de computador portátil para postproceso ............................................................ 53 Tabla 3-6 Factor de reflectancia de tabla de calibración ................................................................................ 64 Tabla 3-7 Valoración del Coeficiente Kappa ................................................................................................. 72 Tabla 4-1 Especificaciones de fotografía aérea levantada .............................................................................. 77 Tabla 4-2 Parámetros estadísticos de la respuesta espectral en sitios de entrenamiento (expresados en ND).80 Tabla 4-3 Matriz de confusión con muestras de validación ........................................................................... 84 Tabla 4-4 Cálculo de coeficiente Kappa......................................................................................................... 84

INDICE DE FOTOS Foto 3-1 Medición de puntos de control .......................................................................................................... 58 Foto 3-2 Monitoreo de telemetría y Ejecución de Vuelo................................................................................. 60 Foto 3-3 Foto de calibración de sensor. ........................................................................................................... 60 Foto 3-4 Foto de placa de calibración con parámetros definidos .................................................................... 63 Foto 4-1 Altura de la especie en relación con la cobertura asociada. .............................................................. 75 Foto 4-2 Estado fenológico de la joyapa. ........................................................................................................ 76 Foto 4-3 extensión de ramificaciones de la joyapa. ......................................................................................... 77

9

GLOSARIO AGL Above Ground Level/Por encima del nivel del suelo BeiDou Běidǒu Wèixīng Dǎoháng Xìtǒng/Sistema de navegación por satélite Chino CODIGO QR Código de barras bidimensional cuadrada que puede almacenar los datos codificados DGPS Differential Global Positioning System/Sistema de Posicionamiento Global Diferencial DJI Da-Jiang Innovations/ "Las grandes ambiciones no tienen límites" EPSG European Petroleum Survey Group/ ESA European Space Agency/ Agencia Espacial Europea ESRI Environmental Systems Research Institute FIA Fundación para la Innovación Agraria FOV Field of view/ Campo de visión o campo de perspectiva GALILEO Sistema europeo de navegación por satélite global GLONASS Globalnaya Navigazionnaya Sputnikovaya Sistema, o Sistema Global de Navegación por Satélite Ruso GNSS Global Navigation Satellite System / Sistema mundial de navegación por satélite GPS Global Position System GSD Ground Sample Distance / Distancia de muestreo del terreno IGM Instituto Geográfico Militar del Ecuador IMU Inertial Measurement Unit / Unidad de Medida Inercial IHMC Institute for Human & Machine Cognition / Instituto de Florida para la Cognición Humana y Máquina MAE Ministerio del Ambiente del Ecuador MDT Modelo Digital de Terreno MAGAP Ministerio de agricultura, Ganadería, Acuacultura y Pesca del Ecuador ND Nivel Digital NDVI Índice de Vegetación de Variancia normalizada NIR Neart Infrared (región espectral del infrarrojo cercano) OBIA Object-Based Image Analysis / Análisis de clasificación basada en objetos OTF "Ortofoto (Imagen fotográfica del terreno, que ha sido sometida a un proceso de rectificación diferencial que permite realizar la puesta en escala y nivelación de las unidades geométricas que la componen)" ONU-REDD Programa colaborativo de las naciones unidas para la reducción de emisiones debidas a la deforestación y degradación de bosques en países en vías de desarrollo.

PCT Puntos de Control Terrestre PROMAS Programa para el Manejo del Agua y el Suelo de la Universidad de Cuenca Ecuador REGME Red GNSS de Monitoreo continuo del Ecuador RMS Root Mean Square/ Raíz de la Media Cuadrática ROI Regiones de Interés SANT Sistema Aéreo No Tripulado SBAS Satellite Based Augmentation System /Sistema de Aumentación Basado en Satélites SIG Sistema de Información Geográfica SIGMUR SIG y Teledetección en la Universidad de Murcia

10

TIC UAV UJA UNDP/GEF USGS UTM VANT VIS

Tecnologías de la información y comunicación Unmanned Aerial Vehicle Universidad de Jaén Programa de las Naciones Unidas para el Desarrollo / Fondo Mundial para el Medio Ambiente United States Geological Survey / Servicio geológico de los estados Unidos Universal Transverse de Mercator Vehículo Aéreo no Tripulado Espectro Visible

11

Determinación de la distribución de joyapa (Macleania rupestris) en páramo, al sur del Ecuador

1

CAPÍTULO I: INTRODUCCIÓN

1.1 Antecedentes El Ecuador es considerado uno de los países megadiversos del mundo con la mayor diversidad biológica por área. El Ministerio del Ambiente en cooperación con el Programa de las Naciones Unidas para el Desarrollo / Fondo Mundial para el Medio Ambiente (MAE, UNDP, y GEF, 2015) afirma que en sus registos “se contabiliza 9.2 especies por kilómetro cuadrado (excluyendo todas las especies marinas y hábitats marinos)” (p.6). La ubicación geográfica, la influencia de las corrientes marinas y la presencia de los Andes contribuyen a que proliferen una gran variedad de ecosistemas y microclimas, entre las especies que destacan son las plantas vasculares con 17,058 especies y un 23% de endemismo (MAE et al., 2015). Los ecosistemas de páramo son únicos, poseen un sinnúmero de especies de flora y fauna, entre ellas se encuentra la Joyapa, considerada “frutal andino de paramo” la cual, ofrece bondades medicinales, comestibles y bioindicador de calidad de ecosistemas, pero, son ecosistemas frágiles y vulnerables que se encuentran amenazados permanentemente por actividades antrópicas del ser humano (Vásconez y Hofstede, 2006).

La especie vegetal Macleania rupestris, comúnmente conocida como joyapa, salapa en Ecuador o uva camarona en Colombia, es común en los países suramericanos recorridos por la cordillera de los Andes. Crece en bosques andinos y en páramo entre los 2,000 y 3,500 m.s.n.m. (Jetón, 2014). La planta es considerada como un frutal andino y provee usos de gran importancia en la medicina popular. Los frutos se consumen directamente o semiprocesados en jugos, dulces, entre otros (EcuRed, 2018). Además, está considerada como “planta vascular, indicadora de la calidad y problemas de los ecosistemas” (Aguirre y Aguirre, 2010, p.126). Sin embargo, la distribución geoespacial es un tema pendiente en los estudios realizados hasta la fecha, debido a que la geolocalización se realiza de forma aproximada desde sitios de avistamientos y rutas de transeptos, razón por la cual se posee poca información acerca de la distribución geográfica, superficie y estado de la especie

12

El presente estudio plantea utilizar la tecnología disponible como son; los vehículos aéreos no tripulados (VANT), cámara multiespectral “Parrot Sequoia”, Receptores GPS (Global position System) y técnicas de teledetección, con la finalidad de localizar la joyapa en la cobertura vegetal. Para ello se parte de levantar información multiespectral de alta precisión y resolución en el área de estudio ubicada en la ceja de páramo, al sur de Ecuador. La información levantada se divide en dos partes; una para entrenamiento mediante el uso de técnicas de análisis multiespectral y apoyo de los SIG (Sistemas de información Geográfica), determinar la respuesta espectral de la especie. Con la segunda parte se realiza la validación y el ajuste de la respuesta espectral para localizar la especie dentro de la cobertura vegetal.

De esta manera, se genera una alternativa metodológica de monitoreo y seguimiento a la especie como aporte a la comunidad científica y organismos dedicados a estos fines.

1.2 Objetivos 1.2.1

Objetivo General

Determinar la distribución de la Joyapa (Macleania rupestris) en el páramo sur del Ecuador mediante análisis multiespectral y sistemas de información geográfica (SIG).

1.2.2 •

Objetivo Especifico Generar geoinformación multiespectral de alta resolución en cobertura vegetal con presencia de joyapa.

•

Identificar la respuesta espectral de la especie para determinar la especie en la cobertura del área de estudio mediante técnicas SIG.

1.2.3

Preguntas de Investigación

¿Cuáles son las características de la información multiespectral requerida para determinar joyapa en la cobertura vegetal? ¿Cuál es el grado de confiabilidad en la determinación de Joyapa a partir de ortofoto multiespectral capturada con cámara multiespectral Sequoia en el páramo sur del Ecuador? ¿Qué aporta la integración de tecnología de sensores remotos, las técnicas análisis multiespectral y los SIG en la determinación de Joyapa (Macleania rupestris) en su hábitat?

13

1.3

Hipótesis

Los SIG y las técnicas de análisis multiespectral permiten determinar y geolocalizar Joyapa en la cobertura vegetal de páramo al sur del Ecuador.

1.4

Justificación

La joyapa es una especie con muy poca información registrada, por lo tanto, motiva a que se considere ideal para ser estudiada, utilizando la tecnología que se dispone en la actualidad en áreas como la agricultura de precisión para recolectar datos (monitoreo de cultivo y suelo, mapas de producción), procesamiento e interpretación de la información (análisis) y aplicación de insumos (manejo variable) (FIA, 2008). La necesidad de desarrollar alternativas tecnólogicas que permitan saber: dónde, cuánto y el estado en el que se encuentra el capital natural del planeta, es un requerimento constante para ser más eficientes y eficaces en el desarrollo de estrategias viables con la finalidad de aprovechar responsablemente y conservar a las especies.

La determinación de la distribución geográfica de Macleania rupestris, es una problemática que puede ser tratada con las nuevas tecnologías que hacen uso de imágenes y/u ortofotos multiespectral, software específicos diseñados y probados en el área de los sistemas de información geográfica (SIG) y técnicas de sensores remotos, sumado a la tecnología que permite levantar información de alta precisión y resolución, como son los VANT, cámara multiespectral, receptores DGPS (Diferential Global Positioning System) que, utilizados adecuadamente, permiten obtener resultados de alta calidad.

Contar con una metodología de determinación de una especie como la joyapa, tiene un significado potencial en actividades de monitoreo y análisis de vegetación que contribuyen a economizar la cartografía de la vegetación, detectar cambios, e inclusive, replicar en otras especies del páramo y, de esta forma, aportar a la construcción de biblioteca de firmas espectrales, de esta manera, aportar a la comunidad dedicada a la conservación con herramientas que permitan ser eficaces en sus planes de acción.

14

1.5

Alcance

La investigación propone recopilar y adaptar métodos prestablecidos de análisis de imágenes de satélite, fotografía aérea multiespectral de alta resolución espacial (escala 1:1,000) en especies comerciales y adaptar la metodología para identificar la respuesta espectral de la joyapa, con la cual, mediante entrenamiento ajustar la firma que permita determinar a la especie y finalmente, geolocalizar y cuantificar la superficie en el área de estudio ubicada en la ceja de páramo hábitat de la especie. Con ello, se pretende generar una propuesta metodológica que puede ser utilizada como alternativa para mejorar la geolocalización y seguimiento de las especies nativas de interés ecológico por investigadores, organizaciones ambientales y planificadores del uso del suelo.

15

2

CAPITULO II: REVISIÓN DE BIBLIOGRAFÍA

2.1 2.1.1

Marco referencial - El ecosistema páramo y la joyapa Páramo

El páramo es un ecosistema de alta montaña comúnmente sobre los 3,000 a 4,200 m.s.n.m., lo cual puede variar de acuerdo a las condiciones geológicas, climáticas y antrópicas, por lo que en algunos casos se encuentra a partir de los 2,800 m.s.n.m., está dominado por arbustos pequeños bosquetes y gran cantidad de humedales (Beltrán et al., 2009).

El páramo representado en la figura 2.1 está estructurado en tres grandes unidades, estas son; Subpáramo arbustivo, paramo de pajonal (páramo andino) y superpáramo (páramo altoandino). En ocasiones, presenta parches de bosques (islas de bosque), algunas veces monotípicos como es el caso el polylepis (Vargas y Rivera, 1991).

Figura 2.1 Representación esquemática de los diferentes tipos fisionómicos que conforman el mosaico de transición bosque-páramo.

Fuente: Llambí (2015)

Se considera zona de transición a la zona compleja entre los bosques de alta montaña y los páramos, con lenguas e islas de bosques que se inter-digitan con la vegetación de porte más bajo de los páramos (Llambí, 2015).

2.1.2

Joyapa (Macleania rupestris)

Macleania rupestris Kunth A.C. Smith (joyapa) es una especie endémica de los Andes Ecuatorianos. En el Ecuador crecen generalmente en estado silvestre (De la Torre, Navarrete,

16

Muriel, y Balslev, 2008). Se encuentra distribuida en la vertiente occidental de la Cordillera Oriental y a ambos lados de la Cordillera Occidental de los Andes, entre 2,500 a 3,400 msnm (Eynden, Cueva y Cabrera, 2003). Se encuentra en bosques, matorrales y páramos; también en bordes de caminos y linderos. Puede crecer en sitios de alta pendiente y escarpados, en suelos ácidos y sobre afloramientos rocosos (New York Botanical Garden, 1935). Figura 2.2.

Figura 2.2 Joyapa (Macleaiea rupestris).

2.1.3

Descripción de la especie Macleania rupestris (Kunth) A.C. Smith 1935

La Joyapa (figura 2.2) se caracteriza por ser esencialmente glabro en todas partes (New York Botanical Garden, 1952). Es un arbusto perenne de 0.6 – 2 m de altura, raramente arbustos pequeños, generalmente con; un bulbo lignificado basal hasta de 1 m de diámetro; tallo glabro y eventual puberulento, poseen una corteza clara, escamosa semi-escandente, de ramificación glabra (Lagos, Ordoñez, Criollo, Burbano y Martínez, 2010). En algunas ocasiones se puede entrar ramas en forma de lianas de hasta 6 m de largo. Las formas de las hojas pueden ser coriáceas, planas, algunas veces oblongas, elípticas, ovo-elípticas u ovadas e inclusive espatuladas. La hoja presenta venación pinnada con 3 - 4 venas laterales ascendentes, venas secundarias reticuladas, peciolo subterete, a veces carinado en la parte superior a ligeramente alado o rugoso usualmente glabros, de 3 a 11 mm de largo (Calvo Cruz, 2012; New York Botanical Garden, 1935).

Una característica fenológica típica es la variación de tonalidad en la hoja, cambiando de color rojo cuando son juveniles a verde claro en su madurez, así como, la variación de la textura de carnosas a semi-lignificadas en su madurez. Las inflorescencias son axilares y se

17

encuentran en el ápice de las ramas, forman racimosas con 4 a 20 flores, glabros. Las flores tienen el limbo del cáliz acampanado, con corola de color rojo profundo o rojo-rosado. El cáliz es de color rojo. Las anteras y pistilo son amarillentas. El fruto es una baya globosa, carnosa, dulces, color blanco-azulado oscura, morado-negro o rosado semejantes a las uvas de 10 a 12 mm de diámetro con numerosas semillas pequeñas (Boni, 2016).

2.1.4

Distribución geográfica de la joyapa

Es una especie común en los países suramericanos recorridos por la cordillera de los Andes, “crece en bosques andinos y en el páramo entre los 2,000 y 3,500 m.s.n.m.” (Jetón, 2014, p.22). La especie es propia de los páramos y subpáramos, crece en bosques, matorrales, entre pastos y arbustos, en suelos húmedos, pedregosos y arenosos, en áreas abiertas, sobre arbustos y rocas (Lagos et al., 2010) A la actualidad, los esfuerzos colectivos para geolocalizar son múltiples desde registros por líneas de transecto, puntos de referencia de sitios desde donde se avistó y en algunos casos con apoyo de instrumental óptico (binoculares) donde los ecólogos y botánicos han registrado a la especie de forma aproximada en la geolocalización y metadato incompletos, trayendo consigo ciertas introducciones erróneas (Herbario Virtual Austral Americano, 2019). En la figura 2.3, se visualiza un ejemplo de esfuerzos colaborativos para registrar a la especie en su habitad.

Para generar la distribución real de la especie podría partir de la corrección de georreferenciación errónea y seguidamente cruzar con variables climáticas como las que provee WorldClim (Fick y Hijmans, 2017),

permitiendo generar mapas de distribución

actual y potencial, con herramientas como Maxent (Phillips, Dudik y Schapiere, 2019).

Sin embargo, los estudios de los ecosistemas de páramo se presentan con más énfasis en la descripción y conocimiento natural de los ecosistemas de montaña (Martinez Mera, 2014) donde se puede complementar con la información procedente de sensores remotos a bordo de satélites que ha sido exitosamente aplicada al estudio de la tierra a distintas escalas espaciales, mediante técnicas de procesamiento digital de imágenes y permiten obtener mapas de vegetación mediante métodos de clasificación de pixeles (Baldassini, 2010).

18

Figura 2.3 Distribución de Joyapa en países recorridos por la cordillera de los andes.

Fuente: Herbario Virtual Austral Americano, (2019)

2.2 2.2.1

Marco teórico - Conceptual Geolocalización

Es la determinación de la ubicación de un objeto en el espacio, generalmente representada a través de un vector (punto línea polígono) en un mapa, además, de atributos que registran características del objeto en el mundo real (Beltrán, 2016). La geolocalización es una herramienta de comunicación entre el mundo físico y el digital, desde lo local hasta lo global, desde el lugar a la nube, imprescindible en el análisis espacial (López, 2015). Por lo tanto, la geolocalización es una tecnología que ayuda a mejorar la eficiencia en muchos aspectos de la vida cotidiana permitiendo interactuar optimizando muchas tareas de índole técnico, social y particular.

En este sentido, la geolocalización es un sistema con tecnologías de información y comunicación (TIC) que generan la ubicación de un objeto en un entorno físico como es el caso de los GNSS (Global Navigation Satellite System). El sistema cuenta con receptores de señal GPS (Global Position System) ya sea un dispositivo móvil u otro medio que permita registrar la ubicación, las diversos métodos para recolectar información como la teledetección y sensores remotos, dichos elementos administrados mediante los SIG en el que se define la estructura de almacenamiento con un sistema de coordenadas, datum y el

19

formato de almacenamiento, y demás, atributos que permitirán realizar diversos tipos de análisis y monitoreos (Beltrán, 2016).

2.2.2

Teledetección y sensores remotos

La teledetección es una ciencia que principalmente pretende descubrir y observar qué pasa en la superficie de la tierra, empleando instrumentos que no están en contacto directo con el objeto (ESA - Eduspace, 2009). En la figura 2.4 se aprecia la interacción de los elementos en el proceso de observación del objeto a través de teledetección.

Figura 2.4 Esquema de observación mediante teledetección.

Fuente: ESA - Eduspace (2009)

En forma genérica, los elementos que interactúan son: 1.

Una plataforma que permite sostener los instrumentos.

2.

Un objeto al cual se va a observar

3.

Un instrumento o sensor para observar el objeto

4.

Técnicas y software de comunicación, control y análisis.

2.2.2.1 Evolución de componentes de sensores remotos Las plataformas y los instrumentos (sensores) de teledetección tienen una historia que puede remontarse a 1,859 cuando Gaspar de Tournachón utilizando un globo obtiene las primeras

20

fotografías aéreas, evolucionando de acuerdo al avance tecnológico, en algunas épocas, motivados por conflictos bélicos por la necesidad de estas técnicas para el reconocimiento zonas de interés (Ormeño, 2006). El desarrollo tecnológico de la óptica de los sensores para capturar diversas fracciones del espectro electromagnético, la mejora de los sistemas de comunicación y la aeronáutica, han evolucionado a través del tiempo proporcionando estabilidad en las plataformas de observación (Christopherson, Ramaseri y Quanbeck, 2019). La secuencia evolutiva de los componentes de la teledetección se puede observar en la figura 2.5.

Figura 2.5 Evolución tecnológica de componentes de la teledetección Adaptado de FIA (2008), Koch (s.f.), Christopherson et al. (2019)

2.2.2.2 Superficies reflectantes de los objetos.

La superficie del planeta considerada como un objeto al cual se observa mediante teledetección, se puede subdividir de modo global en tres tipos de coberturas, como se lo representa en la figura 2.6.

21

Figura 2.6 Evolución tecnológica de componentes de la teledetección Fuente: Pérez Gutiérrez y Muñoz Nieto (2006)

Cada cobertura presenta un comportamiento espectral diferente, es decir, la forma de reflejar la energía en las distintas longitudes de onda varía sustancialmente en función de factores físicos, químicos y ambientales (Pérez Gutiérrez y Muñoz Nieto, 2006). ➢ Físicos; en relación con la temperatura y humedad. ➢ Factores químicos; en acuerdo a la composición química del objeto, y ➢ Factores ambientales; ubicación en el espacio, orientación en función del emisor espectral natural o artificial, etc.

Estas condiciones pueden ocasionar dificultades al momento de interpretar imágenes, pero a la vez, estas interacciones enriquecen la información capturada introduciendo múltiples variaciones en ella (Pérez Gutiérrez y Muñoz Nieto, 2006).

2.2.3

Sensores remotos pasivos

El sensor pasivo es un instrumento que, soportado en una plataforma, transforma la radiación electromagnética en información perceptible y analizable, reflejada de fuentes naturales (Vivancos y Llastarri, 2005). Dependiendo del tipo de sensor que se utilice como medio de captura se puede considerar hasta cinco tipos de resoluciones, y son: ➢ Espacial ➢ Radiométrica ➢ Espectral ➢ Temporal ➢ Angular.

22

2.2.3.1 Resolución espacial El termino resolución espacial se refiere al tamaño de un píxel en el suelo. Dicho de otra manera, la resolución espacial suele interpretarse como el tamaño del objeto más pequeño que puede ser distinguido en una imagen (Gupta y Follette-Cook, 2017). En la figura 2.7 se muestra un rectángulo de la misma zona capturada con sensores de diferente resolución espacial, en la que se puede distinguir el detalle en función de la resolución espacial.

Figura 2.7 Comparación de resolución espacial.

Fuente: IHMC (2016)

2.2.3.2 Resolución radiométrica La resolución radiométrica indica la capacidad del sensor para discriminar niveles o intensidades de radiancia. La energía electromagnética recibida por el sensor es representada por números digitales (Gupta y Follette-Cook, 2017). Cuando se convierte a nivel digital, se requiere un formato binario (número de bits) para codificarse. En la figura 2.8 se representa los diferentes niveles de discriminación (nivel de grises) a registraren base de los números de bits reservados en un pixel para almacenar el valor de la reflectividad, mientras más alto, mayor resolución radiométrica (IHMC, 2016).

23

Figura 2.8 Comparación de resolución radiométrica.

Fuente: IHMC (2016)

2.2.3.3 Resolución temporal La resolución temporal mide el tiempo transcurrido hasta que el sensor vuelve a capturar una imagen de una misma zona, este lapso de tiempo se lo conoce como periodicidad de adquisición. La resolución temporal tiene sentido en el caso de sensores orbitales (Satélites) que funcionan con ciclos. La aplicación de la resolución temporal es básica en análisis multitemporales y análisis evolutivos (Pérez Gutiérrez y Muñoz Nieto, 2006).

2.2.3.4 Resolución Angular La resolución angular es la capacidad del sensor para adquirir imágenes con diferentes ángulos. Esta propiedad permite acortar los ciclos temporales de recubrimiento, la generación de pares estereoscópicos y reconstruir el relieve, así también, se puede observar fenómenos con diversos ángulos de toma (Pérez Gutiérrez y Muñoz Nieto, 2006).

2.2.3.5 Resolución espectral La resolución espectral indica la capacidad de discriminar del sensor en anchura y número de las bandas espectrales, cuanto más fina es la resolución espectral, más estrecho es el rango

24

de longitud de onda para una canal o banda en particular (Gupta y Follette-Cook, 2017). En la figura 2.9 se grafica con ejemplos el comportamiento de diversas coberturas en imágenes de diferente composición espectral, donde un sensor tendrá una resolución espectral más grande cuanto mayor sea el número de bandas que proporcione. A su vez, conviene que cada banda sea lo suficientemente estrecha con el objeto de recoger la señal sobre regiones coherentes del espectro. Además, bandas muy amplias suponen registrar un valor promedio que puede encubrir la diferenciación espectral entre cubiertas de interés.

Figura 2.9 Comparación de resolución espectral.

Fuente: IHMC (2016)

25

2.2.4

Comportamiento espectral de la vegetación

Se considera que la reflectancia de la luz de las plantas es un fenómeno complejo que dependen de un sinnúmero de interacciones biofísicas y bioquímicas. Además, depende de la estructura de las hojas, los procesos de dispersión interna y la absorción por el agua de las hojas. En vegetación sana, la reflectividad en la región visible es baja con un pico de color verde por la presencia de clorofila, donde sus moléculas preferentemente absorben la luz roja y azul para usar en la fotosíntesis (SIGMUR, 2006), como se aprecia en la figura 2.10.

Figura 2.10 Espectro de absorción para la clorofila Adaptado de Bravo Morales (2013)

En la figura 2.11 se observa que la clorofila absorbe entre el 70% a 90% de la luz incidente en las regiones del rojo y el azul, a diferencia de la luz verde la cual es absorbida en menor cantidad y mayor porcentaje es reflejada. Entonces, el observador humano, que puede ver sólo el espectro visible, observa la reflexión dominante de la luz verde como vegetación viva. En el infrarrojo cercano las plantas absorben poca energía por lo cual, la reflectividad es alta. En el infrarrojo medio, presenta una disminución considerable debido a que el agua de la planta absorbe este tipo de energía. Por lo tanto, el contenido de agua será un factor de variación (Bravo Morales, 2013).

26

Figura 2.11 Reflectancia espectral típica de una hoja viva Fuente: Bravo Morales (2013)

En la vegetación el nivel de reflectancia se ve modificado principalmente por factores como: los tipos de pigmentos, estructura de las hojas y el contenido de humedad. El primero afecta a las longitudes de ondas del espectro visible (0.4- 0.7 µm) donde el 65% es absorbido por la Clorofila, el 29% por la Xantófila y el 6% por Carotenos. La estructura de las hojas (capa esponjosa del mesófilo) a su vez aumenta la reflectividad en la zona del infrarrojo cercano (0.8-1.1 µm). Finalmente, entre los rangos 1.4 m-1.8 µm (infrarrojo medio) la reflectividad depende del contenido de agua entre y dentro de las células, en condiciones de hidratación normales ambos valles son profundos y marcados, en condiciones de estrés hídrico estos son menos marcados aumentando su reflectividad (Alonso y Moreno, 1999).

Figura 2.12 Variación de la reflectancia de acuerdo en base del estado fenológico del dosel vegetal.

Fuente: Bravo Morales (2013)

27

En la figura 2.12 se grafica el comportamiento espectral del dosel vegetal, donde, los factores que afectan su reflectividad son la proporción hojas, lignina y el efecto del suelo, la geometría de las hojas y los ángulos de observación de éstas (Hernández y Montaner, 2009).

2.2.5

Firmas Espectrales

Una vez que la energía electromagnética llega a la superficie terrestre, interactúa con cada tipo de material ya sea por reflexión, absorción o transmisión, de acuerdo a un patrón de respuesta espectral particular. Este comportamiento distintivo de cada tipo de material es aprovechado en procesos de clasificación de imágenes, siendo común referirse a él como “firma espectral” (Hernández y Montaner, 2009). En síntesis, la firma espectral se define como el comportamiento diferencial que presenta la radiación reflejada (reflectancia) o emitida (emitancia) desde algún tipo de superficie u objeto terrestre en los distintos rangos del espectro electromagnético, graficada en la figura 2.13. Generalmente representada en un gráfico bidireccional, ubicando en el eje de la Y al porcentaje de reflectancia y en el eje X se gráfica a la longitud de onda.

Figura 2.13 Comparación de resolución espectral.

Adaptado de SIGMUR (2006)

2.2.5.1 Tipos de firmas En base de las características de la captura de información con el sensor, se puede obtener los siguientes tipos de firmas espectrales: Firmas Monobanda: se considera monobanda cuando la respuesta espectral de los objetos geográficos está contenida en un solo canal dentro de una región parcial del espectro. Por lo tanto, la firma espectral del objeto geográfico es, solamente, su respuesta espectral dentro del único canal disponible (Corrales Andino, 2011).

28

Firmas multibandas: a la inversa de firmas monobandas, la respuesta espectral de las coberturas u objetos están contenidas en más de una canal, caracterizados individualmente por un intervalo del ancho de onda total (Corrales Andino, 2011). El ancho de la banda también es conocido como ventana espectral, como se visualiza en la figura 2.14.

Figura 2.14 Ejemplo de firma espectral de un cultivo en 7 bandas.

Fuente: Pantaleone y Tosini (2012)

2.2.6

Monitoreo de especies vegetales

El monitoreo permanente de la vegetación es considerado como el seguimiento continuo, en un tiempo y espacio definidos, para obtener información útil desde tres criterios: estructura, composición y función que permitan identificar disturbios de origen antrópico, mitigar, sanear y reemplazar condiciones adversas para impulsar acciones de protección de áreas o sistemas naturales, de degradación de ecosistemas, de uso sostenible de algunos elementos de la biodiversidad, y gestión en general como; instrumentos de legislación, regulaciones e incentivos, gobernanza, generación de conocimiento, educación y comunicación (LópezGallego, 2015).

En base a la propuesta de Lopéz-Gallego (2015), en la figura 2.15, se esquematiza el monitoreo de conservación, considerando; criterios de estudio (flechas dobles), las variables de medición (fondo verde) y la interacción entre variables y criterios.

29

Figura 2.155 interacción entre variables de medición para diferentes criterios de estudio.

Adaptado de López-Gallego (2015)

La selección de los cuantificadores a medir depende del objetivo del estudio, a nivel de monitoreo se plantea realizar periodo a periodo (tabla 2.1). Sin embargo, es necesario considerar que existe una serie mínima de cuantificadores que son de fácil medición en cualquier plataforma de monitoreo y generan información detallada y de calidad para evaluar acciones en el corto plazo, y que a través de análisis más detallados (construcción de indicadores) y posteriores recomendaciones en el tiempo y espacio pueden derivar análisis a mediano y largo plazo (Ariza, Aguilar Garavito y Ramírez Hernández, 2015).

30

Tabla 2-1 Criterios, indicadores, cuantificadores, análisis estadísticos y tiempo.

Criterio

Indicadores Indicador Análisis

Cuantificadores

Tipo

Plazo C M L

X Índice de riqueza de Análisis Cl Individuos por áreas especies Especie X X Composición Especies Cl Valor de Existencia nativa, exótica función Origen X X Numero Cn Índice de densidad Individuos por área localización Relación de Diámetro - # Incremento diamétrico Cn X X desarrollo del tallo individuos (cm) Relación Altura – # Cn X Incremento en altura (m) crecimiento vertical Individuos Estructura Cobertura de Cn X Factor ocupación Incremento en cobertura copa - # del espacio de la copa (m) Individuos X X X Diámetro – Cn Distribución por clases Indicador de Altura – diamétricas, alturas y posición sociológica Cobertura - # coberturas individuos X Estado Cl fitosanitario – *Síntomas sanitarios o Valoración fitosanitaria Forma de afecciones físicas Crecimiento Función x x Forma de Cl Anual, perenne…

Valor de existencia crecimiento *Estados fenológicos Valor de existencia Fenología Cl X X X Especies Índice de valor de #Individuos – *IVI Relativo Composición (Abundancia, frecuencia importancia de la Diámetros – estructura y dominancia relativa) especie Localización espacial Tipo: Cualitativo (Cl), Cuantitativo (Cn), *A pesar de existir instrumentos de medida en campo en ocasiones constituye una aproximación frente a un punto de referencia.

Composición

Fuente: Ariza et al. (2015)

2.2.6.1 Orientación del monitoreo en especies vegetales En base de la tabla 2.1, los esfuerzos se realizan desde muchos frentes, por iniciativas de organizaciones gubernamentales y no gubernamentales con énfasis a diferentes problemáticas o intereses. Algunas especies vegetales son consideradas “especies representativas” con el fin de potenciar programas de conservación, mientras otras tienen tratamiento específico por el grado de relevancia particular como; especies amenazadas o de interés sostenible, así también, pueden existir “especies problema” que debido a su gran adaptabilidad o agresiva expansión se constituyen en amenaza para el lugar, volviéndose especie invasora o plaga (López-Gallego, 2015).

31

Especies representativas: son aquellas especies que por características sobresalientes pueden ser consideradas en proyectos de conservación con enfoque a un área de interés especifico de una especie o grupo de especies, por ejemplo las especies carismáticas a condiciones climáticas adversas, aquellas que proveen sombra, especies que reaccionan a cambios del ecosistema y especies clave utilizadas ampliamente como componentes de biodiversidad (López-Gallego, 2015).

Especies amenazadas: Especies que han sufrido reducción en su extensión debido a interacciones antrópicas como sobreexplotación, destrucción y degradación de hábitat, etc.

Volviéndolas vulnerables con una alta probabilidad de extinguirse en un corto o mediano plazo, para lo cual se utiliza un margen de al menos 10% de probabilidad de extinción en 100 años (EcuRed, 2016).

Especies de uso sostenible: aquellas especies que son utilizadas por comunidades locales por algún potencial relevante de la especie, considerándolas de interés en usos sostenible y requieren de planes de conservación para garantizar la viabilidad a largo plazo de sus poblaciones mientras proveen algún nivel de uso a la comunidad (Ariza et al., 2015).

Especies invasoras o plaga: se considera “especie invasora” a aquellas especies exóticas que exitosamente han logrado establecerse y expandirse en un nuevo habitad, pudiendo alterar el ecosistema invadido. También se puede incluir a especies que aun siendo nativas, presentan una dinámica poblacional alterada ocasionando problemas en la conservación de la biodiversidad y el ecosistema, volviéndose “especie plaga o problema” (López-Gallego, 2015).

2.2.6.2 Componentes de un plan de monitoreo Según López-Gallego (2015), los componentes de un plan de monitoreo deben orientarse al seguimiento de atributos biológicos para registrar y analizar el estado de las poblaciones o hábitats con atributos que permitan contrastar el impacto de las amenazas sobre la especie así como evidenciar el efecto las acciones de conservación. Los componentes de un plan de monitoreo son: Determinar las necesidades de información: Para monitorear el progreso hacia las metas del proyecto se empieza definiendo la interrogante ¿cuál es el tipo de información necesaria

32

para evaluar la efectividad de las acciones propuestas? Además, Es importante considerar el público y el tipo de información requerida para la divulgación, ello permitirá que el monitoreo realmente cumpla con la función de evaluar y retroalimentar el desarrollo del proyecto (Ariza et al., 2015).

Definición de indicadores: identificado lo que necesita monitorear, el siguiente paso es elegir indicadores adecuados para generar la información requerida. Un indicador posee medidas específicas que permiten establecer tendencias de cambio en los atributos monitoreados. Los atributos

pueden ser elementos de biodiversidad o de la gestión de

conservación (López-Gallego, 2015).

Diseño de la metodología: El diseño metodológico de monitoreo debe precisar la escala espacial y temporal, el diseño de muestreo (unidades y características) y los métodos para la adquisición de datos. Además, define el tipo de análisis que se realizará a los datos (Ariza et al., 2015).

Diseño de la divulgación de resultados: Diseñar adecuadamente la estrategia de presentación de los resultados permitirá llegar adecuadamente al público potencial previamente definido de forma clara y concreta. Las herramientas comunicacionales para presentación de resultados del monitoreo dependerá del público y la información a presentar (Ariza et al., 2015).

Plan operativo: Definido la metodología es fundamental considerar los “recursos necesarios” para implementar el plan de monitoreo. Los recursos a considerar son talento humano, experiencia técnica, equipos y requerimientos logísticos. Según Ariza et al. (2015), en los monitoreo de “estado de una especie”, los atributos e indicadores deben dar cuenta de la viabilidad de las poblaciones. Los principales atributos usados en la biología poblacional de plantas enfocados a caracterizar la viabilidad de una especie en relación aspectos ecológicos son: •

Distribución geográfica de poblaciones

•

Cantidad y calidad del hábitat

•

Demografía (abundancia, estructura y dinámica poblacional)

•

Variabilidad genética dentro de las poblaciones

33

2.2.7

Tecnología aplicada al monitoreo de especies vegetales

En el sector primario de la agricultura, el avance tecnológico para el monitoreo de especies agrícolas presenta pasos agigantados en el afán de facilitar las labores agrícolas y obtener eficiencia en recurso humano, insumos y costos de producción. Para ello, se ha centrado en la utilización de máquinas, equipos y aplicaciones, los cuales, haciendo uso de las tecnologías de comunicación y posicionamiento interactuar entre si permitiendo realizar el monitoreo del estado productivo de los cultivos y mediante softwares adecuados detectar presencia de malezas, analizar requerimientos nutricionales, estado sanitario, etc. (Morales, Reyes y Montealegre, 2015).

Estudiar coberturas vegetales de interés en agricultura de precisión, sin entrar en contacto directo con ellas mediante la percepción remota, requiere definir el patrón característico y precisión a la que se va a determinar ‘la respuesta espectral’ pues, de ello dependerá si la energía radiométrica captada en cada pixel corresponde a una especie o asociación de especies en una determinada área. La energía emitida desde las coberturas del suelo puede variar de acuerdo al objeto geográfico en estudio, fisiología, distorsiones del entorno, la adecuación entre lo que se busca y la capacidad de restitución de los sensores (Corrales Andino, 2011). En la figura 2.16 se presenta una secuencia la aplicación de tecnología aplicando cámaras sensores multiespectrales para la determinación de un patrón característico de una especie de interés aplicado en agricultura de precisión.

Identificado la respuesta espectral característica de la especie de interés puede ser utilizada en un sinnúmero de análisis con énfasis a la localización, así como el estado vegetativo (Bravo Morales, 2013). La búsqueda de respuesta espectral o ‘firma espectral ‘entre diversos objetos geográficos de interés puede resultar dificultoso más no imposible, pues la percepción remota realizará el trabajo una vez definido a conciencia las limitaciones objetivas del sensor utilizado para el trabajo (Corrales Andino, 2011).

34

Figura 2.16 Aplicación tecnológica para la determinación de patrones característicos.

Adaptación de Corrales Andino (2011)

2.3

Marco metodológico

El avance tecnológico en los SIG, la teledetección y sensores remotos permite que se desarrollen nuevas áreas como la agricultura de precisión en la que, mediante métodos y técnicas avanzadas, se optimizan los recursos, se aumenta la rentabilidad y facilita la toma de decisiones (FIA, 2008). Esto no sería posible sin los sistemas de geoposicionamiento, plataformas, sensores y métodos adecuados para el acopio, análisis, interpretación y toma de decisiones (Koch, s.f.). Para la presente investigación se propone adecuar una metodología que permita determinar una especie vegetal (la joyapa) dentro de la cobertura vegetal mediante información de alta resolución levantada con sensores multiespectrales y técnicas de teledetección.

2.3.1

Colección de datos in-situ

Según Tambutti, Aldama, Sánchez, Medellín, y Soberón, (2001), registrar datos generales, ubicación geográfica, información específica como las características morfológicas y fisiológicas in-situ de la especie en estudio, es de vital importancia para determinar sitios de entrenamiento para identificación de la respuesta espectral de la especie, así como, para la validación de los datos de los resultados obtenidos, pues las características fisiológicas pueden ayudar a comprender las variaciones en la respuesta espectral.

35

En la actualidad se cuenta con formularios digitales con georreferencia que pueden ser cargados en un dispositivo móvil u ordenador, aportando a la reducción del uso de papel y costes que generan los formularios impresos. En el mercado se puede obtener aplicaciones en software libre como QField y aplicaciones comerciales como Survey123 for ArcGIS, las cuales son aplicaciones de recopilación de datos sencillas de utilizar, pero con potencialidades de crear, compartir formularios, así como la recolección, incluyendo multimedia y posición geográfica, aprovechando los recursos de los dispositivos móviles, con una ventaja adicional de trabajar off-line y sincronización con otras herramientas SIG (ESRI, 2019).

2.3.2

Generación de geoinformación multiespectral de alta resolución geométrica

En la actualidad, con la evolución y compactación de la tecnología, se puede acceder a un sinnúmero de plataformas como es el caso de los Vehículos aéreos no tripulados VANT o UAV (Unmanned Aerial Vehicles) que pueden aerotransportar una variedad de sensores, (Martínez et al., 2014). Permitiendo obtener información espectral y multiespectral de zonas como el páramo, donde las condiciones meteorológicas como la nubosidad dificultan capturar geoinformación con sensores remotos convencionales como es el caso de los satélites. Además, al tener el control de la planificación de la misión, el operador tiene la posibilidad de determinar el nivel de resolución deseada según el tipo de proyecto (Martínez, Ojeda, García y Bravo, 2014). Para ello, es necesario considerar criterios técnicos que permitan alcanzar los objetivos de forma segura y eficiente.

2.3.2.1 Plataformas VANT Los vehículos aéreos no tripulados son plataformas aéreas que vuelan mediante un sistema de propulsión controlados por un piloto automático, el cual, es programado y monitoreado desde una estación base en tierra a través de sensores que permiten la comunicación telemétrica. Ello permite utilizar terminología especializada como sistema aéreo no tripulado (SANT) para dar propiedad además del VANT a la estación de control en tierra, los dispositivos de despegue y aterrizaje (Ojeda, Flores y Ontiveros, 2016).

Utilizar los VANT como plataforma en la captura de geoinformación presenta un sin número de ventajas frente a satélites y aviones tripulados; entre ellas, el costo de operación, la resolución espacial y la posibilidad de llegar a zonas de difícil acceso (PROMAS, 2017).

36

Los VANT se clasifican en tres grupos, de acuerdo a la sustentación, esto es; de ala fija, multirrotor e híbridos. Cada uno ofrece bondades particulares que son aplicadas de acuerdo al proyecto y entorno topográfico del proyecto. En el caso de ala fija, la aerodinámica le permite sustentación en aire permitiendo un ahorro de batería y por ende cubrir mayores superficies. Sin embargo, requiere de espacios amplios para el despegue y aterrizaje. Por el contrario, los multirrotores realizan un despegue vertical por lo tanto en requerimiento del espacio es menor debido a que la sustentación es provista por la rotación de las hélices, que finalmente tiene sus repercusión en mayor consumo de baterías y por tanto menor autonomía de vuelo (Ojeda et al., 2016).

Un sistema VANT cuenta con elementos como receptores GPS, brújula, barómetros, Unidad de Medida Inercial IMU, etc. Generadores de información que permiten el autocontrol y además, pueden heredar coordenadas, altitud, orientación entre otros, al sensor que captura la información (Ojeda et al., 2016). Sin embargo en lo referente a precisión, puede estar fuera de los límites permisibles según la escala de trabajo, por lo tanto, en la planificación de la misión aerofotogramétrica es necesario incluir Puntos de Control Terrestre (PCT) con instrumentación adecuada que permita alcanzar las precisiones requeridas (PROMAS, 2017).

2.3.2.2 Planificación aerofotogramétrica El éxito del proyecto aerofotogramétrico que involucra a VANT como la plataforma de trabajo, depende de la calidad del diseño de la planificación de la misión, en la cual debe considerar; resolución espacial requerida, la altura de vuelo metros “AGL” (Above Ground Level/por encima del nivel del suelo) y el porcentaje de traslape longitudinal y transversal entre imágenes (PROMAS, 2017).

En la actualidad se puede encontrar una variedad de softwares que permiten configurar la planificación de la misión considerando las particularidades de la plataforma, el sensor y las características orográficas del terreno, entre los que se puede considerar aplicaciones de código abierto o cerrado, por ejemplo: Mission Planner: es una aplicación de estación terrestre con todas las funciones para proyectos con piloto automático de código abierto. Se puede usar como una herramienta de configuración o como un suplemento de control dinámico para el VANT, el software es

37

utilizado para planificar, guardar y cargar misiones autónomas con una simple entrada de way-point de apuntar y hacer clic en Google u otros mapas (ArduPilot, 2016).

Pix4DCapture: Aplicación de planificación de vuelo de vehículos aéreos no tripulados, admite drones de DJI, Parrot y Yuneec, con diferentes misiones para diferentes necesidades proporcionando flexibilidad para diversos Proyectos (Pix4D, 2018a).

2.3.2.3 Distribución de PCT Los PCT son una forma efectiva de aumentar la precisión absoluta o global de un mapa. Los PCT pueden ser tan simple como dos líneas que se cruzan pues el objetivo es crear una fotoidentificable en el área que se está volando. Si los PCT no se puede marcar con pintura, hay una variedad de formas de bajo costo para hacer marcadores de láminas de lonas de vinilo y otros materiales (Drone Deploy, 2018). En la figura 2.17 se visualizan algunos ejemplos de PCT.

Figura 2.17 Ejemplos de PCT en fotogrametría.

Fuente: Drone Deploy (2018); PROMAS (2017)

La ubicación de los PCT debe estar dispersa en toda el área de estudio. Si el área asignada tiene cambios de elevación notables, debe considerar la ubicación de PCT en las diferentes elevaciones (colinas, minas, valles, etc.) en una superficie relativamente plana. Así como, en la zona de amortiguación del borde del área (PROMAS, 2017).

Aparte de una buena marca de PCT, la precisión depende del instrumento de posicionamiento. Para ello, se recomienda utilizar equipos GNSS los cuales cuentan con emisores y receptores de radio, y estaciones terrenas que monitorean cada satélite para posteriormente en postproceso ajustar la precisión mediante ‘corrección diferencial’ con asistencia de softwares específicos (Prieto, 2012). En la figura 2.18 se presenta una gráfica comparativa de las frecuencias en los diferentes sistemas GNSS actuales.

38

Figura 2.18 Gráfica comparativa de las frecuencias de los sistemas GNSS actuales Fuente: Prieto (2012)

Donde: ➢ L1 C/A: señal tradicional, primera señal civil ➢ L2 C: Segunda señal Civil. Diseñada para aplicaciones comerciales y profesionales ➢ L5: tercera señal civil, se espera que esté disponible en los 24 satélites alrededor del 2021. ➢ L1C: Cuarta señal Civil, desarrollada en conjunto entre Estados Unidos de Norte América y la Unión Europea, se comenzó a transmitir desde el 2016 y se planea que esté disponible en toda la constelación a partir del 2026.

2.3.2.4 Ejecución de misiones seguras Para la ejecución de una misión aerofotogramétrica de forma segura para el operador y los instrumentos (plataforma y sensores) debe seguir cuidadosamente los procedimientos de seguridad (DJI, 2017; Ojeda et al., 2016; PROMAS, 2017), entre las cuales están: •

Reconocer el sitio de trabajo para identificar obstáculos que puedan interferir en la trayectoria o en las comunicaciones.

•

Seguimiento de las condiciones meteorológicas, sobre todo en sitios de variación climática permanente.

•

Revisión del estado físico del VANT y sensor.

•

Revisión de las rutinas Fail-Safe, es necesario dotar de procedimientos automáticos que se activen una vez que un determinado enveto no programado se verifica durante el vuelo (DJI, 2017).

39

2.3.2.5 Postproceso y generación de Información Multiespectral La fase de postproceso está compuesta por una serie de pasos como son la alineación, corrección geométrica, calibración radiométrica, y generación de nube densa de puntos y malla previo a la generación orto mosaicos.

Alineación: La alineación es la orientación interna y externa basada en la teoría de la fotogrametría digital área. Considera los parámetros de la cámara fotográfica y la orientación respecto a las coordenadas de los centros de exposición de cada imagen. En el mercado se encuentra una diversidad de softwares que permiten ejecutar el proceso en un solo bloque las 4 bandas. Esto se consigue preparando la información antes de ingresar al software, agrupándolas a las fotografías por bandas en distintas carpetas. El software lee las imágenes y analiza el tipo de información y pide confirmación sobre el tipo de información que se está importando, en la cual, se selecciona; “sistema multicámara” y la opción de “organizar imágenes en base del metadato” (Martorell, 2017).

Ajuste geométrico: La corrección geométrica se realiza en base a los PCT conseguidos luego de la corrección diferencial, descrita anteriormente en la sección 2.3.2.3. Estos sirven para ajustar el proyecto fotogramétrico al marco de referencia establecido. Una recomendación es iniciar ubicando los puntos en las marcas que mejor se distingan. Al trabajar con combinación de bandas, se puede seleccionar la totalidad de las cámaras e ir invirtiendo el orden de la cámara (por defecto – a banda de interés) con la herramienta “Seleccionar Canal Primario” repitiéndolo el proceso hasta conseguir la mayor ubicación de marcas (Agisoft, 2018a).

Para que la precisión sea considerada aceptable dependerá del objetivo del estudio y la escala de trabajo, la cual, debe estar sujeta estándares geográficos y normativa nacional (IGM, 2008).

Corrección radiométrica: La calibración radiométrica de la imagen por medio de una tabla de calibración, permite suavizar las variaciones espaciales producidas por la fuente de iluminación (Agisoft, 2018b). El este proceso teórico se detalla en los siguientes pasos: 1) Conversión de ND a Radiancia; conocido también como calibración radiométrica. El proceso de conversión se realiza utilizando la ecuación 2-1, la cual convierte los valores de cada pixel en valores de Irradiancia con unidades homogéneas a W/m². considerando que

40

los rayos solares son perpendiculares a la superficie y paralelos entre sí en la zona ecuatorial, los valores de irradiancia serían similares a los de radiancia (Puerto Lara, 2017). 𝐼 = 𝑓²

𝑝−𝐵 Aεγ +C

2-1

Donde: I: Es la Irradiancia de cada píxel.

A, B, C: Son coeficientes de calibración obtenidos por medio del sensor solar de la cámara. ε: Es el tiempo de exposición en el momento de la toma de cada imagen, este tiempo es diferente para cada banda. γ: Velocidad ISO f: Apertura. p: Valor del píxel.

2) Conversión de Radiancia a Reflectancia Aparente; (es decir, los valores de reflectancia detectados por el sensor) Dichos valores pueden ser calculados para reflectancia sobre el sensor o sobre la superficie y así poder estandarizar la imagen hacia una referencia de reflectancia conocida (Gómez Sanchis, 2009). 𝑝(𝑥, 𝑦, 𝜆) = 𝑝𝑅𝑒𝑓 (𝜆)

𝑅(𝑥,𝑦,𝜆)−𝑅𝑛𝑒𝑔𝑟𝑎 (𝑥,𝑦,𝜆) 𝑅𝑏𝑙𝑎𝑛𝑐𝑎 (𝑥,𝑦,𝜆)− 𝑅𝑛𝑒𝑔𝑟𝑎 (𝑥,𝑦,𝜆)

2-.2

Donde: 𝑝𝑅𝑒𝑓 (𝜆): Es la reflectancia nominal de la referencia. 𝑝(𝑥, 𝑦, 𝜆): Es la radiancia de la imagen sin calibrar. 𝑅𝑏𝑙𝑎𝑛𝑐𝑎 (𝑥, 𝑦, 𝜆): Es la radiancia de la referencia blanca. 𝑅𝑛𝑒𝑔𝑟𝑎 (𝑥, 𝑦, 𝜆): es la radiancia de la referencia negra.

Las unidades en las que se expresa el resultado es un valor adimensional entre 0 y 1, por lo tanto, si se multiplica por 100 puede ser interpretado también como porcentaje (Gómez Sanchis, 2009).

Generación de nube densa de puntos y malla: Consiste en generar un conjunto de vértices en un sistema de coordenadas tridimensional mediante correlación. En este proceso es necesario realizar un filtrado de puntos para eliminar “ruido” y separar “puntos de terreno” del resto de objetos sobre la superficie (USGS, 2017). La nube densa de puntos permite crear una malla tridimensional que se utiliza para la corrección de la imagen y generar ortofotomosaicos.

41

2.3.3

Análisis de imágenes multiespectrales

En los últimos años, el análisis multiespectral se ha desarrollado de forma acelerada, diseñándose aplicaciones para casi todas las áreas de las ciencias, trayendo consigo beneficios y ventajas como la geolocalización, observación de estados temporales, discriminación de los tipos de vegetación y especies de plantas (Corrales Andino, 2011).

2.3.3.1 Respuestas espectrales El fundamento de la teledetección reside en las diferentes respuestas de cada superficie a la radiación en las distintas zonas del espectro electromagnético, caracterizada cada una de ellas por una firma espectral. Estudiar de un modo general el comportamiento espectral de las superficies que pueden ser detectadas por un sensor en órbita o aerotransportado viene a concretarse en el estudio de los suelos desnudos, de la vegetación y de la mezcla de ambas en toda su gama de proporciones (UJA, 2004).

En el estudio de la superficie vegetal, la teledetección permite clasificar diferentes ecosistemas, identificar cultivos específicos, los volúmenes etc., basado en una serie de índices para la vegetación (Rodríguez Cabrera, 2017).

2.3.3.2 Clasificación de imágenes La finalidad de la clasificación de imágenes es automatizar la categorización de la totalidad de pixeles de una imagen en clases de coberturas. La clasificación se puede realizar de dos formas, la primera ‘clasificación no supervisada’ cuando únicamente se define el número de clases y un algoritmo agrupa las clases en base de medios estadísticos y la segunda ‘clasificación supervisada’ la cual, utiliza un patrón obtenido de las regiones de interés, por lo tanto es una alternativa en investigaciones para segmentar una respuesta espectral especifica (Puerto Lara, 2017).

2.3.3.2.1 Clasificación supervisada de imágenes La clasificación supervisada es una herramienta de los SIG que permiten evaluar los pixeles de una o varias bandas de una imagen ráster para identificar y clasificar de acuerdo al patrón o firma espectral identificada en las áreas de entrenamiento. En las áreas de entrenamiento se identifican las regiones de interés ROI (Region of Interest) para el análisis correspondiente e identificar los grupos de pixeles que pertenezcan a la cobertura de interés. Para lograr

42

resultados de clasificación supervisada aceptables, es importante que las ROI sean representativas y completas, esto permitirá al algoritmo clasificador localizar a los pixeles con mejor precisión (Pantaleone y Tosini, 2012; Puerto Lara, 2017).

En clasificación supervisada de imágenes multiespectrales, la combinación adecuada de bandas facilita la segmentación de las regiones de interés, para lo cual es indispensable conocer la reflectividad del objeto en las diferentes bandas (Puerto Lara, 2017).

2.3.3.3 Índices de vegetación Los índices de vegetación son medidas cuantitativas, basadas en los valores de reflectancia a distintas longitudes de onda y que son particularmente sensibles a la cubierta vegetal, ello permite realzar la vegetación en función de su respuesta espectral y atenuar los detalles de elementos como suelo, la iluminación del agua, vegetación inerte, entre otros (Alonso y Moreno, 1999).

Los índices de vegetación se estiman por medio de la combinación de bandas espectrales, resultantes de operaciones algebraicas, pudiendo ser suma, división o multiplicación, etc. de forma específica que permita destacar la cantidad o vigor de la vegetación dentro de un pixel (Trueba Aja, 2017).

A continuación, en la tabla 2-2, se presenta los diferentes métodos de cálculos de índices de vegetación y breve descripción propuesta por Bravo Morales (2013) y Trueba Aja (2017).

43

Tabla 2-2 Recopilación de índices de vegetación

Nombre de índice

Fórmula

Descripción

Basados en la Pendiente De diferencia normalizada NDVI

𝑁𝐷𝑉𝐼 =

(NIR − RED) (NIR + RED)

Transformado (TVI) (NIR − RED) 𝑇𝑉𝐼 = √( ) + 0.5 (NIR + RED) Transformado Corregido (CTVI) Transformada de Tiam (TTVI) Cociente simple (RVI) Normalizado (NRVI)

𝑇𝑉𝐼 = 𝑁𝐷𝑉𝐼 (

𝑁𝐷𝑉𝐼 + 0.5 ) 𝑎𝑏𝑠(𝑁𝐷𝑉𝐼 + 0.5) ∗ √(𝐴𝐵𝑆(𝑁𝐷𝑉𝐼 + 0.5)

NIR − RED 𝑇𝑉𝐼 = √𝐴𝐵𝑆( ) + 0.5 NIR + RED RED 𝑅𝑉𝐼 = NIR

𝑁𝑅𝑉𝐼 = RVI −

1 RVI + 1

Minimiza efectos topográficos la escala va de –1 a 1, con el valor cero representando el aproximado donde empieza la ausencia de vegetación.

Los valores negativos representan superficies sin vegetación.

El valor de 0.5 evita resultados negativos. La raíz cuadrada intenta corregir valores que se aproximan a una distribución de Poisson e introduce una distribución normal. No elimina todos los valores negativos.

Para valores del rango –1 a 1 que no se les cambiaba el signo como la anterior. Suprime el signo negativo. Sobreestimación del verde.

Suprime la sobreestimación del verde.

La reversa de la estándar simple El resultado de RVI es normalizado. Es similar al NVDI, reduce efectos topográficos, iluminación y efectos atmosféricos, además de crear una distribución normal estadísticamente deseable.

Basados en la Distancia Perpendicular (PVI)

De diferencia (DVI)

De suelo ajustado (SAVI) De suelo ajustado (TSAVI)

DVI = γMSS7 − MSS5 γ= la pendiente de la línea del suelo MSS7 = IR cercano MSS5 = Rojo

𝑆𝐴𝑉𝐼 = (

𝑁𝐼𝑅 − 𝑅𝐸𝐷

(𝑁𝐼𝑅 + 𝑅𝐸𝐷) + 𝐿

) ∗ (𝐼 + 𝐿)

a ∗ (NIR − a ∗ RED − b) RED + a ∗ NIR − a ∗ b a = pendiente de la línea de suelo B = intercepto de la línea de suelo 𝑇𝑆𝐴𝑉𝐼 =

Es el índice de vegetación padre, de donde se derivan los demás. Usa la distancia perpendicular de cada píxel hacia la línea del suelo. Se sabe si el píxel pertenece a suelo o vegetación de acuerdo con la distancia de cada uno con el suelo.

Un valor de cero, indica suelo desnudo. Los menores de cero = agua y los mayores = vegetación.

Incorpora una constante de suelo, la cual se usa con una vegetación baja, intermedia o alta. Considera la influencia de la luz y el suelo oscuro en el índice.

Considera la pendiente y el intercepto de la línea de suelo.

Mucho efecto del suelo de fondo. Tiene varias modificaciones.

Adaptado de Bravo Morales (2013), Trueba Aja (2017)

44

2.3.3.4 Criterios de calidad Independientemente del diseño de investigación, la validez del estudio puede verse afectada si las mediciones son poco fiables, lo cual puede ser ocasionado por el producto de la variabilidad del observador. Estadísticamente la manera de abordar este tema depende de la naturaleza de los datos. En evaluación de la exactitud temática, se puede emplear el método de comparación de información generada respecto a información de referencia, considerada muy confiable. El proceso incluye un muestreo in-situ de sitios reservados para la verificación. Para definir el grado de concordancia, el índice Kappa es un método utilizado y aceptado dentro de los programas colaborativos de las naciones unidas, el cual, define la exactitud lograda en la clasificación con un software y la exactitud de lograr una clasificación correcta con una clasificación visual (ONU-REDD+, 2016).

El índice de Kappa es la proporción de coincidencias obtenidas en un producto cartográfico.

Es una medida de la diferencia entre la exactitud lograda en la clasificación con un software y la exactitud de lograr una clasificación correcta con una clasificación visual (en campo e imágenes de alta resolución generadas en paralelo). La fuerza de concordancia se mide mediante el valor k o valoración del coeficiente kappa (Cohen, 1986).

45

3

CAPITULO III: MATERIALES Y METODOS

Según Tambutti et al. (2001), al estudiar especies en su habitad es de suma importancia considerar los datos específicos de la especie como el nombre científico, la ubicación geográfica del habitad, características fisiológicas, entre otros detalles particulares que permitan seleccionar las técnicas adecuadas para extraer la información necesaria para los análisis con el menor impacto a su habitad.

Para realizar análisis multiespectral en joyapa sus características fisiológicas (tamaño y forma de hojas, disposición de ramas) y fisiográficas (distribución y asociación con otras coberturas) descritos en el apartado 2.1.2 y 2.1.3, evidencian el requerimiento de información de alto detalle, escala 1:1,000, esto es posible realizar utilizando la tecnología disponible en el área de los SIG para levantar información multiespectral de alta resolución con cámara multiespectral transportada sobre sistemas aéreos no tripulados que por su versatilidad se hacen adecuados para aplicación en la zona de estudio como lo menciona Martines et al. (2014) en la descripción de aplicaciones de los VANT en tareas de monitoreo de fenómenos geográficos.

Utilizar protocolos prestablecidos en el levantamiento de geoinformación multiespectral como el propuesto por PROMAS (2017), “captura de fotografía aérea mediante UAV” garantizan que la información capturada cuente con la calidad deseada, para ello es necesario ajustar con los parámetros del sensor multiespectral; “cámara multiespectral Parrot Sequoia” (Parrot, 2017). Así como, las características topográficas sitios de avistamientos in situ.

Las técnicas basadas en el ‘análisis del color’ para segmentar la respuesta espectral se consideran adecuadas según estudios revisados como el de Corrales Andino (2001), con resultados precisos y eficiente en las distintas regiones de las imágenes. Para ello se debe complementar con criterios como la fisiología, las distorsiones del entorno, la adecuación entre lo que se busca y la capacidad de restitución de los sensores, y finalmente ajustar con el índice de vigorosidad de la especie citado por Bravo Morales (2013) y Trueba Aja (2017).

Utilizar el índice kappa propuesto por Cohen (1986), para determinar la fuerza de concordancia en base de muestras de campo y OTF (Ortofoto) en color verdadero RGB es

46

aceptado en estudios similares (ONU-REDD+, 2016). Por lo que se considera pertinente su aplicación.

3.1

Caracterización del área de estudio

Por las características del estudio, caracterizar el área de estudio es fundamental debido a que permite obtener una visión próxima de la zona, las características descritas sirven para planificar las actividades desarrolladas en campo e inclusive justificar comportamientos particulares propios de la zona.

3.1.1

Localización

Para ubicar el área de estudio se consideró los avistamientos de la especie en la zona, la cual se considera un remanente de ceja de páramo rodeada por límites establecidos por intervenciones antrópicas como es el avance de la frontera agrícola, accesos viales y la introducción de especies exóticas, Figura 3.1.

Figura 3.1 Ubicación aproximada del área de estudio

El área de estudio se encuentra ubicado al sur del Ecuador, en la provincia del Azuay, Cantón Girón, entre las coordenadas UTM WGS84 17S X 696600, Y 9657800, en la zona de

47

transición del bosque andino al páramo, con una superficie aproximada de 9.8 Ha. Y una variación de altura de 3,470 a 3,575 m s.n.m.

3.1.2

Pendiente

Las cejas de páramo se caracterizan por ser zonas de transición hacia el pajonal y en general presentan pendientes abruptas. Esta característica es la predominante en la zona de estudio en la cual, la pendiente promedio está por sobre el 70% calculado en base del MDT obtenido como subproducto en la generación de la ortofoto multiespectral del presente estudio.

3.1.3

Características climáticas

Las variables climáticas son importantes, debido a que induce a tener una idea de las características del sito de estudio, útiles en la planificación de actividades de campo.

Cerca de la zona de estudio se encuentra instalada una estación meteorológica a cargo del Programa para el Manejo del Agua y el Suelo PROMAS - Universidad de Cuenca, denominada “Quimsacocha 1” cuyas coordenadas de ubicación son UTM-17S X 697341, Y 9659644 a una cota de 3,762 m s.n.m., lo que permite tener valores de características climáticas muy próximos.

Temperatura: La temperatura media en la zona varía entre los 6ºC y 8ºC, las temperaturas bajas tienen una variación entre los 0ºC y 4ºC con picos que llegan hasta los -5ºC produciéndose heladas, en cuanto a las temperaturas altas se puede observar que estás varían entre los 12ºC y 15ºC (PROMAS, 2018).

Precipitación: anualmente llueve entre los 900 y 1,100 mm, el régimen de precipitación muestra claramente que se produce un invierno desde los meses de noviembre a junio y un verano durante los meses de julio a octubre (PROMAS, 2018).

Humedad relativa: La humedad relativa máxima está en el intervalo del 98% al 100%, la humedad relativa media tiene una variación desde el 80% al 95% y la humedad relativa baja tiene una variación grande entre el 20% al 70% (PROMAS, 2018).

En la tabla 3.1, se presenta un resumen de parámetros climáticos de valores históricos promediados por meses, para la zona de estudio.

48

Tabla 3-1 Variables climatológicas (Estación Quimsacocha 1) Parámetro

Ene Feb

Mar

Abr

May

Jun

Jul

Ago Sep Oct

Nov

Dic

Anual

Humedad Relativa (%)

92

93

93

93

92

93

94

92

88

88

87

88

91

Velocidad - Viento (m/s)

7

6

5

5

6

8

11

10

10

7

8

7

7

Radiación Solar (w/m²)

149 149

143

139

146

128 115 124

121 162

175

168

143

Presión atmosférica (bar)

627 627

627

626

626

626 625 624

626 627

626

626

626

6

5

5

4

5

5

Pto Rocío (ºC)

6

6

5

4

4

4

4

Fuente: PROMAS (2018)

Donde: •

La Humedad relativa se expresa en porcentaje del contenido de humedad en el aire, con respecto al aire saturado hasta el punto de rocío.

•

La radiación solar se expresa en unidades de radiación, una unidad que refleja su potencia por unidad de superficie y es medida a través del Piranómetro.

•

La dirección del viento se mide en una zona abierta a una altura estándar de 2 m sobre el nivel de terreno, el instrumento que mide es el anemómetro y se expresa en m/s.

•

La presión atmosférica es la fuerza por unidad de área que ejerce la atmosfera sobre la superficie terrestre, se mide utilizando barómetro de los cuales el mercurio es el más conocido.

•

El punto de rocío es la temperatura a la que empieza a condensarse el vapor de agua contenido en el aire, produciendo rocío, niebla o en caso que la temperatura sea lo suficientemente baja, escarcha.

3.2

Materiales y Equipos

De acuerdo al habitad de la especie, la presente investigación incluye una fase de levantamiento de geoinformación in-situ o ‘fase de campo’ y otra ‘fase en gabinete’ para el postproceso de los datos de campo, generación de geoinformación multiespectral y el análisis de respuesta espectral. En este contexto, los materiales son clasificados de acuerdo a la fase en la que se utilizó.

3.2.1

Materiales de campo

3.2.1.1 DGPS Mobile Mapper 10 para identificación de áreas de interés Un DGPS, es un receptor SIG de precisión profesional para cualquier equipo de trabajo de campo, potente y completo, ideal para realizar un gran número de aplicaciones de posicionamiento y corrección diferencial para mejorar su precisión (Spectra Precision,

49

2012). La versatilidad del equipo permitió utilizarlo para realizar el reconocimiento del área, ubicación de sitios de interés y a la vez registrar datos en forma de atributos.

3.2.1.2 GNSS para posicionamiento de PCT Es un sistema flexible y escalable que se adapta de acuerdo al tipo de trabajo, ya sea; postprocesamiento, base móvil, o una combinación de funciones base y móvil (Trimble, 2018). Las principales especificaciones técnicas de registro se detallan en la tabla 3.2.

Tabla 3-2 Especificaciones técnicas de registro GNSS R8 Trimble

Constelación GPS GLONASS SBAS Galileo BeiDou (COMPASS) Velocidad de Posicionamiento

Señales L1 C/A, L1C, L2C, L2E, L5 L1 C/A, L1P, L2C/A, L2P, L3 L1 C/A, L5 (Para satélites compatibles con L5) E1, ESA, ESB B1, B2 1Hz, 2Hz, 5Hz, 10Hz y 20Hz.

Fuente: Trimble (2018)

Precisión; la precisión y confiabilidad pueden estar sujetas a anomalías tales como; errores de trayectoria múltiple e interferencias electromagnéticas y configuración de optima de la constelación GNSS, temperatura de trabajo y condiciones de terreno. En la tabla 3.3 se detalla la precisión.

Tabla 3-3 Especificaciones de rendimiento de posicionamiento GNSS R8 Trimble TIPO RENDIMIENTO DE POSICIONAMIENTO

Posicionamiento GNSS diferencial de código

Horizontal Vertical Precisión de posicionamiento SBAS diferencial Medición GNSS estática (alta precisión) Horizontal Vertical Medición cinemática en tiempo real Línea base simple menos de 30 km Horizontal Vertical

0.25m + 1ppm RMS 0.50m + 1ppm RMS Típico <5 m 3DRMS

8 mm + 1ppm RMS 15 mm + 1ppm RMS

8 mm + 1ppm RMS 15 mm + 1ppm RMS

Fuente: Trimble (2018)

El equipo GNSS se utilizó para el posicionamiento de los PCT con la finalidad de mejorar la precisión del levantamiento aerofotogramétrico.

50

3.2.1.3 Dianas para puntos de Control Las dianas o marcas de PCT utilizadas, fueron unas láminas de lona de 1 x1 m. según las sugerencias recopiladas en la literatura. Estas deben ser visibles, foto identificables desde la altura a la que se efectúa el vuelo (Drone Deploy, 2018). Además, se debe incluir el material que permita fijar adecuadamente en el suelo para que no sea alterada por el viento o personas que transiten por el sitio de trabajo, representada en la figura 3.2.

Figura 3.2 Dianas para PCT Fuente: Drone Deploy (2018)

3.2.1.4 Plataforma para trasportar el sensor multiespectral La multirrotor utilizado como plataforma fue el ‘Mavic Pro de DJI’. Este multirrotor es una aeronave ultra portátil debido a su diseño plegable, la aeronave permite configurar fallos de seguridad por transmisión, batería, etc. y regresa al punto de origen (DJI, 2017). Así también, permite la programación de misiones de vuelo, acoplar el sensor multiespectral como se visualiza en la figura 3.3.

51

Figura 3.3 Plataforma Mavic Pro con soporte para cámara multiespectral

3.2.1.5 Cámara multiespectral El sensor multiespectral Sequoia ha sido diseñada para la agricultura. El diseño está basado en tres criterios: facilidad de uso, buena precisión y mínimo peso - tamaño para adaptarse a todos los tipos de multirrotores y ala fija, figura 3.4, (Parrot, 2017). En la tabla 3.4 se describen las características más relevantes.

Elemento

Tabla 3-4 Especificaciones de sensor multiespectral sequoia Característica

Sensor monocromo

Sensor de imagen RGB Indicador luminoso Activador Puerto Micro USB Host Puerto micro USB divice Dimensiones / Peso Memoria interna Otros elementos

Sunshine Sensor Dimensiones /Peso

De 1.2 megapíxeles recogen los datos en las bandas espectrales discretas: verde (550 nm - banda pasante 40 nm), roja (660 nm - banda pasante 40 nm), Red-Edge (735 nm – banda pasante 10 nm) e infrarrojo cercano (79 nm - banda pasante 40 nm) 16 megapíxeles Referencia para las tomas de fotografías y la calibración.

Activa/Desactiva el modo ráfaga, la conexión Wi-Fi y tomar foto Conecta el sensor multiespectral en el Sunshine sensor Conecta el sensor multiespectral al dron.

59 x 41 x29.5 mm / 72 g.

64 GB. Central inercial, Magnetómetro Wi-Fi 4 sensores de luz ambiental, provistos de un filtro de pasada.

Modulo GPS/DGPS, centro inercial, magnetómetro y alojamiento de SD. 39.6 x 47 x 18.5 mm / 35g.

Fuente: Parrot (2017)

52

Figura 3.4 sensor multiespectral parrot sequoia

Las características de esta cámara la vuelven interesante, ya que sobre todo, permite la corrección automática de luz mediante el sensor solar que se conecta por medio de un puerto USB, además, tiene la versatilidad de funcionar como servidor web y propio frontend para controlar desde el smarthphone, tablet o computador portatil (Parrot, 2017).

3.2.1.6 Libreta de campo Una vez determinado los datos a recolectar en campo, se procedió a diseñar la ficha de campo (Anexo 1) y haciendo uso de la tecnología, la ficha se configuró en una encuesta digital de Survey123 for ArcGIS y posteriormente cargada a la aplicación survey123 para dispositivo celular Android. Además, el dispositivo móvil también permitió el registro fotográfico en cada punto de encuesta (figura 3.5).

Figura 3.5 Ficha digital en dispositivo móvil

53

3.2.2

Materiales de postproceso

Entre los materiales de oficina se destacan manuales de operaciones, computador de planificación, campo y postproceso. Las características son importantes sobre todo para el postproceso, ya que, de acuerdo al potencial de las características del computador, dependerá el tiempo y cantidad de fotografías que permita procesar. Las características del computador utilizado se detallan en la tabla 3.5.

Tabla 3-5 Especificaciones de computador portátil para postproceso Elemento Característica

Modelo

Procesador RAM GPU SSD HDD Sistema Operativo 3.2.3

ASUS ROG Strix GL553VD Intel Core i7-7700HQ 2.8 GHZ (8PCUs) 32768MB DDR4 NVIDIA GeForce GTX 1050, 4GB 500GB 1TB Windows 10

Materiales informáticos

El estudio requiere una diversidad de materiales informáticos para sus diversas etapas. Para ello se clasifica en función de la etapa en la que se va utilizando. Entre ellos se cuenta con software libre y comercial.

3.2.3.1 Planificación En la planificación se utilizó los siguientes softwares: Mission Planner: como aplicación para configurar la misión considerando las bondades de planificación utilizando la topografía de la zona.

Pix4DCapture: se utilizó para transferir la misión al VANT y como estación de tierra para el seguimiento de la misión aerofotogramétrica.

3.2.3.2 Postproceso Trimble Business Center TBC: permite flujos de trabajo completos para que los proveedores de servicios especializados, topografía y SIG (Trimble, 2017). En el estudio, se utiliza para procesar datos GNSS estáticos para obtener posiciones más confiables con los puntos de control terrestre.

54

Agisoft photoScan: realiza el procesamiento fotogramétrico de imágenes digitales y genera datos espaciales 3D para su uso en aplicaciones GIS, soporte pancromático, multiesprectral y térmico de imágenes (Agisoft, 2018a).

Pix4d mapper: Software de fotogrametría dinámico que permite trabajar con imágenes RGB, multiespectrales o térmicas de cualquier cámara montada sobre un avión no tripulado.

Así también, permite trabajar en la nube o en escritorio (Pix4D, 2018b).

3.2.3.3 Análisis ArcGIS: ArcGIS Pro es el producto SIG de escritorio de 64 bits de última generación de ESRI (Environmental Systems Research Institute). Presenta gran avance tecnológico con representación cartográfica 2D y 3D profesional en una intuitiva interfaz de usuario, gran capacidad de ejecutar análisis, procesamiento de imagen y administración (ESRI, 2018).

3.3

Metodología

En base de los objetivos específicos propuestos, la revisión bibliográfica recopilada y sintetizada en la introducción del capítulo 3, el estudio plantea utilizar la tecnología disponible en el área de los SIG para levantar información relacionada a la especie e información multiespectral de alta resolución mediante sistemas VANT, cámara multiespectral y analizar la respuesta espectral de la joyapa (Macleania rupestris), considerando sus características morfológicas y fisiológicas (Sánchez y Fernández, 2015) y con ello, determinar la variancia espectral (Borra, Peña, Torres-Sánchez y López Granados., 2015). Y finalmente, mediante software especializado geolocalizar a la especie en la cobertura vegetal.

En la figura 3.6 se representa el proceso metodológico aplicado en la investigación, este se encuentra dividido en tres fases. Parte con el levantamiento de geoinformación requerida para la determinación de la respuesta espectral en sitios que se comprobó la presencia de la especie en base de muestras de campo geolocalizadas y con ello, experimentar “probando de forma interactiva sucesivos valores para clasificar la imagen calculando para cada uno de ellos la varianza espectral” (Borra et al., 2015, p. 252). Hasta encontrar una concordancia aceptable comparando con las muestras de campo apartadas para este fin.

55

•Encuesta de campo •Levantamiento de geoinformación multiespectral •Posproceso

Determinación de Firma espectral •Seleccion de la muestra •Analisis de comportameinto espectral

•Identificación de puntos criticos •Determinación de especie •Validación

Levantamiento de Geo Información

Experimentación

Figura 3.6 Secuencia metodológica

3.3.1

Levantamiento de Información

La fase consta de dos actividades relevantes que son: 1) Encuesta para recabar información de la especie, así como del área de estudio, con la finalidad de optimizar los recursos, planificar y determinar el las características de la información que se requiere para obtener la firma espectral de la especie. 2) Levantamiento de geoinformación; Luego de tener los parámetros óptimos se procedió al levantamiento de la información; aplicando los protocolos preestablecidos, descrito en la sección 2.3.2, para captura de fotografía aérea mediante UAV (PROMAS, 2017), con los parámetros del sensor multiespectral; cámara multiespectral Parrot Sequoia (Parrot, 2017). Ajustadas a las características topográficas del sitio de la parcela experimental.

3.3.1.1 Encuesta de campo Para el levantamiento de información se elaboró una encuesta localizada para registrar características, morfológicas y estado vegetativo, las cuales servirán tanto para entrenamiento como control de los resultados obtenidos. El diseño de la encuesta se realizó utilizando Survey123 de ESRI, a la cual se puede acceder mediante el enlace https://arcg.is/1DSSDq o mediante el código QR de la figura 3.7.

56

Figura 3.7 Código QR de encuesta en survey 123

3.3.1.2 Levantamiento de geoinformación multiespectral El levantamiento de la geoinformación engloba el proceso desde la planificación hasta la obtención de subproductos mediante proceso fotogramétricos. La metodología utilizada se presenta en el siguiente la figura 3.8.

Apoyo Topografíco • P. Plataforma • P. Sensor • Caracteristicas de terreno

Aerotriangulación

OTF

MDS Planificación Ejecución de Vuelo

Rectificación

Figura 3.8 Diagrama metodológico de levantamiento de geoinformación con VANT.

3.3.1.2.1 Planificación de vuelo El éxito del proyecto que involucra a VANT como la plataforma de trabajo, depende de la calidad del diseño de la planificación del vuelo. Esto consiste en determinar la resolución requerida, la altura de vuelo en metros AGL, el porcentaje de traslape longitudinal y transversal entre imágenes. Para ello se utilizó los parámetros de fábrica que tienen cada uno de los componentes de la plataforma y el sensor, detallados de la siguiente manera: Parámetros de plataforma: Los parámetros a considerar son los siguientes: -

Velocidad Crucero: 8 m/s

-

Autonomía de vuelo: 21 minutos

Parámetros de cámara: Los parámetros prestablecidos de la cámara utilizada son: -

Longitud focal: 4.0 mm

57

-

Resolución de imágenes: 1280 x 960 píxeles

-

Tamaño de la imagen: 4.8mm x 3.6mm

-

FOV horizontal: 61.9 °

-

FOV vertical: 48.5 °

Según las características de la cámara Parrot Sequoia, el fabricante recomienda utilizar la referencia de resolución espacial en base de la altura de vuelo (figura 3.9).

Figura 3.9 Planificación de vuelo Fuente: Parrot, (2017)

Sin embargo, deben ser ajustadas en base de las características propias del terreno.

Características de terreno; es fundamental considerar la topografía del lugar, así como las condiciones de vientos y orientación del sol. En base de las características antes mencionadas y las características de la especie, se procede a definir los parámetros a conseguir en base de la escala de adquisición propuesta en el alcance de la investigación (1:1,000), estos son: -

GSD: 7 cm Traslape: 75 % lateral y transversal

Los parámetros se ingresaron en el software mision planner, el cual, permite analizar la mejor opción para generar la misión de vuelo y posteriormente replicarla en la aplicación especifica de la plataforma (figura 3.10).

58

Figura 3.10 Planificación de vuelo

3.3.1.2.2 Levantamiento de puntos de control Los puntos de control en tierra se utilizaron para el postproceso de la información de manera que permitan la corrección en altura y georreferenciación a lo largo de todo el levantamiento.

Estas marcas fueron ubicadas a lo largo y ancho del área de vuelo utilizando para esto las dianas descritas en el apartado materiales.

Foto 3-1 Medición de puntos de control

En la foto 3-1 se visualiza a las marcas referenciales. Estas fueron registradas y posicionadas utilizando el sistema global de navegación por satélite GNSS con equipos de precisión

59

geodésica Trimble modelo R8 que permiten fácil movilidad, rápida toma de datos y precisión.

Figura 3.11 Corrección diferencial de los puntos de control terrestre.

La obtención de coordenadas de los puntos de control se obtuvo luego del postproceso de la información levantada en campo (figura 3.11). Para esto, se utilizó la estación de monitoreo continuo de PROMAS – Universidad de Cuenca, la cual, está enlazada con la REGME (Red GNSS de Monitoreo continuo del Ecuador) administrada por el IGM (Instituto Geográfico Militar), como base para enlazar cada una de las marcas ubicadas en campo antes de la toma de la fotografía aérea. Los PCT se adjuntan en el anexo 2.

3.3.1.2.3 Ejecución del Vuelo Ya en campo, se comprueba las condiciones climáticas óptimas. Esto es: la velocidad de viento inferior a 8 m por segundo o las definidas por el fabricante (PROMAS, 2017), altura del sol mayor a 45 grados para evitar sombras y luminosidad homogénea en lo posible.

Además, también se debe considerar condiciones operativas como: mantener visión dominante desde el sitio base de operaciones hasta el sensor, evitar obstáculos como zonas arbóreas, cables y cualquier obstáculo que pueda reducir el funcionamiento del VANT.

En la zona definida como base de operaciones se procedió a revisar el ensamblado e instalación de la cámara a bordo de la plataforma. Se verificó que estén ubicados los puntos de control y se procede a ejecutar el vuelo. Es imprescindible monitorear la telemetría en la estación base como el estado de baterías, potencia de los motores con la finalidad de realizar alguna maniobra en caso que presente alguna condición anómala (foto 3-2).

60

Foto 3-2 Monitoreo de telemetría y Ejecución de Vuelo.

Finalizada la misión se procedió a capturar fotos en la tabla de calibración de la cámara, esto se utilizó en el postproceso para determinar los factores de reflectancia (foto 3-3).

Foto 3-3 Foto de calibración de sensor.

3.3.1.2.4 Postproceso La fase de postproceso está compuesta por una serie de pasos como son; alineación, corrección geométrica, calibración radiométrica, generación de orto mosaicos.

Alineación La alineación se realizó en el software Agisoft metashape, en un solo bloque las 4 bandas.

Para ello se preparó agrupándolas por bandas (RED, REDEDGE, NIR, GREEN) en distintas carpetas, en una configuración denominada ‘sistema multicámara’ y la opción de ‘organizar imágenes en base del metadato’ como se visualiza en la figura 3.12.

61

El metadato de cada cámara (termino asignado a la fotografía durante el postproceso) contiene las coordenadas geográficas y altura (m) con lo cual se estima el margen de error de la posición del sitio de captura. Seguidamente, se convirtió a coordenadas proyectadas EPSG: 32717. En la figura 3.12 se grafica el flujo de trabajo correspondiente a la alineación de cámaras.

Figura 3.12 configuración de parámetros de alineación.

El criterio de rigurosidad en la alineación dependerá del tipo de proyecto, las capacidades del hardware, numero de fotos. En el estudio presente se optó por realizar una primera alineación en baja precisión hasta incluir los puntos de control, ello permitió localizar rápidamente a los PCT y posteriormente se ejecutó la alineación Ultra-Alta.

Ajuste geométrico La corrección geométrica se realizó en base a los PCT conseguidos luego de la corrección diferencial, descrita anteriormente en el apartado 2.3.2.3. Estos sirven para ajustar la precisión del proyecto fotogramétrico al marco de referencia establecido EPSG: 32717. En la figura 3.13 se visualiza la colocación de las coordenadas de los PTC en cada una de las cámaras que captaron la marca del PCT.

62

Figura 3.13 Ubicación de PTC en marcas.

Los PCT se pinchan manualmente lo más próximo al centro de las marcas, una consideración fue, iniciar ubicando los puntos en las marcas que mejor se distinguen. Al trabajar con combinación de bandas, se puede seleccionar la totalidad de las cámaras e ir invirtiendo el orden de las bandas, esto permite cambiar de la banda definida por defecto – a banda de interés (RED, REDEDGE, NIR, GREEN), repitiendo el proceso hasta conseguir la mayor ubicación de marcas.

Finalizado la foto-identificación y marcado de PCT se procede a optimizar la alineación. En el presente proyecto fotogramétrico se optimizó el error promedio de 12.02 m a 0.11 m (anexo 4), aceptable según estándares nacionales, normativa nacional del instituto geográfico militar (IGM, 2008).

Corrección radiométrica La calibración radiométrica de la imagen se realizó utilizando la tabla de calibración. En esta etapa del postproceso se utiliza la fotografía capturada al final de la misión a la tabla de calibración, foto 3-4.

63

Foto 3-4 Foto de placa de calibración con parámetros definidos

La tabla de calibración lleva consigo unos parámetros estándar que serán utilizados para calibrar la reflectancia. En el caso del software Pix4D lee directamente al ingresar las fotos al software. En el caso de Agisoft los parámetros se ingresaron manualmente importando las cámaras que contiene el panel de calibración. En la figura 3.14 se visualiza el proceso de enmascarar el área específica del panel de calibración descartando los bordes. Este proceso se repite con todas las bandas.

Figura 3.14 Enmascaramiento inverso del panel de calibración.

Seguidamente se ingresa los valores correspondientes en cada banda a partir de la tabla de calibración, esto dependerá del modelo y versión de la cámara. En la versión de cámara utilizada para este estudio, la tabla trae impreso los valores en porcentajes, se puede apreciar en la foto 3.4, los cuales deben ser convertidos a número decimales, los valores resultantes se detallan en la tabla 3.6.

64

Tabla 3-6 Factor de reflectancia de tabla de calibración Banda Valor

GREEN RED RED EDGE NIR

0.189 0.197 0.221 0.255

Estos valores aplican solo para el panel de reflectancia usado en este proyecto.

Una forma de comprobar si los valores se encuentran sin alteración es subir las imágenes a Pix4D Mapper. Este software, entre sus herramientas, tiene un analizador de panel de calibración, en el cual, se enmascara el área central del panel y automáticamente calculan los valores del factor de reflectancia. El proceso se realiza para cada banda (figura 3.15).

Figura 3.15 comprobación de valores de factores de reflectancia en pix4D mapper.

Comprobados los valores, se continua con el procesamiento en Agisoft definiendo la fuente ‘panel de reflectancia’ y el software procede a calibrar a todas las cámaras, el proceso se puede realizar en cualquier fase del postproceso previa a la generación de ortofoto (Agisoft, 2018b; figura 3.16).

Figura 3.16 Calibración de reflectancia en Agisoft.

Con la finalidad de verificar la variación de la corrección radiométrica, se procesó con y sin corrección radiométrica.

65

Generación de nube densa de puntos y malla Consiste en generar un conjunto de vértices en un sistema de coordenadas tridimensional mediante correlación. Seguidamente se realizó el filtrado de puntos para eliminar puntos ruido y separar puntos de terreno del resto de objetos sobre la superficie. En la figura 3.17 se visualiza la nube densa de puntos generada.

Figura 3.17 nube densa de puntos.

Con la nube densa de puntos filtrada se procedió a generar una malla 2.5D que permite rectificar las imágenes y generar la ortofoto (figura 3.18).

Figura 3.18 Malla 2.5 D generada a partir de nube densa de puntos.

66

Al tratarse de dos tipos de información; fotos multiespectrales en 4 bandas individuales y una RGB, el procesamiento se puede realizar en dos partes; un proceso para bandas multiespectrales y uno para el RGB; esto con la finalidad de optimizar el tiempo de procesamiento. Además, se puede obtener la reflectancia para cada banda, activando la casilla “Normalizar la sensibilidad de la banda / Normalize band sensitivity” en el apartado de calibración de cámaras.

El proceso finaliza con la extracción de información del área específica con la finalidad de descartar la información de borde, tanto para el ortomosaico en niveles digitales y reflectancia. El proceso se puede realizar ajustando el área de trabajo de Agisoft o en su defecto mediante software GIS con la herramienta que permita cortar o extraer en base de una máscara. En la figura 3.19, se presenta el flujo de extracción del área requerida en base de una mascara en el software ArcGIS.

Figura 3.19 configuración en Model builder para extracción de mosaico a partir de una máscara.

3.3.2

Determinación de firma espectral

Engloba el proceso analítico de la respuesta espectral de la especie. Para ello, en base de procesos y técnicas aplicadas en agricultura de precisión como el análisis de color multiespectral permiten clasificar y caracterizar de forma precisa, robusta y eficiente, las distintas regiones de las imágenes (García-Mateos, Molina Martínez, Escarabajal-Henajeros y Hernández Hernández, 2014) y determinar la respuesta espectral de la Joyapa. Para lo cual,

67

las muestras de campo se dividieron unas para entrenamiento y la diferencia se reservó para la validación. El proceso propuesto se detalla en la figura 3.20.

Figura 3.20 Diagrama metodológico para determinación de firma espectral de Joyapa.

3.3.2.1 Diseño Experimental La clasificación de una imagen multi-espectral es en gran medida automatizada. El proceso de entrenamiento requiere de una gran interacción entre el intérprete y la información proporcionada por la imagen. Adicionalmente, este proceso requiere de información secundaria y de un conocimiento del área geográfica en cuestión (MAE - MAGAP, 2015).

3.3.2.2 Tamaño de la muestra El tamaño de la muestra suele ser inexacto ya que su cálculo depende de la exactitud y el área de las clases y esta información suele estimarse para alcanzar valores por aproximación, (ONU-REDD+, 2016). 𝑛=

(Σ𝑖=𝑖 W𝑖 S𝑖 )2 1 [𝑆(𝑂)]2 +(𝑁)Σ𝑖=𝑖 W𝑖 𝑆𝑖2

(Σ𝑖=𝑖 W𝑖 S𝑖 )2 2 ) 𝑆(𝑂)

≈(

3-1

Donde: n = tamaño de la muestra S(O) = Error estándar esperado de la exactitud general esperada.

Wi = Proporción de área cartografiada de la clase Si = desviación estándar de la clase.

En base de las consideraciones propuestos por ONU-REDD+ (2016) se adaptaron las siguientes observaciones:

68

- Para que la muestra sea representativa, lo ideal es medir el total de la población definida.

- Al estar la especie distribuida de forma irregular, se diseña un transecto que permita cubrir el área de estudio.

- Se recomienda utilizar al menos 100 muestras.

- Como en principio se determinó un mínimo de 100 muestras, se propuso ir registrando todas las especies que se encuentren en el transepto, de no alcanzar el número determinado, la diferencia se distribuyó entre las clases de vegetación arbustiva, vegetación herbácea y pajonal, para registrar como referencia de las coberturas existente.

3.3.2.3 Muestras de Entrenamiento El objetivo de trabajar con muestras de campo es familiarizarse con la zona de estudio de manera que pueda vincular la respuesta espectral en los sitios identificados donde se presencia y registra la especie en estudio. Para ello, se toma el 50% de muestras para entrenamiento y la diferencia se mantiene para la validación.

3.3.2.4 Muestras de comprobación La finalidad es validar los resultados obtenidos, para efectos prácticos, el procedimiento consiste en utilizar el 50% de la muestra reservada para este fin y definir correctivos y/o establecer la precisión del método para identificar la especie mediante análisis multiespectral. La segmentación de la muestra se lo realizó con selección al azar distribuidas aleatoriamente en el área de estudio.

3.3.3

Experimentación

3.3.3.1 Entrenamiento para determinación de la especie La finalidad de la fase de entrenamiento, es reunir un grupo de estadísticas que describan el patrón de respuesta espectral para la especie en estudio, la cual, previamente debe ser pretratada aplicando los realces adecuados que le permitan identificar los diferentes espacios geográficos (MAE - MAGAP, 2015).

Las vistas en falso color infrarrojo son especialmente útiles para tareas de fotointerpretación.

Para determinar la respuesta espectral de la especie, se procedió a generar una combinación de bandas entre las multiespectrales y RGB, la cual permite realizar un análisis más exhaustivo ampliando las posibilidades de combinación de bandas (figura 3.21).

69

Figura 3.21 visualización en combinación de bandas.

Izq. combinación RGB, Der. Combinación R+NIR+G

Para lograr resultados de clasificación aceptables, es importante que las regiones de interés ROI sean representativas y completas. Por ello, fue importante ir observando el comportamiento espectral a medida que se va generando. En la figura 3.22 se visualiza el proceso para determinar los pixeles que tienen los valores espectrales correspondientes a la Joyapa de las muestras seleccionadas para entrenamiento.

Figura 3.22 Experimentación para analizar respuesta espectral.

Las pruebas se realizaron con el ortomosaico multiespectral en niveles digitales y con los ortomosaicos de reflectancia.

70

3.3.3.2 Análisis de respuesta espectral Previo al análisis de respuesta espectral se procede a realizar la verificación de la composición de las bandas, en el caso de Agisoft, la ortofoto resultante depende del orden en el que se ingresó al postproceso.

Para la definición de ROI se utilizó los datos de campo seleccionados para este fin y regiones que permitieron discriminar otros elementos como; vegetación arbustiva, vegetación herbácea / pasto, etc., en el gestor de muestras de ArcGIS (figura 3-23).

Figura 3.23 Definición de muestras para clasificación supervisada en ArcGIS.

Al contar con zonas de entrenamiento con datos de campo, fue posible utilizar el método de clasificación supervisada con datos de entrenamiento (ROIs) mediante el algoritmo de agrupación de máxima probabilidad (Maximun Likelihood), el cual es un modelo probabilístico, utilizado comúnmente en clasificación supervisada (Trueba Aja, 2017). En la figura 3.24 se esquematiza el flujo de aplicación de la clasificación supervisada.

Figura 3.24 Configuración del método de clasificación de máxima probabilidad.

71

3.3.3.3 Vigorosidad de la especie Una vez identificado la especie en la cobertura vegetal del área de estudio se utilizó el índice de vegetación de diferencia normalizada NDVI que permitió determinar la vigorosidad de la especie. Para ello se cuenta con la reflectancia en cada sitio utilizado para el entrenamiento, de lo cual se extrae las muestras que registren el “estado fenológico en desarrollo” ya que, según Bravo Morales (2013), en este estado las especies vegetales muestran mayor vigorosidad, pues al entrar en un estado fenológico maduro a viejo aumenta el proceso de lignificación afectando la reflectividad. Además, en el caso de la joyapa se encuentra una variación perceptible a la vista logrando diferenciar hasta en el RGB, espectro visible para el ojo humano. 𝑁𝐷𝑉𝐼 =

(NIR−RED) (NIR+RED)

3-2

Donde: NDVI = índice de vegetación de diferencia normalizada NIR = banda espectral infrarrojo cercano RED = banda espectral Rojo.

Una vez generado el índice y definido el rango de vegetación vigorosa para joyapa se crea una máscara y mediante análisis de superposición se extrae los pixeles dentro del rango de mejor vigorosidad. Esto permitirá corroborar con el estado fenológico registrado en las fichas de campo.

3.3.3.4 Validación El proceso incluye un muestreo 50% de sitios reservados para verificación, obtenidos a partir de observaciones de campo o del análisis de OTF RGB que posee más detalle.

Para definir el grado de concordancia entre las clases asignadas por la clasificación mediante respuesta espectral y sus ubicaciones correctas según datos de campo reservados para la validación, se generó la matriz de confusión, también llamada matriz de error o de contingencia (anexo 5). Dicha matriz muestra la relación entre dos series de medidas correspondientes al área en estudio. La primera serie corresponde a datos de referencia adquiridos de observaciones de campo e interpretación de ortofoto RGB. La segunda corresponde a la categorización de los pixeles realizada por clasificación en base de la respuesta espectral de la clase de interés. En la matriz de confusión las columnas corresponden a los datos de referencia, mientras que las filas corresponden a las asignaciones

72

del clasificador. A partir de la matriz de confusión pueden deducirse varios índices relativos a la exactitud de la clasificación.

El proceso de validación se realizó con el índice Kappa, método utilizado y aceptado dentro de los programas colaborativos de las naciones unidas, el cual, define la exactitud lograda en la clasificación con un software y la exactitud de lograr una clasificación correcta con una clasificación visual (ONU-REDD+, 2016).

El índice de Kappa es la proporción de coincidencias obtenidas en un producto cartográfico.

Es una medida de la diferencia entre la exactitud lograda en la clasificación con un software y la exactitud de lograr una clasificación correcta con una clasificación visual (en campo e imágenes de alta resolución generadas en paralelo) (Cohen, 1986).

K = (Po - Pe) / (1 - Pe) Donde: Po = Número de aciertos/ Número total de clases Pe = Calculo generado desde la matriz de confusión.

3-3

A la hora de interpretar el valor de k es útil disponer de una escala como la que queda presentada en la tabla 3.7 (Cohen, 1986).

Tabla 3-7 Valoración del Coeficiente Kappa Coeficiente de kappa (k) Fuerza de concordancia < 0.00 Pobre 0.00 – 0.20 Leve 0.21 – 0.40 Aceptable 0.41 – 0.60 Moderada 0.61 – 0.80 Considerable 0.81 – 1.00 Casi perfecta Fuente: Cohen (1986)

73

4

CAPITULO IV: RESULTADOS Y DISCUSIÓN

4.1

Resultados

En el presente apartado se exponen los resultados obtenidos con la metodología planteada en el capítulo anterior.

4.1.1

Levantamiento de información

Los resultados combinan lo obtenido en campo mediante el trabajo de encuesta de la especie y el levantamiento de geoinformación multiespectral de alta resolución.

4.1.1.1 Encuesta de Campo En la figura 4.1 se visualiza la localización geográfica y la densidad de encuestas registradas en el área de estudio. La base de datos de las fichas de campo se presenta en el anexo 3.

Figura 4.1 Grafico de Calor de encuestas realizadas en área de estudio.

Analizando los resultados de la encuesta de campo, se determina que, la especie se encuentra presente en el área de estudio en dos asociaciones ecosistémicas, siendo dominante en ‘asociación con vegetación arbustiva de ceja de paramo’ como se grafica en la figura 4.2.

74

donde, el 79% de las muestras recolectadas se encuentra asociada con vegetación arbustiva y en menor cantidad con el 21% en asocio con pajonal.

Figura 4.2 Asociación ecosistémica de la joyapa en el área de estudio.

Analizando la altura de las muestras identificadas in situ, en la figura 4.3, se aprecia que no hay una curva típica de crecimiento en altura, puesto que, el rango de 0.5 a 1 m agrupa a un 40 %, el rango 1 a 1.5 cuenta con 24%, el rango 1.5 a 2m abarca el 30, y al rango mayor de 2 m incluye un 9%, y al tratar de una zona que no presenta alteraciones antrópicas, induce a interpretar que la altura de la especie está directamente relacionada con la altura de la vegetación con la que se encuentra asociada.

Figura 4.3 Altura de la especie.

Al mantener una estrecha relación entre altura de la especie en estudio y la cobertura asociada, no es una variable adecuada para aislar la especie, en el registro fotográfico 4-1 se visualiza la relación típica en la zona de estudio, entre la joyapa con la cobertura asociada.

75

Foto 4-1 Altura de la especie en relación con la cobertura asociada.

Respecto al estado fenológico en el que se encuentra la especie, se determina que a fecha del levantamiento de la información (meses noviembre y diciembre), no hay presencia de floración ni fructificación, y según la figura 4.4, encontrándose únicamente con presencia de hojas con un 26 % en estado fenológico de desarrollo y sobresaliendo con un 74% la presencia de especies con hoja madura.

Figura 4.4 Estado fenológico de las hojas

En la foto 4-2 se visualiza a la joyapa con hojas en fase de desarrollo donde sobresale por la pigmentación típica de esta fase, así como la mayor cantidad de hojas en estado fenológico maduro, las cuales se asemejan a la coloración de la cobertura asociada, sobre todo cuando se trata de cobertura arbustiva.

Desde este punto de vista, se puede determinar que el análisis de la respuesta espectral debe estar orientado a estos dos tipos de estados fenológicos de la hoja de la joyapa.

76

Foto 4-2 Estado fenológico de la joyapa.

Así también, se determina el diámetro foliar (extensión de sus ramificaciones de extremo a extremo) de la joyapa, pero al estar asociadas con otras especies no se puede considerar como diámetro uniforme, si no como un diámetro de referencia. En este sentido, se puede observar en la figura 4.5 que el diámetro predominante con un 47.37 % está entre 0.5 y 1 m y le sigue el diámetro de 1.5 a 2 m con un 26.32%.

Figura 4.5 diámetro foliar de la joyapa

77

En la foto 4-3, se observa la distribución de las ramificaciones de la joyapa, las cuales no son uniformes y tienden a sobresalir por el lugar de menor densidad de la cobertura asociada.

Foto 4-3 extensión de ramificaciones de la joyapa.

4.1.1.2 Geoinformación multiespectral Con el vuelo fotogramétrico se cubrieron 25,000 m2. Capturando 1,050 fotos aéreas en las 4 bandas multiespectrales. Las propiedades de las bandas multiespectrales difieren con las propiedades de las bandas RGB, descritas en la tabla 4.1. Esta característica fue considerada para el postproceso, aislando a un postproceso secundario las bandas RGB. Tabla 4-1 Especificaciones de fotografía aérea levantada

Color Red Red edge NIR Green RGB

Cantidad 263 263 263 263 207

Resolución 1280x960 1280x960 1280x960 1280x960 4000x3000

Distancia focal 3.98 mm 3.98 mm 3.98 mm 3.98 mm 4.73 mm

Tamaño de Pixel 3.75x3.75um 3.75x3.75um 3.75x3.75um 3.75x3.75um 1.57x1.57um

Luego del postproceso en Agisoft, como resultado se obtuvo una ortofoto multiespectral de 10 cm por pixel promedio (figura 4.6). Los detalles de postproceso de imagen multiespectral se presentan en el anexo 4.

78

Figura 4.6 ortofoto multiespectral composición NIR+Red+Green.

Además, se generó la OTF en RGB, con un pixel promedio de 3.5cm por pixel (figura 4.7). la cual es de gran utilidad para la validación de los resultados del análisis multiespectral.

Figura 4.7 ortofoto RGB.

4.1.2

Determinación de la Especie

Previa a la determinación de la especie se procede a visualizar la respuesta espectral en los sitios seleccionados para el entrenamiento. Estos puntos fueron seleccionados a partir de los datos obtenidos en la encuesta de campo, en la cual, se destaca lo siguiente: -

La especie en estudio “Joyapa” dentro del ecosistema de estudio, se encuentra asociada en un 79% con coberturas arbustivas y el 21% asociada con pajonal.

-

El estado fenológico dominante es con cobertura foliar madura.

79

-

El estado fenológico de la hoja en desarrollo, presenta una característica sobresaliente a las demás coberturas, pero en menor porcentaje.

-

El diámetro foliar dominante se encuentra entre 0.5 y 1 m, con la característica que está compuesta por subconjuntos entre sus ramificaciones y la cobertura asociada.

Así también, desde la revisión de literatura se determina que las bandas RED y NIR presentan variaciones en base de la actividad fotosintética, estructura foliar, entre otras variables de la teoría (SIGMUR, 2006).

En base de las premisas se identificaron las muestras de entrenamiento para determinación de la especie, Figura 4.8.

Figura 4.8 Análisis de respuesta espectral de la especie

La respuesta espectral encontrada en áreas de entrenamiento muestra un patrón, el cual, es el punto de partida para determinar la respuesta espectral de la joyapa. Seguidamente, en base de las muestras seleccionadas para entrenamiento, se procede a extraer los valores

80

espectrales en nivel digital ND para determinar sus estadísticas (Tabla 4.2), y definir el rango espectral. Considerando además, los datos extraídos de la imagen “con y sin” corrección radiométrica para con la finalidad de visualizar su variación.

Tabla 4-2 Parámetros estadísticos de la respuesta espectral en sitios de entrenamiento (expresados en ND).

Sin corrección radiométrica

Con corrección radiométrica

RED

REDGE

NIR

GREEN

RED

REDGE

NIR

GREEN

Min

10726

40668

30041

11694

10019

27292

24859

11041

Max

13009

58004

43247

15347

12644

43698

34211

15641

Promedio 11569.88 47007.63 33437.63 13755.00 11054.63 media 11325 46429 30866 14207 11061 Rango espectral 2283 17336 13206 3653 2625

34899.75 29093.63 12870.38 35343

28820

12822

16406

9352

4600

En la Figura 4.9 se visualiza la variación de la respuesta espectral con las muestras utilizadas, en la cual, se puede visualizar la variación de los resultados cuando se realiza la corrección radiométrica con los parámetros de ajuste de la tabla de calibración.

Figura 4.9 Boxplots en bandas multiespectrales (Izq. Sin ajuste, Der. Con ajuste).

Verificado el histograma de la reflectancia en los sitios de entrenamiento, se identifica un histograma mejor estructurado al comparar con el histograma de los valores de ND, visualizados en la Figura 4.10, donde resalta mayor cantidad y amplitud en la reflectancia desde la banda del RED EDGE hasta la banda NIR, propio de la actividad fotosintética.

81

Figura 4.10 Comportamiento espectral de niveles digitales vs. reflectancia.

Una vez segmentada la composición espectral de interés, se adecuó las bandas analizadas para discriminar las demás coberturas presentes en el área de estudio, en forma general (vegetación arbustiva, vegetación herbácea y pasto, pajonal y áreas descubiertas, y agua) y proceder a aplicar la clasificación supervisada. En la figura 4.11 se observa la ubicación espectral de la joyapa respecto a las coberturas generales en cada una de las bandas.

Figura 4.11 Scatterplots de muestras para clasificación supervisada.

Aplicada la clasificación supervisada, en la figura 4.12 se puede distinguir las diferentes coberturas presentes en páramo y la especie de interés.

Figura 4.12 Clasificación supervisada para determinar joyapa en zona de páramo.

82

En la figura 4.13 se visualiza cuantificación a la especie en estudio con un 1.52% del área analizada. La diferencia corresponde a coberturas asociadas, donde resalta el pajonal/suelo desnudo con un 50.82% seguido de la vegetación arbustiva con un 28.49 %, la vegetación herbácea/pasto con un 17.25% y cuerpos de agua/áreas húmedas con 1.93%.

Figura 4.13 Determinación de joyapa en pajonal mediante clasificación supervisada

Para cuantificar el estado fenológico de la especie, en el Boxplot (Figura 4.14), se visualiza el rango del NDVI de las muestras en estado fenológico en desarrollo, presentando un rango entre 0.799 y 0.836.

Figura 4.14 Boxplot de NDVI para muestras de joyapa en estado fenológico de desarrollo.

Con el rango de ‘índice de vegetación NDVI’ estimado para joyapa en estado fenológico en desarrollo, se procedió a generar una máscara y mediante análisis de superposición se determina qué, del 1.52% de Joyapa presente en el área de estudio, únicamente el 0.03 % del total de la cobertura en el área de análisis se encuentra en estado fenológico en desarrollo (Figura 4.15). Es decir, del área analizada (9.8 Ha), se encontró 1,661.86 m² de Joyapa y de

83

esta, 32.84 m² corresponden a joyapa con estado fenológico en desarrollo y la diferencia se encuentra en estado fenológico foliar ‘maduro a vieja’.

Figura 4.15 . Extracción de pixeles en rango de NDVI para joyapa.

4.1.3

Validación de resultados

En la figura 4.16, se representa la distribución de las muestras utilizadas para la validación, así también el resultado de la verificación.

Figura 4.16 . Distribución de las muestras de validación en el área de estudio.

84

Los resultados de la validación se representan en porcentajes de concordancia en los sitios determinados para este fin, obteniendo un 74% de concordancia en una muestra de 50 sitios (Figura 4.17).

Figura 4.17 . Porcentaje de coincidencias en el muestreo de validación.

Con los datos obtenidos se procedió a generar matriz de confusión como base para estimar el índice de concordancia (Anexo 5). La síntesis de la matriz de confusión se presenta en la Tabla 4.3.

Tabla 4-3 Matriz de confusión con muestras de validación

Matriz de Confusión Clasificado como

Coincidencias No coincide suma

Puntos de Validación Joyapa NC suma 37 0 37 0 13 13 37 13 50

En la tabla 4-4 se presenta el resumen de los valores requeridos para estimar el valor K. dando como resultado de la fuerza de concordancia un coeficiente kappa de 0.32 (Tabla 4.4).

Tabla 4-4 Cálculo de coeficiente Kappa.

N N^2 pe po K

50 2500 0.6152 0.74 0.32

Según la ‘tabla de interpretación’ (Tabla 3.7) se ubica en el rango de “aceptable” en la fuerza de concordancia entre la determinación de la especie mediante técnicas de teledetección y

85

SIG versus la validación con datos levantados en campo y observaciones en la ortofoto de alta resolución.

4.2

Discusión de Resultados

En la discusión de resultados se considera la revisión bibliográfica, la metodología y los resultados obtenidos en la investigación.

4.2.1

Análisis de la generación de geoinformación

El levantamiento de información mediante las herramientas tecnológicas como la ficha digital generada con Survey123 y dispositivo móvil, permite levantar información de calidad optimizando el recurso tiempo al momento de llenar las encuestas digitales, el adjunto de imágenes de respaldo, la georreferenciación aproximada y el almacenamiento en la nube, de acuerdo a lo descrito por ESRI (2019). Está integración tecnológica se considera ideal para el monitoreo de especies en general. Sin embargo, se debe considerar que la georreferenciación es aproximada, por lo tanto, dependerá del dispositivo móvil y las condiciones del sitio de monitoreo como lo recomienda Beltrán (2016).

El levantamiento de fotografía aérea con la cámara multiespectral sequoia y utilizando como plataforma al VANT Mvic Pro DJI es una opción viable para el levantamiento en cejas de páramo con variaciones de elevación de 3,470 a 3,575 m s.n.m. y pendientes promedios superiores al 70%, consideradas zonas de difícil acceso, la cual, es típica en el páramo sur del Ecuador. Así también, se debe considerar que la eficiencia del VANT en estas condiciones se ven afectadas, por lo tanto, es necesario tener en cuenta que la plataforma y el sensor estén balanceado hacia su centro de equilibrio como lo mencionan Martínez et al.

(2014) y PROMAS (2017) .

En cuanto a la planificación de la misión se debe considerar la pendiente de la zona ya que está afectará a la resolución espacial del ortofotomosaico resultante. En la investigación se planteó una misión a 60 m sobre el punto de despegue con la finalidad de obtener un pixel promedio de 6 cm, sin embargo, con la pendiente fuertemente empinada de la zona el producto resultante fue de 11 cm de pixel. Una forma de controlar este factor seria realizar la planificación de la misión escalonada entre líneas y paralela a la pendiente.

86

Realizar el postproceso de la información con puntos de control terrestre corrige significativamente la precisión, pues, el error estimado sin puntos de corrección fue de 1.16 m. XY y 12 m en Z y con el ajuste geométrico en base de PCT alcanzó una precisión de 10.44 cm. en XY y 16 cm. en Z, lo cual es una precisión aceptada para escala 1:1000 según la normativa del órgano rector de cartografía del Ecuador citada por el IGM (2008).

4.2.2

Análisis de la determinación de joyapa en la cobertura vegetal por medio de la respuesta espectral

A pesar que la joyapa presentó una variación en el estado fenológico, sí permitió caracterizar la respuesta espectral e identificar la especie dentro de la cobertura vegetal del área de estudio, sin embargo el rango de la respuesta vegetal puede variar cuando cambie el estado fenológico, pues, según Alonso y Moreno (1999), Bravo Morales (2013), Rodríguez Cabrera (2017), SIGMUR (2006) y UJA (2004), al estar en un estado fenológico maduro la respuesta espectral se ve afectada por la lignificación de sus hojas, lo cual, se corroboró al interceptar con el índice de vegetación de las especies con estado fenológico en desarrollo. Esto motiva a que se continúe el monitoreo con la finalidad de determinar el estado fenológico, en el cual, la especie presente mejor índice de vigorosidad y con ello, determinar la época del ciclo fenológico donde se cuantifique con mejor precisión la superficie de la especie y mejorar el índice kappa de fuerza de concordancia. Con miras a determinar la firma espectral específica para cada estado fenológico de la joyapa.

En la figura 4.18 se puede notar la diferencia del estado de vigorosidad según el estado fenológico en el que se encuentra la especie. Esta característica debería ser considerada en futuros estudios.

87

Figura 4.18 . Joyapa en fase fenológica madura vs en desarrollo.

En la figura 4.19 se visualiza el resultado de determinación de joyapa sobre la ortofoto RGB, la especie se encuentra en fase fenológica de desarrollo, lo que permite identificarla con facilidad.

Figura 4.19 . Joyapa en fase fenológica de desarrollo determinada mediante software vs. fotografía.

Los resultados obtenidos de la respuesta espectral permiten afirmar que es posible diferenciar la joyapa (Macleania rupestris) en la cobertura vegetal de páramo con el soporte de los SIG, confirmando así la hipótesis emitida en la introducción del presente documento.

Así también, considerando las características de la ortofoto multiespectral capturada con la cámara Sequoia y la estructura foliar de la especie, evidencia que la resolución espacial alcanzada (escala 1;1,000) corresponde a la especie y no a una asociatividad con otras coberturas.

El análisis expuesto permite evidenciar el cumplimiento de cada uno de los objetivos propuestos, reafirma que los SIG y las técnicas de análisis multiespectral sí permiten determinar y geolocalizar a la joyapa dentro de la cobertura vegetal de páramo.

88

Además, respecto a las preguntas de investigación planteadas, se obtuvieron respuestas positivas. Una ortofoto multiespectral capturada con cámara multiespectral Sequoia con tamaño de pixel de 0.1 x 0.1 m permite identificar la joyapa, para ello es necesario considerar las características de asociación que puede presentar la especie dentro de la cobertura, así como el tamaño de la masa foliar, ello permite definir la resolución espacial mínima requerida. Se alcanzó una fuerza de concordancia aceptable estimado con la índice kappa sustentando la confiabilidad del método. En global, la integración de tecnología de sensores remotos, técnicas de análisis multiespectral y los SIG aportan al monitoreo de la especie, optimizando el recurso tiempo, cubriendo áreas de difícil acceso, reduciendo la intervención humana en zonas sensibles y permitiendo monitoreo de zonas más amplias en superficie, respecto al monitoreo tradicional descrito por Martinez Mera (2014) y Phillips et al. (2019).

Finalmente, las experiencias recopiladas durante la ejecución de la presente investigación, son recopiladas en el Anexo 6. El cual, es un aporte adicional en forma de guía preliminar donde se plasma consideraciones de utilidad para ejecución de un monitoreo, en base de una diversidad de escenarios que pueden surgir al emprender un proyecto de monitoreo de una especie como la joyapa. Ello permitirá optimizar recursos de tiempo, económicos, entre otros, y se espera que sea mejorada continuamente con las experiencias que surgen en cada caso de estudio referente a la determinación de especies en cobertura vegetal.

89

5 5.1

CAPITULO V: CONCLUSIONES Y RECOMENDACIONES Conclusiones

En la presente investigación se logró identificar la joyapa (Macleania rupestris) en el páramo al sur del Ecuador con la tecnología disponible en el ámbito de los SIG, demostrando la aplicabilidad del método en el monitoreo de especies, logrando alcanzar resultados con un coeficiente kappa que determina la fuerza de concordancia como aceptable, confirmando que el análisis multiespectral y los SIG es una alternativa viable para la determinación de la Joyapa dentro de la cobertura vegetal en zonas de páramo. Además, por el modo de trabajo empleado, se considera una alternativa poco invasiva y permite llegar a zonas poco accesibles, como es el caso de la ceja andina habitad de la especie, la cual presenta una topografía irregular con alta pendiente y cobertura densa.

Un ortomosaico multiespectral obtenido a partir del sensor Sequoia con un pixel de 0.1 x 0.1 m permite identificar la joyapa. Para ello es necesario considerar las características de asociación que puede presentar la especie dentro de la cobertura, así como, el tamaño de la masa foliar. Ello permite definir la resolución espacial mínima requerida. En el caso específico de la joyapa al encontrarse asociada con una variedad de coberturas arbustivas, sus ramificaciones no forman copa definida y más bien, lo que se identifica, son las ramificaciones que sobresalen de la cobertura asociada.

El ortomosaico multiespectral generado a partir de fotografía aérea con el sensor sequoia, así como el ajuste de radiancia con la tabla de calibración propia del sensor, permite segmentar la respuesta espectral de la joyapa en cada banda. No obstante, no se podría afirmar como firma especifica de la especie debido a la variación fenológica, lo cual requiere un estudio a más profundización.

La composición espectral determinada permite determinar la joyapa en el páramo, y el índice de vigorosidad de la vegetación NDVI se sustentan con las observaciones registradas en campo. De ello se puede determinar que para mejorar la fuerza de concordancia se debe continuar analizando la respuesta espectral en otros estados fenológicos hasta cerrar el ciclo fenológico de la especie durante todo el año.

90

Las aplicaciones de formularios en tipo Survey 123 for ArcGIS es una sencilla e intuitiva aplicación que permite diseñar formularios y levantar información en campo georeferenciada con la posibilidad de adjuntar respaldos de multimedia, optimizando tiempos y se almacena directamente en una base de datos.

En síntesis, se confirma la hipótesis planteada que los sistemas de información geográfica y las técnicas de análisis multiespectral permiten determinar y geolocalizar joyapa en la cobertura vegetal en páramo al sur del Ecuador.

5.2

Recomendaciones

Se recomienda la aplicación de la metodología planteada en proyectos de monitoreo. Pues las herramientas tecnológicas y métodos SIG permiten un monitoreo poco invasivo en zonas del habitad de la Joyapa.

Respecto a los valores mínimos y máximos en niveles digitales determinados en la investigación se deben considerar como una referencia de la respuesta espectral de la especie analizada, sin embargo, al encontrarse asociada con otras coberturas la respuesta obtenida puede ser efecto de la asociación y no exclusiva de la especie en estudio.

Con la finalidad de comprobar la eficacia del método, se recomienda seguir con la investigación haciendo énfasis al análisis de la respuesta espectral por fase fenológica, así como multitemporal durante el ciclo fenológico, esto puede profundizar el conocimiento e inclusive llegar a determinar, en qué periodo la especie tiene mayor vigorosidad que sobresalga de la cobertura asociada.

Finalmente, se recomienda considerar la guía propuesta en los planes de monitoreo, pues recolecta una síntesis de criterios y experiencias en base de la presente investigación.

91

6

BIBLIOGRAFÍA

Agisoft. (2018a). Agisoft PhotoScan. Recuperado noviembre 25, 2018, a partir de http://www.agisoft.com/ Agisoft. (2018b). Radiometric calibration using reflectance panels in PhotoScan Professional 1.4.

Tutorial, Online.

Recuperado marzo 3, 2019, a partir de https://www.agisoft.com/pdf/PS_1.4_(IL)_Refelctance_Calibration.pdf Aguirre, Z., y Aguirre, C. (2010). Las plantas vasculares como indicadores de la calidad de los ecosistemas. 1(1), 125-138.

Alonso, C., y Moreno, V. (1999). Determinación experimental de la firma espectral de la vegetación.

Una sencilla práctica de introducción a la teledetección. Teledetección. Avances y Aplicaciones. Presentado en VIII Congreso Nacional de Teledetección, Albacete, España, 1, 429-432.Recuperado marzo 3, 2019, a partir de http://www.aet.org.es/congresos/viii/alb99.pdf ArduPilot. (2016). Descripción general de Mission Planner. Documentación de Mission Planner.

Recuperado noviembre 25, 2018 a partir de http://ardupilot.org/planner/docs/missionplanner-overview.html Ariza, A., Aguilar Garavito, D. M., y Ramírez Hernández, W. A. (2015). Monitoreo a procesos de restauración ecológica: Aplicado a ecosistemas terrestres. Bogotá D.C., Colombia.

Recuperado julio 25, 2019, a partir de http://repository.humboldt.org.co/bitstream/handle/20.500.11761/9281/monitoreo_restaura cion_baja_1.pdf?sequence=1 Baldassini, P. (2010). Caracterización fisonómica y funcional de la vegetación de la Puna mediante el uso de sensores remotos. Buenos Aires: Universidad de Buenos Aires. Recuperado septiembre 29, 2018, a partir de. https://inta.gob.ar/sites/default/files/script-tmpcaracterizacin_fisonmica_y_funcional_de_la_vegetacin_.pdf Beltrán, G. (2016). Geolocalización online: La importancia del dónde. Editorial UOC. recuperado julio 27, 2018, a partir de https://books.google.com.ec/books?hl=es&lr=&id=5FLeDQAAQBAJ&oi=fnd&pg=PT4& dq=geolocalizaci%C3%B3n+concepto&ots=ARYgfazgvI&sig=nOyKEDAm58YRUJUa3M7BoQWvfk#v=onepage&q=geolocalizaci%C3%B3n%20concepto&f=false Beltrán, K., Salgado, S., Cuesta, F., León-Yánez, S., Romoleroux, K., Ortiz, E., Cárdenas, A., y Velástegui, A. (2009). Distribución espacial, sistemas ecológicos y caracterización florística de los páramos en el Ecuador (EcoCiencia, Proyecto Páramo Andino y Herbario QCA).

Quito, Ecuador.

Recuperado septiembre 29, 2018, a partir de http://www.flacsoandes.edu.ec/libros/digital/43577.pdf Boni, S. M. (2016). Evaluación de un sustrato orgánico para el enraizamiento de las estacas de joyapa (Macleania rupestris) [Pregrado, Universidad de Cuenca]. Recuperado Julio 29, 2018, a partir de http://dspace.ucuenca.edu.ec/bitstream/123456789/25840/1/tesis.pdf.pdf Borra, I., Peña, J. M., Torres-Sánchez, J., y López - Granados, F. (2015). Evaluación de la técnica de resampling en imágenes UAV para la determinación de malas hierbas mediante análisis OBIA (Object-Based Image Analysis). 209-216. Presentado en congreso de malherbología, Córdoba, España: Instituto de Agricultura Sostenible. Recuperado octubre 11, 2018, a partir de

92

https://www.juntadeandalucia.es/export/drupaljda/publicacion/16/02/CongresoMalherbolo gia%20def.pdf Bravo Morales, N. F. (2013). Capitulo II: Índices de vegetación [Universidad de Piura]. SIG y Teledetección.

Recuperado enero 28, 2019, a partir de http://www.biblioteca.udep.edu.pe/BibVirUDEP/tesis/pdf/1_59_185_24_508.pdf Calvo Cruz, D. S. (2012). Caracterización Morfológica y Fisiológica de Semillas y Plántulas de Macleania rupestris (Kunth) A.C. Smith. [Pontificia Universidad Javeriana]. Recuperado Julio 29, 2018, a partir de https://repository.javeriana.edu.co/bitstream/handle/10554/11876/CalvoCruzDavidSantiag o2012.pdf?sequence=1&isAllowed=y Christopherson, J. B., Ramaseri, S. N., y Quanbeck, J. Q. (2019). Joint Agency Commercial Imagery Evaluation—Land Remote Sensing Satellite Compendium (Circular N.o 1455). U.S. Geological Survey.

Recuperado noviembre 30, 2019, a partir de https://doi.org/10.3133/cir1455.pdf Cohen, J. (1986). A coefficient of agreement for nominal scales. Educ. Psychol. 20:37-46. [New York University.

NY].

Recuperado marzo 30, 2019, a partir de http://www.garfield.library.upenn.edu/classics1986/A1986AXF2600001.pdf Corrales Andino, R. E. (2011). Catálogo de firmas espectrales de especies florales, en la ciudad universitaria Tegucigalpa, Fase 1. Ciencia y tecnologías de la información geográfica, 1, 12.

Recuperado enero 25, 2019, a partir de https://doi.org/10.5377/ce.v1i1.610 De la Torre, L., Navarrete, H., Muriel, P., y Balslev, H. (2008). Enciclopedia de las Plantas Útiles del Ecuador. 1-3, 322.

DJI. (2017). Mavic Pro, Manual de Usuario [Manual]. Recuperado noviembre 15, 2018, a partir de https://dl.djicdn.com/downloads/mavic/Mavic+Pro+User+Manual_ES+V1.2+released.pdf Drone Deploy. (2018). Puntos de control de tierra [Guía]. working gcp step by step. Recuperado noviembre 15, 2018, a partir de https://support.dronedeploy.com/docs/working-gcp-step-bystep EcuRed. (2016). Especies amenazadas. EcuRed Conocimiento para Todos. Recuperado diciembre 1, 2018, a partir de https://www.ecured.cu/Especies_amenazadas EcuRed. (2018). Uva Camarona. EcuRed Conocimiento para Todos. Recuperado noviembre 18, 2018, a partir de https://www.ecured.cu/Uva_Camarona ESA, European Space Agency - Eduspace. (2009). ¿Qué es la teledetección? Recuperado julio 29, 2018, a partir de http://www.esa.int/SPECIALS/Eduspace_ES/SEMO1U3FEXF_0.html ESRI, Environmental Systems Research Institute (2018). ArcGIS Pro: Software de representación cartográfica SIG 2D y 3D profesional [ArcGIS Pro]. Recuperado noviembre 26, 2018, a partir de https://www.esri.com/es-es/arcgis/products/arcgis-pro/overview ESRI, Environmental Systems Research Institute (2019). Survey123 for ArcGIS; Crear encuestas y formularios inteligentes para la captura de datos [Field Operations]. Recuperado enero 12, 2019, a partir de https://www.esri.com/es-es/arcgis/products/survey123/overview

93

Eynden, V., Cueva, E., y Cabrera, O. (2003). Plantas silvestres comestibles del sur del Ecuador— Wild edible plants of southern Ecuador (Vol. 57). The New York Botanical Garden.

Recuperado enero 12, 2019, a partir de https://www.researchgate.net/publication/303995465_Plantas_silvestres_comestibles_del_s ur_del_Ecuador_-_Wild_edible_plants_of_southern_Ecuador FIA, Fundación para la Innovación Agraria (2008). Tecnologías Aplicables en Agricultura de Precisión (Primera). Santiago, Chile. Recuperado noviembre 8, 2018, a partir de http://wapp.corfo.cl/ticrural/descargas/I+D+I_3_TECNOLOGIAS_AGRICULTURA_PRE CISION.pdf Fick, S. E., y Hijmans, R. J. (2017). WorldClim Version2—Datos climáticos globales. Recuperado julio 24, 2019, a partir de http://worldclim.org/version2 García-Mateos, G., Molina Martínez, J. M., Escarabajal-Henajeros, D., y Hernández Hernández, J. L. (2014). Segmentación automática de imágenes de cultivos: Estudio comparativo de modelos de color. I Symposium Nacional de Ingeniería Hortícola. Recuperado noviembre 27, 2018, a partir de https://www.researchgate.net/publication/281784557_Segmentacion_automatica_de_image nes_de_cultivos_estudio_comparativo_de_modelos_de_color Gómez Sanchis, J. (2009). Detección Automática de podredumbres en cítricos mediante procesado avanzado de imágenes hiperespectrales [Doctoral, Universidad de Valencia]. Recuperado marzo 9, 2019, a partir de https://core.ac.uk/download/pdf/71005410.pdf Gupta, P., y Follette-Cook, M. (2017). Fundamentals of Satellite Remote Sensing. Satellite Remote Sensing of Air Quality, 31. Recuperado enero 12, 2019, a partir de https://arset.gsfc.nasa.gov/sites/default/files/airquality/workshops/SCAQMD/D1P3_Funda mentals.pdf Herbario Virtual Austral Americano. (2019). Collections map; Macleania rupestris. Recuperado mayo 21, 2019, a partir de https://herbariovaa.org/ Hernández, J., y Montaner, D. (2009). Patrones de Respuesta Espectral. Recuperado julio 29, 2018, a partir de http://www.gep.uchile.cl/Publicaciones/Hern%C3%A1ndez%20&%20Montaner%202009 %20SAF.pdf IGM, Instituto Geográfico Militar del Ecuador (2008). Especificaciones Técnicas para Ortofotos Digitales (Especificaciones técnicas IGM-PC-OR-ET-00; p. 10). Quito, Ecuador.

Recuperado febrero 13, 2019, a partir de www.geoportaligm.gob.ec/portal/?wpfb_dl=43 IHMC, Institute for Human & Machine Cognition (2016). Tipos de Resolución Imágenes Satelitales.

Recuperado marzo 30, 2019, a partir de https://cmapspublic3.ihmc.us/rid=1NMV3BS4RB1V3V4-1632 Jetón, J. (2014). Desarrollo de bebidas con potencial antioxidante y antirradicalario a partir de frutos ecuatorianos [Universidad del Azuay]. Cuenca, Ecuador. Recuperado Julio 29, 2018, a partir de http://dspace.uazuay.edu.ec/bitstream/datos/4220/1/10782.pdf Koch, B. (s.f.). La teledetección como apoyo a los inventarios forestales nacionales EFN. Antología de conocimientos para la evaluación de los recursos forestales nacionales, 18. Recuperado noviembre 30, 2019, a partir de

94

http://www.fao.org/fileadmin/user_upload/national_forest_assessment/images/PDFs/Spani sh/KR2_ES__8_.pdf Lagos, C., Ordoñez, H., Criollo, H., Burbano, S., y Martínez, J. (2010). Descripción de frutales nativos de la familia Ericaceae en el altiplano de pasto, Colombia. 4, 9-18.

Llambí, L. D. (2015). Estructura, diversidad y dinámica de la vegetación en el ecotono bosquepáramo: Revisión de la evidencia en la Cordillera de Mérida. Acta Biológica Colombiana, 20(3), 5-19. https://doi.org/10.15446/abc.v20n3.46721 López, G. B. (2015). La geolocalización social. Polígonos. Revista de Geografía, 0(27), 97-118. https://doi.org/10.18002/pol.v0i27.3290 López-Gallego, C. (2015). Monitoreo de poblaciones de plantas para conservación: Recomendaciones para implementar planes de monitoreo para especies de plantas de interés en conservación. Instituto de Investigación de Recursos Biológicos Alexander Von Humboldt Ministerio de Ambiente y Desarrollo Sostenible. Recuperado febrero 17, 2019, a partir de http://grupoeeco.org/gallery/lopez-gallego,c.%202015%20-%20manual%20%20monitoreo%20de%20poblaciones%20de%20plantas%20para%20conservacion.pdf MAE - MAGAP, Ministerio del Ambiente del Ecuador - Ministerio de Agricultura, Ganadería, Acuacultura y Pesca del Ecuador. (2015). Protocolo metodológico para la elaboración del mapa de cobertura y uso de la tierra del Ecuador continental 2013—2014. Quito, Ecuador.

Recuperado enero 12, 2019, a partir de http://app.sni.gob.ec/snilink/sni/Portal%20SNI%202014/USO%20DE%20LA%20TIERRA/01METODOLOGIA_MAPA_COBERTURA_USO.pdf MAE Ministerio del Ambiente del Ecuador, UNDP Programa de las Naciones Unidas para el Desarrollo, y GEF Fondo Mundial para el Medio Ambiente. (2015). Conservación de la Biodiversidad de Anfibios Ecuatorianos y Uso Sostenible de sus Recursos Genéticos. Quito, Ecuador, Recuperado noviembre 8, 2018, a partir de http://www.ec.undp.org/content/dam/ecuador/docs/documentos%20proyectos%20ambiente /pnud_ec%20PIMS%205314%20Ecuador%20Conservaci%C3%B3n%20de%20la%20Bio diversidad%20de%20Anfibios%20Version%20Espanol.pdf Martinez Mera, R. J. (2014). Análisis de Especies Vegetales Representativas del Páramo de Chingaza Mediante Espectroradiometría de Campo. [Universidad de Bogotá Jorge Tadeo Lozano].

Bogotá D.C., Colombia.

Martínez, P., Ojeda, D., García, E., y Bravo, F. (2014). Vehículos Aéreos No Tripulados (VANT) en Cuba, Aplicados a la geomática. Estado actual, perspectivas y desarrollo. Cartografía y tecnologías de la información geográfica, 9. Cuba.

Martorell, A. (2017). Fotogrametría con PhotoScan y Parrot Sequia. Territorio Geoinnova - SIG y Medio Ambiente. Recuperado agosto 12, 2019, a partir de https://geoinnova.org/blogterritorio/trabajar-imagenes-parrot-sequoia-photoscan/ Morales, I. R., Reyes, B. R., y Montealegre, J. G. (2015). Innovación técnologica en el sector agropecuario (Primera Edición). Machala, Ecuador. Recuperado abril 9, 2020, a partir de http://repositorio.utmachala.edu.ec/bitstream/48000/6848/1/84%20INNOVACION%20TE CNOLOGICA%20EN%20EL%20SECTOR%20AGROPECUARIO.pdf

95

New York Botanical Garden. (1935). Detalles del taxón—Ericaceae: Macleania rupestris (Kunth) ACSm. [Perfil del taxón]. NYBG/ Ericaceae. Perfil del taxón. Recuperado diciembre 1, 2019, a partir de http://sweetgum.nybg.org/science/projects/ericaceae/taxon-details/ New York Botanical Garden. (1952). Memoirs of the New York Botanical Garden. v.8 1952-1954, 66.

Ojeda, W., Flores, J., y Ontiveros, R. (2016). Uso y manejo de drones con aplicaciones al sector hídrico (1.a ed., Vol. 1). Instituto Mexicano de Tecnología del Agua. México. Recuperado julio 12, 2019, a partir de https://www.imta.gob.mx/biblioteca/libros_html/riegodrenaje/uso-y-manejo-de-drones.pdf ONU-REDD Programa colaborativo de las naciones unidas para la reducción de emisiones debidas a la deforestación y degradación de bosques en países en vías de desarrollo. (2016). Informe final de evaluación de exactitud temática del mapa de cobertura forestal y cambio de uso de la tierra para los años 2000, 2005 y 2011. (p. 20). Secretaría del Ambiente, Paraguay.

Recuperado enero 12, 2019 a partir de http://www.infona.gov.py/application/files/6514/7405/3096/Evaluacion_exactitud_Mapas_ 000511_160516.pdf Ormeño, S. (2006). Teledetección Fundamental (3.a ed., Vol. 1). [Universidad Politécnica de Madrid] Madrid.

Recuperado noviembre 30, 2019, a partir de http://pdi.topografia.upm.es/santi/descarga/FunTeled.PDF Pantaleone, L., y Tosini, M. (2012). Clasificación de cultivos a partir de imágenes satelitales LANDSAT EM. UNLP, 9. Recuperado marzo 30, 2019, a partir de http://sedici.unlp.edu.ar/bitstream/handle/10915/23638/Documento_completo.pdf?sequenc e=1&isAllowed=y Parrot. (2017). Parrot Sequoia—Guía de Usuario. Recuperado noviembre 15, 2018, a partir de https://www.parrot.com/us/support/products/parrot-sequoia Pérez Gutiérrez, C., y Muñoz Nieto, Á. I. (2006). Teledetección: Nociones y aplicaciones. Carlos Perez. ISBN: 978-84-611-1613-3, 359. Recuperado Julio 27, 2018, a partir de https://books.google.es/books?hl=es&lr=&id=SfrGxbO1DT0C&oi=fnd&pg=PA1&dq=an %C3%A1lisis+multiespectral&ots=pEhc0C1gEY&sig=y5Zca184OtPHx97dCqwuBCxIhcs #v=onepage&q=an%C3%A1lisis%20multiespectral&f=false Phillips, S. J., Dudik, M., y Schapiere, R. E. (2019). Software Maxent para modelar nichos de especies y distribuciones. Recuperado julio 24, 2019, a partir de https://biodiversityinformatics.amnh.org/open_source/maxent/ Pix4D. (2018a). Pix4Dcapture: Free drone flight planning mobile app. [Pix4Dcapture]. Pix4D. Recuperado marzo 9, 2019, a partir de https://www.pix4d.com/product/pix4dcapture Pix4D. (2018b). Pix4Dmapper: Professional drone mapping and photogrammetry software. Pix4D. Recuperado marzo 9, 2019, a partir de https://www.pix4d.com/product/pix4dmapperphotogrammetry-software Prieto, J. F. (2012). Señales GNSS [Escuela Técnica Superior de Ingenieros]. Universidad Politécnica de Madrid. recuperado noviembre 11, 2018, a partir de http://www.topografia.upm.es/sfs/E.T.S.I.%20Topografia/SDoctoradoIP/Noticias_Investig aci%C3%B3n/Noticias_Escuela/Se%C3%B1ales%20GNSS.pdf

96

PROMAS. (2017). Captura de Fotografía Áerea y generación de Ortofomosaico y Modelo Digital de terreno a Partir del levantameinto Aereo Operado con Control Remoto (p. 28) [Informe Final]. PROMAS - Universidad de Cuenca, Ecuador.

PROMAS. (2018). Investigación sobre Procesos Hidrológicos, Edafologicos de Calidad de Agua e Hidrogeológicos en Zonas de Páramo de Loma Larga y Río Blanco (Informe de Avance Trimestre 1; p. 115). PROMAS - Universidad de Cuenca, Ecuador.

Puerto Lara, A. E. (2017). Clasificación y cuantificación de maleza en cultivos de hortalizas por medio de procesamiento de imágenes digitales multiespectrales. [Postgrado, Universidad Nacional de Colombia].

Recuperado marzo 9, 2019, a partir de http://bdigital.unal.edu.co/62315/1/Parte_1.pdf Rodríguez Cabrera, J. C. (2017). Índices de vegetación a partir de datos obtenidos mediante VANT [Pregrado, Universidad Técnica Particular de Loja]. Recuperado enero 28, 2019, a partir de http://dspace.utpl.edu.ec/bitstream/20.500.11962/20670/1/Rodr%C3%ADguez%20Cabrera %2C%20Julio%20Cesar..pdf Sánchez, A. L., y Fernández, J. de la R. (2015). Caracterización espectral e identificación temprana de cultivos de regadío en el valle del Ebro: Aplicación operativa para la gestión mediante teledetección y SIG. Universidad de Zaragoza, 671-680.

SIGMUR, SIG y Teledetección en la Universidad de Murcia. (2006). Interacción de la radiación con los objetos. [Universidad de Murcia]. recuperado enero 28, 2019, a partir de https://www.um.es/geograf/sigmur/teledet/tema02.pdf Spectra Precision. (2012). MobileMapper 10. [Technical Specifications]. Westminster, CO 80021, USA. Recuperado noviembre 11, 2018, a partir de http://spectra-precisionhrvatska.com/MobileMapper-10-engleski.pdf Tambutti, M., Aldama, A., Sánchez, Ó., Medellín, R., y Soberón, J. (2001). La determinación del riesgo de extinción de especies silvestres en México. Gaceta Ecológica, 61, 11-21.

Trimble. (2017). Notas Técnicas: Trimble Business Center. [Software de Oficina] Recuperado noviembre 11, 2018, a partir de https://drive.google.com/file/d/12RYdZEEb6rLPMgDWwos0DXqclxHyFvp/view?usp=drive_web&usp=embed_facebook Trimble. (2018). Sistema Trimble R8s GNSS [Sistemas GNSS integrados Trimble]. Recuperado noviembre 11, 2018, a partir de https://drive.google.com/file/d/0BxW3dqQ5gdnTWGJkbE1FRWk2X3c/view?usp=drive_ web&usp=embed_facebook Trueba Aja, S. (2017). Análisis de imágenes multiespectrales aéreas de vegetación [Pregrado, universidad de Cantabria]. Recuperado marzo 30, 2019, a partir de https://repositorio.unican.es/xmlui/bitstream/handle/10902/11979/396337.pdf?sequence=1 &isAllowed=y UJA, Universidad de Jaén. (2004). La respuesta espectral. Recuperado enero 25, 2019, a partir de http://www.ujaen.es/huesped/pidoceps/telav/fundespec/index.htm USGS, United States Geological Survey. (2017). Unmanned Aircraft Systems Data Post-Processing.

Recuperado febrero 14, 2019, a partir de https://uas.usgs.gov/pdf/PhotoScanProcessingMicaSenseMar2017.pdf

97

Vargas, O., y Rivera, D. (1991). El páramo un ecosistema frágil. Revista de la Universidad de Tolima, 6, 141-166.

Vásconez, P. M., y Hofstede, R. (2006). Los Páramos Ecuatorianos. Botánica Económica de los Andes Centrales, 91-109. Recuperado noviembre 25, 2019, a partir de http://beisa.dk/Publications/BEISA%20Book%20pdfer/Capitulo%2006.pdf Vivancos, J., y Llastarri, A. (2005). Sensores de Teledetección; los ojos de los satélites. Sensores remotos.

Recuperado noviembre 30, 2019, a partir de http://concurso.cnice.mec.es/cnice2006/material121/unidad3/sensores.htm

98

7

ANEXOS

7.1

Anexo 1 – Ficha de Campo FICHA DE CAMPO Ficha para registro de características fisiológicas de especie vegetal Maclanea Rupestris (Joyapa, Uva Camarona, Salapa) en Campo

Fecha (AA/MM/DD) UBICACIÓN NOMBRE

X

Y

Z

Descripción Ecosistémica (x) Aislada

Asociada con Pasto

Aso. con pajonal

Otro

Aso. Veg. Arbustiva Descripción Fisiológica Descripción Fisiológica (X)

0 - 0.5 m

0.5 - 1 m

1 - 1.5 m

1.5 - 2 m

>2 m

Altura Diámetro Foliar Bulbo Raíz Estado Fenológico no tiene

Desarrollo

Maduro

Hojas Floración Frutos Foto (#) Observación:

Foto (#)

OBSERVACIÓN

OBS

99

7.2

Anexo 2 – Puntos de control terrestre

ID p1 p2 p3 p4 p5

Este 696536.06 696585.53 696703.09 696744.19 696603.14

Norte Elevación 9657795.27 3480.31 9657721.31 3477.80 9657594.49 3470.73 9657705.20 3543.07 9657899.39 3564.91

100

7.3

Anexo 3 – Base de datos de fichas - Determinación de respuesta espectral

CreationDate 12/6/2018, 4:39 PM 12/6/2018, 4:39 PM 12/6/2018, 4:39 PM 12/19/2018, 8:53 PM 12/19/2018, 8:53 PM 12/19/2018, 8:53 PM 12/19/2018, 8:53 PM 12/19/2018, 8:53 PM 12/19/2018, 8:54 PM 12/19/2018, 8:54 PM 12/19/2018, 8:54 PM 12/19/2018, 8:54 PM 12/19/2018, 8:54 PM 12/19/2018, 8:55 PM 12/19/2018, 8:55 PM 12/19/2018, 8:55 PM 12/19/2018, 8:55 PM 12/19/2018, 8:55 PM 12/19/2018, 8:57 PM

Descripción ecosistémica Asociada con Vegetación Arbustiva Asociada con Vegetación Arbustiva Asociada con Vegetación Arbustiva Asociada con Pajonal Asociada con Vegetación Arbustiva Asociada con Vegetación Arbustiva Asociada con Vegetación Arbustiva Asociada con Vegetación Arbustiva Asociada con Pajonal Asociada con Vegetación Arbustiva Asociada con Vegetación Arbustiva Asociada con Pajonal Asociada con Vegetación Arbustiva Asociada con Vegetación Arbustiva Asociada con Vegetación Arbustiva Asociada con Vegetación Arbustiva Asociada con Vegetación Arbustiva Asociada con Vegetación Arbustiva Asociada con Pajonal

Altura

Diámetro Bulbo Foliar Raíz

Hojas

Frutos

Photos and Files

1 - 1.5 m

0 - 0.5 m

0 - 0.5 m

Desarrollo no tiene

no tiene

(2) Show

1 - 1.5 m

1 - 1.5 m

0 - 0.5 m

Desarrollo no tiene

no tiene

(2) Show

0.5 - 1 m

0.5 - 1 m

0 - 0.5 m

Maduro

no tiene

no tiene

(2) Show

0.5 - 1 m

0.5 - 1 m

0 - 0.5 m

Maduro

no tiene

no tiene

(2) Show

1.5 - 2 m

0.5 - 1 m

0 - 0.5 m

Desarrollo no tiene

no tiene

(2) Show

mayor a 2 m

1.5 - 2 m

0 - 0.5 m

Maduro

no tiene

no tiene

(2) Show

0.5 - 1 m

0.5 - 1 m

0 - 0.5 m

Maduro

no tiene

no tiene

(2) Show

1.5 - 2 m

0.5 - 1 m

0 - 0.5 m

Maduro

no tiene

no tiene

(2) Show

0.5 - 1 m

0 - 0.5 m

0 - 0.5 m

Maduro

no tiene

no tiene

(2) Show

0.5 - 1 m

1.5 - 2 m

0 - 0.5 m

Maduro

no tiene

no tiene

(2) Show

1.5 - 2 m

1 - 1.5 m

0 - 0.5 m

Maduro

no tiene

no tiene

(2) Show

1 - 1.5 m

0.5 - 1 m

0 - 0.5 m

Maduro

no tiene

no tiene

(2) Show

1.5 - 2 m

1.5 - 2 m

0 - 0.5 m

Maduro

no tiene

no tiene

(2) Show

0.5 - 1 m

0.5 - 1 m

0 - 0.5 m

Maduro

no tiene

no tiene

(2) Show

1.5 - 2 m

mayor a 2m

0.5 - 1 m

Desarrollo no tiene

no tiene

(2) Show

1.5 - 2 m

1.5 - 2 m

0 - 0.5 m

Maduro

no tiene

no tiene

(2) Show

mayor a 2 m

1.5 - 2 m

0 - 0.5 m

Maduro

no tiene

no tiene

(2) Show

0.5 - 1 m

0.5 - 1 m

0 - 0.5 m

Maduro

no tiene

no tiene

(2) Show

0.5 - 1 m

0.5 - 1 m

0 - 0.5 m

Desarrollo no tiene

no tiene

(2) Show

Floración

101

7.4

Anexo 4 - Informe de Postproceso de fotografía aérea

102

103

104

105

106

107

108

109

110

111

112

7.5

Anexo 5 – Base de validación

La base de validación contiene las coordenadas geográficas de los sitios utilizados para la verificación, un código que permite identificar (nombre), estos fueron extraídos de sitios que el software identifico como Joyapa, los sitios son validados con la base de campo y la ortofoto de alta resolución generada con el sensor RGB. Por didáctica y procesos de análisis posteriores, se utiliza valores digitales 1 cuando el sitio es validado como joyapa y 0 cuando se determina que no lo es, finalmente se incluye una columna que describe la validación, donde 1+1 = SI y 1+0 = NO. FID

Shape *

id

X

Y

Nombre

estimación en software

Validación de resultados Valid_desc

0 Point

1 696545.75

9657967.45 PC - 1

1

1 SI

1 Point

2 696561.79

9657963.96 PC - 2

1

1 SI

2 Point

3 696561.51

9657958.3

PC - 3

1

0 NO

3 Point

4 696564.9

9657956.35 PC - 4

1

1 SI

4 Point

5 696566.5

9657953.3

PC - 5

1

1 SI

5 Point

6 696569.43

9657938.65 PC - 6

1

0 NO

6 Point

7 696571.78

9657939.46 PC - 7

1

1 SI

7 Point

8 696585.36

9657915.6

PC - 8

1

1 SI

8 Point

9 696591.16

9657910.33 PC - 9

1

1 SI

9 Point

10 696610.91

9657890.05 PC - 10

1

1 SI

10 Point

11 696611.48

9657884.91 PC - 11

1

1 SI

11 Point

12 696610.27

9657866.39 PC - 12

1

1 SI

12 Point

13 696610.64

9657866.19 PC - 13

1

1 SI

13 Point

14 696645.53

9657836.05 PC - 14

1

1 SI

14 Point

15 696647.18

9657836.29 PC - 15

1

1 SI

15 Point

16 696651.7

9657826.6

PC - 16

1

1 SI

16 Point

17 696665.45

9657802.91 PC - 17

1

1 SI

17 Point

18 696689.13

9657795.9

PC - 18

1

1 SI

18 Point

19 696695.9

9657796.69 PC - 19

1

1 SI

19 Point

20 696709.05

9657732.13 PC - 20

1

1 SI

20 Point

21 696717.15

9657724.1

PC - 21

1

1 SI

21 Point

22 696738.85

9657704.13 PC - 22

1

1 SI

22 Point

23 696757.41

9657695.99 PC - 23

1

1 SI

23 Point

24 696714.73

9657626.09 PC - 24

1

1 SI

24 Point

25 696716.76

9657623.04 PC - 25

1

0 NO

25 Point

26 696595.47

9657755.25 PC - 26

1

1 SI

26 Point

27 696599.14

9657757.65 PC - 27

1

1 SI

113

27 Point

28 696609.51

9657799.57 PC - 28

1

1 SI

28 Point

29 696612.55

9657818.4

PC - 29

1

1 SI

29 Point

30 696607.16

9657829.56 PC - 30

1

1 SI

30 Point

31 696619.63

9657858.43 PC - 31

1

1 SI

31 Point

32 696457.13

9657891.12 PC - 32

1

0 NO

32 Point

33 696458.27

9657873.2

PC - 33

1

1 SI

33 Point

34 696542.63

9657968.26 PC - 34

1

1 SI

34 Point

35 696522.6

9657950.6

PC - 35

1

1 SI

35 Point

36 696529.06

9657929.99 PC - 36

1

1 SI

36 Point

37 696470.4

9657866.55 PC - 37

1

0 NO

37 Point

38 696619.55

9657680.1

PC - 38

1

1 SI

38 Point

39 696619.71

9657768.94 PC - 39

1

1 SI

39 Point

40 696569.63

9657750.29 PC - 40

1

0 NO

40 Point

41 696571.95

9657742.72 PC - 41

1

0 NO

41 Point

42 696574.06

9657734.51 PC - 42

1

1 SI

42 Point

43 696529.2

9657785.4

PC - 43

1

0 NO

43 Point

44 696448.8

9657816.49 PC - 44

1

0 NO

44 Point

45 696481.1

9657847.99 PC - 45

1

0 NO

45 Point

46 696659.3

9657638.25 PC - 46

1

0 NO

46 Point

47 696659.36

9657638.64 PC - 47

1

1 SI

47 Point

48 696594.41

9657637.39 PC - 48

1

0 NO

48 Point

49 696591.22

9657639.71 PC - 49

1

0 NO

49 Point

50 696586.93

9657642 PC - 50

1

0 NO

Matriz de Confusión Puntos de Muestreo Matriz de Confusión Coincidencias Clasificado como No coincide suma

Clasificado Joyapa NC

Cálculo de Coeficiente Capa N 50 N^2 2500 pe 0.6152 po 0.74 K 0.32

37 0 0 13 37 13

suma 37 13 50

114

7.6

Anexo 6 - Guía preliminar de manejo para monitoreo de la especie y del ecosistema en general

GUÍA PRELIMINAR DE MANEJO PARA MONITOREO DE LA ESPECIE Y DEL ECOSISTEMA EN GENERAL. 1

INTRODUCCIÓN

La presente guía de manejo enfocada al monitoreo para para seguimiento la jopapa y especies en general, recoge las experiencias y conocimiento recopilado durante la ejecución de la investigación de ‘determinación la Joyapa (Macleania rupestris) en el páramo’ utilizando sistemas de información geográfica, métodos de teledetección y toda la tecnología utilizada.

La finalidad del presente documento es contribuir a investigadores y público en general interesado en la conservación de los recursos naturales, con énfasis a la flora nativa, la cual, día a día requiere mayor atención ante el riesgo latente de sufrir los efectos del cambio climático, la ampliación de la frontera agrícola y demás actividades de la humanidad.

El propósito de fundamental de proponer escenarios de manejo con fines de conservación es garantizar que la especie y ecosistemas general puedan ser funcionales y aplicados a corto, mediano y largo plazo, figura Anexo 6 - 1. La gestión en conservación se realiza desde muchos frentes públicos y privadas, con variados intereses, pero todos con acciones encaminadas a la protección del área, restauración del ecosistema, usos sostenibles de alguno de los elementos de la biodiversidad, y estas deberían ser plasmadas en instrumentos gestión que permitan ser replicadas, difundidas, normadas y monitorear los efectos de las mismas.

CONSERVACIÓN PROTECCIÓN

RESTAURACIÓN

USO SOSTENIBLE

INSTRUMENTOS DE GESTIÓN: Conocimiento, educación, regulaciones, ordenanza, etc

Figura Anexo 6 - 1. Gestión de los ecosistemas con fines de conservación.

Además, la guía presenta una secuencia adaptable que permite al investigador optimizar sus recursos y potencializar en el área de interés.

115

2

GUIA PRELIMINAR DE MANEJO ENFOCADO AL MONITOREO DE LAS ESPECIES EN GENERAL

La guía preliminar registra las consideraciones previas para definir el valor ecológico de las especies como es el caso de la joyapa, así como, escenarios de manejo, de acuerdo a la información y tecnología utilizada, los Sistemas de Información Geográfica SIG y técnicas de teledetección.

Orientación del monitoreo

•Especies representativas •Especies amenazadas •Especies de uso sotenible •Especies invasoras o plagas

Criterios Básicos

•Ambito del muestreo •Tipo de muestreo • Factores del diseño •Variables de respuesta •Metodos de de Muestreo •Potencialidad de los datos

Planteamiento de escenarios

•Criterios •Identificadores •Cuantificadores •extención en el tiempo

Componentes del plan de Monitoreo

•Requerimiento de información •Definición de indicadores •Diseño de la metodologia •Diseno de divulgación de resultados •Plan operativos

Figura Anexo 6 - 2. Estructura de la guía de manejo para la conservación de especies.

2.1

Orientación del monitoreo

La orientación del monitoreo permite analizar el valor ambiental de la especie y determinar la representatividad positiva o negativa en él ecosistema y justificar los esfuerzos necesarios en la implementación del monitoreo hacia una especie amenazada o de interés sostenible inclusive pueden existir “especies problema” que constituyen amenaza para el lugar como especie invasora o plaga, (López-Gallego, 2015) Especies representativas: Especies que no exhiben directamente alguna problemática de interés pueden ser usadas en proyectos de conservación. Por ejemplo, especies carismáticas, sombrilla, indicadoras y especies clave se usan ampliamente como componentes de biodiversidad en proyectos enfocados en áreas de interés o para proyectos con énfasis en una especie o grupo de especies.

116

Especies amenazadas: Especies cuya viabilidad está siendo reducida por amenazas como destrucción y degradación de hábitat, sobreexplotación, etc. y que tienen una alta probabilidad de extinguirse en el corto o mediano plazo.

Especies de uso sostenible: Especies que son usadas por comunidades humanas pueden ser de interés en conservación porque necesitan planes de manejo que puedan garantizar la viabilidad a largo plazo de sus poblaciones mientras sostienen algún nivel de uso.

Especies invasoras o plaga: Especies invasoras son especies exóticas que se establecen y expanden exitosamente en un nuevo hábitat y pueden generar impactos negativos en el ecosistema invadido. Otras especies, aunque sean nativas, pueden tener su dinámica poblacional alterada y representar problemas para la conservación de la biodiversidad en sus ecosistemas (especies plaga o problema).

2.2

Criterios básicos para diseñar el plan de monitoreo enfocado a la conservación de joyapa y especies en general

Existe una diversidad de referencias sobre el monitoreo de la biodiversidad y la gestión de los ecosistemas, desde los propuestos para recolectar y producir información básica, hasta los especializados que enfocan en descubrir nuevo conocimiento, por lo tanto, la guía presenta una secuencia adaptable que permite al investigador optimizar sus recursos, potencializar en el área de interés. Ámbito del muestreo: permite definir la precisión al muestreo en términos del contexto espacial y temporal donde se llevará a cabo es importante para especificar el “universo” de condiciones en las que se aplican los resultados del estudio.

Tipo de estudio: el efecto del factor en el que se está interesado puede evaluarse en unidades muestrales sin ningún tipo de manipulación, o evaluarse manipulando las condiciones en un experimento (poco frecuentes en planes de monitoreo, pero se considera al ser una propuesta desde la academia).

Factores del diseño y su naturaleza: los factores son las variables para las cuales se pretende evaluar el efecto (variables independientes) y alrededor de las cuales se diseña el experimento; estas variables pueden ser de tipo numérico o categórico.

117

Variables de respuesta: son las variables sobre las cuales el efecto del factor se evaluará, y son las variables dependientes en el análisis; corresponden a las variables que mejor describen el sistema que se quiere explorar con la pregunta. Nota: en estudios de monitoreo generalmente los indicadores son variables de respuesta, no factores o variables independientes. En algunos casos el monitoreo puede hacer mediciones del efecto de factores, por ejemplo, si se plantea comparar los valores del indicador entre distintos tipos de hábitat o algún otro factor de interés. Para lo cual es necesario considerar lo siguiente: -

Unidades de muestreo (o unidades de respuesta): para cada una de las variables de respuesta y según los valores del factor se deben tomar datos en varias unidades de respuesta (estas son las réplicas); la unidad de muestreo es la unidad mínima que manifiesta el efecto del factor y que es independiente de otras unidades.

-

Factores de confusión: son todas aquellas variables que afectan a las variables de respuesta pero que no son de interés en el muestreo; las estrategias para evitar que estas variables confundan el análisis de los datos dependen del contexto de la pregunta, pero generalmente involucran dispersar las unidades de respuesta de manera aleatoria con respecto a los factores de confusión o eliminar su efecto sobre las variables de respuesta.

Métodos de muestreo: las técnicas que se emplearán para tomar los datos de las variables de respuesta en las unidades de muestreo; deben ser adecuados para que los datos puedan reflejar las respuestas en las variables del sistema de estudio.

Naturaleza de las réplicas (número y distribución): se debe garantizar suficientes unidades de muestreo, bien distribuidas en el espacio y en el tiempo, tengan datos para que el muestreo sea representativo, y además que constituyan verdaderas réplicas (unidades independientes para reflejar efectos sobre variables de respuesta). El número de réplicas y su distribución para garantizar un muestreo representativo depende de la variabilidad exhibida por las variables de respuesta en el sistema de estudio (a mayor variabilidad, mayor esfuerzo de muestreo requerido para caracterizar el sistema).

Potenciales análisis de datos: pensar en los análisis particulares que se necesita realizar con los datos ayuda a refinar el muestreo para lograr que sea adecuado para los fines del estudio.

118

‘Esfuerzo’ necesario para implementar el diseño: se deben considerar los recursos necesarios para la ejecución del diseño planteado según el alcance del proyecto.

2.3

Identificación de escenarios

Los escenarios de monitoreo de la vegetación en una escala de tiempo y espacio definido están compuestos por; criterios de estudio, las variables de medición y la interacción de resultante, con las cuales se identifican los disturbios o estado, según sea el caso, figura Anexo 6 – 3.

Figura Anexo 6 - 3. Variables de medición (Verde) para los diferentes criterios de estudio (Blanco) e interacción entre variables y criterios.

En base del escenario “objetivo de estudio” se determina los cuantificadores a medir según sea su relación e interacción, a nivel de monitoreo se plantea realizar periodo a periodo. Sin embargo, es necesario considerar que existe una serie mínima de cuantificadores que son de fácil medición en cualquier plataforma de monitoreo y generan información detallada y de calidad para evaluar acciones en el corto plazo, y a través de análisis más detallados (construcción de indicadores) y posteriores recomendaciones en el tiempo y espacio pueden derivar análisis a mediano y largo plazo.(Ariza et al., 2015)

119

Tabla 2-1 Criterios, indicadores, cuantificadores, análisis estadísticos y tiempo.

Criterio

Escenarios Indicador

Análisis

Cuantificadores

Tipo

Plazo C M L

Índice de riqueza de Análisis Composición Individuos por áreas Cl X especies Especie Composición Especies Valor de existencia nativa, exótica Cl X X función Origen Numero Índice de densidad Individuos por área Cn X X localización Relación de Diámetro - # Incremento diamétrico Cn X X desarrollo del tallo individuos (cm) Relación Altura – # Incremento en altura (m) Cn X crecimiento vertical Individuos Estructura Cobertura de Factor ocupación Incremento en cobertura copa - # Cn X del espacio de la copa (m) Individuos Diámetro – Distribución por clases Indicador de Altura – diamétricas, alturas y Cn X X X posición sociológica Cobertura - # coberturas individuos Estado Valoración fitosanitario – *Síntomas sanitarios o Cl X fitosanitaria Forma de afecciones físicas Crecimiento Función Forma de Anual, perenne…

Valor de existencia Cl X X crecimiento *Estados fenológicos Valor de existencia Fenología Cl X Especies Índice de valor de #Individuos – *IVI Relativo (Abundancia, frecuencia importancia de la Diámetros – Cn X X X y dominancia relativa) especie Localización espacial Composición Especies – estructura número de IVI relativo (abundancia Índice de Valor de individuos – relativa, frecuencia importancia de las Cn X X X relativa y dominancia Diámetro – especies relativa) localización espacial Tipo: Cualitativo (Cl), Cuantitativo (Cn), *A pesar de existir instrumentos de medida en campo en ocasiones constituye una aproximación frente a un punto de referencia.

2.4

Componentes del plan de monitoreo

Los componentes del plan de monitoreo son adecuados de acuerdo al escenario que se requiera abordar, por ende, partir de un estudio piloto permitirá ajustar la metodología de monitoreo y optimizar los recursos logísticos, como se detallan en la figura anexo 6 – 4.

120

Revisiónde necesidades de información

•Que información es relevante para evaluar la efectividad de las acciones propuestas.

Definición de indicadores

• Medidas especificas que permitan explorar tendencias de cambio en atributos

Diseño de la metodología

•Escala espacial y temporal •Diseño de muestreo (unidades, caracteristicas) •Método de toma de datos •Tipo de análisis para reportar resultados

Diseño de la divulgación de resultados

•Estrategia de presentar resultados •Herramientas para comunicar resultados

•Recursos para implementar el Plan: • Personal tecnico •Experiencia técnica •Equipos •Logística Figura Anexo 6 - 4. Componentes del plan de monitoreo.

Plan operativo

2.4.1

Revisión de necesidades de información

Una vez identificado el escenario de acción es fundamental definir la necesidad de información, establecer la estrategia de búsqueda, consultar y evaluar la calidad de la información y obtener una línea base con la que se pueda partir o en su defecto ajustar el escenario de monitoreo.

Escenario de monitoreo

Estrategia de Búsqueda

Necesidad de información

Consultar y Evaluar calidad

Linea base - base de datos Figura Anexo 6 - 5. Revisión de necesidad de información.

121

Para definir la necesidad de información y datos geográficos se sugiere plantear interrogantes que permiten direccionar la identificación de fuentes y optimizar recursos; tiempo, económico, logístico, humano etc. las interrogantes son: • • • • • • •

¿Cuál es el objetivo que busca conseguir con la información?; ¿Cuál es el alcance? ¿Qué datos y formatos de información requiere? ¿Posee Software y hardware para trabajar? ¿Conoce de fuentes que dispongan la información requerida? ¿Qué calidad tienen los datos? ¿Qué presupuesto posee?

En lo que respecta a información cartográfica, se puede encontrar un avance significativo pues internet ha permitido su difusión y democratización de la misma, a la cual se puede acceder por medio de servicios web (WMS, WFS), navegación en línea como es el caso de Google Earth (pro, Enguine), Open Street Map (OSM), etc. además fuentes de información temática se lo puede encontrar en geoportales del USGS, servicios institucionales del Ecuador como: Sistema nacional de información SNI de Ecuador, ministerio de agricultura y ganadería MAG, instituto espacial ecuatoriano IEE, Instituto Geográfico Militar IGM. En el caso de registros de especies se puede encontrar información en herbarios en línea como Herbario virtual austral americano que cuenta con una colección significativa de especies y además con una localización aproximada de sitios de avistamientos, figura anexo 6-6

122

Figura Anexo 6 - 6. Fuentes de información en línea – Herbario Virtual Austral Americano.

Fuente: (Herbario Virtual Austral Americano, 2019)

En la validación de la información es pertinente considerar estándares que permitan la normalización de la información geoespacial con la finalidad de facilitar la comprensión, el acceso, la integración y reutilización de los de manera eficiente, es decir que permita la interoperabilidad de la geoinformación en los SIG. Entre las iniciativas de normativa y acuerdos se encuentran las siguientes: ➢ ISO/TC 211 Información Geográfica/geomática ➢ Open Geospatial Consortium ➢ Acuerdo entre ISO/TC 211 y el OGC Además, cada país tiene normativa que permite generar una información base de calidad para cualquier tipo de estudios.

2.4.2

Definición de indicadores

Los indicadores se definen una vez que he haya identificado el escenario de monitoreo, estas son medidas específicas que permiten explorar tendencias de cambio en atributos. No se podría considerar que los indicadores sean absolutos, más bien son dinámicos de acuerdo a

123

los criterios hacia donde se incline el monitoreo. Ejemplo, en el caso de registrar datos de diferentes poblaciones se podría establecer un índice de riqueza de la especie. Ver tabla 2.1.

2.4.3

Diseño de la metodología

El proceso metodológico parte de la línea base generada para este fin y describe con claridad el proceso que se llevara a cabo durante el monitoreo en el cual se considera los alcances en función de: •

Escala espacial y temporal

•

Diseño de muestreo (unidades, características)

•

Método de toma de datos

•

Tipo de análisis para reportar resultados

En el caso de la determinación de Joyapa en la cobertura vegetal se establece la siguiente propuesta metodológica, figura anexo 6 – 7.

•Encuesta de campo •Levantamiento de geoinformación multiespectral •Posproceso

Cuantificación de la especie •Verificación de la respuesta espectral •Determinación de especie •Reportes para análisis secundarios

Levantamiento de Geo Información

•Comparación de resultados con anteriores y actuales.

•Propuesta de correciones •Difusion •retroalimentación para el siguiente monitoreo

Difución y retroalimentación

Figura Anexo 6 - 7.Secuencia metodológica para monitorear joyapa en la cobertura vegetal.

2.4.4

Diseño de la divulgación de resultados

Para difundir los resultados se debe identificar el sector de impacto hacia donde desea que llegue el mensaje, para ello se debe considerar la estrategia de comunicación y las herramientas adecuadas.

124

2.4.4.1 Estrategia de presentar resultados Como estrategia de presentación de resultados debe ser la adecuada en base del sector definido, que puede ser: ➢ Grupos de personas de las zonas de monitoreo ➢ Investigadores a fines ➢ Educativo ➢ Normativo En base del sector la información puede ser muy extensa con análisis y resultados detallados o generar reportes comprensibles con conclusiones y mapas, graficas u otras formas visuales que permitan su compresión.

2.4.4.2 Herramientas para comunicar resultados Las herramientas para comunicar los resultados son variadas y se puede hacer uso de las tecnologías de la información TIC’s hasta el tradicional documento impreso, figura anexo 6 - 8.

Figura Anexo 6 - 8.tecnologías de la información para difusión de resultados.

125

Adicional de los sistemas de información geográfica se cuenta con herramientas para difundir los datos del monitoreo se tiene servicios web, geo-portales colaborativos e institucionales que permiten registrar la geoinformación y compartir el conocimiento.

2.4.5

Plan operativo

El plan operativo permite establecer los requerimientos y recursos necesarios para implementar el plan de monitoreo, estos deben contener elementos relacionados con: ✓ Personal técnico ✓ Experiencia técnica ✓ Equipos ✓ Logística ✓ Tiempos ✓ Metas