104638

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

Correlación entre el NDVI y el crecimiento anual de especies forestales al Sur del Ecuador Correlation between NDVI and Tree-Ring Growth of forest species in southern Ecuador by/por

Franz Leonardo Pucha Cofrep 01633699 A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science– MSc Advisor ǀ Supervisor:

Leonardo Zurita Arthos PhD

Loja - Ecuador, 10 de octubre de 2019

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 mencionado su origen.

Firma Loja - Ecuador, 10 de octubre de 2019

Dedicatoria Absolutamente toda mi familia quienes son esenciales para seguir adelante, en especial mi hijo.

Agradecimientos Este trabajo de investigación ha sido posible gracias a la información dendrométrica brindada por el Laboratorio de Dendrocronología de la Universidad Nacional de Loja, Ecuador. Al equipo de UNIGIS por su formación académica y ofrecerme la oportunidad de adquirir destrezas y habilidades en el mundo SIG, en especial a Marcela

Montivero

por

sus

consejos

y

sugerencias en la tesis de maestría.

Un agradecimiento especial a las personas que incondicionalmente me brindaron su apoyo: Darwin Pucha, Andreas Fries, Katja Trachte.

5

Resumen La relación entre el Índice de Vegetación de Diferencia Normalizada (NDVI) y el Índice Diamétrico de los Anillos de Crecimiento (IDAC) ha sido analizada principalmente en ecosistemas templados para inferir la productividad de un bosque. Sin embargo, en ecosistemas tropicales muy poco se ha estudiado estas interacciones lo cual sería de gran ayuda para poder reconstruir el NDVI en base a registros dendrocronológicos en décadas pasadas donde no existe está información. Por ello, esta investigación busca determinar la relación existente entre el NDVI e IDAC en dos ecosistemas y dos especies forestales al Sur de Ecuador. Los sitios de estudio son la Reserva Natural Laipuna en el bosque seco y la Reserva Biológica San Francisco (RBSF) en el bosque húmedo durante los años 2000 a 2010.

El cálculo del NDVI se realiza usando imágenes satelitales Landsat 7 con una resolución de 30 m. Dado que las nubes dispersan y reflejan las diferentes longitudes de onda de la radiación solar de diversas maneras, se excluye o filtra las imágenes satelitales con presencia de nubes. En el bosque seco la especie Bursera graveolens, y en el bosque húmedo Cedrela montana definen con claridad sus anillos de crecimiento y sus zonas de incremento anual quedan bien determinadas por el cese de la actividad fotosintética al perder las hojas una vez al año. En total, se utiliza 11 árboles para determinar el IDAC. En ambos ecosistemas se considera los datos anuales del NDVI (en el caso de Laipuna se excluye la época seca), los registros anuales de los anillos de crecimiento, y la precipitación. Para el análisis estadístico se mide el grado de asociación del NDVI e IDAC a través del coeficiente de determinación R2. Los resultados muestran que el análisis de correlación entre el NDVI e IDAC en el bosque seco de Laipuna son moderados con un R2 = 0.68 (p-value 0.001, RMSE = 1.64). Mientras que para la RBSF la correlación es débil con un R2 = 0.41 (p-values = 0.013, RMSE = 0.48). El NDVI e IDAC tienen una asociación significativa en cada ecosistema forestal, y están influenciados por el grado de estacionalidad de las precipitaciones. En el bosque seco las precipitaciones regulan directamente el incremento diamétrico y la producción de hojas durante los meses lluviosos. En el bosque húmedo las lluvias son permanentes y sin una estacionalidad bien definida durante el año, hacen que el crecimiento de los árboles dependa en mayor medida de otras variables como la temperatura, suelos, e intensidad de luz.

Los datos del IDAC se pueden utilizar para inferir una reconstrucción del NDVI en base al ancho de anillos de crecimiento, pero solamente en ecosistemas que presentan una estacionalidad bien definida. Por ello, se recomienda identificar también nuevas especies forestales que tengan un crecimiento sensitivo a los cambios de radiación solar para así inferir con mayor precisión los NDVI. Palabras clave: NDVI, anillos de crecimiento, bosque húmedo, bosque seco, Landsat.

6

Abstract The relationship between the Normalized Difference Vegetation Index (NDVI) and the Diameter Growth Ring Index (IDAC) has been analyzed mainly in temperate ecosystems to infer the productivity of a forest. However, in tropical ecosystems very little of these interactions have been studied, which would be of great help in reconstructing the NDVI based on dendrochronological records in past decades where this information does not exist. Therefore, this research seeks to determine the relationship between the NDVI and IDAC in two ecosystems and two forest species in southern Ecuador. The study sites are Laipuna Natural Reserve in the dry forest and San Francisco Biological Reserve (RBSF) in the humid forest during the years 2000 and 2010.

The NDVI calculation is done using Landsat 7 satellite images with a resolution of 30 meters. Since clouds disperse and reflect the different wavelengths of solar radiation in different ways, satellite images with the presence of clouds are excluded or filtered. In the dry forest the species Bursera graveolens, and in the humid forest Cedrela montana clearly define their growth rings and their areas of annual increase are well determined by the cessation of photosynthetic activity by losing the leaves once a year. In total, 11 trees are used to determine the IDAC. In both ecosystems, the annual data of the NDVI (in the case of Laipuna the dry season is excluded), the annual records of the growth rings, and the precipitation are considered. For statistical analysis, the degree of association of the NDVI and IDAC is measured through the R2 coefficient of determination. The results show that the correlation analysis between the NDVI and IDAC in the dry forest of Laipuna are moderate with R2 = 0.68 (p-value 0.001, RMSE = 1.64). While for RBSF the correlation is weak with R2 = 0.41 (p-values = 0.013, RMSE = 0.48). The NDVI and IDAC have a significant association in each forest ecosystem, and are influenced by the degree of seasonality of rainfall. In the dry forest, rainfall directly regulates diameter increase and leaf production during the rainy months. In the humid forest the rains are permanent and without a well-defined seasonality during the year make the growth of the trees depend to a greater extent on other variables such as temperature, soil, and light intensity.

The IDAC data can be used to infer a reconstruction of the NDVI based on the width of growth rings, but only in ecosystems that present a well-defined seasonality. Therefore, it is recommended to identify new forest species that have a growth sensitive to solar radiation changes in order to infer with greater precision the NDVI. Keywords: NDVI, tree-rings, humid forest, dry forest, Landsat.

7

Tabla de contenido

1.

2.

3.

Introducción ............................................................................................................ 13 1.1.

Antecedentes ................................................................................................... 13

1.2.

Objetivos .......................................................................................................... 15

1.2.1.

General ......................................................................................................... 15

1.2.2.

Específicos .................................................................................................... 15

1.3.

Preguntas de Investigación .............................................................................. 16

1.4.

Hipótesis .......................................................................................................... 16

1.5.

Justificación ...................................................................................................... 16

1.6.

Alcance ............................................................................................................. 17

Revisión de Literatura ............................................................................................. 19 2.1.

El espectro electromagnético .......................................................................... 19

2.2.

Teledetección ................................................................................................... 22

2.2.1.

Tipos de satélites .......................................................................................... 23

2.2.2.

Los sensores remotos ................................................................................... 25

2.3.

Programa Landsat ............................................................................................ 28

2.4.

Landsat 7 .......................................................................................................... 29

2.5.

Índice de Vegetación de Diferencia Normalizada (NDVI) ................................ 32

2.6.

Dendrocronología ............................................................................................ 33

2.7.

Bosque en Ecuador .......................................................................................... 34

2.7.1.

Bosques montanos en Ecuador .................................................................... 35

2.7.2.

Bosque seco en Ecuador .............................................................................. 35

2.7.3.

Especie Bursera graveolens .......................................................................... 35

2.7.4.

Especie Cedrela montana ............................................................................. 36

Metodología ............................................................................................................ 37

8

4.

3.1.

Área de estudio ................................................................................................ 37

3.2.

Flujograma de la metodología ......................................................................... 39

3.3.

Procesamiento de los datos para la obtención del NDVI ................................ 40

3.3.1.

Eliminación de áreas con nubes ................................................................... 41

3.3.2.

Corrección Scan Line Corrector (SLC) ........................................................... 42

3.4.

Datos de los anillos de crecimiento de los árboles .......................................... 43

3.5.

Cálculo del NDVI............................................................................................... 44

3.6.

Análisis estadístico ........................................................................................... 46

Resultados y Discusión ............................................................................................ 48 4.1.

Bosque seco ..................................................................................................... 48

4.2.

Bosque lluvioso ................................................................................................ 53

4.3.

Análisis de los resultados ................................................................................. 56

4.3.1.

Pregunta de investigación 1 ......................................................................... 59

4.3.2.

Pregunta de investigación 2 ......................................................................... 60

5.

Conclusiones............................................................................................................ 62

6.

Referencias bibliográficas ....................................................................................... 63

7.

Apéndices ................................................................................................................ 71

9

Lista de figuras Figura 1. EL espectro electromagnético, el espectro visible por el ser humano. ............... 19 Figura 2. Tipo de Satélites en Órbita. .................................................................................. 23 Figura 3. Misiones de los Satélites de Landsat. ................................................................... 29 Figura 4. Comparación visual de las bandas espectrales del Programa Landsat. ............... 30 Figura 5. Mapa de los sitios del estudio: Reserva Natural Laipuna en el bosque seco y la Reserva Biológica San Francisco (RBSF) en el bosque húmedo. .......................... 37 Figura 6. Bosque seco de la Reserva Natural Laipuna. Ubicado en la parte occidental del Sur del Ecuador. .................................................................................................... 38 Figura 7. Bosque lluvioso de la Reserva Biológica San Francisco (RBSF). ............................ 39 Figura 8. Flujograma de la metodología empleada. ............................................................ 40 Figura 9. Eliminación de superficies con nubes. Escena Landsat 7 Laipuna. ...................... 42 Figura 10. Bandeo en Landsat 7. Escena RBSF del 07.05.2005 ........................................... 43 Figura 11. Aplicación de la ecuación para obtener valores del NDVI. Imagen Landsat 7 correspondiente al 03.11.2001. ........................................................................... 45 Figura 12. Extracción de datos NDVI a partir de imágenes satelitales Landsat 7 en ambos ecosistemas. ......................................................................................................... 49 Figura 13. NDVI vs IDAC en el bosque seco (Laipuna). ........................................................ 50 Figura 14. Coeficiente de determinación R2 entre el NDVI e IDAC en Laipuna. .................. 51 Figura 15. Relación entre series temporales de NDVI, IDAC y Precipitación en Laipuna ... 52 Figura 16. NDVI vs. IDAC en RBSF. ....................................................................................... 54 Figura 17. Coeficiente de determinación R2 entre el incremento diamétrico y NDVI en RBSF. ..................................................................................................................... 55 Figura 18. Relación entre series temporales de NDVI, IDAC, y precipitación en RBSF. ...... 56

10

Lista de tablas Tabla 1. Datos anuales de IDAC, NDVI, y Precipitaciรณn en Laipuna .................................... 48 Tabla 2. Datos de IDAC, NDVI, y Precipitaciรณn en RBSF ...................................................... 53 Tabla 3. Coeficiente de determinaciรณn R2 entre el NDVI e IDAC, p-value y RSME.............. 55

11

Lista de apéndices

Apéndice 1. Tabla de los datos de crecimiento (cm) de Bursera graveolens ..................... 71 Apéndice 2. Tabla de los datos de crecimiento (mm) de Cedrela monta ........................... 71 Apéndice 3. Imágenes Landsat 7 desde 2000 – 2010 con los ráster del NDVI de la Reserva Natural Laipuna. ............................................................................................... 72 Apéndice 4. Imágenes Landsat 7 desde 2000 – 2010 con los ráster del NDVI de la Reserva Biológica San Francisco. ................................................................................... 73 Apéndice 5. Serie de tiempo 2000 - 2010 de los valores del NDVI de Laipuna y RBSF. ...... 74 Apéndice 6. Datos entre 2000 - 2010 de los valores del NDVI de Laipuna (no excluye ruido, especialmente generado por las nubes). ......................................................... 74 Apéndice 7. Datos entre 2000 - 2010 de los valores del NDVI de RBSF (no excluye ruido, especialmente generado por las nubes). ......................................................... 75

12

Acrónimos B3 B4 COFUR EM EO-1 EOS AM-1 EROS ETM+ GEO GPS HEO IDAC INAMHI IR Laipuna Landsat LEO LIDAR MEO NASA NDVI NIR NOAA R2 RBSF RMSE SIG SLC UNESCO USGS UV VIS WGS

Banda roja de Landsat 7.

Banda infrarroja cercana de Landsat 7.

Costo de cumplimiento de las solicitudes de los usuarios (Cost of Fulfilling User Requests, Landsat).

Espectro electromagnético.

Satélite de observación de la NASA lanzado en 2000 (fuera de servicio).

Satélite multinacional de la NASA lanzado en 1999.

Centro de Observación y Ciencia de los Recursos de la Tierra del USGS. Mapeador temático mejorado (Enhanced Thematic Mapper Plus, Landsat). Órbita geoestacionaria.

Sistema de Posicionamiento Global Órbita altamente elíptica. Índice Diamétrico de los Anillos de Crecimiento.

Instituto Nacional de Meteorología e Hidrología Ondas infrarrojas.

Reserva Natural de Laipuna.

Conjunto de satélites para la observación de la superficie terrestre bajo la administración de la NASA y el USGS. Órbita terrestre baja.

Detección y alcance de luz (Light Detection and Ranging). Órbita terrestre media.

Administración Nacional de la Aeronáutica y del Espacio de los Estados Unidos. Índice de Vegetación de Diferencia Normalizada (Normalized Difference Vegetation Index).

Reflectancia en la banda infrarroja.

Administración Nacional Oceánica y Atmosférica de los Estados Unidos.

Coeficiente de determinación R cuadrado.

Reserva Biológica San Francisco.

Error cuadrático medio estandarizado.

Sistemas de Información Geográfica.

Corrector de líneas de escaneo en imágenes Landsat 7.

Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura Servicio Geológico de los Estados Unidos (U.S. Geological Survey).

Rayos de luz ultravioleta.

Reflectancia en la banda roja.

Sistema Geodésico Mundial.

13

1. Introducción 1.1.

Antecedentes

En la región Interandina del Sur del Ecuador existe una alta diversidad de ecosistemas forestales (Richter y Moreira-Muñoz, 2005). El bosque seco es un ecosistema caracterizado por una estacionalidad de precipitaciones bien marcada (estación lluviosa y estación seca).

Otro tipo de ecosistema es el bosque húmedo, que al contrario se caracteriza por tener precipitaciones altas y continuas durante todo el año. La información climatológica en estas regiones es escasa (Fries et al., 2014), por lo cual existe la necesidad de obtener información de otras fuentes para analizar el clima del pasado, ya que datos de fuentes instrumentales no siempre están completas (INAMHI, 2015). Por ello, una valiosa fuente natural de registros históricos son los árboles, que a partir de métodos dendrocronológicos sirven para hacer reconstrucciones climáticas a través de la información contenida en los anillos de crecimiento de los árboles (Gutiérrez-Merino, 2009). En general, los anillos de crecimiento son más fáciles de identificar en ecosistemas con estaciones climáticas bien marcadas como sucede en bosques templados, donde la dendrocronología ha realizado un alto avance (Briffa et al., 2002).

Sin embargo, en ecosistemas tropicales esta visibilidad se ve afectada por la falta de estacionalidad tal como sucede en bosque húmedo donde la mayoría de los árboles no crea anillos bien definidos porque su cobertura vegetal es siempreverde (Worbes, 1995). Al contrario, en bosque seco por la escasez de precipitaciones en la época seca la mayoría de los árboles son caducifolios y crean anillos con mejor visibilidad, debido a que vegetación sufre de estrés hídrico y disminuye el crecimiento de las células, y forman una pared celular más ancha. Esto induce la formación de una organización estructural del xilema en la que se pueden reconocer fácilmente bandas o anillos de crecimiento (Marcelo-Peña y Tommasielho, 2019). Cedrela montana es una especie caducifolia que a pesar de crecer en bosque húmedo crea anillos bien definidos, los cuales no siempre están relacionados con la cantidad de precipitación anual del sitio donde se desarrolla, pero son muy sensibles a cambios diarios (Bräuning et al., 2009).

14

Para analizar el crecimiento de los árboles en base de los anillos, incluyendo el comportamiento temporal o anual, como también para reconstruir las condiciones climáticas, se debe tomar muestras que provocan un impacto en el ecosistema, ya que el árbol debe ser cortado o barrenado. Sin embargo, existen imágenes espectrales satelitales, de las cuales índices de vegetación pueden ser derivados para analizar el estado de la vegetación sin intervención física. Imágenes satelitales accesibles públicamente, que incluyen todas las bandas espectrales necesarias para calcular los índices de vegetación existen desde los años 70 (USGS, 2018b), los cuales fueron ampliamente utilizados para correlacionar parámetros climáticos, generalmente temperatura y precipitación, con el estado de la vegetación (Farias, Dessi, Maselli y Crotti, 2005; Polo, 2015). Un ejemplo de esto es la correlación entre la precipitación y el NDVI (Normalized Difference Vegetation Index), la cual fue analizado por Yarlequé, Posadas y Quiroz (2004). Este estudio mostró que la precipitación es proporcional al NDVI, si se aplica transformaciones de Wavelets y de Fourier para deducir señales equivalentes a la cantidad de la precipitación (Yarlequé, Posadas y Quiroz, 2004).

Esto indica que existe la posibilidad de determinar el crecimiento de los árboles mediante índices de vegetación (bandas espectrales satelitales) y así reconstruir series temporales respecto al clima y el crecimiento respectivo. Además, la teledetección en combinación con la dendrocronología permite el monitoreo de la productividad primaria neta de la biomasa del bosque (Pettorelli et al., 2005; Danby, 2011), ya que mediante los índices de vegetación se puede observar y monitorear la fenología a gran escala y a intervalos regulares (Justice, Townshend, Holben y Tucker, 1985), mientras que la información de la dendrocronología permite la evaluación de los resultados.

En este contexto, estudios recientes han relacionado el NDVI con el IDAC (Índice Diamétrico de los Anillos de Crecimiento (Beck et al., 2013; Berner, Beck, Bunn y Goetz, 2013), debido a que el NDVI refleja la vigorosidad de la vegetación (Earth Observatory, 2000), mientras que el IDAC las condiciones (óptimas o de estrés) del crecimiento durante un año.

Sin embargo, estudios que combinan la teledetección y la dendrocronología en el Ecuador son escasas todavía, debido a la ubicación del Ecuador en la zona ecuatorial, donde pocas

15

especies forestales presentan anillos de crecimiento (Pucha-Cofrep, Peters y Bräuning, 2015).

La mayoría de las investigaciones existentes analizaron el crecimiento diamétrico de los árboles respecto a las condiciones climáticas (Cabrera, Fries, Hildebrandt, Günter y Mosandl, 2019) o la recuperación del crecimiento después de eventos extremos de sequía, (Volker et al., 2019), mediante dendrómetros e información climática. Además, se realizaron estudios sobre el potencial dendroclimático de ciertas especies forestales del bosque seco en el Sur de Ecuador (Pucha-Cofrep, Peters y Bräuning, 2015), los cuales analizaron las variaciones de isótopos estables de oxígeno en los anillos de crecimiento como indicadores para reconstruir la variabilidad hidroclimática en la región (Volland, Pucha y Bräuning, 2016). Respecto a investigaciones utilizando índices de vegetación, González-Jaramillo et al., (2016) calcularon la tasa de deforestación en el Ecuador continental mediante el NDVI, y Gonzaga (2015) clasificó la vegetación en la provincia de Loja (Ecuador) en base del mismo índice. Sin embargo, estudios respecto a las métricas fenológicas de especies forestales con anillos mediante índices de vegetación y la dendrocronología son escasos todavía, especialmente a nivel local.

Debido a esto, el presente estudio pretende relacionar el NDVI con el IDAC para analizar el crecimiento de dos especies de árboles que forman anillos de crecimiento endémicos en dos tipos de bosques diferentes (bosque seco y bosque húmedo) en el Sur del Ecuador para proveer una herramienta para el monitoreo continuo.

1.2.

Objetivos

1.2.1. General Determinar la correlación entre el NDVI y las tasas de incremento diamétrico anual de las especies forestales Bursera graveolens y Cedrela montana en los años 2000 a 2010, al Sur del Ecuador.

1.2.2. Específicos ▪

Evaluar la correlación entre el NDVI y las tasas de incremento diamétrico anual de Bursera graveolens (Palo Santo) en un bosque seco al Sur del Ecuador.

16

▪

Evaluar la correlación entre el NDVI y las tasas de incremento diamétrico anual de Cedrela montana (Cedro) en un bosque húmedo al Sur del Ecuador.

1.3.

Preguntas de Investigación

¿Existe información sobre índices de vegetación que permita evaluar la correlación existente con el incremento anual en un bosque seco (con la especie Bursera graveolens) y en un bosque húmedo (con la especie Cedrela montana) en el Sur del Ecuador? ¿Cuáles son los métodos que permiten evaluar la correlación entre el NDVI con el crecimiento anual de especies forestales en el Sur del Ecuador?

1.4.

Hipótesis

Se asume que entre el NDVI y las tasas de incremento diamétrico de Bursera graveolens y Cedrela montana en el Sur del Ecuador existe una fuerte correlación, que puede ser medida mediante el coeficiente de determinación (R2).

1.5.

Justificación

Los ingenieros forestales generalmente se basan en mediciones directas del incremento diamétrico de los árboles, mediante dendrómetros o anillos de crecimiento, para cuantificar la variabilidad en la productividad forestal a corto y largo plazo (Biondi, 1999) y (Bunn et al., 2013). En base a esta información, se establecen indicadores para determinar la vitalidad de los árboles o del ecosistema en general (Fritts, Blasing, Hayden y Kutzbach, 1971), como también para analizar los efectos del clima actual o de eventos climáticos extremos en el comportamiento de las especies frente a estas condiciones (Dobbertin, 2005).

Estos métodos dendrocronológicos permiten determinar las tasas de incremento radial anual de un ecosistema forestal. Sin embargo, los árboles generalmente presentan un crecimiento estacional, es decir, aumentan su diámetro durante cierta época del año dependiendo de las condiciones climáticas, específicamente de las temperaturas o de las precipitaciones (Cabrera et al., 2019). Esta estacionalidad es especialmente obvia en lugares con estaciones anuales bien marcadas (como es el caso de los bosques secos), y en

17

las especies de árboles que forman anillos de crecimiento (Worbes, 1995). En estas regiones climáticas las especies forestales con anillos generalmente presentan el mayor incremento diamétrico durante la estación húmeda, cuando existe suficiente disponibilidad de agua, luz y nutrientes (Bräuning et al., 2009), mientras que durante la estación seca se ponen en un estado de reposo y suspenden su crecimiento, debido a la deficiencia de los recursos.

Aparte de esto, el ancho de los anillos de crecimiento indica las condiciones climáticas durante un año especifico. Si el año respectivo fue húmedo y caliente, los anillos generalmente son más gruesos, mientras que durante años secos y fríos los anillos formados son más finos (Briffa et al., 2002). Debido a esto, el crecimiento diamétrico del árbol esta correlacionado con las condiciones climáticas (Bunn et al., 2013; Cabrera et al., 2019) que también se refleja en la vigorosidad de la vegetación según el Earth Observatory (2000), porque el índice de vegetación NDVI puede ser utilizado como indicador para el monitoreo del crecimiento de los árboles o del ecosistema boscoso en general.

Esto justifica el propósito de la investigación determinar el incremento anual diamétrico de las especies forestales seleccionados mediante el NDVI, y si existe esta correlación esperada, se podría reconstruir décadas de crecimiento diamétrico en base de las imágenes satelitales disponibles y, consecuentemente, las condiciones climáticas durante cada uno de los años.

1.6.

Alcance

Para este estudio se utilizó imágenes del satélite Landsat 7 de los años 2000 a 2010 (NASA, 2019b), que cuentan con una resolución espacial de 30 m, para calcular el NDVI. Los valores del NDVI fueron correlacionados con mediciones del incremento diamétrico de las especies seleccionados durante los mismos años en un sitio con bosque seco (Laipuna) y otro sitio con bosque húmedo montano dentro de la RBSF en el Sur del Ecuador (Richter y MoreiraMuñoz, 2005), aplicando una regresión lineal. Mediante el coeficiente de determinación R² de esta correlación o regresión se determinó el grado de confiabilidad de este método que combina la teledetección con la dendrocronología.

18

Los resultados podrían servir como base para el desarrollo de técnicas de reconstrucción de series climáticas e índices de vegetación para los usuarios inmersos en la teledetección y dendrocronología.

Las principales limitaciones que se presentaron en la investigación fue como obtener imágenes satelitales libres de nubosidad en el área de estudio (en especial en la RBSF), así como también optar por literatura confiable que permita la elección de especies forestales que definan anillos de crecimientos para diferenciar la estación lluviosa y seca, dado que en muchas ocasiones la literatura puede variar de la realidad.

19

2. Revisión de Literatura 2.1.

El espectro electromagnético

El espectro electromagnético (EM) se divide en varias regiones de longitud de onda y frecuencias, entre las cuales solo una banda estrecha de aproximadamente 400 a 700 nm es visible para los ojos humanos. El resto de las regiones del espectro electromagnético es "invisible" y parece de color negro para los ojos humanos. No existe un límite definido entre las regiones del espectro electromagnético (Soo, 2001), sin embargo, se puede clasificar las diferentes bandas como se muestra en la Figura 1.

Figura 1. EL espectro electromagnético, el espectro visible por el ser humano.

Fuente: Wikimedia (2006)

▪

Rayos Gamma.- Los rayos gamma tienen las longitudes de onda más pequeñas y la mayor cantidad de energía de todas las ondas del espectro electromagnético. Son producidos por los objetos más calientes y energéticos del universo, como estrellas de neutrones y púlsares, explosiones de supernovas y regiones alrededor de agujeros negros (Butcher, 2016). En la Tierra, las ondas gamma son generadas por explosiones nucleares, rayos y la actividad menos dramática de la desintegración radioactiva (NASA, 2010a). Los rayos gamma son la radiación EM de mayor energía y normalmente tienen energías superiores a 100 keV, frecuencias superiores a 1019 Hz y longitudes de onda inferiores a 10 pm (Jim, 2018).

▪

Rayos X.- Los rayos X tienen una energía mucho más alta y longitudes de onda mucho más cortas que la luz ultravioleta, y los científicos generalmente se refieren a los rayos X en términos de su energía en lugar de su longitud de onda (Butcher, 2016). Esto se debe en parte a que los rayos X tienen longitudes de onda muy

20

pequeñas, entre 0.03 y 3 nm, tan pequeñas que algunos rayos X no son más grandes que un solo átomo de muchos elementos (Butcher, 2016) en el rango de 30 petahertz a 30 exahertz (Lumen, 2017).

▪

UV.- La luz ultravioleta (UV) tiene longitudes de onda más cortas que la luz visible.

Aunque las ondas UV son invisibles al ojo humano, algunos insectos, como los abejorros, pueden verlas. Esto es similar a cómo un perro puede oír el sonido de un silbato justo fuera del rango de audición de los humanos (Butcher, 2016). Se ubica en el rango de 10 nm a 400 nm, correspondiente a las energías fotónicas de 3 eV a 124 eV (1 eV = 1,6e-19 J; la radiación EM con frecuencias superiores a las de la luz visible se expresan a menudo en términos de energía y no de frecuencia). Se llama así porque el espectro consiste en ondas electromagnéticas con frecuencias más altas que las que los humanos identifican como el color violeta. La luz UV se encuentra en la luz solar (donde constituye alrededor del 10% de la energía en el vacío) y es emitida por arcos eléctricos y luces especializadas como las luces negras (Lumen, 2017).

▪

Luz visible.- Toda radiación electromagnética es luz, pero para el ser humano sólo es posible ver una pequeña porción de esta radiación, la misma que se llama luz visible. Las longitudes de onda visibles cubren un rango de aproximadamente 380 a 700 nm (Butcher, 2016). La longitud de onda visible más larga es roja y la más corta es violeta. Las longitudes de onda comunes de lo que se percibe como colores particulares de la porción visible del espectro se enumeran a posteriormente. Es importante tener en cuenta que esta es la única parte del espectro que se puede asociar con el concepto de colores (NRCAN, 2015). En términos de frecuencia, esto corresponde a una banda cercana a 400-790 THz. Un ojo adaptado a la luz generalmente tiene su máxima sensibilidad alrededor de 555 nm (540 THz), en la región verde del espectro óptico. Sin embargo, el espectro no contiene todos los colores que los ojos y el cerebro humano pueden distinguir. Los colores insaturados, como el rosa, o las variaciones púrpuras, como el magenta, están ausentes, por ejemplo, porque sólo se pueden hacer con una mezcla de múltiples longitudes de onda (Lumen, 2017).

21

▪

IR.- Las ondas infrarrojas, o luz infrarroja (IR), son parte del espectro electromagnético. La gente encuentra ondas infrarrojas todos los días; el ojo humano no puede verlas, pero los humanos pueden detectarlas como calor (Butcher, 2016). La IR es una radiación electromagnética con longitudes de onda más largas que las de la luz visible, que se extiende desde el borde rojo nominal del espectro visible a 0.74 µm hasta 1 mm. Este rango de longitudes de onda corresponde a un rango de frecuencia de aproximadamente 300 GHz a 400 THz, e incluye la mayor parte de la radiación térmica emitida por objetos cercanos a la temperatura ambiente. Las moléculas emiten o absorben la luz infrarroja cuando cambian sus movimientos de rotación-vibración (Lumen, 2017).

▪

Microondas.- Las microondas son una porción o "banda" que se encuentra en el extremo superior del espectro radioeléctrico, pero se distinguen comúnmente de las ondas de radio debido a las tecnologías utilizadas para acceder a ellas. Las diferentes longitudes de onda de las microondas (agrupadas en "sub-bandas") proporcionan información diferente a los científicos (NASA, 2010b). Las microondas de longitud media (banda C) penetran a través de las nubes, el polvo, el humo, la nieve y la lluvia para revelar la superficie de la Tierra. Las microondas de banda L, como las que utiliza un receptor del Sistema de Posicionamiento Global (GPS) en su auto, también pueden penetrar en la cubierta de los bosques para medir la humedad del suelo de las selvas tropicales. La mayoría de los satélites de comunicaciones utilizan las bandas C, X y Ku para enviar señales a una estación terrestre (Butcher, 2016). Las microondas tienen longitudes de onda que van desde un 1 m hasta 1 mm, o su equivalente con frecuencias entre 300 MHz (0.3 GHz) y 300 GHz (Lumen, 2017).

▪

Radio.- Las ondas de radio tienen las longitudes de onda más largas del espectro electromagnético. Van desde la longitud de un balón de fútbol hasta el tamaño del planeta Tierra. Heinrich Hertz demostró la existencia de las ondas de radio a finales de la década de 1880. Utilizó una separación de chispas unida a una bobina de inducción y una separación de chispas separada en una antena receptora. Cuando las ondas creadas por las chispas del transmisor de la bobina eran captadas por la antena receptora, las chispas también saltaban su espacio (NASA, 2010c). Hertz

22

demostró en sus experimentos que estas señales poseían todas las propiedades de las ondas electromagnéticas (Butcher, 2016). Tienen frecuencias de 300 GHz a tan sólo 3 kHz, y longitudes de onda correspondientes de 1 mm a 100 km. Como todas las demás ondas electromagnéticas, las ondas de radio viajan a la velocidad de la luz. Las ondas de radio que ocurren naturalmente son producidas por rayos u objetos astronómicos. Las ondas de radio generadas artificialmente se utilizan para la radiocomunicación fija y móvil, la radiodifusión, los radares y otros sistemas de navegación, los satélites de comunicaciones, las redes informáticas y otras innumerables aplicaciones (Lumen, 2017).

La luz que detecta el ser humano a través de los ojos, que en términos sencillos serían los "sensores remotos", es parte del espectro visible. Es importante reconocer cuán pequeña es la porción visible en relación con el resto del espectro; existe mucha radiación que es "invisible" para los ojos del humano, pero que puede ser detectada por otros instrumentos de teledetección y utilizada en su beneficio (NRCAN, 2015).

2.2.

Teledetección

Teledetección es el término en español que se refiere al remote sensing, que puede traducirse como “muestreo remoto”. En general, es la ciencia, técnica o, incluso arte de obtener información de la superficie terrestre a distancia, es decir, sin contacto directo.

Además, la teledetección también incluye el post-procesamiento de la información, incluyendo la corrección y la interpretación de los datos (Labrador, Évora y Arbelo, 2012).

La teledetección dispone de una serie de ventajas en comparación con otros sistemas convencionales de observación terrestre, como la fotografía aérea o la medición directa mediante estaciones o trabajos de campo. Las principales ventajas son las siguientes: (i) Visión global, (ii) obtención de información en regiones del espectro electromagnético no visibles para los ojos humanos, (iii) diferentes escalas espaciales (resoluciones), (iv) diferentes frecuencias temporales y (v) homogeneidad en la adquisición (Martínez y Martín, 2010).

Existen varios sistemas de la teledetección equipados con diferentes sensores. El sistema más utilizado para capturar imágenes multiespectrales de la superficie terrestre

23

actualmente son los satélites u otras plataformas aéreas (aviones, helicópteros o vehículos aéreos no tripulados). Estas plataformas están equipadas con sensores pasivos, es decir, que capturan el reflejo de la superficie en diferentes bandas espectrales. Esto permite la observación de la superficie terrestre en alta resolución espacial y temporal, por ejemplo, la cobertura vegetal (Labrador, Évora y Arbelo, 2012).

2.2.1. Tipos de satélites El tipo de órbita en que se encuentra un satélite depende de su propósito (ver Figura 2).

Figura 2. Tipo de Satélites en Órbita.

Fuente: López (2013).

Cuando la órbita de un satélite coincide con la rotación de la Tierra y su posición sobre ella permanece fija, se denomina órbita geoestacionaria o geosincrónica (Peña y Espíndola, 2012). Los satélites según su órbita pueden ser LEO, MEO, GEO, y HEO, como se describe a continuación: •

LEO (Low Earth Orbit).- Una órbita terrestre baja se encuentra normalmente a una altitud de menos de 1,000 km y podría ser tan baja como 160 km por encima de la Tierra. Los satélites en esta órbita circular viajan a una velocidad de alrededor de 7.8 km por segundo. A esta velocidad, un satélite tarda aproximadamente 90 minutos en dar la vuelta a la Tierra (ESA, 2017).

•

MEO (Medium Earth Orbit).- La mayoría de los satélites en órbita terrestre media rodean la Tierra aproximadamente 5,000 y 12,000 km sobre la Tierra en una órbita elíptica alrededor de los polos de la Tierra. Cualquier órbita que circule alrededor

24

de los polos se denomina “órbita polar” (InetDaemon, 2018). Las órbitas polares tienen la ventaja de cubrir una sección diferente de la superficie de la tierra mientras rodean la tierra. A medida que la tierra gira, los satélites en órbitas polares pueden cubrir toda la superficie de la tierra (López, 2013). Se necesitan menos satélites para crear cobertura para toda la Tierra, ya que estos satélites son más altos y tienen una huella más grande. Los satélites espías suelen utilizar órbitas terrestres y polares medias para cubrir la mayor parte posible de la superficie terrestre desde un solo satélite. El retraso de ida y vuelta es de unos 50 m (InetDaemon, 2018).

•

GEO (Geoestacionary Orbit).- Una órbita geoestacionaria, a menudo denominada órbita GEO, circunda la Tierra por encima del ecuador de Oeste a Este a una altura de 36,000 km. Al seguir la rotación de la Tierra, que dura 23 horas, 56 minutos y 4 segundos, los satélites en una órbita GEO parecen estar “estacionarios” sobre una posición fija. Su velocidad es de unos 3 km por segundo (ESA, 2017).

•

HEO (High Elliptical Orbit).- La órbita altamente elíptica es una órbita elíptica caracterizada por un perigeo de altitud relativamente baja y un apogeo de altitud extremadamente alta. Estas órbitas extremadamente alargadas pueden tener la ventaja de largos tiempos de permanencia en un punto del cielo durante la aproximación y el descenso del apogeo. La visibilidad cerca del apogeo puede exceder las doce horas de permanencia en el apogeo con una fase de perigeo mucho más corta y rápida (Razani, 2018). Los cuerpos que se mueven a través de la larga morada del apogeo pueden aparecer todavía en el cielo hasta el suelo cuando la órbita está en la inclinación correcta, donde la velocidad angular de la órbita en el plano ecuatorial coincide estrechamente con la rotación de la superficie debajo. Esto hace que estas órbitas elípticas sean útiles para los satélites de comunicaciones (Fortescue, Mottershead, Swinerd y Stark, 2003).

Sin embargo, estos sistemas son vulnerables respecto a condiciones atmosféricas y climáticas. Los satélites, por un lado, solo pueden detectar la superficie si no existe nubosidad, mientras que las otras plataformas son sensibles a condiciones climáticas extremas, durante las cuales no pueden operar (González-Jaramillo et al., 2018).

25

2.2.2. Los sensores remotos Los instrumentos de teledetección son principales de dos tipos: Activos y pasivos. Los sensores activos proporcionan su propia fuente de energía para iluminar los objetos que observan. Un sensor activo emite radiación en la dirección del objetivo a investigar. El sensor entonces detecta y mide la radiación que se refleja o retrodispersa desde el objetivo.

Los sensores pasivos, por otro lado, detectan la energía natural (radiación) que emite o refleja el objeto o escena que se está observando (NASA, 2019a). La luz solar reflejada es la fuente más común de radiación medida por sensores pasivos.

Los sensores activos operan en la porción de microondas del espectro electromagnético, lo que los hace capaces de penetrar en la atmósfera en la mayoría de las condiciones. De acuerdo con NASA (2019a), los principales sensores activos incluyen: •

Altímetro láser.- Un instrumento que utiliza un LIDAR para medir la altura de la plataforma (nave espacial o aeronave) por encima de la superficie. La altura de la plataforma con respecto a la superficie media de la Tierra se utiliza para determinar la topografía de la superficie subyacente.

•

LIDAR (Light Detection and Ranging).- Un sensor de detección y alcance de luz que utiliza un radar láser (amplificación de luz por emisión estimulada de radiación) para transmitir un pulso de luz y un receptor con detectores sensibles para medir la luz retrodispersada o reflejada. La distancia al objeto se determina registrando el tiempo entre los pulsos transmitidos y retrodispersados y utilizando la velocidad de la luz para calcular la distancia recorrida.

•

Radar.- Un sensor activo de detección de radio y alcance que proporciona su propia fuente de energía electromagnética. Un sensor de radar activo ya sea aerotransportado o espacial, emite radiación de microondas en una serie de pulsos desde una antena. Cuando la energía alcanza el objetivo, parte de la energía se refleja hacia el sensor. Esta radiación de microondas retrodispersada es detectada, medida y temporizada. El tiempo necesario para que la energía viaje hasta el objetivo y regrese al sensor determina la distancia o el alcance hasta el objetivo. Al registrar el alcance y la magnitud de la energía reflejada de todos los blancos a

26

medida que el sistema pasa, se puede producir una imagen bidimensional de la superficie.

•

Instrumento de rango.- Un dispositivo que mide la distancia entre el instrumento y un objeto de destino. Los radares y altímetros funcionan determinando el tiempo que tarda un pulso transmitido (microondas o luz) en reflejarse desde un blanco y regresar al instrumento. Las señales se transmiten de un instrumento a otro, determinándose la distancia entre ambos a partir de la diferencia entre la fase de la señal recibida y la fase de transmisión (referencia).

•

Difusor.- Un radar de microondas de alta frecuencia diseñado específicamente para medir la radiación retrodispersada. Sobre las superficies oceánicas, las mediciones de la radiación retrodispersada en la región espectral de microondas pueden utilizarse para obtener mapas de la velocidad y dirección del viento superficial.

•

Sonda.- Un instrumento que mide la distribución vertical de la precipitación y otras características atmosféricas como la temperatura, la humedad y la composición de las nubes.

Los sensores pasivos incluyen diferentes tipos de radiómetros y espectrómetros. La mayoría de los sistemas pasivos utilizados en aplicaciones de teledetección operan en las partes visibles, infrarrojas, infrarrojas térmicas e infrarrojas y de microondas del espectro electromagnético. Según NASA (2019a) los sensores remotos pasivos incluyen lo siguiente: •

Acelerómetro.- Un instrumento que mide la aceleración (cambio de velocidad por unidad de tiempo). Hay dos tipos generales de acelerómetros. Uno mide las aceleraciones de traslación (cambios en los movimientos lineales en una o más dimensiones), y el otro mide las aceleraciones angulares (cambios en la velocidad de rotación por unidad de tiempo).

•

Radiómetro hiperespectral.- Un sensor multiespectral avanzado que detecta cientos de bandas espectrales muy estrechas a través de las partes visible, infrarroja cercana e infrarroja media del espectro electromagnético. La muy alta resolución espectral de este sensor facilita la discriminación fina entre diferentes blancos basada en su respuesta espectral en cada una de las bandas estrechas.

27

•

Radiómetro de imágenes. - Un radiómetro que tiene la capacidad de escanear para proporcionar una matriz bidimensional de píxeles a partir de la cual se puede producir una imagen.

•

Radiómetro.- Un instrumento que mide cuantitativamente la intensidad de la radiación electromagnética en algunas bandas dentro del espectro. Por lo general, un radiómetro se identifica además por la parte del espectro que cubre; por ejemplo, visible, infrarrojo o de microondas.

•

Sonda.- Un instrumento que mide las distribuciones verticales de los parámetros atmosféricos como la temperatura, la presión y la composición a partir de información multiespectral.

•

Espectrómetro.- Un dispositivo diseñado para detectar, medir y analizar el contenido

espectral

de

la

radiación

electromagnética

incidente.

Los

espectrómetros de imágenes convencionales utilizan rejillas o prismas para dispersar la radiación para la discriminación espectral.

•

Espectrorradiómetro.- Un radiómetro que mide la intensidad de la radiación en múltiples bandas de longitud de onda (es decir, multiespectrales). Muchas veces las bandas son de alta resolución espectral, diseñadas para la teledetección de parámetros geofísicos específicos.

Gracias a estas aptitudes, la teledetección se convierte en una herramienta poderosa para obtener información sobre la superficie terrestre en alta resolución espacial y temporal, lo cual también es la fuente principal de los Sistemas de Información Geográfica (SIG).

Mediante la información remota y aplicando SIG se puede realizar análisis espacial, monitoreo y detección de cambios del uso actual del suelo, análisis de desastres naturales, monitoreo de la vegetación, calidad del aire, etc., lo que permite generar mapas o cartografía de carácter multipropósito que sirven a varias ramas de las ciencias para realizar sus estudios (Martínez y Martín, 2010).

En teledetección, la porción del EM de interés es la IR que cubre el rango de longitud de onda de aproximadamente 0.7 μm a 100 μm (más de 100 veces más ancho que la porción visible). La región infrarroja se puede dividir en dos categorías en función de sus propiedades de radiación: El IR reflejado y el IR emitido o térmico. La radiación en la región

28

IR reflejada se usa para fines de teledetección de forma muy similar a la radiación en la parte visible. El IR reflejado cubre longitudes de onda de aproximadamente 0.7 μm a 3.0 μm. La región IR térmica es bastante diferente de las partes IR visibles y reflejadas, ya que esta energía es esencialmente la radiación que se emite desde la superficie de la Tierra en forma de calor. El IR térmico cubre longitudes de onda de aproximadamente 3.0 μm a 100 μm (NRCAN, 2015).

2.3.

Programa Landsat

Desde 1972, la serie conjunta de satélites de observación de la Tierra de la NASA y el USGS es denominada como Landsat ha adquirido continuamente imágenes espaciales de la superficie terrestre. Estas imágenes han proporcionado, y proporcionan todavía, información espacial ininterrumpida y detallada, que ayuda a los gobiernos, industriales, y administradores civiles o militares a tomar decisiones respecto a la planificación territorial o de obras, los recursos naturales y el medio ambiente (USGS, 2019a).

Los satélites Landsat recolectaron la serie más larga y continua de datos de teledetección terrestre en resolución moderada (30 m x 30 m; 4 décadas), porque proporcionan un recurso único para aquellos que trabajan en agricultura, geología, silvicultura, planificación regional, cartografía o el cambio global, incluyendo desastres naturales (USGS, 2018a).

El primer satélite del conjunto se alcanzó el 23 de julio de 1972, dominado Satélite de Tecnología de los Recursos Terrestres (ERTS-1), que posteriormente se cambió a Landsat 1 (Figura 3).

29

Figura 3. Misiones de los Satélites de Landsat.

Fuente: USGS (2019a)

Después siguieron los lanzamientos de Landsat 2, Landsat 3 y Landsat 4 en los años 1975, 1978 y 1982, respectivamente (USGS, 2019a). Cuando Landsat 5 fue lanzado en 1984, nadie podía predecir que este satélite continuaría entregando datos globales de alta calidad de las superficies terrestres durante 28 años y 10 meses, estableciendo oficialmente un nuevo récord mundial Guinness para el satélite de observación de la Tierra que más tiempo lleva operando (Betz, 2013). Con el Landsat 6 se presentaron los primeros y hasta el momento los únicos problemas, porque no alcanzó la órbita en 1993. Sin embargo, en 1999 se lanzó con éxito el Landsat 7 y en 2013 el Landsat 8, los cuales siguen adquiriendo datos hasta el momento. El próximo satélite del conjunto, Landsat 9, está en desarrollo y su lanzamiento es previsto para diciembre de 2020 (USGS, 2019a).

2.4.

Landsat 7

Como se mencionó antes, el satélite Landsat 7 fue lanzado con éxito el 15 de abril de 1999.

El instrumento de observación de la Tierra en el Landsat 7 es el Enhanced Thematic Mapper Plus (ETM+), una versión avanzada de los instrumentos del Thematic Mapper en los Landsats 4 y 5 (NASA, 2019b).

El ETM+ incluye características adicionales que lo hacen más versátil y eficiente para estudios de cambio global, monitoreo y evaluación de la cubierta terrestre, como también para el mapeo de grandes áreas (Figura 4).

30

Figura 4. Comparación visual de las bandas espectrales del Programa Landsat.

Gráfico creado por L.Rocchio y J.Barsi. Fuente: USGS (2019a)

Las características avanzadas de Landsat 7, acorde a la NASA (2019b) y USGS (2019a), son: ▪

Una banda pancromática con una resolución espacial de 15 m.

▪

Calibración radiométrica absoluta al 5%.

▪

Un canal IR térmico con una resolución espacial de 60 m.

▪

Un registrador de datos a bordo.

▪

Ocho bandas espectrales, incluyendo una pancromática y otra térmica: -

Banda 1 Visible (0.45 – 0.52 µm) 30 m.

-

Banda 2 Visible (0.52 – 0.60 µm) 30 m.

-

Banda 3 Visible (0.63 – 0.69 µm) 30 m.

-

Banda 4 Infrarrojo cercano (0.77 – 0.90 µm) 30 m.

-

Banda 5 Infrarrojo cercano (1.55 – 1.75 µm) 30 m.

-

Banda 6 Térmica (10.40 – 12.50 µm) 60 m ganancia baja / ganancia alta.

-

Banda 7 Infrarrojo medio (2.08 – 2.35 µm) 30 m.

-

Banda 8 Pancromática (PAN) (0.52 – 0.90 µm) 15 m.

El incremento de las bandas espectrales del sensor ETM+ del satélite Landsat 7 se muestra en la Figura 4, según USGS (2019a) los valores de transmisión atmosférica se calcularon utilizando MODTRAN para una atmósfera nebulosa de latitud media estival (alrededor de 5 km de visibilidad).

31

Landsat 7 es "el instrumento de observación de la Tierra más estable y mejor caracterizado jamás puesto en órbita" (NASA, 2019b, ¶4), y debido a sus rigurosos estándares de calibración se ha convertido en la mejor opción de validación o calibración para muchos sensores de resolución gruesa (USGS, 2019a).

La excelente calidad de los datos, la coherencia del plan de archivo mundial y la libre disponibilidad de toda la información del Landsat 7 desde enero 2009 ha aumentado notablemente el uso de sus datos (NASA, 2019b). Según el USGS (2019b), Landsat emplea el datum del Sistema Geodésico Mundial (WGS).

En resumen, según la NASA (2019b), los cuatro principales beneficios de Landsat 7 son: 1. Continuidad de la Misión: Landsat 7 es el penúltimo satélite de esta serie de naves espaciales hechos para la teledetección terrestre, las cuales facilitan juntos imágenes multiespectrales de la superficie de la Tierra sobre un periodo de 40 años.

Esto permite el análisis y detección de cambios consistentes en la superficie terrestre.

2. Misión de la Encuesta Mundial: Los datos del Landsat 7 se adquieren sistemáticamente para construir y actualizar periódicamente un archivo global, facilitando imágenes iluminadas y libres de nubes. Aproximadamente una cuarta parte de la superficie de la Tierra es detectado y visualizada cada 16 días, lo cual permite la planificación territorial y el análisis de los cambios ambientales mediante la comparación de imágenes actuales con imágenes anteriores. Además, para evitar la visualización de áreas nubladas, el sistema utiliza predicciones de nubes preparado por la NOAA (National Oceanic and Atmospheric Administration), el servicio meteorológico de EE.UU. 3. Productos y datos asequibles: Inicialmente, los productos de datos Landsat 7 solo estaban disponibles en el Centro de Observación y Ciencia de los Recursos de la Tierra (EROS) del USGS, donde la adquisición de la información tenía un costo "Cost of Fulfilling User Requests" (COFUR), conocido como el precio COFUR. Esto supuso una importante reducción de los precios de las ventas de datos comerciales, lo que permitió un uso renovado de los datos del Landsat en las instituciones académicas para la investigación científica. COFUR estimuló el uso de imágenes

32

multiespectrales en una variedad de aplicaciones y promoviĂł nuevos usos de los datos del Landsat. Desde enero de 2009, todos los datos de Landsat en el archivo del USGS son gratuitas, por esto el uso de la informaciĂłn ha aumentado enormemente.

4. CalibraciĂłn absoluta: Los datos del sensor ETM+ del Landsat 7 sirven como estĂĄndar para la calibraciĂłn cruzada de otras misiones de teledetecciĂłn terrestre.

La NASA orbitĂł la nave espacial Terra (con el satĂŠlite multinacional EOS-AM1 lanzado en 1999) y el satĂŠlite de observaciĂłn EO-1 en formaciĂłn con Landsat 7 para aprovechar esta calibraciĂłn mejorada.

2.5.

Ă?ndice de VegetaciĂłn de Diferencia Normalizada (NDVI)

El NDVI es un indicador numĂŠrico que utiliza diferentes bandas del espectro electromagnĂŠtico para analizar el estado de la superficie terrestre de forma remota, especĂ­ficamente si existe vegetaciĂłn. En general, para determinar la cobertura de la superficie y el estado de la vegetaciĂłn se debe combinar las bandas espectrales del luz visible e infrarroja cercana, las cuales son absorbidas o reflejadas por la vegetaciĂłn. La ecuaciĂłn del NDVI se escribe como sigue (EcuaciĂłn 1; GonzĂĄlez-Jaramillo et al., 2016): đ?‘ľđ?‘°đ?‘šâˆ’đ?‘˝đ?‘°đ?‘ş

���� = ���+���

(1)

Donde: VIS es reflectancia en la banda roja y NIR la reflectancia en la banda del infrarrojo cercano.

Los valores de NDVI varĂ­an entre -1 a 1, en donde valores negativos representan superficies de agua, los valores alrededor de cero representan suelos desnudos y valores mayores a 0.6 vegetaciĂłn densa y sana.

En general, la luz incidente del Sol sobre los objetos esta absorbida o reflejada en ciertas longitudes de onda del espectro electromagnĂŠtico. Respecto a la vegetaciĂłn, los pigmentos en las hojas de las plantas contienen clorofila, la cual absorbe fuertemente la luz visible (de 0.4 a 0.7 Îźm) para realizar la fotosĂ­ntesis, mientras que la estructura celular de las hojas refleja fuertemente la luz roja e infrarroja cercana (de 0.7 a 1.1 Îźm). Debido a esto, estas longitudes de onda se ven alteradas por la vegetaciĂłn, porque un anĂĄlisis de la superficie y el estado de la vegetaciĂłn hace posible su investigaciĂłn (Earth Observatory, 2000).

33

Además, las reflectancias en las bandas espectrales roja e infrarroja cercana facilitan como una medida de la actividad fotosintética a escalas de paisaje (Tucker, 1979), que también puede ser utilizado para estimar la productividad de la vegetación (Myneni, Keeling, Tucker, Asrar y Nemani, 1997).

El NDVI fue utilizado por primera vez por Rouse, Haas, Schell y Deering (1973) en el Centro de Teledetección de Texas. No obstante, actualmente existen varias aplicaciones particularmente en estudios vegetativos, por ejemplo, para estimar los rendimientos de los cultivos y pastizales, como también para analizar las capacidades de carga de ellos. A menudo, el NDVI es relaciona con otros parámetros del suelo y de la vegetación para determinar el porcentaje de cobertura del suelo o del agua superficial, la actividad fotosintética o estado de la vegetación, y la cantidad de biomasa (Rouse et al., 1973).

2.6.

Dendrocronología

Los anillos de árboles o anillos de crecimiento han atraído la atención de los investigadores para detectar señales ambientales desde la antigüedad. Las primeras observaciones documentadas de alrededor del año 287 a.C. provienen de un botánico griego Theophrastus (1916). Sin embargo, los primeros estudios de datación cruzada fueron realizados por Kuechler (1859), mientras que los primeros aplicaciones para detectar patrones climáticos fueron realizados por Douglass (1919), casi un siglo más tarde. Estos estudios han creado una nueva herramienta científica para el estudio del paleoclima y de la datación (Pucha, 2016), denominada dendrocronología, del griego dendron = árbol, chronos = tiempo, y logos = conocimiento.

Un desafío importante en el campo de la dendrocronología son los árboles tropicales, que generalmente no forman anillos de crecimiento anuales debido a la falta de estacionalidad climática (Rozendaal y Zuidema, 2011). Sin embargo, durante las últimas décadas la dendrocronología tropical se ha desarrollado rápidamente por la identificación de un número considerable de especies con anillos de crecimiento anuales. Como Brienen y Zuidema (2005) indican, la formación de anillos en arboles de bosques tropicales se debe a la ocurrencia de cortos períodos secos o a la fenología de ciertas especies a foliar. En los bosques pantanosos la formación de anillos es provocada por el ciclo anual de inundaciones

34

(Callado, da Silva Neto, Scarano y Costa, 2001), mientras que en los bosques secos la marcada estacionalidad de las lluvias (Rodríguez et al., 2005).

La falta de una red integral de cronologías de anillos de árboles para bosques tropicales plantea un déficit para una mejor comprensión de estos ecosistemas y para los balances de carbono regionales y globales. Debido a esto, se necesita con urgencia cronologías actualizados que proporcionen información específica de las especies, incluyendo sus respuestas fisiológicas respecto al cambio climático regional y global para obtener una visión más amplia de los alteraciones y adaptaciones de los ecosistemas tropicales (Rozendaal y Zuidema, 2011). Esto es especialmente necesario para los bosques tropicales de Ecuador, porque sufren la tasa más alta de deforestación en Latinoamérica (-1.7% / año).

Lo que es principalmente causado por el crecimiento de la población y su necesidad económica porque grandes áreas de bosques primarios son convertidas en pastizales (Mosandl, Günter, Stimm y Weber, 2008; Ochoa-Cueva et al., 2016).

2.7.

Bosque en Ecuador

El ecosistema bosque se compone de elementos vivos e inertes. Entre los elementos inertes se cuentan las formaciones rocosas, el suelo, el relieve y el clima, que en su conjunto se consideran como un espacio vital (biotopo). En este espacio habitan diferentes organismos animales y vegetales, que indirecta o directamente, son dependientes entre sí (Pucha, 2014). Entre todos esos elementos orgánicos e inorgánicos del ecosistema, se encuentran relaciones dinámicas que se manifiestan en la circulación de la materia y en los flujos de energía (Kiss y Bräuning, 2008).

De acuerdo a Kiss y Bräuning (2008), en las regiones tropicales de la Tierra se extienden enormes bosques con una vegetación exuberante. En el ascenso desde las tierras bajas amazónicas hacia la Sierra Sur del Ecuador, aproximadamente a los 1000 msnm, se evidencia un cambio en la vegetación, los árboles disminuyen de tamaño, las hojas se hacen más pequeñas, las raíces de soporte desaparecen y aparece un vasto número de epifitas en las ramas. Se llega así a la zona del bosque húmedo de montaña.

35

2.7.1. Bosques montanos en Ecuador Los bosques montanos de Ecuador son ecosistemas con una biodiversidad extremadamente alta (Kiss y Bräuning 2008). Sin embargo, los procesos que dirigen la dinámica en estos ecosistemas son poco conocidos. Esto es particularmente valido para las dinámicas transitorias, que son cruciales para la protección y la gestión sostenible de estos bosques. Existen modelos que pueden simular estas dinámicas para analizar el crecimiento de los bosques, pero hasta la fecha solo fueron aplicados en bosques templados y en algunos bosques tropicales de tierras bajas (Dislich, Günter, Homeier, Schröder y Huth, 2009).

2.7.2. Bosque seco en Ecuador La región del bosque seco ecuatoriano es una zona de gran importancia biológica debido a la cantidad de especies y sus altos niveles de endemismo. Sin embargo, debido al impacto antropogénico en esta región, los bosques secos fueron incorporados en la lista de máxima prioridad para la conservación regional (Riofrío, 2018).

La región del bosque seco ecuatoriano se extiende a lo largo de la costa del Pacífico, es decir, desde la provincia de Esmeraldas (Norte del Ecuador) hasta la frontera con Perú en él Sur (provincias El Oro y Loja). El ecosistema no es una franja continua, y muestra variaciones a lo largo de la costa ecuatoriana debido a la topografía y el clima local.

Generalmente, se encuentra este tipo de bosque en tierras bajas hasta 300 msnm, aunque algunas partes alcanzan elevaciones por encima de 800 m (Fund, 2014). Además, el tipo de bosque seco ecuatoriano es aislado de ecosistema similares en el Caribe y Brasil, especialmente la parte Sur, debido a la influencia y el intercambio de flora y fauna con los ecosistemas desérticos del Norte de Perú. Por esa razón, el bosque seco de esta zona muestra un alto nivel de endemismo (Riofrío, 2018).

2.7.3. Especie Bursera graveolens Bursera graveolens, también conocido como Palo Santo (Carrión-Paladines, Fries, GómezMuñoz y García-Ruiz, 2016), es una especie común en los ecosistemas xerofíticos o secos.

Esta especie ha adaptado mecanismos fenológicos para sobrevivir bajo las condiciones

36

climáticas extremas en el bosque seco, es decir, las altas temperaturas y la escasez periódicamente de agua. Debido a esto, la intensidad y duración de los eventos fenológicos varía según las condiciones climáticas de la zona (Puescas, 2013). Generalmente, esta especie necesita una señal de precipitación fuerte y confiable para iniciar el crecimiento, lo cual es en promedio alrededor de 2.88 ± 2.36 mm/año (Pucha, 2016).

Los árboles de Bursera graveolens pueden medir entre 4 y 10 m de altura y viven hasta 50 años. La madera y los frutos del Palo Santo tienen un aroma agradable e intenso, debido a un aceite esencial, que es utilizado frecuentemente en la industria de los perfumes (Johnny, 2017; Carrión-Paladines et al., 2016).

Los anillos de crecimiento son fácilmente distinguibles, consistiendo en una o dos filas de fibras comprimidas radialmente. La porosidad es difusa, el parénquima axial paratraqueal es escaso, con cordones uniseriados de tres a siete células. Sus fibras son septadas de paredes delgadas con punteaduras simples y la albura presenta gran cantidad de granos de almidón (Durán-Guerra, Quintanar-Isaías, Villanueva-Díaz, Jaramillo-Pérez y CeranoParedes, 2014).

2.7.4. Especie Cedrela montana Cedrela montana es un árbol caducifolio del bosque montano, que crece en alturas entre 1500 a 3500 msnm y alcanza tamaños entre 14 y 20 m. Las hojas son compuestas de 18 a 23 foliolos y las flores se forman en racimos terminales colgantes. El fruto es una capsula dehiscente, con semillas pequeñas aladas. Su madera tiene un alto valor comercial en el mercado. El crecimiento diamétrico promedio anual es de aproximadamente 4.82 ± 3.14 mm/año (Pucha, 2016).

La corteza, xilema, y médula tienen una médula de forma irregular con presencia de células uniformes. La xilema es igual a la madera del tronco, con poros semi-circulares al margen de anillos decrecimiento. La corteza con floema, corcho, y epidermis fácilmente identificables. Los anillos de crecimiento son visibles. Poros de forma semicircular, solitarios, y agrupados. Poros con disposición paralela a los anillos de crecimiento.

Parénquima marginal en bandas, y parénquima axial escaso paratraqueal (Armijos, Quezada, Veintimilla y Pucha, 2017).

37

3. Metodología 3.1.

Área de estudio

La investigación se desarrolló en la depresión andina de la cordillera occidental, valles interandinos, y la cordillera oriental en el Sur de Ecuador. Este estudio se llevó a cabo en dos ecosistemas forestales diferentes, un bosque seco y húmedo a 100 km de distancia aproximadamente (Figura 5).

Figura 5. Mapa de los sitios del estudio: Reserva Natural Laipuna en el bosque seco y la Reserva Biológica San Francisco (RBSF) en el bosque húmedo.

El primer ecosistema es la Reserva Natural de Laipuna (4°22' S, 79°90' W; 1.600 ha), ubicada en la Reserva de Biosfera "Bosque Seco" declarado por la Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura (UNESCO), en el cañón del río Catamayo, al Sur del Ecuador (Figura 6).

38

Figura 6. Bosque seco de la Reserva Natural Laipuna. Ubicado en la parte occidental del Sur del Ecuador.

El área cubre un gradiente altitudinal de 590 a 1,480 m sobre el nivel del mar, y está situado entre la costa del Pacífico y las faldas bajas occidentales de la cordillera de los Andes (Pucha, 2016). Este ecosistema está clasificado como bosque seco premontano (MAE, 2013) y se caracteriza por diferentes tipos de clima a lo largo de gradientes altitudinales. En las partes bajas de la cordillera occidental se presenta una marcada época lluviosa desde enero a mayo, y una época seca desde junio a diciembre (Peters y Richter, 2012). El estado de la vegetación es variable de acuerdo a la época seca (Apéndice 3 ver imagen del 2000.10.31) o época lluviosa (Apéndice 3 ver imagen del 2002.04.12).

El segundo ecosistema es el bosque húmedo Reserva Biológica San Francisco (RBSF) (3°58' S, 79°04' W) en el valle del río San Francisco (ver Figura 7).

39

Figura 7. Bosque lluvioso de la Reserva Biológica San Francisco (RBSF).

El área cubre un gradiente altitudinal de 1,800 a 3,160 m sobre el nivel del mar, y se encuentra ubicado en la ladera oriental de la Cordillera Real bordeando con el Parque Nacional Podocarpus (Pucha, 2016). Este ecosistema está clasificado como bosque lluvioso de montaña siempre verde, pero también incluye especies arbóreas de hoja ancha (Sierra, 1999).

3.2.

Flujograma de la metodología

El flujograma de la Figura 8 muestra secuencialmente el proceso de la presente investigación. La primera fase consiste en la obtención de las imágenes Landsat 7, y los valores anuales de los anillos de crecimiento en los años 2000 a 2010. En una segunda fase, se realizó el post-procesamiento de las imágenes satelitales para determinar los valores del NDVI. La selección de imágenes sin nubes, o remoción de las partes afectadas por la nubosidad, fue necesaria para disminuir cálculos con pixeles que pueden distorsionar los valores reales de reflectancia de la vegetación. Posteriormente, se determinó el coeficiente de determinación R2 entre el NDVI e IDAC para cada ecosistema.

40

Figura 8. Flujograma de la metodología empleada.

3.3.

Procesamiento de los datos para la obtención del NDVI

Las imágenes satelitales Landsat 7 se obtuvo desde el portal del USGS y se consideró el periodo desde el año 2000 a 2010. En los criterios de selección se consideró las escenas tomadas durante el día y de preferencia con nubosidad inferior al 20% porque permiten contar con superficies libres de ruido en la atmosfera causado por las nubes y obtener resultados más fiables (Bhuyan et al., 2017).

Antes de iniciar con la investigación, se evaluó la calidad de las imágenes. Mediante observación directa, se descartó las imágenes con presencia de nubes (en los casos que fue posible).

41

La presencia de nubes (ya sean ópticamente gruesas y densas o delgadas y tenues nubes de cirros) son delicadas y afectan los valores de NDVI en todas las imágenes ópticas (Bhuyan et al., 2017).

La banda de Cirrus (Banda 9) en Landsat 8 permite detectar nubes delgadas y de gran altitud que a veces ni siquiera se ven en las bandas visibles. Pero los sensores Landsat 7 no tienen esta banda, por ello no se pudo aplicar correcciones por medio de la banda de Cirrus.

Cabe señalar que en la RBSF, por sus propias condiciones climáticas, la presencia de nubes generó conflicto al seleccionar las imágenes para determinar el NDVI.

3.3.1. Eliminación de áreas con nubes El hecho de enmascarar las nubes del Landsat 7 mientras se realiza el análisis NDVI depende realmente de la aplicación de investigación: Si se está realizando un análisis cualitativo y se necesita sólo con fines de visualización o si se desea realizar una investigación cuantitativa detallada. Como el objetivo fue el último, se realizó el enmascaramiento de las nubes antes de seguir adelante.

Si bien el USGS proporciona una banda de control de calidad de píxeles con cada escena de Landsat 7, que se puede utilizar para identificar los píxeles que están contaminados por la nube (entre otros) y posteriormente enmascararlos, no se la usó debido a la falta de coincidencia en algunas zonas escasa nubosidad.

Para la eliminación de las áreas que contienen nubes como se muestra en la Figura 9a, a través de una clasificación supervisada se estableció categorías como: Agua, Nubes, y Bosque (Figura 9b).

Posteriormente, se reclasificó los valores: Agua = 1, Nubes = NoData, Bosque = 1. A la categoría de nubes se le asignó NoData (sin valores), en tanto que a las categorías Agua y Bosque se asignó la unidad (Figura 9c). Este proceso se realizó con la finalidad dejar sin datos las áreas que contienen nubes, de esta forma en la algebra de mapas, a multiplicar cada banda por el ráster reclasificado, las superficies que contengan nubes se eliminan, y las superficies que contienen bosque o agua no se ven alteradas.

42

Figura 9. Eliminación de superficies con nubes. Escena Landsat 7 Laipuna.

Se consideró que las nubes influyen en cualquier índice de valores, ya que se dispersan y reflejan diferentes longitudes de onda de la radiación solar de diversas maneras. El carácter de estos cambios depende del tipo de nube y de la densidad (Bhuyan et al., 2017). Además, las nubes producen heterogeneidad en la atmósfera circundante. Por lo tanto, el impacto de la cobertura nubosa en los valores del índice (simplemente en ciertos valores de píxeles en cada banda) es mayormente impredecible. Así, los algoritmos de enmascaramiento de nubes automáticos desarrollados excluyen siempre de la cuenta los territorios cercanos a las nubes junto con sus sombras.

Las imágenes con las nubes transparentes pueden ser a veces aplicables sólo para detectar los límites (no un análisis cuantitativo) de algunos objetos como, por ejemplo, cuerpos de agua. Aunque incluso en ese caso la aplicación de imágenes nubladas es muy restringida, y se deben utilizar algoritmos especiales ajustados localmente.

3.3.2. Corrección Scan Line Corrector (SLC) A partir de mayo de 2003, el Scan Line Corrector (SLC), que compensa el movimiento de avance del Landsat 7, falló (USGS, 2018a). Los esfuerzos subsecuentes para recuperar el SLC no tuvieron éxito, y el fracaso parece ser permanente. Como resultado, el área de la

43

imagen se duplica, con un ancho que aumenta hacia el borde de la escena (USGS, 2018a), esto generó problemas de bandeo.

Para corregir el bandeo en las imágenes Landsat 7 o “efecto gaps”, si bien el USGS proporciona herramientas de rectificación, para el caso de la presente investigación no se realiza rellenos de información por métodos de interpolación, más bien se precedió por medio de una calculadora de algebras a establecer valores NoData con la finalidad que no se vean afectados los resultados por las líneas negras que tienen un valor de cero (ver Figura 10 izquierda: Imagen con líneas negras por el bandeo; derecha: Se cambia los valores de las líneas negra por NoData).

Figura 10. Bandeo en Landsat 7. Escena RBSF del 07.05.2005

3.4.

Datos de los anillos de crecimiento de los árboles

La obtención de registros históricos del crecimiento en especies forestales se ve muy limitado por la falta de parcelas permanentes, o estudios que hayan hecho monitoreos anuales durante las últimas décadas en estas regiones. Por ello, el método más preciso y aceptado para obtener estos valores son las mediciones de los anillos de crecimiento con métodos dendrocronológicos (Gutiérrez-Merino, 2009).

Los datos de los anillos de crecimiento de los árboles fueron obtenidos de la investigación desarrollada por Pucha (2016). Se excluyeron los sitios de anillos de árboles en píxeles de teledetección que cubrían áreas desnudas, y cuerpos de agua permanente.

44

Para facilitar el análisis de un estudio dendrocronológico, se buscó especies que tengan buena visibilidad entre los anillos de crecimiento, en general la diferenciación de las zonas de incremento anual queda definida por la época lluviosa y seca. Las especies como Cedrela montana y Bursera graveolens tienen bien definidos los anillos de crecimiento, motivo por el cual fueron previamente seleccionadas para esta investigación (Pucha, 2016).

La extracción de muestras de madera se realizó con un barreno de Presley, el mismo que se colocó a la altura del pecho (1.37 m), y posteriormente se giró el barreno en sentido horario hasta alcanzar la profundidad deseada. Para extraer la muestra, se giró el barreno en sentido antihorario. Posteriormente, se realizó las mediciones del incremento de cada anillo de crecimiento.

En total, se utilizaron 11 árboles para el análisis. Tres árboles se analizaron en Laipuna y ocho en la RBSF. A cada serie de anillos de árbol se le aplicó un Detrending a través de una curva Spline para remover el ruido como efecto de la edad y así estandarizar los datos preservando al mismo tiempo la variabilidad interanual (Cook y Kairiukstis, 1990).

3.5.

Cálculo del NDVI

En general, se buscó resolver si las métricas de NDVI pueden ayudar a refinar o mejorar la relación existente entre el ancho de los anillos e índices de vegetación y si dichas métricas pueden ser usadas para explicar el ancho de los anillos (Bhuyan et al., 2017). De ser así, esos conocimientos podrían ser útiles para apoyar las prácticas de ordenación forestal.

Las series de tiempo anuales de NDVI permiten la extracción de eventos fenológicos clave como el inicio y final de la temporada de crecimiento, así como de las diferentes métricas de NDVI (Bhuyan et al., 2017). Sin embargo, antes de esto, la serie de tiempo NDVI tuvo que ser pre-procesada para tratar perturbaciones debidas a interferencias atmosféricas, geométricas y ruido.

Se eliminaron las observaciones individuales de NDVI que se marcaron en la capa de confiabilidad de píxeles correspondiente como faltantes o afectadas por las nubes. Solo aquellos marcados como buenos fueron retenidos en la serie temporal del NDVI que, a pesar de contener vacíos, constituía datos confiables y no contaminados; los huecos se

45

interpolaron linealmente (Bhuyan et al., 2017), asegurando así la calidad y consistencia de los datos.

El algoritmo NDVI resta los valores de reflectancia roja del infrarrojo cercano y lo divide por la suma de las bandas rojas y cercanas al infrarrojo (ver Figura 11).

Figura 11. Aplicación de la ecuación para obtener valores del NDVI. Imagen Landsat 7 correspondiente al 03.11.2001.

La ecuación del NDVI se expresa de la siguiente manera: NDVI = (IR Cercano - Rojo) / (IR Cercano + Rojo) Esta ecuación permite hacer frente al hecho de que dos parches idénticos de vegetación podrían tener valores diferentes si uno fuera, por ejemplo, bajo un Sol radiante y otro bajo un cielo nublado. Los píxeles brillantes tendrían valores más grandes, y, por lo tanto, una diferencia absoluta más grande entre las bandas. Esto se evita dividiendo por la suma de las reflectancias.

En el caso de las imágenes Landsat 7, el IR cercano corresponde a la Banda 4, y el Rojo a la Banda 3 (USGS, 2018a).

46

Para extraer la estacionalidad de la serie temporal NDVI, las series se filtraron usando un filtro gaussiano (Haddad y Akansu, 1991) para eliminar el ruido. Después de eliminar tales valores atípicos, los datos del NDVI se alisaron de nuevo utilizando el filtro gaussiano ponderado y luego se interpolaron linealmente a valores diarios (Bhuyan et al., 2017).

Los valores promedios del NDVI se generalizaron para el área de estudio, debido a que las imágenes Landsat 7 tienen una resolución de 30 m, en esa resolución se complica conocer las especies incluidas en cada píxel.

En sectores donde ésta presente el bandeo de las imágenes Landsat 7, se tomó solamente la superficie que contenía información, así mismo en lugares donde las nubes impedían el cálculo del NDVI solamente se consideró las áreas disponibles.

3.6.

Análisis estadístico

Se compararon series temporales del ancho de los anillos de crecimiento de dos sitios forestales con imágenes satelitales Landsat 7 a una resolución espacial de 30 m. Una vez procesados los datos de precipitación (NDVI e IDAC), se realizó un análisis estadístico con el fin de evaluar la existencia de relación entre las variables, los cálculos y gráficos se los realizó usando el paquete estadístico R. En las mediciones fenológicas del NDVI derivadas de ambos sitios diferentes de observación, se suavizó los datos en el período de análisis de 2000 a 2010 con el fin de tener una comparación equitativa utilizando el mismo lapso de tiempo para ambos modelos. De esta forma, se tuvo un modelo similar para Laipuna y la RBSF. Para evaluar las relaciones entre el crecimiento del árbol y el NDVI, se calcularon las correlaciones de determinación R2 entre el IDAC y NDVI en los dos sitios de estudio para diferentes escalas de tiempo de integración de NDVI, con la finalidad de determinar si el grado de asociación es positivo o negativo. En general, si el R² es igual o superior a 0.70 la correlación entre las NDVI e IDAC es altamente significativa (Bhuyan, Zang, Vicente-Serrano y Menzel, 2017). De ser así, esta herramienta es apta como indicador biológico en áreas remotas donde un monitoreo continuo es complicado para realizar, debido a la dificultad

47

del acceso y los elevados costos que implica una investigación en campo (GonzálezJaramillo et al., 2018).

La idea central fue que el modelo trace de cerca valores reales ajustando la sobrevaloración de los datos. Se utilizó R2 porque es más eficaz al evaluar la calidad del ajuste de un modelo de correlación, dado que en un valor cuadrado no se expresa valores negativos, solo se muestra valores porcentuales (Fletcher, 2009). Por ejemplo, un valor de 0.70 en R2 significa que el 70% de la varianza en la variable dependiente se explica por las variables independientes En cambio, los coeficientes de correlación como Pearson, Kendall, y Spearman se limitan a medir la fuerza de asociación entre dos variables (StatisticsSolutions, 2019).

La latitud y longitud de cada uno de los sitios de anillos de árbol se utilizaron para seleccionar los píxeles correspondientes de los conjuntos de datos Landsat en cada serie temporal anual del NDVI, luego se los extrapoló al área de estudio. Tanto en Laipuna como en la RBSF se tomó en cuenta la disponibilidad de las áreas de influencia que contenía información de los índices de vegetación. Cabe señalar que las imágenes satelitales en el rango que va de 2004 a 2008 se vieron afectadas por el bandeo afectando los valores del análisis estadístico.

Para establecer relaciones cuantitativas entre el IDAC, y las métricas fenológicas derivadas de las series temporales de NDVI, se realizó un análisis estadístico paramétrico como un método de regresión multivariante no paramétrico. El análisis de anillos de crecimiento e índices de vegetación requirieron ajustarse en conjuntos (Breiman, 2001), para influir en las áreas de influencia de los árboles en Laipuna y RBSF. La proporción de varianza explicada en el resultado de los datos y el error cuadrado cuadrático medio estandarizado (RMSE) se usaron para validar la asociación entre IDAC y NDVI, incluyendo el p-value, como métricas de comprobación de la probabilidad de la hipótesis nula.

El RMSE se usó como una medida robusta definida para valorar las predicciones como resultado de la variable que se permuta. Los valores más altos indican una variable que es más importante.

48

4. Resultados y Discusión En base al trabajo realizado y descrito en los capítulos anteriores, los resultados de la presente investigación se describen a continuación para cada ecosistema forestal.

4.1.

Bosque seco

Los datos de la Tabla 1 son los valores anuales del NDVI de 2000 a 2010 (época lluviosa de enero a junio, y valores anuales), IDAC, e información de la precipitación para la misma serie temporal que se usaron para determinar la correlación entre el NDVI e IDAC, y su respectivo análisis.

Tabla 1. Datos anuales de IDAC, NDVI, y Precipitación en Laipuna

Año IDAC (cm) NDVI (ene-jun) NDVI Anual Precipitación (mm) 2000 2.58 0.53 0.42 1,281.4 2001 2.34 0.54 0.31 1,278.3 2002 3.12 0.89 0.20 1,337.2 2003 2.05 0.55 0.27 687.15 2004 1.39 0.41 0.26 628.2 2005 2.95 0.58 0.20 817.25 2006 2.61 0.65 0.28 1,185.5 2007 1.85 0.52 0.21 786.3 2008 1.56 0.51 0.36 1,115.3 2009 1.72 0.51 0.53 1,184.6 2010 1.15 0.38 0.31 811.8

Durante toda la serie de datos, el IDAC registró un promedio de 2.12 cm, el valor mínimo es de 1.15 cm en 2010 y el valor máximo de 3.12 cm en 2002. Cabe señalar que el periodo de enero a junio generalmente corresponde a la época lluviosa en Laipuna (Pucha-Cofrep, Peters y Bräuning, 2015), por ello el NDVI (ene-jun) varia significativamente respecto al NDVI (anual). Mientras el promedio de toda la serie temporal del NDVI (ene-jun) es de 0.55, para el NDVI anual es 0.30; el valor mínimo del NDVI (ene-jun) corresponde a 0.38 en 2010, el NDVI (anual) registra 0.20 en 2002 y 2005; y el valor máximo del NDVI (ene-jun) es de 0.89 en 2002, el NDVI (anual) es de 0.53 en 2009.

En este contexto, si se toma como ejemplo el NDVI (ene-jun) con 0.89 en 2002 que corresponde a la época lluviosa, se observa que su NDVI (anual) es de 0.20. Entonces si se

49

compara el IDAC con el NDVI (anual) la correlación no sería significativa, dado que en la época seca la vegetación en Laipuna pierde la mayor cantidad de sus hojas (Butz, Hölscher, Cueva y Graefe, 2018 ) y los valores del NDVI (anual) distorsionarían la realidad por los cambios extremos que sufre la vegetación acorde a la temporada (Figura 12).

Figura 12. Extracción de datos NDVI a partir de imágenes satelitales Landsat 7 en ambos ecosistemas.

Superior Laipuna, Inferior RBSF.

En la época seca con la ausencia de hojas y por lo tanto sin actividad fotosintética es poco probable que los valores de NDVI sean positivos, pero en la época lluviosa con la vegetación frondosa la clorofila se refleja con mayor facilidad y como resultado se obtiene valores altos en el NDVI. Esto justifica la razón porque se tomó el NDVI (ene-jun) para hacer la correlación y no el NDVI anual en Laipuna (Vicente-Serrano et al., 2016b).

En cuanto a la precipitación, el promedio de toda la serie es de 1010.27 mm (2000 -2010), el valor mínimo 628.20 mm en 2004, y el valor máximo 1,337.20 mm en 2002. Aquí es importante señalar que en 2001 y 2002 se registró un evento del fenómeno de El Niño (Rodríguez et al., 2005), por ello los valores de precipitación son altos respecto al resto del periodo de estudio.

La Figura 13 compara las series temporales entre el NDVI e IDAC en el periodo correspondiente a los años 2000 a 2010 (en color naranja el NDVI y en azul el IDAC

50

muestran el comportamiento de una variable frente a otra). Se puede observar con facilidad que cuando el NDVI incrementa o disminuye, también lo hace el IDAC.

Figura 13. NDVI vs IDAC en el bosque seco (Laipuna).

Es decir, cuando existe mayor producción de follaje en la vegetación (equivalente a valores altos del NDVI), los árboles, en particular Bursera graveolens, experimentan un mayor crecimiento secundario (incremento diamétrico). Pero también sucede lo contrario, si la vegetación disminuye la producción de hojas (a causa de las bajas precipitaciones), el incremento diamétrico en los troncos de los árboles también se ve afectado con la disminución en el crecimiento. Nótese los años 2002 y 2004 donde se visualizan con mayor facilidad los altibajos de la serie. Las curvas polinómicas muestran un mejor ajuste y suavizado de la información, donde claramente se observa dependencia entre ambas variables El gráfico de dispersión de los valores del NDVI e IDAC en la Figura 14 (la línea de tendencia se muestra en color rojo, los valores individuales en puntos abiertos, y el área de color gris muestra el intervalo de confianza al 95%) permite identificar que su correlación es moderada de acuerdo a Moore, Notz y Flinger (2013), alcanzando un valor de 0.6822 en el coeficiente de determinación R2 (r=0.83), lo que indica que la dependencia entre estas dos variables es consistente o que una está estadísticamente relacionada la una de la otra.

51

Figura 14. Coeficiente de determinación R2 entre el NDVI e IDAC en Laipuna.

También se observa una corta distancia entre los valores individuales y la línea de tendencia (en rojo). Entonces si el NDVI incrementa, también lo hace el IDAC sobre todo en años de precipitaciones más intensas. La relación entre estas series de datos muestra un p-value de 0.001 y un RMSE de 1.649, confirmando que existe consistencia entre las variables analizadas.

Al visualizar los valores de NDVI, IDAC, y precipitación en una gráfica de series temporales, se observa también esta estrecha relación existente entre la disponibilidad de agua y el desarrollo de la vegetación tanto en el follaje como en crecimiento secundario Figura 15.

52

Figura 15. Relación entre series temporales de NDVI, IDAC y Precipitación en Laipuna.

Nótese que el IDAC marca una tendencia similar con el NDVI, pero no muestra un comportamiento similar con las precipitaciones, en base a las investigaciones de VicenteSerrano et al. (2016b) se puede presumir debido a que el mayor crecimiento de la vegetación ocurre en las épocas lluviosas (enero - junio) y en la época seca la vegetación pierde sus hojas para evitar la transpiración, ahorrar recursos energéticos y resistir el estrés hídrico por la ausencia de precipitaciones.

También se evidencia claramente que en el año 2002 Bursera graveolens experimentó el mayor crecimiento diamétrico (3.12 cm), el cuál concuerda con el máximo registro del NDVI de 0.89 (Tabla 1), lo cual coincide con la presencia del fenómeno de El Niño en los años 2001 y 2002 (Vicente-Serrano et al., 2016a) que incrementó los valores de precipitación a 1,337.2 mm. Otro caso particular se evidencia en 2005 donde un alto crecimiento diamétrico que se sitúa en 2.95 cm y el NDVI en 0.58. Sin embargo, el valor de precipitación de 825.17 mm es inferior si se compara con las precipitaciones de los años donde el IDAC registra los valores más altos. Aquí se puede presumir que la precipitación no fue el principal recurso que influyó en el crecimiento de la vegetación en estos años.

Las moderadas correlaciones del NDVI se dan durante el periodo enero a junio con el IDAC de Bursera graveolens, y no durante el periodo de máximas precipitaciones que ocurren desde febrero a abril. Esto ocurre porque la vegetación de este ecosistema está en su

53

mayor verdor meses después de las máximas precipitaciones mensuales (Pucha-Cofrep, Peters y Bräuning, 2015).

Se debe tomar en cuenta que el NDVI es calculado en base a toda la vegetación del ecosistema, y no es específico para cada especie vegetal. Sin embargo, Bursera graveolens es una especie que forma claros anillos de crecimiento anuales y su follaje es representativo para extrapolar a toda el área de estudio. Si bien es cierto se pudo incluir otras especies arboreas para validar la investigación, el problema se da porque no todas las especies forestales marcan anillos de crecimiento bien definidos como respuesta a la época seca y lluviosa, y el trabajo de laboratorio para la identificación de anillos en especies tropicales demanda de mucho tiempo.

4.2.

Bosque lluvioso

Los datos anuales del NDVI de los años 2000 a 2010, IDAC, y registros de la precipitación para la misma serie temporal se muestran en la Tabla 2. Esta información es el resultado del presente trabajo investigativo en el bosque lluvioso denominado RBSF. Tabla 2. Datos de IDAC, NDVI, y Precipitación en RBSF

Año IDAC (cm) NDVI Anual Precipitación (mm) 2000 0.98 0.48 1,987.40 2001 1.32 0.65 2,020.80 2002 0.88 0.57 1,959.40 2003 0.74 0.48 953.20 2004 1.11 0.72 1,632.80 2005 1.47 0.63 1,852.60 2006 0.75 0.46 1,062.60 2007 0.84 0.54 1,751.40 2008 1.01 0.44 1,768.30 2009 1.03 0.62 1,121.80 2010 1.04 0.63 1,404.70 En el bosque lluvioso de la RBSF se torna complejo definir claramente la estación seca y lluviosa dada una alta variabilidad en las precipitaciones mensuales sin mostrar una estación bien definida (Beck, Bendix, Kottke, Makeschin y Mosandl, 2008). El promedio del IDAC es de 1.02 cm, el valor mínimo es de 0.74 cm en 2003, y su valor máximo corresponde a 1.47 en 2005. Referente a los valores del NDVI, el promedio es de 0.57, el valor mínimo 0.44 en 2008, y el valor máximo de 0.72 en 2004. Se puede evidenciar con facilidad en los

54

años 2001, 2008, 2009, y 2010 que los valores del IDAC son los más altos dentro de esta serie temporal. Mientras que el NDVI en 2001, 2004, 2005, y 2010 registra los valores más altos. En cuanto a la precipitación, el promedio de la serie temporal es de 1,592.27 mm, con un valor mínimo de 953.20 mm en 2003, y su valor máximo es de 2,020.80 mm registrado en 2001. También es necesario recalcar que los años 2001 y 2002 estuvieron afectados por el fenómeno de El Niño (Vicente-Serrano et al., 2016a).

En un análisis cronológico, el NDVI e IDAC exponen un comportamiento similar entre series temporales, manteniendo la misma tendencia hasta el final (ver Figura 16).

Figura 16. NDVI vs. IDAC en RBSF.

Aunque se puede observar un comportamiento más similar al inicio entre los años 2000 al 2001, y a partir de ahí se observa una diferencia mayor entre los picos del IDAC y los de NDVI. Nótese un desfase de un año entre los picos mayores tanto para el NDVI e IDAC en el 2004 y 2005. Así mismo, el comportamiento de las curvas polinómicas entre 2000 y 2005 es diferente en comparación al periodo de 2006 a 2010, donde se puede observar que la tendencia es similar.

El coeficiente de determinación R2 entre el NDVI e IDAC arroja un valor de 0.4111 (r=0.64) (Figura 17, la línea de tendencia se muestra en color rojo, los valores individuales en puntos abiertos, y el área de color gris muestra el intervalo de confianza al 95%), que se considera débil según Moore, Notz y Flinger (2013).

55

Figura 17. Coeficiente de determinación R2 entre el incremento diamétrico y NDVI en RBSF.

Esto indica que existe baja dependencia entre estas dos variables. También se puede observar que los puntos en la gráfica de dispersión no se mantienen cercanos a la línea de tendencia. A pesar de que la correlación no es moderada como en Laipuna (R2 = 0.68, donde la precipitación es determinante en el crecimiento diamétrico), se puede asumir de cierta forma que tanto el IDAC como el NDVI tienen cierto grado de asociación. Cabe señalar que en la RBSF el estrés que experimenta la vegetación por disponibilidad de agua no sería la principal causa del crecimiento en la vegetación (Cabrera et al., 2019). Por ello la relación entre precipitaciones y crecimiento es más débil.

En la Tabla 3 se indica que las series de datos tienen un p-value de 0.013 y el RMSE de 0.484. Esto señala que existen consistencia en los valores de las variables analizadas, pero en menor nivel comparado con los ecosistemas de bosque seco.

Tabla 3. Coeficiente de determinación R2 entre el NDVI e IDAC, p-value y RSME.

Sitio Laipuna RBSF

R2 0.6822 0.4111

p-value 0.001 0.013

RMSE 1.649 0.484

Como se puede observar en la Figura 18, el NDVI, IDAC, y precipitación presentan de manera general un comportamiento similar, en cambio la precipitación no experimenta un comportamiento similar que lo vincule directamente con las variaciones del NDVI e IDAC.

56

Figura 18. Relación entre series temporales de NDVI, IDAC, y precipitación en RBSF.

El valor mayor del IDAC se dio en el año 2001 con un registro de 1.32 cm, y el NDVI se situó en 0.65, pero cabe resaltar que el registro máximo de NDVI es de 0.72 en el año 2004 (Tabla 2). Los mayores eventos de precipitación se produjeron en los años 2000 a 2002, los mismos que estuvieron relacionados con el fenómeno de El Niño (Vicente-Serrano et al., 2016a). Por ejemplo, en el año 2002 la precipitación fue de 1,959.40 mm, pero el IDAC disminuyó a 0.88 cm. Aquí se puede presumir que, a pesar de tener un valor alto de precipitación, el mismo no influyó directamente en el crecimiento.

4.3.

Análisis de los resultados

El crecimiento radial y la dinámica del follaje de los árboles juegan un papel importante en la productividad de la biomasa en los bosques. Sin embargo, existen vacíos de conocimiento cruciales en la forma como se vinculan el crecimiento diamétrico de los árboles a través de índices de vegetación que permiten estimar la producción de hojas.

La evaluación de la fenología mediante el uso de series temporales de índices de vegetación se basa en los cambios intra-anuales del verdor del dosel vegetal (Liu et al., 2016). Además, las comparaciones pueden revelar interacciones a escala de paisaje entre el clima y el crecimiento de los anillos de los árboles. Es posible que estas características no correspondan necesariamente directamente a eventos fenológicos terrestres definidos,

57

pero sí proporcionan indicios de la dinámica estacional de los ecosistemas (Liu et al., 2016), como es el caso de Laipuna y la RBSF. El análisis de correlación entre el IDAC con el NDVI resultó más alto para el bosque seco de Laipuna con un R2 = 0.68 (p-value 0.001, RMSE = 1.64). Mientras que para la RBSF un R2 = 0.41 (p-values = 0.013, RMSE = 0.48), como se puede apreciar en la Tabla 3.

En ambos ecosistemas existe asociación entre el NDVI e IDAC. Pero en el caso de Laipuna, donde la estación seca y lluviosa es bien marcada los bosques incrementan su diámetro y producción de follaje como respuesta a la presencia de las precipitaciones. Por ello, cuando se analiza el NDVI (enero a junio) con el IDAC en la época lluviosa se tiene un coeficiente de determinación R2 = 0.6822 que resulta como moderado. Pero si la correlación se realiza con el NDVI e IDAC anual resulta en un R2 = 0.1082 que representa una asociación muy débil o no se evidencia ninguna dependencia entre ambas variables, esto de acuerdo la interpretación del grado de correlación dado por Moore, Notz y Flinger (2013).

También se calculó en Laipuna la correlación entre el NDVI y la precipitación (R2 = 0.31593), y la correlación entre el IDAC y la precipitación (R2 = 0.2514). En este caso se observó que, a pesar de que el ajuste entre las variables es positivo, no es relevante la asociación.

Al analizar los resultados de la correlación entre el NDVI e IDAC en la RBSF, se tomó en cuenta que en el bosque seco, por su marcada estacionalidad, los valores de NDVI son mucho más claros que en el bosque húmedo donde el dosel de los árboles es siempreverde durante todo el año. La precipitación media en los Andes ecuatorianos también se caracteriza por una alta variabilidad espacio-temporal, debido a la influencia dominante de los procesos de mesoescala (Bendix et al., 2017). Bajo estos argumentos, en la RBSF se consideró solamente el NDVI anual para el análisis tomando en cuenta también que la fenología de los árboles no está ligada a cambios de precipitación mensual.

En la RBSF la asociación entre el NDVI e IDAC es debil (R2 = 0.4111, pero no moderada como en Laipuna). La correlación del NDVI con la precipitación (R2 = 0.0431), y la correlación del IDAC con la precipitación (R2 = 0.2777) sostienen el supuesto que en los bosques húmedos la precipitación es un factor secundario en el crecimiento de los árboles (Cabrera et al., 2019) , ya que uno de los principales factores limitantes en estos ecosistemas no es el agua,

58

sino los nutrientes del suelo (Wilcke, Yasin, Abramowski, Manosalvas y Zech, 2002; (Vicente-Serrano et al., 2016b).

Otro aspecto que se consideró en esta investigación es que la calidad de imágenes satelitales también podría influir en los resultados, en Laipuna se pudo obtener entre 5 a 8 imágenes sin nubes por año, mientras que en la RBSF de 2 a 5 imágenes sin nubes por año lo cual implica que los resultados pueden ser menos precisos que en Laipuna.

Tanto en Laipuna como en la RBSF se asume que la nubosidad densa y difusa influyó absorbiendo y dispersando la energía electromagnética, por ende, altera los valores de NDVI, conllevando a resultados no deseados. Por ello fue importante la selección de imágenes libres de nubes, y en diferentes estaciones del año para denotar los cambios en la vegetación (ver Figura 12).

Las nubes tienden a ser bastante brillantes en el rojo (así como otras longitudes de onda visibles) y bastante oscuras en el infrarrojo cercano, lo que implica que se basa en la ecuación matemática de NDVI aplicada en bosques densos como es la RBSF con valores superiores a 0.40 en este índice, esto afirma que la RBSF contiene un dosel de vegetación densa por sus valores positivos (0.40 a 0.8). Sin embargo, en Laipuna por la pérdida de hojas en la época seca, los valores del NDVI se ven seriamente afectados en esta temporada seca del año.

Los estudios satelitales realizados durante varios días pueden utilizarse para eliminar los efectos de la cobertura nubosa en un área, siempre y cuando no haya cobertura nubosa durante todo el período de observación. En el caso de la RBSF, en el Apéndice 7 se observa que durante toda la serie de tiempo predominan los valores bajos del NDVI. Esto es debido a que son datos sin ruidos y no se excluye la nubosidad. En Laipuna existe menor nubosidad comparado con la RBSF, por ello la serie temporal de los valores crudos del NDVI evidencia que se puede encontrar mayor disponibilidad de imágenes satelitales libres de nubes a lo largo de cada año.

En general, se extrajo importantes métricas fenológicas de las series cronológicas del NDVI para examinar su relación con el ancho de los anillos de crecimiento tanto Laipuna como en la RBSF porque las variaciones espacio-temporales de la fenología vegetal sirven como

59

importantes indicadores de la actividad fotosintética (Dong et al., 2016). El NDVI es una eficaz medida de la actividad fotosintética a escala de paisaje, y se utiliza para estimar la productividad de las plantas (Wang, Rich, Price y Dean Kettle, 2004).

4.3.1. Pregunta de investigación 1 ¿Existe información sobre índices de vegetación que permita evaluar la correlación existente con el incremento anual en un bosque seco (con la especie Bursera graveolens) y en un bosque húmedo (con la especie Cedrela montana) en el Sur del Ecuador?

De acuerdo a Ichii, Kawabata y Yamaguchi (2002) existe una correlación significativa entre el NDVI, la temperatura y la precipitación en las regiones semiáridas. La teledetección de la fenología mediante el uso de series temporales de índices de vegetación se basa en los cambios intra-anuales del verdor del dosel vegetal (Liu et al., 2016).

En el bosque seco, la relación NDVI e IDAC demuestra que la correlación de Bursera graveolens es moderada (R2 = 0.68), mientras que en el bosque húmedo Cedrela montana muestra una correlación baja o débil (R2 = 0.41).

Entonces, el NDVI e IDAC indican que cuando existe una marcada estacionalidad, como es el caso del bosque seco, la correlación es moderada. Esto responde debido a que la vegetación sufre de estrés hídrico y cuando se producen los eventos de precipitación Bursera graveolens tiene un crecimiento secundario que se lo atribuye a su respuesta a las precipitaciones.

En el bosque seco el crecimiento diamétrico y de altura de los árboles para un año determinado se relaciona con el NDVI posterior a la época lluviosa, es decir, tiene un retraso. La variación en la producción de follaje, medida por la hojarasca, generalmente corresponde a la variación en el NDVI, pero no tan claramente como otras medidas de productividad de los árboles.

Todas las medidas de productividad de los árboles, excepto la producción de follaje, están mejor relacionadas con el NDVI promediado en una escala espacial intermedia (∼50 km2), que con el NDVI local (1.2 km2), de acuerdo a Wang, Rich, Price y Dean Kettle (2004).

60

Mientras que en lugares donde no existe una marcada estacionalidad y la precipitación no es causante de estrés en la vegetación, como es el caso del bosque húmedo Cedrela montana, estudios previos han sugerido que la luz es más limitante que el agua para la productividad de los bosques tropicales (Nemani et al., 2003), lo cual es consistente con la cobertura vegetal de los bosques amazónicos durante la estación seca en estudios realizados con datos satelitales (Huete et al., 2006).

Aunque, la lluvia es secundaria para el crecimiento diamétrico porque se producen suficientes precipitaciones a lo largo del año. Sin embargo, lo que es más importante son las variaciones de temperatura de acuerdo a Cabrera et al. (2019). En base a ello los datos de precipitación dan una importante pauta sobre la dinámica de los índices de vegetación, como en este caso el NDVI (Vicente-Serrano et al., 2016b).

4.3.2. Pregunta de investigación 2 ¿Cuáles son los métodos que permiten evaluar la correlación entre el NDVI con el crecimiento anual de especies forestales en el Sur del Ecuador?

La vinculación del crecimiento anual de los árboles con los índices de la vegetación terrestre obtenida por teledetección (IDAC y NDVI), se puede aplicar como una técnica base para utilizar los anillos de los árboles como indicadores sustitutivos de la productividad primaria de los ecosistemas en grandes escalas espaciales y temporales a largo plazo (Coulthard, Touchan, Anchukaitis, Meko y Sivrikaya, 2017; Vicente-Serrano et al., 2016b).

Por lo tanto, los anillos de crecimiento de los árboles pueden utilizarse para reconstruir la productividad de bosques limitados por el agua como es el caso de Laipuna, donde se espera que el estrés de la sequía limite el crecimiento de la vegetación.

El NDVI e IDAC de árboles y los datos climáticos a nivel de sitio se utilizaron en un análisis de la tendencia de la vegetación hacia el verdor y el oscurecimiento, y para reconstruir el vigor del dosel durante la década del 2000 a 2010. Aunque se desarrolló una cronología común del ancho del anillo, se encontró una respuesta significativa de crecimiento forestal dependiendo del ecosistema (Vicente-Serrano et al., 2016b), en el bosque seco donde tendencias de crecimiento está influenciadas por la precipitación, la relación es moderada.

61

Sin embargo, el bosque húmedo muestra menor grado de significancia cuando la precipitación es un factor secundario del crecimiento.

Por lo tanto, el efecto reverdecedor derivado del NDVI debe interpretarse cuidadosamente como un aumento directo del crecimiento forestal tanto en Bursera graveolens y Cedrela montana.

Estos resultados destacan el potencial de integrar métodos de teledetección y dendrocronología para mejorar las predicciones de las respuestas de los ecosistemas forestales (Vicente-Serrano et al., 2016b; Correa-Díaz et al., 2019).

62

5. Conclusiones El NDVI e IDAC tienen una asociación significativa en cada ecosistema forestal, y están influenciados por el grado de estacionalidad de las precipitaciones.

En el bosque seco existe una correlación moderada entre el NDVI e IDAC, dado que las precipitaciones regulan directamente el incremento diamétrico y la presencia de hojas durante los meses con mayores lluvias (enero a junio).

En el bosque húmedo de la RBSF la correlación de NDVI e IDAC es débil, las lluvias son permanentes y sin una estacionalidad bien definida durante el año hacen que el IDAC dependa en mayor medida de otras variables como la temperatura, nutrientes disponibles, topografía del terreno, e intensidad de luz que entra al dosel del bosque. Por lo tanto, en bosque húmedo la presencia de un dosel siempre verde no está relacionada directamente al IDAC. Los datos del IDAC pueden utilizarse para inferir una reconstrucción del NDVI en base al ancho de anillos de crecimiento, pero solamente en ecosistemas que presentan una estacionalidad bien definida.

Al NDVI se lo considera como una eficaz medida de la actividad fotosintética a escala de paisaje, y se lo puede utilizar para estimar la dinámica de los bosques como es la producción de follaje y crecimiento secundario.

El presente estudio sugiere que se requiere una evaluación del IDAC, y NDVI juntamente con valores de precipitación, y temperatura para abordar la productividad de los bosques y demostrar que las sensibilidades estacionales deben ser consideradas antes de combinar e interpretar estas dos métricas, esto sería importante realizar en futuras investigaciones.

Para reducir los tiempos en el análisis y procesamiento de índices espectrales, se recomienda hacer uso de Google Earth Engine, que es una plataforma científica de libre acceso para analizar grandes y complejos volúmenes de datos de imágenes satelitales.

63

6. Referencias bibliográficas Armijos, A., Quezada, N., Veintimilla, J., y Pucha, D. (2017). Anatomía de la madera de Cedrela montana Moritz ex Turcz. Laboratorio de Dendrocronología y Anatomía de Maderas Tropicales. Universidad Nacional de Loja, Anatomía de la madera de Cedrela montana Moritz ex Turcz.

Beck, E., Bendix, J., Kottke, I., Makeschin, F., y Mosandl, R. (2008). Gradients in a Tropical Mountain Ecosystem of Ecuador. Springer, Berlin, Heidelberg: ISBN: 978-3-54073526-7 https://doi.org/10.1007/978-3-540-73526-7 Beck, P., Andreu-Hayles, L., D’Arrigo, R., Anchukaitis, K., Tucker, C., Pinzón, J., y Goetz, S. (2013). A large-scale coherent signal of canopy status in maximum latewood density of tree rings at arctic treeline in North America. Glob. Planet. Chang., 100, 109–118.

Bendix, J., Fries, A., Zárate, J., Trachte, K., Rollenbeck, R., Pucha-Cofrep, F., . . . Achilles, S. (2017). RadarNet-Sur First Weather Radar Network in Tropical High Mountains. Bull.

Amer. Meteor. Soc., 98, 1235–1254, https://doi.org/10.1175/BAMS-D-15-00178.1 Berner, L., Beck, P., Bunn, A., y Goetz, S. (2013). Plant response to climate change along the forest-tundra ecotone in northeastern Siberia. Glob. Chang. Biol., 19, 3449–3462.

Betz, L. (2013). Landsat 5 Sets Guinness World Record For 'Longest Operating Earth Observation Satellite'. Obtenido el 21 de junio de 2019, desde NASA's Goddard Space Flight Center, Greenbelt, Md.: https://www.nasa.gov/mission_pages/landsat/news/landsat5-guinness.html Bhuyan, U., Zang, C., Vicente-Serrano, S., y Menzel, A. (2017). Exploring Relationships among Tree-Ring Growth, Climate Variability, and Seasonal Leaf Activity on Varying Timescales and Spatial Resolutions. Remote Sens, 9, 526.

Biondi, F. (1999). Comparing tree-ring chronologies and repeated timber inventories as forest monitoring tools. Ecol. Appl., 216–227.

Bräuning, A., Volland-Voigt, F., Burchardt, I., Ganzhi, O., Nauss, T., y Peters, T. (2009).

Climatic control of radial growth of Cedrela montana in a humid mountain rainforest in southern Ecuador. Erdkunde, 337-345.

Breiman, L. (2011). Random forests. Mach. Learn, 45, 5–32.

Brienen, R. J., y Zuidema, P. A. (2005). Relating tree growth to rainfall in Bolivian rain forests: a test for six species using tree ring analysis. Oecologia 146 (1), pp. 1–12. https://doi.org/10.1007/s00442-005-0160-y Briffa, K., Osborn, T., Schweingruber, F., Jones, P., Shiyatov, S., y Vaganov, E. (2002). Treering width and density data around the Northern Hemisphere: Part 1, local and regional climate signals.

Holocene, 12, 737–757 https://doi.org/10.1191/0959683602hl587rp

64

Bunn, A., Hughes, M., Kirdyanov, A., Losleben, M., Shishov, V., Berner, L., . . . Vaganov, E. (2013). Comparing forest measurements from tree rings and a space-based index of vegetation activity in Siberia. Environ. Res. Lett., 8.

Butcher, G. (2016.). Tour of the Electromagnetic Spectrum. Washington, DC.: NASA (National Aeronautics and Space), ISBN 978-0-9967780-2-2.

Butz, P., Hölscher, D., Cueva, E., y Graefe, S. (2018). Tree Water Use Patterns as Influenced

by Phenology in a Dry Forest of Southern Ecuador. Frontiers in Plant Science, 945 Vol. 9. https://doi.org/10.3389/fpls.2018.00945 Cabrera, O., Fries, A., Hildebrandt, P., Günter, S., y Mosandl, R. (2019). Early growth response of nine timber species to release in a tropical mountain forest of Southern Ecuador. Forests, 10(3). https://doi.org/10.3390/f10030254 Callado, C., da Silva Neto, S., Scarano, F., y Costa, C. (2001). Periodicity of growth rings in some flood-prone trees of the Atlantic Rain Forest in Rio de Janeiro, Brazil. Trees 15 (8), pp. 492–497. https://doi.org/10.1007/s00468-001-0128-4 Carrión-Paladines, V., Fries, A., Gómez-Muñoz, B., y García-Ruiz, R. (2016). Agrochemical characterization of vermicomposts produced from residues of Palo Santo (Bursera graveolens) essential oil extraction. Waste Management, Volume 58, 135-143, ISSN 0956-053X, https://doi.org/10.1016/j.wasman.2016.09.002 Cook, E., y Kairiukstis, L. (1990). Methods of Dendrochronology: Applications in the Environmental Sciences. Springer Netherlands: Dordrecht, The Netherlands.

Correa-Díaz, A., Silva, L., Horwath, W., Gomez-Guerrero, A., Vargas-Hernández, J., Villanueva-Díaz, J., . . . Suárez-Espinoza, J. (2019). Linking Remote Sensing and Dendrochronology to Quantify Climate-Induced Shifts in High-Elevation Forests Over Space and Time. Journal of Geophysical Research: Biogeosciences, https://doi.org/10.1029/2018JG004687 Coulthard, B., Touchan, R., J Anchukaitis, K., Meko, D., y Sivrikaya, F. (2017). Tree growth and vegetation activity at the ecosystem-scale in the eastern Mediterranean.

Environmental Research Letters, 12. 084008. https://doi.org/10.1088/17489326/aa7b26 Danby, R. (2011). Monitoring forest-tundra ecotones at multiple scales. Geogr. Compass, 623–640.

Dislich, C., Günter, S., Homeier, J., Schröder, B., y Huth, A. (2009). Simulating forest dynamics of a tropical montane forest in South Ecuador. Erdkunde, 63(4), 347–364. https://doi.org/10.3112/erdkunde.2009.04.05 Dobbertin, M. (2005). Tree growth as indicator of tree vitality and of tree reaction to environmental stress: A review. Eur. J. For. Res., 319-333.

Dong, T., Liu, J., Shang, J., Qian, B., Huffman, T., Zhang, Y., … Daneshfar, B. (2016). Assessing the impact of climate variability on cropland productivity in the Canadian Prairies using time series MODIS FAPAR. Remote Sensing, 8(4). https://doi.org/10.3390/rs8040281

65

Douglass, A. E. (1919). Climatic Cycles and Tree-growth: A Study of the Annual Rings of Trees in Relation to Climate and Solar Activity. Obtenido el 12 de junio de 2019, desde Carnegie Institution of Washington (Carnegie institution of Washington.

Publication no. 289, I): http://books.google.com/books?id=ZnUCAAAAYAAJ Durán-Guerra, O., Quintanar-Isaías, A., Villanueva-Díaz, J., Jaramillo-Pérez, A. T., y CeranoParedes, J. (2014). Anatomic characteristics of the wood of Bursera lancifolia (Schltdl.) Engl. with dendrocronological potential. Universidad Autónoma Metropolitana Unidad Iztapalapa. Centro Nacional de Investigación Disciplinaria Relación Agua, Suelo, Planta, Atmósfera. Instituto Nacional de Investigaciones Forestales Agrícolas y Pecuarias.

Earth Observatory. (2000). Normalized Difference Vegetation Index (NDVI). Obtenido el 22 de enero de 2019, desde NASA's Earth Observatory https://earthobservatory.nasa.gov/Features/MeasuringVegetation/measuring_ve getation_2.php EO-Browser. (2019). Sentinel-hub EO-Browser. Obtenido el 20 de febrero de 2019, desde Sinergise Ltd: https://apps.sentinel-hub.com/eo-browser/ ESA, European Space Agency. (2017). Type of orbits. Obtenido el 24 de junio de 2019, desde ESA The European Space Agency: https://www.esa.int/Our_Activities/Space_Transportation/Types_of_orbits Farias, G., Dessi, A., Maselli, F., y Crotti, C. (2005). Integración de series de datos satelitales y climáticos para la definición de áreas climaticamente homogéneas en el Centro Nordeste de Argentina. Revista Geográfica Digital. IGUNNE. Facultad de Humanidades. UNNE., Año 2- Nº 3 Enero – Junio 2005. ISSN 1668-5180. Resistencia, Chaco.

Fletcher, J. (2009).

Correlation. https://doi.org/10.1136/bmj.b2578

BMJ.

339.

b2578-b2578.

Fortescue, P., Mottershead, L., Swinerd, G., y Stark, J. (2003). Spacecraft Systems Engineering. Section 5.7: highly elliptic orbits. Wiley, ISBN 0-471-61951-5.

Fries, A., Rollenbeck, R., Bayer, F., González-Jaramillo, V., Oñate-Valdivieso, F., Thorsten, P., y Bendix, J. (2014). Catchment precipitation processes in the San Francisco valley in southern Ecuador: combined approach using high-resolution radar images and in situ observations.

Meteorology and Atmospheric Physics, https://doi.org/10.1007/s00703-014-0335-3 Fritts, H., Blasing, T., Hayden, B., y Kutzbach, J. (1971). Multivariate techniques for specifying tree-growth and climate relationships and for reconstructing anomalies in paleoclimate. J. Appl. Meteorol., 845–864.

Fund, W. (2014). Ecuadorian dry forests. Obtenido el 13 de abril de 2019, desde The Encyclopedia of Earth: http://editors.eol.org/eoearth/wiki/Ecuadorian_dry_forests.

66

Gonzaga, C. (2015). Aplicación de índices de vegetación derivados de imágenes satelitales para análisis de coberturas vegetales en la provincia de Loja, Ecuador. Cedamaz, Vol 5, Núm 1.

González-Jaramillo, V., Fries, A., Rollenbeck, R., Paladines, J., Oñate-Valdivieso, F., y Bendix, J. (2016). Assessment of deforestation during the last decades in Ecuador using NOAA-AVHRR satellite data.

Erdkunde, 70.

217-235. https://doi.org/10.3112/erdkunde.2016.03.02 González-Jaramillo, V., Fries, A., y Bendix, J. (2019). AGB Estimation in a Tropical Mountain Forest (TMF) by Means of RGB and Multispectral Images Using an Unmanned Aerial Vehicle (UAV). Remote Sensing, 11. 1413. https://doi.org/10.3390/rs11121413 González-Jaramillo, V., Fries, A., Zeilinger, J., Homeier, J., Paladines-Benitez, J., y Bendix, J. (2018). Estimation of Above Ground Biomass in a Tropical Mountain Forest in Southern Ecuador Using Airborne LiDAR Data. Remote Sens, 10(5): 660. https://doi.org/10.3390/rs10050660 Gutiérrez-Merino, E. G. (2009). La dendrocronología: métodos y aplicaciones. Arqueología náutica mediterránea: pp. 309-322.

Haddad, R., y Akansu, A. (1991). A class of fast Gaussian binomial filters for speech and image processing. IEEE Trans. Signal Process, 39, 723–727.

Huete, A., Didan, K., Shimabukuro, Y., Ratana, P., Saleska, S., Hutyra, L., . . . Myneni, R. (2006). Amazon rainforests green‐up with sunlight in dry season. Hydrology and Land Surface Studies, Https://doi.org/10.1029/2005GL025583 Ichii, K., Kawabata, A., y Yamaguchi, Y. (2002). Global correlation analysis for NDVI and climatic variables and NDVI trends: 1982-1990. International Journal of Remote Sensing, 23:18, 3873-3878, https://doi.org/10.1080/01431160110119416 INAMHI, Instituto Nacional de Meteorología en Hidrología. (2015). Anuarios meteorológicos. Ecuador.

InetDaemon. (2018). Satellite Orbits. Obtenido el 24 de junio de 2019, desde InetDaemon: https://www.inetdaemon.com/tutorials/satellite/orbits/ Jim, L. (2018). What Are Gamma-Rays? Obtenido el 14 de abril de 2019, desde LiveScience: https://www.livescience.com/50215-gamma-rays.html Johnny. (2017). Palo Santo bursera graveolens, un producto sustentable en Ecuador.

Obtenido el 11 de febrero de 2019, desde EcuadorianHands: http://www.ecuadorianhands.com/blog-es/2017/04/07/palo-santo-burseragraveolens-un-producto-sustentable-en-ecuador/ Justice, C., Townshend, J., Holben, B., y Tucker, C. (1985). Analysis of the phenology of global vegetation using meteorological satellite data. Int. J. Remote Sens, 1271– 1318.

Kiss, K., y Bräuning, A. (2008). El bosque húmedo de montaña. Investigaciones sobre la diversidad de un ecosistema de montaña en el Sur del Ecuador. Proyecto de la

67

Fundación Alemana para la Investigación Científica. Unidad de Investigación FOR 402. Loja, Ecuador: DFG, TMF y Naturaleza y Cultura Internacional.

Kuechler, J. (1859). Das Klima von Texas. In Texas Staats -Zeitung: 1859, p. August 6, p.2.

Labrador, L., Évora, J., y Arbelo, M. (2012). Satélites de Teledetección para la Gestión del Territorio. Canarias: Consejería de Agricultura, Ganadería, Pesca y Aguas del Gobierno de Canarias.

Liu, Y., Wu, C., Peng, D., Xu, S., Gonsamo, A., Jassal, R. S., … Chen, J. M. (2016). Improved modeling of land surface phenology using MODIS land surface reflectance and temperature at evergreen needleleaf forests of central North America. Remote Sensing of Environment, 176, 152–162. https://doi.org/10.1016/j.rse.2016.01.021 López, J. (2013). Simulador de cobertura en entornos urbanos. Ingeniería Superior de Telecomunicaciones - Universidad de Sevilla.

Lumen. (2017). The Electromagnetic Spectrum. Obtenido el 14 de junio de 2019, desde Lumen - Boundless Physics: https://courses.lumenlearning.com/boundlessphysics/chapter/the-electromagnetic-spectrum/ MAE, Ministerio del Ambiente del Ecuador. (2013). Mapa de Ecosistemas del Ecuador Continental. 1:1.2500.000: (MAE). Quito.

Marcelo-Peña, J., y Tommasielho, M. (2019). Growth ring characteristics of Peruvian tropical trees: a preliminary overview of potential applications to dendrochronology-related fields.

Martínez, J., y Martín, P. (2010). Guía Didáctica de Teledetección y Medio Ambiente.

Madrid.

Moore, D. S., Notz, W. I., y Flinger, M. A. (2013). The basic practice of statistics (6th ed.).

New York: W. H. Freeman and Company. Page (138).

Mosandl, R., Günter, S., Stimm, B., y Weber, M. (2008). Ecuador Suffers the Highest Deforestation Rate in South America. In E. Beck, J. Bendix, I. Kottke, F. Makeschin, R. Mosandl (Eds.): Gradients in a tropical mountain ecosystem of Ecuador. Berlin: Springer (Ecological Studies, 198), pp. 37–40.

Myneni, R., Keeling, C., Tucker, C., Asrar, G., y Nemani, R. (1997). Increased plant growth in the northern high latitudes from 1981 to 1991. Nature, 698–702.

NASA, National Aeronautics and Space Administration, Science Mission Directorate.

(2019a). Earthdata - Remote Sensors. Obtenido el 24 de junio de 2019, desde NASA's Earth Science Data Systems (ESDS) Program: https://earthdata.nasa.gov/learn/remote-sensors NASA, National Aeronautics and Space Administration, Science Mission Directorate.

(2019b). Landsat 7. Obtenido el 01 de junio de 2019, desde Landsat Science: https://landsat.gsfc.nasa.gov/landsat-7/

68

NASA, National Aeronautics and Space Administration, Science Mission Directorate.

(2010a). Gamma Rays. Obtenido el 14 de junio de 2019, desde NASA Science website el 14/06/2019: https://science.nasa.gov/ems/12_gammarays NASA, National Aeronautics and Space Administration, Science Mission Directorate.

(2010b). Microwaves. Obtenido el 09 de septiembre de 2019, desde NASA Science website: http://science.nasa.gov/ems/06_microwaves NASA, National Aeronautics and Space Administration, Science Mission Directorate.

(2010c). Radio Waves. Obtenido el 09 de septiembre de 2019, desde NASA Science: http://science.nasa.gov/ems/05_radiowaves Nemani, R. R., Keeling, C. D., Hashimoto, H., Jolly, W. M., Piper, S. C., Tucker, C. J., . . .

Running, S. W. (2003). Climate-Driven Increases in Global Terrestrial Net Primary Production from 1982 to 1999. Science, Vol. 300, Issue 5625, pp. 1560-1563. https://doi.org/10.1126/science.1082750 NRCAN, Natural Resources Canada. (2015). The Electromagnetic Spectrum. Obtenido el 15 de mayo de 2019, desde Natural Resources Canada: http://www.nrcan.gc.ca/node/14623 Ochoa-Cueva, P., Fries, A., Mejia, D., Burneo, J., Ruiz-Sinoga, J., y Cerdà, A. (2016). Effects of climate, land cover and topography on soil erosion risk in a semiarid basin of the Andes. CATENA, 140. 31-42. https://doi.org/10.1016/j.catena.2016.01.011 Peña, L., y Espíndola, J. (2012). Simulador de Ecuaciones de Mecánica Orbital en relación con la Tecnología Satelital. LACCEI, Panama City, Panama.

Peters, T., y Richter, M. (2012). Climate Station Data Reserva Laipuna Valley. In: Platform for Biodiversity and Ecosystem and Ecosystem Monitoring and Research in South Ecuador.

Pettorelli, N., Vik, J., Mysterud, A., Gaillard, J., Tucker, C., y Stenseth, N. (2005). Using the satellite-derived NDVI to assess ecological responses to environmental change.

Trends Ecol, 503–510.

Polo, C. (2015). Evolución temporal de la vegetación en el Sahel mediante el NDVI y su relación con la precipitación en el periodo 1983-2012. Tesis Doctoral, Universidad Politécnica Catanluya. Barcelona, España.

Pucha, D. (2016). Environmental signals in radial growth, stable isotope variations and nutrient concentration of trees from different forest ecosystems in southern Ecuador. Tesis doctoral. DOI 10.13140/RG.2.1.2818.2646 Pucha, F. (2014). Evaluación de los parámetros hidráulicos (Mualem – Van Genuchten) de la capa orgánica a través de una modelación inversa en un bosque húmedo de montaña en el sur del Ecuador. Tesis de grado. Loja, Ecuador: Universidad Nacional de Loja.

Pucha-Cofrep, D., Peters, T., y Bräuning, A. (2015). Wet season precipitation during the past century reconstructed from tree-rings of a tropical dry forest in Southern Ecuador.

69

Global and Planetary Change, Volume https://doi.org/10.1016/j.gloplacha.2015.08.003

133,

Pages

65-78,

Puescas, M. (2013). Estudio Dendrológico de la especie Bursera graveolens - Palo Santo, Tumbes, Perú. Obtenido el 13 de septiembre de 2019, desde Plante et Planète: http://planteetplanete.org/wp-content/uploads/2018/02/53.pdf Razani, M. (2018). Commercial Space Technologies and Applications: Communication, Remote Sensing, GPS, and Meteorological Satellites. 2nd ed. Boca Raton: CRC Press, pp.3 - 49.

Richter, M., y Moreira-Muñoz, A. (2005). Climatic heterogeneity and vegetation diversity in southern Ecuador investigated by phytoindication. Revista Peruana de Biología.

Riofrío, I. (2018). El bosque seco, una joya amenazada en el Ecuador. Obtenido el 24 de junio de 2019, desde Mongabay: https://es.mongabay.com/2018/07/ecuadorbosque-seco/ Rodríguez, R., Mabres, A., Luckman, B., Evans, M., Masiokas, M., y Ektvedt, T. M. (2005).

“El Niño” events recorded in dry-forest species of the lowlands of northwest Peru.

Dendrochronologia 22 (3), pp.

181–186. https://doi.org/10.1016/j.dendro.2005.05.002 Rouse, J. W., Haas, R. H., Schell, J. A., y Deering, D. W. (1973). Monitoring vegetation systems in the Great Plains with ERTS. Third ERTS Symposium, NASA, SP-351 I, 309317.

Rozendaal, D. M., y Zuidema, P. A. (2011). Dendroecology in the tropics: A review. Trees Structure and Function. https://doi.org/10.1007/s00468-010-0480-3 Sierra, R. (1999). Propuesta preliminar de un sistema de clasificación de vegetación para el Ecuador continental. Quito: EcoCiencia, INEFAN/GEF-BIRF. Soo, L. (2001). Principles of Remote Sensing - Centre for Remote Imaging, Sensing and Processing. Obtenido el 18 de junio de 2019, desde CRISP: https://crisp.nus.edu.sg/~research/tutorial/em.htm StatisticsSolutions. (2019). Correlation (Pearson, Kendall, Spearman). Obtenido el 09 de septiembre de 2019, desde Statistics Solutions: https://www.statisticssolutions.com/correlation-pearson-kendall-spearman/ Theophrastus. (1916). On the timber of various trees and its uses. In Theophrastus, Arthur Hort (Eds.): Enquiry into plants and minor works on odours and weather signs.

London: Cambridge, Mass., Harvard University Press; W. Heinemann (The Loeb classical library), p. 423.

Tucker, C. J. (1979). Red and photographic infrared linear combinations for monitoring vegetation.

Remote Sensing of Environment, 8(2), 127–150. https://doi.org/10.1016/0034-4257(79)90013-0 USGS, United States Geological Survey. (2018a). About Landsat. Obtenido el 21 de abril de 2019, desde USGS: https://landsat.usgs.gov/about-landsat

70

USGS, United States Geological Survey. (2018b). Landsat Missions. Obtenido el 21 de abril de 2019, desde USGS: https://landsat.usgs.gov/ USGS, United States Geological Survey. (2019a). Landsat Satellite Missions. Obtenido el 01 de junio de 2019, desde USGS: https://www.usgs.gov/landresources/nli/landsat/landsat-satellite-missions USGS, United States Geological Survey. (2019b). Landsat Level-1 Processing Details.

Obtenido el 08 de septiembre de 2019, desde – Landsat Mission USGS: https://www.usgs.gov/land-resources/nli/landsat/landsat-level-1-processingdetails Vicente-Serrano, S., Aguilar, E., Martinez, R., Martín-Hernández, N., Azorin-Molina, C., Sanchez-Lorenzo, A., . . . Nieto, R. (2016a). The complex influence of ENSO on droughts in Ecuador. Climate Dynamics, 48. https://doi.org/10.1007/s00382-0163082-y Vicente-Serrano, S., Camarero, J., Olano, J., Martín-Hernández, N., Peña-Gallardo, M., Tomás-Burguera, M., . . . Kenawy, A. (2016b). Diverse relationships between forest growth and the Normalized Difference Vegetation Index at a global scale. Remote Sens. Environ., 14-29. https://doi.org/10.1016/j.rse.2016.10.001 Volker, R., Susanne, S., Kelly, P., Darwin, P.-C., Kathy, S., y Achim, B. (2019). Tree Circumference Changes and Species-Specific Growth Recovery After Extreme Dry Events in a Montane Rainforest in Southern Ecuador. Front. Plant Sci., 10:342. https://doi.org/10.3389/fpls.2019.00342 Volland, F., Pucha, D., y Bräuning, A. (2016). Hydro-climatic variability in southern Ecuador reflected by tree-ring oxygen isotopes.

Erdkunde, pp.

69-82 https://doi.org/10.3112/erdkunde.2016.01.05 Wang, J., Rich, P., Price, K., y Dean Kettle, W. (2004). Relations between NDVI and tree productivity in the central Great Plains. International Journal of Remote Sensing, 25.

3127-3138. https://doi.org/10.1080/0143116032000160499 Wikimedia. (2006). Electromagnetic spectrum-es.svg by Horst Frank. Obtenido el 16 de septiembre de 2019, desde Wikimedia Commons: https://commons.wikimedia.org/wiki/File:Electromagnetic_spectrumes.svg?uselang=es Wilcke, W., Yasin, S., Abramowski, U., Manosalvas, C., y Zech, W. (2002). Nutrient storage and turnover in organic layers under tropical montane rain forest in Ecuador.

European Journal of Soil Science, 53. 15 - 27. https://doi.org/10.1046/j.13652389.2002.00411.x Worbes, M. (1995). How to measure growth dynamics in tropical trees. A review. IAWA J.: 16(4):337-351.

Yarlequé, C., Posadas, D., y Quiroz, R. (2004). Procesamiento de Datos de NDVI para la obtención de Precipitación de Lluvias en la Cuenca del Altiplano. Centro Internacional de la Papa. Universidad Nacional del Callao. Lima, Perú.

71

7. Apéndices Apéndice 1. Tabla de los datos de crecimiento (cm) de Bursera graveolens

Año

BG01 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010

BG02 5.09 3.32 4.52 0.88 0.2 2.27 1.52 0.5 0.26

BG03 2.41 3.19 2.89 1.39 1.49 2.11 3.12 2.37 4.13 2.92 1.8

0.25 0.5 1.96 3.87 2.47 4.48 3.19 2.67 0.3 0.51 0.5

Media 2.583 2.337 3.123 2.047 1.387 2.953 2.610 1.847 1.563 1.715 1.150

Apéndice 2. Tabla de los datos de crecimiento (mm) de Cedrela monta

Año Cm01b Cm02a Cm02b Cm03a Cm5b Cm6(01) Cm7(01) Cm8b 2000 173 320 312 518 124 140 206 611 2001 64 685 534 490 364 425 322 550 2002 58 371 322 497 255 354 97 680 2003 24 202 287 521 58 242 140 514 2004 67 242 341 745 180 211 298 498 2005 175 344 381 476 218 328 454 939 2006 170 108 134 266 91 205 384 176 2007 106 233 210 537 182 140 256 201 2008 50 118 98 556 146 310 290 525 2009 95 132 107 637 32 224 282 57 2010 62 239 221 547 285 277 331 259

72

Apéndice 3. Imágenes Landsat 7 desde 2000 – 2010 con los ráster del NDVI de la Reserva Natural Laipuna.

A la izquierda se muestra la escena multiespectral, a la derecha se muestra la imagen con los valores del NDVI.

73

Apéndice 4. Imágenes Landsat 7 desde 2000 – 2010 con los ráster del NDVI de la Reserva Biológica San Francisco.

A la izquierda se muestra la escena multiespectral, a la derecha se muestra la imagen con los valores del NDVI.

74

ApĂŠndice 5. Serie de tiempo 2000 - 2010 de los valores del NDVI de Laipuna y RBSF.

ApĂŠndice 6. Datos entre 2000 - 2010 de los valores del NDVI de Laipuna (no excluye ruido, especialmente generado por las nubes).

75

ApĂŠndice 7. Datos entre 2000 - 2010 de los valores del NDVI de RBSF (no excluye ruido, especialmente generado por las nubes).