Maestra en Aplicaciones Espaciales de Alerta y Respuesta Temprana a Emergencias

Informe Final

Pasanta Enero a junio 2013

Diana Marcela Brito Hoyos Instituto de Altos Estudios Espaciales Mario Gulich

______________________________ Directora Dra. Patricia Kandus Laboratorio de Ecologa, Teledeteccin y Eco-Informtica Instituto de Investigaciones e Ingeniera Ambiental (3iA) Universidad Nacional de General San Martn (UNSAM)

NDICE Resumen 1. Introduccin 2. Correccin radiomtrica y geomtrica de un conjunto multitemporal de imgenes Landsat. 2.1 rea de estudio 2.2 Descripcin del set de datos 2.3 Correccin geomtrica 2.4 Correccin radiomtrica 2.5 Comparacin entre imgenes corregidas 3. Anlisis de serie de tiempo de NDVI a partir de datos MODIS. 3.1 rea de estudio 3.2 Metodologa 3.2.1 Serie de tiempo: Media y Desvos estndar 3.2.2 Clasificacin 3.3 Resultados 3.3.1 Unidades funcionales 3.3.2 Comparacin 4. RADAR 5. Literatura citada

Resumen El principal objetivo de este informe es describir los procedimientos desarrollados y reportar los resultados obtenidos durante la pasanta en el Laboratorio de Ecologa, Teledeteccin y Eco-Informtica (LETyE), que tuvo una duracin de seis meses bajo la supervisin y direccin de la directora del grupo de investigacin, doctora Patricia Kandus. Durante el desarrollo de la pasanta se alcanzaron diversos logros relacionados al uso de informacin satelital (ptico y radar) como herramienta en el campo de la ecologa de humedales.

Agradecimientos

A la directora del Laboratorio de Ecologa, Teledeteccin y Eco-Informtica (LETyE) de la universidad San Martn (Buenos Aires), a Facundo Schivo, Natalia Morandeira, Marta Borro, Priscilla Minotti y todos los miembros del grupo de investigacin agradezco por la inmensa colaboracin que me brindaron durante la estada en el laboratorio; su paciencia y enseanzas permitieron que culminara con xito esta primera etapa de mi maestra y generaron en mi nuevos conocimientos e ideas, a ustedes todo mi cario y agradecimiento por hacerme parte del grupo en estos meses.

1. Introduccin

Los humedales son reas donde la presencia frecuente y prolongada de agua cerca de la superficie del suelo, es la que impulsa el sistema natural (Mitch y Gosselink 2007). Estas reas representan cerca del 6-8% de la superficie terrestre (Batzer y Sharitz, 2006), y son ecosistemas de inters crtico debido a que brindan servicios ecosistmicos a la sociedad (Millenium Ecosystem Assesment 2005). Los humedales asociados a planicies de inundacin estn entre los sistemas ms dinmicos y productivos de la tierra, sin embargo, a su vez son los ecosistemas ms vulnerables e intervenidos (Mitsch and Gosselink 2000).Alrededor del 23% del territorio argentino incluye humedales de diferentes tipos (Kandus et al 2008), los que estn asociados a los ros ParanParaguay son de particular importancia por su tamao y la diversidad biolgica que albergan.

El uso cada vez mayor de los datos de teledeteccin para hacer cartografa y monitoreo de humedales debe considerar que la estructura y funcionamiento de un humedal est determinado por su rgimen hidrolgico y caractersticas geomorfolgicas (Mitsch and Gosselink 2000); cambios en las condiciones hidrolgicas del humedal tienen efectos sobre las caractersticas fisicoqumicas del suelo y de la disponibilidad de nutrientes; de esta manera, se espera que estos cambios conlleven a diferencias en la seal registrada por sensores remotos . Con lo anterior se llevan a cabo estudios ecolgicos a travs del seguimiento de las regiones, que permitan una mejor comprensin del balance de agua y estabilidad de los sistemas de humedales asociados a cuencas hidrogrficas (Mendiondo 2000, Grings et al 2005, Salvia et al 2012)

Debido a la importancia de estos ecosistemas y al gran potencial de los datos satelitales para su anlisis el objetivo de esta pasanta es: - Familiarizarse con diferentes tipos de datos provistos por sensores remotos satelitales. - Comprender el significado fsico de la seal provista por sensores pticos (Landsat, SACC, Modis) y de radar (Cosmo SkyMED) as como de sus productos derivados (series de tiempo de NDVI - Producto MODIS). - Familiarizarse con procedimientos de calibracin, correccin atmosfrica y georreferenciacin de los datos. - Implementar algunas metodologas de extraccin de informacin a partir de datos provistos por sensores remotos inundacin del Paran. para el anlisis y monitoreo de los humedales en la Planicie de

2. Correccin radiomtrica y geomtrica de un conjunto multitemporal de imgenes Landsat. El objetivo de la primera parte de la pasanta consisti en la correccin radiomtrica y geomtrica de un conjunto multitemporal de datos de resolucin media (30 metros por pixel) de Landsat TM 5 Y TM+ 7, para obtener un set de datos base para un posterior anlisis de deteccin de cambios en la planicie de inundacin del rio Paran en la provincia de Santa f, Argentina.

2.1 rea de estudio El set de datos corregido corresponde a la planicie de inundacin del Ro Paran a la altura de las ciudades de Santa F (Provincia de Santa F) y las ciudades de Paran y Diamante (Provincia de Entre Ros) ubicada en el sector centro-este de Argentina, aproximadamente 300 km al norte de la Ciudad Autnoma de Buenos Aires (Fig. 1). El sistema del ro Paran en este sector comprende una planicie aluvial saturada de cuerpos de agua (lagunas someras), que ha experimentado grandes cambios geomorfolgicos en los ltimos 100 aos. La tendencia del sistema hacia el equilibrio en un escenario con vastos espacios libres de sedimento genera cambios por erosin y, sobre todo, sedimentacin, que han modificado la hidrografa y el paisaje de la planicie con diversos impactos en obras y posibilidades de desarrollo territorial. Las actividades ms importantes son la ganadera y la pesca deportiva y comercial. El ro Paran tiene mltiples brazos, su cauce principal posee un thalweg sinuoso a meandriforme, a la vez que tiene tendencia al entrelazamiento, con formacin de bancos de arena que en poco tiempo devienen en islas vegetadas (Ramonell y Amsler 2002, Latrubesse y Chen 2009). Su planicie de inundacin tiene unos 600 km de largo y entre 13 y 16 km de ancho, cubriendo aproximadamente 7200 km2 (Iriondo y Drago 1972). El relieve general es plano y la pendiente longitudinal es del orden de 1.10-4 (0.1) o menor. Iriondo (1972, 2004, 2007) identifica 4 unidades geomrficas: planicie de bancos, planicie de meandros, planicie de drenaje impedido y deltas de tributarios. Buena parte de los suelos estn formados por capas sucesivas de sedimentos transportados y depositados por los ros durante los episodios de crecientes. De acuerdo al esquema de la Soil Taxonomy (USDA 2010), se trata de entisoles que pertenecen al suborden aquents (en albardones) y fluvents en las porciones bajas del gradiente (De Orellana y Bertoldi 1969). La vegetacin se expresa en gradientes de inundabilidad con bosques de sauces y alisos, sumados a otros de mayor complejidad y riqueza, pajonales de paja de techar, arbustales y praderas de herbceas graminiformes y latifoliadas, (Marchetti y Aceolaza 2005) incluyendo cuerpos de agua lagunares con vegetacin arraigada y flotante (Borro et al 2009a, 2009b, 2010a, 2010b, 2012)

Figura 1: Recuadro rojo corresponde al rea de estudio en la provincia de Santa F, Argentina (path/row: 227/082)

2.2 Descripcin del set de datos

El set de imgenes disponibles consisti en 51 escenas del path/row:227/82 ( landsat 4, 2 landsat 7 TM+ y 46 landsat 5 TM), las cuales conforman un conjunto multitemporal del periodo 1986 a 2011 (Tabla 1). Las imgenes se obtuvieron del Servicio Geolgico de los Estados Unidos

(http://glovis.usgs.gov/) y del instituto nacional de investigacin espacial de Brasil (http://www.dgi.inpe.br/CDSR).

El set de imgenes fue obtenido principalmente para realizar un anlisis de deteccin de cambios en las coberturas de los humedales presentes en la zona, para lo cual se requiere que las escenas sean corregidas radiomtrica y geomtricamente, y obtener una base de datos consistente Adicional al set de datos, una imagen Landsat 7 TM+ de esta zona (fig. 2), fue usada como base para corregistrar el resto de las escenas (correccin geomtrica).

Tabla 1: Set de imgenes Landsat de la provincia de Santa f (path/row: 227/082).

AO 1986 1986 1986 1991 1993 1994 1995 1997 1998 1998 1998 1998 1998 1998 1998 1999 1999 1999 2000 2001 2001 2001 2001 2002 2004 2006

MES 1 2 9 12 9 8 12 5 11 7 9 10 11 7 7 5 9 12 12 1 2 3 4 9 10 1

DIA 18 19 15 2 2 4 29 24 3 14 16 18 19 14 30 14 19 8 10 11 28 16 1 16 18 25

FUENTE USGS LS4 USGS LS4 USGS LS4 INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE

AO 2006 2007 2007 2007 2007 2007 2007 2007 2008 2009 2009 2009 2009 2009 2009 2009 2010 2010 2010 2010 2010 2010 2010 2011 2011

MES 4 4 4 5 6 7 8 9 2 1 2 3 4 5 11 8 1 3 4 10 10 12 12 1 3

DIA 15 18 26 20 21 23 8 9 16 17 18 22 7 9 1 29 20 25 10 3 19 6 22 23 28

FUENT E INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE INPE

Figura 2: Imagen Landsat 7 TM+ de la provincia de Santa f- Entre Rios (227/082). Proyeccin: UTM zona 20 sur, WGS 84.

2.3 Correccin Geomtrica

Las imgenes fueron adquiridas en nivel 1 de procesamiento. Este producto consiste en siete bandas, para Landsat 5, que corresponden a: 6 multiespectrales y 1 trmica. Las imgenes tienen un nivel de georeferenciacin sin embargo, cuando se superponen una serie de escenas de diferentes fechas de adquisicin, es posible observar desfasamientos en el terreno (fig. 3), esto hace necesario ajustar geomtricamente mediante una correccin. El objetivo de esta correccin es hacer que las imgenes encajen con la mxima precisin posible, es decir, que exista una alta correspondencia espacial entre los pxeles que reflejan la misma caracterstica de la superficie. Se requiere realizar esta correccin antes de cualquier tipo de anlisis de deteccin de cambios, debido a que errores o deformaciones del pixel pueden ser mal interpretados como cambios de la cobertura (Toutin 1995).

Figura 3: Superposicin de imgenes (227/82) sin correccin geomtrica

Para corregistrarlas 51 escenas del set de datos, se us una imagen landsat7 como base, tomando 6 gcps(ground control points), para obtener el conjunto de imgenes corregistrado no necesitamos una transformacin sobre la imagen con demasiados puntos de control; se us un polinomio de primer orden para obtener la transformacin de la imagen y conocer el error del ajuste, que en todos los casos fue menor de 15 metros (0.5 pixel), si se alcanzaba este ajuste con 6 puntos la correccin terminaba en ese punto, si era mayor, se seguan seleccionando puntos de control para disminuir el error del ajuste. Este procedimiento fue llevado a cabo en el software ArcGis 10.0. Adicional a esto se revisaron las herramientas de correccin geomtrica disponibles en los software ENVI y ERDAS. Se muestra en el diagrama de flujo (fig. 4) el procedimiento que se llev a cabo para la corregistracin.

Arc Gis 10.0 Imagen de referencia (Landsat 7)

Imagen sin corregir (51)

Barra de herramientas: georreferenciacin

Ubicar puntos de control en las dos imagenes

Verificar ecuacin del polinomio Error menor a medio pixel 15 m Remuestreo (Vecino ms cercano) Salvar la imagen corregida , los gcps y el polinomio

Imagen corregida (UTM Z20S, WGS84)

Figura 4: Diagrama de flujo del procedimiento para la correccin geomtrica del set de datos. Una vez se corrigi la imagen , se procede con una revisin visual, realizando una superposicin imgenes, la figura 5 compara la escena corregida con la imagen base, se observa que el cauce de los ros, las carreteras y las coberturas son congruentes entre las dos.

Figura 5: Superposicin de imgenes (227/82) corregidas.

2.4 Correccin radiomtrica El objetivo en este caso es llevar los datos registrados en una imagen como niveles digitales a valores con sentido fsico en la superficie terrestre. En este caso, el objetivo fue obtener un set de imgenes con valores de reflectancia en superficie y revisar diferentes aproximaciones disponibles para su obtencin. El siguiente paso del pre procesamiento de imgenes entonces es la correccin radiomtrica, y en general, implica la correccin de factores que tienen diferentes efectos en la radiacin recibida por el sensor. La correccin convierte los contajes digitales (DN) recogidos por el satlite en unidades fsicas de reflectancia de la superficie de la tierra; es necesario considerar caractersticas propias del sensor como el gainy offset, la irradiancia solar, el ngulo zenit solar y la dispersin que produce la atmosfera as como su absorcin (Chavez 1996). Los sensores colectan radiacin electromagntica que puede ser dispersada y/o absorbida por los gases y aerosoles presentes en la atmosfera; la cantidad de estos elementos no es constante en tiempo ni espacio (Kaufman 1993), y se hace an ms variable, en imgenes con diferentes fechas de adquisicin, hora y ngulo de observacin del sensor, con esto, la va que atraviesa la seal hasta alcanzar el satlite cambia constantemente su longitud. Esta particularidad, se debe tener en cuenta antes de aplicar cualquier tipo de anlisis a un set multitemporal de imgenes, y se hace necesaria una correccin que tenga en cuenta los efectos de la atmosfera (Lu et al 2002). Los efectos de absorcin y dispersin atmosfrica son dependientes de la longitud de onda que el sensor registra (Slater 1980). La dispersin por partculas pequeas, conocida como

dispersin de Rayleigh, tiene un mayor efecto en la regin espectral del visible, siendo aditivo; este efecto decrece cuando la longitud de onda se incrementa; para ondas mayores a 1 m el efecto es mnimo (Slater 1980).

La dispersin generada por aerosoles no decrece como lo hace la dispersin de Rayleigh; se estima que el efecto multiplicativo de los aerosoles es aproximadamente el 10% de toda la radiancia recibida por el sensor bajo condiciones atmosfricas tpicas, afectando las longitudes de onda ms cercanas a 1 m; en contraste, para esta longitud de onda la absorcin debida al vapor de agua y otros gases es nula, por lo que en el rango del visible el efecto de la dispersin de Rayleigh es el ms importante (Gaoet al 1999). La dispersin y absorcin de la radiacin son conocidas como procesos de transferencia radiativa, hay diferentes mtodos para modelar sus efectos (Lenoble, 1985), por ejemplo, el mdulo de MODTRAN o FLAASH en ENVI. Estos algoritmos presentan la dificultad de requerir mucha informacin para aplicar una correccin basada en modelos de transferencia

radiativa (Song et al 2001). En el caso de usar estos algoritmos con atmsferas estndar, involucran una gran subjetividad. Por esta razn, se han desarrollaron una serie de algoritmos que proponen un enfoque para el problema de la correccin atmosfrica utilizando slo la informacin derivada de la imagen. De forma genrica, se llama a este tipo de metodologas sustraccin del objeto negro, modelo DOS, (Chvez y Mackinnon 1994). El modelo de DOS se basa en estos supuestos: en primer lugar el efecto multiplicativo de la atmsfera es constante, la superficie de la tierra se comporta como una superficie lambertiana, los efectos de la dispersin son uniformes; hay algunos pxeles en la escena que estn en la oscuridad, si el sensor captura alguna radiacin de estos pixeles oscuros, se debe a dispersin de las partculas y molculas de la atmsfera. En general, se considera que la radiancia recibida por el sensor, para una banda dada es:

Donde, Lsat = Radiancia recibida por el sensor (W*m-2 *sr-1* um-1) ND = Contaje digital registrado por el sensor Gain and offset = Valores de calibracin propias de cada banda del sensor

Par este studio, l radiancia de cada imagen del set de datos fue calculada mediante un modelo gnerado en ERDAS IMAGINE 9.1 (fig. 6)

Figura 6: Modelo ERDAS para obtener imgenes en radiancia a partir de imagines en DN.

Fueron utilizados tres mtodos para obtener valores corregidos de reflectancia, el primero y ms simple de ellos, es el de reflectancia a tope de atmosfera (TOA) (Markham y Barker, 1986). En este caso, los efectos de la absorcin atmosfrica, la irradiancia difusa de la superficie terrestre, y la dispersin atmosfrica son discriminados.

La ecuacin del modelo es:

Donde, P = Reflectancia TOA Lsat= Radiancia recibida por el sensor (W*m-2 *sr-1* um-1) TSdist = correccin para la distancia Sol Tierra, se calcula = 1-0,0167 * cos (2 * (da juliano 3) / 365) E0 = Irradiancia solar exoatmosfrica(W*m-2 *um-1) TZ = Angulo solar zenit

La reflectancia TOA se calcul para cada imagen del set de datos con un modelo generado en ERDAS (Fig. 7):

Figura 7: Modelo ERDAS para obtener imgenes en Reflectancia TOA a partir de imagines en radiancia.

El modelo TOA es simple y muy fcil de aplicar, pero no tiene en cuenta los efectos de la absorcin atmosfrica y la dispersin. Una primera aproximacin que se prob en este estudio fue la de aadir a este modelo el efecto aditivo introducido por la dispersin de Rayleigh. La ecuacin resultante es entonces:

Donde, Lray es la radiancia recibida por el sensor debido a la dispersin de Rayleigh, que se calcula de acuerdo con el algoritmo propuesto por Stumpf (1992), desde el ngulo cenital solar y la transmitancia de una atmsfera estndar. La reflectancia Rayleigh se calcul para cada imagen del set datos con un modelo en ERDAS de la siguiente manera (Fig. 8):

Figura 8: Modelo ERDAS para obtener imgenes en Reflectancia de Rayleigh a partir de

imagines en contajes digitales.

El ltimo modelo de correccin atmosfrica usado en este estudio fue el modelo de DOS, la asuncin de este modelo es que hay pxeles oscuros en la escena. Sin embargo, debido a que hay muy pocos objetos negros absolutos en la superficie, el modelo estima la cantidad de pxeles oscuros como el 1% del total de la imagen (Chvez 1988). Se puede calcular la radiacin recibida por el sensor correspondiente al 1% de la superficie de esta forma

Donde, TAUzcorresponde a la transmitancia atmosfrica. La radiacin total (restando los objetos oscuros) se calcula con la siguiente ecuacin:

Una vez se obtiene la radiancia, la siguiente ecuacin calcula la imagen de reflectancia DOS:

La reflectancia DOS se calcul para cada imagen del set de datos con un modelo en ERDAS de la siguiente manera (fig. 9)

Figure 9: modelo ERDAS utilizado para obtener la imagen de reflectancia DOS a partir de una imagen de contajes digitales 2.5 Comparacin entre imgenes corregidas En primera instancia se procedi con la comparacin de los histogramas de la misma banda en cuatro imgenes (fig. 10), la primera imagen no tiene correccin radiomtrica y los valores por pixel corresponden a nmeros digitales, se observa que la forma del histograma para las cuatro imgenes se conserva, si bien la diferencias entre los valores son mucho ms visibles en las imgenes a las que se les aplic alguna correccin, la forma en la que se distribuyen los pixeles debe conservarse, esto es indicador de que la correccin se llev a cabo respetando la los registros originales y suministrando el mnimo error posible en la imagen resultante. Debido a las transformaciones generadas por la correccin la diferencia entre los histogramas son el rango

de valores en los que se mueven los datos pues no varan hasta 256 como lo hacen los niveles digitales de 8 bits.

Figura 10: Histograma de distribucin de los valores por pixel en imgenes corregidas (DOS, Rayleigh, TOA) y sin corregir (ND) radiomtricamente. Cuando se aplica una correccin la imagen de salida pasa de ser una imagen liviana de 8 bits a una mucho ms pesada en punto flotante (32 bits); a manera de ejercicio y para evitar inconvenientes con el uso de memoria fsica de disco duro fue conveniente realizar una degradacin de una imagen en punto flotante para convertirla en una imagen de 8 bits corregida; el mtodo consiste en dividir todos los pixeles de la imagen por un factor de conversin (350), de esta manera el rango de valores en el que se mueve la imagen ser entre 1 y 256. Para verificar que este procedimiento haya sido exitoso se debe observar el histograma de la imagen original y la degradada y deben ser exactamente iguales. Con el fin de observar las diferencias espectrales entre las imgenes que se generaron a partir de los tres modelos, usando el software ENVI 4.8, se seleccionaron 4 regiones de inters (ROI) sobre una de las imgenes del set de datos (contajes digitales), posteriormente se realiz una clasificacin supervisada usando los ROIs generados, y mediante la herramienta de postclasificacin del ENVI, se obtuvo la estadstica de las 4 clases en todas las imgenes (TOA, Rayleigh, DOS), de esta forma se obtuvieron las firmas espectrales de las cuatro clases en las imgenes corregidas con diferentes modelos (fig. 11), el grfico muestra los valores en reflectancia de las reas de inters que fueron seleccionadas. Es notable (fig. 11) que existen diferencias entre las firmas espectrales que genera la misma imagen corregida con diferentes mtodos; esta comparacin solo ilustra las diferencias que genera espectralmente una correccin y resalta la importancia de llevar todo el conjunto de

datos multitemporal a una escala comn, que permita hacer comparaciones y reconocer cambios temporales sin necesidad de conocer exactamente el valor de reflectancia de la superficie. Es importante resaltar que las correcciones radiomtricas tienen un mayor efecto en el visible respecto al infrarrojo, por lo que para hacer anlisis de deteccin de cambios en los que las bandas del espectro visible son importantes, una correccin radiomtrica es de suma importancia para resaltar las diferencias reales entre los valores por pixel. Todas las correcciones mejoran la precisin de los valores espectrales de la imagen (Song 2001), aunque los algoritmos de correccin atmosfrica sencillos, como los usados en este trabajo no sean tan precisos estimando la reflectancia en superficie real , dependiendo del tipo de aplicacin que uno quiera para su base de datos es importante aplicar este tipo de correcciones o recurrir por una ms acertada, que como gran desventaja tienen la cantidad de informacin que se requiere para el algoritmo , que en la mayora de los casos es desconocida o muy difcil de obtener y/ o el tiempo requerido para la correccin (cuando se trata de corregir series de tiempo largas, para obtener un producto esto debe considerarse en el balance). Para aplicaciones donde no se requiere reflectancia de superficie, se recomienda algoritmos de correccin atmosfrica DOS (Song 2001), y segn lo experimentado en este estudio, por tiempo y facilidad la correccin Rayleigh es eficaz, inclusive para preguntas referidas a la estimacin de biomasa area o productividad, donde los mtodos de cosecha a campo suelen involucrar un error grande de estimacin (Pratolongo 2004).

Figura 11: Comportamiento del patrn espectral de imgenes con diferentes correcciones

3. Anlisis de serie de tiempo de NDVI a partir de datos MODIS. En este captulo de la pasanta se sintetiz una serie de tiempo del ndice de vegetacin de diferencia normalizada (NDVI), periodo 2000 a 2013 de la provincia de Corrientes, Argentina.

Se analiz y clasific la dinmica del ecosistema a escala regional; para ello se implement una metodologa resumiendo la variabilidad mensual y anual de una serie de tiempo de datos derivados del sistema TERRA-MODIS. Se desarroll un enfoque metodolgico sinttico y se compar con una clasificacin de firmas espectrales obtenidas de la manera convencional (firmas extendidas). 3.1 rea de estudio La serie de tiempo analizada corresponde a la provincia de Corrientes, ubicada en el nordeste de argentina (Fig.12), rodeada por las ecorregiones Chaco hmedo y Delta e islas del Paran y el Uruguay por el oeste; Espinal y Campos y Malezales por el Este. La ecorregin denominada

Esteros del Iber (Morello et al 2012) comprende un sistema de humedales entre los cuales se encuentra un macrohumedal nico en Sur Amrica formado por un sistema de esteros, baados, lagos someros y cursos de distinto orden interconectados (Neiff, 2001).
600'0"W 550'0"W

/
SALTA FORMOSA
250'0"S 250'0"S

CHACO MISIONES

SANTIAGO DEL ESTERO

CORRIENTES

300'0"S 300'0"S

SANTA FE

ENTRE RIOS CORDOBA

BUENOS AIRES

70.000 140.000

280.000 Meters

600'0"W

550'0"W

Figura 12: Ubicacin del rea de estudio; ecorregin Esteros del Iber.

El rea de estudio forma parte de la provincia geolgica Mesopotmia dentro de la amplia cuenca del Paran, que a su vez integra la cuenca Chaco Paranaense. Tiene una extensa depresin en el centro de la regin, actualmente ocupada por los esteros de iber; a causa de movimientos tectnicos el curso del rio Paran fue migrando de sur a norte hasta alcanzar su

posicin actual y la depresin qued desconectada de l (Morello et al 2012) por lo que el extenso humedal y la zona en general es alimentado por agua de lluvia. Esta zona de estudio comprende un conjunto de ecosistemas relacionados funcionalmente, entre los que predominan los ambientes palustres (esteros y baados) que interconectan extensos lagos poco profundos (Neiff 2001). El rea est conformado por un mosaico de humedales (wetlands), tieras altas (uplands) y cuerpos de agua profunda (deepwater).

3.2 Metodologa

El principal objetivo de este anlisis es comparar dos enfoques metodolgicos que permiten ver patrones de cambio de NDVI a escala regional, que sirven como indicador de la dinmica de los ecosistemas. En este estudio se realiz la sntesis de una serie de tiempo del producto MOD 13 de NDVI, proveniente del sensor MODIS a bordo de la plataforma TERRA. Se sintetiz la informacin capturando la variabilidad mensual de los 13 aos del estudio en la media de cada mes; y la desviacin estndar como indicador de la variabilidad interanual de los datos. Se compara esta metodologa de anlisis con la metodologa utilizada en la tesis doctoral titulada Modelos de respuestas de vertebrados de humedales frente a escenarios de cambio climtico en el Microsistema Ibera (Schivo, en curso); en la que la serie de tiempo se maneja sin resumir informacin (extendida) y se obtienen las firmas temporales de las unidades funcionales presentes en el paisaje.

3.2.1 Serie de tiempo: Media y Desvos estndar El producto MOD13 de ndices verdes proporciona informacin de NDVI con una resolucin espacial de 250m y perodo de composicin de 16 das, proyectados con base en una grilla sinusoidal (Huete et al., 1999). La zona de estudio est en el recuadro h12v11, se obtuvo un total de 299 imgenes para cubrir el periodo entre febrero de 2000 y febrero de 2013. El producto MOD13 ofrece 23 imgenes por ao. Como primera medida para el procesamiento y construccin de la serie de tiempo sinttica se deben agrupar las imgenes por mes. En el software ENVI 4.8 fueron apiladas las imgenes de la siguiente forma: dos imgenes por mes para cada uno de los aos; de esta forma se obtuvieron 12 stacks, cada uno con 26 bandas correspondiente a cada una de las imgenes (el mes de octubre 13 bandas).

Posteriormente se calcula la media de cada stack por mes utilizando la herramienta matemtica de bandas en ENVI; de esta forma se obtiene tan solo una imagen que representa la media de cada uno de los meses a lo largo de los 13 aos de la serie de tiempo. Para obtener las 12 imgenes de la media es importante tener en cuenta que el producto MOD13 representa los pixeles sin informacin con el valor -3000, si se le aplica matemtica de bandas sin corregir esos valores, la estadstica de la imagen va a ser errnea; para evitar este error, previamente se corrigieron los valores anormales con el siguiente script en IDL:
RES = float(IMG) NRO_MALITOS = where(IMG EQ -3000) ;if NRO_MALITOS NE -1 THEN BEGIN PRINT, "NUMEROS A ELIMINAR" SZ = SIZE(NRO_MALITOS) print, SZ[1] RES[NRO_MALITOS] = !Values.F_NAN ;ENDIF end

Adems de la media, se calcul una imagen con la desviacin estndar por mes. Las 12 imgenes que representan la SD fueron calculadas a partir del siguiente script en IDL:
FUNCTION utility (ene,mean) b=size(ene) ;Imax=1316-1 ;row Imax=b(2)-1 ;row ;print,Imax ;Jmax=1068-1 ;column Jmax=b(1)-1 ;column ;print,Jmax ;Kmax=26-1 ;band Kmax=b(3)-1 ;band ;print,Kmax sd1=fltarr(Jmax+1,Imax+1) for i=0, Imax do begin; row for j=0, Jmax do begin; column sum_k0=0 for k=0, Kmax do begin; band sum_k=(ene(j,i,k)-Amean(j,i))^2.+sum_k0 sum_k0=sum_k endfor ;k sd1(j,i)=sqrt(sum_k0/(kmax+1)) endfor ;j endfor ;i print,sd1 ;num=fltarr(2,6) ;for j=0,1 do for i=0,5 do begin num(j,i)=i*j ;print,num End

Una vez obtenidas las 12 imgenes mensuales de la desviacin estndar, se procedi con la construccin de un nuevo stack, pero esta vez se apilaron 24 bandas, las 12 primeras corresponden a la media por mes; y las bandas 13 a la 24 corresponden a las imgenes de la desviacin estndar. A continuacin se ilustra el procedimiento en un diagrama de flujo.

Descargar serie de tiempo (299 imgenes)

Stack: Unir los meses en una sola imagen. Ej todos los eneros del periodo en un solo stack de 26 bandas= 12 stacks

Corregir -3000

IDL

IDL

Clculo SD 1 imagen SD X mes Stack 12 meses Stack

Clculo Media 1 imagen media X mes Stack 12 meses

Band Math

Imagen con 24 bandas: 12 sd y 12 media Clasificar

3.2.2 Clasificacin Se clasific la imagen multibanda (medias y desvos) usando el clasificador no supervisado ISODATA. Como parmetros del proceso de clasificacin se definieron: 13 clases, 1000 iteraciones y 0,98 como nivel de convergencia. Estos parmetros fueron los mismos usados en la clasificacin extendida realizada por Schivo (Datos sin publicar), con el fin de comparar las dos clasificaciones resultantes. Adicionalmente se clasifico la imagen multibanda usando otro algoritmo no supervisado denominado K-means, de igual forma se utilizaron los parmetros anteriores.

3.3 Resultados 3.3.1 Unidades funcionales La figura 13 muestra la clasificacin obtenida mediante el algoritmo ISODATA, se observa la disposicin espacial de los patrones de variabilidad tpicos obtenidoss en el rea de estudio. Es notable en la figura que aunque el parmetro de entrada para el clasificador fue 13 clases, logr

identificar en la variacin de los valores de NDVI (medias y desvos) 14 clases, sin embargo 3, 4 y 9 ocupan casi la totalidad del rea, situacin que no se aproxima a la realidad del terreno, y que para el caso de la comparacin con la metodologa desarrollada por Schivo, siendo el mismo clasificador se logr un mapa con poca sensibilidad para determinar la heterogeneidad

del terreno e identificar patrones de coberturas. Figura 13: Disposicin espacial de los patrones de variabilidad observados en el rea de estudio. Clasificador ISODATA. Al ser notable la poca precisin que se logr con el clasificador ISODATA, se recurri a implementar el clasificador no supervisado K-MEANS, la figura 14 muestra la expresin espacial de los patrones de NDVI (clases) obtenidos con este algoritmo. Se observan (fig. 14) 11 clases de patrones temporales de NDVI como resultado de la clasificacin, en comparacin con las 12 clases obtenidas por Schivo en su anlisis (fig 15) una primera aproximacin visual habla de una clasificacin mucho ms ajustada al terreno o al

menos a la heterogeneidad presente a una gran escala en el paisaje, esto en congruencia con la clasificacin lograda por Schivo con la metodologa de firmas temporales extendidas; aunque son necesarios anlisis a profundidad, como primera instancia se ven resultados adecuados que en tiempo de procesado son mucho menos costosos, pues para obtener la clasificacin por KMEANS fueron requeridos tan solo minutos, en comparacin con ISODATA que tardo varios das en dar un resultado.

Figura 14: Disposicin espacial de los patrones de variabilidad de NDVI observados en el rea de estudio. Clasificador K-MEANS

Figura 15: Clasificacin de ambientes de la eco-regin Esteros de Iber, ISODATA, serie temporal de NDVI extendida (Schivo). Se observan once patrones temporales correspondientes a la clases obtenidas por el algoritmo (fig. 16); es importante resaltar que estos patrones temporales si bien son el resultado de la dinmica temporal del NDVI de ciertas coberturas, por la escala a la que se trabaja y la heterogeneidad del terreno, no son propiamente coberturas puras, por el contrario, son complejos funcionales que responden de igual forma a los cambios en las condiciones temporales. Por lo anterior la interpretacin de dichos patrones o clases se hace a partir de la curva anual promedio de NDVI (mean) y su variabilidad interanual (sd).

1,0 0,9 0,8 0,7 0,6 NDVI 0,5 0,4 0,3 0,2 0,1 0,0

1 7

2 8

3 9

4 10

5 11

Figura 16: Firmas temporales sintetizadas de los patrones de variabilidad encontrados en el rea de estudio.

Agosto Septi Octu Novi Dicie Enero Febr Marzo Abril Mayo Junio Julio Agosto Septi Octu Novi Dicie Enero Febr Marzo Abril Mayo Junio Julio

Con base en la curva de los patrones de variabilidad (Fig. 16) se pueden diferenciar comportamientos en las clases que hablan de la forma en que el ambiente responde a los cambios. Son notables tres comportamientos diferentes en la variabilidad anual: 1. No presenta variabilidad, 2. Variacin estacional (Acampanada), 3. Variacin Aleatoria. Estos comportamientos tambin se observan en las variaciones interanuales de las clases.

El patrn de variabilidad de cada clase puede presentar una combinacin de cualquiera de los 3 comportamientos anuales descritos anteriormente, as como los 3 interanuales, por lo que se us esta informacin para un anlisis posterior en el que se agruparon las clases segn su forma y magnitud de valores. Para realizar este anlisis se derivaron un conjunto de variables sintticas obtenidas a partir de cada clase obtenida. Estas variables se presentan a continuacin (Tabla 2) y son la expresin de la variabilidad de los datos que representan la respuesta del ecosistema estudiado a los cambios anuales e interanuales.

Tabla 2: Variables estadsticas derivadas de la clasificacin K-means y su significado biolgico Variable Media Curtosis Significado estadstico Valor medio de NDVI en el periodo de estudio (2000-2013) Apuntamiento de la curva anual media Grado de asimetra de la curva anual media Relacin entre el tamao de la media y la desviacin estndar de NDVI Significado biolgico Valor medio de vegetacin Intervalo de tiempo en el que la vegetacin est en su mximo vigor (a mayor curtosis, menor tiempo en mximo verdor) Momento en el que la vegetacin se encuentra en su mximo vigor Variacin del vigor de la vegetacin en el periodo estudiado

Coeficiente de asimetra Coeficiente de Variacin

Para lograr una interpretacin aproximada a la realidad de terreno las clases obtenidas mediante la clasificacin no supervisada por k-means, se sometieron a un anlisis de componentes principales (PCA) a partir de las variables anteriormente descritas (Tabla 2). Este anlisis permite conocer las fuentes de variacin entre las clases y de esta manera se pueden agrupar y caracterizar los 11 patrones de variabilidad en grupos funcionales que responden de la misma manera a los cambios en el ambiente. Al analizar la variabilidad interna en las clases mediante el PCA (fig. 17) se obtuvieron dos ejes que explicaron el 95,5% de la heterogeneidad presente en los registros de NDVI de cada clase. El primer eje se relaciona ms con las variables que representan la forma de la campana (asimetra y curtosis), por lo que este componente habla de la variabilidad estacional del NDVI;

mientras que el segundo eje explica ms la variabilidad interanual de los datos por su relacin con el coeficiente de variacin. Con lo anterior, las 11 clases se re agruparon en 7 unidades funcionales que responden de manera muy parecida ante diferentes cambios en el ambiente: Unidad funcional 1: Clase 1. Mayor coeficiente de variacin encontrado en todos las clases (3,16) y menor curtosis (-0,60), estos dos parmetros hablan de la aleatoriedad de la dispersin de los datos, no siguen un patrn estacional ni su media ni su desvio estndar a lo largo de la serie de tiempo (fig. 18 y 19), el valor medio anual de NDVI es de 0,04 por lo que esta unidad funcional corresponde se comporta estructuralmente como cuerpos de agua libre. Unidad funcional 2: Clase 2. Coeficiente de variacin y asimetra bajos (fig. 17), valor medio anual aleatorio con desviacin estndar alta (fig. 19), esta unidad funcional se comporta de manera no sensible a la lluvia por no presentar una estacionalidad marcada, sin embargo presenta un patrn insipiente que sugiere un aporte de agua principalmente por los ros y no por la lluvia; en la serie de tiempo (fig. 18) se puede observar en 2002 una baja en la seal de NDVI en temporada de seca, seguida de un incremento notorio en la seal, lo que sugiere un comportamiento de cuerpos de agua poco profundos sensibles a la colonizacin de vegetacin herbcea. Unidad funcional 3: Clase 3. Media de NDVI con patrn estacional asimtrico (fig. 19), este comportamiento sumado al valor medio de NDVI 0.56 sugiere vegetacin inundada; que en este tipo de ecosistema se correspondera funcionalmente al comportamiento de los esteros y baados de la zona de Iber. Se observan bajas de la seal abruptas en agosto de 2000 y julio de 2006 (fig. 18), fechas en las que la temperatura fue muy alta respecto a los otros aos del periodo de estudio y la precipitacin fue muy baja. Unidad funcional 4: Clase 4. Curva media de NDVI asimtrica, esta unidad funcional es notoriamente diferente al resto de clases por su asimetra (fig. 17), el patrn de NDVI es estacional con su pico de mxima vigorosidad hacia los meses de otoo, comportamiento que corresponde con zonas de cultivo o arroceras presentes en la zona de estudio. Presenta bajas muy marcadas en la seal de NDVI en diciembre de 2004, poca en la que las precipitaciones en la zona fueron ms intensas que el promedio general del periodo de estudio (fig. 18 y 19).

Figura 17: Anlisis de componentes principales de las 11 clases obtenidas por el clasificador no supervisado K-means Unidad funcional 5: Clases 5, 6 y 8. El PCA (fig. 17) permite agrupar estas tres clases en una sola unidad funcional debido a que su comportamiento de NDVI es similar a lo largo del tiempo (fig. 19) . Presentan patrones estacionales simtricos y con curtosis negativas o platicrticas. Este comportamiento de NDVI sugiere una vegetacin de tipo pastizal caracterstico de las sabanas de zonas altas no inundables, poco sensibles a que el agua, en poca de lluvia disminuya la seal; por el contrario marcando el notable incremento de NDVI en poca de lluvia correspondiente al vigor de la vegetacin en esta poca del ao. En la serie de tiempo (fig. 18) se observan cadas abruptas de la seal en abril de 2004, fecha con altas precipitaciones que sugieren un evento de inundacin en zonas donde es poco comn que ocurran. Unidad funcional 6: Clases 7, 9 y 10. En contraste con la unidad funcional 5, el PCA permiti agrupar estas tres clases debido a que su comportamiento anual con una marcada estacionalidad presenta campanas simtricas pero con curtosis positivas de tipo leptocrticas. Sus valores de NDVI anuales de 0.66, la amplitud de su variabilidad interanual en los meses de lluvia (fig. 19) y la ubicacin espacial de estas clases (fig. 14) sugieren que esta unidad funcional corresponde a bosques higrfilos asociados a antiguos cauces del rio Paran. Si bien esta unidad funcional con

el comportamiento tpico de un bosque es muy resistente a cambios abruptos de la seal de NDVI se observa (fig. 18) el mismo decaimiento en abril de 2004 cuando hubo un considerable aumento de las precipitaciones en la regin. Unidad funcional 7: Clase 11. Esta ltima unidad segn el PCA se diferencia del resto por presentar el valor ms alto de NDVI medio anual de todas las clases (0.73) y por ser la de mayor curtosis (1.53). Al igual que la unidad funcional 6, este es un comportamiento tpico de Bosque que a lo largo de la serie de tiempo (fig. 18) presento mayor vigorosidad en su biomasa.

Figura 18: Firmas temporales extendidas de los patrones de variabilidad encontrados en el rea de estudio.

Figura 19: Variacin anual e interanual de las firmas temporales de los patrones de variabilidad encontrados en el rea de estudio. Clases de 1 a 11 en orden ascendente desde la esquina superior izquierda.

3.3.2 Comparacin Para alcanzar el principal objetivo de este anlisis de serie temporal de NDVI que consisti en comparar la clasificacin obtenida a partir de la sntesis (reduccin de bandas) de toda la serie de tiempo, con la clasificacin obtenida a partir de la serie extendida se realiz un anlisis de conglomerados con las clases obtenidas por los dos mtodos. De esta forma en el software libre para anlisis estadstico R, se incluy una base de datos que contena las 12 clases obtenidas en la clasificacin de Schivo con las firmas extendidas (enumeradas del 1 al 12), seguidas de las 11 clases obtenidas por la clasificacin sinttica por K-means (enumeradas del 13 al 23). El anlisis de conglomerados (fig. 20) en primera instancia refleja que las clases 1 de Schivo y 13 que corresponde a la unidad funcional, quedan agrupadas en un solo cluster, por lo que existe una congruencia entre las dos clasificaciones. De igual forma ocurre con las clases 2 y 14 (unidad funcional 2). Estas clases son las que entre si son ms parecidas y as u vez presentan una diferencia muy marcada respecto a las dems en las dos clasificaciones. La unidad funcional 4 presenta una alta similitud con la clase 3 de la clasificacin por firmas extendidas.

Figura 20: Anlisis de conglomerados de las clases obtenidas en clasificaciones del mismo rea de estudio con dos metodologas diferentes (extendida 1 a 12, sinttica 13 a 23) En rojo y azul (fig. 20) se resaltan dos grupos que conforman un gran cluster unido por un solo nodo raiz; en rojo se encuentran agrupadas por ser ms parecidas entre s las unidades funcionales 5 y 6 (clases 17 a 21); es notable que se formaron dos grandes grupos de clases de las dos clasificaciones, sin embargo el nodo que une estos dos clusters se encuentra a una

distancia menor que los nodos que unen las unidades funcionales 1, 2 y 4. Dicha distancia menor hace inferencia a que las clases que conforman los dos grandes grupos se parecen ms entre s, que con los otros grupos, por lo que a pesar de que el anlisis no une con gran sensibilidad las clases homologas en las dos clasificaciones, si existe una alta congruencia entre dichas clases. Para el caso de la unidad funcional 7 (23) se observa que se agrupo en un cluster con la clase 11 y 12 correspondindose en las dos clasificaciones. Es notable la correspondencia entre las clases obtenidas por las dos clasificaciones, en consecuencia el mtodo utilizado en este estudio permiti obtener una clasificacin con una sensibilidad similar a la que se obtiene si se utiliza la serie de tiempo completa, sin embargo es de resaltar la reduccin en tiempo que le lleva al clasificador llegar a un resultado valido. As mismo con el mtodo simplificado se puede obtener incluso a posteriori la firma temporal completa, pero con la ventaja de reducir tiempo y tamao de los archivos generados siendo este el principal aporte de este anlisis. 4. RADAR Los sistemas de Radar de Apertura Sinttica (SAR) tienen varias ventajas clave sobre el satlite ptico, como la independencia del sol como fuente lumnica y que la atmsfera no tiene un efecto de distorsin en la seal que recibe; esto hace que sea una herramienta muy til en teledeteccin, sobre todo en zonas donde las condiciones de nubosidad o coberturas de dosel son muy fuertes. Para alcanzar el objetivo que se plante y familiarizarse con mtodos de pre procesamiento y calibracin de imgenes SAR fueron utilizadas cuatro imgenes del sensor COSMO-SkyMed del delta del ro Paran, provincia de Santa F. Las imgenes son de polarizacin HH, de las siguientes fechas: 2011-agosto-14 2012-enero-05 2012-enero-29 2012-abril-11

Las imgenes fueron obtenidas en el nivel de procesamiento L1B; las imgenes COSMOSkyMed son entregadas por la agencia especial Italiana con cierto grado de procesamiento y calibracin; se obtuvieron imgenes en modo DGM que estn en Slant Range por lo que la imagen debe ser calibrada radiomtricamente (re-escalado) y georeferenciada Se procesaron las imgenes usando el software libre desarrollado por la Agencia Espacial Europea NEST 4C-1.1.

El primer paso en pre procesamiento de cada imagen consisti en la calibracin radiomtrica; la cual consiste en convertir los valores de contajes digitales a valores fsicos de retro-dispersin (backscatter en potencia). Las imgenes SAR presentan una distorsin en la seal conoca como speckle que le da a la escena una apariencia granulosa particular (sal pimienta). Una forma de reducir el moteado es la aplicacin de filtros adaptativos que utilizan las estadsticas locales, tales como la desviacin media y estndar. El resultado es una imagen ms suave con menos ruido de moteado. Cuanto ms grande es el tamao de la ventana, es ms grande el efecto de suavizado. Se le aplic un filtro de Lee refinado con ventana de tamao 3x3 pixels a cada a una de las imgenes. Finalmente se procedi con la calibracin geomtrica (elipsoid correction), esta correccin no utiliza un DEM para corregir las imgenes, lo cual para la zona de estudio funciona de una manera adecuada por la poca variacin de altura del terreno. 5. Literatura citada Batzer D and R. Sharitz. 2006. Ecology of Freshwater wetlands. University California.} Borro, M.M.; Minotti, P.G.; Puig, A.; Karszenbaum, H.; Salvia, M.M. y Kandus, 2009. P. Monitoreo de la calidad del agua a travs de sensores remotos en la Regin del Delta del Paran. Santa Fe, Argentina. Poster. X Jornadas de Ciencias Naturales del Litoral II Reunin argentina de Ciencias Naturales. Borro, M.M.; Salvia, M.M.; Minotti, P.G.; Puig, A.; Karszenbaum, H. y Kandus, P. 2009. Primeros resultados de la clasificacin de lagunas someras en la Regin del Delta del Paran bajo un enfoque ecohidrogeomrfico. Poster. II Jornadas Argentinas de Ecologa de Paisajes. Crdoba, Argentina. Borro, M.M., Morandeira, N. S., Salvia, M.M., Minotti, P. G., Puig, A., Karszenbaum, H. y, Kandus, P., 2010. Las lagunas de la planicie aluvial del Delta del Ro Paran: clasificacin multitemporal e integracin con datos limnolgicos. In: Hacia la gestin integral de los recursos hdricos en zonas de llanuras. Varni, M., Entraigas, I. y Vives, L. (Eds.). Libro de Actas del 1 Congreso Internacional de Hidrologa de Llanuras, Azul, Buenos Aires, Argentina. Borro, M.M., Salvia, M., Minotti, P.G, Puig, A., Karszenbaum, H. , Kandus, P., 2010 Primeros resultados de la clasificacin de lagunas someras en la Regin del Delta del Paran bajo un enfoque eco-hidrogeomrfico In: Cambios de uso de la tierra Causas, consecuencias y mitigacin. Menghi, M y Matteucci, S.D. (Eds). Buenos Aires. Asociacin Argentina de Ecologa de Paisaje, pp 27-34.

Borro, M.M.; Morandeira, N.S; Kandus, P.G.; Minotti, P.; Gonzalez Trilla, G.; Salvia, M.M. 2012 Multitemporal Remote Sensing Approach for Mapping Wetlands Shallow Lakes in the Paran River Floodplain. INTECOL 9, June 3-8, 2012 in Orlando, Florida USA. Borro, MM; NS Morandeira, P Kandus, MM Salvia, PG Minotti, P Perna. En revisin. Mapping shallow lakes in a large South American floodplain: a frequency approach on multitemporal Landsat TM/ETM data. Journal ofHydrology. Chvez, P.S. Jr. 1988. An improved dark-object substraction technique for atmospheric scattering correction of multispectral data. Remote Sensing of Environment 24:459-479. Chvez, P.S. Jr. y Mackinnon, D.J. 1994. Automatic detection of vegetation changes in the southwestern United States using remotely sensing images. Photogrammetric Engineering & Remote Sensing 60(5):571-583. Chvez, P.S. Jr. 1996. Image-Based atmospheric corrections-revisited and improved. Photogrammetric Engineering & Remote Sensing 62(9):1025-1036 De Orellana, J. y H. Bertoldi de Pomar, 1969. Introduccin al estudio de los suelos isleos del Paran Medio. Quinta Reunin Argentina de la Ciencia del Suelo Actas 417-423, Santa Fe. Gao, B.C.; Heidebrecht, K.B. y Goetz, A.F.H. 1999. Atmosphere Removal Program (ATREM) version 3.1 User's guide. Center for the Study of Earth from Space (CSES). Cooperative Institute for Research in Environmental Sciences (CIRES). University of Colorado, Boulder Huete, A., Justice, C., Van Leuwen, w. 1999. MODIS Vegetation Index (MOD 13) Algorithm Theoretical Basis Document, Version 3. Disponible en lnea:

http://modis.gsfc.nasa.gov/data/atbd/land_atbd.php Iriondo, M., 2004. The littoral complex at the Paran mouth. Quaternary International 114: 143-154. Iriondo, M., & Drago, E. C. (1972). Descripcin cuantitativa de dos unidades geomorfolgicas de la llanura aluvial del Paran medio, Repblica Argentina.Revista de la Asociacin Geolgica Argentina, 27(2), 143-154. Iriondo, M.H. y A. Paira. 2007. Physical Geography of the Basin. En Iriondo, M.H., J.C. Paggi y M.J. Parma (eds.): The Middle Parana River: limnology of a subtropical wetland: 7-31. Ed. Springer Verlag. Berln. Kaufman, Y.J. 1993. Aerosol optical thickness and atmospheric path radiance. Journal of Geophysical Research 98:2677-2692.

Latrubesse, E. y Chen Z. (Guest Editors) (2009). Short and long term processes, landforms and responses in large rivers, Geomorphology., Vol 113, Issues 3-4, 127-252. Lenoble, J. 1985. Radiative Transfer in Scattering and Absorbing Atmospheres: Standard Computational Procedures, A. Deepak, Hampton, VA., 89 pp. Lu, D.; Mausel, P.; Brondizio, E. y Moran, E. 2002. Assessment of atmospheric correction methods for Landsat TM data applicable to Amazon basin LBA research. International Journal of Remote Sensing 23(13):2651-2671. Marchetti Z y Aceolaza PH. 2005. Deteccin satelital y descripcin de patrones de vegetacin en islas del Paran medio. In: Temas de la biodiversidad del Litoral fluvial Argentino II. Coordinador F.G. Aceolaza (ed) INSUGEO, Miscelneas, 14:151158 Markham, B. L., & Barker, J. L. (1986). Landsat MSS and TM post-calibration dynamic ranges, exoatmospheric reflectances and at-satellite temperatures. Earth Observation Satellite Co., Lanham, MD, Landsat Tech. Note 1. Mendiondo, E. M. (2000). Eco-hydrology of wetlands aided by remote sensing A case study with the REVIVE s GOALS initiative, 19. Millenium Ecosystem Assessment. 2005. Ecosystems and Human Well-Being: Wetlands and water. Synthesis. 80pp. (http://www.millenniumassessment.org/en/index.aspx). Mitch y Gosselink 2007. Wetlands. 4ta. Ed. John Wiley & Sons Morello, J., Matteucci, S.D., Rodriguez, A.F., Silva, M.E. 2012. Ecorregiones y complejos ecosistemicos argentinos. 1ra ed. Orientacin grfica editora. Buenos aires, 750 pp Neiff, J.J. 2001.Diversity in some tropical wetland systems of South America. En: B. Gopal , W. Junk y J. Davis (Eds.), Biodiversity in wetlands: assessment, function and conservation, Vol II. Backhuys Publish., The Netherlands, pp 157-186. Ozesmi, S. L., & Bauer, M. E. (2002). Satellite remote sensing of wetlands, 381402. Ramonell, C. G., y Amsler, M. L. (2002). Gua de procedimientos metodolgicos para estudios morfolgicos de cauces fluviales argentinos, XIX Congr. Nac. del Agua, CD de Trabajos. Crdoba, Argentina. Salvia, M., Grings, F., Karszenbaum, H., Kandus, P., Universitaria, C., Guiraldes, I., Aut, C., et al. (2012). P F e W e l a P c s r P r d m a, 8(2). doi:10.4996/fireecology.0802ppp Soil Survey Staff (2010) Keys to soil taxonomy. USDA-Natural Resources Conservation Service, Washington DC

Slater, P.N., 1980. Remote Sensing: Optics and Optical Systems, Addsion-Wesley Publishing Company, Reading, Massachusetts, pp. 465-509. Song, C.; Woodcock, C.E.; Seto, K. C.; Lenney, M.P. y Macomber, S.A. 2001. Classification and change detection using Landsat TM data: when and how to correct atmospheric effects? Remote Sensing of Environment 75:230-244. Stumpf. R.P. 1992. Remote sensing of water clarity and suspended sediments in coastal waters. Proceedings of the First Thematic Conference on Remote Sensing for Marine and coastal Environments, Louisiana, USA. Toutin, T. 1995. Multi-Source Data Fusion with an Integrated and Unified Geometric Modelling. EARSeL. Journal Advances in Remote Sensing 4(2):118-129