Análisis de tendencia del índice de vegetación de diferencia normalizada
en la subcuenca del río Casacay, Ecuador (1989-2022) (Original).
Trend analysis of the
normalized difference vegetation index in the Casacay
river subbasin, Ecuador (1989-2022) (Original).
Nestor Andrés
Castillo Villavicencio. Ingeniero Agrónomo. Facultad de Ciencias
Agropecuarias. Universidad Técnica de Machala. El Oro. Ecuador.
[ ncastillo3@utmachala.edu.ec ] [ https://orcid.org/0009-0001-0088-1456 ]
Resumen
Los cambios en la cobertura
vegetal son indicadores que pueden dar lugar a la erosión del suelo o a su
pérdida funcional.; por lo tanto, el objetivo de esta investigación fue
analizar la tendencia del Índice de Vegetación de
Diferencia Normalizada en la subcuenca del río Casacay,
para el período 1989-2022. Abordando la evolución de la cobertura vegetal,
utilizando imágenes Landsat para obtener el NDVI. Con el fin de identificar
cambios en la vegetación y su posible relación con el cambio climático y la
actividad humana. Observamos una tendencia general hacia valores negativos de
NDVI, indicativos de una disminución en la actividad vegetal. Esta tendencia se
atribuye al posible impacto del cambio climático y la actividad antropogénica
en las últimas décadas. Aunque la información entre 2000 y 2012 está ausente
debido a condiciones climáticas adversas y fallas en Landsat +7, se destaca la
importancia del monitoreo continuo de la cobertura vegetal para comprender los
cambios en los ecosistemas y apoyar la gestión ambiental y la adaptación al
cambio climático. Estas herramientas son esenciales para la conservación
sostenible a largo plazo de los recursos naturales.
Palabras clave: NDVI; Casacay; Mann Kendall;
Landsat
Abstract
Changes in
vegetation cover are indicators that can lead to soil erosion or functional
loss. Therefore, the objective of this research was to analyze the trend of the
Normalized Difference Vegetation Index in the Casacay
River sub-basin for the period 1989-2022. Addressing the evolution of vegetation
cover, using Landsat images to obtain the NDVI, in order to identify changes in
vegetation and their possible relationship with climate change and human
activity. A general trend towards negative NDVI values, indicative of a
decrease in vegetation activity, is observed. This trend is attributed to the
possible impact of climate change and anthropogenic activity in recent decades.
Although information between 2000 and 2012 is absent due to adverse weather
conditions and failures in Landsat +7, the importance of continuous monitoring
of vegetation cover to understand changes in ecosystems and support
environmental management and adaptation to climate change is highlighted. These
tools are essential for the long-term sustainable conservation of natural resources.
Keywords: NDVI, Casacay, Mann
Kendall, Landsat
Introducción
En Ecuador,
durante las últimas décadas, se han observado transformaciones significativas
en la vegetación natural y en el uso de la tierra. Estos cambios han
involucrado la conversión de áreas con potencial agrícola en zonas urbanas, así
como la reubicación de tierras agropecuarias hacia áreas con vegetación nativa.
Estos procesos han llevado a la pérdida de la función social y ambiental del
suelo. Además, en los páramos se evidencia la disminución de la diversidad
florística debido a la presencia de actividad ganadera (Romo & Calero,
2022).
El uso de
bases de datos de imágenes satelitales se presenta como una valiosa herramienta
para examinar las modificaciones que ocurren en diversos aspectos del
funcionamiento de los ecosistemas. Estas aplicaciones resultan de gran
importancia tanto para el avance del conocimiento en este campo como para la
gestión eficiente de áreas protegidas. Adicionalmente, el empleo de imágenes Landsat
resulta de vital importancia al llevar a cabo un análisis de la evolución del
Índice de Vegetación de Diferencia Normalizada (NDVI, por sus siglas en inglés)
(Mejía et al.,
2021).
Por otro
lado, existe una amplia
variedad de índices de vegetación, entre ellos se encuentra el NDVI. Este
índice se utiliza para evaluar la capacidad fotosintética y la resistencia
estomática de las plantas en relación con la transmisión de vapor de agua. Es decir, el NDVI, se basa en la respuesta de
las plantas a la luz en diferentes longitudes de onda. Las zonas con vegetación
saludable, que presentan una alta actividad fotosintética, tienden a absorber
más luz visible y a reflejar una cantidad considerable de luz infrarroja
cercana. Por otro lado, las áreas con vegetación menos vigorosa o dispersa,
donde la fotosíntesis es limitada, reflejan una mayor proporción de luz visible
y una menor cantidad de luz infrarroja cercana, lo que se traduce en valores de
NDVI más bajos ( Llerena et al., 2019).
En la
cuenca del río Jubones, se pueden identificar distintos patrones discretos de
ocupación del terreno. Estos abarcan áreas con arbustos, praderas, cultivos,
pastizales, vegetación de páramo, bosques, zonas arboladas, terrenos áridos y
sectores urbanizados. El páramo, ecosistema andino característico de la región
sierra del Ecuador, desempeña un papel fundamental como fuente principal de
recursos hídricos, abarca alrededor del 24% del área total del Jubones. La
composición de suelos es diversa y heterogénea, siendo los tipos de suelo
dominantes el inceptisol y el entisol (Hasan & Wyseure,
2018).
Uno de los
principales desafíos en la subcuenca del río Casacay
es la erosión, un problema que causa la degradación tanto en la cantidad como
en la calidad del agua. Esta situación es resultado de diversos fenómenos y
está estrechamente relacionada con el uso del suelo, las condiciones
climáticas, la topografía, la geología y la edafología. La pendiente
pronunciada favorece la ocurrencia de crecidas y facilita el transporte de
sedimentos, lo cual se ve agravado por la estructura débil y la textura fina de
la mayoría de los suelos presentes. Por lo tanto, la planificación de medidas
de intervención en la subcuenca hidrográfica debe considerar cuidadosamente la
gestión del suelo y del agua para abordar eficazmente este problema.
Por otra
parte, la subcuenca Casacay ha experimentado
problemas significativos debido al incremento progresivo de la ganadería. A lo
largo de los años, este aumento ha resultado en la deforestación del bosque
primario, convirtiéndolo en áreas dedicadas a la cría de ganado y cultivos.
Estos cambios en el uso de la tierra han dado lugar a diversos problemas
ambientales, como la contaminación del agua, la erosión del suelo, la falta de
control en la escorrentía y alteraciones en los cursos de agua.
De acuerdo
con la revisión bibliográfica realizada, se ha encontrado una insuficiente
cantidad de estudios que aborden la evolución temporal de la cobertura vegetal
en la subcuenca Casacay. No obstante, a nivel global
y regional, existe una amplia gama de investigaciones que tratan esta temática.
En el contexto de Ecuador, se han llevado a cabo algunos estudios que resultan
útiles para el análisis en la zona de estudio. Por lo tanto, el objetivo de
este trabajo es el objetivo analizar la tendencia del NDVI (índice de
vegetación de diferencia normalizada) en la subcuenca del río Casacay, Ecuador, para el periodo 1989-2022, empleando
información de percepción remota y datos de imágenes satelitales. Investigando
la dinámica de cambio en la cobertura vegetal en esta área específica a lo
largo de veinte años.
Materiales y Métodos
La
subcuenca Casacay se encuentra ubicada en la
provincia de El Oro tiene un área de 12 178 ha, en el ámbito
político-administrativo abarca los cantones de Pasaje y Chilla. Además, la
misma se encuentra delimitada en la siguiente figura en coordenadas WGS84 UTM
zona 17S (Figura 1).
Dado que
Ecuador se ubica en la Zona de Convergencia Intertropical (ITCZ, por sus siglas
en ingles), las formaciones nubosas son comunes, junto con bancos de nubes
densas que se presentan en distintas altitudes a lo largo de la Cordillera Real
de los Andes (CRJ) con una frecuencia diaria, integrando sistemas de
información geográfica (GIS). En este contexto, el área de estudio se limitó a
altitudes entre 1200 y 3550 metros sobre el nivel del mar (msnm), debido a la
elevada incidencia de nubosidad tanto en la región costera como en la zona
alto-andina (Cobos et al.,
2021).
Obtención
de imágenes satelitales
Las
imágenes utilizadas fueron obtenidas a través de Google Earth
Engine (GEE), una plataforma de procesamiento
geoespacial. GEE proporciona acceso a una amplia colección de imágenes
satelitales y datos geoespaciales, los cuales se utilizan para realizar
análisis y estudios sobre la Tierra a escala global. Esta plataforma ofrece
herramientas avanzadas de procesamiento y análisis, así como una interfaz de
programación de aplicaciones (API, por sus siglas en inglés) web y entornos de
desarrollo integrados que permiten a los usuarios realizar investigaciones
personalizadas y obtener información detallada sobre diversos fenómenos
geográficos y ambientales (Roque, 2022).
Características
de las imágenes satelitales
El proyecto
Landsat, por más de cuarenta años, ha proporcionado información espacial con
una resolución moderada (~30m), de forma continua desde 1972 hasta la
actualidad. Se han puesto en órbita ocho series de satélites Landsat con el
propósito de llevar a cabo la Observación de la Tierra. Destacando, Landsat 6
fue el único satélite que no logró completar su órbita correctamente. Durante
las últimas cuatro décadas, los demás satélites de la serie han representado un
recurso singular que ha contribuido a la investigación y aplicaciones
relacionadas con el cambio global, abarcando campos como la agricultura, la
cartografía, la geología, la silvicultura, la planificación regional, la
vigilancia y la educación.
El Landsat
7, lanzado el 15 de abril de 1999, experimentó fallas en su sensor ETM+ a
partir de mayo de 2003, lo que resultó en la desactivación del SLC. Desde el 14
de julio de ese año, las escenas capturadas muestran líneas de datos inválidos
conocidas como "gaps". El SLC es crucial ya que compensa el
movimiento del satélite durante la captura de imágenes, sin él, el sensor
produce un patrón de zigzag, dejando partes de los datos duplicados y otras
áreas sin registrar, marcadas con un valor de 0.
Estas
imágenes muestran datos reales intercalados con franjas negras, lo que equivale
a un valor de 0 en todos los canales. Estos gaps provocan la pérdida de
aproximadamente el 22% de la información en cada imagen y se presentan en
franjas inclinadas hacia la izquierda a unos 8° respecto a la orientación
horizontal, con intervalos de 33 píxeles. En el borde de la imagen, estas
franjas tienen hasta 15 píxeles de ancho y disminuyen gradualmente hacia el
centro hasta desaparecer. Según el USGS, la zona sin gaps tiene alrededor de 22
km de ancho. Esto significa que en el borde de la escena, se pierde el 45% de
los datos debido a una anchura de 15 píxeles combinada con una distancia de 33
píxeles entre los gaps (Rodríguez, 2009).
Figura 1. Ubicación de la subcuenca Casacay, A)
Ubicación de la cuenca del río Jubones en Ecuador, B) Ubicación de la subcuenca
Casacay en la cuenca del río Jubones, C) Área de
estudio, subcuenca Casacay, se denotan la
clasificación del uso del suelo
La serie Landsat 4-7 incluye los sensores Thematic
Mapper (TM) o Enhanced Thematic Mapper (ETM+), que
presentan una resolución espacial más detallada y una resolución radiométrica
superior al tamaño máximo de segmento. Este conjunto de satélites también se
caracteriza por una cobertura espectral más amplia, incluyendo la incorporación
de bandas en las longitudes de onda de infrarrojo de onda corta (SWIR) e
infrarrojo térmico. Los satélites en la categoría TM/ETM+ tienen ciertas
diferencias en sus características. Además del instrumento TM, los satélites
Landsat 4-5 incluían un escáner de tamaño máximo de segmento a bordo. En el
caso de Landsat 7, se añadió una banda pancromática con una mayor resolución
espacial. Por su parte, Landsat 8 se encuentra equipado con el Land Imager Operativo (OLI) y
sensores de Infrarrojo Térmico (TIRS). El OLI extiende la resolución espectral
del grupo TM mediante la incorporación de una banda azul profundo y una banda
de cirrus. Mientras tanto, TIRS introduce una segunda banda térmica (Young et al.,
2017).
Procesamiento de imágenes
Conversión de número digital a valores de reflectancia
La corrección atmosférica se divide en dos categorías principales: la
corrección absoluta, que implica la conversión de los números digitales a
reflectancia superficial, y la corrección relativa, en la cual los valores de
número digital (DN) en imágenes corregidas representan la misma reflectancia,
independientemente de la reflectancia real presente en la superficie terrestre.
La sustracción de objetos oscuros (DOS, por sus siglas en inglés) se
presenta como uno de los métodos más sencillos, pero ampliamente empleados en
corrección atmosférica absoluta basada en imágenes en aplicaciones relacionadas
con la clasificación y la detección de cambios. Este método parte del supuesto
de que en toda una escena capturada por Landsat TM existen objetos oscuros, es
decir, aquellos con una reflectancia superficial próxima a cero o muy baja, y
que la atmósfera se encuentra horizontalmente homogénea (Song et al., 2001).
Corrección topográfica
La corrección topográfica en imágenes satelitales es esencial para
contrarrestar las distorsiones ocasionadas por la topografía del terreno,
mejorando así la precisión de la información radiométrica y geométrica
adquirida desde el espacio. Este proceso aborda desafíos como sombras,
distorsiones geométricas y variaciones en la reflectancia debido a la altitud,
empleando métodos como modelos digitales de elevación (DEM), correcciones
atmosféricas y ajustes altimétricos.
Crear un stack (apilamiento de las bandas)
El apilamiento, una técnica de ensamblaje de dos o más capas, combina
los resultados de diversos modelos base mediante un nuevo modelo meta para
optimizar el rendimiento. Esta estrategia corrige errores potenciales en los
modelos base, resultando en una mejora global en el rendimiento del modelo
integrado y maximizando las ventajas de cada modelo en cierta medida (Cao et al., 2021).
Obtención del NDVI y análisis de tendencia
La amplia aplicación del Índice de Diferencia
Normalizada de Vegetación (NDVI) en teledetección destaca su relevancia en la
monitorización de la salud vegetal. Este índice específico evalúa tanto la
vitalidad como la presencia de vegetación no saludable mediante la absorción
del canal rojo y la reflexión en el Infrarrojo Cercano por parte de la
vegetación sana. La discrepancia entre estas bandas permite la identificación
precisa de áreas con vegetación en distintas condiciones. Dada la variabilidad
en los índices NDVI asociados a diferentes tipos de vegetación, este índice
proporciona un respaldo valioso a los clasificadores en sus tareas de
categorización. Además, el NDVI sirve como una medida efectiva de la actividad
fotosintética, presentando una fuerte correlación con la densidad y vitalidad
general de la vegetación.
Cuando el NDVI tiene un valor elevado, esto sugiere una mayor densidad
de vegetación presente en la zona analizada. Por otro lado, un valor bajo de
NDVI señala una menor presencia de vegetación en el área. Cabe resaltar que los
valores negativos reflejan la presencia de cuerpos de agua. El NDVI tiene un
rango que va desde -1 hasta 1, utiliza las bandas de infrarrojo cercano (NIR) y
rojo visible del espectro electromagnético, y su cálculo se realiza mediante la
siguiente fórmula (Aryastana et al.,
2022):
NDVI = (NIR – Red) / (NIR + Red)
Análisis de tendencia Mann-Kendall
La prueba de Mann-Kendall, una de las herramientas no paramétricas más
empleadas para identificar tendencias en series temporales, se origina en la
prueba de correlación de rangos propuesta por Kendall en 1955. En esta
evaluación de tendencia, se examina la correlación entre la clasificación de
los valores observados y su orden cronológico. La hipótesis nula de la prueba
postula que los datos son independientes y se disponen de manera aleatoria, es
decir, no existe una estructura de correlación serial ni tendencia en las
observaciones. La formulación de la prueba de correlación de rangos para dos
conjuntos de observaciones, X=
e Y=
, se
expresa mediante el estadístico S, calculado según la ecuación 
(Hamed &
Ramachandra, 1998). Este
enfoque se revela esencial para el análisis de tendencias en diversas
disciplinas científicas, al proporcionar una metodología rigurosa y eficaz en
la detección de patrones temporales en datos no paramétricos.
Resultados y discusión
Figura
2 Cambios en el área de diferentes tipos de
cobertura terrestre utilizando regresiones lineales
Los resultados del Índice de Vegetación de Diferencia Normalizada (NDVI)
derivados de las imágenes captadas por el satélite Landsat durante el periodo
comprendido entre 1989 y 2022, exhiben una notable variabilidad en todas las
categorías de cobertura vegetal analizadas (bosques nativos, páramos,
plantaciones forestales, tierras agropecuarias y vegetación arbustiva). En
particular, se observa una tendencia hacia valores positivos durante el lapso
de 1989 a 2000. Es sumamente importante destacar que no fue posible obtener
información para el período entre 2000 y 2012 debido a la presencia frecuente
de nubosidad y las limitaciones inherentes al sensor de Landsat 7 durante ese
intervalo temporal.
Por otro lado, se registra una marcada disminución en los valores del
NDVI entre los años 2013 y 2022, como se evidencia en la (Figura 2). Este
cambio en el patrón de comportamiento del NDVI coincide con un aumento notable
en la actividad antrópica y se correlaciona con los efectos del cambio
climático en la región bajo estudio. Este fenómeno sugiere una mayor presión
sobre los ecosistemas vegetales durante el periodo más reciente, lo cual puede
tener implicaciones significativas para la salud y la resiliencia de estos
sistemas frente a los desafíos ambientales actuales y futuros. Al estudiar los
datos proporcionados, se observa que el 41.67% de los valores del NDVI se
sitúan por encima de cero, indicando un incremento en la actividad vegetal en
esas áreas durante el período analizado. Este hallazgo es crucial para
comprender la dinámica del crecimiento de la vegetación y su relación con
factores ambientales como la temperatura y la disponibilidad de agua.
Por otro lado, el 58.33% restante de los valores del NDVI se encuentran
por debajo de cero, lo que sugiere una disminución en la actividad vegetal en
esas zonas. Este descenso puede estar relacionado con factores como la sequía,
el estrés hídrico o la deforestación, todos los cuales pueden tener un impacto
significativo en la salud y la diversidad de los ecosistemas.
Es importante destacar que la presencia de valores negativos en el NDVI
no necesariamente indica una ausencia total de vegetación, sino más bien una
disminución en la densidad o la salud de esta. Los resultados subrayan la
importancia de monitorear de cerca las tendencias del NDVI para comprender los
cambios en la cobertura vegetal a lo largo del tiempo y tomar medidas adecuadas
para conservar y gestionar de manera sostenible los recursos naturales.
Tabla 1 Coeficiente Mann
Kendall y ecuación de la pendiente de las coberturas vegetales
|
Coberturas |
Pendiente |
Coeficiente
Mann Kendall |
|
Bosque
nativo |
y
= -0.0389x + 78.256 |
-2.811** |
|
Paramo |
y =
-0.0236x + 47.574 |
-2.674** |
|
Plantación
forestal |
y =
-0.0241x + 48.585 |
-2.263** |
|
Tierra
agropecuaria |
y =
-0.0318x + 64.034 |
-2.400** |
|
Vegetación
arbustiva |
y =
-0.0314x + 63.17 |
-1.989** |
Basándose en los datos proporcionados en la (Tabla 1), se observa una
variabilidad considerable en el Índice de Vegetación de Diferencia Normalizada
(NDVI) a lo largo del tiempo y el espacio. Los resultados revelan una tendencia
general hacia valores negativos en el NDVI, lo que sugiere una reducción en la
actividad vegetal en la región bajo estudio. Según Morawitz et al.,
(2006), en su
investigación también se documentan valores negativos en el NDVI, indicativos
de posibles perturbaciones en las áreas vegetadas. Estas perturbaciones podrían
originarse tanto de actividades antropogénicas, como la urbanización y la
deforestación, como de influencias naturales, como los fenómenos climáticos.
Estos hallazgos resaltan la importancia de llevar a cabo un monitoreo
cercano de los cambios en la cobertura vegetal y su relación con los factores
ambientales y antropogénicos. Esta comprensión más profunda de la dinámica de
los ecosistemas es fundamental para desarrollar estrategias efectivas de
conservación y manejo del medio ambiente.
Es esencial tener en cuenta estos resultados al planificar y gestionar
el uso del suelo y los recursos naturales, con el fin de garantizar la
sostenibilidad a largo plazo de los sistemas naturales y mejorar la calidad de
vida de las comunidades locales.
Shou-Ye et al.,
(2021) manifiestan que el calentamiento global ha causado un incremento
en el crecimiento de los bosques está en línea con las predicciones derivadas
de modelos climáticos y observaciones en terreno. Sin embargo, los resultados
relacionados con la tendencia general a la disminución en el valor de NDVI en
la zona de estudio sugieren dinámicas más complejas que requieren una
investigación adicional. La reducción en el valor de NDVI podría estar
relacionada con varios mecanismos interconectados. La menor biomasa indica
posibles cambios en la estructura vegetal, los cuales podrían estar
influenciados por el calentamiento y sus efectos en la disponibilidad de agua y
la productividad del suelo.
Pacheco & Ledezma
(2020) mencionan
que los resultados de su investigación muestran una evolución significativa en
los valores de NDVI a lo largo de 10 años, reflejando inicialmente una dinámica
activa en la cobertura vegetal seguida de una tendencia negativa, indicativa de
una disminución en la densidad vegetal y un aumento correspondiente en áreas
con menor cobertura. La causa principal de este cambio parece estar relacionada
con prácticas agropecuarias que incluyen la tala y quema de bosques para
cultivos de ciclo corto, lo que conduce a la desertificación progresiva del
terreno o su conversión en pastizales. Esto destaca la necesidad urgente de
adoptar medidas de manejo sostenible de la tierra para mitigar la degradación
del suelo y promover la conservación de los recursos naturales, así como el
desarrollo de políticas efectivas para restaurar los ecosistemas afectados.
Conclusiones
Se ha
constatado una marcada tendencia hacia la pérdida significativa en el área de
la parte alta en la subcuenca Casacay durante el
período de estudio comprendido entre 1989 y 2022. Esta tendencia se refleja en
una notable disminución en los niveles de Índice de Vegetación de Diferencia
Normalizada (NDVI), lo cual indica una reducción en la biomasa vegetal. Se
destaca que la escasa área con tendencia positiva se concentra principalmente
en los años 1989 a 2000, mientras que la información correspondiente al período
de 2000 a 2012 no pudo ser obtenida debido a condiciones climáticas adversas,
incluyendo una alta cobertura nubosa y un fallo en el sensor de Landsat 7.
En este
contexto, se hace evidente la importancia de emplear herramientas avanzadas
como los sistemas de información geográfica, la teledetección y los vehículos
aéreos no tripulados para el seguimiento y monitoreo de la cobertura vegetal en
áreas de conservación, parques nacionales, entre otros. La información derivada
de estos esfuerzos de seguimiento y monitoreo no solo contribuirá a la
comprensión de la dinámica de los ecosistemas, sino que también respaldará
estudios multidisciplinarios, como aquellos relacionados con la hidrología, y
facilitará la toma de decisiones ante los desafíos planteados por el cambio
climático. Estas herramientas son esenciales para una gestión efectiva y
sostenible de los recursos naturales y el medio ambiente en el largo plazo.
Referencias bibliográficas
Aryastana, P., Goran, M. I., Widiana, W., Eka, I. M. E., &
Rustiawan, G. (2022). Application
of normalized difference vegetation index in classifying land cover change over
Bangli regency by using Landsat 8 imagery. Journal of Infrastructure
Planning and Engineering (JIPE), 1(1), 8-14. https://www.ejournal.warmadewa.ac.id/index.php/jipe/article/view/4718
Cao, D., Xing, H., Wong, M. S., Kwan, M.-P., Xing, H.,
& Meng, Y. (2021). A Stacking Ensemble Deep Learning Model for Building
Extraction from Remote Sensing Images. Remote Sensing, 13(19), 2-22. https://doi.org/10.3390/rs13193898
Cobos,
J. D., Luna, A. E., Barrezueta, S. A., & Jaramillo, E. E. (2021). Análisis
multitemporal de cambios de cobertura y uso del suelo: cuenca del río jubones,
Ecuador. Revista Científica Agroecosistemas, 9(1), 113–120. https://aes.ucf.edu.cu/index.php/aes/article/view/456
Hamed, K. H., & Ramachandra, A. (1998). A modified
Mann-Kendall trend test for autocorrelated data. Journal of Hydrology,
204(1), 182-196. https://doi.org/10.1016/S0022-1694(97)00125-X
Hasan, M. M., & Wyseure,
G. (2018). Impact of climate change on hydropower generation in Rio Jubones Basin, Ecuador. Water Science and
Engineering, 11(2), 157–166. https://doi.org/10.1016/j.wse.2018.07.002
Llerena, S., Tarko, A., Kurbatova, A., & Kozhevnikova P. (2019). Assessment of
carbon dynamics in Ecuadorian forests through the Mathematical Spatial Model of
Global Carbon Cycle and the Normalized Differential Vegetation Index (NDVI). E3S Web of Conferences, 96,
02002. https://doi.org/10.1051/e3sconf/20199602002
Mejía, V., Orellana, D., & Cabrera-Barona, P. (2021).
Cambio de
uso de suelo en la Amazonía norte del Ecuador: Un análisis a través de imágenes
satelitales nocturnas VIIRS e imágenes LANDSAT. Universidad-Verdad,
1(78), 10–29. https://periodico.uazuay.edu.ec/index.php/udaver/article/view/355
Morawitz, D. F., Blewett, T. M., Cohen, A., &
Alberti, M. (2006). Using NDVI to assess vegetative land cover change in
central Puget Sound. Environmental Monitoring and Assessment, 114(1–3),
85–106. https://doi.org/10.1007/s10661-006-1679-z
Pacheco, H. A., Zamora, E., & Jarre,
E. (2020). Variaciones
de la cobertura vegetal empleando el índice normalizado de diferencia de
vegetación para monitorear ODS en Manabí - Ecuador. Revista Técnica De
La Facultad De Ingeniería. Universidad Del Zulia, 43(2), 12-18. DOI:10.22209/rt.ve2020n2a02
Rodríguez, N. (2009). Rellenado de los gaps provocados
por la falla del Scan Line Corrector en las imágenes
Landsat 7 ETM+. [Tesis
de grado, Universidad de La Habana, Cuba]. Repositorio Institucional.
Romo,
M. G., & Calero, E. (2022). Degradation of
páramo vegetation due to cattle ranching
in Parque Nacional Llanganates, Ecuador. Revista
Verde de Agroecologia e Desenvolvimento Sustentável, 17(1),
27–34. https://doi.org/10.18378/rvads.v17i1.9093
Roque, R. A. (2022). Tendencia del NDVI en el Área de
Conservación Regional Angostura Faical de Tumbes,
Perú, 1999-2019. Manglar,
19(3), 233–237. https://doi.org/10.17268/manglar.2022.029
Shou-Ye,
X., Hai-Yan, X., Cui-Cui, M., Tong-Hua, W., Wang-Ping, L., Wen-Xin, Z., Streletskaya, I., Grebenets, V., Sokratov, S., Kizyakov, A., &
Xiao-Dong, W. (2021). Changes in different land cover areas and NDVI values in
northern latitudes from 1982 to 2015. Advances in Climate Change Research,
12(4), 456–465. https://doi.org/10.1016/j.accre.2021.04.003
Song, C., Woodcock, C. E., Seto, K. C., Lenney, M. P.,
& Macomber, S. A. (2001). Classification and Change Detection Using Landsat
TM Data: When and How to Correct Atmospheric Effects? Remote Sensing of
Environment, 75(2), 230–244. https://doi.org/10.1016/S0034-4257(00)00169-3
Young, N. E., Anderson, R. S., Chignell, S. M.,
Vorster, A. G., Lawrence, R., & Evangelista, P. H. (2017). A survival guide
to Landsat preprocessing. Ecology, 98(4), 920–932. https://doi.org/10.1002/ecy.1730