Tecnologías Geoespaciales al Servicio del Desarrollo Territoria

Ibagué

Barranquilla

ATLÁNTICO

NARIÑO

MocoaPasto

PUTUMAYO

HUILA

PopayánCAUCA

Cali

VALLE DELCAUCA

Neiva

Florencia

TOLIMA

SUCRE

Quibdó

ANTIOQUIA

RISARALDA

CHOCÓ

Manizales

Armenia

Pereira

CALDAS

QUINDÍO

Medellín

Montería

CÓRDOBA

Sincelejo

Cartagena

Leticia

AMAZONAS

San José del Guaviare

CAQUETÁ

META

GUAVIARE

Villavicencio

VAUPÉS

Mitú

GUAINÍA

VICHADA

MAGDALENA

Cúcuta

Bogotá, D.C.

BOYACÁ

CUNDINAMARCA

SANTANDER

Tunja

CESAR

BOLÍVAR SANTANDER

CASANARE

Yopal

ARAUCA

Arauca

Valledupar

Santa Marta

Riohacha

LA GUAJIRA

Puerto Carreño

PUTUMAYO

R. San Juande

Micay

R. San Juan

R. Mira

RÍOP ATÍA

uez

aza

RÍ

OC

AU

CA

R.

aSa

Jn

un

R. Calima

Río Baudó

R. Atrato

RÍ

O

C

A

ACU

Río

Sinú

R. S

an

C.d

eD

il

que

RÍO CAQUETÁR. Igara

Paraná

RÍO AMAZONAS

RÍO PUTU YMA O

RÍO CAQUETÁ

R. Caguán

RíoYarí

R

y

.Mo

Tuniaaca á

R. Ariari

R. Humadea

RÍO VAUPÉS

Apaporis

Río G euav ai r

RÍOINÍRIDA

RÍO GUAINÍA

RÍO GUAVIARE

RÍO

NE

GR

O

R. Bogotá

MA

GD

AL

EN

A

Río Nechí

Bzo. dea

Lob

Bzo

.Mor

ale s

RÍO META

RÍO ARAUCA

Río

Ces

ar

RÍO VICHADA

R CÍO ASANARE

Cga.de Zapatosa

RÍ

O

Río León

Jorg

e

B

p

zo

m. de Mo

ós

Río Guayabero

RÍO

Río

R. Manacacías

R. Ce

ra o Nv ort

R. Orte gu

Guam

Cga.Ayapel

R.L osada

RÍO META

R.

Emb.Calima

Río Sogamoso

R. Cat

atum

bo

Lagunade Fúquene

O

CÉ

AN

O

PA

CÍ

FI

CO

MA

RC

AR

IB

E

Bucaramanga

NORTE DE

Inírida

O C É A N O A T L Á N T I CO

150 km100500

Costa sobre el Mar Caribe 1.600 km.Costa sobre el Océano Pacífico 1.300 km.Frontera con Panamá 266 km.Frontera con Venezuela 2.219 km.Frontera con Ecuador 586 km.Frontera con Perú 1.626 km.Frontera con Brasil 1.645 km.

LONGITUD APROXIMADA DE LASF RONTERAS

Área de régimen común Colombia - Jamaica

Límite internacional terrestre

Límite departamental

Límites internacional marítimo

Límite definidos por tratados en proceso deaprobación y ratificación

Proyección según Tratado Liévano - Jiménez(13 de enero de 1978)

CONVENCIONES

PERÍMETRO APROXIMADO DE LA REPÚBLICA 9.242 km.

© Instituto Geográfico Agustín Codazzi, 2012

REPÚBLICA

COLOMBIA

FRONTERAS TERRESTRES Y MARÍTIMASMAPA OFICIAL

BajoA licia

82°14'00''10°49'00''

81°15'00''11°00'00''

80°00'00''11°00'00''

80°00'00''11°50'00''

79°00'00''11°50'00''

79°00'00''12°30'00''

78°19'30''14°15'00''

78°38'00''14°29'37''

78°38'00''15°36'00''

78°25'50''15°36'00''

78°25'50''16°04'15''

79°16'40''16°04'15''

79°16'40''16°10'10''

79°29'20''16°10'10''

79°29'20''16°04'15’'

79°50'32''16°04'15''

79°56'00''15°30'10''

15°58'40''79°56'40''15°46'00''80°03'55''

14°59'08''79°56'00''

77°40'00''14°05'00''

12°30'00''78°00'00''

12°19'00''77°49'00''

12°00'00''77°43'00''

11°27'00''77°34'00''

77°15'00''10°28'00''

77°03'00''9°27'00''

77°13'00''9°09'00''

77°21'50,9''8°41'07,3''

69°29'30''15°18'00''

71°40'30''15°00'40''

73°27'30''15°02'00''

74°30'50''14°44'10''

77°53'20,9''7°12'39,3''

6°44'00''78°18'00''

6°28'00''78°47'00''

6°16'00''79°03'00''

6°00'00''79°14'00''

5°00'00''79°52'00''

5°00'00''84°19'00''

3°32'00''84°19'00''

3°03'00''84°46'00''

4°

67°68°69°70°71°72°73°74°75°76°77°78°79°80°81°82°83°84°85°

3°

2°

1°

0°

1°

2°

3°

4°

5°

6°

7°

8°

9°

10°

11°

12°

13°

14°

15°

16°

17°

18°

4°

3°

2°

1°

0°

1°

2°

3°

4°

5°

6°

7°

8°

9°

10°

11°

12°

13°

14°

15°

16°

17°

18°

67°68°69°70°71°72°73°74°75°76°77°78°79°80°81°82°83°84°85°

82°00 00'''14°59 08'' '

REPÚBLICA DOMINICANALIÉVANO- JIMÉNEZ 13 ENERO 1978

JAMAICASANÍN- ROBERTSON 12 NOVIEMBRE 1993

HONDURASRAMÍREZ- LÓPEZ 2 AGOSTO 1986

ES

GU

ER

RA

-B

ÁR

CE

NA

S24

MA

RZ

O19

28N

ICA

RA

GU

A

FERNÁNDEZ-F ACIO 17 MARZO 1977COSTA RICA

LIÉVANO- BOYD 20 NOVIEMBRE 1976PANAMÁ

PANAMÁLIÉVANO- BOYD 20 NOVIEMBRE 1976

CO

STA

RIC

AL

LO

RE

DA

-G

UT

IÉR

RE

Z6

AB

RIL

1984

LIÉVANO- LUCIO 23 AGOSTO 1975ECUADOR

SUÁREZ- MUÑOZ VERNAZA15 JULIO 1916

586 km.

PROTOCOLO DE RÍO 24 MAYO 1934LOZANO- SALOMÓN 24 MARZO 1922

1.626 km.

GARCÍA ORTIZ- MANGABEIRA 15 NOVIEMBRE 1928VÁSQUEZ COBO- MARTINS 24 ABRIL 1907

1.645 km.

ARBITRAMENTO SUIZO 24 MARZO 1922LAUDO ESPAÑOL 16 MARZO 1891

LÓPEZ DE MESA - GIL BORGES 5 ABRIL 19412.219 km.

HAITÍ

LIÉVANO - BRUTUS 17 FEBRERO 1978

20 AGOSTO 1924VÉLEZ- VICTORIA

266 km.

VENEZUELA

BRASIL

PERÚ

ECUADOR

PUERTO RICO

REPÚBLICA DOMINICANA

HAITÍJAMAICA

HONDURAS

NICARAGUA

COSTA RICA

ARUBACURA ,CAO

BONAIRE

PANAMÁ

Áreas marinas en proceso de delimitaciónpor parte de los altos comisionadosdesignados por los gobiernos deColombia y Venezuela

Cayo Serranilla(Colombia)

(Colombia)Cayo Bajo Nuevo

Cayo Quitasueño(Colombia) Cayo Serrana

(Colombia)

Cayo Roncador(Colombia)

Isla Santa Catalina(Colombia)

Isla San Andrés(Colombia)

Cayos del Sureste(Colombia)

Cayos de Alburquerque(Colombia)

Punta Espada

Punta Gallinas

Cabo de La Vela

Cabo de La Aguja

Isla Arena

Islasdel Rosario

Islasd eSan Bernardo

CaboTiburón

RocasOctavia

CorrientesCabo

PuntaCharambira

IslaGorgona

Cabo Manglares

IslaSan José

Castilletes

Isla de Malpelo

Isla Providencia(Colombia)

DE

Número 49. pp.1-189 2011. ISSN 0120-8551 R E V I S T A D E L I N S T I T U T O G E O G R Á F I C O A G U S T Í N C O D A Z Z I

Geográf icos

JUAN MANUEL SANTOS CALDERÓNPresidente de la República de Colombia

ANGELINO GARZÓNVicepresidente de la República de ColombiaPresidente de la Comisión Colombiana del Espacio (CCE)

IVÁN DARÍO GÓMEZ GUZMÁNDirector General Instituto Geográfico Agustín Codazzi (IGAC)Secretario Ejecutivo Comisión Colombiana del Espacio (CCE)

Consejo Directivo

Dr. JORGE BUSTAMANTE ROLDÁNDirector del Departamento Nacional de Estadística (DANE)Presidente Consejo Directivo

Dr. MAURICIO SANTA MARÍA SALAMANCADirector Departamento Nacional de Planeación (DNP)

Dr. JUAN CARLOS PINZÓN BUENOMinistro de Defensa Nacional

Dr. FRANK PEARL GONZÁLEZMinistro de Ambiente y Desarrollo Sostenible

Dr. JUAN CAMILO RESTREPO SALAZARMinistro de Agricultura y Desarrollo Rural

Dr. ALBERTO MENDOZA MORALESRepresentante de la Presidencia de la RepúblicaPresidente de la Sociedad Geográfica de Colombia

Dr. GERMÁN VARGAS LLERASRepresentante de la Presidencia de la RepúblicaMinistro de Vivienda, Ciudad y Territorio

Dr. IVÁN DARÍO GÓMEZ GUZMÁNDirector General / Instituto Geográfico Agustín Codazzi (IGAC)

MERCEDES VÁSQUEZ DE GÓMEZSecretaria General / Instituto Geográfico Agustín Codazzi (IGAC)


Geográf icos

Comité EditorialIván Darío Gómez Guzmán Director GeneralMercedes Vásquez de Gómez Secretaria GeneralFelipe Fonseca Fino Subdirector de Geografía y CartografíaJulián Serna Giraldo Subdirector de AgrologíaGladys Pinzón Daza Subdirectora de CatastroDora Inés Rey Martínez Jefe Oficina Asesora de PlaneaciónElena Posada Jefe (e) Oficina del Centro de Investigación y Desarrollo en Información Geográfica (CIAF)Ivanna Nussika Agudelo Padilla Jefe Oficina de Difusión y Mercadeo de InformaciónJohana Trujillo Moya Asesora Dirección General

EditorIván Darío Gómez GuzmánElena Posada

Pares temáticosJaime Silva, Elsy Peña, Oswaldo Ibarra, Carlos Mora, Dermán Vásquez, David Garnica, Jenny Laiton Linares, Juan Manuel Higuera, Jonás León, Alberto Boada, Mauricio Ramírez, Luz Mery Gómez.

Asesoría editorial Jenny Andrea Laiton Linares, Liliana Rocío León Moreno

Diseño y DiagramaciónLorena Maryeth Rodríguez MartínezOficina Centro de Investigación y Desarrollo en Información Geográfica (CIAF)

Alba Esperanza Giraldo Vásquez, Freddy Antonio Vargas Echavarría, Luis Carlos Rodríguez Becerra Oficina de Difusión y Mercadeo de Información

Revisión y Corrección de EstiloImprenta Nacional de Colombia

ES PROPIEDAD DEL ESTADOLos trabajos presentados se han preparado respetando los originales enviados por los autores, salvo algunas correcciones relacionadas con la or-tografía. En consecuencia, la responsabilidad de los contenidos y la calidad de las imágenes son exclusivamente de los autores y no compromete al Comité Editorial ni al Editor de la Revista.

© INSTITUTO GEOGRÁFICO AGUSTÍN CODAZZI 2011

Instituto Geográfico Agustín Codazzi ; Comisión Colombiana del EspacioAnálisis Geográficos: Tecnologías geoespaciales al servicio del desarrollo territorial / El Instituto. - - Bogotá: Imprenta Nacional de Colombia, No. 49, 2011189 p. ., ils. Mapas a colores, cuadr.Incluye Referencias BibliográficasTexto bilingüe español-inglés

ISSN 0120-8551

1. Sistemas Satelitales de Observación de la Tierra 2. Sistemas de Información Geográfica (SIG) – Aplicaciones-Quindío 3. Percepción Remota 4. Ecosistemas Forestales 5. Sensores Remotos 6. Cambio Climático Global 7. Red Forclim 8. Tecnología Silverlight 9. Zonas Homogéneas 10. Imágenes Satelitales 11. Geometría Fractal 12. Geoide 13. Elipsoide Biaxial 14. Modelos Digitales de Terreno (MDT) 15. Modelos Digitales de Superficie (MDS) 16. Campos de Hidrocarburos

www.igac.gov.co

colombia.igac @IGACColombia theIGACtv


Geográf icos

Vicepresidencia de la República

Ministerio de Agricultura y Desarrollo Rural

Ministerio de Ambiente y Desarrollo Sostenible

Ministerio de Vivienda, Ciudad y Territorio

Ministerio de Comercio, Industria y Turismo

Ministerio de Defensa

Ministerio de Educación Nacional

Ministerio de la Protección Social

Ministerio de Minas y Energía

Ministerio de Relaciones Exteriores

Ministerio de Tecnologías de la Información y las Comunicaciones

Ministerio de Transporte

Ministerio del Interior

Ministerio de Justicia

Dirección Nacional de Planeación (DNP)

Departamento Administrativo Nacional de Estadística (DANE)

Unidad Administrativa Especial Aeronáutica Civil

Agencia Nacional de Hidrocarburos (ANH)

Agencia Presidencial para la Acción Social y la Cooperación Internacional Presidencia de la República

Centro Internacional de Física (CIF)

Comando General de las Fuerzas Militares de Colombia

Coorporación Colombiana de Investigación Agropecuaria (CORPOICA)

Corporación Autónoma Regional del Centro de Antioquia (CORANTIOQUIA)

Departamento Administrativo de Ciencia, Tecnología e Innovación (COLCIENCIAS)

Departamento Administrativo de Seguridad (DAS)

COMISIÓN COLOMBIANA DEL ESPACIO (CCE)

Dirección General Marítima (DIMAR)

Comando Fuerza Aérea Colombiana (FAC)

Instituto Amazónico de Investigaciones Científicas (SINCHI)

Instituto Colombiano de Bienestar Familiar (ICBF)

Instituto Colombiano de Geología y Minería (INGEOMINAS)

Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM)

Instituto de Investigación de Recursos Biológicos Alexander von Humboldt (IAvH)

Instituto de Investigaciones Ambientales del Pacífico John von Neumann (IIAP)

Instituto de Investigaciones Marinas y Costeras José Benito Vives de Andréis (INVEMAR)

Instituto de Planeación y Promoción de Soluciones Energéticas (IPSE)

MALOKA

Parques Nacionales Naturales de Colombia

Secretaría Distrital de Ambiente

Unidad de Planeación Minero Energética (UPME)

Universidad Católica de Manizales

Universidad de Manizales

Universidad EAFIT

Pontificia Universidad Javeriana

Universidad Militar Nueva Granada

Universidad Nacional de Colombia

Universidad Sergio Arboleda

Departamento Administrativo Nacional de Estadistica (DANE)

Universidad Autónoma del Caribe

Dirección de Gestión del Riesgo del Ministerio del Interior


Geográf icos

Contenido

Los beneficios sociales y económicos de la percepción remota y de los sistemas satelitales de observación de la Tierra 15

Introducción 16 1. Beneficios sociales de la percepción remota 17 2. Beneficios económicos de la percepción remota 20 3. Los gobiernos y la percepción remota 21 Conclusiones 22 Agradecimientos 22 Referencias bibliográficas 23 Anexo 1 25

Red iberoamericana para el estudio de ecosistemas forestales ante el cambio climático global – FORCLIM (Colombia) 29

Introducción 30 1. Área de estudio definida para el trabajo 31 2. Desarrollo metodológico 33 3. Resultados 37 4. Análisis de los resultados y discusión 42 Referencias bibliográficas 46

La tecnología Silverlight y el desarrollo de aplicaciones SIG 49 Introducción 50 1. Evolución tecnológica 50 2. Migración 54 3. Silverlight y acceso a datos 64 4. Proyecciones 67 Conclusiones 67 Referencias bibliográficas 68

Los fractales en la Geodesia como ciencia de la Tierra 71

Uso de herramientas tecnológicas para evaluación de áreas homogéneas de tierras con fines catastrales 113

Introducción 73 1. Fractales 73 2. Geodesia 75 3. Desarrollo de la geometría fractal en la Geodesia 77 Conclusiones 79 Referencias bibliográficas 80

Desarrollo de dos metodologías para la generación de modelos digitales de terreno (MDT) y superficie (MDS) empleando datos LiDAR y programas de licencia libre 83

Introducción 85 1. Materiales y métodos 86 2. Resultados y discusión 91 Conclusiones 93 Referencias bibliográficas 94

Percepción remota en la identificación de filtraciones naturales de hidrocarburos 97

Introducción 98 1. Materiales y métodos 98 2. Avances en el análisis de firmas polarimétricas en áreas de rezumaderos de hidrocarburos 103 Conclusiones 109 Referencias bibliográficas 110

Introducción 114 1. Importancia de la información edafológica en los procesos catastrales rurales 115 2. Variables biofísicas que influyen en la capacidad productiva de las tierras 116 3. Apreciación de las variables identificadas mediante el uso de tecnología de avanzada 130 Conclusiones 137 Referencias bibliográficas 137

Aplicación de datos de radar con técnicas interferométricas en el diagnóstico de subsidencia en campos de hidrocarburos 141

Introducción 143 1. Marco conceptual 144 2. Metodología 148 3. Resultados y discusiones 151 Conclusiones 155 Glosario 156 Referencias bibliográficas 156

Zonificación para la planificación del uso de la tierra en el municipio de Riosucio (Chocó) 159

Introducción 160 1. Materiales y métodos 161 2. Resultados 161 3. Zonificación alternativa de usos del suelo 166 Conclusiones 167 Referencias bibliográficas 168

Evaluación de deforestación con base en imágenes satelitales, composición y configuración del paisaje en la cuenca alta y media del río Cravo Sur 171

Introducción 173 1. Área de estudio 175 2. Metodología 176 3. Resultados y discusión 177 Conclusiones 185 Referencias bibliográficas 186

Presentación

El término Tecnologías Geoespaciales describe la combinación de software espacial y métodos analíticos con datos terrestres y es asociado con los Sis-temas Globales de Navegación por Satélite (GNSS), los Sensores Remotos, los Sistemas de Información Geográfica (SIG) y las Infraestructuras de Datos Espaciales (IDE), ciencias actualmente de extensa aplicación.

Aunque el uso de esta expresión es relativamente reciente, su empleo se re-monta a la primera mitad del siglo XX, al menos en cuanto al Sensoramiento Remoto se refiere. Las demás disciplinas tuvieron su origen y desarrollo du-rante la segunda parte de esta misma centuria, gracias a los progresos en la computación y al avance del ciberespacio, brindando la oportunidad de observar nuestro entorno, nuestro país, nuestro continente y, por supuesto, nuestro planeta.

Esta nueva mirada al territorio ha permitido un mejor entendimiento de los procesos tanto naturales como antrópicos que se dan en el contexto actual, dando paso a un mayor aprovechamiento de este tipo de tecnologías, las cuales tienen aplicación en casi todos los sectores y campos del desempeño humano.

Siendo la ordenación del territorio y su consecuente desarrollo una de las principales preocupaciones del hombre desde que tuvo conciencia de su ambiente, el beneficio que conlleva el uso de las Tecnologías Geoespaciales se traduce, no solo en la toma de decisiones y el diseño de políticas, sino también en la parte social y económica, en donde generan impactos positi-vos. Su utilización en la gestión ambiental y del riesgo, los recursos minero-energéticos y los sistemas productivos, la seguridad y la defensa, la salud y la producción de información básica para la elaboración de productos de geología y geomorfología, cobertura y uso de la tierra, información estadís-tica y cartografía base y por supuesto en la planificación urbano-regional y el ordenamiento territorial hace imperativo que estas disciplinas se imple-menten completamente en los países, ya que permite determinar los factores del comportamiento de los sistemas terrestres (biosfera, atmósfera, litósfera, hidrósfera) y generar habilidades para enfrentar temas como el cambio cli-mático y la atención a emergencias, estableciendo posibles escenarios y las acciones correspondientes como respuesta efectiva a estos eventos.

Las tendencias de las Tecnologías Geoespaciales se expresan en programas de interés y cobertura globales o regionales, como la Infraestructura Global de Datos Espaciales (GSDI), el Monitoreo Global del Ambiente y la Seguridad (GMES) del ámbito europeo, el Grupo de Observación de la Tierra (GEO) y Plataforma de las Naciones Unidas de Información Obtenida desde el Espa-cio para la Gestión de Desastres y Respuesta a Emergencias (UN-SPIDER), en donde se conjugan este tipo de tecnologías, dando además un importante espacio de participación a diferentes gremios, entre ellos el de la academia, importante ingrediente en la creación de programas de formación y la con-solidación de procesos de investigación aplicada que fortalezcan el uso y el desarrollo de las Tecnologías Geoespaciales.

En Colombia, el tema sigue tomando mayor relevancia debido a los procesos que se han configurado en los últimos años, con base en el trabajo desarro-llado por las entidades colombianas, en especial del sector público, desde hace más de 40 años. El IGAC ha sido uno de los líderes en la aplicación de estas tecnologías en diversos campos y ha puesto en marcha muchos de estos temas. Algunos de los logros más representativos son el fortalecimiento de la Infraestructura Colombiana de Datos Espaciales (ICDE) y la conformación de sus nodos de información y geoportales, la promulgación del CONPES 3585 de 2009 “Consolidación de la Política Nacional de Información Geográfica y la Infraestructura Colombiana de Datos Espaciales (ICDE)” y la aprobación del CONPES 3683 de 2010 “Lineamientos para la Formulación del Programa Nacional de Observación de la Tierra que incluya el Diseño de un Programa Satelital Colombiano”, procesos que contaron con el respaldo de las institu-ciones que forman parte de la ICDE y de la Comisión Colombiana del Espacio (CCE). Además, es importante destacar la producción técnico-científica que deja el aprendizaje continuo que implica el empleo de estas tecnologías, cuya muestra son los artículos que conforman este número, en donde se plasman los avances que se han dado en diferentes campos gracias a la aplicación de las Tecnologías Geoespaciales y la forma en que han ayudado a resolver problemáticas o a hacer más efectivas algunas metodologías relativas al de-sarrollo territorial.

Iván Darío Gómez GuzmánDirector General del Instituto Geográfico Agustín Codazzi (IGAC) Secretario Ejecutivo Comisión Colombiana del Espacio (CCE)

Presentation

The term “Geospatial Technologies” describes the combination of spatial software and analytical methods using terrestrial data and is associated with the Global Navigation Satellite System - GNSS, Remote Sensing, Geographic Information Systems - GIS and the Spatial Data Infrastructures - SDI, sciences with a wide variety of contemporary applications.

Although the use of this term is relatively new, its use goes back to the first half of the twentieth century, at least in regards to Remote Sensing. The other disciplines had their origin and development during the second part of this same century, thanks to advances in computing and the advancement of cyberspace, providing us the opportunity to observe our environment, our country, our continent and of course, our planet.

These new looks at the landscape have allowed a better understanding of both natural and anthropic processes that occur in the contemporary context giving way to a better use of these technologies which have applications in almost all sectors and fields of human performance.

Given territorial planning and its subsequent development has been one of the major concerns to humans since they became aware of their environment, the benefits associated with the use of Geospatial Technologies are found not only in decision-making and policy design, but also in social and economic aspects where they generate positive impacts. Its use in environmental and risk management, mining-energy resources and production systems, security and defense, health and the production of basic information for the manu-facture of geology and geomorphology products, land coverage and use, statistical information and base mapping, and of course in urban-regional planning and land use, make it imperative that countries implement these disciplines completely as they allow for the determination of the behavior of Earth systems (biosphere, atmosphere, lithosphere, hydrosphere) and the building of skills to address issues such as climate change and attention to emergencies by establishing possible scenarios and corresponding actions as an effective response to these events.

Trends in Geospatial Technologies are expressed in programs of global or regional interest and coverage, such as the Global Spatial Data Infrastructure (GSDI), the Global Monitoring for Environment and Security (GMES) in rela-

tion to Europe, the Group on Earth Observations (GEO) and United Nations Platform for Space-based Information for Disaster Management and Emer-gency Response (UN-SPIDER), where they combine these technologies, also giving an important forum for participation by different trades, including academia, an important ingredient in creating training programs and the strengthening of applied research processes which enhance the use and de-velopment of Geospatial Technologies.

In Colombia, the issue continues to become more important due to processes established in recent years that are based on work carried out by Colom-bian institutions, especially the public sector, for over 40 years. IGAC has been one of the leaders in the application of these technologies in various fields and has implemented many of these subjects. Some of the most repre-sentative achievements include the strengthening of the Colombian Spatial Data Infrastructure - ICDE and the formation of the information “nodes” and geoportals, the enactment of CONPES 3585, 2009, “Consolidation of National Policies of Geographic Information and the Colombian Spatial Data Infrastructure - ICDE” and the approval of CONPES 3683 of 2010 “Guidelines for the Formulation of the National Program on Earth Observation that includes the Design of a Colombian Satellite Program”, a process that had the support of institutions that are part of ICDE and the Colombian Space Commission - CCE. It is also important to highlight the technical-scientific production that allows the continuous learning involved in the use of these technologies, shown in the many articles, which reflect the progress that has been made in various fields thanks to the application of Geospatial Technologies and how they have helped solve problems or make some methodologies more effective for territorial development.

Iván Darío Gómez GuzmánGeneral Director of Geographic Institute Agustín Codazzi (IGAC) Executive Secretary of Colombian Space Comission (CCE)

1 Los beneficios sociales y económicos de la percepción remota y de los sistemas satelitales de observación de la Tierra

Los beneficios sociales y económicos de la percepción remota y de los sistemas satelitales de observación de la Tierra

Diego Felipe Correa1, Elena Posada2

ResumenLa percepción remota y los sistemas satelitales de observación de la Tierra han jugado un papel funda-mental en la obtención de información sobre vastas regiones, a costos que pueden ser superados por los beneficios sociales y económicos que representan. Las distintas aplicaciones han permitido el avance de un gran número de disciplinas científicas, así como de Sistemas de Información Geográfica (SIG) que mejoran la calidad y velocidad en la toma de deci-siones por parte de entidades públicas y privadas, a escalas nacionales e internacionales.

En el presente documento se hace referencia a los beneficios sociales y económicos de la percepción remota, con énfasis en los sistemas satelitales de ob-servación de la Tierra, en sus diversas aplicaciones de utilidad para el desarrollo sostenible de las naciones y el avance de la humanidad. Adicionalmente, se hace una revisión de las características de algunos siste-mas vigentes y ampliamente utilizados de percepción remota, así como de las acciones que podrían incre-mentar el uso y apropiación de dicha información en países en desarrollo como Colombia.

Palabras clavesPercepción remota, beneficios sociales, beneficios económicos, sensores remotos.

1 Biólogo Universidad Nacional de Colombia, Magíster en Ciencias Biológicas Universidad de los Andes de Colombia, y Especialis-ta en Sistemas de Información Geográfica Universidad Distrital Francisco José de Caldas de Bogotá. Investigador en Percep-ción Remota, Centro de Investigación y Desarrollo en Informa-ción Geográfica (CIAF), Instituto Geográfico Agustín Codazzi (IGAC), Cra. 30 No. 48-51, Bogotá D. C., Colombia.

2 Ingeniera Forestal, Master of Science en Ingeniería Forestal Academia Forestal “Kirov” – ex USSR, Specialist in Forestry for Rural Development en el International Institute for Aerospace Survey and Earth Sciences – ITC, Holanda. Investigadora en Percepción Remota, Centro de Investigación y Desarrollo en Información Geográfica (CIAF), Instituto Geográfico Agustín Codazzi (IGAC), Cra. 30 No. 48-51, Bogotá D. C., Colombia.

The social and economic benefits of Remote Sensing and Earth Observation Satellite Systems

AbstractRemote Sensing and Earth Observation Satellite Sys-tems have played a prominent role in information obtaining over large areas, at costs that may be out-weighed by the social and economic benefits that they represent. Their different applications have led to the advance of a great number of scientific disci-plines, as well as the development of Geographic In-formation Systems (GIS) that improve the quality and speediness in decision making by public and private entities, at national and international levels. In this document we refer to the social and economic bene-fits of remote sensing, focusing on earth observation satellite systems and their useful applications for the sustainable development of nations and mankind. In addition, we show the main features of some widely used remote sensors, as well as the actions that could improve the use and appropriation of remote sensing information in developing countries as Colombia.

Key wordsRemote sensing, social benefits, economic benefits, remote sensors.

16 Tecnologías geoespaciales al servicio del desarrollo territorial.Análisis Geográficos Nº 49

Introducción

La percepción remota, o teledetección, se define como la técnica que permite ob-tener una imagen de la superficie terres-tre desde sensores aéreos o espaciales a través de la interacción energética entre el sensor y el objeto, ya sea mediante la reflexión de la energía solar o de un haz energético artificial, o mediante la emi-sión propia del objeto observado (Chu-vieco, 2008).

En sentido amplio, la percepción remota también incluye la toma de información procedente de sensores ubicados sobre la superficie terrestre, correspondientes a sistemas sonar, radar de penetración terrestre y sistemas de medición de po-lución atmosférica (NRC, 2003), aunque generalmente el concepto hace referen-cia a toma de información desde la at-mósfera o desde el espacio exterior.

Su importancia radica en la posibilidad de obtener información sobre grandes su-perficies, en regiones de difícil acceso por sus características políticas o geográficas, con la consecuente disminución de cos-tos asociados a la toma directa de datos. Adicionalmente, los sensores remotos permiten adquirir datos de manera pe-riódica, siendo posible detectar y moni-torear cambios a resoluciones espaciales detalladas (NRC, 2001).

Desde sus inicios a mediados del siglo XIX, con las primeras cámaras transpor-tadas en globos para la toma de fotogra-fías de ciudades, la percepción remota ha jugado un papel fundamental (Chuvieco, 2010). En los períodos de guerra y pos-guerra, con fines de seguridad y defensa, naciones poderosas mejoraron las técni-

cas de fotografía aérea, fotogrametría, radar y sonar para reconocimiento militar. Solo hasta la década del sesenta los Esta-dos Unidos de América lanzaron el primer sistema para uso civil, correspondiente al satélite meteorológico TIROS-1, útil para realizar predicciones climáticas, seguido por la serie de Satélites de Observación de la Superficie Terrestre (Earth Resources Technology Satellite series, posteriormen-te llamada Landsat) (NRC, 2001).

A finales del siglo XX y comienzos del siglo XXI se crearon nuevos sistemas de observación de la Tierra, lo que derivó en un aumento en el número de estu-dios ambientales, urbanos y de recursos (Weng, 2010), y en la posterior creación de Sistemas de Información Geográfica concebidos para la toma de decisiones (NRC, 2003).

Como resultado de la interacción entre los gobiernos, la empresa privada y los usuarios de la información, y de la ne-cesidad creciente de la creación de apli-caciones de interés para el desarrollo de la humanidad, los sensores remotos ac-tuales presentan una amplia gama de especificaciones técnicas. Sensores como el AVHRR/3 (presente en los satélites de la serie NOAA y MetOP) pueden abarcar una superficie de 2.500 km de ancho. La resolución espacial del satélite World-View-2 puede alcanzar los 0.5 m, hacien-do posible su uso en estudios detallados, y el sensor AVIRIS presenta 224 bandas, permitiendo incluirlo en aplicaciones que requieran alta resolución espectral (Anexo 1).

Recientes avances en sensores remotos activos han sido fundamentales para am-pliar la gama de productos disponibles.

17


Los sistemas de apertura sintética SAR Radarsat-1 y 2, CosmoSkymed-1 y 2, TerraSAR-X y Envisat-1 toman informa-ción de calidad en diferentes condiciones meteorológicas y en la noche, y los siste-mas LiDAR (Laser Imaging Detection and Ranging) son utilizados para establecer la estructura tridimensional de los objetos con una alta exactitud.

1. Beneficios sociales de la percepción remota

El mejoramiento de la calidad en la in-formación tomada por sensores remotos de observación de la Tierra, así como la continuidad en adquisición de datos sate-litales, y la interacción entre los gobiernos y los programas comerciales de percep-ción remota (Birk et al., 2003) han con-tribuido al avance de diversas disciplinas científicas, incluyendo la Biología y Agro-nomía, el Medio Ambiente, la Oceano-grafía, Geología, Geografía, Demografía y Economía, entre muchas otras ramas del saber. Estos avances se han plasmado en una gran cantidad de aplicaciones de utilidad para el desarrollo social y econó-mico de las naciones y regiones.

Las aplicaciones de sensores remotos in-cluyen la clasificación de las coberturas

terrestres y la detección de sus cambios; la localización, manejo y monitoreo del agua; el monitoreo de inundaciones; el monitoreo y desarrollo de zonas urbanas; las mediciones de temperatura de la su-perficie oceánica; y la detección de cam-bios en coberturas boscosas por efecto de la deforestación.

También, el monitoreo de la distribución de la capa de ozono, los campos gravi-tacionales, los movimientos del hielo, y los cambios en coberturas vegetales; la predicción y el monitoreo de desastres, incluyendo terremotos, erupciones volcá-nicas, huracanes y tormentas; la predic-ción del estado del tiempo; la predicción de la ubicación de peces de acuerdo con el estudio de cambios en corrientes ma-rinas; la determinación de áreas seguras de navegación en zonas polares; el en-tendimiento de la geodesia mundial; el estudio de la tectónica de placas; y la ela-boración de modelos digitales de eleva-ción (DEM) y mapas topográficos (Maini y Agrawal, 2011).

De acuerdo con el Consejo Nacional de Investigación de los Estados Unidos de América (NRC, 2008), los sensores remo-tos han permitido descubrir, entender y monitorear la disminución del ozono es-tratosférico (Fig. 1); entender los me-canismos de transporte de la polución

Figura 1. Correlación negativa entre el monóxido de cloro (CIO) y el Ozono (O3) para la región antártica (izquier-da). Imágenes satelitales tomadas mediante el sensor de microondas LIMB de la NASA, mostrando la con-centración de CIO y O3 en la Antártida (derecha). Fuente: World Meteorological Organization (1994), Scientific Assessment of Stratospheric Ozone: 1994, WMO Report 37, Ginebra, Suiza; en National Research Council NRC (2005).


atmosférica entre países y continentes; determinar las tasas de disminución de glaciares y del hielo polar; y monitorear los cambios en el uso del suelo por cau-sas naturales y antrópicas.

Además, monitorear y entender los patrones climáticos y su relación con los cambios de coberturas y con el uso de aerosoles; determinar los cambios ocurridos en la corteza terrestre y es-tudiar los ciclos de los terremotos; en-tender los efectos de los fenómenos de El Niño y La Niña en el clima mundial y en la productividad oceánica; predecir y monitorear la evolución de huracanes, tifones y lluvias extremas; evaluar el im-pacto de los desastres naturales y de-finir las áreas prioritarias de atención.

Otras aplicaciones incluyen la realiza-ción de inventarios de cultivos; la ubica-ción de malezas nocivas; la predicción de cosechas; la evaluación de daños en cultivos por efecto de inundaciones, en-fermedades y pestes; y la evaluación de áreas potenciales de siembra.

Así mismo, la localización, monitoreo y análisis de humedales; la clasifica-ción de la vegetación; la realización de análisis de calidad de aguas; el manejo de zonas costeras; el inventario de los recursos naturales; la evaluación de la salinización, eutroficación y contami-nación de aguas; la estimación de de-mandas en irrigación; la evaluación de la salinización en suelos; y la localiza-ción de aguas subterráneas.

De igual forma, permiten la identifica-ción de rocas, la localización de yaci-mientos mineros (US Congress, 1993), la determinación de áreas con condi-ciones favorables para la diseminación de enfermedades, el estudio del cambio climático mundial, la localización de zonas de interés turístico (NRC, 2004), la detección de deformaciones en la superficie terrestre para evacuación temprana ante avalanchas y erupciones volcánicas, la detección de cambios en humedad del suelo con la consecuente

determinación de áreas que pronto ex-perimentarán sequía y hambrunas, y el mejoramiento de las herramientas para la conservación de los ecosistemas y la biodiversidad (NRC, 2005).

Al integrar la información proveniente de sensores remotos con información de campo, datos de GPS y variables de diferentes fuentes, es posible crear SIG útiles para la toma de decisiones por parte de diferentes entidades.

Un ejemplo exitoso de SIG que ha me-jorado la capacidad de respuesta del sector agrícola en Europa y otras regio-nes de mundo corresponde al sistema de monitoreo de cultivos MARS (Mo-nitoring Agricultural Resources) desa-rrollado por el Centro de Investigación Conjunta (Joint Resarch Center, JRS) de la Comisión Europea.

A través de una plataforma web de li-bre consulta, el sistema ofrece gráficas y mapas de indicadores climáticos, es-timativos de cosechas basados en mo-delos agrometeorológicos e índices de vegetación y materia seca acumulada basados en información de los senso-res AVHRR y SPOT-vegetation (Euro-pean Comission, 2011) (Fig. 2). De esta manera se monitorea el crecimiento de cereales, leguminosas, semillas oleagi-nosas, remolacha azucarera, papa, pas-tos y arroz en tiempo casi real, con lo cual los estados miembros de la Unión Europea pueden tomar decisiones ade-cuadas en relación con la producción agrícola de sus territorios.

Otras iniciativas incluyen el proyecto Firemap, mediante el cual se busca es-timar el riesgo de ocurrencia de fuegos en España. El objetivo del proyecto, fi-nanciado por el Ministerio Español de Ciencia y Tecnología, es crear un aplica-tivo web que ayude a reducir los impac-tos negativos del fuego, disminuyendo su severidad e intensidad a través del manejo del material combustible y la recuperación posterior de áreas que-madas. Para tal fin se ha utilizado infor-

19


mación de diversas fuentes, incluyendo imágenes y productos de los sensores AVHRR y MODIS (Chuvieco et al., 2010).

Tal vez uno de los avances más impor-tantes para el beneficio de la sociedad se relaciona con sistemas de predicción climática, que han permitido dismi-nuir pérdidas económicas y numerosas muertes. En Estados Unidos de Améri-ca los pronósticos climáticos de cuatro días son tan exactos como lo eran hace 20 años los pronósticos de dos días (Fig. 3), y el error en la localización de

Figura 2. Mapa de Europa mostrado el Índice Normalizado de Vegetación calculado a partir de información del sensor SPOT-Vegetation, para el último período de septiembre de 2011, a una resolución espacial de 25 km.Fuente: Visor MARS (European Comission 2011). www.marsop.info/marsop3/

Figura 3. Promedio mensual de correlación entre la predicción climática y la realidad, para pronósticos de 3, 5 y 7 días en el Hemisferio Norte (curvas superiores) y Hemisferio Sur (curvas inferiores). Un valor de 100% corresponde a una predicción perfecta. Fuente: National Research Council NRC (2005).

huracanes pronosticada a tres días se redujo de 210 millas en 1985 a 110 mi-llas en 2004 (NRC, 2005).

Las iniciativas de integración de datos de sensores remotos en SIG no solo se han desarrollado a nivel regional o nacional. A nivel local, distintos gobiernos utilizan información procedente de sensores re-motos de manera continua. En el conda-do de Richland, en el estado de Carolina, sur de Estados Unidos de América, el gobierno local utiliza datos satelitales, ortofotografía digital y datos LiDAR para


monitorear la expansión urbana, detectar impactos de proyectos o construcciones sobre el entorno y desarrollar políticas de crecimiento urbano (Fig. 4).

Así mismo, los datos son utilizados para monitorear la infraestructura, las condi-ciones del pavimento y el estado de las planicies de inundación y humedales, de manera que pueden tomarse acciones de mantenimiento urbano, así como de prevención y mitigación de eventos ex-tremos como inundaciones. Estos datos son integrados en SIG y alimentados con fotografía digital y datos de GPS (NRC, 2003).

2. Beneficios económicos de la percepción remota

Aplicaciones que muestran claros bene-ficios para la sociedad fracasan por los altos costos de las imágenes o por los altos costos institucionales asociados al desarrollo y mantenimiento de las aplica-ciones. Por ejemplo, el Gobierno de Esta-dos Unidos de América ha planteado la posibilidad de monitorear los desechos descargados en sus costas, con el fin de evitar los cierres de playas por contami-nación, y de esta forma disminuir los im-pactos económicos y sanitarios.

Para tal fin, el Distrito de Sanidad del Condado de Orange (estado de Califor-nia) utilizó información de la temperatura del océano, calculada a partir del sensor AVHRR, para detectar cambios en corrien-tes oceánicas superficiales y en turbidez del agua. Estas variables mostraron ser útiles para detectar cambios en el océa-no como resultado de la descarga de desechos. Posteriormente, la Agencia de Protección Ambiental (Environmental Pro-tection Agency, EPA) utilizó información de sensores ópticos y de radar para detec-tar descargas en la ciudad de San Diego. Sin embargo, los altos costos de las imá-genes ópticas de alta resolución y de las imágenes de radar, así como la necesidad de actualizar y procesar las imágenes dia-riamente, imposibilitaron la aplicación del proyecto a nivel nacional (NRC, 2001).

A pesar de las limitaciones económi-cas, es justificable utilizar información de sensores remotos y mantener apli-caciones aparentemente costosas en múltiples casos. En Estados Unidos, se estima que al menos el 40% de los 10 billones de dólares de su economía son afectados cada año por el estado del tiempo y el clima, siendo el 90% de los desastres anuales resultado de eventos climáticos extremos (NRC, 2002).

El clima puede afectar la aviación, la calidad del aire, la salud, el transporte marítimo y terrestre, la defensa, la agri-cultura, las pesquerías, el agua, la ener-gía, la construcción, el turismo y muchos otros sectores de la economía, y por lo tanto el país utiliza información sateli-tal continua para predecir con la mayor exactitud posible el estado del tiempo y de esta manera evitar cuantiosas pérdi-das económicas.

Además de la predicción del estado del tiempo, la actualización de información cartográfica con base en datos de senso-res remotos es fundamental para dismi-nuir los efectos producidos por eventos climáticos extremos. En el estado de Caro-lina del Norte, las inundaciones periódicas por efecto de huracanes causan enormes

Figura 4. Modelo urbano tridimensional

desarrollado por el condado Richland,

en el estado de Carolina del Sur

(Estados Unidos de América), utilizan-do datos de LiDAR y ortofotografía de

alta resolución. Fuente: National

Research Council NRC (2003).

21


daños ambientales y económicos. En 1999, se produjeron daños por más de USD$3.5 millones como resultado del paso de los huracanes Irenne, Dennis y Floyd, y parte de la población emigró a estados vecinos, lo que redujo el recaudo de impuestos. Se llegó a la conclusión de la necesidad de actualizar la cartografía para detectar posibles áreas de inunda-ción. Para tal fin se utilizaron datos Li-DAR, que ofrecen una exactitud vertical de 20 a 25 cm. Se estimó una ganancia de USD$3.35 por cada dólar gastado en cartografía, en contraposición con una pérdida de USD$57 millones cada año si no se cuenta con la cartografía adecuada (NRC, 2003).

En el año 2000, se estimaron pérdi-das de USD$4.4 millones por efecto de terremotos dentro de los Estados Unidos;en 1989, un avión de KML atra-vesó una nube de cenizas producida por un volcán en erupción de Alaska y el accidente causado por este hecho ocasionó pérdidas por más de USD$80 millones; en 1993, las inundaciones del río Mississipi causaron daños cerca-nos a USD$20 millones y desplazaron a más de 70.000 personas; y en 2004 el tsunami del sureste de Asia ocasionó más de 270.000 muertes (NRC, 2007). Estos daños pudieron haber sido preve-nidos y/o mitigados mediante sistemas de alerta temprana basados en datos de sensores remotos.

A nivel local, el uso de la percepción remota también ha producido ahorros significativos. Cuando una compañía de telecomunicaciones estuvo interesa-da en construir una planta en el con-dado Richland (estado de Carolina del Sur), se planteó la necesidad de hacer una evaluación rápida del área con el fin de determinar el mejor sitio para la construcción, lo cual tomaría 45-90 días de trabajo con varios empleados. Sin embargo, el condado contaba con un sistema de información geográfica basado en sensores remotos que daba la información necesaria de manera in-mediata, con lo que fue posible ahorrar

USD$140.000, disminuir el tiempo de la evaluación y aumentar la eficiencia en la toma de la decisión del sitio apropiado para la construcción (NRC, 2003).

3. Los gobiernos y la percepción remota

En países en desarrollo que no cuentan con un sistema propio de toma de in-formación procedente de sensores re-motos, o con acuerdos que aseguren la adquisición continua de datos, ha sido difícil hacer extensivo el uso de dichas tecnologías en sus múltiples aplicacio-nes, lo que ha retrasado el desarrollo so-cial y económico de la población.

Las dificultades en el uso masivo de da-tos de sensores remotos podrían dismi-nuirse mediante: 1) el mejoramiento de los mecanismos de cooperación a nivel nacional, regional, interregional e inter-nacional, con énfasis en el manejo del medio ambiente y la educación, 2) el mejoramiento de las vías para intercam-bio de información, a través de proyec-tos interregionales, con aplicaciones en recursos naturales y gestión del riesgo, 3) la promoción de la educación en per-cepción remota a diferentes niveles, 4) la mayor promoción del uso de informa-ción procedente de sensores remotos en instituciones nacionales para la toma de decisiones, 5) la participación de profe-sionales en proyectos internacionales, 6) la prioridad para el desarrollo de pro-yectos que aumenten la capacidad en tecnologías geoespaciales, y 7) el mayor acceso a sistemas de información regio-nales e internacionales (George, 2000).

Por su parte, países desarrollados usan ampliamente información proveniente de sensores remotos. En Estados Uni-dos de América se ha reafirmado la necesidad de usar de manera masiva la información procedente de sensores re-motos, principalmente para la investiga-ción y monitoreo del cambio climático mundial, pero requiere de financiación


a largo plazo y continuidad en la ad-quisición de datos (US Congress 1993). Se busca monitorear para entender y predecir futuros cambios, pero también para adaptarse, prevenir problemas y mi-tigar sus impactos, reconociendo que los sistemas de observación de la superficie terrestre son esenciales para la predic-ción, desarrollo de políticas, mitigación y adaptación (Wigbels et al., 2008).

A nivel internacional se ha reconocido la necesidad de generar sistemas de observación gobal, dentro de los cua-les se incluye la iniciativa GMES de la Unión Europea (Global Monitoring of Environment and Security), el desa-rrollo de la Misión de Observación de Cambio Global (Global Change Obser-vation Mission GCOM-Water) por parte de la Agencia Espacial Japonesa (JAXA) y la planeación del lanzamiento de una misión conjunta entre India y Francia (Megha-Tropique) para estudiar el ciclo del agua en las regiones intertropica-les, entre otros (Wigbels et al., 2008). La implementación de sistemas globa-les de observación permitiría aumen-tar los beneficios socio-económicos de la percepción remota a una escala sin precedentes, con el consecuente me-joramiento de la calidad de vida de la población mundial.

Conclusiones

La implementación de sistemas de in-formación geográfica basados en da-tos provenientes de sensores remotos permite aumentar la capacidad de pre-dicción, monitoreo y análisis de datos a nivel regional sobre distintas áreas temáticas de interés para el desarrollo social y económico de la humanidad.

Las aplicaciones forman parte de sec-tores estratégicos para las naciones, incluyendo el estudio del cambio cli-mático global, predicciones del estado del tiempo, predicción de la calidad y la cantidad de cosechas, predicción de

hambrunas por efecto de sequías, ex-ploración de zonas con potencial mine-ro, predicción y mitigación de desastres naturales, conservación de ecosistemas y biodiversidad, evaluación de la cali-dad de las aguas, entre muchas otras.

Pese al elevado costo en el desarrollo y mantenimiento de las aplicaciones, se ha demostrado la efectividad de dife-rentes sistemas en la reducción de pér-didas materiales y humanas, y mayores ganancias adquiridas. La nueva genera-ción de sensores remotos de observa-ción de la Tierra busca responder a las demandas del mercado; pero más allá del beneficio monetario derivado de la venta de imágenes hay un creciente interés en establecer sistemas de ob-servación que permitan solucionar pro-blemas globales.

Agradecimientos

Al Centro de Investigación y Desarrollo en Información Geográfica (CIAF) del Instituto Geográfico Agustín Codazzi por ofrecer las herramientas necesarias para desarrollar este artículo.

23


Referencias bibliográficas

Birk, R. J., T. Stanley, G. I. Snyder, T. A. Henning, M. M. Fladeland, y F. Policelli. 2003. Government programs for research and operational uses of commercial remote sensing data. Remote Sensing of Environment 88: 3-16.

Chuvieco, E. 2008. Teledetección ambiental, la observación de la Tierra desde el espacio. 3ª edición. Editorial Ariel, Barcelona, España.

Chuvieco, E (Ed.). 2010. Earth observation of globlal change. The role of remote sensing in monitoring the global environment. Department of Geology, University of Alcalá, Alcalá, España.

Chuvieco, E., I. Aguado, M. Yebra, H. Nieto, J. Salas, M. P. Martín, L. Vilar, J. Martínez, S. Martín, P. Ibarra, J. de la Riva, J. Baeza, F. Rodríguez, J. R. Molina, M. A. Herrera, y R. Za-mora. 2010. Development of a framework for fire risk assessment using remote sensing and geographic information system technologies. Ecological Modelling 221: 46-58.

European Comision. 2011. The MARS unit. Página en Internet. http://mars.jrc.it/mars/About-us/The-MARS-Unit.

George, H. 2000. Developing countries and remote sensing: how intergovernmental factors impede progress. Space policy 16: 267-273.

Maini, A. K., & V. Agrawal. 2011. Satellite technology, principles and applications. Second edi-tion. John Wiley & Sons Ltd., UK.

NRC (National Research Council). 2001. Transforming remote sensing data into information and applications. The National Academic Press, Washington D. C.

NRC (National Research Council). 2002. Satellite observations of the earth´s environment: Ac-celerating the transition of research to operations. The National Academic Press, Washington D. C.

NRC (National Research Council). 2003. Using remote sensing in state and local government information for management and decision making. The National Academic Press, Washington D. C.

NRC (National Research Council). 2004. Utilization of operational environmental satellite data: Ensuring readiness for 2010 and beyond. The National Academic Press, Washington D. C.


NRC (National Research Council). 2005. Earth science and applications from space: Urgent needs and opportunities to serve the nation. The National Academic Press, Washington D. C.

NRC (National Research Council). 2007. Earth science and applications from space: National imperatives for the next decade and beyond. The National Academic Press, Washington D. C.

NRC (National Research Council). 2008. Satellite observations to benefit science and society: recommended missions for the next decade. The National Academic Press, Washington D. C.

Rogan, J., & D. Chen. 2004. Remote sensing technology for mapping and monitoring land-cover and land-use change. Progress in Planning 61: 301-325.

U.S. Congress Office of Technology Assessment. 1993. The future of remote sensing from space: Civilian satellite systems and applications. OTA-ISC-558. U.S. Government Office.

Weng, Q. 2010. Remote sensing and GIS integration. Theories, methods and applications. Mc-Graw Hill, New York.

Wigbels, L., G. R. Faith, y V. Sabathier. 2008. Earth observations and global change. Center for Strategic International Studies CSIS Press. Washington D. C.

25


Anexo 1

Sensores remotos actuales amplia-mente utilizados. Información toma-da a partir de Rogan & Chen (2004), y de páginas oficiales en Internet. Mul-

tiespectral (MS), pancromática (PAN), visible e infrarrojo cercano (Visible and near infrared VNIR), infrarrojo termal (Termal infrared TIR), infrarro-jo de onda corta (Short wave infrared SWIR).

Sensor Organización Año de Lanzamiento

Resolución Espacial (M)

Ancho de Escena (km)

Cubrimiento Espectral

(Μm)

Número de Bandas

Resolución Temporal Aprox. en el Ecuador

(Días)

TM (Landsat 5) NASA (USA) 1984 30 (MS), 120 (TIR) 185 0.45-12.5 7 16

AVIRIS JPL (USA) 1989 20 12 (20 Km de altura) 0.36-2.5 224 NA

SAR (RADAR-SAT-1) CSA (Canadá) 1995 8-100 45-500 Banda C 1 polarización

(HH) 6-24

AVHRR/3 (NOAA 15-19,

MetOP)

NOAA (USA), Eumetsat (Unión

Europea)1998 1100 2500 0.58-12.5 6 0.5

HRVIR (SPOT 4) SPOT Image (Francia) 1998 10 (PAN), 20 60 0.5-1.75 5 3-26

Vegetation (SPOT 4, 5)

SPOT Image (Francia) 1998 1150 2250 0.43-1.75 4 1-2

ASTER (EOS Terra)

NASA y MITI (USA) 1999 15 (VNIR), 30

(SWIR), 90 (TIR) 60 0.52-11.65 15 16

ETM+ (Landsat 7) NASA (USA) 1999 15 (PAN), 30

(MS), 60 (TIR) 183 0.45-12.5 8 16

IKONOS GeoEye (USA) 1999 0.82 (PAN), 4 11 0.45-0.90 5 5-144

MISR (EOS Terra) JPL y NASA (USA) 1999 250-275 360 0.425-0.886 4 9

MODIS (EOS) NASA (USA) 1999250 (bandas

1-3), 500 (3-7), 1000 (8-36)

2330 0.405-14.385 36 1-2

GOES 11-15 NESDIS (USA) 20001000 (VNIR), 4000 (TIR),

8000 (SWIR) 8 0.52-12.5 5 Continua

Hyperion y ALI (EO-1) NASA (USA) 2000 10 (PAN), 30

(MS)7.7 (Hyperion),

37 (ALI)

0.433-2.35 (ALI), 0.357-

2.576 (Hyper-ion)

10 (ALI), 220 (Hyperion) 16

QuickBird Digital Globe (USA) 2001 0.61 (PAN), 2.4 16.4 0.45-0.90 5 3-6

ASAR (Envi-Sat-1)

ESA (Unión Europea) 2002 30-1000 5-400 Banda C 4 polarizacio-

nes 3-35


Sensor Organización Año de Lanzamiento

Resolución Espacial (M)

Ancho de Escena (km)

Cubrimiento Espectral

(Μm)

Número de Bandas

Resolución Temporal Aprox. en el Ecuador

(Días)

HRG (SPOT 5) SPOT Image (Francia) 2002 2.5-5 (PAN), 10

, 20 (SWIR) 60 0.48-1.75 5 3-26

MERIS (Envi-Sat-1)

ESA (Unión Europea) 2002 300, 1200 1150 0.39-1.04 Hasta 15 1-3

LISS III, LISS-IV , AwiFS (IRS-P6 ó Resourcesat-1)

ISRO (India) 20035.8 (LIS-IV),

23.5 (LISS-III), 56-70 (AwiFS)

24-740 0.52-1.73 (LISS-IV),

4 (LISS-III), 4 (AwiFS)

5-24

FORMOSAT-2 NSPO (Taiwan) 2004 2 (PAN), 8 24 0.45-0.90 5 1

PANStereo (IRS-P5 ó Car-

tosat-1)ISRO (India) 2005 2.5 29.5 0.5-0.85 1 5-126

CCD-TDI (EROS B)

ImageSat Inter-national 2006 0.7-0.8 7 0.5-0.9 1 2-12

Pancromático (WorldView-1)

Digital Globe (USA) 2007 0.5 17.6 0.4-0.9 1 2-6

SAR (Cosmo-Skymed1, 2) ASI (Italia) 2007 1-100 10-340 Banda X 4 polarizacio-

nes 0.5-3

SAR (RADAR-SAT-2) CSA (Canadá) 2007 3-100 50-500 Banda C 4 polarizacio-

nes 3-24

TerraSAR-X DLR (Alemania) y EADS Astrium 2007 1-18 5-100 Banda X 4 polarizacio-

nes 2.5-11

WFI, CCD, IRMSS, HRC (CBERS-2B)

INPE (Brasil) 2007

2.7 (HRC), 20 (CCD), 80-160 (IRMSS), 260

(WFI)

27-890 0.50-12.50

1 (HRC), 2 (WFI), 4 (IRMSS), 5

(CCD)

3-26

GeoEye-1 GeoEye (USA) 2008 0.41 (PAN), 1.65 15.2 0.45-0.92 5 1-3

World View-2 Digital Globe (USA) 2008 0.46 (PAN),

1.84 16.4 0.4-1.04 9 1-4

Slim (UK-DMC-2)

DMC Interna-tional Imaging 2009 22 650 0.52-0.90 6 1-5

continúa

27


2 Consideraciones en la seleccion de imágenes satelitales para los estudios ambientales2 Red iberoamericana para el estudio de ecosistemas forestales

ante el cambio climático global – FORCLIM (Colombia)

Ibero American network for forest ecosystems study

regarding global climate change

AbstractWe aim to show the obtained results by The Co-lombian work group of the Thematic Net FORCLIM, which took part of the net during three years. The FORCLIM NET was sponsored by the “Programa Iberoamericano de Ciencia y Tecnología para el De-sarrollo (CYTED)”. Specifically, we show a method model, which works with presence data of Paramus and Tropical dry forest ecosystems obtained from re-mote sensing information of the coastal and terrain ecosystems of Colombia by IDEAM–IGAC et al. 2007, temperature and precipitation data, which are ras-ter models generated by WORLDCLIM project, and predictive models of climate change generated by CIAT. The Raster data were processed with DIVA-GIS in order to be modified and projected according to the future climatic scenarios, all together with the presence data were run with MAXENT program. We obtained potential distribution maps for the present and future, presenting a high tendency to decreasing the geographic distribution of the Paramus Ecosys-tem and increment of the Tropical dry forest.

Key wordsClimate change, remote sensors, distribution models, thematic network FORCLIM.

ResumenEl objetivo de este documento es mostrar los resulta-dos obtenidos durante el año 2010 del trabajo del grupo de Colombia que formó parte de la RED FORCLIM, patro-cinada por el Programa iberoamericano de Ciencia y Tecnología para el Desarrollo (CYTED).

Se difunde un modelo metodológico, trabajado con datos de presencias del ecosistema páramo y bos-que seco tropical, obtenidos de información prove-niente de productos de sensores remotos del mapa de ecosistemas continentales costeros y marinos de Colombia, por el IDEAM–IGAC et al., (2007), datos de temperatura, precipitación y alturas, que son mo-delos raster generados por el proyecto WORLDCLIM, y los modelos predictivos futuros desarrollados por el CIAT. Los datos raster se procesaron con DIVA-GIS para ser modificados y proyectados en los escenarios climáticos futuros y junto con los datos de presencia se realizaron las corridas con MAXENT. Se obtuvieron mapas de idoneidad actuales y futuros en los que se presenta una elevada tendencia a la disminución del páramo y aumento de los bosques secos.

Palabras clavesCambio climático, sensores remotos, modelos de dis-tribución, red temática FORCLIM.

1 Grupo Percepción Remota y Aplicaciones Geográficas PR/AG, CIAF – Instituto Geográfico Agustín Codazzi (IGAC). Carrera 30 No. 48 - 51, Bogotá, Colombia. Ingeniero Forestal.

2 Grupo Percepción Remota y Aplicaciones Geográficas PR/AG, CIAF – Instituto Geográfico Agustín Codazzi (IGAC). Carrera 30 No. 48 - 51, Bogotá, Colombia. Ecóloga.

3 Grupo Percepción Remota y Aplicaciones Geográficas PR/AG, CIAF – Instituto Geográfico Agustín Codazzi (IGAC). Carrera 30 No. 48 - 51, Bogotá, Colombia. Bióloga.

Red iberoamericana para el estudio de ecosistemas forestales ante el cambio climático global – FORCLIM (Colombia)

Héctor Mauricio Ramírez1, Paola Johana Isaacs2 y Martha Paola Barajas3


Introducción

El cambio climático y el calentamiento global (CCG) son fenómenos relevantes en la actualidad, ya que traen implícitos diferentes problemas para el bienestar de la sociedad, sus sistemas producti-vos y el equilibrio natural de los eco-sistemas.

Estas temáticas, por ser consideradas como grandes amenazas para el futuro de la humanidad, están en una situa-ción prioritaria de observación y desa-rrollo a nivel mundial y sobre ellas se viene adelantando gran cantidad de es-trategias y proyectos, (MAVDT-IDEAM-PNUD 2008).

Dentro del marco de iniciativas mun-diales, regionales y locales ante el cam-bio climático se pueden destacar varios ejemplos, como el Panel Interguberna-mental sobre Cambio Climático (IPCC), la Conferencia de las Partes (Conferen-ce of the Parties, COP) y la Convención Marco de las Naciones Unidas sobre el Cambio Climático (CMNUCC), que son los entes de mayor jerarquía para el tra-bajo con cambio climático.

Dentro de las iniciativas citadas, se han creado una serie de subgrupos especia-lizados en diversos componentes espe-cíficos, se han desarrollado diferentes temáticas para ser abordadas, con el fin de buscar una estandarización en las metodologías técnicas y el análisis de la información existente.

De igual forma, se han conformado re-des internacionales para el manejo efi-ciente de las categorías establecidas y el aprovechamiento de la información generada.

En la búsqueda de herramientas mo-dernas y confiables para la generación de información que pueda facilitar el trabajo de planificación frente al CCG, muchos científicos han recurrido a tra-bajar con productos obtenidos de sen-sores remotos.

Estos datos pueden suministrar infor-mación temática clave para apoyar los proyectos e iniciativas que existen a nivel global, con miras a identificar, monito-rear y realizar proyecciones prospectivas que permitan una mejor planificación de los recursos naturales afectados por estas causas.

En concordancia con las iniciativas de gran jerarquía y reconocimiento mun-dial y en el marco de las convocatorias de CYTED1, algunas entidades de Espa-ña y Latinoamérica que investigan en el área de percepción remota han unido esfuerzos para desarrollar la red temá-tica FORCLIM.

Esta red trabajó desde el 2009 hasta el 2010 realizando ejercicios académicos de difusión de conocimiento y trabajo metodológico para el monitoreo de di-ferentes áreas forestales iberoamerica-nas ante el cambio climático global. El objetivo principal es estudiar y prevenir de los efectos potenciales del CCG a los ecosistemas forestales de Iberoaméri-ca mediante el intercambio de conoci-miento sobre técnicas que permitan un estudio integral del fenómeno, la con-solidación de medios y métodos para la identificación y caracterización de áreas forestales actuales y futuras, y la difu-

1 El programa CYTED contribuye al desarrollo armónico y sostenible de la región iberoame-ricana mediante cooperación, en ciencia tecno-logía e innovación. http://www.cyted.org

31


sión de la metodología idónea para el estudio de las distribuciones forestales actuales y futuras mediante técnicas de modelado espacial.

La red temática estuvo conformada por las universidades de Extremadura (Es-paña), Castilla - La Mancha (España), Autónoma de México (México) y Juan Agustín Mazza (Argentina), el Centro de Investigación y Desarrollo de Infor-mación Geográfica (CIAF) del Instituto Geográfico Agustín Codazzi (IGAC, Co-lombia), la Fundación Aqua (Ecuador) y el Instituto de Investigaciones Forestales (Bolivia).

Por su parte, el CIAF, adscrito al IGAC, realiza la interacción de sus grupos te-máticos relacionados con la ciencia geo-mática para generar, actualizar, integrar, difundir y compartir los resultados de sus proyectos, mediante la transferencia de conocimientos, la asesoría, consul-toría y la cooperación técnica.

Esta entidad tiene la responsabilidad de con tribuir para que el IGAC logre “consolidarse como la entidad guber-namental productora y proveedora de información geográfica básica digital de alta calidad necesaria para el de-sarrollo integral y sostenible del país” y proveer el acceso a información geográ fica básica.

El Grupo de Percepción Remota y Apli-caciones Geográficas es un grupo in-terno de trabajo del CIAF que tiene por objetivo “Fomentar en el ámbito nacio-nal el uso de las imágenes provenientes de sensores remotos para el estudio de los recursos naturales y la toma de de-cisiones en el marco de la planificación territorial, a través de la investigación, generación de propuestas metodoló-gicas, capacitación, transferencia de tecnologías y la prestación de asesorías especializadas” (IGAC, 2010). La misión del Grupo es investigar sobre los avan-ces científicos y tecnológicos de la per-cepción remota a nivel mundial, para su adopción a las condiciones de Co-lombia, promoviendo los proyectos de

investigación con aplicación práctica, conjunta e interdisciplinaria entre las áreas técnicas del IGAC y otros grupos que pueden beneficiarse del uso de la información geoespacial y proyectando los resultados a través de la docencia, asesoría y consultoría. Su visión es con-solidarse como un grupo líder con pro-yección internacional en investigación, desarrollo tecnológico e innovación en el campo de la percepción remota, para su aplicación a nivel de Colombia y de Latinoamérica y el Caribe, reafirmando la integración armónica entre la ciencia y la sociedad.

Una de las áreas de trabajo estratégi-cas del Grupo de Percepción Remota es la aplicación de los productos de sensores remotos en Colombia para la evaluación y monitoreo de los efectos del cambio climático en el medio am-biente. De igual manera, busca el de-sarrollo de nuevas líneas de producción cartográfica y abrir nuevos campos de aplicaciones con el fin de ampliar el co-nocimiento sobre los recursos naturales y sus complejas interrelaciones. Todo lo anterior, orientado a apoyar al Gobier-no nacional en los procesos de toma de decisiones y a actuar más acorde con la realidad del país y con miras a su desa-rrollo sostenible.

En este sentido, el grupo de Colombia, en apoyo con los demás integrantes de la red, realizó el trabajo que a continua-ción se explica. El objetivo de este tra-bajo es proveer una metodología base con el fin de establecer la implemen-tación de datos de sensores remotos para el estudio y monitoreo del efecto del cambio climático en los ecosistemas de Colombia.

1. Área de estudio definida para el trabajo

El área de estudio es el territorio co-lombiano, localizado en el extremo noroccidental de América del Sur, está bordeado por el este con Venezuela y


Brasil, por el sur con Ecuador y Perú, por el norte con el Océano Atlántico, por el noroeste con Panamá y por el oeste con el océano Pacífico. La superficie del país abarca 2 070 408 km2, de los cuales 1 141 748 corresponden a su territorio continental y los restantes 928 660 a su extensión marítima. Consta de dos grandes zonas territoriales una sumer-gida en el océano Pacífico y el mar Ca-ribe cubriendo un área aproximada de 828 660 km2, y una segunda formada por las montañas de los Andes y las llanuras del oriente que comparte con Venezuela, que cubre aproximadamen-te 1 143 748 km2 (Figura 1).

El territorio colombiano está dividido en una región plana en el oriente y una región montañosa en el occidente correspondiente a los Andes, donde a partir del Nudo de los Pastos y el Ma-cizo Colombiano, la cordillera de los Andes se ramifica en tres secciones, en-tre las cuales la cordillera Occidental es moderadamente alta y corta en longi-tud en comparación con las otras dos, se eleva hasta los 4764 M.S.N.M. del volcán Cumbal. Las cordilleras Central y Oriental están separadas por el valle del río Magdalena; la Oriental es la más extensa. Contiene numerosas cuencas hidrográficas que desembocan en los

ríos Magdalena, Amazonas y Orinoco (Fuente: IGAC).

Para el desarrollo del proceso metodo-lógico, inicialmente se trabajó con la capa oficial de páramos, utilizada en el Atlas Nacional de Páramos, y el Mapa de Ecosistemas de Colombia (2007). El Mapa fue realizado por el Instituto de Estudios Ambientales y Meteorológicos (IDEAM), el IGAC, el Instituto Alexan-der von Humboldt (IAvH), el Instituto de Investigaciones ambientales del Pa-cífico (IIAP), el Instituto Amazónico de Investigaciones Científicas (Sinchi) y el Instituto de Investigaciones Marinas y Costeras (Invemar).

Para ejecutar el procedimiento se uti-lizó la capa de ecosistemas para todo el país; este mapa integra el territorio continental y marino de Colombia, el sistema de coordenadas cartográficas Magna-Sirgas y a escala 1:500 000, con 36 hojas cartográficas. El mapa fue realizado incluyendo múltiples capas de información como geopedología, zoni-ficación climática, coberturas de la tie-rra, geomorfología de fondos marinos y clima oceánico (Ideam et al., 2007).

La metodología para la obtención del Mapa de Ecosistemas consideró dos aproximaciones: una para los compo-nentes continentales y costeros y otra para los marinos. El procedimiento general para la delimitación de eco-sistemas continentales consistió en la integración de información de geope-dología, zonificación climática y cober-turas de la tierra, mediante procesos de análisis espacial y sistemas de informa-ción geográfica (Ideam et al., 2007).

Para la elaboración del mapa de carac-terización climática se empleó el mapa de clima que resulta de la intersección de los mapas fuente de temperatura y precipitación media anual. El desarrollo del mapa de geopedología consistió en la recopilación de información, el aná-lisis y la interrelación de esta, el cambio del sistema de proyección de coorde-nadas y la incorporación de algunos

Figura 1. Mapa de Colombia.

Fuente: IGAC.

33


elementos de la base cartográfica del IGAC. La metodología empleada para obtener la información de cobertura de la tierra tuvo en cuenta el acuerdo interinstitucional sobre la leyenda, en cuanto a categorías y clases. A partir de la leyenda se hizo el procesamien-to de las imágenes satelitales (Landsat TM y ETM+), las cuales tienen fechas de toma cercanas al año 2001, para cada una de las regiones en las que se subdividió el territorio nacional para este proceso. La elaboración de la car-tografía comprende los procesos de preparación de fuentes de información, corrección geométrica de imágenes, captura de elementos cartográficos, edición y estructuración, control de ca-lidad y salidas finales. Finalmente, se integró un mapa nacional, que se tomó como fuente para generar las unidades de ecosistemas. Dentro del contexto de este proyecto se denominó capa de unidades síntesis a la integración verti-cal o superposición de las tres capas te-máticas fundamentales: cobertura de la tierra, geopedología y zonificación cli-mática. Esta integración estuvo a cargo del Ideam, con el apoyo técnico de los demás institutos (Ideam et al., 2007).

A partir de la capa de unidades síntesis se generó el mapa de biomas, definido de acuerdo con características climá-ticas, geomorfopedológicas y por su ubicación dentro de una gran cuenca hidrográfica, mediante una agrupación de características geopedológicas, de provincias de humedad, zonificación hidrográfica y altitud. De acuerdo con esto, finalmente se obtuvo un número de 32 biomas, dentro de los tres gran-des biomas, los cuales se presentan en los resultados del presente documento. Por otro lado, se establecieron además los biomas azonales, los cuales fueron reeditados manualmente, apoyándose en la literatura existente sobre la pre-sencia de estos biomas en algunas re-giones.

2. Desarrollo metodológico

La red temática originalmente progra-mó dos actividades anuales presen-ciales, en donde se establecían tareas programadas cronológicamente para avanzar en los procesos de generación de información.

En los encuentros presenciales anuales se ha facilitado el intercambio de co-nocimiento sobre técnicas de modela-miento espacial prospectivo que otros países como España habían utilizado.

Conforme a estas comunicaciones y las tareas programadas, el Grupo de Percepción Remota y Aplicaciones Geográficas desarrolló el proceso de generación, identificación y caracteri-zación de áreas de bosques en escena-rios climáticos actuales y futuros.

A continuación se presenta la meto-dología utilizada y los resultados pre-liminares para modelar la distribución de los ecosistemas, mediante datos cli-máticos, datos procedentes de percep-ción remota y generación de modelos matemáticos y métodos estadísticos idóneos.


2.1 Selección de tipo de ecosistemas para trabajar

Para el modelamiento se emplearon los datos de los ecosistemas continentales, costeros y marinos de Colombia y se determinó el área de distribución actual de los ecosistemas con el fin de obtener datos de presencia (Tabla 1).

IDBI BIOMA C COBERTURA IDECO ECOSISTEMA

3 Zonobioma seco tropical del Caribe 31 Bosques naturales 331 Bosques naturales del zonobioma

seco tropical del Caribe

4 Halobioma del Caribe 31 Bosques naturales430 Manglar del Caribe431 Bosques naturales del halobioma del Caribe

8 Zonobioma húmedo tropical de la Amazonia y Orinoquia 31 Bosques naturales 831 Bosques naturales del zonobioma húmedo

tropical de la Amazonia y Orinoquia

9 Helobiomas de la Amazonia y Orinoquia 31 Bosques naturales 931 Bosques naturales del helobioma

Amazonia y Orinoquia

10 Peinobiomas de la Amazonia y Orinoquia 31 Bosques naturales 1031 Bosques naturales del peinobioma

de la Amazonia y Orinoquia

11 Litobiomas de la Amazonia y Orinoquia 31 Bosques naturales 1131 Bosques naturales del litobioma

de la Amazonia y Orinoquia

12 Zonobioma húmedo tropical del Pacífico y Atrato 31 Bosques naturales 1231 Bosques naturales del zonobioma húmedo

tropical del Pacífico y Atrato

13 Helobiomas del Pacífico y Atrato 31 Bosques naturales 1331 Bosques naturales del helobioma

Pacífico y Atrato

14 Halobiomas del Pacífico 31 Bosques naturales1430 Manglar del Pacífico1431 Bosques naturales del halobioma del Pacífico

15 Zonobioma húmedo tropical del Magdalena y Caribe 31 Bosques naturales 1531 Bosques naturales del zonobioma húmedo

tropical del Magdalena y Caribe

16 Helobiomas del Magdalena y Caribe 31 Bosques naturales 1631 Bosques naturales del helobioma

Magdalena y Caribe

17 Zonobioma húmedo tropical del Catatumbo 31 Bosques naturales 1731 Bosques naturales del zonobioma

húmedo tropical del Catatumbo

19 Orobiomas bajos de los Andes 31 Bosques naturales 1931 Bosques naturales del orobioma bajo de los Andes

20 Orobiomas medios de los Andes 31 Bosques naturales 2031 Bosques naturales del orobioma

medio de los Andes

21 Orobiomas altos de los Andes 31 Bosques naturales 2131 Bosques naturales del orobioma alto de los Andes

22 Orobiomas azonales de Cúcuta 31 Bosques naturales 2231 Bosques naturales del orobioma azonal de Cúcuta

27 Orobioma de San Lucas 31 Bosques naturales 2731 Bosques naturales del orobioma de la serranía de San Lucas

28 Orobioma de La Macarena 31 Bosques naturales 2831 Bosques naturales del orobioma de La Macarena

29 Orobioma del Baudó y Darién 31 Bosques naturales 2931 Bosques naturales del orobioma de la serranía del Baudó y Darién

30 Orobioma bajo de Santa Marta y Macuira 31 Bosques naturales 3031 Bosques naturales del orobioma bajo de la

Sierra Nevada de Santa Marta y Macuira

31 Orobioma medio de Santa Marta 31 Bosques naturales 3131 Bosques naturales del orobioma

medio de la Sierra Nevada de Santa Marta

32 Orobioma alto de Santa Marta 31 Bosques naturales 3231 Bosques naturales del orobioma alto de la Sierra Nevada de Santa Marta

Tabla 1. Ecosistemas definidos para realizar el desarrollo metodológico

35


2.2 Generación de los modelos de distribución

Para la ejecución de los modelos, se empleó el programa MaxEnt (Phi-llips et al., 2006) (www.cs.princeton.edu/~schapire/maxent), el cual es un método de inteligencia artificial que aplica el principio de máxima entropía para calcular la distribución geográfica más probable para una especie. MaxEnt estima la probabilidad de ocurrencia de la especie buscando la distribución de máxima entropía (lo más uniforme posible) sujeta a la condición de que el valor esperado de cada variable am-biental según esta distribución coincida con su media empírica. El resultado del modelo expresa el valor de idoneidad del hábitat para la especie como una función de las variables ambientales. Un valor alto de la función de distribu-ción en una celda determinada indica que esta presenta condiciones muy fa-vorables para la presencia de la especie. MaxEnt puede utilizar variables cualita-tivas, otorgando a cada valor de la va-riable un peso relativo al número total de puntos de presencia que contiene. El programa proporciona las curvas de respuesta de la especie ante las distin-tas variables ambientales y estima la importancia de cada variable en la dis-tribución de la especie. MaxEnt trabaja con tres tipos de datos para generar los modelos: datos de presencia, variables climáticas actuales y variables climáticas proyectadas, ya sean proyecciones futu-ras o pasadas.

Para obtener los datos de presencia, se trabajó con la distribución de los bio-mas del Mapa de Ecosistemas de Co-lombia (IDEAM et al., 2007); a partir de los polígonos de los biomas se genera-ron puntos aleatorios software ArcGIS 9.3.1 dentro de dichos polígonos.

Las variables climáticas actuales se ob-tuvieron gratuitamente de Worldclim (Hijmans et al., en línea: [http://www.worldclim.org/]), las cuales son un con-junto de datos raster con una resolución

de 1 km2. Estos datos corresponden a la precipitación y temperatura media anual para Colombia.

Las variables climáticas proyectadas se consiguieron a través de la modifica-ción de las variables climáticas actuales (Hijmans et al., en línea: [http://www.worldclim.org/]) mediante la utiliza-ción de los modelos desarrollados por el Centro Internacional de Agricultura Tropical (CIAT), los cuales se referencian en otros desarrollados con anterioridad por las siguientes centros de investiga-ción:

• El primer Modelo CCCMA (Cana-dian Centre for Climate Modelling and Analysis) - CGCM2 (The second generation coupled global climate model). En línea en http://gisweb.ciat.cgiar.org/GCMPage/down-load_a2.html

• El segundo modelo es CSIRO (The Commonwealth Scientific and In-dustrial Research Organisation) – (Atmospheric Research Mark 2b climate model) MK2. En línea en http://www.ipcc-data.org/is92/csi-romk2_info.html

• El tercer modelo fue el HCCPR (Hadley Centre for Climate Pre-diction and Research) - HADCM3 (Hadley Centre used the Unified Model (Cullen, 1993)). Este mode-lo se encuentra en línea en http://www.ipcc-data.org/is92/hadcm2_download.html

Tendiendo completos los tres tipos de datos que MaxEnt necesita, se realiza-ron las corridas con el software para obtener los modelos. Con cada capa temática se generaron los escenarios reales actuales y los potenciales actua-les. Posteriormente se generaron dos escenarios futuros, escenario A2 y es-cenario B2, de acuerdo a los modelos propuestos por el CIAT.


El IPCC SRES ha desarrollado nuevos escenarios de emisión denominados SRES scenarios. Los escenarios de emi-sión son representaciones de futuras emisiones con base en factores exter-nos como demografía, desarrollo so-cio económico y cambio tecnológico y sus clases de relaciones. Los escena-rios SRES comprenden cuatro familias: A1, A2, B1 y B2 (Ruiz-Murcia, 2010). Los escenarios A2 describen un mun-do heterogéneo, con una población en continuo crecimiento el desarrollo económico está orientado a las regio-nes y el crecimiento económico por habitante, así como el cambio tecno-lógico, están fragmentados y son más lentos que en otras líneas evolutivas. Los escenarios B2 describen un mundo en el que predominan las soluciones locales a la sostenibilidad económica, social y ambiental. Es un mundo cuya población aumenta progresivamente a un ritmo menor que en A2, con un nivel de desarrollo económico inter-medio y con un cambio tecnológico menos rápido y más diverso que en la líneas evolutivas A1 y B1. Aunque este escenario está también orientado a la protección del medio ambiente y a la igualdad social, se enfoca en niveles locales y regionales.

De esta forma, MaxEnt arroja un enlace http donde se pueden observar los esta-dísticos y modelos arrojados, y capas de los modelos. Para comparar la capacidad de discriminación de los distintos mode-los se emplea la técnica del área bajo la curva ROC (Receiver Operating Characte-ristic), la cual es procedente del procesa-miento de señales de radar y que ha sido aplicada en la evaluación de modelos de distribución basados en algoritmos de presencia-ausencia y en algoritmos de solo presencia (Phillips et al., 2006).

La construcción de la curva ROC es un proceso iterativo aplicado a cada um-bral de idoneidad del modelo, que con-siste en un modelo de distribución que se reclasifica en dos categorías a partir del umbral, para obtener un modelo bi-

nario, en el que los valores del modelo original inferiores al umbral indican au-sencia y los valores iguales o superiores al umbral indican presencia. Se obtiene una curva del intercambio entre las ta-sas de los falsos negativos y falsos posi-tivos, para cada valor de corte (Phillips et al., 2006).

El área bajo la curva ROC (AUC) indi-ca, para un punto de presencia y uno aleatorio seleccionados al azar, la pro-babilidad de que el valor de idoneidad previsto por el modelo para el punto de presencia sea mayor que el previsto para el punto aleatorio. Es una medida direc-ta de la capacidad de discriminación del modelo, que toma valores próximos a 1 cuando existe un buen ajuste con los datos de evaluación y cercanos a 0.5 cuando el ajuste no es mejor que el ob-tenido por azar (Phillips et al., 2006).

Para realizar este procedimiento se ob-servó el archivo resultante de MaxEnt en formato HTML y se analiza la gráfi-ca sensitivity vs. 1 specificity, donde se observa desde el punto de cruce de los ejes x y y posición (0,0; 1,0), parte su-perior izquierda, la distancia euclidiana más cercana a la curva. El modelo se rechaza al no presentar un buen ajuste (debajo de 0,7 se tomaron entonces va-lores de 0,65 del valor de training data AUC (Area under Curve) o Test data AUC como mínimo para el corte y gene-ración de cartografía. Adicional a eso se analizaron los datos de la tabla arroja-da por MaxEnt (se encuentra bajo esta curva) y se observa el valor correspon-diente a Equal training sensitivity and specificity, que es el valor de equilibrio entre estas dos variables.

Se generó la cartografía temática re-sultante convirtiendo a grid los resulta-dos del ascii de MaxEnt (0 = no data; 1 = potencial actual; 2 = actual real) y se creó el área de distribución real en formato GRID a partir del mapa de ecosistemas para los 22 biomas (ver Tabla 1) con resolución de 1 km para subir a web.

37


Con los procedimientos realizados se entregó esta información para su publicación en la página web de la red temática, que es la siguiente: http://161.67.130.145/~red/

3. Resultados

Se presentan a continuación los bio-mas que se modelaron para los dife-rentes escenarios y modelos climáticos para los escenarios A2 y B2 y que es-tán disponibles en la página web. Allí es posible escoger el bioma, realizar acercamientos, sobreponer diferentes capas, ver cada modelo y realizar com-paraciones (Figura 2).

Los biomas presentados pertenecen a dos grandes biomas el Gran Bioma de Bosque Seco Tropical y el Gran Bioma del Bosque Húmedo Tropical.

3.1. Gran Bioma de Bosque Seco Tropical

Zonobioma Seco Tropical del Caribe

Este bioma se caracteriza por encon-trarse en zonas de clima cálido seco (91%) y cálido muy seco (9%), donde predominan las coberturas de la tierra de pastos (61%), vegetación secunda-ria (13%), áreas agrícolas heterogé-neas (9%) y arbustales (7%).

Según el escenario potencial para este bioma, existen zonas que por sus con-diciones podrían incrementar esta co-bertura, incluso muestra zonas en el sur que no corresponden a este bio-ma; sin embargo, para los modelos futuros la tendencia de este bioma es a decrecer. El modelo que muestra me-nor pérdida de cobertura es el CGCM2 (Figura 3).

Figura 2 (arriba). Visualización de los resultados en el enlace de la red

Figura 3 (abajo). Escenario actual (en verde oscuro) y potencial (verde claro) y los escenarios A2 para los modelos CGCM2, CSIRO-MK2, HADCM3 (arriba, de izquierda a derecha) y los escenarios B2 (abajo, de izquierda a derecha) para el Zonobioma Seco Tropical del Caribe.

Halobioma del Caribe

En este halobioma predominan los cli-mas cálido muy seco (52%) y cálido seco (37%), y en algunos sectores se presenta un clima cálido árido (9%). Este halobio-ma está cubierto de bosques naturales (28%), lagunas costeras (23%), pastos (13%), zonas desnudas (10%), vegeta-ción secundaria (6%) y cobertura de hi-drofitia continental (4%).

El área potencial que muestra el mo-delo actual y futuro, es bastante mayor que la existente; sin embargo, hay zo-nas reales que no se muestran en los modelos. Entre escenarios no se ob-


Este bioma se ubica sobre una pequeña zona del departamento del Cesar, en el que el escenario potencial muestra mayor área que la real, pero los modelos futuros muestran una tendencia a disminuir su cobertura, incluso a mostrar la desapari-ción de este bioma para el modelo HA-DCM3 (Figura 5).

Orobiomas Altos de los Andes

Este orobioma abarca una extensión de 4 178 394 ha y en él confluyen climas muy frío seco (60%), muy frío húmedo (15%), extremadamente frío seco (12%) y muy frío y muy seco (9%). En el oro-bioma andino predominan las siguientes coberturas de la tierra: herbazales (25%), bosques naturales (23%), arbustales (20%), pastos (13%), áreas agrícolas heterogéneas (9%) y cultivos anuales o transitorios (5%).

Igualmente, se observa un incremento en la cobertura potencial en relación con la real y los modelos futuros presentan en algunas zonas incrementos de cober-tura y en otra disminución. Este tipo de bioma es de gran importancia, ya que en él se presentan los ecosistemas de pára-mo, fundamentales para la conservación del recurso hídrico del país y únicos a ni-vel mundial (Figura 6).

Orobioma del Baudó Darien

Los climas que se dan en el orobioma de la serranía del Baudó-Darién son cálido muy húmedo (87%) y cálido húmedo (11%). En el orobioma de la serranía del Baudó-Darién predominan las siguientes coberturas de la tierra: bosques naturales (72%) y vegetación secundaria (23%).

El modelo muestra zonas potenciales en donde no se presenta este tipo de bio-ma, como por ejemplo hacia el centro del país, ya que se localiza únicamente hacia la zona occidental en el Chocó. Cada modelo climático arroja zonas di-ferentes, siendo el CSIRO el que más co-bertura aumenta (Figura 7).

Figura 4 (arriba).Escenario actual y

(en verde oscuro) y potencial (verde claro) los

escenarios A2 para los modelos CGCM2, CSIRO-

MK2, HADCM3 (arriba, de izquierda a derecha) y los

escenario B2 (abajo, de izquierda a derecha) para el Halobioma del Caribe.

Figura 5 (abajo).Escenario actual (en

verde oscuro) y potencial (verde claro) y los


MK2, HADCM3 (arriba, de izquierda a derecha) y los escenarios B2 (abajo, de izquierda a derecha)

para el Zonobioma Húmedo Tropical del

Catatumbo.

servaron cambios significativos y cada modelo climático muestra zonas poten-ciales diferentes, siendo el SCIRO el que mayor área otorga. Al ser estas zonas cálidas podría esperarse que en el futuro incrementen su cobertura, especialmen-te aquellas desérticas (Figura 4).

3.2 Gran Bioma del Bosque Húmedo Tropical

Zonobioma Húmedo Tropical del Catatumbo

Con climas cálidos muy húmedos (62%) y cálidos húmedos (37%). En cuanto a la cobertura de la tierra se localizan bosques naturales (49%), pastos (21%) y áreas agrícolas heterogéneas (19%), principalmente.

39


Figura 6 (arriba). Escenario actual (en verde oscuro) y potencial (verde claro) y los escenarios A2 para los modelos CGCM2, CSIRO-MK2, HADCM3 (arriba, de izquierda a derecha) y los escenarios B2 (abajo, de izquierda a derecha) para los orobiomas altos de los Andes.

Orobioma de San Lucas

Los climas que se dan en este orobio-ma son: templado húmedo (27%), cáli-do muy húmedo (27%), cálido húmedo (26%) y cálido seco (9%). Predominan las siguientes coberturas de la tierra: bosques naturales (68%), vegetación secundaria (18%) y pastos (12%).

Para este bioma, el escenario HADCM3 muestra una disminución en cobertu-ra para el escenario A2 y desaparición

para el escenario B2. Al igual que en modelos anteriores, el modelo poten-cial muestra un incremento de las co-berturas y variaciones en área según cada modelo climático (Figura 8).

Orobioma de La Macarena

Este orobioma presenta climas cálido húmedo (63%), cálido muy húmedo (13%), templado húmedo (13%) y templado muy húmedo (12%). Pre-

Figura 7 (centro). Escenario actual (en verde oscuro) y potencial (verde claro) y los escenarios A2 para los modelos CGCM2, CSIRO-MK2, HADCM3 (arriba, de izquierda a derecha) y los escenarios B2 (abajo, de izquierda a derecha) para el Orobioma del Baudó Darién.

Figura 8 (abajo). Escenario actual (en verde oscuro) y potencial (verde claro) y los escenarios A2 para los modelos CGCM2, CSIRO-MK2, HADCM3 (arriba, de izquierda a derecha) y los escenarios B2 (abajo, de izquierda a derecha) para el Orobioma de San Lucas.


dominan las siguientes coberturas de la tierra: bosques naturales (72%), ar-bustales (19%) y herbazales (5%).

Este bioma ocurre únicamente hacia la zona conocida como la Serranía de La Macarena. La tendencia general con los modelos climáticos es al decrecimiento, especialmente en el modelo CGCM, es el que mayor disminución en cobertura muestra (Figura 9).

Orobioma Bajo de Santa Marta y Macuira

Este orobioma abarca una extensión de 994 633 ha y en él se dan climas cáli-do seco (35%), templado seco (28%), cálido árido (15%) y templado húmedo (13%). En este orobioma predominan las siguientes coberturas de la tierra: vegetación secundaria (33%), bosques naturales (32%), pastos (14%), arbus-tales (8%) y herbazales (7%).

Igualmente, se presenta un incremento en zonas donde no corresponde este bioma, y en todos los modelos climá-ticos desaparece la zona de la Macuira hacia el nor oriente del país; el escena-rio HADCM3 es el que pronostica una mayor pérdida de cobertura, especial-mente hacia las zonas de la Sierra Ne-vada de Santa Marta. Ambas zonas son de gran importancia para el país por ser ecosistemas únicos y porque abastecen de agua a gran cantidad de municipios (Figura 10).

Helobioma del Pacífico y El Atrato

Este helobioma se caracteriza por pre-sentar tres tipos de clima: cálido muy húmedo (74%), cálido húmedo (14%) y cálido pluvial (12%). Está cubierto predominantemente por bosques na-turales (34%), vegetación secundaria (22%), cobertura de hidrofitia conti-nental (15%), áreas agrícolas hetero-géneas (12%) y aguas continentales naturales (6%).

De igual manera a los casos anteriores, el escenario potencial muestra zona donde puede ocurrir este bioma, pero que presenta una disminución en cuan-to a la real, en parte debido a la inter-vención que se ha dado en esta zona. El modelo CGCM2 es el que mayor área proyecta y el HADCM3 el más pesimista (Figura 11).

Halobioma del Pacífico

Este halobioma se caracteriza por re-flejar los siguientes tres tipos de clima: cálido muy húmedo (64%), cálido plu-vial (25%) y cálido húmedo (10%). La cobertura de la tierra de este halobioma está constituida por bosques naturales (73%), vegetación secundaria (12%) y lagunas costeras (8%).

El escenario potencial muestra zonas donde puede ocurrir este bioma, pero que presenta una disminución y des-aparición en cuanto a la real. El modelo

Figura 9 (arriba).Escenario actual (en verde oscuro) y potencial (verde claro) y los escenarios A2

para los modelos CGCM2, CSIRO-MK2, HADCM3 (arriba,

de izquierda a derecha) y los escenarios B2 (abajo, de izquierda a derecha) para el Orobioma de La Macarena.

Figura 10 (abajo).Escenario actual (en verde oscuro) y potencial (verde claro) y los escenarios A2

para los modelos CGCM2, CSIRO-MK2, HADCM3 (arriba,

de izquierda a derecha) y los escenario B2 (abajo, de izquierda a derecha) para

el Orobioma Bajo de Santa Marta y Macuira.

41


Figura 11. Escenario actual (en verde oscuro) y potencial (verde claro) y los escenarios A2 para los modelos CGCM2, CSIRO-MK2, HADCM3 (arriba, de izquierda a derecha) y los escenarios B2 (abajo, de izquierda a derecha) para el Helobioma del Pacifico y El Atrato.

Figura 12. Escenario actual (en verde oscuro) y potencial (verde claro) y los escenarios A2 para los modelos CGCM2, CSIRO-MK2, HADCM3 (arriba, de izquierda a derecha) y los escenarios B2 (abajo, de izquierda a derecha) para el Halobioma del Pacífico.

Figura 13. Escenario actual (en verde oscuro) y potencial (verde claro) y los escenarios A2 para los modelos CGCM2, CSIRO-MK2, HADCM3 (arriba, de izquierda a derecha) y los escenarios B2 (abajo, de izquierda a derecha) para el Helobioma del Magdalena y Caribe.

CGCM2 es el que mayor área proyecta y el HADCM3 el que muestra menor co-bertura (Figura 12).

Helobioma del Magdalena y Caribe

En este helobioma se dan tres tipos de climas: cálido seco (46%), cálido muy húmedo (41%) y cálido húmedo (8%). Las coberturas de la tierra pre-dominantes son pastos (32%), aguas

continentales naturales (18%), cober-tura de hidrofitia continental (11%) y vegetación secundaria (11%), cultivos anuales o transitorios (10%) y bosques naturales (8%).

Este modelo es el que en el futuro pre-sentará una de las mayores extensiones de su área para los tres modelos climá-ticos, siendo el CSIRO-MK2 el que ma-yor área proyecta y el HADCM3 el que menos. Es de gran importancia esta


zona por ser de tipo aluvial, porque los efectos del cambio climático podrían ser mayores en términos de inundacio-nes o sequías hacia estas zonas (Figura 13).

Orobiomas Azonales de Cúcuta

Este orobioma se caracteriza por pre-sentar dos tipos predominantes de clima: cálido seco (76%) y cálido muy seco (23%). Predominan las siguientes coberturas vegetales en este orobioma: pastos (35%), vegetación secundaria (31%), áreas agrícolas heterogéneas (9%), áreas urbanas (8%), arbustales (6%) y bosques naturales (5%). Al ser un bioma tan pequeño, las predicciones muestran su tendencia a la desapari-ción y el modelo potencial no aumenta significativamente el área efectiva que ocupa actualmente (Figura 14).

Orobioma Medio de Santa Marta

Con una extensión de 174 149 ha, este orobioma presenta climas frío húmedo (44%), frío muy húmedo (42%) y frío seco (14%). Predominan las siguientes coberturas de la tierra: bosques natura-les (59%), áreas agrícolas heterogéneas (20%), herbazales (11%) y pastos (5%).

Para este bioma, el modelo climático CSIRO-MK2 es el único que arroja la probabilidad del que se conserve bajo un escenario futuro de cambio climáti-co; para los demás, este tiende a des-aparecer. De igual manera, se presenta muy poco incremento del modelo po-tencial en cuanto al real (Figura 15).

Orobioma Alto de Santa Marta

Este orobioma abarca una extensión de 157 621 ha y cuenta con climas extre-madamente frío seco (40%), muy frío seco (36%), muy frío húmedo (15%) y nivel seco (7%). En este orobioma pre-dominan las siguientes coberturas de la tierra: herbazales (71%), bosques naturales (10%), arbustales (10%) y zonas desnudas (sin o con poca vege-tación) (5%).

Para este bioma, el modelo climáti-co CSIRO-MK2 en el escenario A2 es el único que arroja la probabilidad de que se conserve bajo un escenario futuro de cambio climático; para los demás, este tiende a desaparecer. De igual manera, se presenta muy poco incremento del modelo potencial en cuanto al real (Figura 16).

4. Análisis de los resultados y discusión

Este documento presenta las activi-dades realizadas para la red temática FORCLIM. El objetivo principal de la red proyecta estudiar y prever los efec-tos potenciales del cambio climático global mediante tres puntos claves:

Figura 15 (abajo).Escenario actual (en



MK2, HADCM3 (arriba, de izquierda a derecha) y

los escenario B2 (abajo, de izquierda a derecha)

para el Orobioma Medio de Santa Marta.

Figura 14 (arriba).Escenario actual (en



MK2, HADCM3 (arriba, de izquierda a derecha) y

los escenario B2 (abajo, de izquierda a derecha)

para el Orobiomas Azonales de Cúcuta.

43


intercambio de conocimiento sobre técnicas que permitan un estudio in-tegral del fenómeno, consolidación de medios y métodos para la identi-ficación y caracterización de áreas de bosque actuales y futuras, y difusión de la metodología idónea para el es-tudio de las distribuciones de bosque actuales y futuras mediante técnicas de modelado espacial. De acuerdo con este objetivo, el Grupo de Percep-ción Remota ha realizado actividades en cuanto a los tres puntos que plan-tea el objetivo, concentrándose en el desarrollo metodológico más idóneo para el estudio de los efectos del CCG, mediante el uso de datos de sensores remotos.

Dadas las comunicaciones con la red y los diferentes encuentros anuales se ha facilitado el intercambio de conoci-miento sobre técnicas que otros países, como España, ya han utilizado. Esto es un avance para estudiar la dinámi-ca de distribución de los ecosistemas de bosque frente al cambio climático global en Colombia. Conforme a estas comunicaciones, el Grupo Percepción Remota se ha capacitado y está en el proceso de consolidación de la meto-dología para identificar y caracterizar áreas de bosques en escenarios climá-ticos actuales y futuros.

La red temática propuesta parte de su experiencia actual en técnicas de aná-lisis espacial y estudio de la diversidad biológica para intercambiar conoci-miento, consolidar medios y métodos y difundir técnicas de estudio de este fenómeno en un marco de apertura a la sociedad. En este sentido, datos, métodos, resultados y documenta-ción son públicos y se potenciará el uso de herramientas de software li-bres. Los resultados esperados son la consolidación de una línea de trabajo con métodos estandarizados aplica-ble al análisis del problema central de la línea de investigación y utilizable por cualquier grupo u organización, incluyendo a los países participantes.

Recientemente se está desarrollando una serie de técnicas aplicadas a la ge-neración de modelos de distribución de especies y más específicamente a la modelación de esta distribución y los efectos de los cambios en aquellas va-riables que determinan la presencia de la especie. Esto, gracias al creciente de-sarrollo tecnológico de los sistemas, la difusión y acceso a la geoinformación y al avance en tecnologías geomáticas, especialmente en sensores remotos, que son el insumo principal de base, lo cual permite que los modelos sean cada vez más consistentes en sus pre-dicciones y admiten incluir mayor can-tidad de atributos. Estos modelos son de vital importancia, ya que son insu-mo para los tomadores de decisiones en conservación y manejo, determinar posibles zonas de presencia de especies desconocidas o evaluar el impacto del cambio climático global sobre la distri-bución de los organismos (Lawler et al., 2006; Ruiz-Murcia, 2010).

Los modelos de distribución de especies indican la idoneidad o aptitud del há-bitat para el desenvolvimiento óptimo de las poblaciones de una especie par-ticular o de las comunidades, calculada a partir de observaciones de campo y una serie de variables ambientales que actúan como predictoras o covariables (Phillips et al., 2006).

La creciente disponibilidad de gran-des datos de presencia de las especies, especialmente provenientes de colec-

Figura 16. Escenario actual (en verde oscuro) y potencial (verde claro) y los escenarios A2 para los modelos CGCM2, CSIRO-MK2, HADCM3 (arriba, de izquierda a derecha) y los escenario B2 (abajo, de izquierda a derecha) para el Orobioma Alto de Santa Marta.


sus características son potencialmente adecuadas para la presencia de la espe-cie. Sin embargo, existen otros factores que pueden influir en los resultados ob-tenidos en el modelo, como la existen-cia de factores limitantes no previstos en el modelo (Phillips et al., 2006).

Para Colombia se han desarrollado di-ferentes modelos de cambio climáti-co; el Ideam (2007) presenta una idea conceptual sobre escenarios de cambio climático y describe las características físicas que involucran los modelos re-gionales y globales de escenarios que están siendo usados en el país, pre-sentando los resultados de lluvia para clima actual y futuro bajo el escenario de cambio climático A1B obtenido del modelo global japonés de alta resolu-ción. En particular, en este trabajo se da una idea conceptual sobre escenarios de cambio climático, en forma breve, se describen las características físicas de los modelos de los escenarios de cam-bio climático que están siendo usados en el país, como Precis de Reino Unido, junto con el JMAGSM del Japón, y se presentan resultados de lluvia para el clima futuro bajo el escenario de cam-bio climático A1B obtenido del modelo global japonés de alta resolución.

También se han empleado diferen-tes modelos regionales como el Precis y el GSM-MRI, que han modelado el comportamiento de la temperatura, la precipitación y humedad relativa para varios escenarios hasta el 2100. En ellos es posible visualizar zonas con incre-mentos en cada una de las variables y qué zonas en particular presentan di-cha modificación

Estos modelos son muy robustos en cuanto a las predicciones que arrojan; sin embargo, las predicciones de ido-neidad para MaxEnt han demostrado presentar una elevada confiabilidad para determinar escenarios de idonei-dad y relación entre variables, conocien-do cuál de ellas aporta más al modelo. Sin embargo, es importante considerar

ciones biológicas de museos, ha pro-movido la exploración de métodos que no requieren de datos de ausencia de las especies, considerando que no es-tán disponibles en dichas bases de da-tos y que son dispendiosos de colectar. Los métodos de modelamiento de pre-sencias solo requieren de un juego de ocurrencias conocidas junto con unas variables predictoras como topografía, clima, suelos, biogeografía y sensores remotos (Phillips y Dudík, 2008).

Los modelos de distribución basados en presencia-ausencia habitualmente se evalúan utilizando una muestra de eva-luación independiente de la utilizada para entrenar los modelos, compues-ta por registros de presencia-ausencia independientes de los utilizados para el entrenamiento de los algoritmos. A partir de esta muestra de evaluación se pueden calcular los errores de los casos que están correctamente clasificados, es decir, aquellas presencias que son verdaderos positivos cuando el mode-lo predice presencia y esta es confir-mada por las presencias de la muestra de evaluación. Asimismo, se pueden calcular los verdaderos negativos cuan-do el modelo predice ausencia y esta es confirmada por las ausencias de la muestra de evaluación. Por otro lado, se pueden calcular aquellos casos que son erróneamente clasificados, como las presencias que son falsos positivos cuando el modelo predice presencia y la muestra indica ausencia; en este caso se habla de errores de comisión. Se pueden calcular las ausencias que son falsos negativos cuando el modelo pre-dice ausencia y la muestra indica pre-sencia; en este caso se habla de errores de omisión. Estos datos se tabulan en una matriz de confusión a partir de la cual se pueden calcular distintos índi-ces de evaluación (Phillips et al., 2006, DePando y Peñas de Giles, 2007).

Un modelo de idoneidad no representa necesariamente la distribución real de la especie, sino la distribución poten-cial, ya que identifica las zonas que por

45


que el modelo fue diseñado para de-terminar el nicho fundamental de las especies, y hay que tener en cuidado con los resultados que arroja para co-bertura. En este caso se conoció cómo es el comportamiento usando modelos climáticos ya empleados en otros traba-jos, partiendo del supuesto de que las especies que se modelaron no sobrepa-san los límites de los ecosistemas mo-delados, por lo que se puede obtener una aproximación al comportamiento de la vegetación en general.

Igualmente, estos resultados mostra-rían zonas que potencialmente podrían ocupar los biomas, zonas que, por ejemplo, por intervención antrópica, han cambiado su cobertura y aquellas que debido al cambio climático global se perderían, especialmente aquellas que ocupan menor área en el país y cuya pérdida es indeseable. Además, es importante considerar que no todos los biomas mostraron un valor de ajuste a los modelos según el valor ROC, y que tuvieron que ser rechazados en parte debido al tamaño de la zona y la canti-dad de puntos de presencia que se ge-neraron para cada uno.

Para los modelos climáticos, cada uno presentó diferencias que varían según el tipo de bioma, unos se mostraron más pesimistas que otros y dependiendo del escenario. Los modelos potenciales, en la mayoría de los casos, mostraron un aumento en el área que podría ocupar ese bioma; sin embargo, en muchos ca-sos predijeron zonas que no correspon-derían potencialmente. Por otro lado, mostró casos donde el bioma desapare-

cería bajo un escenario futuro; sin em-bargo, no se presentaron diferencias entre cada tipo de escenario, lo cual es un aspecto importante para considerar.

Entre muchos otros aspectos, la des-aparición de cualquier tipo de ecosis-tema puede acarrear un desbalance en los procesos y dinámicas que se dan en ellos, que ponen en peligro el bienes-tar de la sociedad y de las comunidades bióticas. La reducción del área de distri-bución actual respecto al área de distri-bución potencial se debe a un conjunto complejo de factores, tanto abióticos como bióticos. Entre los primeros están los factores topográficos, geológicos y climáticos y entre los segundos la com-petencia interespecífica o la capacidad de dispersión.

La intensidad y localización de estas modificaciones son desconocidas, pero su repercusión en las economías locales y en la diversidad biológica es previsible-mente importante. Si el CCG continúa, la única forma de mitigar sus efectos es determinar las zonas de cambio y su intensidad, el conocimiento de qué insumos servirían para plantear direc-trices sobre políticas de conservación, prospección y estudio, así como priori-zar actuaciones en planes de gestión a medio y largo plazo.

Los resultados esperados son la con-solidación de una línea de trabajo con métodos estandarizados aplicable al análisis del problema central de la línea de investigación y utilizable por cual-quier grupo u organización, incluyendo a los países participantes.



DEPANDO, B. B. y J. PEÑAS DE GILES, “Aplicación de modelos de distribución de especies a la conservación de la biodiversidad en el sureste de la Península Ibérica”. GeoFocus 7: 100-119. 2007.

HIJMANS, R., GUARINO, l., JARVIS, A. y O’BRIEN, R. (en línea). Mapping and analysis of spatial data. http://www.diva-gis.org/ . Consulta 5 de julio de 2010.

IDEAM, IGAC, IAvH, INVEMAR, I. SINCHI e IIAP. Ecosistemas continentales, costeros y marinos de Colombia. Instituto de Hidrología, Meteorología y Estudios Ambientales, Institu-to Geográfico Agustín Codazzi, Instituto de Investigación de Recursos Biológicos Alexander von Humboldt, Instituto de Investigaciones Ambientales del Pacífico Jhon von Neumann, Instituto de Investigaciones Marinas y Costeras José Benito Vives de Andréis e Instituto Amazónico de Investigaciones Científicas (Sinchi). Bogotá. 2007.

IDEAM. Estrategia Nacional de Educación, Formación y Sensibilización de Públicos sobre Cambio Climático Segunda Comunicación de Colombia ante la Convención Marco de las Naciones Unidas sobre Cambio Climático. Bogotá. 2010.

IGAC. Manual de Procedimientos Investigación, Desarrollo e Innovación Grupo Interno de Traba-jo Gestión del Conocimiento en Tecnologías Geoespaciales. 2010. 23pp.

MAVDT, IDEAM y PNUD. Segunda Comunicación Nacional Inventario Nacional de Gases de Efec-to Invernadero – Años 2000 y 2004, Módulo Uso de la Tierra, Cambio en el Uso de la Tierra y Silvicultura (LULUCF), Resumen de Cálculos y Resultados. Resumen Técnico del Inventario Nacional de GEI. Proyecto “Preparación de la segunda co-municación nacional de Colombia ante la Convención Marco de las Naciones Unidas sobre Cambio Climático-CMNUCC”. 2008.

PHILLIPS, S. J., & M. DUDÍK. Modeling of species distributions with MaxEnt: New extensions and a comprehensive evaluation. 2008. Ecography 31: 161-175.

PHILLIPS, S. J., R. P. ANDERSON, & R. E. SCHAPIRE. Maximum entropy modeling of species geographic distributions Ecological Modelling. 2006. 190: 231–259.

RUIZ-MURCIA, J. F. Cambio climático en temperatura, precipitación y humedad relativa para Colombia usando modelos meteorológicos de alta resolución (panorama 2011-2100). 2010. NOTA TÉCNICA DEL IDEA. 91 pp.fractal, geodesia, geoide, dimen-sión de Hausdorff – Besicovitch, elipsoide, autosimilitud.

3 La tecnología Silverlight y el desarrollo de aplicaciones SIG

La tecnología Silverlight y el desarrollo de aplicaciones SIG

William Blanco Salamanca1, Ómar Camacho Zabala2, Andrés Osorio Amaya3, Juan Manuel Higuera4

ResumenEn este artículo se analiza cómo las tecnologías en-focadas en el desarrollo de aplicaciones de Internet enriquecidas (RIA) brindan la posibilidad de convertir las tradicionales aplicaciones SIG, que se disponen en la web, en aplicaciones más amables y eficientes en rendimiento.

Se analiza un caso puntual: el Sistema de Informa-ción Geográfico del Quindío (SIG-Quindío), elabora-do mediante Silverlight. Se evalúa cómo el sistema se ha ido adaptando al crecimiento tecnológico y se pone en evidencia el paso de la versión preliminar a la actual, que se encuentra en fase de desarrollo. Tam-bién se muestran todos los aspectos de tipo técnico que tienen que ver con la información en la actual arquitectura.

Palabras clavesSIG, Silverlight, ESRI.

Silverlight technology and GIS applications development

AbstractThis article points to analyze how focused technologies, for the development of rich applications (RIA), in this specific case the advantage that Microsoft´s Silverlight has disposed for transforming the old and tradi-tional GIS applications, which were published on the web, into more friendly and efficient applications in performance terms.

The discussion is centered on the Quindío geo-graphic information system, which was deve-loped using the technological tools mentioned before. In the article an evaluation is made, in topics like how the system has been growing through the time in parallel with the techno-logical growth, making a detailed analysis in how the versioning of the application was realized, for reaching the actual version. Another technical fact under analysis is how was made the migration between the first and the actual version of the application that is being published, also all the ele-ments that are related to the management of information into the current architecture.

Key wordsGIS, Silverlight, ESRI.

1 Ingeniero de Sistemas, Desarrollador Proyecto SIG Quindío fase II2 Ingeniero Electrónico, Desarrollador Proyecto SIG Quindío fase II3 Ingeniero Catastral y Geodesta, Analista y Desarrollador Proyecto SIG

Quindío fase II.4 Ingeniero Catastral y Geodesta, Especialista en Sistemas de Infor-

mación Geográfica. Coordinador Grupo Sistemas de Información Geográfica y Análisis Espacial, Instituto Geográfico Agustín Codazzi. E-mail: [email protected]


Introducción

El avance tecnológico ha proporcio-nado a las diferentes áreas del conoci-miento herramientas que ayudan a la consecución de objetivos específicos. Es así como la informática se ha converti-do en un elemento esencial para el pro-cesamiento y análisis de la información.

En las disciplinas relacionadas con la in-formación geográfica, la computación se identifica como un elemento trans-versal para todos los procesos de aná-lisis y procesamiento de información, con el fin de garantizar la optimización del proceso de toma de decisiones.

El desarrollo tecnológico ha brindado la posibilidad de convertir los sistemas de información geográfica en una base sólida para el proceso de análisis de va-riables y la representación de estas en el espacio.

Cuando se pretende realizar una apli-cación -ya sea tipo web, escritorio, servicios web o de aplicaciones distri-buidas-, surge la pregunta ¿qué tecno-logías se deberían utilizar para cubrir todas las necesidades identificadas?

Como primera medida, hay que compa-rar las diferentes opciones tecnológicas para saber cuál podría ser más eficiente y cuál se ajusta más a las exigencias de la lógica de negocio. Aunque no solo la tecnología define la creación de este software, también lo define el proceso de negocio que se vaya a implementar.

1. Evolución tecnológica

El SIG-Quindío surge por la necesidad de los entes administrativos y guberna-mentales del departamento de resaltar los elementos espaciales, turísticos y de interés que conforman el territorio, además de tener a su disposición una herramienta capaz de brindarles la po-sibilidad del análisis de los diferentes ejes y temáticas que forman parte del plan de gobierno (ambiente, salud, educación e infraestructura), con el fin de optimizar los procesos que se ade-lanten en cada una de las diferentes áreas.

El sistema se desarrolla en la plata-forma de ArcGIS, haciendo uso de un avance de la misma empresa produc-tora del servidor ESRI, que fue “ArcGIS API for Microsoft Silverlight™/WPF™”. Dicho avance proporcionó el punto de partida para la elaboración y explora-ción de un nuevo tipo o concepción de SIG, dando ventajas en dos elementos base: presentación y desempeño.

La visualización se vio mejorada con la utilización de las herramientas para la elaboración de aplicaciones RIA de Mi-crosoft (Silverlight/WPF) puesto que se pudo tener la posibilidad de administrar, consultar y visualizar información a tra-vés de un visor que presentaba todos los elementos (geográficos y a nivel de inter-faz) de una forma muy agradable para los usuarios, dejando atrás los estáticos sistemas que no permitían un despliegue muy amable de los contenidos.

51


Por otro lado, el desempeño de las apli-caciones se vio mejorado, ya que el es-quema de funcionamiento cambió. Las aplicaciones SIG pasaron de ser clientes semiligeros a clientes ligeros, donde to-das las operaciones se ven recargadas del lado del cliente, haciendo que muy pocos sean los procesos robustos del lado del servidor, que hacían de las aplicaciones convencionales un poco lentas si estas no tenían un diseño y patrones de desarrollo adecuados.

Basándose en una arquitectura orienta-da a servicios (SOA), y cumpliendo con las características descritas anteriormen-te, los componentes de la primera ver-sión del SIG-Quindío fase I se basaron en una arquitectura

▪ Microsoft Visual Studio 2008

▪ .net framework 3.0.

▪ Silverlight 3 Tools for visual studio 2008.

▪ Expression Bend 3 SDK.

▪ ArcGIS Server 9.3.1.

▪ ArcGIS API for Microsoft Silver-light™/WPF™ version 1.2

En la Figura 1 se puede apreciar cómo funciona la aplicación SIG-Quindío fase I. Allí los archivos de mapa .mxd son in-sumo para que ArcGIS Server genere ser-vicios web de mapa bajo el estándar de REST. Así, el aplicativo desarrollado con el API de ArcGIS para Silverlight consume los servicios que pueden ser de tipo ope-rativos (consultas) o base (visualización). De esta manera, un cliente, por medio de un browser -ayudado por un plug-in o complemento- puede desplegar los con-tenidos de tipo Silverlight. Este es el flujo por el cual un cliente consume la aplica-ción, que se ve de la siguiente manera:

Figura 1. Arquitectura General Aplicación SIG-Quindío I


Regresando a la idea principal de este es-crito, se seguirá recorriendo la evolución con la que el SIG-Quindío se escala tecno-lógicamente y cómo continúa acomodán-dose a los avances informáticos. La fase I del sistema fue desarrollada con “ArcGIS API for Microsoft Silverlight™/WPF™” ver-sión 1.2, pero para la fase II se realizó un cambio de versión en el API, migrando a la 2.1. Este hecho implicó que los compo-nentes con los cuales fue desarrollada la aplicación fueran sometidos a un proceso de reingeniería.

Los componentes para la segunda versión de SIG-Quindío fueron los siguientes:

▪ Microsoft Visual Studio 2010

▪ .net framework 4.0

▪ Silverlight 4 Tools for visual studio 2008.

▪ Expression Bend 4 SDK

▪ ArcGIS Server 10

▪ ArcGIS API for Microsoft Silver-light™/WPF™ version 2.1

Al realizar este proceso, la arquitectura general de aplicación no sufrió cambio alguno. Los cambios más representati-vos son los que se enumerarán a con-tinuación:

▪ Paneles móviles: En la versión 1 to-dos los paneles en donde se desple-gaban los componentes del mapa, las herramientas de consulta, las herramientas generales y los resul-tados de las consultas eran estáticos y no permitían el redireccionamie-no. En la nueva versión todos estos controles no tienen una posición fija y se pueden ajustar a determinado tamaño. Esto brinda más libertad a los diferentes usuarios del sistema y hace la aplicación más intuitiva en su uso.

Figura 2. Aplicación

SIG -Quindío fase I

53


▪ Controles integrados avanzados de navegación: En la versión 1, la na-vegación se veía limitada a las fun-ciones básicas que brindaba el API: alejar, acercar, zoom anterior, zoom posterior, full extent. En esta nueva versión, además de estas operacio-nes, proporcionan controles que permiten determinar la rotación en diferentes planos del control de mapa y manejar el zoom en dife-rentes niveles por medio de barras, haciendo que la experiencia de na-vegación en el visor sea más simple y amable para los usuarios.

▪ Impresión de mapa o salida gráfica: En la versión anterior este era uno de los mayores inconvenientes, ya que propiamente no existe una librería que controle los eventos de captura de la imagen de un mapa o los la-yers gráficos que se generan de las consultas sobre este. Por lo anterior, los diferentes desarrolladores tenían que elaborar sus propias salidas de una manera más compleja. Los pro-gramadores debían incrustar imá-genes capturadas de mapa y estas eran embebidas dentro de otra ima-gen, lo que hacía que estas salidas no fueran dinámicas ni recursivas. A eso se suma que en la mayoría de las ocasiones no funcionaban, pues realizaban las transacciones entre el

Figura 4.Controles integrados avanzados de nave-gación, Aplicación SIG-Quindío fase II.

Figura 3. Paneles móviles, Aplicación SIG-Quindío fase II


cliente y servidor por medio de ser-vicios web de Silverlight, que para esta versión del API eran bastante inestables. En esta nueva versión se cuenta con una herramienta de impresión ya implementada, en la que se solucionan bastantes incon-venientes de los ya mencionados.

▪ Consultas: Las consultas en la ver-sión anterior, al ser desarrolladas, no podían ser muy personalizables por la imposibilidad de obtener to-dos los campos de una capa conte-nida en un servicio. Esto obligaba a utilizar, de nuevo, servicios web Silverlight de consulta a las bases de datos. Allí existían algunas ta-blas que contenían la información y por medio de servicios, que con-tenían la lógica de las diferentes consultas, se podían obtener los valores de los campos de una capa para efectuar una búsqueda. En la fase actual, de una manera más simple, solo haciendo uso de una propiedad en una capa contenida en un servicio se pueden listar todos los campos que le correspondan. Sumado a lo anterior, existe un nuevo esquema de consulta a ta-blas de información alfanumérica que evitaría el uso de servicios web de tipo Silverlight, es “query related tables”. Esto permite asociar a las

capas geográficas en la base de da-tos espacial, para consultar tablas con información de tipo no espacial (alfanumérica), por medio de rela-tionships. Dichas relaciones se ven reflejadas en los servicios de ArcGIS Server, y de esta manera se puede acceder a las diferentes tablas de manera simple.

2. Migración

SIG-Quindío fase II pretende mante-ner la concepción inicial del sistema, haciéndolo más relevante en la parte visual y más robusto en lo funcional, actualizando las herramientas tecnoló-gicas utilizadas en la fase inicial.

Técnicamente hablando sobre estas tecnologías, la fase anterior fue cons-truida bajo el framework .Net; además, se utilizó Silverlight 3 y Productos de ArcGIS como ArcGIS Server 9.3.1 para la publicación de servicios, el cual los consumía la aplicación mediante otro producto de ArcGIS llamado ArcGIS API for Microsoft Silverlight/WPF para la realización de consultas espaciales.

Para esta nueva fase, las tecnologías usadas fueron las mismas Silverlight con la versión 4 integrada con el am-

Figura 5. Controles inte-

grados avanzados de navegación, Aplicación SIG- Quindío fase II.

55


biente de desarrollo Visual Studio 2010, ya que por ser una tecnología tipo RIA le da a la aplicación una mejor experiencia visual al usuario, como ya se había mencionado en el capitulo an-terior. A pesar de que Silverlight es un conjunto reducido de la plataforma de .Net, se pueden lograr aplicaciones real-mente ricas en la capa de presentación para cualquier proyecto de software. A continuación se muestra la arquitectura de Silverlight.

También se decidió continuar utilizando el producto de ArcGIS, ArcGIS API for Microsoft Silverlight/WPF versión 2.1, el

.Net para SilverlightDatos WPF WCF

BCL

DRM

Deep ZoomMultimedia

Parte principal de la interfaz de usuario

Entradas

DLR

LINQXLINQXML

ControlesDiseño Enlace

de datosEdición

GenéricosColeccionesCriptografía

Subprocesos

VC1H.264WMAAACMP3

TecladoMouse

Entrada manuscritaVector Texto

Animación Imágenes

Pila de funciones dered integrada

Integracióncon DOM

Servicios deaplicación

Instalador

Motor de ejecución CLR

XAML

Iron PythonIron Ruby

Jscript

RESTRSS/ATOM

SOAP

POXJSON

BibliotecaMS AJAX

Motor de JavaScript

Multimedia

Imágenes

Parte principal de la presentación

Host del explorador

5 http://msdn.microsoft.com/es-es/library/bb404713%28v=vs.95%29.aspx, Arquitectura Silverlight. Consultado el 14 de julio de 2011.

Figura 6. Arquitectura Silverlight.5

cual se integra con el ambiente de de-sarrollo Visual Studio 2010. Esta API proporciona una variedad de clases que hacen que el tiempo de desarrollo sea más eficiente. A continuación se muestra el diagrama de clases de dicha API.

Otro producto de ArcGIS que se decidió continuar utilizando fue el ArcGIS Server versión 10 para la publicación de servicios, con el fin de que la aplicación los pueda consumir. Hay otras herramientas que se necesitan para poder realizar un SIG en Silverlight en Visual Studio 2010 como son Silverlight4_Tools, Silverlight_4_Tool-kit y BlendSLSDK_es.


Figura 7. Diagrama de clases

de ArcGIS API for Silverlight6

6 http://help.arcgis.com/en/webapi/Silverlight/help/0166/pdf/ArcGISSilverlightOMD_Overview.pdf . Modelo de clases del API de Silverlight de ArcGis. Consultado el 14 de julio de 2011.

Bing Geocoder

Routing Transform

Symbols Symbol

MArkerSymbol

SimpleMarkerSymbol

PictureMarkerSymbol

FillSymbol

PictureFillSymbol

LinkSymbol

FlareSymbol

TextSymbol

SimpleLineSymbol

CartographicLineSymbol

SimpleFillSymbol

Layers

ArcGISFiledMapServiceLayer

Tileinfo

TileLayer

TileLayer

TileMapServiceLayer

OpenStreetMapLayerLod

Layer

DynamicLayer

DynamicMapServiceLayer

ArcGISimageServiceLayer

RenderingRule Layerinfo LayerDefinition

LayerLegendinfo Legenditeminfo

MosaicRule

WmsLayer GPSResultimageLayer

ArcGISDynamicMapServiceLayer

ElementLayer

HeatMapLayer GeoRssLayer

GraphicsLayer

FeatureLayer Km/Layer

RenderersRenderer

ClassBreaksRenderer

UniqueValueRenderer

RendererinfoRampinterpolator

TimeClassBreaksAger

TimeClassBreakinfo

TemporalRenderer

ITemporalRenderer

Symbolinterpolator

UniqueValueinfo

ClassBreakinfo

SizeRange

OpacityRangeColorRange

SimpleRenderer

Geometry Geometry

PointCollection

MapPoint MultiPoint

Envelope

Polyline Polygon

Toolkit EditorWidget

Toolbar

FeatureDataForm TimeSlider MapTip

Legend

InfoWindow Magnifier Bookmark ProgressBar

OverViewMap

FeatureDataGrid MagnifyingGlass

AttachmentEditor

Navigation

Controls Map

ExtentEventArgs VertexAddedEventArgs

ProgressEventArgs DrawEventArgs

SpatialReference

WebMercatorLayerCollection

TimeExtent

ScalleBar Draw

ArcGIS API for Microsoft Silverlight/WPF 2.1 - Overview OMD

TasksTaskBase

FindEventArgs

FindResult

FindParameters

FindTask

RouteEventArgsRouteParameters

RouteResult

DirectionsFeatureSet

AreaAndLengths

CutEventArgs

GeneralizerParameters

GeometryRelationPair

OffsetParameters

DistanceParameters

DensityParametersDistanceEventArgs

GeometryEventArgs

BullerPArameters

GeometryService

RouterServiceAreaParameters

RouterClosestFacilityParameters

RouterEventArgs

DirectionsFeatureSet

RouteTaskGPBodean

GPDataFileGPfeatureRecordSetLayer

GPMultiValue

GPLinearUnitGPRasterData

GPParameterEventArgs

GPMessageJoibinfoEventArgs

Mapimage GPResultImageLayerEventArgs

GPResultImageLayer

GPResultImageLayerEventArgs

GPExecuteResults

JobinfoEventArgsGPExecuteCompleteEventArgs

Jobinfo

GPLong

GPLong

GPString

GPDouble

GPDate

GPParameter

Geoprocessor

TimeOption

RelationshipEventArgs

QueryCountEventArgs

ImageServiceidentifyTask

AddresTolocationEventArgs

AddresTolocationParameters

AddresCandidateAddres

AddresEventArgs

Locator

ImageServiceidentifyResult

ImageServiceidentifyParameters

ImageServiceidentifyEventArgs

FeatureSet

QueryEventArgs

RelationshipResult

RelationshipParameter

LayerOption

IdentifyResult

IdentifyEventArgs

IdentifyParameters

Identify Task

ServiceException

TaskFalledEventArgs

OutFieldsQuery

Query

Behaviors\ActionsMeasureAction

ReadlineAction UpdatefeatureLayerAction

ConstraintExtentBehavior

ShowCoordinatesBehavior MaintainExtentBehavior

ToggleLayerAction

ZoomToFullExtentAction

ZoomToLayerAction

SpatialQueryAction

ZoomToAction PanToAction

ClearGraphicsAction

EditingEditor

EditException

EndEditEventArgs

ValidationExceptionRelationship

AttachmentResultAttachmentinfo

EditEventArgsEditResultitemChange

BeginEditEventArgsEditResults

GraphicsGraphic GraphicCollection

GraphicMouseEventArgs

GraphicMouseButtonEventArgs

DictionaryChangedEventArgs

GraphicClusterer

FlareClusterer

Clusterer

ClustererEventArgs

FeatureLayerinfo FeatureTemplate

FeatureType Field

Domain

CodedValueDomain

RangeDomain

WebMap

Iteminfo

Document

57


Adicionalmente, ArcGIS da a conocer ejemplos que muestran la utilización de dicha API; también ofrece una ga-lería de código, que es un conjunto de plantillas con el que se pueden desarro-llar aplicaciones. Para esta nueva fase se escogió una de estas; al escogerla se tuvieron en cuenta aspectos importan-tes como el tiempo de aprendizaje de la arquitectura y el lenguaje de desarrollo en que se encontraba hecha la plantilla.

La plantilla que se utilizó fue Confi-gurable Silverlight Template Viewer for ArcGIS 2.17, estaba desarrollada mediante el lenguaje C Sharp y a su vez ofrecía una serie de funcionalida-des que encajan con lo que se quería para el aplicativo de esta nueva fase. Haciendo un estudio a fondo de esta plantilla, se encontró que la configu-ración de widgets, de servicios base y servicios de la aplicación la realizaban mediante un archivo de configura-

ción XML, esto hace que la aplicación sea más entendible al desarrollador.

También se encontró que dicha plantilla era extensible a cambios, es decir, que un desarrollador pueda modificarla se-gún los requerimientos. Para dicho pro-yecto se hicieron cambios de tipo visual y funcional a esta plantilla.

A continuación se muestra la plantilla original:

Tomando como base esta plantilla (Fi-gura 8), los cambios realizados fueron los siguientes:

▪ La eliminación del TaskBar, ubicado en la parte superior de la plantilla original. En lugar de este, se sustitu-yó por un nuevo elemento llamado CollapsiblePanel, con el fin de dar mayor espacio al visor.

7 http://www.arcgis.com/home/item.html?id=67f62c5c30cc4b3ca942068e404c442c . Link para descargar la plantilla base de los proyectos de Silverlight. Consultado el 14 de julio de 2011.

Figura 8. Plantilla original


Panel no expandido

Figura 9. Panel no

expandido, Aplicación SIG- Quindío fase II

Figura 10. Panel expandido,

Aplicación SIG-Quindío fase II

Panel expandido

También se utilizó el control CollapsiblePa-nel para el Panel de Herramientas y Panel de Consultas localizados en la parte de-recha de la plantilla, como se muestra a continuación:

59


▪ El control CollapsiblePanel viene acom-pañado por el elemento SquareMe-nuButton, como se ve en las figuras anteriores, el cual se separó de la plan-tilla original (Figura 8). Los botones que se encuentran en el visor son Temáti-cas, Herramientas, Consultas.

▪ La separación de componentes del Taskbar de la plantilla original, que son adicionados a la plantilla modi-ficada. Dichos elementos se encuen-tran en la parte derecha del visor modificado, como se muestra en las siguientes imágenes:

Figura 11. Panel de herramientas y panel de consultas

Figura 12. Elementos del Taskbar, plantilla original


▪ Separación y modificación del ár-bol del Taskbar donde se encuen-tra la funcionalidad de paneo, acercar y alejar. Y la creación de nuevos árboles que se encuentran

en el panel de herramientas. A continuación se muestra la ubica-ción de estos árboles tanto en la plantilla original como en la mo-dificada:

Figura 13. Elemen-tos del Taskbar, aplicación SIG-Quindío fase II.

Figura 14. Elementos del

árbol del Taskbar, plantilla original.

61


▪ La funcionalidad de consulta espacial se encontraba en el mismo widget de consulta avanzada de la plantilla original; para la plantilla modificada se separó esta funcionalidad, gene-

rando un nuevo widget, como a con-tinuación se muestra en la Figura 16, el cambio realizado tanto en la plan-tilla original (lado izquierdo) como en la modificada (lado derecho):

Figura 15. Elementos del árbol del panel herramientas, aplicación SIG-Quindío fase II

Figura 16. Funcionalidad de consulta espacial, plantilla original (lado izquierdo), Aplicación SIG-Quindío fase II (lado derecho)

Figura 17. Componente flotante

▪ Se realizó un cambio al elemento Taskbar para utilizarlo como un componente flotante para los bo-

tones de temáticas, herramientas y consultas; en la siguiente imagen se ilustra el cambio realizado:


▪ Incorporación de nueva funcionali-dad de consulta espacial por buffer, ya que la plantilla original no tenía

Figura 18. Consulta por buffer, aplicación

SIG-Quindío fase II

▪ Creación de componente de conta-dor de visitas y plano de proyección, ubicados en la parte inferior derecha

esta funcionalidad. A continuación se muestra el resultado de dicha funcionalidad:

e izquierda de la plantilla modificada, respectivamente. A continuación se muestra esta adición al visor:

Figura 19. Componente contador

de visitas y plano de proyección

63


▪ Funcionalidad de activación y ob-tención de valores de un campo en específico de una capa cuando se escogen los parámetros para reali-zar una consulta

▪ Para los resultados de las consul-tas se cambió la representación de la información mediante una tabla, como se muestra a conti-nuación:

Figura 20. Activación y obtención de valores de un campo en específico de una capa

Figura 21. Representación de los resultados de una consulta, plantilla original (lado derecho), aplicación SIG-Quindío fase II (lado izquierdo)

▪ Otra funcionalidad que se modificó fue la de capturar coordenadas, pues esta capturaba la coordenada geográ-fica, y el servicio base que contenía el elemento mapa llevaba un sistema de referencia 4326. Lo que se pretendía

era capturarla en coordenadas planas con un sistema de referencia 3115 que comprende la zona del Quindío. Esto se solucionó realizando la proyec-ción del punto capturado, mediante el siguiente código en lenguaje C Sharp:


El resultado es el siguiente:

▪ Servicios web: Silverlight puede usar servicios de asp.net o WCF (Windows Communication Foun-dation) para acceder a la informa-ción que se encuentra alojada en una base de datos.

▪ Sockets

▪ Archivos: Esta opción se realiza mediante los cuadros de diálogo OpenFileDialog o SaveFileDialog, activados por un usuario; de esta manera se carga o guarda un ar-chivo en su equipo local.

Figura 22. Resultado de la proyección del

punto capturado

Figura 23. SIG-Quindío fase II

(modificada)

A continuación se muestra la plantilla modificada para el proyecto:

3. Silverlight y acceso a datos

Silverlight es una tecnología que ejecu-ta un programa local (cliente) servido a través de la red. Esta tecnología no per-mite el acceso directo a bases de datos a través de la utilización de las clases de ADO.NET; por esta razón, la princi-pal opción para obtener los datos es a través de servicios, aunque también existen otras maneras de recuperar di-cha información. Las principales opcio-nes para la obtención de datos son las siguientes:

65


Por medio de los OpenFileDialog o SaveFileDialog se puede editar y guar-dar la información contenida en alguna parte del equipo local, ya que con los métodos internos de la librería System.io.* permiten crear y leer archivos y de-jarlos en memoria, pero no permiten el acceso a la lectura de los archivos del sistema ni modificarlos, a menos que se estén utilizando los OpenFileDialog o SaveFileDialog.

3.1 Implementación del acceso de datos con los SIG, utilizando tecnología Silverlight.

Como ejemplo se va a explicar el pro-ceso de funcionamiento del aplicativo SIG-Quindío fase II desarrollado en asp.net con Silverlight 4. Este aplica-tivo contiene una serie de XML que permiten la lectura, obtención de da-tos y asi mismo la propia construc-ción del aplicativo. El XML principal de configuración contiene diferentes servicios web para obtener la diversa información y construcción de mapas; además, contiene información de me-nús y botones que son parte del visor geográfico.

Como bien se sabe, los XML están for-mados por un encabezado que indica el tipo de versión que utiliza y un enco-ding para manejar un estándar de co-dificación de caracteres especiales en el XML; enseguida va el cuerpo del XML, que es la segunda parte importante que está formada por una raíz, elementos, atributos, nodos y demás contenido de información necesaria.

El proceso de obtener datos tanto para la consulta y construcción del mismo visor parte de varios ambientes, en la web contiene toda la información que se solicita desde los componentes de Silverlight. Cada XML que esté en la car-peta web de la aplicación tiene su pro-pio mapeo en las clases contenidas en las carpetas de los componentes de Sil-verlight, es decir, que por cada elemen-

to, nodo, atributo que contenga en el XML tendrá sus métodos, propiedades y variables que son indispensables para la obtención de datos y en algunos ca-sos información adicional que permiten la construcción de diferentes elementos que se necesitan observar desde la apli-cación Silverlight.

El usuario entra a la aplicación desde algún sitio de la red y empieza a rea-lizar peticiones, hacia el contenido de la carpeta web, en la de los compo-nentes de Silverlight puede hacer uno o varios llamados a diferentes archivos XML, donde algunos XML contienen información básica y otros información para realizar enlaces de consulta a tra-vés de servicios. Cuando un XML realiza los enlaces a través de servicios, estos retornan la información suficiente para visualizar el mapa y los datos que es-tán asociados a este. A continuación se

Figura 25. Proceso petición de datos

Figura 24. Open File Dialog


muestra el flujo de la información des-de la petición del cliente y el retorno de resultados.

A continuación se muestra un pequeño fragmento del XML de configuración principal (Figura 26) para realizar las pe-ticiones a través de uno o varios servicios web para cargarlos en el visor geográfico.

En el fragmento se observa un elemento que se llama LivingMaps, que a su vez contiene varios elementos Layer que se-rían los nodos hijos; cada nodo de estos contiene información del servicio como un título, el tipo de servicio, si va a tener visibilidad inicial y, lo más importante, la URL donde se puede obtener la informa-ción del servicio.

Figura 26. Fragmento archivo

.XML

Figura 27. Consulta de datos SIG-Quindío fase II

La estructura de este fragmento, como se mencionó anteriormente, está ma-peada en una clase contenida en la carpeta de los componentes de Silver-light, donde permite el llamado de es-

tas propiedades para luego obtener la información asociada al servicio que se está necesitando. Ahora se muestra la forma de despliegue de datos en la si-guiente figura.

67


Cada elemento que se ve se obtiene a través de los XML, desde el banner hasta el objeto más sencillo, alineación, color, tipo de letra, etc., en la ventana de la parte superior derecha de la Figura 27; es un despliegue de una consulta que también forma parte de un grupo de nodos de un elemento de configura-ción del XML, y cada lista desplegable son consultas que se realizan al servicio; por ejemplo, existe el servicio ambiental, que contiene una serie de capas, pero estas a su vez están agrupadas, enton-ces los métodos funcionales creados de-tectan cuáles son las capas y cuáles son los grupos, logrando simplificar la infor-mación de una forma más organizada en la ventana de consulta.

A medida que se desglosa la información básica del servicio llega a un punto donde realiza una petición de los datos de una consulta general que puede estar en una base de datos geoespacial o cualquier otro medio, siempre y cuando sea a través de un servicio.

4. Proyecciones

En SIG-Qunidío fase I a fase II, la parte en-riquecida mejora con un alto valor debido a la evolución de Silverlight, ya que Mi-crosoft lanza al mercado nuevas actuali-zaciones de sus productos mejorando los efectos visuales y dinámicos para la repre-sentación de datos.

¿Qué se esperaría para una próxima fase? El mejoramiento de herramientas que puedan visualizar la información en imagen tridimensional como los com-ponentes que forman parte de un mapa geográfico en cuanto a relieves, desnive-les de suelos y edificios, movimientos de la corteza terrestre de la tierra, entre otros.

Con los componentes futuros de Silver-light se pueden esperar más funcionalida-des fuertes como nuevas animaciones con efectos de alto impacto, nuevas formas para realizar consultas y más llamativas, en el despliegue de la información.

Microsoft lanzará su nueva actualización de Silverlight con la versión 5 y ArcGIS; ya lanzó su nueva versión 2.2 de su producto ArcGIS API for Silverlight, el que presenta nuevas características, mejorando su as-pecto visual y funcional para futuras apli-caciones web.

Conclusiones

▪ La utilización de estas tecnologías per-mite al usuario tener una mejor expe-riencia visual, amigable y entendible de la aplicación. A diferencia de otros visores, SIG-Quindío fase II realizado en Silverlight muestra un enriquecimiento gráfico que permite a los usuarios de-tectar mucho más rápido los resultados.

▪ Este tipo de tecnología nos permite un nivel más de seguridad, pues su uso impide ver el código HTML desde cual-quier browser, así que no se puede manipular la visualización del aplicativo ni crear copias para luego modificarlas.

▪ Gracias a lenguajes de enmarcación como XML se puede manipular el con-tenido dinámicamente para obtener la información de este o desde servicios, para luego mostrarla al usuario a través de la aplicación realizada en Silverlight ya sea gráficamente o en textos.

▪ Una de las observaciones en el mo-mento de realizar un SIG es la de definir el sistema de referencia para los servicios base, ya que si se ge-neran varios servicios con diferentes sistemas de referencia, el control del mapa de la aplicación presentaría problemas en el despliegue de los servicios.

▪ Durante la migración del aplicativo se pudo demostrar el nivel de implemen-tación de la plantilla escogida, agre-gando otros componentes que nos ofrece el API de ArcGIS y con esto se obtuvieron los cambios apropiados se-gún las necesidades del usuario final.



http://help.arcgis.com/en/webapi/silverlight/index.html Centro de ayuda para el API de Silverlight sw ArcGIS. Útima actualización: 22 de febrero de 2011.

http://www.silverlight.net/.Sitio oficial de Microsoft Silverligh. Última actualización: agosto de 2010.

Documentación. Professional Silverlight 4, Jason Beres,Wiley Publishing Inc, agosto de 2010.

Documentación. Silverlight 4 in Action, Pete Brown, Manning Publications Co, septiembre de 2010.

Documentación. Pro Silverlight 4 in C#, Matthew MacDonald Apress, 2010.

Documentación. Silverlight 4 Unleashed, Laurent Bugnion, Pearson Education, 2011.

69


2 Consideraciones en la seleccion de imágenes satelitales para los estudios ambientales4 Los fractales en la Geodesia como ciencia de La Tierra

piedad de autosimilitud) y el geoide, debido a sus ondulaciones por efecto de las irregularidades de la composición física de la Tierra, se trabaja a una es-cala considerable, donde al aumentar este nivel de escala, nuevamente el geoide presenta ondulaciones e irregularidades sucesivamente “similares” a las en-contradas en el primer grado de escala estudiado. Nuevamente, los componentes que comprenden los modelos físicos, matemáticos y topográficos de la Tierra presentan una propiedad de autosimilitud, que por medio de la “geometría fractal” pueden ser representados y trazan una alternativa frente a los sistemas actuales de modelamiento. En esta geome-tría, de acuerdo con Mandelbrot, un fractal es por definición un conjunto cuya dimensión de Hausdorff Besicovitch es estrictamente mayor que su dimensión topológica y posee una mayor precisión en áreas de alta complejidad para la interpolarización de datos no determinados, lo que aumenta la fidelidad en la representación del terreno y el geoide.

La matemática fractal busca determinar con mayor exactitud las irregularidades de las superficies diná-micas y terrestres con fórmulas simples en donde las funciones fractales son un ajuste confiable para di-chos fenómenos.

Palabras claves fractal, geodesia, geoide, dimensión de Hausdorff – Besicovitch, elipsoide, autosimilitud.

Jhon Camilo Matiz León1, Elena Posada2

ResumenLa Geodesia como ciencia de la Tierra busca estable-cer con precisión la representación de la superficie terrestre mediante métodos físicos y matemáticos implementados en algoritmos que han generado la representación de modelos tales como el Geoide y el Elipsoide Biaxial de Revolución, modelo físico y mo-delo matemático, respectivamente.

Estudiando la forma de la Tierra desde estos dos mo-delos, la Geodesia aborda, un modelo físico (geoi-de) de la superficie de la Tierra que permita resolver el problema de distribución de masas terrestres, el campo de gravedad y las alturas ortométricas, y un modelo matemático (elipsoide) que sirve de sistema de referencia, con el que se pueden ajustar los datos obtenidos en la superficie del terreno, y su condición de exactitud permite obtener una mejor aproxima-ción. Es así como la representación topográfica del terreno debe ser considerada a partir de alguno de los dos modelos, siendo de gran importancia el es-tudio del terreno, asociado con el paisaje y con el efecto de masas excedentes o deficientes que en él se representan. A partir de la forma irregular del te-rreno (accidentes geográficos que guardan una pro-

Los fractales en la Geodesia como ciencia de la Tierra

1 Ingeniero Catastral y Geodesta. Investigador Grupo de Percep-ción Remota. Centro de Investigación y Desarrollo en Informa-ción Geográfica (CIAF). Instituto Geográfico Agustín Codazzi. E-mail: [email protected].

2 Ingeniera Forestal; Máster en Ingeniería Forestal y Especialista en Procesamiento Imágenes. Jefe (E) del Centro de Investiga-ción y Desarrollo en Información Geográfica (CIAF). Instituto Geográfico Agustín Codazzi. E-mail: [email protected].


Fractals in geodesy as earth science

Abstract

Geodesy and Earth science seeks to establish the precise representation of the earth’s surface by physical and mathematical algorithms implemented have led to the representation of models such as the geoid and biaxial ellipsoid of revolu-tion -physical and mathematical model -, respectively.

Geodesy explores the earth from two models: A physical model (geoid) surface of the earth can solve the problem of distribution of land masses, the gravity field and orthometric heights. And a mathematical model (ellipsoid) serves as a reference system with which you can adjust the data from the ground surface, the condition of accuracy allows for a better approximation. Thus, as in the topo-graphical representation of the land, must be seen from some of the two models, being of great importance to study the terrain associated with the landscape and the mass effect of excess or deficient in it represent.

Starting from the irregular shape of the terrain (landforms that are the property of self-similarity) and the geoid, which due to its undulations as a result of irre-gularities in the physical composition of the earth, working on a considerable scale, where the increase this level of scale, again presents the geoid undulations and irregularities on “similar” to those found in the first degree level study. Again, the components comprising the physical models, mathematical and surveying the earth have a property of self-similarity, which through the “fractal geometry” can be represented and traced an alternative to existing modeling systems. This geome-try, that according to Mandelbrot fractal is by definition a set whose dimension of Hausdorff - Besicovitch is strictly greater than its topological dimension, has a grea-ter precision in areas of high complexity for data interpolarización not determined, increasing fidelity representation of the field and geoid.

Based on this fractal mathematics seeks to determine more accurately the surface irregularities and terrestrial dynamics with simple formulas, where the fractal fea-tures are reliable adjustment for these phenomena.

Key words fractal, geodesy, geoid, dimension of Hausdorff - Besicovitch, ellipsoid, self-similarity.

73


Introducción

De acuerdo con la representación espa-cial que se genera a partir de los mé-todos convencionales enmarcados en la Geodesia como ciencia de la Tierra, evidenciados en el modelo físico y ma-temático que ejemplifican un datum vertical y un datum horizontal, se lográ obtener un posicionamiento en el espa-cio y una representación más exacta de la superficie de la Tierra.

La variación de la exactitud de repre-sentación y posicionamiento se debe a la incertidumbre que se presenta al disminuir el error, contando con las on-dulaciones y accidentes geográficos del terreno. La geometría fractal, a partir de sus conjuntos de autosimilitud, pue-de modelar con una gran exactitud las irregularidades de la superficie terres-tre, tomando una escala muy detallada e iterando el número de veces que sea necesaria la superficie por representar. La amplitud del modelo interpolado depende del factor de rugosidad que genera modelos más o menos suaves o quebrados (valor de la pendiente), donde este factor se encuentra direc-tamente enlazado con la dimensión fractal que posea el terreno objeto de estudio. Entre mayor sea su pendien-te, mayor será su dimensión fractal, y es allí donde uno de los preceptos que mayor inferencia tienen conjuntamente la geodesia y la geometría fractal: el ge-oide tiene una menor dimensión que la superficie topográfica, y esto en la prác-tica debe ser demostrado.

1. Fractales

Dentro de la teoría de la complejidad ,que comprende el estudio de sistemas, que al constituirse en colectivos, evi-dencian propiedades que no muestran sus componentes individuales por sepa-rado, se agrupan los fractales y el caos como conceptos matemáticos aplica-bles a los sistemas complejos (Gonzá-lez, 2009).

El término fractal fue acuñado en 1977 por Benoít Mandelbrot para designar ciertos comportamientos matemáticos donde el resultado final se origina a través de la repetición de un proceso geométrico simple y desencadena en las sucesivas iteraciones conjuntos de determinada dimensión, fija a lo largo del proceso que se modifica al conver-tir la iteración en infinita. Estas figuras virtuales se encuentran compuestas por una curva infinita contenida en una superficie finita y por lo tanto con un número no entero o fraccionario de dimensiones (Argote, 2005), don-de el fractal es un objeto geométrico de estructura irregular aparentemente caótica. Estos objetos se encuentran presentes en muchos procesos y for-mas de la naturaleza (Guirado, 2000):

• Procesos de separación de fronte-ras de dos medios;

• Procesos de ramificación;

• Procesos de formación de porosidad.

1.1. Características de los fractales

Autosimilitud

Si un objeto fractal aumenta, los ele-mentos que lo componen vuelven a tener el mismo aspecto independien-te del cual sea la escala que se utilice, sosteniendo una estructura geométrica recursiva, la que expresa la iteración o repetición al infinito de un mismo pro-ceso. Esta estructura origina que las figuras fractales contengan infinitas copias de sí mismas, a una escala cada vez menor, por lo que el todo siempre está contenido en las partes. A partir de esto, se define autosimilitud como la característica que presentan determi-nados objetos en los cuales los detalles más pequeños que los componen tie-nen alguna relación estadística con sus propiedades globales, repitiéndose es-tos detalles de una manera infinita (Al-Majdalawi, 2005).


Dimensión fractal

La dimensión fractal (D f ) que sugirió Félix Hausdorff en 1919 es una propie-dad de un objeto que nos indica su ca-pacidad para rellenar el espacio que lo contiene, y puede tomar valores conti-nuos en el espacio de los números rea-les, entre 0 y 3 (Al-Majdalawi, 2005).

Partiendo de la propiedad de autosimi-litud de los fractales, si se obtiene un segmento, con N segmentos iguales, semejantes al original, con un factor de contracción (razón de semejanza) r , se tiene que la dimensión topológica de H es el número real D que verifica:

N . r D = 1

Donde al aplicarle Logaritmo Natural a un segmento con autosimilitud perfec-ta, para despejar D el resultado es:

(2)

La dimensión fractal es un número frac-cionario que se calcula mediante la fór-mula de Hausdorff (2), convirtiéndose, dentro de las dimensiones topológicas de la geometría fractal, en la Dimen-sión de Hausdorff-Besicovitch, que per-

mite obtener una aproximación mucho más rigurosa donde las medidas de un objeto a diferentes escalas establecen su dimensión, buscando analizar seg-mentos como segmentos de una curva simple, límites de fronteras, costas de islas y playas continentales y perfiles de montañas, cuya fórmula es (Álvarez y Matiz, 2007):

(3)

Donde:

D es la dimensión fractal

N cantidades de segmentos que forman el objeto

h número de partes en el que se divide el segmento inicial

A partir de la geometría fractal y encon-trando la dimensión fractal, se puede medir la dimensión de los objetos que son diferentes a la geometría euclidia-na. La dimensión fractal arroja qué tan densamente un fenómeno ocupa el es-pacio en el que se encuentra, indepen-dientemente de las unidades de medida utilizadas, o la alteración del espacio por un estiramiento o una condensa-ción (Rahnemoonfar, Delavar y Hashe-mi, 2004).

Movimiento browniano

El movimiento browniano, observado por primera vez por Robert Brown en 1827, consiste en el movimiento de pe-queñas partículas causada por el bom-bardeo continuo de partículas vecinas. Brown encontró que la distribución de la posición de la partícula es siempre gaussiana con una varianza que solo depende de la duración del tiempo de observación del movimiento (Laurini y Thompson, 2002).

Figura 1. Desembocadura de

un río al mar con apariencia fractal. Fuente: http://www.

gran-angular.net/fractales-y-series-de-fibonacci-en-la-

naturaleza/2008/09/11/

l n N

l n 1r( (

D =

(l n N ( h )

l n 1h(

D = lim

75


El movimiento browniano es el modelo más generalizado para realizar interpo-laciones de tipo fractal para un conjun-to de datos, y a partir de este se deriva el movimiento browniano fraccional (FBM, por sus siglas en inglés), que se utiliza para simular superficies topo-gráficas y geodésicas. El FBM ofrece un método que generá superficies irregu-lares y autosimilares que se asemejan a la topografía y que tienen una dimen-sión fraccional conocida (Rahnemoon-far, Delavar y Hashemi, 2004).

Las funciones FBM se caracterizan por variogramas (gráficos que traza la va-riación de un fenómeno en contra de la distancia espacial entre dos puntos) de la siguiente forma:

Donde:

E = expectativa estadística

zi – zj = alturas de la superficie en los puntos i y j

dij = distancia espacial entre los puntos

i y j

K = es la constante de proporcionali-dad

H = parámetro en el rango entre 0 y 1

K también está relacionado con un fac-tor de escala vertical S, que controla la rugosidad de la superficie. H describe la suavidad relativa a diferentes escalas y tiene una relación con la dimensión fractal D tal como es descrita en la si-guiente ecuación (Felguerias y Good-child, 1995):

D = 3 – H

E[(zi – zj)]2 = K * (d

ij)2H

Cuando H = 0.5 se obtiene el movi-miento browniano puro. Entre más pe-queña H, más grande D y más irregular es la superficie. Si H es más grande, más pequeña será la dimensión fractal D y más suave será la superficie.

Algunos autores como A. Fournier pre-sentan procedimientos recursivos para representar curvas y superficies a partir de modelos estocásticos, descritos en dos métodos para la construcción de superficies primitivas en dos dimensio-nes fractales. El primero se basa en una subdivisión de polígonos para crear polígonos fractales, mientras que el se-gundo enfoque se basa en la definición de superficies estocásticas paramétri-cas (Rahnemoonfar, Delavar y Hashemi, 2004).

La subdivisión de polígonos se basa en el método de subdivisión de polilí-neas fractales. Una subdivisión de una polilínea fractal es un procedimiento recursivo que interpola los puntos in-termedios de una polilínea. El algo-ritmo recursivamente subdivide los intervalos de extremos más cercanos y genera un valor escalar en el punto me-dio, que es proporcional a la desviación estándar actual sc veces la escala o el factor de rugosidad S. Por lo tanto, el valor de Zmdel punto medio entre dos puntos consecutivos, i y j, de una po-lilínea es determinado por la ecuación (Felguerias y Goodchild, 1995):

Donde sc varía de acuerdo a la ecua-ción anterior y N(0,1) es una variable aleatoria gaussiana con media 0 y va-rianza de 1.

2. Geodesia

El estudio y la determinación de la for-ma y dimensiones de la Tierra, con su campo de gravedad y variaciones tem-

Ζm=Ζ i Ζ j+

+)(

2S *σc* Ν(0,1)


porales, y el establecimiento de posicio-nes en la superficie terrestre por medio de la Georreferenciación, corresponden al objetivo de la Geodesia como cien-cia básica y de la Tierra, teniendo ba-ses físico-matemáticas y desarrollos en diversas disciplinas como la topografía, cartografía, fotogrametría, navegación e ingenierías afines.

La parte teórica del problema general de la figura de la Tierra consiste en el estudio de las superficies de equilibrio de una hipotética masa fluida, some-tida a las acciones gravitatorias y a un movimiento de rotación (Sevilla de Ler-ma, 2008).

El componente físico en la Tierra es representado geodésicamente por el geoide, superficie equipotencial en el campo de la gravedad terrestre que se toma como cota cero en la deter-minación de altitudes ortométricas. Una aproximación real del geoide, en la práctica, sería una superficie que envolviera la Tierra, que resulta de la prolongación del nivel medio del mar en plena calma (hablando en términos de mínimos cuadrados) a través de la masa continental (Martinez y Sanchez, 2005), siendo una línea normal a todas las líneas que representan las líneas de fuerza del campo gravitatorio terrestre (Sevilla de Lerma, 2008).

El uso del nivel medio del mar como superficie de referencia vertical repre-senta, tradicionalmente, una buena so-lución para el problema de las alturas, pues este es accesible mundialmente y en primera aproximación coincidiría con el geoide, definido anteriormente (Martínez y Sánchez, 2005).

2.1 Métodos geodésicos

En el desarrollo de las aplicaciones enfo-cadas al estudio de la Tierra, la metodo-logía que se ejerce es la de observación, cálculo y comprobación de un fenóme-no. Esta metodología se adapta para conocer cada punto de la superficie terrestre mediante unas coordenadas que lo posicionen en un sistema de referencia definido. Estas coordenadas generalmente son cartesianas (x, y, z) o geográficas (Sevilla de Lerma, 2008).

La Geodesia clásica trata de resolver el problema de la figura de la Tierra me-diante la siguiente metodología:

a. Determinación de un elipsoide de revolución como representación aproximada de la Tierra.

b. Determinación del geoide sobre el elipsoide, dando sus ondulaciones o cotas del geoide sobre el elipsoide.

c. Determinación de las posiciones de puntos de la superficie topográfica terrestre con relación a la superficie del geoide mediante nivelación.

En la determinación del elipsoide de re-ferencia, que se debe adaptar de mane-ra aproximada a la forma de la Tierra, se utilizan observaciones astronómicas y geodésicas, principalmente datos gra-vimétricos y de satélites, siguiendo dis-tintos métodos para la resolución del problema, denominándose elipsoide de referencia (Paredes, 1995).

La metodología geodésica también in-cluye técnicas tridimensionales. El cál-

Figura 2. Superficie montañosa con apariencia fractal.

Fuente: http://www.gran-angular.net/fractales-y-series-de-fibonacci-en-la-

naturaleza/2008/09/11/

77


culo riguroso de una triangulación en el espacio fue emprendido por Bruns en 1856, pero es Martín Hotine quien en 1956 propone las bases en las que se sentará la Geodesia tridimensional, plenamente reali-zada mediante la Geodesia espacial con la utilización de satélites artificiales.

3. Desarrollo de la geometría fractal en la Geodesia

Algunas líneas de investigación desa-rrolladas por diferentes autores a lo largo y ancho del desarrollo de la geo-metría fractal han tenido aplicación en las ciencias de la Tierra, específicamente en la Geodesia (Instituto de Geodesia, Facultad de Ingeniería de la Universidad de Buenos Aires, 2003).

3.1 Banco de pruebas para estudios de precisión fotogramétricos y topográficos

La determinación de la precisión o la exactitud con que una figura de la na-turaleza es medida conlleva numerosas simplificaciones que a veces terminan por desvirtuar el significado de estos términos. En cualquier caso, para de-terminar los parámetros estocásticos o determinísticos que hacen a estos con-ceptos, es necesario verificar errores o residuos que representen fielmente en forma discreta las diferencias entre lo medido y lo que la realidad impone como exacto. Estos errores son imper-ceptibles cuando de líneas o superficies irregulares se trata. Para responder a re-querimientos o cuestionamientos como la precisión con la cual se efectuó la medición de la longitud de una costa, de un límite internacional o de un río, por ejemplo, no pueden ser fácilmente concertadas haciendo uso solamente de los recursos normalmente utilizados por el cálculo de compensación gaus-

siano tradicional. En este sentido, la posibilidad de utilizar modelos fractales sobre los que se efectúen mediciones permitirá una mejor comprensión de los alcances del concepto de error, ya que estos modelos pueden ser conoci-dos hasta en los más ligeros detalles y en cualquier escala, cosa que no suce-de con los hechos reales (Instituto de Geodesia, Facultad de Ingeniería de la Universidad de Buenos Aires, 2003).

3.2 Mejoramiento de modelos digitales del terreno

Se están aplicando modelos de interpo-lación a través de las funciones de in-terpolación fractal. La manera de lograr mejoras significativas en las caracterís-ticas de representación de la superficie terrestre sobre los modelos de interpo-lación geoestadísticos convencionales es la visualización del terreno por medir o modelar como una fracción del todo (Tierra) según sean sus características geomorfológicas (Instituto de Geode-sia, Facultad de Ingeniería de la Univer-sidad de Buenos Aires, 2003).

3.3 Modelos de erosión terrestre

Simulada la superficie topográfica y estudiadas sus características morfoló-gicas, se procede a la aplicación de mo-delos de acción erosiva hídrica o eólica que provocan variaciones en cada valor altimétrico calculado. La iteración de tales influencias da por resultado una transformación del modelo topográ-fico original que se asemeja a la pro-ducida por los agentes erosivos reales. La identificación de las dimensiones fractales resultantes permite abordar el estudio inverso, por el cual dado un modelo real, se puede inferir la acción de la erosión presentada históricamen-te (Instituto de Geodesia, Facultad de Ingeniería de la Universidad de Buenos Aires, 2003).


3.4 Topografía de zonas planas

Es particularmente difícil representar adecuadamente un terreno muy llano mediante las herramientas clásicas de la topografía. En estos casos, el valor de representación de las curvas de ni-vel o aun de los puntos acotados es particularmente reducido. Los mode-los fractales están siendo estudiados como alternativa y en principio han demostrado su idoneidad para explicar algunos comportamientos de estos ca-sos (Instituto de Geodesia, Facultad de Ingeniería de la Universidad de Buenos Aires, 2003).

3.5 Modelos de drenaje superficiales y subsuperficiales

Supuesto un modelo fractal topográfi-co y un modelo pluvial predeterminado, el escurrimiento de las aguas se modela con bastante realismo. Las soluciones topográficas tradicionales a veces no permiten dar respuesta a estudios de drenaje, particularmente en zonas muy

Figura 3. Cauce de un río con

representación fractal en la naturaleza.

Fuente http://phi-nitoarqui-tecturabiologica.blogspot.

com/2011/03/todo-es-fractal.html

llanas como por ejemplo nuestra pampa húmeda (Paredes Bartolomé, 1995).

3.6 Rol de los fractales en los sistemas de información geográfica (SIG)

Las representaciones fractales parti-cipan de las características de los for-matos raster y vector, pero agregan algunas cualidades únicas como

a. muestran detalles a cualquier escala;

b. reducen significativamente los re-cursos de memoria necesaria;

c. permiten actualización en tiempo real de las imágenes a cualquier escala.

En lo que se refiere específicamente al tratamiento de imágenes, aporta venta-jas decisivas en operaciones como el fil-trado, enriquecimiento y compactación de las mismas. El estudio de la dimen-sión fractal sobre imágenes, cartas o mapas de diferentes áreas mediante el software adecuado ha permitido a di-versos autores diseñar diversos sistemas para el análisis automático de la geo-metría dado un objeto, representando así los objetos de la imagen de una ma-nera más eficiente, lo cual forma parte del proceso necesario de retroalimen-tación que las aproximaciones fractales requieren el procesamiento digital de imágenes (Paredes, 1995).

3.7 Identificación de la dimensión fractal de las formas terrestres

La superficie topográfica y el geoide son estudiados, como los modelos de representación de la Tierra, para deter-minar e identificar sus dimensiones, así como otros parámetros que permiten establecer un comportamiento fractal basado en las propiedad de autosimili-tud y el concepto de escalas para defini-ciones y formas básicas de la naturaleza y de nuestro planeta. Esto literalmente

79


redefine la concepción de precisión y exactitud a partir de la geometría frac-tal en las ciencias de la Tierra (Instituto de Geodesia, Facultad de Ingeniería de la Universidad de Buenos Aires, 2003).

3.8 Propiedades fractales de las distribuciones estocásticas de los errores de mediciones

El comportamiento de los errores de las mediciones geodésicas tiene algunos rasgos caóticos que escapan a la posi-bilidad de definirlos con las herramien-tas tradicionales, particularmente en los casos de gran cantidad de observa-ciones aplicadas sobre modelos mate-máticos complejos. Se está estudiando por ejemplo, bajo conceptos fractales, la posibilidad de delimitar las zonas de convergencia y divergencia de las solu-ciones por mínimos cuadrados deriva-das de posiciones iniciales aproximadas en los problemas de ajuste de redes planimétricas y altimétricas (Instituto de Geodesia, Facultad de Ingeniería de la Universidad de Buenos Aires, 2003).

3.9 Geodinámica fractal

Las tendencias que muestran las medi-ciones geodésicas de movimientos de la corteza terrestre son analizadas bajo conceptos fractales, por ejemplo la rela-ción de la magnitud de los mismos con las escalas espacio temporales conside-radas (Sevilla de Lerma, 2008).

3.10 Estudios de límites territoriales

Los límites territoriales naturales, como los definidos por costas, quebradas, ríos, líneas divisorias de escurrimien-to de aguas, líneas de ribera, etc., son estudiados bajo la concepción fractal, abriendo nuevos horizontes interpre-tativos en esta controvertida materia (Instituto de Geodesia, Facultad de In-geniería de la Universidad de Buenos Aires, 2003).

Conclusiones

• La geometría fractal se abre cam-po como una de las temáticas de desarrollo en las ciencias de la Tierra, redefiniendo los conceptos de precisión y exactitud para gene-rar una correlación entre las diver-sas concepciones de la forma de la Tierra, demostrada por sus mode-los físicos y matemáticos (el geoide y el elipsoide) y apuntando hacia el desarrollo de una superficie de referencia modelada por la geome-tría fractal.

• El grado de precisión que se puede desarrollar por medio de las funcio-nes de interpolación fractal logra disminuir la fuente de error al ge-nerar una superficie equipotencial para la Tierra como lo es el geoide.

• La propiedad de autosimilitud que presenta la topografía terrestre, constituida por los accidentes geo-gráficos como las montañas, las cuales son una representación en menor escala de los grandes siste-mas montañosos, permite observar las propiedades fractales que se encuentran inmersas en las formas geográficas y terrenos naturales de nuestro planeta. La concepción de escalas permite obtener una aproximación mucho más cercana al comportamiento de la superficie terrestre en cada tipo de terreno, lo cual disminuye el grado de error e incertidumbre en el modelo repre-sentado por la geometría fractal.

• A partir de la entropía que se des-prende del forjamiento de las es-tructuras geográficas que contiene la Tierra, es posible determinar de la manera más específica y sencilla la magnitud y el comportamiento de toda la naturaleza, que a través del modelamiento de los componentes más pequeños de nuestro todo re-fleja toda la estructura dinámica de los grandes sistemas geográficos y espaciales.



AL-MAJDALAWI ÁLVAREZ, Amir. Fractales. Matemáticas en la vida cotidiana. 2005.

ÁLVAREZ, Osorio, Denisse Scarly, y MATIZ LEÓN, Jhon Camilo. Modelo digital de elevación a través de superficies de Interpolación fractal. Anteproyecto de grado. Facultad de Ingeniería. Universidad Distrital “Francisco Jose de Caldas”. Bogotá. 2007.

ARGOTE, José Ignacio. Introducción a los fractales. Universidad Complutense de Madrid. Ma-drid. 2005.

FELGUERIAS, C., y MF. GOODCHILD. Una comparación entre tres métodos de modelamiento de una superficie TIN y los algoritmos asociados. Reporte Técnico. 1995.

GONZALEZ ÁLVAREZ, Joaquín. Caos, Fractales, Cuerdas y el razonamiento científico. 2009.

GUIRADO GRANADOS, Juan. Geometría fractal. Nociones básicas. Barcelona, 2000.

INSTITUTO DE GEODESIA, Facultad de Ingeniería de la Universidad de Buenos Aires. Contribucio-nes a la geodesia aplicada. Buenos Aires, marzo de 2003.

LAURINI, R., y THOMPSON, D. Fundamentos de los sistemas de información espacial. Academic Press. 1999.

MARTÍNEZ DÍAZ, William Alberto, y SÁNCHEZ, Laura. Hacia un nuevo sistema de referencia vertical en Colombia. Semana Geomática 2005. Bogotá. 8 de agosto de 2005.

PAREDES BARTOLOMÉ, Carlos. Aplicación de la geometría fractal en las ciencias de la Tierra. Madrid, 1995.

RAHNEMOONFAR, M, DELAVAR, R.M., y HASHEMI, L. Fractal and Surface Modeling. Departa-mento de Agrimensura e Ingeniería Geomática, Facultad de Ingeniería, Universi-dad de Teherán. Teherán. Junio de 2004.

SEVILLA DE LERMA, Miguel J. Introducción histórica a la Geodesia. Universidad Complutense de Madrid. Madrid. 2008.

81


5 Desarrollo de dos metodologías para la generación de modelos digitales de terreno (MDT) y superficie (MDS) empleando datos LiDAR y programas de licencia libre

ResumenLIDAR (por sus siglas en inglés, Light Detection And Ranging Laser) son una clase de sensores remotos ac-tivos, para los cuales los fundamentos teóricos, que permiten su procesamiento digital, no han sido difun-didos ampliamente en Colombia. Estos sensores tie-

nen un emisor láser que envía una serie de impulsos a la superficie terrestre; una vez que estos impulsos cho-can con los objetos, rebotan y regresan al sensor. La información de los impulsos puede ser procesada para construir modelos digitales del terreno (MDT4) y de la superficie sobre el terreno (MDS) para grandes exten-siones con la mejor precisión espacial en el momento. La mayor parte de los programas que han sido usa-dos en Colombia para realizar este procesamiento son comerciales y por tanto son de uso restringido. En este trabajo se desarrollaron dos metodologías para la generación de MDT y MDS con programas de licencia libre; la primera filtra los puntos con base en sus características radiométricas e interpola los MDT y MDS empleando la técnica geoestadística5 Kriging6 La segunda filtra los puntos con base en la locali-zación espacial de los impulsos y genera los MDT y MDS mediante interpolaciones basadas en un algo-ritmo basado en redes irregulares trianguladas (TIN7) sucesivas.

Palabras clavesArcGIS, GVsig, Quick Terrain Reader, Modelo Digital de elevación, programas de licencia libre, Kriging, TIN, interpolación.

1 Investigador en Percepción Remota, Centro de Investigación y Desa-rrollo en Información Geográfica (CIAF), Instituto Geográfico Agus-tín Codazzi (IGAC), Carrera 30 No. 48-51, Bogotá D. C., Colombia.

2 Investigador en Percepción Remota, Centro de Investigación y Desa-rrollo en Información Geográfica (CIAF), Instituto Geográfico Agus-tín Codazzi (IGAC), Carrera 30 No. 48-51, Bogotá D. C., Colombia.

3 Ingeniera Forestal, Master of Science en Ingeniería Forestal Aca-demia Forestal “Kirov” – USSR, specialist in Forestry for Rural De-velopment. International Institute for Aerospace Survey and Earth Sciences (ITC), Holland. Investigadora en Percepción Remota, Cen-tro de Investigación y Desarrollo en Información Geográfica (CIAF), Instituto Geográfico Agustín Codazzi (IGAC), Carrera 30 No. 48-51, Bogotá D. C., Colombia.

4 Modelo Digital de Terreno (MDT): es un MDE del terreno o suelo. 5 Geoestadística: Es la rama de la estadística aplicada que se especializa

en el análisis y la modelación de la variabilidad espacial de una varia-ble. Su objeto de estudio es el análisis y la predicción de fenómenos en espacio y/o tiempo. Aunque el prefijo geo es usualmente asocia-do con geología, la geoestadística tiene sus orígenes en la minería.

6 Kriging: Es un método geoestadístico de interpolación que ha proba-do ser útil y popular en muchos campos. En la actualidad este méto-do de interpolación es ampliamente utilizado para generar modelos de elevación digital (mapas de curvas de nivel). Dicho método provee, a partir de una muestra de puntos, ya sean regular o irregularmente distribuidos, valores estimados de aquellos sitios donde no hay infor-mación, sin sesgo y con una varianza mínima conocida.

7 TIN: La Red de Triángulos Irregulares (TIN, del inglés Triangular Irre-gular Network) es una red construida a partir de un conjunto de puntos espaciales, siendo cada uno de sus puntos un vértice de al menos un triangulo de la red. Los TIN se utilizan para el cálculo de volúmenes, dibujo de curvas de nivel y otras operaciones, por lo que una construcción adecuada permitirá un cálculo más preciso de dichos procesos.

José Camilo Fagua1, Augusto Campo2, Elena Posada3

Desarrollo de dos metodologías para la generación de modelos digitales de terreno (MDT) y superficie (MDS) empleando datos LiDAR y programas de licencia libre


Two methodologies for generating Digital Terrain Models (DTM) and Digital Elevation Models (DEM)

using LiDAR data and freeware

AbstractLiDARs (Light Detection And Ranging Laser) are a type of active remote sensors whose processing is not much known in Colombia. These sensors emit million of laser pulses to land, and then they backscatter to sensor. The information of laser pulses can be used to make Digital Terrain Models (DTM) and Digital Elevation Models (DEM) for large land extents with the best spatial resolution at the moment. Most software used to process LiDAR data have expensive licenses; therefore their use is restricted to Colombian users. In this research, we developed two methodologies to generate DTMs and DEMs using freeware: First methodology filters the impulses bases on radiometric characteristics and interpolates the filtered pulses using kriging analysis. Second methodology filters the impulses bases on geometric characteristics and generates DTMs and DEMs using an iterative TIN (triangulated irregular network) algorithm.

Key wordsArcGIS, gvSIG, Quick Terrain Reader, Digital Elevation Model, freeware, Kriging, TIN, interpolation.

85


Introducción

LiDAR (siglas en inglés para Light De-tection And Ranging Laser) son una clase de sensores remotos activos que envían millones de impulsos láser a una superficie terrestre que se pretende analizar; una vez estos impulsos chocan con los objetos, la mayor parte de estos regresan al sensor (algunos se pierden) con una energía menor con la que fue-ron emitidos. Cada uno de los impulsos que regresa tiene una ubicación espa-cial tridimensional de alta precisión (en ejes X, Y y Z) y una energía de regreso diferencial, la cual va a variar depen-diendo de la naturaleza del objeto con que chocó (Ackerman, 1999). Toda esta información puede ser procesada para construir modelos digitales del terreno (MDT) y modelos digitales de la superfi-cie sobre el terreno (MDS) para grandes extensiones con la mejor escala espacial en el momento, 10 a 30 cm (Brzank et al., 2008). Los sensores LiDAR pue-den dividirse en dos clases dependiendo del ambiente en el cual se utilicen; los LiDAR topográficos son usados para co-berturas terrestres y operan emitiendo impulsos láser dentro del infrarrojo cer-cano, su utilidad en los espejos de agua es prácticamente nula debido a que el agua absorbe la mayor parte del infra-rrojo (Sithole, 2005; Chen et al., 2011). Los LiDAR batimétricos8 son usados en cuerpos de agua para construir Modelo sDigitales de Profundidad (MDP9) debi-do a que emiten impulsos dentro del verde-azul; estas emisiones son capaces de penetrar el agua (hasta 70 m cuando el agua es clara y 20 m cuando el agua es turbia) permitiendo hacer MDPs de alta precisión (Sithole, 2005).

Los LiDAR también pueden dividirse de acuerdo con la tecnología de emisión de impulsos que emplea el sensor; existen los láser de pulso (pulse lasers o small foo-

tprint) y los láser de onda continua (con-tinuous wave lasers o large footprint waveform), (Ackermann, 1999).

Los láser de pulso envían emisiones en las que cada pulso es después reflejado sobre la superficie de la tierra y regresan al receptor produciendo una pequeña huella de la superficie de la tierra (CFMT, 2007). Los Láser de onda continua tam-bién envían emisiones pero en forma de una lluvia de señal continua y capturan el retorno total, por tal motivo son más precisos y confiables (Chen et al., 2011).

La información que genera un sen-sor LiDAR es almacenada en archivos .LAS, que es un formato público para el intercambio de datos LiDAR entre los generadores de información y los usua-rios. Dichos archivos son una nube de puntos que conserva la información es-pecífica propia de la naturaleza de los sistemas LiDAR y los atributos de los millones de impulsos que conforman la nube de puntos. Dependiendo del sensor, cada impulso tiene los siguien-tes atributos: posición (X, Y y Z), inten-sidad, número de retorno, número de línea de barrido, ángulo del espejo del sensor en el momento de captura (án-gulo de escaneo), tiempo de captura GPS, entre otros.

Para que un archivo .LAS que provie-ne de un LiDAR topográfico (láser de pulso o láser de onda continua) pueda generar MDT y MDS, es necesario reali-zar una separación de los impulsos que provienen del terreno y de los impulsos que provienen de la superficie sobre el terreno. Este proceso es conocido en la literatura especializada como clasifica-ción o filtrado de impulsos y se refiere a la separación de los impulsos depen-diendo de la superficie con que choca-ron después de que fueron emitidos; la clasificación más simple es separar los

8 Batimetría: También conocida como altimetría marina, hace referencia al estudio de la profundidad en 3D de grandes cuerpos de agua (mares, lagos, río, entre otros).

9 Modelo Digital de Profundidad (MDP): es un MDE del terreno que está bajo un cuerpo de agua (mares, lagos, ríos, entre otros).


impulsos del terreno, y de la superficie sobre el terreno, sin embargo existen clasificaciones más complejas, que se-paran los impulsos por tipos de super-ficie (tipos de vegetación, concreto, barro, suelo desnudo, entre otros). Pos-teriormente, los impulsos (puntos) que corresponden al terreno son interpolados estadísticamente para generar el MDT (un continuo) y los impulsos (puntos) que corresponden a la superficie son interpo-lados estadísticamente para generar el MDS (otro continuo). La base conceptual del procesamiento de archivos .LAS que fue descrito de forma general anterior-mente tiende a ser desconocida por gran parte del público colombiano que está interesado en el tema LiDAR y no tiene acceso a los programas comercia-les de procesamiento de estos archivos. Esto ha causado limitaciones técnicas a la hora de emplear la información LiDAR por parte de muchos usuarios.

En este documento se desarrollaron dos metodologías para generar MDT y MDS a partir de archivos .LAS. Ambos proce-samientos pueden ser aplicados usando programas de licencia libre (como gvSIG) y/o de amplio uso (como ArgGIS); la pri-mera metodología (denominada como Metodología 1) filtra los puntos con base en sus características radiométricas (nú-mero del retorno, intensidad, ángulo de escaneo y altura) e interpola los MDT y MDS empleando la técnica geoestadística Kriging. La segunda metodología (deno-minada como Metodología 2) filtra los puntos con base en la geometría de la localización espacial de los impulsos (atri-butos de posición; X, Y, Z), y genera los

MDT y MDS mediante interpolaciones basadas en algoritmos sucesivos TIN. El objetivo de este documento consiste en explicar en detalle estas dos metodolo-gías de procesamiento de datos LiDAR, desarrolladas por el grupo de percep-ción remota del Centro de Investigación y Desarrollo en Información Geográfica (CIAF), del Instituto Geográfico Agustín Codazzi (IGAC).

1. Materiales y métodos

1.1 Área de estudio y características del sensor LiDAR empleado

Este estudio se realizó en una zona de la Sabana de Bogotá (Bogotá D. C.), aledaña al río Bogotá (X= 99.025.103; Y=126.586.322), en el occidente de la ciudad y que está cubierta por pastos in-troducidos y cercas vivas formadas por ár-boles (Figura 1). Se analizaron los archivos .LAS generados por un sistema LiDAR to-pográfico aerotransportado ALS 50 Pha-se II de la empresa comercial Merrick en abril del 2007. El sistema integra un al-tímetro láser, una Unidad de Medición Inercial (IMU) Applanix 510 POS/AVIMU y control de vuelo GPS.

Este sistema LiDAR tiene una tasa de pul-sos láser de hasta 150 kHz (150 000 pul-sos por segundo), un tamaño de huella de 150 a 500 mm, una tasa de escaneo de 10 a 100 líneas por segundo y un ángulo de escaneo de 30°. El archivo .LAS analizado está constituido por 789 409 impulsos.

1.2 Metodología 1

Filtrado con base en características radiométricas

La primera metodología usada para se-parar (clasificación) los impulsos que provienen del terreno (los cuales pos-teriormente generarán el MDT) de los

Figura 1. Área de estudio.

Vista generada con el programa Quick

Terrain Reader.

87


impulsos que provienen de la superficie sobre el terreno (los cuales posteriormen-te generarán el MDS) se basó en una se-lección diferencial de ambos grupos de impulsos de acuerdo con una selección de filtros sucesivos basados en las ca-racterísticas de los atributos intensidad, número del retorno, ángulo de escaneo y altura. A continuación se explica cada uno de los filtros empleados.

El atributo llamado intensidad va de 0 a 255 (debido a que el sistema LiDAR ALS 50 Phase II genera intensidades escaladas a 8-bit10), se refiere a la can-tidad de energía con que regresa el impulso al sensor (García et al., 2010); dicha energía depende del tipo de co-bertura con la cual el impulso choca. La intensidad tiene los valores más altos cuando los impulsos rebotan en el sue-lo y superficies urbanas duras, mientras es menor cuando los impulsos rebotan en vegetación (Figura 2A) debido a que la clorofila absorbe una fracción grande del infrarrojo (rayo láser) enviado por el sensor, disminuyendo significativamen-te la energía con que regresa el impulso (Lovell et al., 2009).

Con base en estos planteamientos se hicieron dos ensayos de selección, que generaron MDT similares. En el primer ensayo se seleccionaron los impulsos con intensidad de 255 (máximo valor de intensidad). En un segundo ensayo se seleccionaron los puntos dentro del mayor rango de intensidad aplicando la ecuación de rangos de Sturges (1926):

C = (Xmax–Xmin)/M

Donde M = 1 + (3.3 × log N), N = número total de individuos, M = nú-mero de clases de tamaño, C= rango de clases de tamaño, X = longitud de los rangos.

El atributo llamado número del retorno se refiere al orden cronológico con que

A

B

C

Figura 2.Características radiométricas del archivo .LAS empleadas en la metodología 1:2A) Impulsos con intensidad ≤ 30 (tiende a corresponder a vegetación altamente fotosintética), en azul. 2B) Impulsos del último retorno (tiende a corresponder al terreno), en azul. 2C) Impulsos de los primeros retornos 2 a 5 (tiende a corresponder a superficies sobre el terreno), en azul.

10 Escala de 8-bit: hace referencia a la representación en escala de 256 grises de la resolución radiométrica de un sensor remoto.


llegan los impulsos al sensor después de rebotar en el terreno; al sensor lle-gan primero los impulsos que rebotan primero puesto que tienen menos dis-tancia de viaje, mientras que los impul-sos que llegan después corresponden impulsos que rebotaron después de los primeros retornos y que por tanto tienen más distancia de viaje. El siste-ma LiDAR ALS 50 Phase II suministra hasta cinco retornos; el retorno uno hace referencia a los últimos impulsos que regresaron al sensor, es decir, los que tienden a corresponder al suelo (Figura 2B), mientras que los retornos dos a cinco (Figura 2C) corresponden a impulsos que llegaron primero que los retornos uno, por lo que correspon-derían a objetos sobre el terreno (Hop-kinson y Chasmer, 2009). Por lo tanto, para filtrar los impulsos del terreno se seleccionaron los últimos impulsos que regresaron al sensor.

El atributo llamado ángulo de escaneo es el ángulo geométrico con el que los impulsos láser son enviados contra la superficie; este ángulo se define exacta-mente como el ángulo subtendido por los puntos extremos del escáner láser del sensor (Sithole, 2005). Los LiDAR topográficos, como el ALS 50 Phase II, asumen que los impulsos tienden a re-flejarse de forma especular (es decir, en un ángulo de alrededor de 180°); por lo tanto, los ángulos de escaneo no supe-ran los 20 o 30° (Tamari, et al., 2001). Los cambios en el ángulo de escaneo entre 0 a 30° producen cambios en la disposición espacial de la nube de im-pulsos, pero no cambian fuertemente la precisión para identificar MDT y MDS que tienen los sensores LiDAR (Loha-ni y Singh, 2007). Con base en estos planteamientos, se seleccionaron los impulsos que tuvieron un ángulo de es-caneo positivo (impulsos con ángulos negativos no fueron tenidos en cuenta en el análisis); este filtro disminuyó el número de impulsos sin afectar signi-ficativamente la precisión, y facilitó el procesamiento posterior. Ensayos adi-cionales con los impulsos con ángulos

de escaneo negativos generaron MDT y MDS similares a los generados con los impulsos con ángulos positivos.

El último filtro hace referencia a la al-tura de los impulsos y al conocimien-to de campo que cualquier análisis de percepción debe tener. Por definición, los puntos más bajos provienen del te-rreno (impulsos láser nunca bajan más allá del suelo); en consecuencia, en un lugar relativamente plano, el terreno se-ría cercano a la línea promedio de los puntos más bajos (Sithole, 2005). Para filtrar los puntos del terreno se selec-cionaron impulsos por debajo de 1.5 metros de esta línea promedio para así minimizar la inclusión de impulsos pro-venientes de construcciones humanas.

1.3 Generación de MDT y MDS empleando Kriging

Una vez filtrados los impulsos que corresponden al terreno y a la super-ficie sobre el terreno, es necesario interpolarlos a un MDT y a un MDS, respectivamente. Para esto existen va-rios métodos: 1) interpolaciones usan-do TIN, 2) interpolaciones basadas en ábsidas (IA), y 3) interpolaciones geoestadísticas. TIN e IA realizan gene-ralizaciones que pueden desajustar el modelo resultante (Oliver, 1990); esto ocurre porque estas técnicas seleccio-nan solo los puntos que se ajustan a un algoritmo específico desechando información valiosa (impulsos) y traba-jan con valores redondeados a números enteros, aumentando el error. La técni-ca geoestadística Kriging no presenta estos desajustes y sus resultados serían más precisos y más adecuados para el procesamiento LiDAR; el objetivo de esta técnica consiste en interpolar el valor de una función con base en valo-res conocidos de esa función en puntos aleatorios (nube de impulsos LiDAR). La técnica Kriging no desecha ningún im-pulso filtrado y genera modelos de ele-vación interpolando la variable altura a un raster continuo (MDT y MDS). Para

89


aplicar Kriging los datos deber cumplir con el supuesto de estacionariedad11 y se debe seleccionar el modelo de Kriging que más se ajusta a la distribución de los datos (gaussiano, logístico, geométrico, lineal, exponencial, entre otros). Con base en estos planteamientos, se aplicó un Kri-ging ordinario esférico a ambos grupos de impulsos filtrados para generar el MDT y el MDS.

1.4 Metodología 2La segunda metodología usada para filtrar los impulsos se basó en una eli-minación secuencial de impulsos con base en la geometría de su ubicación espacial (atributos X, Y, Z). Para esto, se analizó cada punto de la imagen y se marcaron aquellos con cambios abruptos de altura en vecindarios de 3 x 3 píxeles para luego eliminarlos. Este proceso se realizó en forma cícli-ca hasta que no hubiese más impulsos que eliminar; como resultado se obtie-ne un modelo digital del terreno. Esta metodología se basó en análisis previos desarrollados por Haugerud y Harding (2003) y Sithole (2005). Para realizar este proceso se desarrolló un algoritmo en lenguaje Python; los detalles de este proceso se explican a continuación:

Primero se realizó un TIN inicial a la totalidad de los impulsos de los ar-chivos .LAS; al hacer este TIN se gene-ró un modelo digital de la superficie más externa (MDS) constituido por nodos y líneas que conforman una red de triángulos irregulares que no se traslapan. Posteriormente este TIN se convierte en un raster en que las alturas están representadas por valo-res de intensidad entre 0 y 255 con una escala espacial de 0.27 m (lo cual evidencia la alta definición espacial que generan lo sensores LiDAR, Figu-ra 3A). Las alturas se suavizan apli-cando un algoritmo de promedios a los vecindarios de 3 x 3 píxeles, gene-rando un nuevo raster (Figura 3B), al

que se denominará Raster (Media). A partir de Raster (Media) se hace una nueva nube de puntos, que contie-nen la localización espacial (X, Y y Z) de cada nodo del TIN (Figura 3C).

Posteriormente se resta las alturas de los nodos de este TIN con el valor de altura de Raster (Media) en los lugares corres-pondientes. El resultado es un factor de cambio que permite discriminar los puntos con cambios abruptos de altu-ra en su correspondiente vecindario. La Figura 4 muestra un histograma de los factores de cambio (FC) de la imagen LiDAR analizada; la mayoría de los FC son cercanos a cero y corresponderían a terreno, mientras que otros FC tienen valores alejados de cero (negativa o po-sitivamente); estos puntos tenderían a no ser parte del terreno (Figura 4).

A

Figura 3. Principales características del procesamiento geométrico del archivo .LAS en la metodología 2: 3A) Área del modelo TIN (izquierda) y su representación Raster (derecha).3B) imagen Raster (izquierda) y generalización con algoritmo de promedios (derecha). 3C) Modelo TIN (izquierda) y su respectiva imagen de puntos (derecha).

11 Estacionariedad: Una variable regionalizada es estacionaria si su función de distribución conjunta es invariante respecto a cualquier translación en cualquier sentido o dirección.


Con base en este planteamiento se eliminaron todos los puntos con un FC > 0.05 y FC< -0.1, es decir, todos los puntos alejados de un FC=0 y se calcula un nuevo TIN. Todo el proceso anteriormente descrito se repite has-ta que no se encuentren más puntos que eliminar y esto sería considerado como el suelo.

1.5 Precisión de las metodologías Para hacer una estimación sobre la pre-cisión de las dos metodologías que se desarrollaron en este trabajo, se com-pararon estadísticamente 40 puntos aleatorios de los MDT (20 puntos) y MDE12 (20 puntos) que generaron am-bas metodologías contra el valor que arroja un programa especializado en

datos LiDAR, Quick Terrain Reader, que ubica con alta precisión espacialmente cada uno de los impulsos de un archivo .LAS. Los datos generados por el progra-ma Quick Terrain Reader fueron usados como ensayo control. La comparación se realizó mediante un análisis de va-rianza no paramétrico (Kruskal-Wallis) y pruebas pareadas no paramétricas (Wilcoxon) realizadas con programa de licencia libre R. No se realizaron com-paraciones contra datos medidos en campo porque los datos LiDAR fueron tomados cuatro años atrás en el mo-mento de este análisis, lo que hace imposible determinar si las variaciones en los MDT y los MDS son producidas por cambios en el paisaje (crecimiento de vegetación, hundimiento del suelo, entre otros) o por error propio de las

Figura 4. Distribución

de frecuencia de factores de

cambio (FC)

12 Modelo Digital de Elevación: Un Modelo Digital de Elevación (MDE) es una estructura numérica de datos que representa la distribución espacial de una variable cuantitativa y continua.

91


metodologías. Tampoco se realizaron comparaciones con otras formas de generar MDE debido a que presentan escalas espaciales diferentes (siempre menores) a la escala espacial que se ob-tiene con LiDAR.

2. Resultados y discusión

No se encontraron diferencias signifi-cativas entre los valores de altura de los MDT generados por ambas metodologías (Figura 5) y los valores generados con el programa Quick Terrain Reader o ensayo control (Figura 1), (KW Test: X2 = 0.4; P=0.818); tampoco se encontraron di-ferencias significativas entre los valores absolutos de la diferencia entre los MDT y el control (Wil Test: T=91; Z= 0.16; P=0.87). Esto indica que ambas meto-

Figura 5. MDT y MDS generados con las metodologías 1 y 2

dologías tienen un error inferior al 5% en la generación de MDT evidenciando que son aproximaciones similares a la que generan programas especializados en datos LiDAR. Sin embargo, cuando se analizó la desviación estándar de los valores absolutos de la diferencia entre los MDT y el control, se encontró que la Metodología 1 tiene una desviación es-tándar mucho menor (±0.7) que la de la Metodología 2 (±22.29) y evidencia que la Metodología 1 puede ser más precisa en la generación de MDT (Fi-gura 6A); sin embargo, para hacer una conclusión más certera es necesario te-ner datos de campo.

No se encontraron grandes diferencias entre los valores de altura de los MDS (Figura 5) generados por ambas meto-dologías y los valores generados con el programa Quick Terrain Reader o ensa-


que la Metodología 2 puede ser más precisa en la generación de MDS (Fi-gura 6B); sin embargo, para hacer una conclusión más certera es necesario te-ner datos de campo. Los resultados ex-puestos en este trabajo evidencian que ambas metodologías tienen fortalezas y debilidades; la Metodología 1 es más precisa en la generación de MDT, mien-tras que la 2 es más precisa generan-do MDS. Esto muestra que ambas son complementarias y que lo ideal sería una combinación de la generación del MDT de la Metodología 1 y del MDS de la 2.

La mejor precisión de la Metodología 1 en la generación de MDT sucede por la gran cantidad de impulsos prove-nientes del suelo que tuvieron los ar-chivos .LAS analizados, que aumenta la precisión del método de interpola-ción empleado, el Kriging (Biau et al., 1997). Asimismo, la baja cantidad de impulsos provenientes de las superfi-cies aisladas (árboles y arbustos aisla-dos, hierba, entre otros) disminuyó la precisión de la interpolación Kriging cuando generó el MDS. La interpola-ción empleada en la Metodología 2 (TIN9 sucesivos) registró una precisión menor al generar MDT porque la gene-ración de triángulos irregulares se basa en los valores promedio de algunos de los impulsos, desechando información (impulsos) cuando existen muchos da-tos como los que se registraron para el terreno. Esta generalización dis-minuye la capacidad para evidenciar detalles como pequeñas depresiones del terreno. En contraste, los datos de esta investigación muestran que TIN9 sucesivos son precisos para interpolar MDS de objetos aislados porque estos generan un número no tan alto de im-pulsos en el archivo .LAS, que resulta ser una característica adecuada para la generalización TIN.

Las metodologías desarrolladas en esta investigación pueden considerarse como aproximaciones de alta presión

yo control (Figura 1), (KW Test: X2 = 2.8; P=0.24); sin embargo, se encon-traron diferencias significativas entre los valores absolutos de la diferencia entre los MDS y el control (Wil Test: T=36; Z= 2.57; P=0.009). Esto indica que la Metodología 1 puede tener un error superior al 5% en la generación de MDS, mientras que la Metodología 2 tiene un error menor al 5%. Además, se encontró que las desviaciones están-dar de los valores absolutos de la di-ferencia entre los MDS generados con Metodología 1 y el control (±6.59) son significativamente mayores a los MDS generados con Metodología 2 y el con-trol (±1.8). Estos resultados evidencian

A

B

Figura 6. Resultados de

análisis estadísticos para determinar

la precisión de las metodologías para

generar MDT (6A) y MDS (6B)

93


espacial para la generación de MDT y MDS a partir de datos LiDAR en sitios relativamente planos. Sin embargo, estas no han sido probadas en sitios montañosos, lo que constituye un ob-jetivo de investigación por desarrollar.

Otro aspecto no evaluado fue la posibi-lidad de filtrar los impulsos de acuerdo con tipos de cobertura (vegetación, con-creto, suelo desnudo, entre otros). En la literatura se citan varios artículos que generan modelos digitales de elevación para coberturas específicas fusionando los datos LiDAR con otro sensores remo-tos, imágenes ópticas principalmente (Dash et al., 2004; Bélanda et al., 2011; Lovell et al., 2011). Esto constituye otro propósito metodológico de investiga-ción para ser evaluado.

En el mercado de sensores remotos existen varios programas comerciales de baja difusión para el procesamiento de datos LiDAR, pero su uso en Colom-bia es limitado debido a las restriccio-nes comerciales; Además, la precisión de los productos que generan es desco-nocida. En este trabajo se muestra que la precisión de los productos que se ge-neran de archivos .LAS varía dependien-do de las características de terreno y de las metodologías que se empleen para el filtrado e interpolación de las nubes de impulsos LiDAR; esto evidencia que es necesario tener un control sobre los errores que generan las distintas me-todologías que emplean en el proce-samiento LiDAR (métodos de filtrado e interpolación).

Finalmente, hay que indicar que las me-todologías y procesos desarrollados en este trabajo son un punto de partida para que el público colombiano intere-sado y que carece de programas comer-ciales especializados en procesamiento de datos LiDAR tenga acceso a parte de las bondades que esta tecnología pro-porciona y pueda así desarrollar nuevos y mejores procesamientos con progra-mas de licencia libre o de alta difusión.

Conclusiones

Como una alternativa a los progra-mas comerciales específicos en proce-samiento de datos LiDAR, se pueden usar programas de licencia libre para generar MDTs y MDEs con errores in-feriores al 5% a partir de archivos .LAS en terrenos relativamente planos, no obstante un procesamiento de este tipo depende ampliamente del cono-cimiento conceptual que se tenga de la herramienta LiDAR (características de la información que arroja el sensor, topología y geometría de los archivos .LAS, filtrado de impulsos e interpola-ción espacial) y de las características del terreno. Las metodologías expues-tas en este trabajo son una base para desarrollar nuevos procesamientos de datos LiDAR en Colombia empleando programas de licencia libre o de alta difusión.



Ackermann F. 1999. Airborne laser scanning – present status and future expectations. Journal of Photogrammetry and Remote Sensing 54:64-67.

Béland M, Widlowski JL, Fourniera RA, Côtéa JF & MM Verstraeteb. 2011. Estimating leaf area distribution in savanna trees from terrestrial LiDAR measurements. Agricultural and Forest Meteorology 151: 1252-1266.

Biau, G, Zorita E, von Storch H & H. Wackernagel. 1997. Estimation of precipitation by kriging in EOF space. GKSS, 97, E45.

Brzank A, Heipke C, Goepfert J & U. Soergel. 2008. Aspects of generating precise digital terrain models in the Wadden Sea from lidar–water classification and structure line extraction. ISPRS Journal of Photogrammetry & Remote Sensing 63: 510-528.

Committee on Floodplain Mapping Technologies, National Research Council (CFMT). 2007. Ele-vation data for floodplain mapping. The National Academies Press, Washington, D.C., EU. Pp. 168.

Chen W, Cousin J, Poullet E, Burie J, Boucher D, Gao X, Sigrist MW & FK Tittel. 2011. Conti-nuous-wave mid-infrared laser sources based on difference frequency genera-tion. Comptes Rendus Physique (in press).

Dash J, Steinle E, Singh RP & HP Bahr. 2004. Automatic building extraction from laser scan-ning data: an input tool for disaster management. Advances in Space Research 33:317–322.

García M, Riaño D, & Chuvieco E, & F M Danson. (2010). Estimating biomass carbon stocks for a Mediterranean forest in central Spain using LiDAR height and intensity data. Remote Sensing of Environment 114:816–830.

Henao RG. Introducción a la Geoestadística. Universidad Nacional de Colombia. Bogotá D. C., Colombia. Pp. 94.

Haugerud R. A. & D. J. Harding. (2003). Some algorithms for virtual deforestation (vdf) of lidar topographic survey data. Geological Survey and University of Washington, Seattle Washington, EU. Pp. 8.

Hopkinson C. & L. Chasmer. (2009). Testing LiDAR models of fractional cover across multiple forest ecozones. Remote Sensing of Environment 113: 275–288.

95


Lohani B. & R Singh. 2007. Effect of data density, scan angle, and flying height on the accuracy of building extraction using LiDAR data. Geocarto International 16 (44): 1-14.

Lovell J.L., Jupp D.L.B, Newnhamc G.J., & D.S. Culvenor.(2011). Measuring tree stem diameters using intensity profiles from ground-based scanning lidar from a fixed viewpoint. ISPRS Journal of Photogrammetry and Remote Sensing 66:46-55.

Sithole G. 2005. Segmentation and Classification of Airborne Laser Scanner Data. Doctoral The-sis, Nederlandse Commissie voor Geodesie (NCG), the Royal Netherlands Acade-my of Arts and Sciences. Amsterdam, Nederland. Pp. 185.

Sturges, H. A. (1926). The choice of a class interval. Journal of the American Statistical Associa-tion 21, 65–66.

Tamari S, Mory J & V. Guerrero-Meza. (2011). Testing a near-infrared Lidar mounted with a large incidence angle to monitor the water level of turbid reservoirs. ISPRS Journal of Photogrammetry and Remote Sensing. (in press).

2 Consideraciones en la seleccion de imágenes satelitales para los estudios ambientales6 Percepción remota en la identificación

de filtraciones naturales de hidrocarburos

Palabras clavesCaracterísticas espectrales, exploración, filtraciones, firmas polarimétricas, geobotánica, hidrocarburos, hiperespectral, multiespectral, polarimetría, radar.

Remote sensing in the identification of natural oil

seepages

AbstractThe Multispectral, hyperspectral and radar image sha-ve been used in various projects related to the search for hydrocarbons in surface manifestations and particularly its influence on vegetation elements, delving into the generation of indices that may reveal its presence in certain areas, including are to build oil index (HI) from hyperspectral image processing and field spec-trum-radiometry and laboratoryspectral characteriza-tion of different types of hydrocarbons, analysis have also made important contributions to the detection of contaminated areas; on the other hand if the radar ima-ges in this context have been used in greater propor-tion in the search for leaks and / or oil slicks at sea, in Colombia, IGAC-CIAF in collaboration with bodies such as the National Hydrocarbon Agency (ANH ), the In-ternational Physics Center (CIF) and Department of Administrative Science, Technology and Innovation (Col-ciencias), explore the polarimetric signature analysis in areas located onshore where various types of seep (see-pages) of hydrocarbons.

Key words Spectral characteristics, exploration, seepages, signatu-res polarimetric, geobotany,hydrocarbons, hyperspectral, images, multispectral, polarimetry, radar.

ResumenImágenes multiespectrales, hiperespectrales y de radar han sido utilizadas en diversos proyectos rela-cionados con la búsqueda de hidrocarburos, particu-larmente manifestaciones en superficie y su influencia en elementos de la cobertura vegetal, profundizando en la generación de índices que puedan revelar su presencia en determinadas áreas. Entre ellos se en-cuentran la generación de Índices de Hidrocarburos (HI), a partir de procesamiento de imágenes hipe-respectrales y espectro radiometría de campo, y la caracterización espectral en laboratorio, de diferen-tes tipos de hidrocarburos, análisis que también han hecho aportes importantes en la detección de áreas contaminadas. Por otra parte, aunque las imágenes de radar en este contexto se han utilizado en mayor proporción para la búsqueda de filtraciones y/o man-chas de hidrocarburos en mar abierto, en Colombia, el Instituto Geográfico Agustín Codazzi (IGAC) y el Centro de Investigación y Desarrollo en Información Geográfica (CIAF) en coordinación con entidades como la Agencia Nacional de Hidrocarburos (ANH), el Centro Internacional de Física (CIF) y el Departamen-to Administrativo de Ciencia, Tecnología e Innovación (Colciencias), exploró el análisis de firmas polarimétri-cas en áreas on shore, donde se localizan varios tipos de rezumadero (filtraciones) de hidrocarburos.

Percepción remota en la identificación de filtraciones naturales de hidrocarburos

Yesenia Vargas Tejedor1, Pedro Karin Serrato Álvarez2

1 Ingeniera Geóloga. Estudiante Msc. Geografía UPTC – IGAC. Gru-po Percepción Remota y Aplicaciones Geográficas (PR/AG), CIAF – Instituto Geográfico Agustín Codazzi (IGAC) Carrera 30 No 48-51, Bogotá, Colombia. E-mail: [email protected]

2 Agrólogo Especialista en Fotointerpretación Aplicada a Levan-tamientos Edafológicos. Magíster en Geografía. Carrera 30 Nº 48-51, edificio CIAF, oficina 308, Bogotá, Colombia. Instituto Geo-gráfico Agustín Codazzi, Centro de Investigación y Desarrollo en Información Geográfica. E-mail: [email protected]


Introducción

A nivel mundial, países como Arabia Saudí, Estados Unidos, China, Brasil, México, entre otros, involucran dentro de las actividades de exploración de hidrocarburos el uso de imágenes de sensores remotos, especialmente hipe-respectrales y radar, acompañadas de técnicas de procesamiento adecuadas, con el fin de extraer la mayor informa-ción posible de las áreas de interés.

Este artículo tiene por objetivo revisar y explorar diferentes técnicas de per-cepción remota, aplicadas en la iden-tificación y análisis de filtraciones de hidrocarburos, y dar a conocer avan-ces respecto a un caso de análisis de firmas polarimétricas en un área pilo-to localizada en la zona de Urabá, en Colombia. Es importante indicar que el análisis de estas características forma parte de un tema que actualmente está cobrando importancia: la “geobotá-nica”, como apoyo a los análisis rela-cionados con la búsqueda de recursos minero-energéticos.

Los proyectos realizados en esta línea de investigación se fundamentan en la premisa de que existen reservorios de hidrocarburos que generan goteos y que serían detectados en el entorno superficial cercano, ya sea directamen-te como anomalías gaseosas o cambios en la composición de las rocas y suelos superficiales, o como variaciones en los tipos y vigor en la vegetación a lo largo de estas áreas de microfiltración. Como consecuencia, tales características po-drían analizarse mediante el empleo de imágenes de sensores remotos.


1.1 Revisión y análisis de antecedentes

Características espectrales de los hidrocarburos

Los primeros descubrimientos de filtracio-nes de gas de hidrocarburos fueron he-chos en Irán, entre 6000 y el 2000 a. C. En los últimos siglos, se han identificado filtraciones de hidrocarburos en todo el mundo y estas a su vez se han utilizado para encontrar petróleo o gas.

A continuación, en la Figura 1, se presenta un esquema general elabora-do por el servicio geológico de Estados Unidos, que muestra el ejemplo de un corte vertical a través de la corteza te-rrestre, dejando ver las capas de rocas sedimentarias plegadas y la presencia de petróleo y gas en la cresta de un pliegue bajo tierra. A veces las fugas de aceite forman afloramientos naturales de petróleo en la superficie de la tierra.

Autores como Bamel (1994) han en-contrado que las filtraciones de hi-drocarburos influyen en determinadas respuestas del suelo y en la vegetación. Los cambios más importantes en el sue-lo son los microbiológicos, la formación de nuevos minerales como la calcita, pirita y el uranio, el blanqueo de capas rojas, cambios electroquímicos y las anomalías de la radiación. En la vegeta-ción que crece cerca de filtraciones de hidrocarburos, se observaron cambios en la geobotánica, bioquímica y la re-flectancia. Estudios sobre la vegetación que crece cerca de fugas de tuberías de gas también revelaron cambios en la geobotánica y la reflexión.

Los hidrocarburos son compuestos for-mados por carbono (de 76 a 86%) e hi-drógeno (de 10 a 14%) que contienen cantidades combinadas de nitrógeno, oxígeno, azufre, hierro, níquel, vanadio y otros metales, en una mezcla comple-

99


ja de gases, líquidos y sólidos (Pemex, 1988; Wood, 1974, citados por Ortí-nez, 2003).

La aplicación de la percepción remota en la identificación de hidrocarburos también ha sido utilizada como herra-mienta para establecer los límites de las manchas de contaminación tanto en agua como en suelo. La identificación se ha realizado con sensores pasivos y activos, siendo estos últimos muy utili-zados en la identificación de derrames de crudo en mar.

Rendez (2009) realiza la siguiente des-cripción de utilización de imágenes de sensores remotos en la identificación de hidrocarburos:

Con respecto a la identificación con sensores pasivos, diversos estudios se han realizado por medio de al-goritmos de clasificación en imáge-nes Landsat (TM), SPOT o Quickbird (Bentz y Pellon, 2001; Alavi et al., 2006; Hese, 2006). Jha et al. (2008) hacen una amplia revisión del es-tado del arte relacionado con sen-sores remotos (pasivos y activos) y la identificación de hidrocarburos, especialmente en mar. Los estudios basados en sistemas hiperespec-trales han sido realizados princi-palmente en suelos afectados por derrames para la detección de fugas de gas y exploración de hidrocarbu-ros (Ellis et al., 2001; Salem et al., 2002; Polyakov, 2004; Noomen et al., 2005; Roper y Dutta, 2006; Xu et al., 2007). Lennon et al. (2005) combinaron la tecnología hiperes-pectral en combinación con LIDAR

fluorescente para lograr la detec-ción y caracterización de manchas de petróleo en el mar. Shippert (2004) y Jha et al. (2008) concluyen que la aplicación de la tecnología hiperespectral ha proporcionado suficiente resolución espectral para identificar pequeñas cantidades de material basado en hidrocarburos a través de las firmas espectrales.

En el estudio realizado por Ellis et al. (2001) se analizaron imágenes hipe-respectrales en conjunto con las firmas espectrales de suelos donde existen microfiltraciones de hidrocarburos al sur de California, y concluyen que los sensores tienen la suficiente resolución para poder detectar hidrocarburos que no estén excesivamente enmascarados o sean muy sutiles (Figura 2).

Figura 1. Esquema general de una oilseep, filtración natural de hidrocarburos, también conocidos como rezumaderos (USGS). http://walrus.wr.usgs.gov/seeps/what.html Der. Imágenes de rezumaderos existentes, cuenca sedimentaria Urabá ColombiaFuente: Universidad Nacional de Colombia, Agencia Nacional de Hidrocarburos (2008)

Figura 2. Ejemplo de localización de áreas de filtraciones naturales de hidrocarburos, con apoyo de imágenes hiperespectrales, Sensor CASI-2. Resolución espacial: 2 m, Rabbit lake, Canadá.Fuente: iiTech. Hyperspectral Mapping


Ellis et al. (2001) como Roper y Dutta (2006) coinciden en que existe una banda de fuerte absorción de hidrocar-buros alrededor de 2.31 μm. Roper y Dutta mencionan otra banda de fuerte absorción cercana a 1.73 μm, Salem et al. (2002) mencionan características de fuerte absorción alrededor de la banda de 0.67 μm para derrames de hidro-carburos crudos en agua, y consideran esta banda como un buen indicador para detectar altas concentraciones de hidrocarburos. Kuhn et al. (2004) pro-ponen la evaluación espectral de sue-los con hidrocarburos a partir de un índice con base en la banda 1.73 μm obteniendo resultados favorables en la discriminación entre suelos limpios y contaminados por hidrocarburos. Esta banda coincide en uno de los rangos que menciona Workman (1998), en la que por procesos vibracionales del en-lace C-H se presenta una característica de absorción.

a. Relación de hidrocarburos y reflectancia de la vegetación

Una alta concentración de gas en la tie-rra -ya sea por filtraciones naturales de hidrocarburos o fugas de oleoductos- afecta la reflexión de la vegetación. Sin embargo, el mecanismo exacto que es responsable de los cambios en la reflec-tividad no se conoce.

Otra causa para el cambio en los es-pectros de las plantas que crecen cer-ca de una filtración de hidrocarburos puede ser el propio gas. La reflectan-cia de las plantas estresadas, con fre-cuencia muestra una reflectancia alta en la región visible, baja reflectancia en el infrarrojo cercano y un cambio de la posición hacia longitudes de ondas cortas. Sin embargo, la reflectancia de las plantas que se ven afectadas por el gas no siempre sigue este patrón. En algunas investigaciones, la reflectancia en las regiones del visible e infrarrojo cercano fue mayor, en otros fue infe-rior. El objetivo de la investigación de Noomen (2003) es averiguar qué cam-bios se producen en el espectro de las plantas como consecuencia de las filtra-ciones de gas, tanto en el visible como en la región del infrarrojo; así mismo, averiguar la causa de estos cambios.

b. Índice de Hidrocarburos (HI)

Este es un índice desarrollado emplean-do datos e imágenes hiperespectrales. Kuhn y Opperman (2003) hacen refe-rencia a estudios que han demostrado que las firmas espectrales de los mate-riales con presencia de hidrocarburos se caracterizan por rasgos significativos como la absorción entre 1,73 y 2,31 mm. Muchos otros materiales también muestran características de absorción

Figura 3.Curvas espectrales de plástico y arena

contaminada con hidrocarburos

Se observan significativos

valores de absorción alrededor

de los 1.7 µm.Fuente: Hydrocarbon

Index. Kuhn-Opperman (2003)

2.4

2.2

2

1.8

1.6

1.4

1.2

1

0.8

0.6

0.4

0.2

0

Rad

ian

ce

(W

cm

nm

sr)

µ-2

-1-1

1.400 1.600 1.800 2.000 2.200 2.400 2.600

Wavelength (nm)

101


en longitudes de onda en el intervalo de 2,0 a 2,5 mm, dando una respuesta desigual en las firmas espectrales.

Un Índice de Hidrocarburos (HI) fue de-sarrollado y probado para la detección directa de hidrocarburos. El HI transfor-ma los datos multiespectrales en una imagen de banda única, que muestra la distribución de los hidrocarburos en la superficie del suelo. El HI aprovecha las diferencias de reflexión en torno a la función de 1,73 mm que presentan los hidrocarburos. Los valores de HI se pueden calcular fácilmente a partir de datos de radiancia y reflectancia regis-trados por escáneres hiperespectrales.

Geobotánica-sensores remotos y la exploración de recursos mineroenergéticos

La geobotánica, de acuerdo con Oyar-zun (2010), estudia las múltiples rela-ciones existentes entre el sustrato en que crecen las plantas y su desarrollo. A continuación se relacionan algunas de las investigaciones que han involucrado en forma integrada las técnicas propias de la teledetección y la geobotánica en la búsqueda de recursos minerales.

a. Geobotánica y lineamientos de análisis de imágenes satelitales Landsat para microfiltraciones del hidrocarburos

En un área piloto en Virginia occiden-tal se estudió el uso de sensores remo-tos y datos de campo, en el conocido campo petrolero, en Wood, Pleasants y los condados de Ritchie, zona de fil-traciones de hidrocarburos en el siglo pasado. El examen de imágenes multi-temporales Landsat Thematic Mapper ha demostrado poca diferencia entre los bosques que cubren las reservas de hidrocarburos en comparación con las zonas de fondo, con la excepción de una imagen en el otoño temprano.

Las imágenes fueron mejoradas me-diante una transformación espectral que maximiza el contraste entre las zonas anómalas y el fondo. Un estu-dio de campo de la química del gas del suelo mostró que la concentración de hidrocarburos es generalmente más alta en la región anómala. Se realiza-ron mediciones espectrales de campo periódicamente durante todo el verano y principios del otoño para investigar el origen de la reflectancia espectral anó-mala. Las mediciones se realizaron con un completo espectro-radiómetro de gama alta (400 nm a 2500 nm) en un número de diferentes especies. Los re-sultados apoyan la conclusión de que a principios del otoño aumenta la reflec-tancia espectral en el infrarrojo medio y cercano infrarrojo en las regiones del espectro anómalo.

b. Imágenes hiperespectrales en el análisis de filtraciones de hidrocarburos en el sur de California

El estudio cooperativo de investigación y desarrollo iniciado por HJW Geospa-tial Inc. (HJW) y The Geosat Committee Inc. (Geosat) en el año 2000 fue diseñado para medir con tecnología hiperespec-tral diferentes materiales asociados con filtraciones de petróleo en tierra y suelos impactados por el petróleo en el sur de California. Los objetivos del estudio fueron determinar las características espectrales de los suelos impactados por filtraciones, construir una bibliote-ca espectral que hiciera el proceso de


detección más rápido y generar firmas espectrales confiables.

c. Caracterización de microfiltraciones de hidrocarburos en la Cuenca Tuscano (Brasil) a través de clasificaciones de imágenes hiperespectrales, y análisis de redes neuronales

Este proyecto sobre la caracterización de microfiltraciones de hidrocarburos en el norte de la cuenca Tuscano (es-tado de Bahía [Brasil]) se realizó utili-zando análisis geoestadísticos de datos geoquímicos obtenidos a partir de muestras de suelo y procesamiento digital de imágenes ETM / Landsat 7 y ASTER. Se elaboró un modelo teórico para la detección de anomalías de gas asociadas a filtraciones, que coincidie-ron con una serie de expresiones super-ficiales, tales como el blanqueamiento de los suelos y rocas (es decir, la reduc-ción de Fe3 a Fe2), marcadores de geo-botánica y el desarrollo de las arcillas (caolinita) y carbonatos (siderita). Estas evidencias indirectas fueron empleadas para datos de sensores remotos y téc-nicas de extracción de información, a fin de ubicar los sitios más favorables donde se presentan filtraciones de hi-drocarburos en la cuenca de Tuscano. Los datos de ETM fueron procesados con las técnicas de pseudorelación, una adaptación del clásico análisis de com-ponentes principales. Los datos ASTER se procesaron con el Espectral Mapper Angle y la mezcla de técnicas de filtra-do, que se utilizan comúnmente para el tratamiento de los datos hiperespectra-les, aunque adaptado aquí para estos conjuntos de datos multiespectrales.

Además, los datos ASTER se clasificaron mediante tres sistemas diferentes de re-des neuronales (Fuzzy Clustering, Radial Base Functional y Red Neuronal Proba-bilística). Los resultados mostraron que algunos de los sitios predichos median-te el modelo de detecciones aplicadas

tienen correspondencia con las anoma-lías geoquímicas conocidas. Otros sitios con características similares para los que no se disponía de datos geoquími-cos se revelaron también. Estos sitios se toman como nuevos blancos potencia-les para la presencia de filtraciones y re-servorios. La investigación demostró el excelente potencial de los datos ASTER y metodologías espectrales-espaciales de bajo costo, para la exploración de hidrocarburos en superficie en Brasil.

d. Exploración de hidrocarburos en cuenca Foz Amazonas [Brasil]

Se utilizaron imágenes RADARSAT- 1 para identificar las manchas de filtra-ciones en la cuenca de Foz del Amazo-nas, una de las áreas más prometedoras para la exploración de petróleo y gas en el margen ecuatorial de Brasil, región cubierta de nubes la mayor parte de del año. Un algoritmo clasificador de textura se utilizó para mejorar la iden-tificación de zonas de textura suave y de baja retro dispersión, con el objetivo de detectar manchas producto de filtra-ciones. La información complementaria relacionada con la temperatura superfi-cial del mar, tope nuboso de tempera-tura, velocidad del viento y de modelos para el régimen de mareas fue obtenida de fecha próxima a la adquisición de la imagen.

Teniendo en cuenta la influencia de las condiciones oceanográficas y ambien-tales sobre la deriva de las manchas de filtraciones interpretadas, se com-pararon espacialmente con la infor-mación geológica disponible, incluidos los productos derivados sísmica estruc-tural, mapas isopacas, y los datos ba-timétricos. Varias de las manchas de filtraciones se detectaron en un área de dominio estructural de fallas. La detec-ción permitiría no solo análisis de de-rrames hidrocarburos, también podría constituirse en evidencia adicional so-bre la generación actual y los fenóme-nos migratorios de hidrocarburos.

103


Los resultados indican que la integra-ción de sensores remotos a estos análi-sis es una forma rápida para identificar las filtraciones naturales de petróleo en altamar, en relación con los sistemas petroleros activos, y para apoyar la ex-ploración en zonas fronterizas como la cuenca Foz del Amazonas.

2. Avances en el análisis de firmas polarimétricas en áreas de rezumaderos de hidrocarburos

En el año 2010 el CIAF exploró el uso de datos de radar para la detección de filtraciones de hidrocarburos (rezuma-deros) asociadas a cambios en la co-bertura vegetal. Se hizo énfasis en la aplicación de técnicas de polarimetría de radar, específicamente en la genera-ción y análisis de firmas polarimétricas.

Aunque la mayoría de investigaciones sobre aplicaciones para la detección de manchas de hidrocarburos con pro-cesamiento de imágenes de Radar de Apertura Sintética (SAR) se han reali-zado en áreas de mar abierto (Figuras 4 y 5), aplicando procesos como filtros de reducción de ruido, análisis textura-les y segmentación, en áreas on shore no se conocen trabajos realizados que permitan asociar cambios estructurales y morfológicos de la vegetación em-pleando como insumos imágenes de radar (interacción radar-vegetación).

De acuerdo con la información recopi-lada, dentro del área de estudio (Figura 6) existen diferentes tipos de rezuma-dero de hidrocarburos. A continuación se describen algunos identificados me-diante recorridos de campo, según el estudio realizado por la Universidad Nacional de Colombia para la ANH , proyecto “Cartografía geológica y mo-delamiento estructural de las cuencas de Urabá y Sinú-San Jacinto, a partir de la interpretación de imágenes de

Figura 5 (abajo). Imagen de radar ERS-1, muestra filtraciones naturales de petróleo en el canal de Santa Bárbara de Coal Oil Point California,13 de enero de 1996 Fuente: NASA (la interpretación y la leyenda, fuente de la imagen: ESA)

Figura 4 (tetráptico superior). Filtraciones de hidrocarburos, Turquía, mar Negro, área outshore, ciudad de Rize. Imágenes de ENVISAT 2003, 2005, 2006 and 2008 (ESA) Fuente: Geoconnexion


Figura 6. Sup. Localización

área de estudio y cubrimiento de imágenes

Radarsat-2 empleadas. Inf. Localización de

rezumaderos (filtraciones) en el

país, detalle dentro del área de estudio

a. Datos empleados

Las imágenes empleadas son producto del sensor Radarsat-2, de múltiple po-larización (HH, VV, HV, VH), modo fino, de fecha febrero de 2009. La informa-ción de rezumaderos fue suministrada por la ANH en una capa en formato shape, donde las manifestaciones se encuentran georreferenciadas.

sensores remotos y monitoreo sísmico” (2008). Se reportan manifestaciones de rezumaderos de hidrocarburos en in-mediaciones de San Pedro de Urabá, el volcán de lodo Cerro de los Aburridos y las veredas del Ají y La Rula. Al occiden-te de Valencia, se encuentra un tercer rezumadero de petróleo, adyacente a la vía que desde San Pedro de Urabá con-duce a esta población.

105


Es importante indicar que también fue necesario un conocimiento previo de la zona con respecto a sus características biofísicas.

b. Metodología

En este caso se realizó interpretación visual y procesamiento digital de imá-genes. Se diseñó una metodología que consistió en la adquisición y recepción de las imágenes y la transformación de la información para su procesamiento en los softwares elegidos para este fin; se realizaron actividades de interpreta-

ción y evaluación de dichas imágenes de manera visual y procesos digitales para validar los productos Radarsat-2 y realizar una clasificación supervisa-da, estableciendo el tipo de cobertura presente, y finalmente aplicar técnicas que permitieran la extracción de firmas polarimétricas.

Para la generación de firmas se emplearon los programas de versión libre (POLSAR-PRO) y demos (ENVI - SarScape). Los dos softwares utilizados tienen módulos para el procesamiento de radar polimétrico, in-terferométrico y polarimétrico-interfero-métrico.

Figura 7. Componentes firma polarimétrica Fuente: Natural Resources Canadá

Figura 8. Ejemplos firmas polarimétricas (vista de planta). Izq. Copolarización. Der. Polarización cruzada. Fuente: User Guide – ITT- ENVI

O: OrientaciónP: PotenciaE: Ángulo de Elipticidad

Figura 7

Figura 8


Generación de firmas polarimétricas

Permite describir las propiedades polari-métricas de los datos y son representacio-nes tridimensionales de las características de dispersión de la superficie para cada punto o promedio de puntos. De acuerdo con Natural Resources Canadá (2005), dan respuesta dispersiva para todas las combinaciones de polarización en trans-misión y recepción, y es representada por la intensidad de las ondas de la co-polarización y la polarización cruzada, calculada para todos los posibles esta-dos, y parametrizada por la apertura de la elipse de la polarización y la orien-tación. Las firmas copolarizadas tienen la misma polarización en transmisión y recepción y las firmas de polarización cruzada tienen polarizaciones en trans-misión y recepción ortogonales entre sí.

Los tres elementos básicos que carac-terizan a una firma polarimétrica son (Figuras 7 y 8): potencia, orientación y elipticidad de la onda retrodispersada. La orientación se determina en el rango comprendido entre 0 a 180°, la eliptici-dad entre rango de –45° y +45°.

Para cada polarización incidente se puede calcular la potencia de la onda

transmitida y recibida en la misma po-larización (firma copolarizada) y la onda transmitida y recibida ortogonalmente (cross-polarizada).

Es importante indicar que el conoci-miento de la matriz de dispersión, es decir, de elementos complejos 2 x 2, donde los elementos diagonales son los términos (HH, VV) copolar, mientras que fuera de la diagonal se conocen como términos polarización cruzada (HV, VH), permite la estimación de la potencia recibida por cualquier combi-nación posible de antenas transmisoras y receptoras. Esta función proporciona una estimación de la firma de polariza-ción de un objeto en un punto. Por lo anterior, como información de entrada en la generación de firmas polarimétri-cas independiente del tipo de software de procesamiento empleado, se requie-ren las cuatro imágenes correspondien-tes a las polarizaciones HH, HV, VH, VV, características de una imagen quadpo-larization.

En este caso, la extracción y análisis de firmas polarimétricas se realizó en áreas muestra de diferentes tipos de cobertura, como áreas urbanas, culti-

Figura 9. Mosaico de

imágenes Radarsat-2,

localización de rezumaderos. Como puede

observarse, la mayoría de ellos

se encuentra en las zonas de

topografía elevada

107


CÓDIGO IMAGEN RESULTADO ORTORRECTIFICACION

RS2_OK4158_10

RS2_OK4158_6

RS2_OK4158_3

vos, pastizales, bosques, entre otros, y también de los puntos de rezumadero que se encuentran en áreas on shore localizados dentro del área de cubri-miento de las imágenes Radarsat-2 empleadas para esto. Una vez realiza-

Figura 10. Ortorrectificación de imágenes Radarsat-2 del área de estudioFuente: Elaboración propia

Figura 11. Ejemplos de firmas polarmétricas obtenidas en áreas de rezumaderos de hidrocarburos

das las etapas de preprocesamiento y análisis de cobertura vegetal, fue nece-sario determinar cuántos y qué tipo de rezumaderos identificados en el Mapa Nacional de Rezumaderos 2010, su-ministrado por la ANH, se encuentran


dentro del área de estudio, y así poder extraer las firmas polarimétricas en es-tas áreas. Sin embargo, para desarro-llar este procedimiento fue necesario realizar la ortorrectificación de las imá-genes, (Figuras 9 y 10).

Figura 12. Muestra de firmas

polarimétricas obtenidas

109


Aunque el procedimiento aplica-do se realizó para cada uno de los puntos de rezumadero, es necesario indicar que no todos son del mis-mo tipo. Además de generar estas firmas, se consideró necesario ge-nerar firmas de pixeles contiguos en diferentes direcciones con el objeti-vo de observar la existencia o no de variación en el comportamiento de las firmas. Un ejemplo se muestra en la Figura 11.

c. Resultados obtenidos de firmas polarimétricas

A continuación se presentan muestras de las firmas polarimétricas obtenidas.

Las firmas polarimétricas de diferentes clases de terreno pueden ser usadas para identificar la dispersión de la su-perficie, porque estas no son únicas y dos tipos de dispersiones pueden tener la misma firma polarimétrica, como pudo observarse en las firmas extraídas de los puntos 1, 3, 6 y 7. Las formas y los valores de estas firmas dependerán de la composición de los objetos pre-sentes en el terreno, porque para un mismo tipo de cobertura pueden ser muy variables, como se pudo observar en las firmas obtenidas (Woodhouse y Turner, 2003).

En los análisis de firmas polarimétri-cas, como rezumaderos, es necesario reconocer si la firma no se está viendo afectada por el relieve, la edad y estado de la vegetación. Los valores altos en el pedestal dan a entender que hay una variación significativa de las propieda-des de retrodispersión.

El tipo de firma polarimétrica extraída en los puntos de rezumadero y pixeles próximos corresponde en su mayoría a cilindro corto orientado y cilindro corto; sin embargo, existen dos excepciones, la primera en el punto número 4, don-de la firma no se asemeja a ninguna de tipo o modelo consultados, y el punto número 12, donde la respuesta en el

canal crosspol no corresponde a la fir-ma tipo del canal copol. Aún se debe continuar profundizando en la recopi-lación y análisis de firmas tipo existen-tes para continuar las comparaciones.

Conclusiones

Con respecto a la revisión y análisis de información de percepción remo-ta aplicada a la identificación y aná-lisis de filtraciones de hidrocarburos (rezumaderos), puede concluirse que las imágenes hiperespectrales son las que actualmente se están empleando en este tipo de análisis debido a su alta resolución espectral, que permite detectar la presencia de estas mani-festaciones, tanto por la presencia de afloramientos naturales como por los efectos en coberturas cercanas.

La cobertura vegetal de varios puntos de rezumadero presentó firmas polari-métricas y valores (parámetros de po-larización) muy diferentes comparados con la respuesta de la cobertura vegetal tanto de áreas contiguas (pixeles veci-nos) y de las diferentes muestras de fir-mas generales extraídas para el análisis de cobertura vegetal. Sin embargo, no se puede afirmar que dichas variacio-nes sean características indicativas o constituyan patrones de la presencia de filtraciones de hidrocarburos (rezuma-dero) existentes en la zona.

De acuerdo con el análisis de resulta-dos, cada tipo de cobertura vegetal puede presentar varios tipos de firmas, debido a diferentes factores, condición que implica profundizar en el análisis de cobertura vegetal en cuanto a su composición, estructura y morfología, su relación con las respuestas de re-trodispersión de la misma y su expre-sión en las firmas polarimétricas que se generan. Un ejemplo de esto es la cobertura de bosques, que de acuer-do con Dos Santos y Conçalves (2008) responderán según su composición, donde influye la estructura, cantidad


y disposición de las ramas, gaps de la vegetación, entre otras.

La mayoría de firmas polarimétricas ex-traídas de puntos y áreas próximas a la localización de rezumaderos corres-ponden a manifestaciones de petróleo y solo dos corresponden a volcanes. Según el mapa de rezumaderos de la ANH para profundizar en el comporta-


AKKARTAL. A, SUNAR F. The usage of radar images in oil spill Detection.The International Archi-ves of the Photogrammetry, Remote Sensing and Spatial Information Sciences.Vol. XXXVII. Part B8. Beijing, 2008.

ALMEIDA-R, MIRANDA P. et al. RADARSAT-1 images in support of petroleum exploration: the offshore Amazon river mouth example.

CHUANMIN HU, XIAOFENG LI. et al. Detection of natural oil slicks in the NW gulf of Mexi-co using MODIS Imagery. Geophysical research letters, vol. 36, l01604, doi: 10.1029/2008gl036119,2009.

CLOUTIS, E. et al. (1993), Spectral reflectance properties of carbon - Bearing materials.

DAVE H.D, et al. 2011, Detection of natural hydrocarbon seepages using SAR technology and associated subsurface studies in Offshore Mahanadi Basin for delineation of pos-sible areas of Hydrocarbon exploration, The 2nd South Asain Geoscience Con-ference and Exhibition,GEOIndia 2011, 12-14th Jan, 2011, Gearter Noida, New Delhi, India.

DEPARTAMENTO DE ENERGÍA DE ESTADOS UNIDOS, 1996. Integration of remotely-sensed geobota-nical and structural methods for hydrocarbon. Exploration in West-Central West Virgi-nia. Quarterly Report May 1 - July 31, 1996.

DEPARTAMENTO DE ENERGÍA DE ESTADOS UNIDOS, 2003. Geobotanical remote sensing applied to targeting new geothermal resource locations in the U.S. Basin and Range with a Focus on Dixie Meadows, NV.

DOS SANTOS J. R. & F. G. CONçALVES. 2008. Configuration of L-band polarimétrica signatures and scattering mechanism of forest targets in the Brazilian Amazon. The Interna-tional Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences.Vol XXXVII. Part B8.

HAACK, B. et al. 2000. Radar and optical data integration for Land-Use/Land-Cover Mapping.PhotogrammetricEngineering&RemoteSensing 66 (6): 709-716.

RESENDEZ, L. 2009, Análisis hiperespectral de suelos contaminados por hidrocarburos y pesticidas.

miento de las firmas polarimétricas en este campo, en el futuro es necesario separar las firmas por el tipo de rezu-madero presente, pues también existen de asfalto, impregnaciones y manchas, entre otros, que pueden sumarse a la serie de factores que implican variacio-nes en los parámetros de polarización de un tipo de cobertura.

111


IGAC, CENTRO INTERNACIONAL DE FÍSICA (CIF), COLCIENCIAS, 2009. Evaluación del software disponible para el procesamiento digital de imágenes de radar. Proyecto de in-vestigación en desarrollo satelital y aplicaciones en el tema de observación de la tierra. Convenio Instituto Geográfico Agustín Codazzi –IGAC Centro Internacional de Física (CIF) Colciencias 25 pp.

IGAC-CIF-COLCIENCIAS. 2009. Estado del arte de las metodologías para el procesamiento de imágenes de Radar de Apertura Sintética (SAR). Proyecto de investigación en desarrollo satelital y aplicaciones en el tema de observación de la tierra. Convenio Instituto Geográfico Agustín Codazzi (IGAC). Centro Internacional de Física (CIF) Colciencias.

LAVALLE M., 2008. Introduction to radar polarimetry. European Space Agency. Lee, Jong-sen& Eric Potter. 2009. Polarimetric radar imaging, from basics to applications. CRC Press.Taylor and Francis Group. 440 pp.

NATURAL RESOURCES CANADA, 2005. Advanced radar polarimetry tutorial. 97 pp. http://ccrs.nrcan.gc.ca/resource/tutor/polarim/pdf/polarim_e.pdf.

NOOMEN M, SKIDMORE A., 2003. Detecting the influence of gas seepage on vegetation, using hyperspectral remote sensing.

OPPERMANN, K. KHUN F., 2004. Hydrocarbon index an algorithm for hyperespectral detection of hydrocarbons. Federal Institute for Geoscencies and Natural resources (BGR).

PICKLES, W., 2002. Geobotanical remote sensing techniques for natural gas transmission infras-tructure systems using advanced hyperspectral, multispectral, and radar imaging.

POSADA, E., 2007. Centro de Investigación y Desarrollo en Información Geográfica (CIAF). Con-ceptos básicos del radar. Estado del arte sobre proyecto SOAR. Mda Geospatial Services INC – IGAC. Evaluación de datos de Radarsat-2 para mapeo y monitoreo de cultivos de arroz. Bogotá D. C. 2007. 57 pp.

SCHMULLIUS CHRISTIANA. Forest. September 5, 2007. Lecture D3L2. Advanced training course on Land Remote Sensing.ESA.

VAN ZYL, J.J., H. ZEBKER and C. ELACHI, 1987: “Imaging radar polarization signatures: Theory and application”. Radio Science, vol. 22, No. 4, pp. 529-543.

WINKELMANN, K., 2005. On the applicability of imaging spectrometry for the detection and investigation of contaminated sites with particular consideration given to the detection of fuel hydrocarbon contaminants in soil.

WOODHOUSE I. H & D. TURNER, 2003. On the visualization of polarimetric response. Interna-tional Journal of Remote Sensing Vol. 24 No. 6: 1377-1384.

2 Consideraciones en la seleccion de imágenes satelitales para los estudios ambientales7 Uso de herramientas tecnológicas para evaluación de áreas homogéneas de tierras con fines catastrales

terpolación, insumo básico del clima y en la inter-pretación de imágenes satelitales de alta resolución para evaluar características de las tierras desfavora-bles que no son detectables por condiciones difíciles de la zona o a simple vista. Para este propósito se presentan al final del documento algunos casos es-peciales en diferentes municipios y la manera como se evalúan las variables consideradas utilizando me-todología digital.

Palabras clavesÁreas Homogéneas de Tierras, modelos digitales de elevación, procesamiento de imágenes de satélite.

1 IGAC, Subdirección de Agrología, Ingeniera Agrícola, Candida-ta a Máster en Geomática, Universidad Nacional de Colombia. [email protected]

2 IGAC, Subdirección de Agrología, Agrólogo, Profesor Universi-dad Nacional de Colombia. [email protected] the land.

Resumen La formación o actualización catastral de los munici-pios en su parte rural está en función de varios pará-metros, uno de los más importantes está relacionado con la calidad de las tierras.

El Instituto Geográfico Agustín Codazzi (IGAC) ha desarrollado una metodología que permite de ma-nera ágil pero confiable determinar la capacidad pro-ductiva de las tierras. El sistema combina variables cuantificables que definen valores potenciales que están relacionados con la calidad de las tierras; no obstante, dado el número de municipios que posee el país, ha sido necesario incorporar nuevas herra-mientas tecnológicas.

En este artículo se presentan los procedimientos metodológicos que lleva a cabo la Subdirección de Agrología del IGAC, para el aprovechamiento de información digital y la utilización de distintas he-rramientas geomáticas y técnicas de análisis e inter-pretación espaciales, para elaborar o actualizar las Áreas Homogéneas de Tierras (AHT) con fines catas-trales en forma estructurada, rápida y objetiva, bajo los mismos lineamientos de la metodología conven-cional.

La metodología digital para este propósito se basa fundamentalmente en el uso de los modelos digita-les de elevación, variables topográficas, hidrológicas y climáticas derivadas de ellos; generación de mapas tipo raster de precipitación, mediante técnicas de in-

Uso de herramientas tecnológicas para evaluación de áreas homogéneas de tierras con fines catastrales

Nancy Leiva Gutiérrez1, Napoleón Ordóñez Delgado2


Use of technological tools for land homogeneous

areas evaluation for cadastral purposes

Abstract The training or cadastral municipalities in rural part is based on several parameters, one of the most important is related to the quality of land, for this reason the IGAC has developed a methodology for fast but relia-ble way to determine productive capacity of

The system combines measurable variables that define potential values which are di-rectly related to land quality, however given the number of municipalities that the coun-try has it has been necessary to incorporate new technological tools in this article pre-sents the methodological procedures that currently performed Branch Agrology IGAC, for the use of digital information and the use of different tools and analysis techni-ques geomatics and spatial interpretation, in order to develop or update Homoge-

neous Land Areas (AHT) for the purpose cadastral structured, fast and objective, under the same guidelines of conventional methodology.

The digital method for this purpose is based fundamentally on the use of digital elevation models, topographic variables, hydrological and climatic derived from them, generation of raster maps of precipitation by interpola-tion techniques, climate and basic input in the interpretation of high-resolution satellite images to assess unfavorable characteristics of the land that are not detectable by diffi-cult conditions in the area or the view For this purpose, presented at the end of the paper some special cases in different mu-nicipalities and assessing how the variables considered using digital methods.

Key words Homogeneous land areas, digital eleva-tion models, Satellite images processing.

Introducción

115


Una de las aplicaciones multidisciplina-rias del inventario de suelos en el país es la evaluación e identificación de la capacidad productiva de las tierras con fines catastrales.

La metodología de valoración de tierras para catastro ha venido evolucionando, mediante la aplicación y confrontación de métodos tendientes a perfeccionarla en forma objetiva. Desde la década de los 40 se vislumbró el potencial de apli-cación de los levantamientos de suelos como insumo básico para determinar el avalúo catastral de los predios rurales; desde ese entonces hasta la fecha, tan-to la formulación como la aplicación de las metodologías han evolucionado, se han definido las variables agronómi-cas, topográficas y climáticas que influ-yen en el valor potencial de las tierras.

Por otro lado, las técnicas análogas de transferencia y fotointerpretación han sido complementadas por sistemas computarizados que ayudan a reali-zar delineaciones más precisas. Estas técnicas incluyen el uso de los mode-los digitales de elevación y mapas de-rivados, como pendientes, imágenes satelitales y productos obtenidos por procesamiento digital como índices de vegetación, componentes principales, e incluso firmas espectrales, los cuales ayudan de gran manera a establecer espacios homogéneos fundamentales para la valoración biofísica de las tie-rras, con el objetivo de satisfacer de gran manera la necesidad urgente de información requerida para apoyar los procesos de formación y actualización catastral a nivel rural.

Los procesos dinámicos que afectan la geografía nacional producto de las altas precipitaciones provocadas por el Fenómeno de La Niña que conlle-van en la parte plana inundaciones y en las zonas de ladera remociones en masa hacen que grandes áreas sufran modificaciones en las características de las tierras y por ende en su capacidad productiva; sin embargo, productos de sensores remotos, especialmente

imágenes satelitales recientes de alta resolución, han permitido espacializar estos fenómenos, con ayuda de pro-ductos derivados de modelos de ele-vación, siendo, sin duda, herramientas fundamentales para producir mapas temáticos sobre la capacidad produc-tiva de las tierras.

En este sentido este artículo busca ex-plicar las variables que influyen en la capacidad productiva de las tierras y, por otra parte, resaltar el beneficio de procedimientos digitales para realizar delineaciones biofísicas de Áreas Ho-mogéneas de Tierras con fines catas-trales.

1. Importancia de la información edafológica en los procesos catastrales rurales

El suelo es la fina capa de material fértil que recubre la superficie de la Tierra; desde el punto de vista científico, el suelo constituye el objeto de estudio de la Edafología, definido como “Un ente natural organizado e independiente, con unos constituyentes, propiedades y génesis que son el resultado de la ac-tuación de una serie de factores activos (clima, organismos, relieve) sobre un material pasivo (la roca madre), a través de un factor condicionante: el tiempo”.

Para algunos autores el suelo es un recurso natural muy difícil de renovar: se estima que la formación de 2.5 cm de suelo tarda en llevarse a cabo has-ta 500 años (García, 2009). Los suelos con escasas limitaciones y aptos para la agricultura son finitos, no renovables a la escala de la vida humana, desigual-mente distribuidos en el mundo y pro-pensos a sufrir diferentes procesos de degradación por malas prácticas de uso y manejo (Lal, 2001).

Doran et al., 1999, argumentan que el suelo es un recurso no renovable, diná-


mico y viviente, cuya condición es vital para el balance global y la función de los ecosistemas naturales, seminatura-les o agroecosistemas; el espesor del solum (horizontes A y B), está directa-mente relacionado con la edad de los mismos hasta que alcanzan su estabi-lización.

Por otro lado, el suelo forma parte del componente tierras, términos que al-gunas veces se tratan como sinónimos, pero cuyas definiciones son bien con-cretas: el término suelo definido en el primer párrafo y el concepto de tierra, el que utiliza la FAO, el más conocido, difundido y aplicado (citado por IGAC, 2010), concebido como la “Zona de la superficie del planeta cuyas carac-terísticas abarcan todos los atributos estables o predeciblemente cíclicos de la biósfera, verticalmente por encima y por debajo de esta zona, incluidos la atmósfera, el suelo, la geología, la hi-drología, población vegetal y animal y los resultados de la actividad humana pasada y presente, en la amplitud en que estos atributos ejerzan una influen-cia significativa sobre los usos presen-tes y futuros”

En la Figura 1 se establecen los compo-nentes básicos de la unidad de tierra.

Para conocer la capacidad productiva de las tierras son fundamentales los estudios de suelos que de acuerdo con lo enunciado por Dent y Young (1981), “Su propósito práctico es hacer predic-

ciones más numerosas, más precisas y más útiles para fines específicos; por lo tanto, el levantamiento de suelos debe ser utilitario, en el cual el suelo es ma-peado con más de un propósito y no como un objeto de estudio científico”; de ahí que el estudio deba conside-rar especificaciones coherentes con la demanda. Por eso, de estos estudios multipropósitos se toman cualidades y características que definen la capacidad productiva de las tierras. Como la ma-yoría de estudios se realizan a escalas generales 1:100 000, deben adaptar-se por medio de fotointerpretación, análisis de modelos digitales, mapas de unidades climáticas y expresar su potencialidad a escala 1:25 000, que constituye un nivel de detalle adecuado para la planificación territorial a nivel municipal y en este caso, con propósi-tos catastrales.

A continuación se describen somera-mente las variables por considerar en la capacidad productiva de las tierras con fines catastrales.

2. Variables biofísicas que influyen en la capacidad productiva de las tierras

En los siguientes párrafos se descri-birán los elementos más importantes que consigna la metodología vigente, que se encuentra en su tercera versión

Figura 1. El suelo como

componente básico del recurso Tierra

Fuente: Ordóñez, 2011.

SuelosSuelos

Tierra Mapa de suelos (tierras)

Geoformas

Organismos

Fact. Formadores

RepresentaciónCartográfica

Al cambiar factorescambian los suelos

- Clasificaciones adaptadasal país

Leyenda

Geomorfología Suelo

fasesG C S

GCS

GCS

Símbolo

Clima

M.P.

Clim

a

f

e

117


dentro del sistema de gestión de cali-dad del IGAC, cuyo esquema general de análisis se sintetiza en la Figura 2. La información temática resultante de este proceso se consigna en cartografía básica a escala 1:25 000.

En primer lugar, las Áreas Homogé-neas de Tierras (AHT) se definen como espacios de la superficie terrestre que presentan características y/o cualidades similares en cuanto a las condiciones de clima, relieve, material litológico o depósitos superficiales y de suelos, que expresan la capacidad productiva de las tierras. Esta característica se indica mediante un valor numérico denomi-nado Valor Potencial (VP), que se eva-lúa en una escala de 1 a 100 puntos y se calcula con base en la identifica-ción y calificación de siete variables, cinco relacionadas con las condiciones agronómicas de los suelos y dos con su entorno, específicamente vinculadas al clima y al relieve.

1. Condiciones agronómicas

Se determinaron cinco de las cualidades de los suelos descritas y analizadas du-rante un levantamiento de suelos, que tienen una notable y estrecha relación con la posibilidad de que estos cedan nu-trientes a las plantas y puedan presentar

un mayor nivel o capacidad productiva; son ellas: la textura de la capa arable, la profundidad efectiva, la apreciación tex-tural del perfil de suelo, el drenaje y la fertilidad natural de los suelos.

• Textura de la capa arable

La textura de la capa arable determina la posibilidad y facilidad de mecaniza-ción del suelo y una relación directa con la posibilidad de aireación, per-meabilidad, infiltración e incluso sus-ceptibilidad de deterioro por causa de la erosión del suelo. De manera lógica, se asignan valores altos aquellas textu-ras proporcionalmente más favorables (francas) en contraste con las más res-trictivas para los cultivos y plantaciones

Figura 2. Procedimiento por seguir para la elaboración de Áreas Homogéneas de Tierras con fines catastrales. Fuente: Ordóñez, 2011.

Recopilación de:Estudio de suelos

DEM, Mapas deriv. Cálculo devalorespotenciales

Delineaciones de AHT

AjusteComprobación de campo

Cartografía

Mapa Leyenda

Leyenda

Datos de laboratorio

Fotos 1:50 000

Fotos 1:25 000

ClimaBalances

Mapas

Fase I Fase III

Fase V Fase IV

Fase II

Figura 3. Variable textura de la capa arable. Fuente: Ordóñez, 2011.


ble considerar la apreciación textural del perfil de suelo, ya que la mayoría de las raíces de las plantas alcanzan profundidades superiores a los 25 cm, con lo que se hace necesario conocer la capacidad de infiltración y el nivel de aireación en las diferentes capas u horizontes de suelo. Al igual que con la primera variable, las texturas medias tendrán un valor más alto en contraste con aquellas muy gruesas e incluso las muy finas. En la Figura 5 se muestra la valoración con respecto a la apreciación textural del perfil.

Gran importancia cobra también la va-loración del drenaje natural de los sue-los, variable que ayuda a interpretar la capacidad de las tierras para adaptar cultivos y plantaciones forestales. Es de resaltar que en ese sentido lógicamente

(gruesas y muy finas). La valoración se observa en la Figura 3.

Indudablemente, la profundización de las raíces de las plantas juega un pa-pel determinante en la posibilidad de establecer usos agrícolas o forestales en un predio, finca o sector determinado; por eso, tomando como consideración la profundidad en centímetros hasta la que pueden acceder las raíces de las plantas, se identifican cinco categorías, considerando los valores más altos para aquellos suelos sin restricciones (pro-fundos y muy profundos) y reduciendo los valores a medida que estas aumen-tan, tal como se aprecia en la Figura 4.

No obstante, al valorarse la textura de la capa arable como característica in-dependiente, es igualmente destaca-

Figura 4. Variable profundidad efectiva de los suelos

Fuente: Ordóñez, 2011

Figura 5. Variable apreciación

textural del perfil de suelo. Fuente: Ordóñez, 2011.

119


existirá un mayor puntaje para aquellos suelos bien drenados y que los exce-sos y dificultades que presente el suelo para movilizar el agua en su superficie y a profundidad serán calificados con puntajes muy bajos. Ver valoración en la Figura 6.

De igual forma, dentro de las variables agronómicas analizadas se toma en cuenta la fertilidad o capacidad natural de los suelos para ceder los nutrientes a las plantas. Esta se aborda teniendo en cuenta propiedades químicas de los suelos cuya cuantificación se ob-tiene por medio de marchas analíticas de laboratorio, tales como el pH, la sa-turación de aluminio, la capacidad de intercambio catiónico, la suma y por-centaje de las bases del suelo y los con-

tenidos de carbón orgánico, fósforo y potasio.

Una vez cuantificada la fertilidad natu-ral del suelo, se determinan unos nive-les para establecer su calificación y se procede a valorarla en términos de pro-ductividad, entendiendo que los niveles más altos de fertilidad se asociarán a su vez con altos valores de su capacidad productiva. Figura 7.

Condiciones climáticas y de relieve

Valoradas las condiciones agronómicas de los suelos, se procede a hacer con-sideraciones sobre el clima ambiental, interpretado con base en la combina-ción de las condiciones altitudinales y las provincias de humedad de la zona

Figura 6. Variable drenaje natural.Fuente: Ordóñez, 2011.

Figura 7. Variable fertilidad natural de los suelos. Fuente: Ordóñez, 2011.

FT=(0,7 F1--0,3 F2)KFertilidad en suelos normales:

FT= fertilidad totalF1= fertilidad 0-25 cmF2= fertilidad 25-50 cmk=0,285

donde

0

25

50

F1

F2

Rangos Calificación Puntos

> 8.5

8.4-6.8

6.7-5.2

5.1-3.8

> 3.7

Muy alta

Alta

Moderada

Baja

Muy baja

10

8

6

4

2

RANGOPUNTAJE

RANGOPUNTAJE

RANGOPUNTAJE

RANGOPUNTAJE

RANGOPUNTAJE

RANGOPUNTAJE

RANGOPUNTAJE

RANGOPUNTAJE

RANGOPUNTAJE

RANGOPUNTAJE

pHAgus 1:1

SATURACIÓN DEALUMINIOS

CAPACIDAD DE CAMBIOme/10DgAcetato1NpH7

BASES

% CARBÓNORGÁNICO

FOSFOROppmBRAYII

POTASIOme/200g

CLIMAFRIO

CLIMAMEDIO

CLIMACALIDO

PORCENTAJESATURACIÓN

TOTALESME/200g

<4.6<8.51

4.6-5.0.7.9-8.42

6.1-6.7.4-7.83

29-153

11-153

38-501,5

8.1-121,5

2.7-4.0.0.8.1-103

1.8-2.9.6.5-7.83

0.51-73

21-303

0.21-0.33

0.31-0.44

>0.45

31-404

>0.45

1.72-2.94

>305

3.0-4.1.5.46.54

4.2-6.35

4.1-5.2.8.0-884

5.3-8.56

12.1-162.0

>162,5

51-702.0

>702,5

16-204

>205

14-64

>65

6.6.6.04

6.1-7.35

60-302

5-102

10-351,0

4-81,0

1.4-2.8>202

0.6-1.7>7.62

0.2-0.52

10-202

0.1-0.22

>603

<51

<300,5

<40,6

<1.31

<0.51

<0.21

<101

<0.11

Tabla de evaluación de la fertilidad de los suelos


estudiada. Así, se puede establecer que los climas ambientales medio húmedo, frío húmedo y cálido húmedo presen-tan unos valores notablemente más altos, dada la favorabilidad de produc-ción en ellos, en contraste con los valo-res registrados para los climas secos y desérticos y aquellos de altitudes extre-madamente mayores.

Finalmente, se hace una corrección al rango de pendientes en el que se han identificado las geoformas correspon-dientes a la unidad cartográfica de Áreas Homogéneas de Tierras. Para tal fin se manejan rangos porcentuales de pendiente, identificados con letras desde la a hasta la g, apreciable en la Figura 8.

Son importantes también algunas con-diciones que se manifiestan en el te-rreno como netamente adversas, son ellas la pedregosidad superficial o la presencia de afloramientos rocosos, la erosión, la salinidad o sodicidad, la velocidad del viento, la frecuencia de heladas, los deslizamientos, las inun-daciones y los encharcamientos, que se manejan descontando puntaje al valor inicialmente obtenido.

Hechos los cálculos correspondientes se procede a verificar en campo las varia-bles analizadas, procurando constatar la realidad en el terreno. Cada una de las delineaciones de AHT procede de una interpretación de las fotografías aéreas de la zona estudiada, material posterior-mente transferido a cartografía básica de escala 1:25 000. Actualmente, gran parte de las interpretaciones se hacen de forma digital, aspecto para tratar deta-lladamente en el numeral siguiente.

Calculados los valores potenciales, confirmadas las variables en el campo, transferida la información a las plan-chas básicas 1:25 000 y obtenido el mapa, se procede a la elaboración de la memoria explicativa de este, la cual contendrá información resumida de las características identificadas y a su vez cualificará las unidades de AHT con base en su capacidad productiva, tal como se aprecia en la Figura 9.

Las clases de tierras según el valor po-tencial calculado son trece, desde la ex-celente (01) hasta la improductiva (13); cada una de ellas expresa un rango de valores, pero se identifica con uno es-pecífico. Para facilitar su manejo e inter-pretación, se han estandarizado unos colores por cada una de las clases.

Estimación de las variables temáticas mediante ayudas tecnológicas

El auge de los Sistemas de Información Geográfica (SIG) ha permitido hacer uso de diferente tipo de información

Figura 8. Rangos porcentuales

de pendientes utilizados para los

ajustes del valor potencial .


Clasificación de pendientes

Histograma de pendientesPendientes

0-3

3-7

7-12

12-25

25-50

50-75

>75

%

0

500

1000

15002000

2500

3000

3500

4000

Figura 9. Apreciación de la

capacidad productiva de las tierras para

identificar AHT con fines catastrales.


Clases de tierrassegun el valor potencial (VP)

Clasesímbolo

ApreciaciónRangos (vp)sobre 100

puntos

No. paraexpresarel rango

Color

85-100

77-84

70-76

64-69

59-63

53-83

47-52

41-46

95-40

27-34

19-26

11-18

11

92

80

73

67

61

55

49

44

38

30

23

17

6

01

02

03

04

05

06

07

08

09

10

11

12

13

Excelencia

Muy buena

Buena

Moderadamente buena

Moderadamente buenaa medianaMediana

Medianamente regular

Regular

Regular a mala

Mala

Mala a muy mala

Muy mala

Improductiva

121


espacial, donde se puede observar y analizar las interacciones de los factores que intervienen en una región y llegar a determinar las causas de su dinámi-ca. Estas herramientas han proporcio-nado una rápida y eficiente forma de realizar análisis espacial, para establecer en forma ordenada y sistemática las ca-racterísticas de una entidad geográfica, realizando aplicaciones en diferentes campos. Recientemente la implemen-tación de los SIG en áreas de la agri-cultura y la administración de tierras ha permitido ser más eficiente en realizar un inventario de tierras con diferentes características (suelos, relieve, clima y vegetación) que determina su potencial de vocación: agrícola, pecuario, fores-tal, de conservación, agroforestal, con fines catastrales, entre otros.

Recientemente la Subdirección de Agrología del IGAC ha desarrollado un procedimiento metodológico que tiene como objetivo dar lineamientos en el uso de información digital, herra-mientas geomáticas y técnicas espacia-les para elaborar o actualizar las AHT en forma estructurada, rápida, bajo los mismos lineamientos de la metodología convencional, de manera que el proce-so de obtención de este insumo con fi-nes catastrales sea más ágil y objetivo y garantice su calidad temática.

La metodología digital para este propó-sito se basa en el uso de los modelos digitales de elevación, variables topo-gráficas y climáticas derivados de ellos; en la obtención de mapas tipo raster de variables como precipitación, producto de técnicas de interpolación y en la in-terpretación de imágenes satelitales de alta resolución para evaluar aquellas condiciones de las tierras que las cali-fican favorable o desfavorablemente para fines catastrales.

Una de las herramientas útiles en el momento de identificar características limitantes de los suelos, en particular aquellas que dificultan su capacidad productiva, son las imágenes satelita-les. Chuvieco (2008) afirma que si bien

resulta difícil determinar las caracterís-ticas físicas de los suelos por la cubierta vegetal, es posible inferir datos indirec-tos a través de las firmas espectrales y la combinación de bandas espectrales. Dentro del grupo de indicadores se en-cuentran la distribución peculiar de las especies, crecimiento o densidad irre-gular, cambios en la cubierta vegetal, cambios en la pigmentación, conteni-dos de humedad del suelo y las plantas. Debido a esto, la metodología utilizada para analizar limitantes como la ero-sión, mal drenaje y zonas susceptibles a la inundación consiste en realizar una serie de análisis de tipo espectral apo-yado en componentes principales, ín-dices de vegetación y análisis visual de bandas espectrales. Para cada alcance, los procedimientos aplicados son es-pecíficos y concretos, aspectos que se mencionarán más adelante.

En primer lugar se hará mención al uso de los Modelos Digitales de Elevación (DEM, por sus siglas en inglés), que se ha incrementado en los últimos años para el análisis visual y cuantitativo de la topografía, el paisaje y las formas de la tierra (López, 2006; Moore et al., 1991).

Los DEM son estructuras de datos que sirven para representar el relieve en un modelo hidrológico (flujos y conectivi-dad), de erosión (pendientes, curvatu-ras, etc.) y en áreas de sedimentación para la extracción de zonas de drenaje y parámetros topográficos (Mitasova et al., 1996; Moore et al., 1991). La in-formación topográfica es útil además para correcciones geométricas, radio-métricas y atmosféricas de los datos de un satélite óptico e instrumentos de microondas que captan informa-ción geográfica (Toutin, 2008). Al re-presentar el relieve con técnicas como la parametrización del terreno, defini-da como “la descripción numérica de una superficie continua”, geomorfo-lógicamente se describe el relieve y se diferencian topográficamente paisajes disímiles (Pike, 1988).


alta escorrentía e identificar líneas divi-sorias de aguas. Por último, los climáti-cos, que ayudan a modelar el clima de acuerdo con factores ajustados al relie-ve, como la radiación y la temperatura (Hengl et al., 2003).

Para la elaboración y actualización de las AHT, se utilizaron parámetros del relieve como la pendiente, hidrológicos como el índice topográfico de hume-dad, y climáticos como la relación de la altitud con la temperatura. La Figura 10 presenta el esquema metodológico seguido utilizando procedimientos di-gitales.

Insumos derivados de los modelos digitales de elevación

Antes de iniciar la generación de pro-ductos a partir de un DEM se realizó una evaluación de su calidad. Las dos

La exactitud de esos parámetros geomorfométricos derivados depende de la calidad del DEM, medida en tér-minos de resolución y precisión (vertical y horizontal), ya que este debe repre-sentar la superficie del terreno con la mayor confiabilidad y permitir realizar un análisis de terreno, para efectuar una modelación hidrológica, de la su-perficie y de variables climáticas (Jor-dán, 2008; Florinsky, 1998).

Los parámetros geomorfométricos pueden ser agrupados en topográficos, hidrológicos y climáticos (Wilson y Ga-llant, 2000). Los primeros describen la morfología de una superficie, como la pendiente, el aspecto, la curvatura, etc. Los hidrológicos describen el potencial de flujo de los materiales, por ejemplo el índice topográfico de humedad, que representa los sitios donde la humedad del suelo tiende a acumularse y ayuda a separar zonas inundables, áreas con

Figura 10. Esquema metodológico

para elaborar y actualizar AHT con

fines catastrales con procedimientos digitales (versión preliminar de la

metodología, IGAC 2010). Fuente: IGAC, 2010b.

ETAPAS

INFORMACIÓNCLIMÁTICA

INFORMACIÓN DE SUELOSY GEOLOGÍA

Mapa de precipitación

MODELOS DIGITALESDE ELEVACIÓN, (DEM)

ParámetrosTopo-climáticos

derivados

Temperatura P. térmicos Pendiente Is

Erosión

Inundación Salinización

Unidades descriptivasde suelos

Verificaciónemitentes en

fotografías aéreas

Otras limitaciones(pedregosidad,

rocosidad, prof. efectiva)

Características por perfilesmodales (textura, drenaje,

prof. efectiva, fertilidad,litología)

Revisión ydescripción de

unidades y perfilesAfloram.rocosos

NDVI

Índice topográficode humedad (TWI)

Parámetros geomorfométricos

e hidrológicos

IMÁGENESSATELITALES

SPOT, LANDSAT,ASTER, RAPIDEYE

PRODUCTOS, PROCEDIMIENTOS Y RESULTADOS

Biotemperatura

Evapotranspiraciónpotencial (ETp)

RelaciónETp/Precip.

Unidades climáticas

Comprobaciónde campo

UNIDADESCARTOGRÁFICAS

FINALES AHT

UNIDADES DE AHT

Cálculo de VP

Separación de unidades porfases y limitantes

Ajustes de factores

Unidadesgeomorfométricas

INSU

MO

S BÁ

SIC

OS

GEN

ERA

CIÓ

N P

ROD

UC

TO

S D

ERIV

AD

OS

EVA

LUA

CIÓ

N Y

OBT

ENC

IÓN

DE

UN

IDA

DES

123


fuentes de datos disponibles fueron los modelos digitales del terreno SRTM y ASTER de 30 m de resolución. Las me-didas para evaluar la calidad de estos DEM están dadas por la comparación de los valores de elevación con respec-to a valores altitudinales de una fuente de referencia. Como descriptores de ca-lidad se utilizaron el error estándar, la raíz media del error cuadrático (RMSE; Root Mean Square Error), el coeficiente de correlación lineal y el análisis del his-tograma (Hengl et al., 2003).

La exactitud del DEM y de sus productos derivados depende de la exactitud de los datos de elevación, incluyendo las técnicas de medida, de localización de las muestras y de la densidad de mues-treo, que puede ser crítica cuando se usan para el modelamiento ambiental y en la predicción de la distribución espacial de propiedades hidrológicas, geomorfológicas y biológicas; de allí la importancia de esta evaluación previa.

Los puntos de referencia fueron toma-dos de la red geodésica proporcionada por la oficina de Geodesia del IGAC, pero dada la baja densidad de puntos (alrededor de 3400 en todo el territo-rio nacional), se decidió comparar los resultados entre los dos DEM (Kervyn, et al., 2007). Para efectuar esta com-paración se realizó un mismo transecto, utilizando los descriptores de calidad mencionados.

La evaluación de los dos modelos de elevación dejó como resultado que el mejor ajuste en términos de exactitud vertical los ofrece el modelo SRTM, con menor valor de RMSE, con coeficiente de regresión lineal más cercano a 1 y con menores variaciones de elevación respecto al ASTER, como se evidencia por el intercepto de las ecuaciones de regresión lineal obtenidas en tres sec-tores del transecto definido. Por tanto, el DEM SRTM de 30 m fue el utilizado para generar variables topográficas, hi-drológicas y climáticas.

Condiciones del relieve

En la metodología para elaborar y ac-tualizar las AHT, el relieve se evalúa por sus formas y por el grado de la pendien-te, expresada en porcentaje, a través de la fotointerpretación utilizando este-reoscopio, para que este factor tenga un alto grado de subjetividad. Como se mencionó anteriormente, la pendiente es una condición que se relaciona con la facilidad o dificultad que presentan los suelos en la mecanización o el labo-reo de las tierras.

Diferentes algoritmos permiten obtener la pendiente del terreno a partir de mo-delos de elevación. El más conocido es el de Horn (1981), que tiene en cuenta la influencia de las 8 celdas vecinas al pixel central en un arreglo de 3 x 3 y para el cálculo asigna un peso mayor a las celdas más cercanas y un peso menor a las más alejadas o diagonales (Kang-tsung, 2004). Algunos softwares utilizan el algoritmo de Zevenbergen y


Thorne (1987), donde el cálculo de la pendiente se hace a partir de los valo-res de elevación de los cuatro vecinos más próximos (ortogonales) a la celda estudiada.

Una vez obtenido y clasificado el mapa de pendientes (en forma porcentual), se debe reclasificar en las siete clases evaluadas en la metodología. La deli-neación de unidades a partir de las uni-dades cartográficas de suelos se puede complementar con estadística zonal, de manera que se precise esta varia-ble en cada unidad. La Tabla 1 ayuda adicionalmente a calificar este factor de acuerdo con la existencia de formas simples o compuestas en la unidad.

Índice Topográfico de Humedad (TWI)

Es una variable que define la tendencia de una celda a acumular agua (Gruber and Peckham, 2009). Está relacionada con la humedad del suelo y refleja la tendencia de este a generar escorrentía; relaciona la dirección y acumulación de flujo, representadas por el área de cap-tación o área de acumulación, As, con la pendiente del terreno, b. Este índice se calcula de la expresión (Beven y Kirkby, 1979):

donde

Asi

Es el área de acumulación de flujo en la celda i

bi

Es la pendiente local en la celda i

Este índice está basado en el balance de masa, siendo el área de captación un parámetro de tendencia al recibir agua de la cuenca y la pendiente, como el entorno del drenaje, que limita o fa-cilita la evacuación del agua. El índice, asume condiciones de estado estable y espacialmente condiciones invariables para la infiltración y la transmisividad del suelo. Este índice describe los sitios donde la humedad del suelo tiende a acumularse, y ayuda a separar zonas inundables, áreas con alta escorrentía y separar líneas divisorias de aguas. Aun-que no hay unos rangos definidos para la categorización de este índice, se asu-me que los valores altos muestran las zonas que tienden a la acumulación de humedad y valores bajos, zonas en el que hay mayor grado de escorrentía.

Uso de información climática generada

El modo convencional para determi-nar las unidades climáticas en planchas 1:25 000 o 1:100 000 consiste en re-

Formas simples Formas compuestas Gradiente pendiente (%) Símbolo

Ligeramente plana 1-3 a

Ligeramente inclinada Ligeramente ondulada 3-7 b

Moderadamente inclinada Ondulada o ligeramente quebrada 7-12 c

Fuertemente inclinada Fuertemente ondulada o moderadamente quebrada 12-25 d

Ligeramente escarpada Fuertemente quebrada 25-50 e

Moderadamente escarpada Moderadamente empinada 50-75 f

Fuertemente escarpada Fuertemente empinada > 75 g

Tabla 1. Clasificación de la pendiente en formas simples y compuestas

Fuente: IGAC, 2010

TWIi= Ln n i

ASi

Tα β (Ec.1)

125


currir a las planchas de zonas de vida a escala 1:500 000, información que se complementa con el conocimiento de las diferentes zonas de estudio y los balances hídricos puntuales realizados para aquellos lugares donde existen datos de precipitación y calculando la evapotranspiración mediante métodos como el de Thornwaite, Caldas-Lang, etc. No obstante, se debe tener en cuen-ta que la diferencia de escalas es muy marcada, lo que puede conducir a ge-neralizaciones y errores en el momen-to de interrelacionar los pisos térmicos con las zonas de vida.

Por esta razón, uno de los procedi-mientos digitales que merece des-tacarse por su obtención mediante ayudas tecnológicas es el mapa de precipitación, insumo climático básico generado como una superficie de da-tos continua de todo el país mediante procesos geoestadísticos de interpola-ción, a partir de más de 2670 datos

multianuales de estaciones meteoroló-gicas del IDEAM (rango entre 1970 y 2000). Para regiones como la Ama-zonia y la Orinoquia, donde hay me-nor densidad de estaciones, se tuvo en cuenta información de WorldClim, disponible para un periodo entre 1950 y el 2000. El método de interpolación utilizado fue el de Kriging ordinario, y el semivariograma de mejor ajuste fue el exponencial, al presentar menores errores en su predicción.

Otra variable de gran utilidad para ge-nerar otros insumos climáticos es la temperatura.

Debido a su variabilidad espacial, rela-cionada con la altitud en todo el terri-torio colombiano, se utilizaron modelos de regresión lineal, acorde con los traba-jos de Flórez (1986) y Eslava (1995) para calcular la temperatura media en cada una de las vertientes y zonas geográficas respecto a su elevación. (Tabla 2).

Cordillera Vertiente Ecuación

OccidentalOccidental Tmedia = 27,06 - 0,0054 *DEM

Oriental Tmedia = 30,27 - 0,0062 *DEM

CentralOccidental Tmedia = 27,53 - 0,0053 *DEM


OrientalOccidental Tmedia = 28,68 - 0,0060 *DEM


Zona atlántica Tmedia = 28,18 - 0,0056 *DEM

Orinoquia Tmedia = 27,78 - 0,0052 *DEM

Amazonia Tmedia = 29,79 - 0,0027 *DEM

Tabla 2. Ecuaciones para el ajuste de la temperatura media

Fuente: IGAC, 2010

A continuación se presenta la distri-bución espacial de la precipitación y de la temperatura obtenida en el país con los procedimientos enunciados (Figura 11).

La clasificación de pisos térmicos es igual a la presentada en la Metodo-logía para elaborar y actualizar áreas homogéneas de tierras con fines catas-trales, versión 3 (2010), de acuerdo con


gar el crecimiento vegetativo, en rela-ción con el periodo anual. Se estima que el rango de temperatura dentro del que ocurre el crecimiento vegeta-tivo está entre 0° como mínimo y 30° como máximo (Montealegre, 2009; Vélez et al., 2000). La biotemperatura (BT) se estimó a partir de la temperatu-ra media y se ajustó a la latitud a partir de la ecuación 2 siguiente:

(Ec. 2)

Figura 11. Distribución espacial

de precipitación y temperatura en

Colombia. Fuente: IGAC, 2010b.

Tabla 3. Rangos de distribución de los pisos térmicos en Colombia

Piso térmico Límite altituinal (m. s. n. m.) Temperatura Símbolo

Cálido 0-1 000 > 24 C

Templado** 1 000-2 000 24-18 M

Frío 2 000-3 000 3 200* 18-11 F

Muy frío (páramo bajo) 3 000-*3 200*-3 600 11- 8 mF

Extremadamente frío (páramo alto) 3 600-4 200 8- 4 eF

Subnival y nival > 4 200 < 4 N

* La altitud varía localmente en las zonas próximas a la línea ecuatorial o por condiciones orográficas. ** El término “templado” se homologa al clima medio; no obstante, en la simbología y sistema de información se utiliza el símbolo “M” entre 1 000-2 000 m. de altura sobre el nivel del mar (m. s. n. m.). Fuente: IGAC, 2010.

BT(ºC)=Tmedia _

*(Tmedia _ 24)2

3 * grados de latitud 100

la zonificación propuesta por Caldas: cálido, templado, frío, muy frío, extre-madamente frío, subnival y nival (IGAC, 2006). Para las AHT los pisos térmicos son delimitados por la altitud (Tabla 3), definida por el DEM.

A partir de la temperatura media y de la ubicación del lugar se obtuvo la evapo-transpiración potencial (ETP), una me-dida de la demanda de humedad y de la disponibilidad de agua en el suelo. Para el cálculo de este factor se tuvo en cuenta el concepto de biotemperatura (BT), calculado mensualmente. Es un promedio de las temperaturas medias en grados centígrados donde tiene lu-

127


La evapotranspiración se estimó de forma indirecta mediante el método de Holdridge (Vélez et al., 2000), la cual se representa en la ecuación 3:

ETP (mm) = 58.93 * BT (Ec. 3)

La relación entre la ETP y la precipitación establece un índice de humedad, que al integrarlo espacialmente con los pisos térmicos permite delinear unidades cli-máticas, teniendo correspondencia con las presentadas en la Metodología base, según la clasificación Caldas-Lang mo-dificado (IGAC, 2010). A partir de estos insumos se pueden generar mapas cli-máticos en cada municipio, con la mis-ma resolución del DEM seleccionado.

Para complementar y precisar la separa-ción de zonas húmedas de las secas o las húmedas de las muy húmedas, se utili-zan los índices de vegetación o índices de sequedad para tener una aproxima-ción a la biotemperatura y la abundancia en la cobertura vegetal (indicador más significativo de la humedad). Sin embar-go, no debe olvidarse hacer un análisis temporal comparativo en por lo menos dos periodos, uno seco y uno lluvioso, de manera que se pueda diferenciar ras-gos o características de la vegetación de la zona por elaborar o actualizar.

El índice de vegetación más común y recomendable tanto por su sencillez de cálculo como por su interpretación es el índice de vegetación diferenciado nor-malizado (NDVI). Este muestra las con-diciones de la vegetación, asociado a la abundancia de la cobertura vegetal y la biomasa (Vargas, G.; Alzate, B; 2008) y al estado de estrés hídrico en el que se encuentra. El NDVI permite el estudio de las variaciones temporales y espacia-les de la distribución de la vegetación, que tiene una asociación a las condicio-nes de una zona determinada.

El cálculo del NDVI consiste en hallar la diferencia normalizada entre la reflec-tancia de la banda infrarroja y la roja y debe considerar la fuente de datos.

Si la imagen satelital es LANDSAT, las bandas correspondientes son la 4, que es el infrarrojo reflectivo, y la banda 3 del rojo; en el caso de SPOT, las ban-das utilizadas son la 3, y corresponde al infrarrojo cercano, y la banda 2 co-rresponde al rojo. En la imagen ASTER, las bandas 4 a la 9 corresponden a in-frarrojo, y la banda 2 corresponde al rojo. La ecuación de cálculo se presenta a continuación:

NDVI = (Ec. 4)IRC _ RIRC + R

donde

IRC corresponde al espectro en el in-frarrojo cercano y R a la banda en el espectro del rojo. Su representación se basa en una escala que oscila entre -1 y 1 con el valor cero representando el valor aproximado donde hay ausencia de vegetación, mientras que los valo-res negativos representan vegetación sometida a estrés hídrico, y los valores positivos, vegetación sana y vigorosa. Figura 12.

Figura 12. Lectura del índice de vegetación normalizado NDVI


para las RAPIDEYE de 1:20 000, y para las imágenes LANDSAT y ASTER es de 1:80 000.

Por ejemplo, para SPOT en la combina-ción de bandas en el espectro de infra-rrojo medio, verde e infrarrojo cercano, con una combinación de bandas 4-1-3 en RGB, se pueden observar zonas des-provistas de vegetación (apreciables en color magenta), ya sea por cambio de uso o problemas de revegetalización, haciéndolas susceptibles a la erosión. Además, por la relación entre la pendien-te y la erosión la interpretación se puede apoyar con el modelo de pendientes ge-nerado. Para una imagen ASTER se usa una combinación infrarrojo de onda cor-ta, infrarrojo cercano y rojo, correspon-diendo al orden de 4-3B-2 en RGB. La misma combinación en LANDSAT mues-tra la vigorosidad de la vegetación en to-nos rojos intensos, mientras los suelos con desgaste de la capa superficial se obser-van en tonos azules. Otra posible com-binación puede ser la 5-4-3, infrarrojo medio, infrarrojo cercano y rojo, don-de las áreas desnudas o con problemas de erosión se destacan en tonalidades rojas, y la vegetación muestra colores cafés y verdes.

También debe haber información de la fecha de toma de la escena, para sa-ber si fue durante un período seco o húmedo y reducir confusiones en la in-terpretación de los parámetros de ero-sión al tener en cuenta las condiciones climáticas de la zona.

Identificación de zonas mal drenadas y de inundación

Los encharcamientos e inundaciones periódicas y permanentes tienen un impacto directo sobre la cubierta ve-getal. Las zonas que permanecen mal drenadas la mayor parte del tiempo no cuentan con una formación arbórea bien desarrollada, debido a que las es-pecies de árboles y arbustos no sopor-tan los altos niveles de humedad. No obstante, existen gramíneas, palmeras,

Otro índice utilizado para obtener in-formación complementaria acerca de la cantidad de biomasa seca y suelo desnudo predominante es el índice de sequedad, que relaciona las bandas del verde y el infrarrojo medio para resaltar las zonas con mayor cantidad de suelos desnudos y áreas con menos humedad. Su interpretación es similar a la del NDVI, pero en este caso los valores más altos se interpretan como suelos desnudos y zonas muy secas, mientras que los más bajos represen-tan lo contrario. La ecuación 5 esta-blece el índice de sequedad para una imagen Landsat ETM.

donde

B5 es la reflectancia de la banda 5, en el infrarrojo medio y B2, la reflectancia de la banda 2, en el verde.

Identificación de Erosión y afloramientos rocosos

Una de las limitaciones que se pueden identificar con mayor facilidad por me-dio de la combinación de bandas es-pectrales de imágenes satelitales es la erosión. Tomando como referente la información preexistente (estudios de suelos) es posible comprobar si deter-minadas unidades conservan el mismo patrón erosivo que se identificó en el momento de hacer el estudio o si por el contrario ha aumentado o disminuido. Ello es posible mediante las combina-ciones en falso color. Para tipificación de la degradación del suelo por erosión se establecen relaciones entre la res-puesta espectral, el clima y el grado de la pendiente. Por la escala de evalua-ción a nivel de municipio, lo ideal es uti-lizar imágenes de alta resolución, como las SPOT, RAPIDEYE, entre otras. Si se carece de imágenes de alta resolución se pueden utilizar imágenes LANDSAT o ASTER, de tamaño de pixel de 30 m. Se considera que la escala de trabajo de las imágenes SPOT es de 1:50 000

IS = (Ec. 5)(B5 _ B2)(B5 + B2)

129


algunos árboles y arbustos que se han adaptado a estas condiciones.

Un patrón establecido de la vegetación y del contenido de humedad del sue-lo constituye indicadores directos de zonas mal drenadas. Dichos patrones pueden ser identificados mediante un análisis de combinación de bandas e índices de sequedad para estimar el nivel de humedad del suelo. Por otra parte, las firmas espectrales resultan de gran utilidad en el momento de identificar especies vegetales típicas de zonas con problemas de drenaje, aun-que es un factor que aún no ha sido suficientemente estudiado en el país.

Para la identificación de zonas mal dre-nadas se puede usar la combinación 4,5,3 en imágenes LANDSAT y 1,2,3 para imágenes SPOT. La combinación 4,5,3 en la imagen LANDSAT presen-ta los cuerpos de agua de color azul, y los suelos con problemas de drenaje en distintos tonos de verde (los verdes más claros representan las zonas con mayor contenido de humedad). De igual manera, la imagen SPOT muestra los cuerpos de agua en azul cian y los suelos mal drenados en azul cian de tonos más claros (el color azul cian es un indicador del nivel de humedad).

En la situación actual, para municipios afectados por inundación se consideró la capa vectorial generada por IDEAM-IGAC a comienzos del año 2011 y que contiene áreas inundables del año 2001 y áreas inundadas de finales del año 2010, producto de la interpretación de imágenes satelitales como ALOSPALSAR, de 100 m de resolución, LANDSAT 7, de 30 m, y otras de alta resolución, como las de los sensores UK DMC2, de 22 m; ADS-80, de 0.5 m; RADARSAT-2, de 3, 10 y 12.5 m; COSMO-SkyMed, de 2.5 m; y SPOT 5, de 10 m de resolución, respectivamente.

Es importante realizar una visita a campo del área de interés en donde se evalúan las condiciones redoximórficas de los perfiles de suelos, aspecto que

es corroborado mediante las huellas de oxidorreducción evidenciadas por colores grises, si existe alguna confu-sión con los colores se utiliza el reacti-vo alfa, alfa dipiridil.

Condiciones del material litológico o depósitos superficiales

El material litológico o los depósitos superficiales alterados constituyen el material parental de los suelos, del cual heredan la mayoría de las propiedades físico-químicas y mineralógicas. Por lo tanto en la conformación de las AHT se debe tener en cuenta su origen, su composición mineralógica y textura. El origen de los materiales indica si los suelos se han desarrollado de rocas ígneas, metamórficas o sedimentarias, y de acuerdo con la clasificación de estas, en subclases, grupos y tipos de rocas, también es posible mediante los análisis mineralógicos de arcillas y are-nas definir los materiales de los cuales los suelos se han originado.

A fin de delimitar unidades de tierra con características similares en lo que respecta al material de origen, se hace un análisis que interrelacione este con el clima y el relieve. La fuente de datos en general es un mapa de geología, a escala 1:500 000 o 100 000, que tiene unidades macro e indica la composi-ción general del material subyacente, permite evaluar la información y rela-cionarla con los suelos.

El material parental se debe comparar con la descripción de las unidades car-tográficas de suelos, con el fin de ob-servar su relación con los componentes taxonómicos. Al complementar de for-ma visual la información geológica y el modelo de sombras generado a partir del DEM, se pueden precisar las deli-neaciones de las diferentes unidades. La información geológica también se puede complementar con algunos pa-rámetros pictórico-morfológicos tales como densidad de drenaje, tono, tex-tura y patrón. En este sentido, actual-


mente están en estudio otros productos hidrológicos derivados de los modelos digitales, que permiten identificar con-diciones del drenaje, de manera que se pueda buscar su correlación con mate-riales de origen, puesto que por la du-reza de ciertos minerales y rocas el flujo del agua creará ciertos patrones carac-terísticos de diversos materiales, que a la vez se relacionan con los suelos. No obstante, este tema de investigación no forma parte del presente documento.

Características y cualidades de los suelos

Para elaborar o actualizar las AHT a nivel municipal se debe contar con es-tudios de suelos en su gran mayoría a escala 1:100 000, o sea a nivel general; de estos estudios, que usualmente son departamentales, es necesario realizar un análisis, descrito a continuación.

• Adaptacióndelafotointerpretación:Para este proceso se reinterpretan las fotografías aéreas utilizadas en los estudios de suelos y se busca realizar nuevas delineaciones. En las fotos aéreas se separan las áreas erosio-nadas, las zonas con pedregosidad o rocosidad superficial, se analiza la distribución de las pendientes, así como las áreas sujetas a inundación o encharcamientos.

• Seleccióndelasunidadescartográ-ficas del municipio: En esta etapa se identifican los perfiles modales y se calculan los valores potenciales, se tiene especial atención en el por-centaje que ocupa cada suelo en la unidad.

Usualmente se realiza una fotointer-pretación, seguida de un trabajo de campo que permite verificar las varia-bles que influyen en el valor potencial de las tierras; pero hoy en día hay la disponibilidad cada vez mayor de imá-genes hiperespectrales, que ofrecen la posibilidad de analizar la respuesta de diferentes tipos de suelo en diver-

sas bandas del espectro e identificar su comportamiento espectral tipo, en función de las características de sus componentes, conocido como firma espectral.

Otras limitantes de los suelos para calificar las AHT

Otras condiciones adversas, que pueden ocurrir en el terreno y que son difíciles de identificar a través de un modelo digital de elevación e incluso mediante imáge-nes satelitales, son la pedregosidad su-perficial, la salinidad, los deslizamientos u otros tipos de remoción en masa, la frecuencia de heladas. Sin embargo, es-tas características que afectan el valor po-tencial de los suelos con fines catastrales se han descrito en los estudios de suelos o pueden ser verificadas en fotografías aéreas convencionales o en las digitales, más recientes, aspecto que debe ser co-rroborado en campo o por conocimiento previo de la zona.

Los parámetros expuestos facilitan la de-lineación de unidades geomorfométricas o, en este caso, las áreas homogéneas de tierra.

3. Apreciación de las variables identificadas mediante el uso de tecnología de avanzada

En el siguiente numeral se presentarán algunos casos especiales para destacar las variables descritas utilizando meto-dología digital en diferentes munici-pios del país.

3.1 Mejor delineación e identificación de las fases por pendiente en unidades temáticas

En las Figuras 13 y 14 siguientes se apre-cian los mapas generados por pendiente para el municipio de Cucunubá (Cundi-

131


namarca), donde se pueden hacer se-paraciones más precisas por pendiente. La Figura 13a) muestra la separación de unidades de suelos, con su fase por pen-diente, mientras que en la 13b) se apre-cia la precisión de nuevas delineaciones. Note en el detalle del círculo rojo la divi-sión de una sola unidad del estudio de suelo (imagen de la izquierda) en varias unidades con pendientes d, e y f, cuya cualificación se apoyó en las diferentes estadísticas zonales, como lo muestra la Figura 14.

3.2 Diferenciación de unidades climáticas

En la Figura 15 se aprecian para los mu-nicipios de San José de Uré (Córdoba) y Cucunubá, las delineaciones de unidades climáticas que difieren de la información vectorial de las zonas de vida (mostradas con una línea morada sobre el archivo

raster), mostrando más precisión al pro-venir de datos climáticos de la zona y al permitir mayor correlación con interpre-tación de diferentes combinaciones de bandas para apreciar las tonalidades y texturas de la vegetación que contras-tan en diferentes climas e información derivada de sensores remotos, como el NDVI, índice de sequedad y mapas de suelos. De fondo, se aprecia el mapa de sombras para resaltar el relieve.

3.3 Utilización de productos derivados de imágenes satelitales, NDVI e Is

Para el municipio de Beltrán (Cundina-marca) se generaron los índices de ve-getación NDVI y el índice de sequedad (Is), con una imagen Landsat ETM del año 2005 para separar las zonas des-provistas de vegetación y efectuar un análisis visual y estadístico de los valores

Figura 14. Detalle de estadística zonal para calificar dos separaciones en la unidad de suelos del círculo rojo

Figura 13. Detalle de delineaciones de unidades por fases de pendiente


Bandas (Nueva Imagen) Ecuación

Banda 1 Azul visible

Banda 2 Verde visible

Banda 3 Rojo visible

Banda 4 NDVI

Banda 5 IS

Tabla 4. Orden de las bandas en una nueva imagen combinada

Fuente: IGAC, 2010

Figura 15. Mapas de unidades climáticas para los

municipios de San José de Uré (Córdoba izq.) y para Cucunubá

(Cundinamarca der.)

del NDVI e Is en cada polígono trazado de AHT. Para el análisis visual se hizo una nueva combinación con las bandas de menor reflectancia de la vegetación y se generó una nueva imagen que resalta-ra las zonas con vegetación abundante. Para tal fin, fue necesario realizar un pro-tocolo que indicara el orden de las ban-das y de los índices de NDVI e Is de la nueva imagen combinada (Tabla 4).

Las combinaciones analizadas fueron RGB 3,4,1 y RGB 3,4,5 puesto que la banda 4 corresponde al índice NDVI, la banda 5 al Is, y las bandas 1 y 3 corres-ponden a las bandas roja y azul del es-pectro donde la vegetación tiene menor reflectancia.

En esta nueva imagen se observan fácil-mente los cuerpos de agua y los suelos desnudos de color magenta y la vegeta-

Figura 16. Comparación de áreas

desnudas con nueva composición de bandas

utilizando NDVI e Is

133


Figura 17. Áreas con y sin vegetación según índices NDVI e Is

ción en distintas tonalidades de verde. Las zonas de color verde intenso repre-sentan zonas con abundante cobertura vegetal. De otro lado, las zonas de color magenta muestran áreas con NDVI bajos o nulos y valores de Is altos, es decir, sin vegetación. Para el caso de las zonas sin vegetación, el color magenta será más intenso, como se observa en la Figura 17.

3.4 Identificación de zonas erosionadas y afloramientos rocosos

Aunque las fuentes son diferentes, en la Figura 18 se aprecian a la izquierda, sobre

una imagen Landsat del año 2000, dos zonas con erosión considerable indicadas dentro de cuadros amarillos, mientras que a la derecha, sobre una imagen SPOT del año 2007, se aprecia la misma zona con una disminución considerable en la erosión. Ello se debe probablemente a un proceso de recuperación del suelo por un mejor manejo o a campañas de reforesta-ción en la zona.

Caso contrario sucede en el municipio de Buenavista (Sucre), en donde el grado de erosión era menor en el año 2004, pero ha venido en aumento, como se aprecia en la Figura 19, imagen de la derecha, de 2008.


Figura 19. Zonas erosionadas en el municipio de

Buenavista (Córdoba)

4,5,3 en la imagen Landsat presenta los cuerpos de agua de color azul, y los sue-los con problemas de drenaje en distin-tos tonos de verde (los verdes más claros representan las zonas con mayor con-tenido de humedad). De igual manera, la imagen SPOT muestra los cuerpos de agua en azul cian, y los suelos mal dre-nados en azul cian de tonos más claros (indicador del nivel de humedad).

Figura 18. Zonas erosionadas

en los municipios de Campohermoso y

Macanal (Boyacá). A la izquierda imagen Landsat 2000, y a la derecha SPOT 2007.

3.5 Identificación de áreas mal drenadas o con problemas de inundación

En el municipio de Ayapel (Córdoba), la Figura 20a muestra una imagen Land-sat TM (combinación 4,5,3), y la 20b una imagen SPOT (combinación 1,2,3), donde se pueden apreciar fácilmente las zonas mal drenadas. La combinación

Figura 20. Combinación

4-5-3 de imagen LANDSAT (izquierda)

y combinación 1-2-3 de imagen

SPOT (derecha) para destacar problemas

de drenaje en Ayapel

135


Figura 21. Diferenciación de zonas mal drenadas y bien drenadas en dos épocas diferentes. Municipios de Ayapel y La Apartada, (Córdoba).

En la Figura 21 se puede observar dón-de es posible hacer una separación de las zonas bien y mal drenadas. La ima-gen Landsat corresponde a dos épocas diferentes, en la izquierda se puede ver un área con mayores problemas de inundación que en la derecha. En la parte inferior se presenta la misma

imagen con una clasificación super-visada para destacar detalles como cauces, como se detalla en el recuadro pequeño.

En la imagen de la Figura 22, que se muestra a continuación, se aprecia cla-ramente la diferencia en las tonalidades

Figura 22. Separación de zonas mal drenadas y bien drenadas. Imagen Landsat. Municipios de Ayapel y Buenavista (Córdoba).


de la imagen: la parte inferior de la lí-nea amarilla presenta zonas con pro-blemas de drenaje, mientras la parte superior de la línea presenta zonas con vegetación abundante, sana y vigorosa (la vegetación aparece en distintas to-nalidades de rojo; en cuanto los tonos rojos sean más fuertes significa que la vegetación es más frondosa y vigorosa. De otro lado, si los tonos son rosados claros, indican una vegetación escasa) con menos problemas de drenaje.

Un complemento que debe tenerse en cuenta para delimitar las zonas afecta-das por inundación o mal drenadas lo

constituye el mapa de índice topográ-fico de humedad, derivado a partir del DEM y en donde se destacan aquellas áreas que topográficamente son más propensas a acumular agua, como se observa en la Figura 23, incluso en una de bajo relieve, como es el caso del piedemonte en el municipio de Villa-vicencio (Meta). Nótense aquellas zo-nas dentro del círculo rojo, que tienen mayores valores del índice topográfico (izquierda) y que en la combinación de imagen Landsat del 2003 presentan tonalidades que indican problemas de drenaje (círculo de abajo) y de inunda-ción (círculo de arriba).

Figura 23. Comprobación de

zonas mal drenadas e inundables con el índice topográfico de humedad TWI.

Municipio de Villavicencio.

137


Conclusiones

Las herramientas tecnológicas han ayu-dado a mejorar y precisar la elaboración y actualización de las áreas homogéneas de tierras con fines catastrales, particu-larmente en aquellas áreas en donde la información en fotografías aéreas o de suelos es limitada o no está actualizada y donde se hace difícil el acceso para com-probaciones de campo.

Los productos derivados de los modelos digitales de elevación han demostrado te-ner gran importancia para la delineación de unidades temáticas de AHT, particular-mente con productos como pendientes, modelos de sombras, índice topográfico de humedad, sin olvidar que en la medida la fuente de datos como es el DEM debe cumplir con condiciones que garanticen su calidad en las zonas que se requiera su utilización para generar nuevos productos y que en la medida que este tenga mejor resolución y exactitud vertical y horizon-tal se obtendrán mejores insumos para el análisis de la información.

Los procesos realizados a partir de imá-genes satelitales permiten identificar zo-

nas afectadas por inundación, junto con algunos de los productos derivados del DEM, áreas con problemas por erosión en diferentes grados de afectación, pro-blemas de salinización, cuyo resultado se ve reflejado en una mejor diferenciación y calificación de áreas con fines catastrales.

El trabajo de campo es fundamental para realizar la verificación de las deli-neaciones obtenidas, comprobar la exac-titud de los productos derivados de los modelos de elevación y evidenciar parti-cularmente las condiciones adversas que califican negativamente las unidades te-máticas de áreas homogéneas de tierras.

El uso de estas tecnologías indudable-mente ha mejorado el tiempo de res-puesta en la actualización o elaboración de AHT que requiere la Subdirección de Catastro del IGAC. No obstante, aún hay un gran campo de investigación por ex-plorar, tanto en nuevos productos deri-vados de modelos de elevación como en la interpretación de imágenes de senso-res remotos de mayor resolución espa-cial y espectral, que cada día están más fácilmente disponibles para los distintos usuarios.


ALZATE, B. Notas de clase SIG y sostenibilidad ambiental. Universidad Nacional de Colombia. Departamento de Geografía sede Bogotá. Bogotá D. C., Colombia. 2008

BEVEN K., KIRKBY, M. A physically based, variable contributing area model of basin hydrology. Hydrol Sci Bull 1979. 24:43-69.

CHUVIECO, E. Teledetección ambiental. Madrid, España. 2008. 620 pp.

DORAN, J. W. y PARKIN, T.B. Defining and assessing soil quality. In: Defining soil quality for sus-tainable environmental. Doran, J.W., Coleman D.C., Beezdecek, D.F. y Stewart, B.A. (Eds) SSSA. Madison. 1999.

ESLAVA, J. Apuntes de climatología y diversidad climática. Universidad Nacional de Colombia. Bogotá. 1995. 248 p.

FLÓREZ, A. “Relación altitudinal de la temperatura del suelo y del aire en los Andes centrales de Colombia”. En: Revista Colombia Geográfica. V. XII 2:5-38. 1986. Bogotá: IGAC.


FLORINSKY, I.V. Combined analysis of digital terrain models and remotely sensed data in landscape investigations. Progress in physical geography (22a) 1998. 33-60.

GARCÍA, A. Degradación de la fertilidad integral del suelo. SCCS. Bogotá, Colombia. 2009.

GRUBER, S. y PECKHAMN, S., 2009. Land-surface parameters and objects in hydrology. In: T. Hengl y H. Reuter Eds. Geomorphometry: Concepts, software, applications. Ams-terdam-Oxford, Elsevier. Pp 171-194.

HENGL, T., GRUBER, S., SHRESTHA, D. Digital terrain analysis in ILWIS. Lecture notes, Interna-tional Institute for Geo-Information Science and Earth Observation (ITC). 2003. Enschede. In: http://www.itc.nl/personal/shrestha/DTA/.

INSTITUTO GEOGRÁFICO AGUSTÍN CODAZZI (IGAC). Metodología para elaborar y actualizar áreas homogéneas de tierras con fines catastrales. Versión 3. Bogotá, Colombia. 2010. 31 p.

INSTITUTO GEOGRÁFICO AGUSTÍN CODAZZI (IGAC) Metodología para elaborar y actualizar áreas homogéneas de tierras con procedimientos digitales. Versión 1. Bogotá, Colombia. 2010b. 31 p. (sin publicar).

INSTITUTO GEOGRÁFICO AGUSTÍN CODAZZI (IGAC). Manual de campo para levantamiento de suelos y tierras. 2006. 151 p.

JORDAN, G. Digital Terrain analysis in a GIS environment: Concepts and development. 1-43 pp. In: Peckham, R.J; Jordan, G. 2008. Digital terrain modelling: Development and applications in a policy support environment. 2008. 313 pp.

KANG-TSUNG, Ch. Introducton to Geographic Information System. 2nd ed. McGraw Hill, New York, N. Y. 2004. 400 pp.

KERVYN, M., et. al. Mapping volcano topography with remote sensing: ASTER vs. SRTM. Inter-national Journal of Remote Sensing. Vol. X, No. X. 2006. 30 pp.

LAL, R & FOLLETT, R. Soil carbon sequestration and the greenhouse effects SSSA. Special publi-cation 57, second edition. Madison, WI, USA. 2009

LÓPEZ, D. Desarrollo e implementación de un modelo para la clasificación automática de unida-des de relieve a partir de modelos digitales de elevación. Tesis de grado Maestro en Geomática. México, D.F. 2006. 106 p.

MITASOVA, H., et. al. Modeling topographic potential for erosion and deposition using GIS. International Journal of Geography Information Systems (10) 1996. 629-641

139


MONTEALEGRE, A. Climatología: Curso básico. Curso virtual Universidad Nacional de Co-lombia sede Palmira. 2009.

MOORE, I. D.; GRAYSON, R. B.; LADSON, A. R. Digital terrain modelling: a review of hydro-logical: Geomorphological and biological applications. Hydrological Pro-cesses (5) 1991. 3-30.

ORDÓÑEZ D., Napoleón. Importancia de los levantamientos de suelos para la información catastral rural. En: IV Reunión Anual del Comité Permanente sobre Catastro en Iberoamérica (CPCI) y II Asamblea General del CPCI. Bogotá, D. C., Co-lombia, 11 al 15 de abril de 2011.

PIKE, R. The geometric signature: Quantifying landslide terrain types from digital elevation models. Mathematical Geology, 20(5), 1988. 491-511.

TOUTIN, T. ASTER DEMs for geomatic and geoscientific applications: A review. International Journal of Remote Sensing (29) 2008. 1855-1875.

VARGAS, G. Notas de clase sensores remotos. Universidad Nacional de Colombia. Depar-tamento de Geografía sede Bogotá. Bogotá D. C., Colombia. 2008.

VÉLEZ J.I., POVEDA, G. y MESA O.J. Balances hidrológicos de Colombia. Serie del Posgrado en Recursos Hidráulicos, No. 16, 2000. 150 pp.

WILSON, J.P.; GALLANT, J.C. Digital terrain analysis. 1-27 pp. In: Wilson, J.P.; Gallant, J.C. 2000. Terrain analysis: Principles and application. John Wiley & Sons, Inc. 2000. 453 pp.

ZEVENBERGEN, L y THORNE, C. Quantitative analysis of land surface topography. Earth surface processes and landforms, 12. 1987. Pp 47-56.

8 Aplicación de datos de radar con técnicas interferométricas en el diagnóstico de subsidencia en campos de hidrocarburos

Nardy Liliana Neiza Mora1, Elena Posada2

Aplicación de datos de radar con técnicas interferométricas en el diagnóstico de subsidencia en campos de hidrocarburos

ResumenCon el fin de diagnosticar la subsidencia y los cam-bios de desplazamiento del terreno en campos de exploración y explotación de hidrocarburos, median-te la utilización de datos de imágenes de radar, y eva-luar los diferentes sensores y tipo de información, según la banda y el rango de longitud de onda, se aplicaron metodologías de procesamiento digital, de acuerdo con las técnicas interferométricas Radar de Apertura Sintética, (SAR), y Técnica de Pixeles Cohe-rentes, (CPT).

Estas permitieron aislar el módulo de la fase, según la extracción del componente de la deformación li-neal y la correspondiente a otra no lineal.

La descripción detallada de la técnica CPT puede en-contrarse en Mora et al. (2003) y Mora (2004). El cálculo del componente lineal incluye la estimación de la velocidad media de deformación y el error de

1 Geóloga, Msc Geomática (Universidad Nacional de Colombia). Centro de Investigación y Desarrollo en Información Geográfi-ca (CIAF), Grupo Percepción Remota y Aplicaciones Geográfi-cas (PR/AG) - Instituto Agustín Codazzi (IGAC) sede Bogotá. Ca-rrera 30 No. 48-51, Bogotá (Colombia). Correos electrónicos: [email protected] - [email protected].

2 Ingeniera Forestal; Máster en Ingeniería Forestal y Especialista en Procesamiento Imágenes. Jefe (E) del Centro de Investiga-ción y Desarrollo en Información Geográfica (CIAF). Instituto Geográfico Agustín Codazzi. E-mail: [email protected].

los cambios de las diferencias de alturas de cada par interferométrico de las escenas de las imágenes de radar.

Para establecer las variaciones y relacionarlas con fe-nómenos de subsidencia se trabajó con imágenes de RadarSat-2 del año 2009 y Alos Palsar de 2007, 2008 y 2009. Se generaron mapas de coherencia con cada par de imágenes y con suministro de tipo de polarimetría, para determinar el desplazamiento y realizar el análisis de los interferogramas, estable-ciendo los movimientos de subsidencia en el sector sur de la cuenca sedimentaria de hidrocarburo del Valle Superior del Magdalena, en el departamento del Tolima.

Palabras clavesSubsidencia, cambios de desplazamiento, técnica de pixeles coherentes e interferométricas SAR, campos de hidrocarburos.


Application of radar data with interferometric

techniques in the diagnosis of subsidencia in

hydrocarbon fields

AbstractTo diagnose the subsidence and changes in ground displacement in areas of explo-ration and exploitation of hydrocarbons by using radar imagery data and evaluate different kinds of sensors and information under the band and the wavelength range was applied digital processing methodo-logies as interferometric SAR (Synthetic Aperture Radar) and CPT (Coherent Pixels Technique), allowing the module to isolate the phase according to the extraction of the component of the linear deformation and for other nonlinear. The technical des-cription of the CPT can be found in Mora et al. (2003) and Mora (2004). The calcu-

lation of the linear component includes the estimation of the average velocity of deformation and failure of the chan-ges of height differences of each pair of scenes interferometric radar imagery. To determine changes and relate them to phenomena of subsidence work with Radarsat-2 images 2009 and images of ALOS PALSAR the years 2007, 2008 and 2009 and were generated maps consis-tent with each pair of images according to research methodology, and the pro-vision of such polarimetry to determine the movement and make the analysis of the interferograms and to establish the movements of subsidence in the southern sector of the sedimentary basin hydrocarbon Upper Magdalena Valley in department of Tolima.

Key wordsSubsidence, shift changes, Coherent Pixels Technique and interferometric SAR, oil fields.

143


Introducción

El aprovechamiento de técnicas, en procesos digitales, de datos recolecta-dos por sensores remotos, indicando propiedades del terreno y el manejo de las características de ciertos datos correlacionados a métodos y modelos geofísicos, en este caso con datos de imágenes de radar aplicados a identi-ficar y diagnosticar fenómenos de sub-sidencia, y relacionados con cambios en alturas del terreno para la parte sur de la cuenca sedimentaria de explora-ción y explotación de hidrocarburos del Valle Superior del Magdalena, ayudó al entendimiento de los procesos geo-lógicos, e indicó los sitios de procesos dinámicos locales.

Mediante los primeros interferogramas y mapas de desplazamiento vertical se determinó el estado de referencia del terreno y se comparó con fechas ante-riores y posteriores, apoyando la eva-luación de fenómenos de subsidencia en la zona de estudio, que para futuros monitoreos con técnicas de medición de radar (Apertura Sintética de Datos de Radar [SAR]) y empleando la metodolo-gía de trabajo propuesta representa un avance en la aplicación de los datos de este tipo de sensor remoto. Además, es un adelanto al diagnóstico y evalua-ción para futuras zonas con presencia de fenómenos de subsidencia, en las cuencas sedimentarias de prospección y producción en hidrocarburos y sus derivados, muy útil a las empresas del petróleo, a la comunidad cercana a sec-tores de prospección y de gran aporte a la geociencias y geomática en el territo-rio colombiano.

Por su parte, la Agencia Nacional de Hidrocarburos (ANH), encargada de promover el aprovechamiento óptimo y sostenible de los recursos hidrocarburí-feros del país, y miembro de la Comisión Colombiana del Espacio (CCE), desde el 2008 incluye dentro de su plan de ac-ción el uso tecnologías geoespaciales y sensores remotos con el propósito de permitir suplir las necesidades de infor-

mación para la gestión del conocimien-to en aspectos técnicos de utilidad para el sector.

Es por eso que bajo el primer proyec-to del convenio de cooperación 4093-2009, entre el Centro Internacional de Física (CIF), el Centro de Investigación y Desarrrollo en Información Geográfi-ca (CIAF), el Instituto Geográfico Agus-tín Codazzi (IGAC) y el Departamento Administrativo de Ciencia, Tecnología e Innovación (Colciencias), se realizó el trabajo de investigación, enmarcado por la formulación y validación de la meto-dología de este tipo de información, proporcionada por los sensores de radar.

Para evaluar los datos de radar aplica-dos al diagnóstico y caracterización de fenómenos de subsidencia, se utiliza-ron procesos o aplicaciones de algorit-mos matemáticos desarrollados según los principios físicos de las técnicas interferométricas IfSaR, InSaR, DinSaR y PolinSaR y fueron ejecutados por los softwares Erdas Imagine, Envi 4.7 y Pol-SaRpro. Allí se desarrolla la técnica de procesamiento digital CPT, Técnica de los Píxeles Coherentes (Coherent Pixel Technique).

La aplicación de IfSAR, InSAR DinSAR y PolinSaR se está realizando desde hace algunos años, debido al gran poten-cial que representa en diferentes apli-caciones geológicas, principalmente en el monitoreo y en la medición de los fenómenos de subsidencia. Este tema se ha convertido en un proble-ma ambiental y económico para los gobiernos del mundo; tal es el caso de Estados Unidos, donde más del 80% de las áreas identificadas con procesos de subsidencia se encuentran asocia-das a la extracción de gas y petróleo y a la extracción de aguas subterráneas para diferentes fines (National Reserach Council, 1991).

Desde principios de los años 90 los su-mideros y los hundimientos amplios y poco profundos (WSSFs) han sido el mayor problema de las playas del mar


Muerto en Israel y Jordania, identifi-cados y caracterizados con la aplica-ción de la técnica de InSAR (Baer et al., 2010).

En la ciudad de Shanghái existe el fenó-meno de la subsidencia desde 1921, por la retirada del nivel freático del subsuelo y el rápido desarrollo de la infraestruc-tura urbana. Ha sido medida y/o moni-toreada utilizando la interferometría de radar para generar mapas de grandes áreas, utilizando la menor cantidad de recursos (en comparación directa con los métodos tradicionales de agrimen-sura). Se utilizaron técnicas de PolinSAR y una forma avanzada del DInSAR con-vencional para la medición de la tasa de subsidencia de la ciudad de Shanghái (Damoah-Afari y Ding, 2010).

Para la aplicación de la metodología de trabajo y determinación de fenómenos de subsidencia, en Colombia se eligió la zona de estudio en Saldaña, en la cuenca del Valle Superior del Magdale-na, por ser la segunda cuenca sedimen-taria de hidrocarburos de producción, de importancia en el territorio nacional y por el suministro de imágenes radar con algunas características interfero-métricas. Se realizó una búsqueda en el Banco Nacional de Imágenes (BNI) del IGAC y se encontraron dos imágenes de RadarSat-2 en formato CEOS con un tipo de producto SGF (Path Imag, pro-cesamiento que alinea la escena parale-la a la órbita del satélite y los datos son convertidos a un rango base mediante multi-looked) y una SLC (Single-look Complex, con un nivel de datos pro-cesados que ha sido corregido por los errores recibidos por el satélite e incluye información de latitud y longitud, con datos en una óptima resolución dispo-nible para cada beam mode y con la información de fase y amplitud de los datos originales SAR), respectivamente.

Las imágenes de RadarSart-2 están su-ministradas en un modo fino, con las cuatro polarizaciones (Quad Fine), ca-racterística óptima para el análisis de

interferogramas y mapas de coheren-cia; pero con este sensor no se pudieron establecer mapas de desplazamiento ni aplicación de técnicas DinSaR por los problemas orbitales que presentaron estas imágenes.

Para la validación de la metodología de trabajo y poder llevar a cabo todos los procesos digitales y la determinación de áreas con fenómenos de subsiden-cia, se eligieron imágenes (Quad Fine), con formato VEXCEL en un modo de operación de toma de FBDH (Modo Fino) y PLRM (Modo Polarimétrico), con un nivel de adquisición 1.1 correspon-diente a productos SCL de Alos Palsar, imágenes interferométricas con com-binaciones cruzadas HH+HV y con las cuatro polarizaciones correspondientes a la zona de interés.

1. Marco conceptual

El Radar de Apertura Sintética (SAR, Syn-thetic Aperture Radar) opera mediante el efecto físico de Doopler ayudando a la observación realizada cuando hay un movimiento relativo entre el objeto y el sensor y a su resolución espacial. El sistema SAR registra los pulsos de un mismo objeto en la superficie, en mo-mentos distintos de la trayectoria del sensor.

El SAR es un sistema de iluminación lateral que origina una imagen de la superficie terrestre. Su movimiento a lo largo de la trayectoria hace que el ra-dar ilumine hacia el lado de la dirección de vuelo, originando franjas continuas y paralelas entre sí, de la superficie en observación, registrando la información de las microondas que se reflejan. Esta señal registrada se graba a bordo del sensor, que se procesa apropiadamente para formar una imagen digital.

El primer satélite que incluyó la técni-ca InSaR fue SeaSat, con datos de los años 80. En los 90 el potencial de esta

145


técnica fue desarrollado bajo el lanza-miento de ERS-1 (1991), JERS-1 (1992), RadarSat-1 y ERS-2 (1995). Estas plata-formas proporcionaron las órbitas esta-bles, bien definidas y las líneas de fondo cortas necesarias para InSaR. Más recien-temente, en la misión de la NASA STS-99 en febrero de 2000, se utilizó una antena del SaR con el fin de recopilar los datos para misión de la topografía terrestre. En 2002 ESA lanzó su propio instrumento SaR, diseñado como sucesor de ERS, a bordo de Envisat. Mientras que la mayo-ría de InSaR hasta la fecha ha utilizado los sensores de la banda C, las misiones re-cientes tales como Alos PalSaR y TerraSaR-

X están ampliando los datos disponibles en las bandas L y X para mejores precisio-nes de altimetría.

La Agencia Espacial Japonesa (JAXA) ha definido un escenario estándar de ob-servación para ALOS a partir de criterios climáticos, es decir, ha creado un archivo mundial de imágenes complementarias con una resolución de 2.5 m en pancro-mática, resolución 10 m en multiespec-tral y resoluciones de 10 m a 100 m para el radar (Palsar). Para las adquisiciones en modo rutina se activan alternativamente por defecto cuatro modalidades:

Tabla 1. Características datos imágenes Alos-Palsar

Modalidad Palsar Resolución Polarización Corredor

FBS Fine Resolution 10 m Single HH 70 km

FBD Fine Resolution 20 m Dual HH+HV 70 km

SL ScanSAR 100 m Single HH 350 km

P Fine Polarimetric 30 m HH+HV+VH+VV 30 km

Los softwares que procesan con técni-cas SaR, con disponibilidad para el uso libre y académicos son:

▪ IMAGINE InSAR, paquete con proceso comercial encajado adentro Erdas Ima-gine, manejado con código es C++.

▪ ROI PAC, software libre producido por la NASA y basado en UNIX.

▪ DORIS– programa realizado por la Universidad de Delft de la tecnología, basado en código C++, mediante una multiplataforma portable. Distri-buido bajo la licencia de GLP.

▪ GAMMA, software comercial que consiste en diversos módulos y cu-bren la informática del SAR, interfe-rometría, interferometría diferenciada (DinSaR), y el análisis interferométrico, funciona en Solaris, Linux, OS X, Win-dows y en la plataforma Mac para los institutos de investigación.

▪ SARscape- software comercial que consiste en diversos módulos que

cubren la informática del SAR y realiza interferometría de ScanSAR, interferometría diferenciada del SAR, Scatterers persistentes, polarimetría e interferometría polarimétrica, funcio-nando como extensión de ArcView y de ENVI bajo OS de Windows, de Linux y de Mac.

▪ PULSAR- software comercial, basa-do en UNIX.

▪ DIAPASON- software comercial, con-vertido originalmente por la agencia francesa del espacio CNES y manteni-do por Altamira Information, basado en UNIX y Windows.

▪ PolSaR-Pro- software libre, desarro-llado por la agencia europea ESA por un consorcio formado por IETR de la Universidad de Rennes.

La misión TanDem fue realizada en 1995 por los dos satélites ERS, con una sepa-ración de un día para este propósito. Una segunda opción para generar mo-delos digitales del terreno es utilizar dos


antenas con una cierta distancia de se-paración en la misma plataforma, adqui-riendo imágenes al mismo tiempo. Esta aplicación fue seguida por la NASA con la misión SRTM en el año 2000.

Las técnicas persistentes o permanentes del Scatterer son un desarrollo relativa-mente reciente de InSaR convencional, y estudian los pixeles que siguen siendo coherentes sobre una secuencia de in-terferogramas. En 1999, investigadores del politécnico Di Milano (Italia), desa-rrollaron un nuevo acercamiento de la multiimagen, que busca en el apilado de las imágenes objetos en la tierra con re-flexiones constantes y estables. Estos ob-jetos podían ser del tamaño de un pixel o mayores al pixel secundario clasificado, y están presentes en cada imagen del apilado. Ellos patentaron la tecnología en 1999 y crearon la compañía spin-off Europa Tele-Rilevamento para comercia-lizarla y realizar la investigación en curso.

Uno de los productos InSaR es el mo-delo digital de elevación (DEM) re-construido a nivel mundial mediante el “two-pass”, paso doble del satéli-te capturando imágenes radar; entre estos está el SRTM de 90 y 30 m de resolución, con problemas en las lati-tudes altas en el primero, con áreas de cobertura pobre y donde los datasets alternativos deben ser encontrados y corregidos. Algunos centros de investi-gación y otras compañías desarrollaron sus propios algoritmos, que también superan las limitaciones de InSAR. En la literatura científica, estas técnicas se refieren colectivamente como técnicas persistentes de la interferometría o de la PSI del Scatterer. La interferometría persistente del Scatterer con el término (PSI) fue creada por la ESA para definir la segunda generación de las técnicas de la interferometría del radar. Tales técnicas han sido comúnmente utiliza-das en las áreas urbanas con las por-ciones de estructuras permanentes; por ejemplo, fue utilizada para el estudio de las ciudades europeas (proyecto de Terrafirma, conducido por el satélite de

NPA traz). Durante 5 años, este servicio ha entregado la información referente a hundimiento y levantamientos urba-nos, estabilidad y deslizamientos, de-formación sísmica y volcánica, las líneas de la costa y los llanos de la inundación.

Las técnicas interferométricas pueden dividirse en convencionales y avanza-das. Las primeras permiten la combina-ción de dos imágenes SAR para obtener el movimiento del terreno, al cual se le añade un término de error debido a la componente de fase ruidosa y atmos-férica. Las técnicas avanzadas van más allá, pues permiten aislar completa-mente el término de la fase debido al movimiento. En este último grupo está la denominada técnica de los píxeles coherentes (Figura 1). En ella, el proce-sado de la señal se divide en dos fases, la correspondiente a la extracción del componente de una deformación lineal y la correspondiente al cálculo de otra no lineal. El cálculo del componente lineal incluye la estimación de la velo-cidad media de deformación y el error del modelo digital del terreno (MDT). El término no lineal se determina aplican-do un filtrado espacio-temporal para la extracción de los artefactos atmosféri-cos y los componentes de baja y alta resolución de la deformación no lineal. Esta es precisamente una de las princi-pales ventajas de esta técnica avanzada frente a la Interferometría SAR conven-cional: el hecho de que el componente atmosférico puede ser aislado por el comportamiento variable en el tiempo y en el espacio de los artefactos atmosfé-ricos frente al comportamiento estático del término de movimiento no lineal. La Figura 6 muestra un diagrama de flujo simplificado del procesado, y la descrip-ción detallada de la técnica CPT puede encontrarse en Mora et al. (2003) y Mora (2004).

La interferometría SAR es una técnica ba-sada en la combinación de dos imágenes SAR de la misma escena, adquirida desde puntos de vista ligeramente diferentes. Las imágenes SAR expresan la distribu-

147


ción espacial de la amplitud y la fase de los ecos radar registrados por el sistema (reflectividad) correspondiente a los ob-jetos presentes en la escena o área barri-da por el satélite. La combinación de dos imágenes SAR de la misma escena, to-madas en instantes diferentes, da como resultado una nueva imagen conocida como interferograma. El interferograma se genera multiplicando una imagen por el complejo conjugado de la otra. Así, la fase del interferograma corresponde a la diferencia de fase de ambas imágenes SAR, calculada pixel a pixel. La fase de cada imagen SAR está relacionada con la distancia entre las antenas y la tierra y por lo tanto con la geometría de la escena. El interferograma representa la variación de la fase (int) entre las dos imágenes, y la fiabilidad en su estimación depende de la coherencia, parámetro que sirve para caracterizar y medir todas las fuentes de de correlación. Esta fase puede expresar-se como (Hanssen, 2001; Mora, 2004):

ΔΨ int = ΔΨ compT + ΔΨ topo + ΔΨ

mov + ΔΨ atmos + ΔΨ ruido (1)

donde

ΔΨ compT es la componente de tierra plana relacionada con la distancia en rango.

ΔΨ topo es la fase topográfica.

ΔΨ mov es la componente de la fase in-terferométrica debida al desplazamiento del terreno entre dos imágenes SAR me-dida en la dirección de rango (o Line Of Sight, LOS).

ΔΨ atmos es la componente de la fase rela-cionada con los fenómenos atmosféricos.

ΔΨ ruido constituye el factor de degra-dación de la componente de la fase interferométrica.

La interferometría Single-passs Polari-metric SAR (PoLInSaR) es una de las alternativas eficientes que combina los beneficios de la polarimetría con una medida directa de la geometría detectada y que el software de Envi y PolsaR-pro lo incluyen en su registro de programa y están conceptualiza-dos por lo general en los módulos de polarimetría-interferometría.

Imágenes SAR

Corregistración

Coherencia

Coherencia diferencialInterferogramas difer.

Ajuste de función del modelo alos pixeles coherentes

Velocidad linealError del MDT

Artefacto atmosféricosMov. No lineal de baja resol.Mov. No lineal de alta resol.

Interferogramas

MDT externo

Información órbita

Filtro espacio-temporal

Pixe

les

coh

eren

tes

Movimiento totalpixeles coherentes

Figura 1. Esquema simplificado de la Técnica de Pixeles Coherentes (CPT) Fuente: Blanco, P. et al., Monitoreo de la subsidencia del terreno en la vega media del río Segura mediante Interferometría SAR diferencial –DInSAR. Revista Gaceta 39 -2006.


2. Metodología

Para el desarrollo de la metodología y uso de datos de radar en la medición de fenómenos de subsidencia se traba-jó el sector de Saldaña, departamento

Figura 2. Localización de zona de

estudio parte sur de la Cuenca del Valle

Superior del Magdalena

Las imágenes interferométricas corresponden a:

Imagen Codificación Imagen Formato Pase Orbital Polarización

RadarSat-2 R- R2_26FEB2009QP CEOS Descendente HH HV VH VV

RadarSat-2 2RS2_OK4419_PK58273 CEOS Descendente HH HV VH VV

Alos-Palsar 5- PASL100090408033716 VEXCEL Ascendente HH HV VH VV

Alos-Palsar 4- PASL100090610033955 VEXCEL Ascendente HH HV VH VV

Alos-Palsar 3- W0435143001-02_0040 VEXCEL Ascendente HH HV VH VV

Alos-Palsar 0- PASL100070610034508 VEXCEL Ascendente HH + HV




del Tolima (Figura 2), perteneciente a la parte sur de la cuenca sedimentaria de hidrocarburos del Valle Superior del Magdalena (VSM).

149


El desarrollo del procesamiento digi-tal tuvo en cuenta cinco (5) etapas descritas a continuación, las cuales se llevaron a cabo para utilizar los datos de las imágenes de radar y hacer el diagnóstico de los fenómenos de sub-sidencia en la parte sur de la cuenca:

2.1 ETAPA I. Evaluación de los datos y del formato original de las imágenes

El desarrollo del despliegue de datos y el manejo del formato CEOS original de las imágenes de RadarSat-2 se realiza-ron bajo el programa especializado de Envi (módulo SaRscape), y el del forma-

to VEXCEL original de las imágenes de Alos Palsar se realizó bajo el programa especializado de Erdas 2010 (módulo Radar), de acuerdo con el diagrama de flujo de trabajo de la Figura 3.

El tipo de producto entregado de las imágenes Palsar corresponde a un FBDH (Modo Fino) y PLRM (Modo Polarimé-trico), con un nivel de adquisición L-1.1 correspondiente a productos SCL (Sin-gle-look Complex, con un nivel de datos procesados que ha sido corregido por los errores recibidos por el satélite e in-cluye información de latitud y longitud, con datos en una óptima resolución disponible para cada beam mode y con la información de fase y amplitud de los datos originales SAR).

Figura 3.Diagrama de flujo de trabajo de procesamiento digital interferométrico de imágenes SAR.Fuente: Modificado de Aplicación de la interferometría radar de satélite para el estudio de las deformaciones del terreno producidas por los terremotos de Bam (Irán, 2003), L’Aquila (Italia, 2009) y Pedro Muñoz (España, 2007)

Datos OriginalesRadar

FormatosCEOS VEXCEL

Datos OriginalesOrbitales

IProcesamiento Digital de los Datos Originales

IICorregistro

Imágenes de Fase

IIIGeneración de

Interferogramas

IV VProductos Finales

ProductoFinal

Mapa Desplazamiento

Mapa Coherencia

FormatosImágenesSCL

EfeméridesOrbitales

Importación DatosOrbitalesGenéricos

Parámetros

ParámetrosImagen Fase

Interferograma

CoregistroImportación

Datos

I. Evaluación de los datos y formatos CEOS y VEXCEL de las imágenes suministradas para la aplicación y sustracción de zonas de subducción en la parte sur del Valle Superior del Magdalena, zona de Saldaña.

III. Generación de interferogramas de los pares polarimétricos de los Alos Palsar. Utilización de técnicas InSar.

IV. Generación de imágenes de coherencia de los pares polarimétricos de Alos Palsar. Técnica de Pixeles Coherentes.

V. Generación de imágenes de desplazamiento del par de polarimétrico de radar. Técnicas DinSaR

II. Corregistro de imágenes base


Este formato de datos está dado en la geometría del rango de inclinación y el tipo de datos es de 32 bits, tal como se requiere para procesamiento inter-ferométrico.

2.2 ETAPAS II a V. Procesos de interferometría

Una vez realizada la importación de datos e imágenes bajo el esquema y formatos del software especializado se generaron mapas en formatos .img y .tif para poder trabajarlos y visualizar-los. La Figura 5 muestra la cobertura de algunas de las imágenes Alos Palsar y los resultados según la metodología propuesta para generación de interfe-rogramas.

La cadena de proceso digital empleada para la obtención de interferogramas va-ría de acuerdo con el software utilizado y la aplicación, pero normalmente incluye registro de imágenes, remuestreo y regis-tro, cálculo del interferograma, filtrado del interferograma, desenrollado de fase, paso de fase desenrollada a alturas y georreferenciación.

Dentro del flujo de trabajo para la ge-neración de interferogramas los pasos realizados fueron:

▪ Proceso de aplanamiento

▪ Utilización de filtros

▪ Desenrollado de fase

▪ Refinamiento orbital

En la extracción de fase se invierten las funciones trigonométricas, obtenién-dose con ambigüedad en el número de ciclos. Esto hace que la imagen in-terferométrica conste de una serie de franjas claras y oscuras en el rango de (–π,+π)moduladasporlasuperficieylas propiedades de la superficie terres-tre del área observada. Es así como para derivar correctamente la altura de cada punto, hay que reconstruir las diferen-cias de fase que se crean en el interfero-grama y es necesario obtener el número de ciclos sin ambigüedad, de tal modo que la imagen sea continua y sin fran-jas. A esta reconstrucción se le denomi-na desenrollado de fase y consiste en interpretar las variaciones de alturas o variaciones de distancias.

Luego, en el refinamiento orbital se realiza el corregistro de las imágenes, según los parámetros orbitales de cada imagen, donde la imagen símil o “es-clava” se alinea con la imagen de refe-rencia o “máster”, y se realiza el cálculo de la fase, dependiendo del elipsoide de referencia. Esto con el fin de estimar y obtener mapas de desplazamiento mediante el reaplanamiento del interfe-rograma y puntos de control.

Figura 4. Metodología de

análisis Interfero-gramas Sintéticos

y Filtrados

151


3. Resultados y discusiones

Se realizan las técnicas adecuadas de corregistro con el fin de obtener los in-terferogramas para cada polarización. Los algoritmos fueron trabajados di-rectamente con la matriz de dispersión, que es un descriptor polarimétrico de primer orden. El corregistro se basa en la correlación cruzada de las amplitu-des al cuadrado de las dos imágenes. Los interferogramas se generan de ma-nera similar a la correlación estándar; los puntos de registro son aquellos que maximizan la coherencia, tanto en am-plitud como en fase de la longitud de onda (llamada coherencia compleja), y se multiplica punto a punto la señal de la imagen símil o secundaria por la se-ñal compleja de la imagen referencia.

Los resultados de interferogramas sin-téticos y filtrados se pueden observar en la Figura 4, así como la metodología para el análisis de resultados en el pro-ceso de interferometría para la genera-ción de mapas coherentes y mapas de desplazamiento. Estos pasos se realizan con cada una de las polarimetrías, ade-más de analizar el estado de interfero-gramas de fase.

En la Figura 5 se muestran los interfe-rogramas sintéticos y filtrados corres-pondientes al proceso interferométrico de las imágenes con fechas 8 de abril (5), 15 de junio (4) y 10 de junio (6) de 2009; siendo estas de fechas cercanas, se realizó la técnica DinSar para estable-cer el estado actual del terreno utilizan-do la imagen seis (6) como referencia y las imágenes cuatro (4) y cinco (5) como símiles. La imagen de referencia se estableció porque cubre el total del área de las dos imágenes símiles y tiene las cuatro polarizaciones, establecien-do relación con las otras dos imágenes que tienen polarización HH y HV.

Teniendo el desenrollado de fase y los interferogramas reconstruidos se ge-nera el Modelo Digital de Elevación, (DEM). Para ello se invirtió el modelo

Figura 5 (arriba).Interferogramas imágenes

Figura 6. Mapas de desplazamiento vertical detectado por el sensor Alos Palsar entre junio de 2007 y julio de 2008 en el sector sur (Saldaña) de la cuenca del Valle Superior del Magdalena

geométrico ajustado de la imagen prin-cipal, dependiendo de las diferencias de fase reconstruidas, obteniendo el producto georreferenciado, mediante la técnica DinSaR para generación de mapas de desplazamiento, los cuales se presentan a continuación y según las diferentes combinaciones posibles realizadas que se pueden visualizar en las Figuras 6 y 7.


En la Figura 7 se muestran los mapas de desplazamiento correspondientes a las escenas SAR en polarización HH y HV, reflejando cambios de altura al-tos (negativos) en los meses del abril y junio de 2009 en sectores sobre el río Magdalena, en las llanuras de las poblaciones de Prado, Purificación y Saldaña, asociados a sectores de posi-bles cultivos y otras actividades de uso del suelo, por lo que estos resultados para diagnóstico de subsidencia en sectores de exploración y explotación de hidrocarburos no son influyentes. Sin embargo, para un período de dos años (2007 a 2009) el mapa de despla-zamiento de las imágenes 5-0, en la Figura 7 arroja resultados de altos po-sitivos hacia el bloque cabalgante de la Falla Oriental del Magdalena, so-bre el campo de exploración de Pechui (Ecopetrol) y el campo de explotación del Espinal (Petrobras).

Los mapas de desplazamiento indican, para el periodo de dos años sobre los campos de open roun 2010, una esta-bilidad del terreno, mostrando cam-bios graduales en toda el área de la imagen SAR, presentándose alturas ne-gativas hacia el sureste de esta escena y valores más estables sobre las zonas de las Fallas de Altamizal y de Colombia. La estructura geológica de la Falla (de Prado) Oriental del Magdalena no pre-senta cambios de coherencia aprecia-bles que estén generando subsidencia, asociados a esta estructura geológica; sin embargo, se necesita realizar mayor procesamiento digital riguroso y cono-cer la historia sísmica de la zona y su comportamiento, mediante puntos de control de GPS para verificar el movi-miento o los movimientos del sector. Se debe comparar con algún registro de producción y evolución geológica en el sector Saldaña sobre la cuenca sedimentaria del sur del Valle Superior del Magdalena, ya que la variabilidad y el cambio de las alturas está dando el mapa de coherencia que se observa en los interferogramas. Se recomienda que una vez realizado el procesamien-to digital interferométrico y se genere

Figura 7. Mapas de

Desplazamiento vertical generados para el sector sur

(Saldaña) de la cuenca del VSM

Desde la generación del interferogra-ma sintético se observan cambios en la superficie hacia el sector occidental en la margen izquierda del río Magdale-na sobre campos de producción como Abanico y Espinal, que en el mapa de desplazamiento (Figura 7) dan alturas negativas indicando una leve subsiden-cia que es marcada por el límite de la Falla del Prado, en este sector. Hacia el sector del sinclinal, oriental, marca alturas negativas, indicando cambios de superficie que se pueden asociar a áreas con fenómenos de subsidencia por explotación de hidrocarburos, debi-do a la cercanía con el eje del anticlinal allí expuesto; también se ven cambios en la zona de exploración de Guasimo, hacia la población del Guamo. De igual forma, en las regiones de poblaciones como Saldaña y Purificación, registra-dos en el interferograma final (Figura 10). En el área de intercepción de los dos ríos se observa un sector con gran variabilidad, en medio de sus mean-dros, que presenta cambios asociados a cultivos por ser esta zona.

153


un mapa en un formato de imagen, se trabaje suprimiendo la vegetación o se siga un procedimiento para poder extraer la capa de vegetación de las imágenes de radar como identificación de canopic en estas zonas de bosque, para estar seguros de los cambios que se están presentando.

En la Figura 8 se observan los resultados de interferogramas y mapas de cohe-

rencia de las imágenes RadarSat-2 del 2009, entre febrero y mayo. Hay cam-bios de coherencia en las regiones de po-blaciones como Saldaña y Purificación. En el área de intercepción de los dos ríos se observa un sector con gran variabi-lidad, en medio de sus meandros, que presenta cambios asociados a cultivos. Se debe comparar con algún registro de producción y evolución geológica en el sector de Saldaña, sobre la cuenca se-

Figura 8.Procesamiento digital y técnicas interferométricas de las imágenes RadarSat


dimentaria del sur del Valle Superior del Magdalena, pues con la variabilidad y el cambio de las alturas, registrados en los mapas de coherencia que se observan en los interferogramas, están presentes en las zonas de bosque tropical.

Aunque los procesos digitales aplica-dos han sido los mismos para las dos fuentes de sensores, con los datos de RadarSat-2 no se logró realizar el re-finamiento de fase y los productos de mapas de coherencia no son ajustados a su geoposicionamiento, según los datos orbitales originales sumistrados; por lo tanto, no se presentan los pro-ductos de mapas de desplazamiento derivados de este sensor.

Por el contrario, con los datos del sen-sor Alos Palsar se generaron los mapas de desplazamiento respectivos y se ven sus diferencias. Sin embargo, para se-guir realizando este tipo de técnicas de procesamiento y establecer un diag-nóstico de las cuencas sedimentarias y de campos de hidrocarburos de pro-ducción, de exploración o simplemen-te establecer el estado actual de cada cuenca, es necesario combinar tipos de datos de sensores remotos con datos directamente tomados en el terreno. Además, seguir realizando extracción de datos con procesos y técnicas de sensores aerotransportados, para evi-tar co registros tan ambiguos como el que generan los pases orbitales de los sensores satelitales, pero que por su temporalidad y cubrimiento en la toma de datos son las mejores herramientas

geoespaciales que proporcionan de for-ma rápida el diagnóstico de subsidencia asociado a campos de hidrocarburos.

La Figura 9 muestra el mapa de despla-zamiento vertical detectado por el sen-sor Alos Palsar, en un periodo de un año (2007 a 2008), con Polarización HV en el sector sur (Saldaña), en zonas de la cuenca del Valle Superior del Magdale-na; y se compara con sus unidades geo-lógicas. Es la zona con mayor contraste entre los movimientos verticales detec-tados por técnicas de sensores remotos o teledetección relacionado a la tectóni-ca allí existente, donde los movimientos de subsidencia son bajos y orientados según la dirección de la Falla del Prado. Por el contrario, se ve un moderado le-vantamiento del terreno percibido por los datos radar, que delimita el cabal-gamiento de la Falla de Altamira y está presente al este de la Falla de Colombia, dentro del área del campo exploratorio denominado Villarrica Norte.

Sin embargo, con los datos del mismo sensor, pero con las escenas de mayor detalle y menor cubrimiento, se obser-va que los movimientos verticales aso-ciados a subsidencia de mayor rango (Figura 7) se encuentran en la zona orientada al noroeste, sobre el campo de producción denominado Espinal. Con la escena contigua y con los datos de radar de la escena de similares características, del sensor Alos Palsar, también se detecta una zona de moderado hundimiento, en el área exploratoria del campo Pechi, fe-nómenos asociados a subsidencia, que deben ser estudiados de acuerdo con el comportamiento de la geología de extensión de la cuenca sedimentaria y su tectónica.

Al relacionar técnicas interferométricas de datos radar en cuencas sedimenta-rias con fenómenos de subsidencia, hay que tener en cuenta que los da-tos provenientes son de sensores re-motos y de satélite, con un periodo de aparición desde el 2001 y con tomas específicas para estas técnicas de pro-

Figura 9. Comparación del mapa de

desplazamiento vertical

Polarización HV con Unidades

Geológicas

155


cesamiento digital desde el 2006. Por tanto, para establecer una correlación de estos fenómenos con la evolución de la cuenca es necesario saber a priori el comportamiento de esta y relacionarla con la historia de explotación del re-curso natural cuando se realiza la aso-ciación con campos de producción de hidrocarburos. También se debe esta-blecer por medio de otros recursos de imágenes el estado actual de las cuen-cas sedimentarias, que aún no han sido explotadas y que en un futuro pueden ser productoras.

Además de diagnosticar su estado ac-tual, se deben utilizar estas técnicas para el monitoreo y chequeo de cada campo o región de las cuencas sedi-mentarias para una mejor aproxima-ción en la evaluación de subsidencia.

Conclusiones

En la búsqueda y adquisición de imáge-nes SAR para procesos y técnicas interfe-rométricas se debe tener en cuenta que el producto siempre esté en la geome-tría del rango de inclinación, y sea SLC (Single Look Complex). En el caso de Ra-darSat los productos con estas caracterís-ticas corresponden al sensor RadarSat-2 y en el caso de imágenes Alos-Palsar a los productos FBD y PLR que utilizan un nivel de números complejos.

Es necesario continuar investigando téc-nicas de interferometría y realizar más combinaciones con las siete imágenes Alos Palsar, y demás sensores SAR po-sibles para realizar la cuantificación del diagnóstico de las zonas de subsidencia en este sector, además de evaluarlos con los datos y localización de pozos y su producción.

Para una mejor verificación y chequeo de procesamiento de las imágenes Alos-Palsar se recomienda realizar las mismas técnicas interferométricas de InSaR, CPT y DinSaR con el módulo de

SaRscape de Envi y realizar las diferen-tes comparaciones de resultados.

Las especificaciones para realizar diag-nósticos de subsidencia dentro de las zonas de las cuencas sedimentarias de exploración y explotación de hidrocar-buros y sus derivados son:

▪ Adquirir imágenes de radar de la misma zona, del mismo sensor, del mismo pase orbital (ascenden-te o descendente) y en lo posible polarimétricas (para el desarrollo de combinaciones) para conocer y establecer el estado de la superficie de terreno, con ello se aplican téc-nicas interferométricas.

▪ Además, tener dos o más imágenes de la misma zona y con las mismas características anteriores para de-terminar cambios de estado de la superficie, asociados a fenómenos de subsidencia por exploración y explotación de este recurso natural o al mismo comportamiento geoló-gico actual de la zona.

▪ El par interferométrico o de refe-rencia no debe tener una línea base mayor a 200 m para evitar incerti-dumbre en la generación de mode-lo de referencia para la superficie del terreno, y con un barrido bueno para evitar mayores ajustes y correc-ciones geométricas en la imagen.

▪ Es necesario tener varias imágenes polarimétricas y realizar múltiples in-terferogramas y mapas de coheren-cia (por lo menos 12) para un análisis riguroso; además, saber y entender la historia geológica de cada cuenca sedimentaria o del sector por anali-zar, que presenta la imagen, al igual que tener datos de producción y ex-plotación hidrocarburífera para dar explicación a los sitios con fenóme-nos de subsidencia que se presenten con los procesamientos digitales de las imágenes de radar y hacer su res-pectiva validación.


▪ Con imágenes de pase orbital ascen-dente y descendente se realiza una mejor comparación de productos de mapas generados, que sería lo más conveniente en el desarrollo de este tipo de diagnóstico y análisis, aunque implicaría tener el doble de imágenes para su desarrollo. Dependiendo de las expectativas y el costo, se tendría en cuenta para el desarrollo comple-to en determinación de fenómenos de subsidencia y evaluación de cuen-cas sedimentarias de hidrocarburos.

Se deben seguir aplicando metodolo-gías y pruebas con esta clase de técni-cas y con diferentes sensores para lograr establecer y realizar una valoración de cuencas sedimentarias en el territorio co-lombiano, que ayuden y sean parte del diagnóstico, evaluación y monitoreo tan-to en el sector minero-energético como en la caracterización del estado actual de las cuencas que ayuden al diagnóstico y entendimiento de amenazas naturales, dentro de la gestión del riesgo y para la debida planificación territorial.

Glosario

ERSDAC Siglas en inglés “Earth Remote Sensing Data Analysis Center” cuyo significado es Cen-tro de Análisis de Datos de la Tierra Provenientes de Sensores Remotos, localizado en Japón.

CEOS Formato digital original definido por el Comité de Satélites de Observación de la Tierra (CEOS ’Committee on Earth Observation Satellites’) para imágenes de datos de sensores remotos.

VEXCEL Formato digital original según el procesador distribuido por ERSDAC and JAXA, Agen-cia espacial japonesa.


BAER, Gidon, SCHATTNER, Uri, WACHS, Daniel, SANDWELL, David, WDOWINSKI, Shimon y FRYDMAN Sam. The lowest place on earth is subsiding— An InSAR (interferome-tric synthetic aperture radar) perspective. [En línea]. Disponible en: http://topex.ucsd.edu/sandwell/publications/87.pdf [Citado en 22 de febrero de 2010].

CASTAÑEDA, C. et al. Comparación de dos técnicas de Interferometría Radar mediante defor-maciones generadas por disolución de evaporitas, minería y deslizamientos (valle de Ebro, España). Teledetección: Agua y desarrollo sostenible. XIII Congreso de la Asociación Española de Teledetección. Septiembre 2009.

CARREON, D. Revista GEOS. Sección especial. Vol. 26 No. 1. Avances en los estudios de fractu-ramiento y subsidencia en México. Octubre 2006.

DAMOAH-AFARI, P, DING, X.L. Measuring ground subsidence in Shanghai using permanent scat-terer InSAR technique. [En línea]. Disponible en: http://www.aarsacrs.org/acrs/proceeding/ACRS2005/Papers/URM2-3.pdf [Citado en 22 de febrero de 2010].

EORC JAXA. ALOS Research and application project. [En línea]. Disponible en: http://www.eorc.jaxa.jp/ALOS/en/about/palsar.htm [Citado en 18 de febrero de 2010].

157


FERRETTI, Alessandro, MONTI-GUARNIERI, Andrea, PRATI, Claudio, ROCCA, Fabio & MASSON-NET, Didier. Part A InSAR Principles: Guidelines for SAR interferometry processing and interpretation. Noordwijk The Netherlands: ESA Publications, February 2007. 48 p.

INGEOMINAS. Memoria explicativa del mapa geológico del departamento del Tolima. Autor: NÚÑEZ T, A. 2001.

KETELAAR, V.B.H. (Gini). Satellite radar interferometry subsidence monitoring techniques. The Netherlands: Springer, 2009. 252 p. ISSN 1567-3200. ISBN 978-1- 4020-9427-9. e-ISBN 978-1-4020-9428-6.

LU, Zhong. ALOS PALSAR Interferometric Synthetic Aperture Radar (InSAR). Alaska Satellite Facility News & Notes. Volumen 4:4, 2007, 4p.

MONTI-GUARNIERI, Andrea, PRATI, Claudio, ROCCA, Fabio & MASSONNET, Didier. Part B InSAR processing: a practical approach. Noordwijk The Netherlands: ESA Publications, February 2007. 71 p.

MONTI-GUARNIERI, Andrea, PRATI, Claudio, ROCCA, Fabio & MASSONNET, Didier. Part C InSAR processing: a mathematical approach. Noordwijk The Netherlands: ESA Publica-tions, February 2007. 115 p.

MORA, O. et al. Técnicas de interferometría diferencial SAR para la obtención de mapas de deformación del terreno y control de edificios. Revista de Teledetección No. 21 Junio.- 2004.

MORA, O. y MALLORQUI, J.J. Monitorización de subsidencia desde satélite mediante técnicas interferométricas diferenciales. Revista Teledeteción, Medio Ambiente y Cambio Global. 2001. Universidad Politécnica de Catalunya (Barcelona [España]).

NAGEL, Rob. UXL encyclopedia of landforms and other geologic features. Miami: Thompson Gale, 2004. 342 p.

NATIONAL RESEARCH COUNCIL, Mitigating losses from land subsidence in the United States. Washington, D.C.: National Academy Press, 1991. 58 p.

UD DIN, Saif, AL-DOUSARI, Ahmad, AL-GHADBAN, Abdulnabi, ARITOSHI Mio. Use of interferometric techniques for detecting subsidence in the oil fields of Kuwait using synthetic aperture radar data. En: Journal of Petroleum Science and Engineering, N° 50, 2006, p. 1-10.

VAN DER KOOIJ, MARCO. Land subsidence measurements at the Belridge oil fields from ERS In-SAR Data. [En línea]. Disponible en: http://earth.esa.int/workshops/ers97/papers/vanderkooij1/ [Citado en 18 de febrero de 2010].

VEXCEL Corporation. PALSAR Algorithm Description. Document Number: VXPALSAR- 010. Ver-sion 1.0. August 8 2003. 72 p.

2 Consideraciones en la seleccion de imágenes satelitales para los estudios ambientales9 Zonificación para la planificación del uso de la tierra

en el municipio de Riosucio (Chocó)

Zoning planning land use in the municipality of Riosucio (Chocó)

Abstract This article presents a proposal for zoning of land for the municipality of Riosucio (Chocó), who-se scale is 1:100 000, since the secondary infor-mation for the respective analysis is at this level of detail, although the results serve for planning land use because they reflect the limitations and poten-tial, on the other hand is an academic exercise that allows to combine the methodology published by the IGAC in 2007 “Defining and sustainable alterna-tive uses the occupation of the national land” with the goodness of geographic information systems.

The results obtained indicate that there Riosucio, non-conflict areas (20.6%), overuse conflict equiva-lent to one (10.8%) and underuse conflicts in diffe-rent degrees equivalent to one (66.6%) of the total, which translates 416 195 hectares in which the mu-nicipality must be spent on conservation, to recover 16 490, to restoration 35 513 and 251 233 for sus-tainable use.

Key wordsZoning, planning, capacity utilization, sustainable use, underuse, overuse, conservation, recovery, res-toration.

Hasbleidy Hernández Guataquira1

Napoleón Ordóñez Delgado2

ResumenEn este artículo se presenta una propuesta de zo-nificación de tierras para el municipio de Riosucio, departamento del Chocó, cuya escala es 1:100 000, toda vez que la información secundaria para rea-lizar el respectivo análisis se encuentra a este nivel de detalle; no obstante, los resultados servirán para la planificación del uso de la tierra debido a que se reflejan sus limitaciones y potencialidades; por otro lado, constituye un ejercicio académico que permite conjugar la metodología publicada por el Instituto Geográfico Agustín Codazzi (IGAC) en el año 2007: “Definición de usos alternativos y sostenibles para la ocupación de las tierras a nivel nacional”, con la bon-dad de los sistemas de información geográfica.

Los resultados obtenidos señalan que en Riosucio existen áreas de no conflicto (20.6%), conflictos por sobreutilización, equivalentes a un 10.8%, y conflic-tos por subutilización en diferentes grados, equiva-lentes a un 66.6% del total, lo que se traduce en que 416 195 hectáreas del municipio se deben destinar a la conservación, 16 490 a recuperación, 35 513 a restauración y 251 233 a uso sostenible.

Palabras claves Zonificación, planificación, capacidad de uso, uso sostenible, subutilización, sobreutilización, conserva-ción, restauración, recuperación.

1 Geógrafa Universidad Nacional de Colombia. Correo electróni-co: [email protected]

2 Agrólogo, funcionario del IGAC y profesor de la Universidad Nacional de Colombia. Correo electrónico: [email protected] y [email protected] .

Zonificación para la planificación del uso de la tierra en el municipio de Riosucio (Chocó)


Introducción

El municipio de Riosucio se caracteri-za por formar parte de la denomina-da provincia biogeográfica del Chocó, siendo una de las zonas del mundo con mayor biodiversidad de especies ani-males y vegetales.

A su excepcional disponibilidad de re-cursos forestales e hidrológicos, en algunos casos, el uso que se le da no va de acuerdo con su capacidad de conservación y/o protección, por acti-vidades como la explotación forestal en grandes cantidades y la ganadería extensiva sobre terrenos deforestados.

Esas actividades han sido determinan-tes en la degradación de los suelos, al disminuir su capacidad productiva y de regeneración, y han aumentado debido a la demandan en el interior del país, las escasas oportunidades económicas de los habitantes y el en-demismo que caracteriza esta zona del país, por lo que se genera una fuerte presión sobre los ecosistemas bajo un modelo no sostenible, lo cual conlleva la pérdida de algunas coberturas vege-tales.

En este sentido, son de importancia las zonificaciones elaboradas por la Corpora-ción Autónoma Regional para el Desarro-llo Sostenible del Chocó (CODECHOCÓ), la primera elaborada en el 2001 a escala 1:100 000, en la que se parte del hecho de que la mayoría de los bosques naturales han sido afectados por extracciones selectivas de maderas de alto valor comercial y en la que se determinaron áreas forestales protec-toras, productoras y productoras-pro-tectoras.

Figura 1. Diagrama

Conceptual.Fuente: IGAC, 2007.

ZONIFICACIÓN PARA LA PLANIFICACIÓN DEL USO DE LA TIERRA EN EL MUNICIPIO DE RIOSUCIO (CHOCÓ)

SUBCOMPONENTEPEDOSFÉRICO

SUBCOMPONENTEMORFOHIDROLÓGICO

SUBCOMPONENTEAMENAZA, VULNERABILIDAD

Y RIESGO

SUBCOMPONENTECOBERTURA Y

USO DE LA TIERRA

SUBCOMPONENTEECOSISTÉMICO

Revisión bibliográficay cartográfica

Mapa deecosistemas

Mapa de zonificación alternativa de usos del

suelo para Riosucio (Chocó)

Revisión bibliográfica y cartográfica+ Elaboración de cartografía

Revisión bibliográfica y cartográfica+ Identificación de amenazas+ Análisis de vulnerabilidad

Revisión bibliográfica y cartográficaAnálisis morfométrico(mesocuenca) a partir del Modelo Digital de Elevación

Revisión bibliográfica y cartográfica+ Geología+ Geomorfología+ Clima+ Suelos+ Capacidad de uso

Uso potencial delas tierras

Prácticasde manejo

Índices de riesgo relativo

CONFRONTACIÓN

CONFRONTACIÓN

Mapa deconflictos de uso

de las tierras

Mapas de cobertura y uso

de la tierra

161


En un segundo estudio realizado en el año 2002, en el que las comunidades presentes forman parte activa del proce-so mediante la identificación de necesi-dades y fortalezas de índole ambiental, se determinaron áreas de uso principal, complementario, restringido y prohibido a escalas 1:50 000 y 1:25 000

Esta investigación busca, a partir de la caracterización del medio biofísi-co, establecer un uso adecuado que garantice la sostenibilidad ambiental, económica y social de las comunida-des mediante la adopción de metodo-logías que incluyan la definición del uso potencial de los suelos, la identi-ficación de la cobertura y el uso actual de las tierras y la puntualización de los conflictos de tipo biofísico presentes en el municipio.


Para la elaboración del proyecto men-cionado se realizó la adaptación de la metodología descrita por el IGAC en el año 2007 en “Definición de usos alter-nativos y sostenibles para la ocupación de las tierras a nivel nacional”, que con-sidera varios niveles de detalle; para este caso en particular y en virtud de la in-formación disponible, se optó por rea-lizar la propuesta a escala 1:100 000, en la que se describen los subcompo-nentes pedosférico, morfohidrológico, de amenaza, vulnerabilidad y riesgo, cobertura y uso actual de la tierra y el subcomponente ecosistémico.

Además de lo ya mencionado, se utili-zó la herramienta SIG para el procesa-miento de los datos y elaboración de cartografía y con la que se realizaron los respectivos análisis para todos los subcomponentes, dependiendo en cada caso de la información requerida y obtenida de los aspectos estudiados para el municipio. En la Figura 1 se ex-traen los procedimientos básicos para la elaboración de este artículo.

2. Resultados

2.1 Subcomponente pedosférico

En este subcomponente se estableció el uso potencial de acuerdo a la clasi-ficación por capacidad de uso; tenien-do en cuenta que la unidad espacial de análisis es la Unidad Cartográfica de Suelos (UCS) y la descripción de sus atributos. En este sentido se describe la geología, geomorfología, clima y sue-los para así obtener la clasificación ya mencionada.

En Riosucio se presentan cinco clases de capacidad; las clases III y IV poseen características apropiadas para produ-cir cultivos comunes, pastos y árboles bajo condiciones apropiadas de mane-jo; las tierras de clase VI tienen limita-ciones que las hacen inadecuadas para el establecimiento de cultivos anuales y el uso se limita a pastos y bosques o la combinación de los dos; las de clase VII se caracterizan por tener li-mitaciones severas para el estableci-miento de cultivos y/o pastos y su uso se restringe a bosques productores, protectores o productores-protectores o conservación; y las de clase VIII se caracterizan por poseer limitaciones extremadamente severas que las ha-cen inadecuadas para su explotación, y su uso se restringe a la conservación de vida silvestre, el establecimiento de bosques y la protección de las cuencas hidrográficas.

En la Figura 2 se puede observar que las tierras de clase III ocupan en el mu-nicipio un área de 57 665 hectáreas, localizadas en clima cálido húmedo y muy húmedo sobre terrazas y planos de inundación de piedemonte y plani-cie, con pendientes menores al 7%. Las de clase IV ocupan un área de 316 789 hectáreas, localizadas sobre los aba-nicos de piedemonte, plano de inun-dación de los valles y las terrazas de planicie aluvial donde las pendientes se encuentran entre 1 y 25%.


Figura 2. Mapa de

clasificación por capacidad

Figura 3. Leyenda mapa de

clasificación por capacidad de uso

Las de clase VI ocupan 50 352 hectáreas, sobre filas-vigas, lomas y colinas, cresto-nes, espinazos, abanicos y terrazas, con pendientes de 25-50%. Las de clase VII ocupan 205 494 hectáreas sobre filas-vigas, espinazos, crestones, lomas y coli-nas con pendientes de 50-75%.

Por último, las de clase VIII ocupan 95 023 hectáreas en zonas de filas-vigas y espinazos de montaña, lomas y coli-nas de lomerío y pantanos de la planicie aluvial.

163


2.2 Subcomponente morfohidrológico

Para la realización de este subcompo-nente se trabajó principalmente con la herramienta SIG, haciendo un análisis morfométrico de las unidades de capta-ción y concentración de aguas a partir del Modelo Digital de Elevación (DEM), del municipio, con el fin de dar a cono-cer las prácticas de manejo adecuadas de cada una de las mesocuencas identi-ficadas, tal como se puede observar en la Figura 4.

En primer lugar, se determinó el indi-cador de forma, para dar a conocer la captación de aguas dentro de las mesocuencas; luego se estableció el in-dicador de densidad de drenaje, el cual se definió a partir de las longitudes de los drenajes; y por último el indicador de pendiente de escurrimiento, que es-tablece la pendiente promedio de las mesocuencas. En la Tabla 1 se pueden observar los resultados de los procedi-mientos realizados de morfometría de cuencas para el municipio de Riosucio.

Teniendo los indicadores mencionados se interpretaron mediante el triángulo guía que se encuentra en la metodolo-gía de esta investigación, y de la que se obtiene la siguiente conclusión: las mesocuencas Cacarica, Salaquí y Truan-dó se caracterizan por ser de forma alargada, con densidades de drenaje bajas, es decir, que tienen baja ten-dencia a la erosión, y con relación a

Figura 4. Mapa de mesocuencas presentes en Riosucio

Tabla 1. Resultados de los análisis morfométricos de mesocuenca

Fuente: (IGAC, 2007) Adaptado para el municipio de Riosucio.

Mesocuenca Indicador de forma

Densidad de drenaje

Índice de pendiente

Prácticas de manejo

Cacarica 0.3 0.04 13.5 Mínimas

Tumaradocito 0.5 0.02 5.7 Mínimas

Salaquí 0.1 0.05 17.4 Mínimas

Sucio 1.0 0.02 7.5 Mínimas

Truandó 0.3 0.04 13.5 Mínimas

la pendiente presentan un moderado desnivel de escurrimiento de aguas; por tanto, requieren de prácticas mínimas de manejo. Por su parte, la mesocuen-ca del río Tumaradocito se presenta de forma oblonga y la del río Sucio de for-ma redonda, ambas con baja tenden-cia a la erosión, moderado desnivel de escurrimiento, y requieren prácticas de manejo mínimas.

2.3. Subcomponente de amenaza, riesgo y vulnerabilidad

Para este subcomponente se traba-jó sobre información secundaria, y se hace referencia a los efectos negativos que se presentan en la ocupación del territorio y que por su localización pue-den llegar a presentarse con mayor o


menor intensidad; en pocas palabras, es una alerta sobre la ocurrencia de un fenómeno sea natural o antrópico (Her-melin, 2005).

En primer lugar, se identificaron y des-cribieron los tipos de amenaza presen-tes en Riosucio, teniendo en cuenta que el municipio se localiza en una zona de alta ocurrencia de fenómenos naturales como la de subducción de la placa de Nazca con la Suramericana, que defi-nen fenómenos como la sismicidad,y la de Confluencia Intertropical, que pro-voca condiciones climáticas como la alta pluviosidad.

Entonces se encontró que Riosucio pre-senta amenazas de origen endógeno, como la sismicidad y licuación de are-nas, y exógeno, como la erosión fluvial, vientos naturales y las frecuentes inun-daciones; estas últimas consideradas de alto riesgo porque gran parte del territorio está sujeto a este fenómeno por el aumento del caudal de los ríos

Atrato, Salaquí, Truandó, Domingodó y Curvaradó sobre aquellas poblaciones asentadas a lo largo de estos (Figura 5).

En segundo lugar, se estableció el indi-cador de amenaza y grado, en donde se asignaron valores numéricos según las características del fenómeno y de acuerdo con el impacto que produce sobre la población, infraestructura y ac-tividades económicas del municipio, tal como se puede observar en la Tabla 2.

La amenaza por inundación es alta; los corregimientos afectados se loca-lizan sobre los cauces de los ríos si-guiendo un patrón de poblamiento característico de muchas comunidades del departamento que afecta no solo a las poblaciones asentadas, sino a los cultivos y las actividades económicas allí establecidas; las áreas altamente inundables ocupan 138 080 hectáreas y las bajamente inundables 65 939 hectáreas.

La amenaza por sismicidad tambien se cataloga como alta, por la localización del municipio y porque los sismos ocu-rridos en los últimos años han dejado importantes pérdidas materiales y de población, y donde hay que considerar que gran parte de la comunidad habita sobre diques aluviales sin consolidar, lo que genera un factor de riesgo frente a la ocurrencia de fenómenos de licua-ción de arenas ya presentados en even-tos anteriores.

Respecto a las amenazas por erosión fluvial y vientos fuertes no se encontró información específica, y aunque no representan una amenaza significati-va son de especial atención porque el avance de la erosión sobre las orillas del río Atrato va en aumento, más si se tiene en cuenta que gran parte de la población se encuentra allí asenta-da y los vientos fuertes amenazan las viviendas.

Figura 5. Mapa de amenaza por inundación en

Riosucio

Tabla 2. Calificación de indicadores de amenaza

Indicador de amenaza y grado Puntos

1 Amenaza por inundaciones fluviales alta (Ia) 10

2 Amenaza sísmica alta (Sa) 10

3 Amenaza por erosión moderada (Em) 3

4 Amenaza por vientos naturales fuertes (Vf) 1

Fuente: (IGAC, 2007:50) Adaptado para el municipio de Riosucio.

165


2.4 Subcomponente cobertura, uso y conflicto

El objetivo principal de este subcom-ponente para Riosucio fue determinar el tipo y grado de conflicto de uso de las tierras, con base en la información ya existente de cobertura y uso de las tierras, contrastado con la cobertura de capacidad de uso, utilizando la herra-mienta SIG como fuente principal de análisis.

Lo anterior, apoyado de la metodología donde se definen como tierras sin con-flicto aquellas en las que el uso actual corresponde con el potencial, es decir, áreas cuyo uso actual es adecuado y concordante con la capacidad produc-tiva natural de las tierras; tierras con conflicto por subutilización, las que el uso actual corresponde a uno menos intenso que aquel que realmente está en capacidad de soportar; y tierras con conflicto por sobreutilización, las que se encuentran con un uso inadecuado, pues la potencialidad de los suelos es superada por el aprovechamiento de los recursos, lo que puede ocasionar no solo problemas de erosión, sino el deterioro del ambiente natural (IGAC, 2007).

En la Figura 6 se puede observar el análi-sis espacial efectuado para el municipio de Riosucio, en el cual se encuentran los tipos de conflictos ya descritos.

Las áreas de no conflicto en Riosucio (A) ocupan 150 665 hectáreas, equivalen-tes al 20.6% del total, en las que el uso potencial es la conservación, la protec-ción de cuencas hidrográficas y algunas de cultivos permanentes y misceláneos que se encuentran en conservación o recuperación de la flora y fauna, ade-más de algunos cultivos correspondien-tes al potencial de uso.

El 10.8%, correspondiente a 79 514 hectáreas, se encuentran en conflicto por sobreutilización; de estas, 43 019 están con sobreutilización ligera, que corresponde a usos actuales como la

Figura 6. Mapa de zonificación de tierras por conflictos de uso del suelo

ganadería, el aprovechamiento ma-derero y selectivo de especies, caza y pesca, cuando su uso potencial es de bosques protectores, conservación y protección. Las otras 36 495 hectáreas están con sobreutilización moderada, el uso actual es la caza y pesca y el po-tencial de conservación o protección de la flora y fauna; esto se puede ob-servar principalmente en las áreas de pantanos.

Los conflictos por subutilización ocu-pan un 66.6% del área total, distribui-dos de la siguiente manera: 343 153 hectáreas con subutilización ligera, de-bido a que en gran parte el uso poten-cial es la agricultura, pero el uso actual es la conservación, recuperación, apro-vechamiento maderero o selectivo y la caza o pesca. Las tierras con subutiliza-ción moderada ocupan 27 799 hectá-reas, que corresponden a áreas donde el uso potencial es de pastos, cultivos, bosques protectores-productores y el uso actual es el de conservación. Por último, las tierras con sobreutilización severa ocupan 115 283 hectáreas, co-rrespondientes a áreas en las que el uso potencial es la agricultura y se encuen-tran destinados en la conservación de la vida silvestre.


Figura 7. Mapa de

ecosistemas

3. Zonificación alternativa de usos del suelo

Tal como se observa en la Figura 8, en Riosucio se propusieron usos de tipo ge-neral en consideración a la información obtenida y analizada; los resultados expuestos tomaron los criterios meto-dológicos de la Zonificación Ambiental elaborada en el Plan de Ordenación y Manejo Ambiental de la Cuenca del Río Garagoa, en la que se definen:

Zonas de conservación: se determinan cuando lo ideal coincide con lo actual; en este caso el uso potencial es la con-servación y el uso corresponde a esta. Teniendo en cuenta que estas son áreas de las que el hombre se aprovecha de bienes y servicios, como su provisión de agua, regulación climática y biodiversi-dad, requiere que su intervención sea mínima y no se alteren sus caracterís-ticas fundamentales (Márquez, XXI-1). En Riosucio se destinaron 416 195 hec-táreas, incluyendo el Parque Nacional Natural los Katíos.

Zonas de uso sostenible: se determinan cuando un área está siendo aprovecha-da y debe orientarse hacia la sostenibi-lidad, son aquellas que de acuerdo con sus características pueden ser interveni-das por el hombre, pero se deben re-visar con el fin de hacerlas sostenibles (Márquez, XXI-1). En Riosucio se de-terminó que 251 233 hectáreas que se usan actualmente, bien sea para la con-servación, se pueden emplear en culti-vos tal como el uso potencial lo sugiere, siempre y cuando se consideren las li-mitaciones que se presentan y por su-puesto aquellas áreas que actualmente cuentan con un uso correspondiente a su potencialidad.

Zonas de restauración: se definen cuan-do hay áreas que no están conserva-das, lo que quiere decir que lo ideal difiere de lo actual; son aquellas que se encuentran en degradación y en conflicto (en este caso por sobreuti-lización), requieren de algún tipo de intervención con el fin de devolverles

2.5 Subcomponente ecosistémico

En primer lugar, cabe anotar que la elaboración de este subcomponente no pudo ser llevada a cabo tal como lo describe la metodología debido a fal-tantes en la información primaria que requería este ítem; por lo tanto, este se efectuó con base en información se-cundaria, plasmada en la Figura 7.

Riosucio cuenta con ecosistemas de gran importancia como lo son los he-lobiomas o halobiomas, los cuales se caracterizan por ser biomas especiales que poseen vegetación y procesos eco-lógicos sobre suelos arenosos lavados, favoreciendo la formación de pantanos en partes cóncavas que mantienen un nivel freático alto y que contienen for-maciones boscosas como el natal, el guandal y los cativales (EIA, 2011).

De otro lado, se encuentran los oro-biomas, definidos por la presencia de montañas que cambian el régimen hí-drico y que forman cinturones de vege-tación de acuerdo con la altura, y los zonobiomas, los cuales se definen por tipos de suelos característicos dentro de la vegetación zonal (BLAA, 2011).

167


su capacidad de prestar servicios como zonas de conservación en las que se incluyen los cuerpos de agua (Már-quez, XXI-1), para las que se definieron 35 513 hectáreas en las que el uso po-tencial corresponde a conservación y el uso actual a aprovechamiento madere-ro y selectivo, así como los cuerpos de agua más representativos del munici-pio, afectados por la caza y pesca en grandes cantidades.

Por último, las zonas de recuperación se determinan cuando existen áreas de riesgo, amenaza o mala calidad que se encuentren en uso que no es de im-portancia natural, pero que presenta procesos degradativos en los suelos y coberturas por el uso y ocupación y que se pueden dejar en procesos de revegetalización natural (Márquez, XX-1), las cuales ocupan un área de 16 490 hectáreas, donde el uso actual corresponde a áreas ocupadas en cul-tivos o ganadería en zonas altamente intervenidas.

Conclusiones

El municipio de Riosucio posee tierras de características especiales que deben ser consideradas para el establecimiento de actividades productivas, de manera que se pueda garantizar el manejo sostenible de los recursos evitando la degradación de los suelos mediante la aplicación de prácticas de manejo y conservación que tengan en cuenta las limitaciones que presentan.

De igual manera, fueron significativos los resultados que se obtuvieron de los conflictos de uso, que en su mayoría son por subutilización, principalmen-te porque a tierras que tienen un uso potencial diferente al de conservación se les da este uso; pero consideran-do las condiciones de biodiversidad y endemismo en las que se enmarca el municipio, se propone en los resulta-dos presentados que estas áreas sigan siendo conservadas no solo porque en

Riosucio se presentan ecosistemas úni-cos, frágiles, vulnerables, inestables y de gran valor, sino porque estos son objeto de una acelerada destrucción por la creciente deforestación con fines económicos y la inserción de prácticas agropecuarias insostenibles que contri-buyen al deterioro de los ecosistemas y la degradación de los suelos.

Por último, respecto a la metodología empleada es de considerar que de apli-carse en proyectos futuros en todos sus componentes a escala 1:25 000 y con la información necesaria, actualizada y un trabajo en campo, se convierte en una importante herramienta de planifi-cación y ordenamiento territorial a nivel municipal.

Figura 8. Mapa de zonificación alternativa de usos del suelo para Riosucio (Chocó)



BIBLIOTECA LUIS ANGEL ÁRANGO. Biblioteca Virtual. 2011. En: http://www.banrepcultural.org/blaavirtual/ayudadetareas/biologia/biolo22.htm. Consultado el 10 de enero de 2011.

CORPORACIÓN AUTÓNOMA REGIONAL PARA EL DESARROLLO SOSTENIBLE DEL CHOCÓ (CODECHOCÓ) Plan de Ordenamiento Territorial de las Tierras Colectivas de las Comunidades Negras del Bajo Atrato: Municipios de Riosucio, Carmen del Darién y Belén de Bajirá. Consejos Comunitarios del Bajo Atrato. [Documento Impreso]. Riosucio, Chocó (CODECHOCÓ). Abril de 2002. Pp. 41-43, 160-194.

CORPORACIÓN AUTÓNOMA REGIONAL PARA EL DESARROLLO SOSTENIBLE DEL CHOCÓ (CODECHOCÓ) Proyecto de Zonificación Forestal del Medio y Bajo Atrato. [Documento Impreso] Quibdó (Chocó), 2001. Informe final. Pp. 1-41.

ESCUELA DE INGENIERÍA DE ANTIOQUIA. Documentos Ecosistemas Colombianos. Sitios web EIA. 2011. En: http://recursosbiologicos.eia.edu.co/ecosistemascolombianos/do-cumentos/regionpacifica.htm. Consultado el 10 de enero de 2011.

INSTITUTO COLOMBIANO DE GEOLOGÍA Y MINERÍA & INSTITUTO GEOGRÁFICO AGUSTÍN CO-DAZZI (INGEOMINAS & IGAC). Investigación integral del andén pacífico colom-biano. Bogotá, 2005. Vols. 1-2-3-4.

INSTITUTO GEOGRÁFICO AGUSTIN CODAZZI (IGAC). Chocó características geográficas. Bogotá, 2006. 1-234 p.

MÁRQUEZ, G. Zonificación ambiental. En: CORPORACIÓN AUTÓNOMA REGIONAL DE CHIVOR, CORPORACIÓN AUTÓNOMA REGIONAL DE BOYACÁ, CORPORACIÓN AUTÓNO-MA REGIONAL DE CUNDINAMARCA & UNIVERSIDAD NACIONAL DE COLOMBIA. Plan de ordenación y manejo ambiental de la cuenca del río Garagoa. Bogotá, 2006. Cap. XXI 1-19 pp.

MINISTERIO DEL MEDIO AMBIENTE, VIVIENDA Y DESARROLLO TERRITORIAL E INSTITUTO GEO-GRÁFICO AGUSTÍN CODAZZI (MMA & IGAC). Definición de usos alternativos y sostenibles para la ocupación de las tierras a nivel nacional. [CD]. Bogotá, 2007. Cap. IV 32-59 pp.

MINISTERIO DEL MEDIO AMBIENTE, VIVIENDA Y DESARROLLO TERRITORIAL E INSTITUTO GEO-GRÁFICO AGUSTÍN CODAZZI. MMA & IGAC. Zonificación ecológica de la región pacífica colombiana. Bogotá, 2000; pp. 233-256, 261-281.

MUNICIPIO DE RIOSUCIO. ALCALDÍA MUNICIPAL. Esquema de Ordenamiento Territorial. Docu-mento Diagnóstico. Riosucio (Chocó). 2000; 1-109 pp.

VELÁSQUEZ, A. Los terremotos del Atrato Medio Murindó en octubre de 1992. Editado por Hermelin, M. Desastres de origen natural en Colombia 1979-2004. Universidad EAFIT; Universidad del Valle. Medellín. 2005. 91-106 pp.

169


2 Consideraciones en la seleccion de imágenes satelitales para los estudios ambientales2 Consideraciones en la seleccion de imágenes sa-telitales para los estudios ambientales10 Evaluación de deforestación con base en imágenes satelitales,

composición y configuración del paisaje en la cuenca alta y media del río Cravo Sur

forestación en el sur y un aumento de cobertura en el Parque Nacional Natural Pisba. La cobertura que presentó la disminución más drás-tica fue la de páramo, para dar paso a sistemas productivos. En cuanto a tamaño y forma, se han perdido parches de gran tamaño, mostrando un pai-saje más fragmentado y de forma irregular por el re-lieve de la zona.

Palabras claves cambio climático, deforestación, configuración del paisaje, bosques, río Cravo Sur.

ResumenSegún las iniciativas de cambio climático, se han identificado 13 variables climáticas esenciales (ECV, por sus siglas en inglés), para ser evaluadas a través de los grupos de observación de la Tierra. Dentro de estas, la cobertura de la Tierra y la deforestación son fundamentales por la emisión y captación de gases de efecto invernadero.

Para el presente trabajo se propone una metodología de cuantificación de las tasas de deforestación en dos periodos, empleando algoritmos de tamaño, forma y configuración de los parches de bosque en la cuenca alta y media del río Cravo Sur.

Se realizó el procesamiento digital de las imágenes Landsat 5 obtenidas de la zona, de los años 1989 y 2001, que presentaban pocas nubes y del mismo mes del año. De la clasificación se identificaron seis tipos de cobertura de acuerdo con la metodología Corine Landcover y se aplicaron los algoritmos em-pleando la extensión Patch Analyst del programa Ar-cGIS 9.3.1. Se estimó la tasa de deforestación para bosques según lo propuesto por Puyravau (2003) y FAO (1999), donde no se presentó pérdida general del bosque, pero sí degradación, un avance de la de-

Evaluación de deforestación con base en imágenes satelitales, composición y configuración del paisaje en la cuenca alta y media del río Cravo Sur

Paola Johanna Isaacs Cubides1, Héctor Mauricio Ramírez Daza2

1 Ecóloga, estudiante Maestría en Geomática. Instituto Geográ-fico Agustín Codazzi (IGAC)

Cra. 30 No. 48-51 Bogotá. Tel.: 3694000 ext. 4646, [email protected]

2 Ingeniero forestal, candidato a Msc en Geografía. Grupo de Percepción Remota y Aplicaciones Geográficas, CIAF–IGAC. Correo electrónico: [email protected]


AbstractAccording to climate change initiatives, 13 essential climate variables have been identified for evaluation by the terrestrial observing groups; within these, the land cover and more specifically the defores-tation are essential for the emissions and captation of greenhouse gases. This paper aims to propose a methodology to quan-tify rates of deforestation, using size, sha-pe and configuration algorithms of forest patches in the upper and middle basin to the Cravo Sur River. We performed a digital imaging processing of Landsat 5 images obtained between 1989 and 2001, with few clouds and of the same month of the year. For the classification, we identified six cover types according to the CORINE LANDCOVER methodolo-

gy and we applied the algorithms using the Patch Analyst extension of ArcGIS 9.3.1. The deforestation rate proposed by Puyravau (2003) and FAO (1999), shows that doesn’t occursdeforestation, but a degradation of these, an increase of the deforestation on the south and an increa-se of cover in the Pisba National Park. The cover that presented the most dramatic decline was the páramo to implement productive systems. Considering the size and shape, have been lost large patches to produce a more fragmented landscape whose shape is irregular given the topo-graphy of the area.

Key words Climate change, deforestation, landscape configuration, forest, Cravo Sur River.

Evaluation of deforestation based on satellite imagery, landscape composition and configuration on the

upstream and midstream Cravo Sur

173


Introducción

El cambio climático y el calentamiento global son eventos de gran relevancia, que conllevan diferentes efectos direc-tos sobre las comunidades humanas, los ecosistemas y las actividades producti-vas. Este tema es prioritario en iniciati-vas, proyectos e investigaciones, al ser considerado como una de las grandes amenazas para el futuro de la humani-dad (MAVDT-IDEAM-PNUD, 2008).

Para el desarrollo de estas políticas, exis-ten grupos como el Panel Interguberna-mental sobre Cambio Climático (IPCC), la Conferencia de las Partes (Conference of the Parties, COP) y la Convención Marco de las Naciones Unidas sobre el Cambio Climático (CMNUCC), que son los en-tes de mayor jerarquía para este tema (Naciones Unidas, 1992; IPCC, 2001, 2007).

Estos grupos han creado subgrupos especializados en diversos componen-tes, que buscan una estandarización de las metodologías, técnicas y análisis de información y la conformación de redes internacionales para un manejo más eficiente de los temas y aprove-chamiento de la información.

Dentro de estos subgrupos, el ente que rige a nivel mundial la temática del clima es el Sistema de Observación Climático Global (GCOS, por sus siglas en inglés), y el Sistema Global de Ob-servación Terrestre (GTOS, por sus si-glas en inglés), que ha identificado en su Plan de Implementación 13 Varia-bles Climáticas Esenciales (ECV, por sus siglas en inglés) para ser abordadas a través de los grupos de observación de la Tierra existentes en el mundo (GTOS 2009; Herold, 2009).

Una de estas variables es la cobertura de la Tierra, que incluye la deforesta-ción, definida como la transformación inmediata o constante de tierras de bosques naturales a zonas desprovis-tas de esa cobertura original (IDEAM, 2010). Según la CMNUCC y lo pactado

en la reunión de Bali en el 2007, se determinó que la reducción de emisio-nes por deforestación y degradación de los bosques es un mecanismo de mitiga-ción del cambio climático (IDEAM, 2010). Los países miembros de la CMNUCC han identificado la deforestación y degrada-ción de bosques como una de las cau-sas del fenómeno del cambio climático y los consiguientes perjuicios económi-cos, institucionales, sociales y culturales para la humanidad (IDEAM, 2010).

El interés que surge para combatir la pérdida de cobertura de bosques den-tro del marco de la CMNUCC deriva del hecho de que la deforestación es una de las mayores fuentes de emisiones, parti-cularmente en los países en vías de desa-rrollo. De acuerdo con la FAO, se estima que cerca de 12.9 millones de hectáreas de bosque se han perdido anualmente entre los años 2000 y 2005 y que las emisiones provenientes del cambio de uso de la tierra han contribuido al 20-25% de las emisiones antropogénicas totales durante los años noventa. Para algunos países la deforestación contri-buye con más del 50% de las emisiones totales de GEI (GOFC-GOLD, 2009).

Por un lado, la permanencia de las coberturas originales contribuye a la captación de gases efecto invernadero (GEI), además de mantener las dinámi-cas y ciclos naturales de los ecosistemas, y, por otro lado, su transformación in-crementa la emisión de GEI por cambio a sistemas productivos que los expul-san, producto de sus actividades (De-fries et al., 2000; IDEAM, 2010).

La tecnología de satélite es requerida para la determinación de la deforesta-ción de los bosques tropicales, dada la inaccesibilidad de muchas áreas y la poca practicidad de los métodos de muestreo aéreos. Se han empleado datos satelitales de programas como el Advanced Very High Resolution Radiometer (AVHRR) y datos Landsat usando el escáner Multi-Spectral Scan-ner (MSS) de 80 m de resolución y el Thematic Mapper (TM) de 30 m.


Los sensores remotos son una herra-mienta que permite hacer cuantifica-ciones de la deforestación de forma económica, rápida y que abarca áreas grandes, en comparación con los mé-todos que no son espaciales como, por ejemplo, los inventarios forestales. Por eso es un método de preferencia para la cuantificación de esta variable (Ana-ya, 2009). Asociada a la estimación de la deforestación se encuentra la mapi-ficación de los usos y cobertura de la tierra en diferentes períodos, para el posterior cálculo de las tasas de de-forestación con base en cómo varía el comportamiento de las coberturas a través del tiempo (Defries et al., 2000, IDEAM, 2010).

Un estudio multitemporal corresponde al proceso de identificar diferencias de estado de una característica o fenóme-no a partir de los valores de radiancia de las imágenes evaluándolas en dife-rentes tiempos (Chuvieco, 2006). Para hacer seguimiento a los recursos natu-rales, deben detectarse cambios, iden-tificar su naturaleza, medir su extensión y evaluar el patrón espacial. Se debe, asimismo, considerar escoger las imá-genes de diferentes años, pero en la misma estación o mes de captura, para

disminuir el error por diferencias climá-ticas, humedad del suelo, fenología de la vegetación, y que tengan menos del 10% de cobertura de nubes (Chavarro et al., 2008).

Para estimar la deforestación se em-plean diferentes algoritmos del paisaje que permiten cuantificar el comporta-miento de los elementos con base en la forma y el tamaño, y así visualizar cam-bios en las coberturas a través del tiem-po. El uso común del término métrica del paisaje se refiere a los índices desa-rrollados que cuantifican características espaciales específicas de parches, clases de parches o mosaicos del paisaje. Es-tas métricas se enmarcan en dos cate-gorías generales: 1) las que cuantifican la composición del mapa sin referencia a atributos espaciales, y 2) las que cuanti-fican la configuración espacial del mapa, que requieren información espacial para su cálculo (McGarigal and Marks, 1995; Gustafson, 1998). Las métricas estructurales calculan la composición física o configuración del mosaico de parches; las métricas funcionales calcu-lan el patrón de forma relevante para un organismo o proceso determinado (Mcgarigal y Marks, 1995).

175


La composición se refiere a los atributos asociados con la variedad y abundan-cia de tipos de parches sin considerar el carácter espacial o ubicación de es-tos. Estas métricas, al requerir integra-ción entre parches, se pueden aplicar como paisaje únicamente, e incluyen medidas de 1) proporción: determi-nan la proporción de cada clase con respecto al mapa completo; 2) rique-za: número de diferentes parches; 3) equitabilidad: abundancia relativa de los parches, haciendo énfasis en su do-minancia; y 4) diversidad de parches: medida que incluye riqueza y equitabi-lidad (Mcgarigal y Marks, 1995).

La configuración espacial se refiere al arreglo, posición, orientación (como las métricas de aislamiento o contagio) y carácter espacial (forma, área núcleo) de los parches en el paisaje. Las métri-cas que se cuantifican para parches in-dividuales, como por ejemplo tamaño medio del parche y forma, son espa-cialmente explícitas a nivel de parche individual, no de paisaje. Estas mé-tricas representan un reconocimien-to de que las propiedades ecológicas del parche son influidas por sus veci-nos (por ejemplo, el efecto de borde), y la magnitud de estas influencias se ve afectada por el tamaño y forma y cuantifica atributos estadísticos como media y varianza. La configuración también se puede cuantificar en térmi-nos de la relación especial de parches y sus tipos (como por ejemplo vecino más cercano o contagio) y reconoce el proceso ecológico y los organismos que se ven afectados por dicha con-figuración (Mcgarigal y Marks, 1995).

Los programas destinados para dichos análisis evalúan las métricas de acuer-do con seis grupos: 1. Área. 2. Métri-cas de densidad y tamaño de parches. 3. Métricas de borde. 4. Métricas de forma. 5. Métricas de diversidad y 6. Métricas de área núcleo.

Dada la importancia de este tema, el presente trabajo busca establecer una

aplicación del uso de variables obteni-das a partir de sensores remotos para el estudio y monitoreo del cambio climático en Colombia. Esto se logró a partir de la determinación de las tasas de deforestación en zonas bos-cosas ocurridas en diferentes años en la cuenca alta y media del río Cravo Sur, a través del uso de sensores re-motos, por lo cual se realizaron mapas de cobertura para dos años diferentes con base en el procesamiento digital de imágenes y se estableció por me-dio de algoritmos de análisis espacial con base en forma, tamaño y configu-ración el grado de transformación de las coberturas. Finalmente, se estimó la tasa de deforestación según lo pro-puesto por Puyravaud (2003) y FAO (1999).

1. Área de estudio

La zona de estudio del presente tra-bajo abarca los municipios de Socotá, Socha, Tasco, Gámeza, Mongua, Pis-ba, Paya, Labranzagrande y Pajarito, en los departamentos de Boyacá y Ca-sanare. Esta zona de la cuenca incluye pendientes con valores que van desde el 25% hasta el 37% y el promedio de altitud oscila entre los 700 y los 3400 m. s. n. m. En esta se encuentra de el corredor biológico Tota-Pisba-Co-cuy, que comprende desde la cuenca del río Tota hasta la Sierra Nevada del Cocuy, en Boyacá. Pertenece en su to-talidad a la provincia biogeográfica norandina, que en Boyacá abarca los complejos existentes alrededor de los parques nacionales naturales (PNN) Pisba y El Cocuy (Figura 1). Esta zona está dominada por páramos y bosques altoandinos, afectados por la apari-ción de sistemas productivos que ame-nazan la integridad de las coberturas originales. En especial, en las zonas de páramos se presentan cultivos de papa que amenazan a este importante eco-sistema (MAVDT, 2006).


necesario utilizar datos de un año antes o después de 1990, 2000 y 2005 debi-do a la disponibilidad y la presencia de nubes (IDEAM, 2010).

Una vez descargadas las imágenes de los años 1989 y 2001 (Figura 2), se comprobó si era necesario ortorrectifi-carlas y posteriormente cada banda fue importada a un formato compatible con el programa ERDAS 9.2, con el que se realizó el procesamiento digital de las imágenes. Las bandas se fusionaron excluyendo la banda del pancromático y el térmico, y se recortaron para ajus-tarlas al área correspondiente a la cuen-ca del río Cravo Sur.

Se acogió la clasificación según la me-todología Corine Landcover y las me-todologías propuestas por el grupo de Percepción Remota y Aplicaciones Geo-gráficas para el procesamiento digital de las imágenes (Posada, 2009). Den-tro de este procedimiento se realizaron técnicas de preprocesamiento, mejoras y realces, transformaciones y finalmen-te la clasificación supervisada y análisis, utilizando una combinación de bandas 453 (Posada, 2009).

Dentro de las técnicas de mejoramien-to espectral, el índice de vegetación (NDVI) realza áreas con mayor vigor ve-getal arrojando valores numéricos que van desde -1 a +1, donde la vegeta-ción está presente en el rango de 0.1 (menor vigor vegetal) hasta 1.0 (mayor vigor vegetal), que fue muy útil para la identificación de las coberturas.

Se realizó un análisis comparativo de las dos imágenes clasificadas, con el fin de ver cuáles son las diferencias de la co-bertura de los bosques entre dos perío-dos diferentes (1989-2001). Para esto, se elaboró un análisis de la forma y el tamaño de las coberturas de bosques, con el fin de visualizar cómo se ha dado el comportamiento de la deforestación. Se emplearon las métricas relaciona-das con la suma de áreas, porcentaje por clase y densidad de parches, para

Figura 2.Imágenes Landsat 5

recortadas en combinación 453

para 1989 y 2001.Fuente:

elaboración propia

Figura 1. Ubicación de la zona

de estudio.Fuente:

Elaboración propia

2. Metodología

Para la elaboración de este trabajo se descargaron del servidor del Global Landcover Facilicty (GLCF), dos imáge-nes Landsat que presentaban una sepa-ración de aproximadamente 10 años, poca presencia de nubes y ausencia de bandeamiento. Como requisito míni-mo, se recomienda utilizar imágenes tipo Landsat (resolución de 30 m) para los años 1990, 2000 y 2005, para el seguimiento de los cambios de la co-bertura forestal de 1 a 5 como Mínima Unidad Cartografía (MUC). Puede ser

Figura 1

Figura 2

177


determinar el número de parches de-forestados por área, complejidad, perí-metro y distancia (Frohn y Hao, 2006). Estas métricas se calcularon con ayuda de la extensión Patch Analyst del mo-dulo Spatial Analyst del programa Ar-cGIS 9.3. Se vectorizó el archivo, se le calculó el área y perímetro a cada cla-se obtenida y se disolvieron polígonos para remover los límites que existen entre polígonos que tienen los mismos atributos. A estas métricas se les realizó un análisis de correlación para eliminar métricas redundantes y determinar cuá-les aportan mayor información relacio-nada con la deforestación y el cambio de cobertura entre los años trabajados (Phillips y Navarrete, 2009).

Una de las maneras más comunes de expresar la deforestación es como una proporción de la superficie del bosque (%) al inicio del período. En este trabajo se aplicaron dos fórmulas matemáticas para el cálculo del cambio anual en la cobertura forestal; la primera fórmula corresponde al cálculo de la tasa utili-zada por la FAO, a través de la cual se mide el cambio en la cobertura de los bosques y tiene un significado mate-mático y biológico (Montenegro et al., 2003):

A2

A1( (

1/(t2

_t1)

q = _1

Y la segunda tasa, sugerida por Puyravaud (2003), que es equivalente a la usa-da para cálculos financieros de interés compuesto, no subestima la tasa anual de deforestación cuando los cambios son muy grandes y acelerados (Carne-vale et al., 2006).

A2

A1

r = x1n1

( _t t2 1)

donde

A1: superficie de bosque al inicio del período, A2: superficie de bosque al fi-nal del período, t1: año de inicio del pe-ríodo y t2: año final del período.

3. Resultados y discusión

Para la zona de estudio, los bosques han presentado una reducción en es-pecial hacia las zonas del piedemonte, las cuales corresponden a un territorio cubierto en su mayoría por sabanas, que, a pesar de presentar baja densi-dad poblacional, ha sufrido una rápida conversión de las especies nativas por pastos introducidos y por actividades agrícolas. Por otro lado, se observó una zona de deforestación en cerca-nías al lago de Tota, donde igualmente se han presentado incendios hacia las zonas de páramo. En la zona predo-minan las explotaciones agrícolas con fines comerciales, estando la agricultu-ra de subsistencia presente en huertos caseros. Dadas estas condiciones, es usual que en estas zonas se presente una dinámica de intervención bastante fuerte, reemplazando áreas de bosques nativos por coberturas productivas des-tinadas a diferentes tipos.

En este campo, resultan de gran utili-dad las imágenes de sensores remotos, para cuantificar el avance y desarrollo de las coberturas. No obstante, son pocos los estudios que han aplicado imágenes de sensores remotos para la discriminación de las clases de ocu-pación presentes en el espacio y en el tiempo, y por tanto no existen estadís-ticas sobre cambios de ocupación del suelo (Santana y Salas, 2007).

Cuantificar la fragmentación del paisaje es básicamente una labor de detección que involucra uno o más periodos con condiciones de un antes y un después. En muchos casos, la evaluación se cen-tra en las coberturas naturales o áreas de bosque, más que en el tipo de par-ches. Entonces la fragmentación o, en este caso, la deforestación de una zona se puede evaluar por el tamaño (área) y el número de parches entre dos o más periodos. Típicamente, un paisaje más fragmentado se caracteriza por presen-tar mayor número de parches, peque-ños y aislados (Apan et al., 2000).


Los sensores remotos y los Sistemas de Información Geográfica (SIG) son herramientas que pueden ayudar a cuantificar el cambio en el paisaje, in-cluyendo la fragmentación y deforesta-ción, y han demostrado ser eficientes por su confiabilidad en la captura de datos multitemporales de relativamen-te grandes áreas, mientras que los SIG son populares como herramienta de análisis espacial. Los datos de sensores remotos pueden ser procesados digital-mente para dar paso a la obtención de mapas de uso y cobertura y ser integra-dos en un SIG para el análisis y mode-lamiento espacial (Apan et al., 2000).

De la clasificación se obtuvieron un to-tal de cinco clases dentro de las cober-turas encontradas:

• Vegetación de arbustal abierto es-clerófilo: Correspondiente a la co-bertura de ecosistemas secos que presentan este tipo de vegetación, ubicada hacia las zonas del cañón del río Chicamocha.

• Bosque natural fragmentado: En esta cobertura se encuentran las zonas de bosques que en la combi-nación de bandas 453 presentaban un color rojo intenso y que se ob-servaba en blanco, según el índice de vegetación aplicado. Esta cober-tura se encuentra entre los 2000 y 3000 metros de altura y está ubi-cada en las zonas que descienden al piedemonte llanero e inmediata-mente después de los páramos.

• Herbazal denso de tierra firme ar-bolado (vegetación de páramo): Vegetación ubicada a más de 3000 metros de altura, que en la combi-nación de bandas 453 presentaban un color verde claro.

• Aguas continentales: En esta cate-goría se agruparon todos los cuer-pos de agua como lagunas y ríos, que en la combinación de bandas 453 presentaban un color azul fuerte. Las lagunas se presentaron

en las coberturas de páramos de color negro.

• Territorios agrícolas: En dicha co-bertura se incluyeron las zonas de cultivos en diferentes estadios, pas-tos y áreas degradadas, que usual-mente se encuentran cercanas a asentamientos humanos y que pre-sentan un patrón muy regular con formas cuadradas y rectangulares.

En general, la cobertura esclerófila se encuentra hacia el noroccidente de la zona, como una franja continua adya-cente al río Chicamocha, en el norte de los municipios de Socotá, Socha, Tasco y Gámeza. Esta cobertura presenta en-claves de bosque y algunas áreas agrí-colas que corresponden a una zona de extracción minera perteneciente a Ace-rías Paz del Río. Hacia el nororiente, a mayor altitud, se encuentra la cobertu-ra de páramo rodeada por zonas pro-ductivas, que avanza hacia el sur a los páramos de Pisba (Cadillal y El Chuscal) del PNN de Pisba, presentando dos ra-males hacia el oriente y un ramal más largo hacia el suroccidente, hasta cer-canías del lago de Tota y el municipio de Aquitania. Estos páramos corres-ponden al complejo Tota-Bijagual-Ma-mapach (páramos de Toquilla, Ocetá, Ongota y Franco, Morales et al., 2007).

Para 1992 (Figura 3), la cobertura de bosque se presenta de forma continua a los páramos, especialmente hacia el centrooriente y suroccidente de la zona, que se va mezclando con los sistemas productivos que le han ganado terre-no, llegando a ocupar la mayoría de la zona, en especial cercana a los centros poblados y zonas de piedemonte llane-ro en los municipios de Paya, Labran-zagrande y Pajarito. Se calcularon las métricas a nivel del paisaje y por cober-turas, a las que se les realizó el análisis de correlación, que dejaron las siguien-tes métricas (Tabla 1).

De acuerdo con las métricas calcula-das, a nivel del paisaje de un total de 328 860 ha (CA, class area), la cober-

179


tura que domina en el área de estu-dio es la agrícola, con un 44.68% del total, seguida por los bosques natu-rales (27.8%), la vegetación de pára-mo (23.8%), la vegetación esclerófila (3.1%) y las aguas continentales con un 0.5% (Figura 4). A nivel de paisa-je, se reportaron un total de 17 689 parches (PNUM) en toda la zona de estudio.

El SDI (Shannon’s Diversity Index) es una medida de diversidad de parches a nivel de paisaje, que será igual a cero si hay un solo parche e incrementa a medida que aumenta el número de parches. En este caso, para 1992 se obtuvo un valor de 4.25, que indica una elevada heterogeneidad en el nú-mero de parches de la zona. Esta hete-rogeneidad puede estar asociada a un alto grado de fragmentación, ya que si se obtuvieran coberturas homogéneas, la variabilidad de los parches no sería elevada, el número disminuiría y por tanto la heterogeneidad.

Caso similar ocurre con el SEI (Shannon’s Evenness Index), que es una medida de distribución y abun-dancia que se acerca a cero cuando la distribución de los parches es baja, disminuyendo la influencia que se presenta por los datos numéricos ex-tremos (Mcgarigal y Marks, 1995). En este caso se obtuvo 0.48, valor que es bajo considerando que solo se reporta-ron seis tipos de cobertura.

Tabla 1. Métricas calculadas por coberturas para el área de estudio en 1992Figura 3. Clasificación obtenida para el año 1992.Fuente: elaboración propia.

Figura 4 (más abajo). Porcentaje de área presente por cobertura para 1992.Fuente: elaboración propia.

Tipo de Cobertura 1992

Métrica Paisaje Esclerófila Bosque Páramo Agrícola

CA 328860.992 10186.423 91600.323 78067.439 147135.298

TLA 328860.992 - - - -

SDI 4.257 - - - -

SEI 0.478 - - - -

NumP 17689.000 639 3561 1485 3919

MPS 18.591 15.941 25.723 52.571 37.544

MPFD 1.372 1.345 1.344 1.351 1.345

MPE 1276.491 1458.842 1858.653 2695.945 2390.494

Figura 3

Figura 4


La forma estimada de los parches por el MPFD (Mean Patch Fractal Dimen-sion) obtuvo un valor de 1.37, y mues-tra una medida de irregularidad en la forma del parche que va de uno a dos, siendo dos si la forma es más compleja e irregular, presentando una tendencia hacia formas más regulares, conside-rando la extensión (Mcgarigal y Marks, 1995).

En cuanto a la densidad promedio de parches y las métricas de tamaño, el MPS (Mean Patch Size) o el tamaño promedio corresponde a un valor de 18.6 (PSSD, Patch Size Standard Devia-tion DE= ± 665.07) y una mediana de 0.24 (MedPS, Median Patch Size). En relación con el perímetro total de los parches, el MPE (Mean Patch Edge), en promedio presentó un valor de 1276,5 para el paisaje de estudio.

La configuración espacial de las cober-turas para el año 2001 se mantiene si-milar al año 1992, en términos de las coberturas presentes y la ubicación de estas; sin embargo, es notable el au-mento en las zonas productivas y la destrucción de coberturas naturales, especialmente la de páramo (Figura 5).

En el caso de la cobertura de bosque, no se encontró un decrecimiento consi-derable en comparación con el páramo, pero el verdor de la vegetación es menor indicando que ha habido un cambio en el estado fenológico de la vegetación. Posiblemente se ha dado entresaca de madera y reemplazo de bosques que no muestran claramente la disminución de esta cobertura.

Igualmente, se calcularon las métricas a nivel del paisaje y por coberturas, y se les realizó el análisis de correlación con el cual se dejaron las siguientes métri-cas (Tabla 2).

Figura 5. Clasificación

obtenida para el año 2001.

Fuente: elaboración propia.

Tipo de cobertura 2001

Métrica Paisaje Esclerófila Bosque Páramo Agrícola

CA 328961.004 7351029 91906.917 52940.892 171907.515

TLA 328961.004 - - - -

SDI 4.100 - - - -

SEI 0.460 - - - -

NumP 12562 1113 2512 1567 2689

MPS 26.187 6.605 36.587 33.785 63.930

MPFD 1.363 1.346 1.352 1.346 1.342

MPE 1593.488 1022.935 2310.508 2187.660 3017.740

Tabla 2. Métricas calculadas por coberturas para el área de estudio en 2001

Fuente: elaboración propia

181


De acuerdo con las métricas calculadas, a nivel del paisaje, de un total de 328 961 ha (CA, class area), la cobertura que do-mina en el área de estudio es la agrícola, con un 52.76% del total, seguida por los bosques naturales (28.21%), la vegeta-ción de páramo (16.25%), la vegeta- ción esclerófila (2.27%) y las aguas continentales (Figura 6). A nivel de paisaje, se reportaron un total de 12 562 parches (Pnum) en toda la zona de estudio.

El SDI (Shannon’s Diversity Index) arro-jó un valor de 4.1, que indica que hay una elevada heterogeneidad en el nú-mero de parches de la zona, asociada al alto grado de fragmentación que se ha venido dando en la zona. Caso similar ocurre en el SEI (Shannon’s Evenness Index), donde se obtuvo 0.467, valor que es bajo considerando que solo se reportaron seis tipos de cobertura (Mc-garigal y Marks 1995). Ambos índices fueron similares para los dos años eva-luados, mostrando la tendencia general en la heterogeneidad de los parches en la zona.

En comparación con el año 1992, el radio del tamaño de los parches ha dis-minuido, evidenciando pérdida de cier-tas coberturas. La forma estimada de los parches por el MPFD (Mean Patch Fractal Dimension) obtuvo un valor de 1.36, presentando una tendencia hacia formas más regulares, típico para zonas que han sido intervenidas (Mcgarigal y Marks, 1995).

El MPS (Mean Patch Size) arrojó a un va-lor de 26.18 (PSSD, Patch Size Standard Deviation DE= ± 750) y una mediana de 0.61 (MedPS, Median Patch Size). El tamaño promedio de los parches au-mentó en parte debido al considerable aumento de las coberturas agrícolas de casi el 8% y la disminución del páramo en un 7%, lo que afecta los estadísticos básicos calculados, notándose también un aumento en la desviación estándar de los datos.

Figura 6. Porcentaje de área presente por cobertura para 2001.Fuente: elaboración propia.

En relación con el perímetro total, el MPE (Mean Patch Edge) arrojó un valor de 1594 en promedio, y el tamaño del perímetro también incrementó para el año 2001 a comparación de 1992.

Según lo analizado para los dos perío-dos reportados, inicialmente dio una diferencia entre las áreas de análisis, pues en el 2001 hubo mayores elemen-tos que no pudieron ser clasificados en el caso de las nubes, las cuales estaban ausentes en la imagen de 1992.

Para la vegetación esclerófila aumentó el número de parches en el área, lo que indica que se ha fragmentado la cober-tura; sin embargo, el tamaño del área disminuyó y también su valor máximo. Las formas mantuvieron la tendencia a la regularidad y hubo una disminución en el área de borde. Por otro lado, in-crementó el número de parches entre las clases evaluadas y disminuyó el nú-mero de parches mayores a 1000 ha, lo que confirma que esta cobertura ha incrementado su fragmentación.

Para la cobertura de mayor interés, que es la de bosque, se presentó una disminución en el número de parches, aunque el tamaño del área se mantuvo (Tabla 3); sin embargo, es posible ob-servar en las imágenes diferencias en la textura de los bosques, lo que significa que se ha dado una degradación del bosque, más que deforestación inten-siva. La degradación, entendida como las transformaciones ocurridas en el bosque, que alteran y afectan negati-vamente la estructura o función de la


zona o área forestal, da como resulta-do la disminución de la capacidad del bosque para suministrar productos o servicios, y mantener su dinámica origi-nal (GOFC-GOLD, 2009). Este aspecto es importante de abordar en nuevos trabajos, pues se ha reportado (IDEAM, 2007) que es importante considerarlo como un componente diferencial en la captación de carbono.

Tabla 3. Resultados obtenidos para los dos periodos de la cobertura de bosques

Bosques 1992 2001

Número de parches 3561 2512

Extensión 91600 91907

Máximo 27256 27150

Mínimo 0.05 0.05

Media 25.72 36.58

Mediana 1.3 1.19

Desviación estándar 547.3 649.5

MPFD 1.344 1.352

MPE 1858.653 2310.5

En todos los casos disminuyó el número de parches entre las clases evaluadas, especialmente el número mayor a 1000 ha, confirmándose que esta cobertu-ra ha incrementado su fragmentación (Figura 7).

Figura 7. Comportamiento de las categorías

por área en los dos diferentes años

para la cobertura de bosques.


Según estas definiciones, el área evalua-da puede ser considerada como zonas de bosques dada su extensión, donde aún la cobertura natural es significati-va. Los parches que han mantenido su extensión se concentran hacia las zonas del PNN Pisba, favoreciendo su regene-ración. Sin embargo, en algunas zonas la cobertura ha disminuido y en otras se ha promovido su regeneración, es-

pecialmente hacia las zonas de Socha y Socotá, donde han aparecido nuevos parches pequeños (Figura 8).

Según los índices de la FAO y Puyra-vaud propuestos para estimar las tasas de deforestación, los valores son muy bajos en ambos casos, dadas las pocas diferencias entre la cobertura de bos-ques (0.12 y -2.9, respectivamente).

1800

1600

1400

1200

1000

800

600

400

200

0< 1 ha 1-10 ha 10-1000 ha > 1000 ha

1447

1120

1736

1158

369

232

9 2

1992 2001

183


La cobertura de páramos es aquella que mayores impactos ha producido, su ex-tensión disminuyó considerablemente, así como el tamaño máximo de los par-ches y la homogeneidad de la cobertura. La cobertura que más domina el área es

Figura 8. Visualización de las zonas de bosque perdido (gris claro) para los años 2001 y 1992.Fuente: Elaboración propia.

la agrícola, ya sea destinada para culti-vos o ganadería; el número de parches disminuyó, ya que la cobertura tiende a homogeneizarse; la extensión aumentó, así como el tamaño máximo de los par-ches y el borde (Tabla 4, Figura 9).

Tabla 4. Resultados obtenidos para los dos periodos de la cobertura agrícola

Agrícola 1992 2001Número de parches 3919 2689

Extensión 147135 171907Máximo 45181 51919Mínimo 0.05 0.05Media 37.544 63.92

Mediana 1.245 1.33Desviación estándar 788.47 1456.16

MPFD 1.345 1.342MPE 2390.5 3017.7


Figura 9. Comportamiento de las categorías por área en los dos diferentes años para la cobertura agrícola.Fuente: elaboración propia.

1 800

1 600

1 400

1 200

1 000

800

600

400

200

0< 1 ha 1-10 ha 10-1 000 ha > 1 000 ha

1.689

1.085

1.785

1.296

420

298

25 10

1992 2001


En las últimas décadas el cambio climá-tico se ha constituido en un problema internacional, reflejado en los diferen-tes informes, donde se establece un lla-mado de atención sobre la necesidad de enfrentarlo (IDEAM, 2010).

La deforestación es un eventoque está incluido como una de las actividades que contribuyen a la emisión de GEI y evitarla es una acción prioritaria para reducirlas porque los bosques mantie-nen las reservas de carbono en bosques en pie. Lo anterior se debe principal-mente a que se calcula que las emi-siones debidas a la deforestación y al desarrollo de la agricultura correspon-den a aproximadamente el 20% del total de emisiones de GEI, siendo la se-gunda fuente más importante después de la combustión de fósiles (Ortega et al., 2010; IDEAM, 2010).

En el ámbito nacional, si bien Colombia no es un importante contribuyente a la emisión de GEI, vale la pena resaltar que nuestro país cuenta con alrededor de 114 millones de hectáreas de exten-sión continental, de las cuales alrede-dor de 55 millones están cubiertas por bosques naturales, los cuales sustentan en gran medida la biodiversidad de la nación (IDEAM, 2004). En cuanto a coberturas boscosas, el país ocupa el séptimo lugar en el mundo con mayor área ocupada por bosques tropicales (FAO, 1999), representando el 6,42% de la cobertura total para América del Sur Tropical y el 1,5% de los bosques del mundo, y lo ubica como el segundo país con el mayor número de especies de plantas en su interior. Además, es el séptimo país que contiene la mayor parte de la “frontera forestal” del pla-neta (FAO, 2006).

El manejo adecuado de los recursos naturales es uno de los principales problemas y retos que afrontan actual-mente muchos de los países en vías de desarrollo. El significativo crecimiento demográfico, la pobreza, la poca opor-tunidad ofrecida dentro de sectores alternativos a la agricultura, la alta con-

centración de la propiedad de la tierra y la inexistencia de vigilancia y control en áreas naturales son algunas de las cau-sas que propician el deterioro ambien-tal y los altos índices de deforestación en países en vías de desarrollo (Chuvieco et al., 2002). Recientemente, el IDEAM (2004) calculó para el periodo de 1994 a 2001 una tasa promedio de deforestación de cerca de 101 303 ha/año, equivalente a una reducción anual de un 0,18% de la cobertura forestal nacional.

Es de gran importancia tener en cuenta la presencia de quemas, especialmente en las zonas de páramo, ya que consi-derando el contexto del cambio climá-tico y la reducción de GEI, la quema de zonas naturales estaría contribuyendo a incrementar la producción de gases que favorecen el calentamiento global (MAVDT, 2008).

El mapa de coberturas de la tierra sirve como base para la realización de estu-dios de estimación sobre la extensión de áreas cubiertas por bosque y otras categorías, y para cuantificar la tasa de deforestación, que sirve de base para muchos trabajos posteriores. Por otro lado, la detección de cambio en estu-dios multitemporales se toma como un proceso para identificar diferencias de estado de una característica o fenóme-no, a partir de los valores de radiancia de las imágenes, evaluándolas en dife-rentes espacios (Chuvieco, 2006).

Este estudio se enfocó en el seguimiento de los recursos naturales para detectar cambios, identificar su naturaleza, me-dir su extensión y evaluar el patrón es-pacial. Se emplearon como algoritmos aquellos con base en la forma y el ta-maño, con el uso de métricas del paisa-je o índices desarrollados para patrones de mapas categóricos, que cuantifican características espaciales específicas de parches, clases de parches o mosaicos del paisaje (Mcgarigal y Marks, 1995).

El número de parches, tamaño medio, desviación estándar del tamaño del par-

185


che y el coeficiente de variación de este son estadísticos básicos para el análisis general que toman como base la suma de áreas del paisaje y de los parches. A partir de estos, por ejemplo los índices de diversidad como el de Shannon, dan idea de la complejidad y por lo tanto la variedad de parches presentes en el paisaje; a valores altos indica mayor cantidad de clases y paisajes complejos, que dependiendo de la composición darán idea del grado de intervención de la zona si las clases con estos valores son coberturas antropizadas (Mcgarigal y Marks, 1995).

La complejidad de la forma del parche relaciona su geometría, si tienden a ser simples o compactos. Las medidas más comunes son basadas en la cantidad re-lativa del perímetro por unidad de área usualmente o como dimensión fractal, asumiendo que un parche natural tie-ne formas más irregulares, o sea, una dimensión fractal alta y un parche simé-trico como una parcela de cultivo po-seería una dimensión fractal muy baja. Esta métrica ayuda mucho en el estudio de la estructura del paisaje y fragmen-tación para analizar cómo las cobertu-ras antrópicas que aíslan a las naturales influyen en la homogenización del pai-saje (Mcgarigal y Marks, 1995).

Se puede concluir, según lo propuesto por el IDEAM (2010), que Colombia no cuenta con información o estudios de escala nacional que cuantifiquen o caractericen los agentes y causas de la deforestación de manera clara y consis-tente. Sin embargo, el presente traba-jo constituye un insumo útil obtenido a partir de datos de sensores remotos para el estudio y monitoreo de los pa-trones de las coberturas presentes en el paisaje, de forma estructural conside-rando la forma, tamaño y extensión de los parches.

Este aspecto representa un llamado de alerta relacionado con el control de es-tas actividades, porque en este momen-to son muchas las iniciativas prioritarias

para el control de la deforestación y su aporte para evitar el calentamiento glo-bal y la emisión de GEI. Una forma de abordar este aspecto y analizar el com-portamiento de las coberturas natura-les en el país es por medio de trabajos como este, que resaltan la importancia de los insumos obtenidos a partir de sensores remotos para el análisis de la información (Chuvieco et al., 2002).

Conclusiones

Este panorama expone claramente la necesidad de continuar desarrollando diferentes tipos de estrategias para frenar la deforestación en el país y así garantizar el mantenimiento de la co-bertura forestal de la nación y de la biodiversidad. Lo anterior, teniendo en cuenta el marco relacionado con las discusiones internacionales de cambio climático que están generando un es-cenario en el que el tema de defores-tación evitada (REDD y REDD+) puede ser una opción interesante para apo-yar estos esfuerzos que realice el país (IDEAM, 2010).



ANAYA, J. A. Estimación mensual de emisiones por biomasa quemada para Colombia basado en imágenes de satélite. Tesis Doctoral. Departamento de Geografía. Universidad de Alcalá. España. 2009.

APAN, A. A., S. S. RAINE and M. S. PATERSON. Quantifying landscape fragmentation in the Loc-kyer Valley Catchment, Queensland: 1973-1997. The 28th Annual Conference of AURISA Hyatt Coolum Resort, Coolum QLD, 20-24 November, 2000.

CARNEVALE N. J. C. ALZUGARAY y N. Di Leo. Estudio de la deforestación en la Cuña Boscosa santafesina mediante teledetección espacial Quebracho N° 14 (47-56).

CHAVARRO, Mauricio, GUERRERO, Andrea, GARCÍA, Jason, PABÓN Daniel, PRIETO Andrea y ULLOA Astrid. Amenazas, riesgo, vulnerabilidad y adaptación frente al cambio climático. Material de difusión y socialización sobre cambio climático. Número 3. 2008. Proyecto conservación ambiental a través de la erradicación de cultivos ilí-citos y la consolidación de las prácticas ambientales indígenas en la Sierra Nevada de Santa Marta, Colombia. 58 pp.

CHUVIECO, Emilio, SALAS, Javier, MEZA, Enrique y VARGAS, Franklin. Empleo de la teledetección en el análisis de la deforestación tropical: el caso de la reserva forestal de Ticoporo (Venezuela). Serie Geográfica 10 - 2002: 55–76.

CHUVIECO, Emilio. Teledetección ambiental. La observación de la Tierra desde el espacio. Segun-da edición. 2006. 592 pp.

DEFRIES, R. S., M. C. HANSEN, J. R. G. TOWNSHEND, A. C. JANETOS & T. R. LOVELAND. A new global 1-km dataset of percentage tree cover derived from remote sensing. 2001. Global Change Biology 16(2): 247-254.

FAO. Situación de los bosques del mundo, Roma (Italia). Disponible en internet en: http://www.fao.org/docrep/w9950s/w9950s00.htm.1999

FAO. 2006. Global forest resources assessment 2005. FAO Forestry paper 147. Food and Agri-culture Organization of the UN, Rome. GCOS. 2004.

FROHN Robert C., YONGPING Hao. 2006. Landscape metric performance in analyzing two de-cades of deforestation in the Amazon Basin of Rondonia, Brazil. Remote Sensing of Environment 100 (2006) 237-251.

GLOBAL CLIMATE OBSERVING SYSTEM – GCOS. Guideline for the generation of satellite-based datasets and products meeting GCOS Requirements - GCOS-128 (WMO/TD No. 1488) - March 2009. 103 pp.

187


GOFC-GOLD, 2009. Reducing greenhouse gas emissions from deforestation and degradation in developing countries: a sourcebook of methods and procedures for monitoring, measuring and reporting, GOFC-GOLD Report version COP14-2, 48 (GOFC-GOLD Project Office, Natural Resources Canada, Alberta, Canada).

GUSTAFSON, E.J., 1998. Quantifying landscape spatial pattern: What is the state of the art? Ecosystems 1, 143-156.

HEROLD, Martin. GTOS-WMO-UNESCO-UNEP-ICSU-FAO. Assessment of the status of the development of the standards for the Terrestrial Essential Climate Variables. GTOS 64. 2009. Landcover. 36 pp.

IDEAM. 2004. Informe anual sobre el estado del medio ambiente y los recursos naturales reno-vables en Colombia. Bogotá. 256 p.

---------. 2007. Escenarios de cambio climático, algunos modelos y Resultados de lluvia para Colombia bajo el escenario a1b. IDEAM–METEO/003-2007 NOTA TÉCNICA DEL IDEAM.

--------. 2010. Estrategia Nacional de Educación, Formación y Sensibilización de Públicos sobre Cambio Climático Segunda Comunicación de Colombia ante la Convención Mar-co de las Naciones Unidas sobre Cambio Climático.

--------. Ejercicio de estimación preliminar de la tasa de deforestación para Colombia periodo 2000-2007. Proyecto “Capacidad institucional técnica científica para apoyar pro-yectos REDD: Reducción de Emisiones por Deforestación en Colombia”. 2010. 12 pp. INFORME EJECUTIVO.

IPCC. 2001. Climate change 2001: Synthesis report. Watson, R.T. and the Core Writing Team (Eds.) IPCC, Geneva, Switzerland. pp 184.

IPCC. 2007. Climate change 2007: Synthesis report. Contribution of working groups I, II, and III to the 4th Assessment Report of the Intergovernmental Panel on Climate Change. Pachauri, R.K., and A. Reisinger (Eds.). IPCC, Geneva, Switzerland. 104 pp.

MCGARIGAL, K., MARKS, B.J., 1995. FRAGSTATS: Spatial pattern analysis program for quanti-fying landscape structure. Gen. Tech. Report PNW-GTR-351, USDA Forest Service, Pacific Northwest Research Station, Portland, OR.

MINISTERIO DE AMBIENTE, VIVIENDA Y DESARROLLO TERRITORIAL (MAVDT). 2006. Región de concertación SINA. Disponible en http://web.minambiente.gov.co/ecorre/pe-ramb8/resumen.htm (revisado Septiembre 2006).


--------------------------------------------------------------------------------------, Wilches-Chaux, G. 2008. Ese océano de aire en que vivimos – Origen, evolución, estado actual y futuros posibles de la atmósfera terrestre. Bogotá, D. C.

--------------------------------------------------------------------------------------, Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM) & Programa de las Naciones Uni-das para el Desarrollo (PNUD). 2008. Segunda Comunicación Nacional Inventario Nacional de Gases de Efecto Invernadero – Años 2000 y 2004, Módulo Uso de la tierra, cambio en el uso de la tierra y silvicultura (LULUCF), resumen de cálculos y resultados. Resumen técnico del inventario nacional de GEI. Proyecto “Prepa-ración de la segunda comunicación nacional de Colombia ante la Convención Marco de las Naciones Unidas Sobre Cambio Climático (CMNUCC)”.

MONTENEGRO, Celina, ESTRADA, Mabel, BONO N., Julieta, GASPARRI, Ignacio, MANGHI, Eduardo, PARMUCHI M., Gabriela y BROUVER, Marcelo. Estimación de la pérdida de superficie de bosque nativo y tasa de deforestación en el norte de Argentina. Equipo técnico de la UMSEF.

MORALES, M., J. OTERO, T. VAN DER HAMMEN, A. TORRES, C. E. CADENA, C. A. PEDRAZA, N. RODRÍGUEZ, C. A. FRANCO, J. C. BETANCOURTH, E. OLAYA, E. POSADA y L. CÁRDENAS. 2007. Atlas de páramos de Colombia. Instituto de Investigación de Recursos Biológicos Alexander von Humboldt. Bogotá, D.C. 208 pp.

NACIONES UNIDAS. Convención marco de las naciones unidas sobre el cambio climático. 1992. 27 pp.

ORTEGA-P.,S.C., A. GARCÍA-GUERRERO, C-A. RUIZ, J. SABOGAL. & J.D. VARGAS (eds.) 2010. Deforestación evitada. Una guía REDD + Colombia. Ministerio de Ambiente, Vi-vienda y Desarrollo Territorial; Conservación Internacional Colombia; Fondo Mun-dial para la Naturaleza (WWF); The Nature Conservancy; Corporación Ecoversa; Fundación Natura; Agencia de Cooperación Americana (USAID); Patrimonio Na-tural - Fondo para la Biodiversidad y Áreas Protegidas y Fondo para la Acción Ambiental. Bogotá. 72 pp.

PHILLIPS, J. F & D. A. NAVARRETE. 2009. Análisis de fragmentación y conectividad. Informe final. Unión Temporal Rastrojo a Escala Humana HINSAT. Secretaría de Ambiente. 130 pp.

POSADA, E. 2009. Manual de prácticas de percepción remota. Centro de Investigación y Desarrollo en Información Geográfica (CIAF). Instituto Geográfico Agustín Codazzi.

PUYRAVAUD, J. P. 2003. Standardizing the calculation of the annual rate of deforestation. Forest Ecology and Management, 117:593-596.

SANTANA, L. M. y SALAS, J. (2007): “Análisis de cambios en la ocupación del suelo ocurridos en sabanas de Colombia entre 1987 y 2001, usando imágenes Landsat”, GeoFocus 7, pp. 281-313.

189


Tecnologías Geoespaciales al Servicio del Desarrollo Territoria

Documents

Transcript of Tecnologías Geoespaciales al Servicio del Desarrollo Territoria