105076 by UNIGIS América Latina

Master Thesis ǀ Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg ǀ Universidad de Salzburg

Análisis Multitemporal de Deforestación de Manglares en la Isla Puná – Ecuador, utilizando SIG y Teledetección

Multitemporal Analysis of Mangrove Deforestation of the Puná Island - Ecuador, using GIS and Remote Sensing by/por

Washington Bolívar Caicedo Puma 11746387 A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science– MSc Advisor ǀ Supervisor: Carlos Mena PhD

Quito – Ecuador, 13 de enero de 2021

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

Quito 13 de enero de 2021

DEDICATORIA

A Dios por guiarme por el camino adecuado. Con todo mi cariño, a mi adorada familia quienes son mi principal motivación. Sin importar la situación en las que nos encontremos siempre van a estar presentes, brindándome su apoyo para seguir adelante. Para mi madre Aída, mis hermanos Kléber y Johanna. En especial a mi hijo Michael, todo se los debo a ustedes.

Lo logramos

RESUMEN Los manglares cuentan con una gran riqueza de biodiversidad y prestan varios beneficios para el medio ambiente. No obstante, paradójicamente son uno de los ecosistemas que se encuentran altamente amenazados. Desde el año de 1991 hasta 1995 ha existido una disminución de cobertura manglar en la costa ecuatoriana, que llegó a una tasa de deforestación anual de 2.35%, frente a un incremento en la superficie de piscinas camaroneras que han remplazado a los manglares. Al conocer los problemas de deforestación existentes en la zona costera del Ecuador, se consideró la Isla Puná para analizar los cambios en el uso del suelo, enfocados en la cobertura de manglares y piscinas camaroneras. Esto permitirá contar con una herramienta que ayude en la toma de decisiones en el campo ambiental, político, socio económico y de ordenamiento territorial. Para determinar el cambio en la cobertura del suelo y cuantificar área de manglares y piscinas camaroneras en la Isla Puná entre los años de 1999 y 2019, se realizó un análisis multitemporal, donde los insumos principales fueron imágenes satelitales Landsat, que cuentan con una resolución espacial de 30x30 m, las cuales tuvieron una corrección radiométrica y atmosférica. En la clasificación se definieron 6 clases, utilizando únicamente las correspondientes a manglares y piscinas camaroneras para el estudio. Con las clases establecidas, se generó las firmas espectrales, que fueron incorporadas en el método de Clasificación Gaussiano de Máxima Verosimilitud. Finalmente, se vectorizó los ráster obtenidos para poder cuantificar las coberturas y generar la cartografía. Desde1999 hasta el 2019 se redujo 0.49% de cobertura manglar en la Isla Puná, y existió un incremento de 34.42% de piscinas camaroneras, identificando que solo ha existido un desplazamiento mínimo en la cobertura manglar. En cuanto a las piscinas camaroneras, el incremento identificado no afecta directamente a los manglares. Con los resultados obtenidos, se concluye que no existió deforestación de manglares para la construcción de las piscinas camaroneras en la Isla Puná en el periodo de 1999 a 2019.

Palabras Clave: Manglares, Piscinas Camaroneras, Clasificación supervisada, Multitemporal.

ABSTRACT Mangroves are rich in biodiversity and provide several environmental benefits. However, paradoxically they are one of the ecosystems that are highly threatened. From 1991 to 1995, there was a decrease in mangrove coverage on the Ecuadorian coast, which reached an annual deforestation rate of 2.35%, compared to an increase in the area of shrimp ponds that have replaced the mangroves. Upon learning about the existing deforestation problems in the coastal zone of Ecuador, Puná Island was considered to analyze the changes in land use, focusing on the coverage of mangroves and shrimp pools, which will provide a tool to assist in decision making in the environmental, political, socioeconomic and territorial planning. In order to determine the change in soil coverage and quantify the area of mangroves and shrimp pools in Puná Island between 1999 and 2019, a multitemporal analysis was carried out, where the main inputs were Landsat satellite images, which have a spatial resolution of 30x30 m, which had a radiometric and atmospheric correction. Six classes were defined in the classification, using only those corresponding to mangroves and shrimp pools for the study. With the established classes, the spectral signatures were generated, which were incorporated to the Maximum Likelihood Gaussian Classification method. Finally, the rasters obtained were vectorized in order to quantify the covers and generate the cartography. From 1999 to 2019, mangrove coverage on Isla Puná was reduced by 0.49%, and there was an increase of 34.42% in shrimp pools, identifying that there has only been a minimum displacement of mangrove coverage. As for shrimp pools, the identified increase does not directly affect the mangroves. With the results obtained, it can be concluded that there was no deforestation of mangroves for the construction of shrimp pools on Puná Island in the period from 1999 to 2019.

Key Words: Mangroves, Shrimp Pools, Supervised Classification, Multitemporal.

TABLA DE CONTENIDO

1. INTRODUCCIÓN ......................................................................................... 9 1.1.

ANTECEDENTES ................................................................................. 9

1.2.

OBJETIVO GENERAL ........................................................................ 10

1.2.1.

OBJETIVOS ESPECÍFICOS ........................................................ 10

1.3.

PREGUNTAS DE INVESTIGACIÓN ................................................... 11

1.4.

HIPÓTESIS ......................................................................................... 11

1.5.

JUSTIFICACIÓN ................................................................................. 11

1.6.

ALCANCE ........................................................................................... 12

2. REVISIÓN DE LITERATURA .................................................................... 14 2.1.

MARCO TEÓRICO.............................................................................. 14

2.1.1.

Bosques de Mangle ...................................................................... 14

2.1.2.

Teledetección ............................................................................... 18

2.1.3.

Imágenes Satelitales .................................................................... 20

2.1.4.

Correcciones de Imágenes Satelitales ......................................... 21

2.2.

MARCO HISTÓRICO .......................................................................... 25

2.3.

MARCO METODOLÓGICO ................................................................ 27

2.3.2.1.

Fotointerpretación y digitalización de imágenes ........................ 28

2.3.2.2.

Clasificación y combinación de bandas de imágenes ............... 29

2.3.2.3.

Índices de vegetación ................................................................ 29

3. METODOLOGÍA ........................................................................................ 31 3.1.

DESCRIPCIÓN DEL ÁREA DE ESTUDIO .......................................... 31

3.2.

METODOLOGÍA Y JUSTIFICACIÓN .................................................. 33

3.3.

RECOPILACIÓN DE INFORMACIÓN ................................................. 35

3.4.

CORRECCIÓN DE IMÁGNES SATELITALES .................................... 36

3.5.

PROCESAMIENTO DE IMÁGENES SATELITALES .......................... 37 3

3.6.

CLASIFICACIÓN DE IMÁGENES ....................................................... 38

3.7.

VECTORIZACIÓN ............................................................................... 41

3.8.

MODELO EN LA HERRAMIENTA “MODELBUILDER” ....................... 43

4. RESULTADOS Y DISCUSIÓN .................................................................. 44 4.1.

RESULTADOS .................................................................................... 44

4.1.1.

Correcciones a las Imágenes Satelitales ...................................... 44

4.1.2.

Combinación de bandas multiespectrales .................................... 44

4.1.3.

Clasificación de Imágenes ............................................................ 46

4.1.4.

Cuantificación de coberturas ........................................................ 49

4.2.

DISCUSIÓN ........................................................................................ 51

5. CONCLUSIONES ...................................................................................... 55 6. REFERENCIAS ......................................................................................... 57

SIGLAS Y ACRÓNIMOS CIREN:

Centro de Información de Recursos Naturales.

CLIRSEN:

Centro de Levantamientos Integrados de Recursos Naturales por Sensores Remotos

ETM:

Enhanced Thematic Mapper

FAO:

Food and Agriculture Organization

FLAASH:

Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes

Ha:

Hectáreas

MAE:

Ministerio del Ambiente del Ecuador

OLI:

Operational Land Imager

RMSE:

Root Mean Square Error

SAVI:

Soil Adjusted Vegetation Index

SIG:

Sistema de Información Geográfica

TIRS:

Thermal Infrared Sensor

USGS:

United States Geological Survey

um:

Micrómetro

UTM:

Universal Transversal de Mercator

WGS84:

World Geodetic System 1984

WRS:

Worldwide Reference System

LISTA DE FIGURAS

Figura 1. Distribución de manglares en el mundo. ........................................... 14 Figura 2. Aumento de camaroneras y disminución de manglares en Ecuador. ......................................................................................................................... 15 Figura 3. Piscinas camaroneras frente a manglares en Guayas - Ecuador. .... 16 Figura 4. Tasa de deforestación de manglares en Ecuador 1984-2006 ........... 17 Figura 5. Área de manglares y camaroneras en provincias de Ecuador .......... 17 Figura 6. Espectro Electromagnético ............................................................... 18 Figura 7. Firmas Espectrales............................................................................ 19 Figura 8. Proceso de corrección de Imágenes Satelitales ............................... 22 Figura 9. Proceso de agrupación ISODATA ..................................................... 23 Figura 10. Diagrama de flujo para procesos de clasificación ........................... 24 Figura 11. Esquema metodológico de cambio de la cobertura vegetal ............ 29 Figura 12. Esquema para análisis multitemporal - metodología SAVI.............. 30 Figura 13. Mapa de ubicación, Isla Puná ......................................................... 32 Figura 14. Flujograma para el análisis multitemporal ....................................... 34 Figura 15. Cuadro de la escena e imágenes satelitales del año 1999 y 2019 ......................................................................................................................... 36 Figura 16. Corrección en las imágenes satelitales ........................................... 37 Figura 17. Recorte de Imagen Satelital – Año 1999 ......................................... 37 Figura 18. Muestras tomadas para la clasificación supervisada ...................... 39 Figura 19. Clasificación de imágenes satelitales – Isla Puná ........................... 40 Figura 20. Cobertura vectorizada y depurada - Isla Puná 1999 ....................... 42 Figura 21. Cobertura vectorizada y depurada - Isla Puná 2019 ....................... 42 Figura 22. Modelo para vectorizar coberturas clasificadas .............................. 43 Figura 23. Corrección de la imagen del año 1999 ............................................ 44 Figura 24. Combinaciones de bandas para cuerpos de agua .......................... 45 Figura 25. Combinaciones de bandas para manglares .................................... 45 Figura 26. Coberturas con combinación de bandas 453 – Imagen 1999 ......... 46 Figura 27. Mapa de la clasificación supervisada en la Isla Puná ..................... 47 Figura 28. Cobertura Manglar en la Isla Puná .................................................. 49

Figura 29. Cobertura de Piscinas Camaroneras en la Isla Puná – Año 2019 ......................................................................................................................... 50 Figura 30. Comparación de áreas de manglares y piscinas camaroneras ....... 51

LISTA DE TABLAS

Tabla 1. Longitudes de onda y resolución espacial - Landsat 8 ....................... 20 Tabla 2. Bandas espectrales de imágenes Landsat ......................................... 21 Tabla 3. Cambios de superficie en el Municipio de Boyacá ............................. 26 Tabla 4. Combinación de bandas en diferentes campos .................................. 28 Tabla 5. Cobertura de suelo en la Parroquia Puná .......................................... 33 Tabla 6. Metadatos de imágenes satelitales de los años 1999 y 2019 ............ 35 Tabla 7. Combinación de bandas utilizada ....................................................... 38 Tabla 8. Número de clases – Áreas de entrenamiento .................................... 39 Tabla 9. Matriz de error .................................................................................... 41 Tabla 10. Área de las coberturas analizadas ................................................... 43 Tabla 11. Matriz de error de la clasificación supervisada - 1999 ...................... 48 Tabla 12. Matriz de error de la clasificación supervisada - 2019 ...................... 48

CAPÍTULO I 1. INTRODUCCIÓN El propósito del presente estudio es determinar si ha existido deforestación de manglares aumentado las piscinas camaroneras en la Isla Puná - Ecuador desde el 1999 hasta el año 2019.

1.1.

ANTECEDENTES

De acuerdo al informe “Los manglares del mundo 1980-2005” (FAO, 2007) la superficie total de manglares a nivel mundial disminuyó 3.6 millones de hectáreas, en 1980 se contaba con 18.8 millones de hectáreas de cobertura manglar, disminuyendo para el año 2005 a 15.2 millones de hectáreas. Además, se indicó que ha existido una disminución de deforestación en los años 2000 y 2005, en los cuales se evidenció una mayor concientización del valor de estos ecosistemas (FAO, 2007). El Centro de Levantamientos Integrados de Recursos Naturales por Sensores Remotos (Instituto Espacial Ecuatoriano - Ex CLIRSEN), realizó desde el año 1984, varios estudios en los cuales se identificó el crecimiento de áreas para piscinas camaroneras y la deforestación de manglares en toda la costa ecuatoriana, en los estudios realizados en 1984, 1987, 1991, 1995 y 1999, se determinó el aumento paulatino de zonas camaroneras, y el decrecimiento de superficies de manglar hasta 1995, indicando que en 1995 y 1999, hubo un leve decrecimiento de zonas dedicadas al cultivo camaronero y un aumento en la superficie de manglar (Chávez y Zurita, 2000). En Ecuador los cambios en el área manglar han sido en gran parte para la acuicultura, la producción de sal y la agricultura, donde se identificó que 40,000 hectáreas de manglares se han transformado en piscinas camaroneras (FAO, 2006). En el estudio “Actualización del Estudio Multitemporal de Manglares, Camaroneras y Áreas Salinas en la Costa Continental Ecuatoriana” (CLIRSEN, 9

2007) se obtuvo como resultado que, entre los años de 1999 y 2006 existe una recuperación leve de las áreas de manglar exceptuando en la provincia de El Oro, donde se evidenció una deforestación de 2,753 ha. En el artículo 406 de la Constitución de la República del Ecuador (2008) se ratifica la conservación, el manejo, uso sustentable, recuperación y limitaciones de dominio de los ecosistemas frangirles, entre los cuales se encuentran los manglares y ecosistemas marino-costeros. A través de los Acuerdos Ministeriales No. 001-2013 y 003-2013 (MAE, 2013) se emite dos convenios de uso sustentable y custodia del manglar, a la Cooperativa de Producción Pesquera Artesanal Mondragón y a la Asociación de Cangrejeros, Pescadores Artesanales en la parroquia Puná (Conservación Internacional, 2019). Ecuador contaba con 161,835.03 hectáreas de manglar hasta el año 2016, de las cuales el 80% se encuentran dentro de un marco de protección. El MAE suscribió 48 acuerdos de usos sustentable y custodia de manglar con poblaciones ancestrales de 4 provincias y cuenta con 72,523.48 hectáreas de manglar dentro del Sistema Nacional de Áreas Protegidas (Conservación Internacional Ecuador, 2017). De acuerdo al MAE (2017), la Subsecretaría de Gestión Marina y Costera suscribió ocho “Acuerdos de Uso Sustentable y Custodia de Manglar” con varias asociaciones para el cuidado de los mismos. 1.2.

OBJETIVO GENERAL

Determinar el área deforestada de manglar en la Isla Puná - Ecuador, frente al crecimiento de piscinas camaroneras en el periodo de 1999 hasta el 2019.

1.2.1. OBJETIVOS ESPECÍFICOS 

Identificar las zonas con mayor degradación de manglar en la Isla Puná.



Identificar las zonas con mayor crecimiento de piscinas camaroneras en la Isla Puná. 10



Determinar y cuantificar el porcentaje de la superficie de manglar deforestado de 1999 hasta el año 2019, los cuales son analizados en la Isla Puná.



Determinar y cuantificar el porcentaje de la superficie de piscinas camaroneras construidas de 1999 hasta el año 2019 en la Isla Puná.

1.3.

PREGUNTAS DE INVESTIGACIÓN

¿Qué zonas de la Isla Puná han sido las más deforestadas? ¿Qué zonas de la Isla Puná han tenido mayor construcción de piscinas camaroneras? ¿Qué porcentaje de cobertura manglar ha sido deforestada de 1999 hasta el año 2019? ¿Qué porcentaje de piscinas camaroneras aumentó en Isla Puná desde 1999 hasta el año 2019? 1.4.

HIPÓTESIS

El aumento de piscinas camaroneras desde 1999 hasta el año 2019 ha influenciado en la deforestación de manglares en la Isla Puná.

1.5.

JUSTIFICACIÓN

Entendiendo que los manglares prestan varios beneficios para el medio ambiente, paradójicamente son uno de los ecosistemas que se encuentran altamente amenazados. De acuerdo la FAO (2008), en el estudio de evaluación de manglares en el mundo de 1980-2005, se han degradado 3.6 millones de hectáreas de manglares aproximadamente, desde 1980 al 2005, es decir el 20 por ciento de manglar de la superficie total.

La manufactura camaronera en Ecuador empieza a inicios de los setenta, con un grupo de capitalistas que explotaron los llanos salinos (Bravo, 2003). Convirtiéndose en un negocio rentable, dando paso a la toma de tierras destinadas a la agricultura y manglares. En la década de los años 80 creció exponencialmente la industria camaronera, siendo Ecuador el primer exportador de camarón en el mundo. En los años noventa se experimenta una decaída en la exportación (Bravo, 2003). En el Ecuador en el año de 1969 cuando se daba inicio a la industria camaronera existían 41 unidades de manglar, con 5 sistemas hidrográficos a lo largo de la costa del país, que cubrían un área de 203,695 hectáreas, desde entonces, en Ecuador desaparecieron 54,039 hectáreas de manglar hasta el año 2000 (Bravo, 2003). En los últimos años se ha determinado que en Ecuador la deforestación es uno de los problemas medioambientales más graves que afectan el área costera del país, por lo que se eligió la Isla Puná como zona de estudio, ya que el sitio ha sido deforestado indiscriminadamente, dando como resultado la degradación de los manglares del sitio mencionado, por otro lado el sector camaronero ha tenido un incremento importante, siendo este un factor que ha influido en la destrucción de los ecosistemas de mangle que han sido remplazados por piscinas camaroneras. Al conocer los problemas que existen en cuanto a la deforestación en la zona costera del Ecuador se quiere analizar un área específica, determinando la afectación a nivel local, considerado la isla Puná como centro de estudio para cuantificar la deforestación de manglares y determinar cuál es la superficie y porcentaje de mangle destruido, frente al crecimiento de piscinas camaroneras.

1.6.

ALCANCE

El área de estudio es la Isla Puná, la cual se encuentra en el golfo de Guayaquil, frente a la formación deltaica del Estero Salado y del río Guayas, Ecuador. El periodo del análisis multitemporal se encuentra comprendido entre los años 1999 y 2019, considerando una escala de trabajo de 1:250,000.

El análisis establece el cambio en la cobertura del suelo entre los años 1999 y 2019, donde se determina el área de manglares y la superficie de piscinas camaroneras en la Isla Puná. Este proceso se lleva a cabo mediante una clasificación supervisada de imágenes Landsat, que cuentan con una resolución espacial de 30x30 m. Al efectuar la comparación de las 2 coberturas, se establece si la superficie de manglares fue remplazada por piscinas camaroneras. En función de los resultados obtenidos se determina y cuantifica el porcentaje de la superficie deforestada, generando posteriormente la cartografía donde se contemple las variaciones para los 2 periodos. La relevancia del estudio se presenta en el ámbito ambiental, debido a que se podrá cuantificar el daño al ecosistema y servirá de base para estudios donde se evalúe si las fuentes de trabajo y los ingresos que se obtiene a base de la creación de piscinas camaroneras repercute de una manera positiva en la población frente a la deforestación de los manglares. Además, los resultados obtenidos en el estudio de desforestación de manglares se podrán utilizar de guía para futuros trabajos de comparación de dos periodos en estudios multitemporales similares que utilicen la misma metodología en la evaluación que se pretenda ejecutar, donde se integren Sistemas de Información Geográfica (SIG) y Teledetección.

CAPÍTULO II 2. REVISIÓN DE LITERATURA 2.1.

MARCO TEÓRICO

2.1.1. Bosques de Mangle Los bosques de mangle son ecosistemas que albergan varias especies de peces y fauna silvestre, protegen los limites costeros, manteniendo la calidad de agua y ayudando a llenar de agua los mantos freáticos (Berlanga, 2007). Los manglares se encuentran en áreas cercanas a la desembocadura de causes de agua dulce, en zonas tropicales y subtropicales (FAO, 2011). En la figura 1, se puede apreciar la distribución de los manglares alrededor de todo el mundo

Figura 1. Distribución de manglares en el mundo. Fuente: National Geographic (2007)

Los manglares en Ecuador se encuentran distribuidos en varias provincias costeras, existe mayor concentración alrededor del estuario del río Guayas y del golfo de Guayaquil (FAO, 2006). En el Ecuador existe una vasta legislación que garantiza la protección y conservación del manglar como lo establecen las disposiciones desde la 14

Constitución de la República del Ecuador (2008) hasta Leyes, Reglamentos, Decretos Ejecutivo y Acuerdos. Sin embargo, no se ha podido controlar por completo la deforestación de manglares. De acuerdo a la "Propuesta Técnica de Criterios para la Selección de Sitios de Reforestación (restauración), de Manglares en la Costa Ecuatoriana” (Briones, Arce y Tapia, 2009), se analiza y cuantifica de la superficie (Ha) de mangle a partir de imágenes satelitales y cartografía, donde se identifica la disminución de la cobertura manglar que ha existido desde el año 1969 hasta el 2006 en las costas ecuatorianas, frente al incremento de piscinas camaroneras, lo cual se aprecia en la figura 2.

Manglares y Camaroneras en Ecuador 250000

200000

150000

100000

50000

0 1965

1970

1975

1980

1985

Manglares (Ha)

1990

1995

2000

2005

2010

Camaroneras (Ha)

Figura 2. Aumento de camaroneras y disminución de manglares en Ecuador.

Fuente: Briones et al. (2009)

El CLIRSEN (2007) determinó que en la Provincia de Guayas – Ecuador, para el año 2006 superó por 2,264 Ha la superficie de piscinas camaroneras a la cobertura de manglares y también se identifica una deforestación de 17,396 Ha de cobertura manglar en el Guayas.

En figura 3, se puede visualizar que para el año 2006 existe una similitud de área de mangle y piscinas camaroneras en la provincia de Guayas.

Manglares y piscinas camaroneras en la provincia de Guayas - Ecuador (Ha) 140000 120000 100000 80000 60000 40000 20000 0 1965

1970

1975

1980

1985

Manglares

1990

1995

2000

2005

2010

Camaroneras

Figura 3. Piscinas camaroneras frente a manglares en Guayas - Ecuador. Fuente: CLIRSEN (2007)

Desde el año de 1991 a 1995, el CLIRSEN (2007), establece que ha existido la mayor deforestación a la cobertura manglar en la costa ecuatoriana, llegando a una tasa de 2.35% anual. Sin embargo, desde los inicios del año 1995 hasta el año 1999 se identifica una tasa de deforestación nula, la cual desde 1999 hasta el año 2006 se incrementó a 0.13%. En la figura 4 se visualiza la variación de la tasa de deforestación de manglares en la costa ecuatoriana en el periodo de 1984 hasta el 2006.

Tasa de deforestación 2.5 2 1.5 1 0.5 0 1984-1987

1987-1991

1991-1995

1995-1999

1999-2006

Periodo Tasa Absoluta de deforestación

Figura 4. Tasa de deforestación de manglares en Ecuador 1984-2006 Fuente: CLIRSEN (2007)

Para el año 2006, a excepción de Esmeraldas en toda la costa ecuatoriana la superficie de piscinas camaroneras superaba a la cobertura manglar, lo que refleja una modificación al uso del suelo y el remplazo de manglares por piscinas camaroneras (CLIRSEN, 2007). En la figura 5, se aprecia las hectáreas de camaroneras frente al área de manglares en varias provincias del Ecuador.

Hectareas de Manglares y Camaroneras por Provincia 120000 100000 80000 60000 40000 20000 0

Esmeraldas

Manabí

Guayas

El Oro

Manglar

24270

2583

105219

16158

Camaroneras

12388

16564

107483

39313

Figura 5. Área de manglares y camaroneras en provincias de Ecuador Fuente: CLIRSEN (2007)

De acuerdo a Meléndez, Hernández y Navarro (2010), mediante la teledetección se realiza cartografía de usos del suelo, en base a la identificación y clasificación de coberturas, analizando imágenes adquiridas por sensores remotos.

2.1.2. Teledetección La Teledetección se define como el método que se basa en técnicas físico ópticas,

donde

realiza

medición

magnitudes

energía

electromagnética de superficies, de las cuales se adquiere información sin tener un contacto directo (Schomwandt, 2015). La información recopilada por los satélites se guarda en varias bandas del espectro electromagnético, generando una imagen monocromática que es visualizada en escala de grises, la cual podría contener valores en cada pixel de 0 a 256, entre negro y blanco respectivamente (Alonso, 2019). El área espectro electromagnético va desde el ultravioleta hasta la zona de las microondas como se aprecia en la figura 6.

Figura 6. Espectro Electromagnético Fuente: Alonso (2019)

De acuerdo a la Universidad de Murcia (2006), existe una interacción entre las coberturas terrestres y la radiación, donde se muestra la reflectividad los objetos de acuerdo a la longitud de onda, identificando para cada material radiaciones diferentes y al medir dicha radiación se podrá conocer la diferencia en sus componentes.

2.1.2.1.

Firmas Espectrales

Hernández (2016), define a la firma espectral como el procedimiento diferencial que presenta la reflectancia desde alguna cobertura terrestre en los distintos rangos del espectro electromagnético. En la figura 7, se puede evidenciar las firmas espectrales correspondientes a vegetación, suelo y agua en el rango visible e infrarrojo reflejado del espectro electromagnético.

Figura 7. Firmas Espectrales Fuente: Hernández (2016)

2.1.2.2.

Resolución de los sensores remotos

De acuerdo a Hernández (2016), existen 4 tipos de resoluciones en teledetección entre las cuales se encuentran las siguientes: Resolución Espacial: Se refiere al tamaño del pixel. Identificando que, a menor tamaño del pixel existirá una mayor resolución y brindando un mayor detalle de cada cuerpo. Resolución Espectral: Indica el número y ancho de las bandas espectrales identificadas en el sensor.

Resolución Radiométrica: Muestra el número de bits, identificando la tonalidad de valores de brillo útiles que corresponden con el alcance más alto del nivel digital. Resolución Temporal: Indica el ciclo con el que se adquiere las imágenes de la misma superficie terrestre.

2.1.3. Imágenes Satelitales Las imágenes satelitales son obtenidas mediante sensores que capturan la radicación transmitida por la cobertura terrestre (Sánchez, 2002). Una imagen satelital constituye un conjunto de matrices, una por cada canal del sensor, donde se muestran los números digitales que van del 0 al 255. El cero muestra que no llega radiación desde ese punto y el 255 que llega el valor más alto de radiación. Estos valores se denominan Niveles Digitales y deben ser transformados una variable física (Universidad de Murcia, 2006). Las imágenes Landsat cuentan con varios sensores que identifican los rangos de longitudes de onda del espectro electromagnético (tabla 1), de los cuales varios no son visibles al ojo humano (ESRI, 2019). Tabla 1. Longitudes de onda y resolución espacial - Landsat 8 Bandas

Longitud de Onda

Resolución

(micrómetros)

Espacial (m)

Banda 1

0.43 - 0.45

Landsat 8

Banda 2

0.45 - 0.51

Operational

Banda 3

0.53 - 0.59

Land Imager

Banda 4

0.64 - 0.67

(OLI)

Banda 5

0.85 - 0.88

Banda 6

1.57 - 1.65

Thermal

Banda 7

2.11 - 2.29

Infrared Sensor

Banda 8

0.50 - 0.68

(TIRS)

Banda 9

1.36 - 1.38

•Banda 10

10.60 - 11.19

100

•Banda 11

11.50 - 12.51

100

Fuente: Arenas (2016)

Los rangos mencionados son las bandas espectrales las cuales se pueden identificar en la tabla 2. Tabla 2. Bandas espectrales de imágenes Landsat Número

Nombre

Lo que permite ver mejor la banda

Banda 1

Aerosol costero

Agua poco profunda, partículas finas de polvo

Banda 2

Azul

Agua profunda, atmósfera

Banda 3

Verde

Vegetación

Banda 4

Rojo

Objetos fabricados por el hombre, suelo, vegetación

Banda 5

Infrarrojo cercano

Costas, vegetación

Banda 6

Infrarrojo de onda corta 1

Penetración de las nubes, humedad del suelo y la vegetación

Banda 7

Infrarrojo de onda corta 2

Penetración mejorada de las nubes, humedad del suelo y la vegetación

Banda 8

Pancromático

Imágenes en blanco y negro, detalles más nítidos

Banda 9

Cirro

Nubes de tipo cirro

Banda 10

Infrarrojo térmico 1

Representación térmica, humedad estimada del suelo

Banda 11

Infrarrojo térmico 2

Representación térmica mejorada, humedad estimada del suelo

Fuente: ESRI (2019)

2.1.4. Correcciones de Imágenes Satelitales 2.1.4.1.

Corrección Radiométrica

Estas correcciones eliminan distorsiones de las imágenes generadas por el sensor a través de la influencia de la atmosfera (Sánchez, 2002). De acuerdo a Rejas (1987), los métodos más comunes para la corrección radiométrica son los siguientes: 

Corrección radiométrica del bandeado.



Corrección radiométrica de líneas o píxeles perdidos.



Corrección o normalización radiométrica horaria.



Corrección radiométrica del efecto por columnas.



Correcciones atmosféricas.

2.1.4.2.

Corrección Geométrica

Esta corrección se realiza para modificar distorsiones en la imagen causadas por alteraciones en la geometría del sensor y la superficie terrestre, con la asignación de coordenadas a cada pixel, ubicando la imagen en la zona territorial correspondiente (Sánchez, 2002). Antes de realizar el procesamiento con las imágenes satelitales, es necesario efectuar correcciones geométricas y radiométricas. En la figura 8, se aprecia el proceso de corrección a ejecutarse en las imágenes satelitales.

Figura 8. Proceso de corrección de Imágenes Satelitales Fuente: Jiménez (2005)

2.1.5. Clasificación de Imágenes La clasificación de imagen se refiere al proceso de agrupación de los pixeles utilizando algoritmos que toman la reflectancia de cada pixel para cada longitud

de onda con un análisis estadístico de modo que es asignado a una clase espectral (Sánchez, 2002). El método de clasificación no supervisado define las clases espectrales de una imagen, formando agrupaciones que asemejan a pixeles con las mismas características espectrales (Facultad de Ciencias Forestales - UNSE, 2019). Existe un algoritmo para la agrupación mencionada el cual se denomina ISODATA, el cual se ejecuta en varias fases. Inicialmente se marcan varios centros de clase configurados por el operador, posteriormente se definen los pixeles al centro de clase más cercano para efectuar un procesamiento de los datos de los centros de clase donde ya fueron incorporados los pixeles, para finalmente ubicar todos los pixeles correspondientes a la imagen al centro de clase próximo, donde se volverá a procesar los centros de clase, iniciando un cálculo iterativo hasta que se quede fijo el centro de clase y exista un ajuste de los conjuntos de la imagen, el proceso en mención se encuentra representado en la figura 9.

Figura 9. Proceso de agrupación ISODATA Fuente: Facultad de Ciencias Forestales UNSE (2019)

La clasificación supervisada constituye en contar con zonas de entrenamiento, donde se tiene una referencia previa de la clase a la que pertenecen, las cuales contribuyen en la generación de una firma espectral que caracteriza cada clase, formando un conjunto de reflectividades para cada banda acompañada de análisis estadísticos (Universidad de Murcia, 2006). En la figura 10, se aprecia el flujograma establecido para la clasificación de imágenes supervisada y no supervisada. 23

Figura 10. Diagrama de flujo para procesos de clasificación Fuente: Facultad de Ciencias Forestales UNSE (2019)

2.1.6. Evaluación de clasificación supervisada De acuerdo a Sánchez (2016), la matriz confusión se elabora dividiendo a una imagen de satélite en un número determinado de celdas clasificadas en varias clases. En las columnas se organizan las clases reales y en las filas las unidades cartográficas. Los elementos que se muestran en la diagonal indican el número de clasificaciones realizadas correctamente y los que se muestran en el exterior representan migraciones o fugas. De acuerdo a la NASA (2018), para poder evaluar la precisión de una clasificación es necesario generar una matriz de error, donde se determina el porcentaje de precisión, de acuerdo a la siguiente formula: PP=TPRC/TPRV*100 PP: Porcentaje de Precisión TPRC: Total de puntos de referencia (correctos) TPRV: Total de puntos de referencia (verdaderos) 24

2.1.7. Análisis Multitemporal El análisis multitemporal consiste en efectuar procesos que permiten concluir sobre los cambios espaciales presentados en un sitio determinado (Medina, 2015). El objetivo de un análisis multitemporal es mostrar modificaciones en la cobertura de un área de estudio entre dos o más periodos (De la Cruz, 2016). La consolidación de imágenes asociadas a una misma superficie, tomadas de diferentes periodos, es efectuada mediante registros multitemporales de las imágenes, obteniendo un punto fijo de una imagen en referencia a otra, donde se identifica una correlación en el área de la información radiométrica, para adquirir una sola imagen con la sumatoria de bandas espectrales (Sacristán, 2006). De acuerdo a Sacristán (2006), existen varias metodologías para efectuar un estudio multitemporal. Sin embargo, es necesario considera 3 puntos importantes: 

La intersección de clasificaciones de imágenes de distintos periodos reduce las clasificaciones erróneas.



Una superposición de las imágenes previa a la clasificación reduce los errores de clasificación en ambos sentidos.



El resultado de las probabilidades de clasificación por separado en 2 imágenes,

proporciona

mejores

resultados

que

método

superposición, ya que existe una mejor elección de las áreas de entrenamiento en las imágenes por separado. 2.2.

MARCO HISTÓRICO

A nivel mundial se han realizado varios estudios referentes al análisis de coberturas del suelo para determinar modificaciones en el tiempo, de modo que se recopiló información que se acople y sirva de guía al presente trabajo. La cual se muestra a continuación: Martínez, Hernández, Aretaga, Oramas, y Ibangollín (2012), recopilaron información cartográfica y ortofotografías de los años 1981 y 1997 del Municipio Quemado de Güines en Cuba. Las fotografías se procesaron utilizando herramientas SIG y ejecutaron una clasificación no supervisada, donde 25

identificaron el porcentaje de manglar degradado, obteniendo como resultado que la deforestación de manglar pasó del 13% al 35% en 16 años. Rebollo (2014), determinó a través de uso de imágenes satelitales Landsat del Municipio de Boyacá en los periodos comprendidos entre 1992 y 2012 la modificación de 13 coberturas, obteniendo los niveles de degradación, aumento y estabilidad de las coberturas del uso del suelo, identificando que los pasto y cultivos aumentaron en 20 años 22,253.11 Ha y no hubo cambios representativos en las coberturas de ríos y tierras desnudas. En la tabla 3, se aprecia los cambios en las diferentes coberturas.

Tabla 3. Cambios de superficie en el Municipio de Boyacá Año evaluado 2012 Área (Has) 2,777.48

Arbustal

1992 Área (Has) 4,428.17

Bosque denso

6,380.86

6,179.33

Cultivos transitorios

627.62

640.85

Lagunas, lagos y ciénagas naturales

5,547.31

5,521.01

Mosaico de pastos y cultivos

36,932.77

59,185.88

Pastos enmalezados

3,540.66

2,054.51

Pastos limpios

18,112.24

1,701.22

Río

7.68

N/A

Tejido urbano

68.98

Tierras desnudas y degradadas

6.94

N/A

Vegetación de páramo

68,903.53

67,328.68

Vegetación secundaria alta

287.91

179.70

Sin información

1,022.60

229.63

Área Total

145,867.28

14,5867.28

Cobertura

Fuente: Rebollo (2014)

Farnum y Morillo (2019), identificaron los cambios en la vegetación que se encuentra alrededor de la cuenca del canal de Panamá para los años de 1970, 2000 y 2017. En el análisis digitalizaron ortofotografías y cartografía subministrada por el Ministerio del Ambiente de Panamá, identificando que el 42% de los bosques fueron intervenidos. En el período de 2010 a 2017 constataron que hubo mayor degradación en la vegetación y al mismo tiempo un crecimiento en el área urbana. 26

Condori, Loza, Mamani, y Solíz (2018), con la ayuda de imágenes Landsat de los años 1989 y 2014 identificaron la disminución de cobertura boscosa a lo largo de la subcuenca del río Coroico, la cual fue remplazada por superficies destinadas a la agricultura, determinando una pérdida de 59.38 Ha de bosque anuales desde 1989 hasta el 2005, disminuyendo 16.99 Ha anuales desde 2005 hasta el 2014. En Nicaragua Salas, Olivas, y Williamson (2019), identificaron los cambios en cobertura de manglar en la Reserva Cayos Miskitos. Para el estudio utilizaron imágenes Landsat del 2006, 2012 y 2017, en este análisis a diferencia de los anteriores se puede identificar que para el periodo de 2006 a 2012 existió una degradación del 66 por ciento de la cobertura manglar, pero para el periodo de 2012 a 2017, se evidenció una regeneración de los manglares de un 80%.

2.3.

MARCO METODOLÓGICO

2.3.1. Procesamiento de Imágenes De acuerdo a Aguilar, Mora, y Vargas (2014), el proceso para la corrección atmosférica de imágenes satelitales con la ayuda del software ENVI consta de los siguientes pasos: 

Conversión a radiancia



Recodificación de la imagen



Identificación de las bandas



Remoción de dispersión atmosférica



Compensación de las distorsiones por aerosoles

Donde se tiene como objetivo recuperar la radiancia obtenida originalmente de la señal recibida por el sensor (Aguilar et al., 2014). Según la Universidad de Murcia (2006), para iniciar con la corrección atmosférica un método es el “Mínimo del Histograma” el cual identifica zonas de la imagen con valores de reflectancia próximos a cero en el infrarrojo, al representarlos en el histograma de la banda, aumentando el límite inferior al disminuir la longitud de onda. 27

De acuerdo a Matellanes (2019), se puede identificar 7 combinaciones de bandas que son utilizadas en varios campos para el análisis territorial. Los cuales se muestran la tabla 4. Tabla 4. Combinación de bandas en diferentes campos N°

Tipo de aplicación

Combinación

RGB a color natural:

Landsat 8 (4,3,2)

RGB para zonas urbanas:

Landsat 8 (7,6,4)

RGB para vegetación general:

Landsat 8 (5,4,3)

RGB para análisis de vegetación:

Landsat 8 (6,5,4)

RGB para análisis de vegetación sana:

Landsat 8 (5,6,2)

RGB para estudios agrarios:

Landsat 8 (6,5,2)

RGB para usos del suelo:

Landsat 8 (5,6,4)

Fuente: Matellanes (2019)

De acuerdo a Del Toro, Gomariz, Cánovas, y Alonso (2015), la clasificación Gaussiano de Máxima Verosimilitud consiste en tomar los valores de reflectividad de cada clase, asumiendo que llevan una distribución de probabilidad normal multivariante, donde en base a la toma de la línea de medias y la matriz de covarianza se analiza la probabilidad de que un pixel sea parte cada clase. Finalmente se incorpora el pixel a la clase en la que la probabilidad sea la más alta. 2.3.2. Metodologías para análisis multitemporales Al revisar literatura de estudios previamente efectuados se pudo identificar 3 metodologías para efectuar un análisis multitemporal. Las cuales se indican a continuación: 2.3.2.1. Farnum

Fotointerpretación y digitalización de imágenes

y Morillo

(2019)

realizaron

una

digitalización

de fotografías

georeferenciadas de la carretera Boyd Roosevelt - Panamá para los periodos comprendidos entre 1970 y 2017, donde calcularon las áreas digitalizadas para obtener las modificaciones en las coberturas.

2.3.2.2.

Clasificación y combinación de bandas de imágenes

Medina (2015) considera el procesamiento de imágenes satelitales aplicando una clasificación supervisada y adicionalmente implementa una matriz de cambio de uso del suelo. En la figura 11, se muestra el proceso metodológico efectuado para el citado análisis:

Figura 11. Esquema metodológico de cambio de la cobertura vegetal

Fuente: Medina (2015)

2.3.2.3.

Índices de vegetación

De acuerdo a Gilabert (1997, citado en el Centro de Información de Recursos Naturales CIREN, 2013), el índice de vegetación se conceptualiza como un parámetro obtenido de los valores de reflectancia a diferentes longitudes de onda, perceptivo a la cubierta vegetal. El índice SAVI (Soil Adjusted Vegetation Index), según CIREN (2013), considera la reflectividad del suelo, separando los datos que transmite la vegetación. De acuerdo a Huele (1988, citado en CIREN, 2013), el índice SAVI se caracteriza

por incluir una contante del suelo, utilizándola en base a la densidad de la vegetación. Considerando la siguiente fórmula para su obtención: SAVI = [(IRC – R) / (IRC + R + L)] (1 + L) IRC= banda del infrarrojo cercano. R= banda del Visible, Roja. L= constante de compensación promedio, 0.5 Pineda (2019), establece el índice de vegetación utilizando la metodología SAVI, determinando que la perdida de vigorosidad de la vegetación en el páramo de Rabanal se encuentra directamente relacionada con el aumento de minería. Para la elaboración del citado trabajo se utilizó el flujograma de trabajo que se muestra en la figura 12.

Figura 12. Esquema para análisis multitemporal - metodología SAVI Fuente: Pineda (2019)

En los tres métodos se efectúa una comparación de los periodos analizados para determinar los cambios en la cobertura de la superficie de estudio.

CAPÍTULO III 3. METODOLOGÍA En resumen, la metodología llevada a cabo inició con la recopilación de información, como el software y otros insumos que permitieron realizar el análisis requerido. A continuación, se definió el área de estudio, cobertura, uso del suelo, entre otros datos que sean relevantes para el estudio. Posteriormente se descargó las imágenes satelitales, por temas de presupuesto fueron obtenidas del United States Geological Survey (USGS), las cuales cuentan con una resolución espacial de 30x30m, de los periodos de 1999 y 2019. Siguiendo con la corrección atmosférica y geométrica de las de las imágenes previamente descargadas, lo que servirá para una mejor visualización. Una vez obtenidas las imágenes corregidas con la ayuda de las herramientas del software ArcGIS se cortaron las zonas de estudio y se efectuó una clasificación supervisada, donde se obtuvo 2 coberturas, las cuales corresponden a manglares y piscinas camaroneras, siguiendo con la vectorización y cuantificación de las coberturas. Finalmente se generó la cartografía que mostrará los resultados del análisis. 3.1.

DESCRIPCIÓN DEL ÁREA DE ESTUDIO

La Isla Puná se encuentra ubicada en el cantón de Guayaquil, provincia del Guayas – Ecuador (ver figura 13). Tiene 919 km² de extensión. Está situada en el golfo de Guayaquil, frente a la formación deltaica del Estero Salado y del río Guayas, limitando al norte con las Islas; Mondragón, Chupadores, Verde y el islote nombrado Romero. Al sur y al este con el Canal de Jambelí y al oeste con Canal del Morro, rodeado por las islas Manglecitos, Zapatero y la parroquia de Posorja (Carcipulla y Quevedo, 2014).

Figura 13. Mapa de ubicación, Isla Puná

De acuerdo al “Diagnostico preliminar de actualización del Plan de Desarrollo y Ordenamiento Territorial de la Parroquia Puna 2015” (Consultora Elizalde, 2015) se muestra la cobertura del suelo, sus principales usos, los cambios y observaciones (ver tabla 5).

Tabla 5. Cobertura de suelo en la Parroquia Puná

Fuente: Consultora Elizalde (2015)

3.2.

METODOLOGÍA Y JUSTIFICACIÓN

La metodología utilizada se basó en la combinación de bandas de imágenes satelitales que permitan identificar las coberturas pertenecientes a manglares y cuerpos de agua que correspondan a piscinas camaroneras, donde se efectuó una clasificación que disgregue cada cobertura que fue reclasificada y vectorizada, donde se obtuvo las modificaciones que se han presentado entre el periodo de 1999 a 2019, esta metodología es la que más se acopló al presente estudio ya que se va a comparó solo 2 coberturas (cuerpos de agua y vegetación) y la relación entre las mismas por lo que no se incluyó el método que determine el índice de vegetación.

Se excluye la digitalización como método debido a que la resolución de las imágenes no permite la fotointepretación de las coberturas de una manera adecuada, lo que estaría sujeto a errores en los resultados. La metodología utilizada fue empleada en la “Propuesta técnica de criterios para la selección de sitios de reforestación de manglares en la costa ecuatoriana” estudio relacionado con el análisis ejecutado, donde se especifica el incremento de piscinas camaroneras frente a la deforestación de manglares en el área costera del Ecuador (Briones et al., 2009). Con el propósito de automatizar el análisis multitemporal se incluyó un modelo (ModelBuilder) donde se puede modificar los factores para contar con resultados de una manera sencilla, puesto que ya se encuentra configurado el modelo. En la figura 14, se identifica el flujograma empleado para el análisis multitemporal.

Figura 14. Flujograma para el análisis multitemporal

3.3.

RECOPILACIÓN DE INFORMACIÓN

Las imágenes satelitales Landsat para los años 1999 y 2019 fueron obtenidas mediante la página del Servicio Geológico de los Estados Unidos (USGS, 2019), de las cuales se consideró las que mantenían las mejores condiciones, determinado que las escenas del 05 de noviembre de 1999 y 10 de abril de 2019 eran las más aptas para el estudio, ya que tenían un número mínimo de cobertura de nubes y una baja distorsión. En la tabla 6, se detallan las características y metadatos de las imágenes descargadas.

Tabla 6. Metadatos de imágenes satelitales de los años 1999 y 2019 Metadatos Identificador de escena Landsat

Atributos de imagen - año 1999 LE70110621999309EDC00

Atributos de imagen - año 2019 LC80110622019100LGN00

Categoría de colección

WRS Path

WRS Row

Cubertura de nubes terrestres

3.09

Cobertura de nubes en la escena

2.95

Modelo de puntos de control de tierra

203

106

Versión de puntos de control de tierra

Modelo geométrico RMSE (metros)

3.417

8.995

Modelo geométrico RMSE X

2.561

6.566

Modelo geométrico RMSE Y

2.262

6.148

Identificador del sensor

ETM

OLI-TIRS

Líneas Pancromáticas

13901

15481

Líneas reflectantes

6951

7741

Líneas Termales

6951

7741

Proyección de mapa Nivel-1

UTM

Zona UTM

Elipsoide

WGS84

Tamaño de celda de cuadrícula pancromática Tamaño de celda de cuadrícula reflectante Tamaño de celda de rejilla térmica

Fuente: USGS (2019)

En la figura 15, se muestra la escena de imágenes satelitales del área de la Isla Puná, las cuales fueron descargadas para los 2 periodos de estudio. 35

Figura 15. Cuadro de la escena e imágenes satelitales del año 1999 y 2019 Fuente: USGS (2019)

Las imágenes que se han generado serán exportadas a un SIG para continuar con el procesamiento de las mismas.

3.4.

CORRECCIÓN DE IMÁGNES SATELITALES

Para poder eliminar las secuelas de la radiancia y aerosoles que ingresan al sensor por la incidencia con la atmosfera y generan distorsiones en las imágenes satelitales, es necesario efectuar una calibración radiométrica y la respectiva corrección atmosférica. Dichos procesos son realizados con la ayuda del software ENVI. Con la herramienta “Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes” (FLAASH) se realizó las correcciones a las bandas multiespectrales de las imágenes seleccionadas para el presente estudio. Posteriormente se modificó los valores de reflectancia de la imagen obtenida para que se encuentren entre cero y uno. En la figura 16, se pude distinguir los cambios que se presentaron en cada paso de la corrección efectuada a las imágenes satelitales. 36

Figura 16. Corrección en las imágenes satelitales

Con las correcciones efectuadas se presentaron modificaciones en el histograma de cada banda multiespectral, verificando que el número y valor de los pixeles varia, pero se mantienen los perfiles multiespectrales, mostrando que no hay alteraciones en las imágenes sino modificaciones y realces que ayudan a visualizar de mejor manera las imágenes.

3.5.

PROCESAMIENTO DE IMÁGENES SATELITALES

Una vez obtenidas las imágenes corregidas se continuó con el procesamiento de las mismas, para lo cual se utilizó el software ArcGIS, donde se digitalizó el contorno de la Isla Puná para efectuar un recorte del área de estudio. Como se muestra en la figura 17.

Figura 17. Recorte de Imagen Satelital – Año 1999

Cada banda de la imagen fue cargada en el software ArcGIS de manera separada, para obtener una sola imagen con las combinaciones que faciliten la visualización de la cobertura de mangle y piscinas camaroneras, de acuerdo a la tabla 7.

Tabla 7. Combinación de bandas utilizada Imagen Landsat 7 Landsat 7

Año 1999 1999

Landsat 8 Landsat 8

2019 2019

Combinación Visualización 432 Cuerpos de agua 453 Cobertura Manglar 543 Cuerpos de agua 564 Cobertura Manglar

De acuerdo Matellanes (2019), la combinación de las bandas 5,6 y 4 en el sensor Landsat 8 ayuda a identificar los usos del suelo. Dicha combinación fue adaptada al sensor Landsat 7 disminuyendo un número a cada banda para obtener los mismos resultados, debido a que la banda 1 en las imágenes Landsat 8 corresponde al aerosol costero. De igual manera, se ejecutó la combinación de bandas 543, las cuales son recomendadas por Matellanes (2019) para identificación de vegetación en general, pero también se pudo visualizar de una manera adecuada los cuerpos de agua correspondientes a piscinas camaroneras.

3.6.

CLASIFICACIÓN DE IMÁGENES

Para efectuar la clasificación supervisada se definieron 6 clases (ver tabla 8), 2 de las cuales corresponden a piscinas camaroneras, debido a que mediante fotointerpretación se pudo visualizar que existen piscinas que se encontraban vacías al momento de la captura de la imagen, las cuales fueron consolidadas posteriormente. Para el área de entrenamiento se establecieron 165 muestras en la imagen del año 1999 y para la del 2019 se tomaron 197 muestras, la variación en el número de muestras se debe a que existen más detalles en la imagen del sensor Landsat 38

8, pero el número de muestras no afecta de una manera representativa a los resultados. Tabla 8. Número de clases – Áreas de entrenamiento N° 1 2 3 4 5 6

Clase Manglares Piscinas Camaroneras Piscinas Camaroneras 2 Nubes Vegetación Suelo desnudo

Valor 1 2 6 10 11 12

Una vez obtenidas las clases, se generó las firmas espectrales, las cuales fueron incorporadas en el método de Clasificación Gaussiano de Máxima Verosimilitud. Según Yébenes y Giner (2014), es necesario escoger minuciosamente las clases para la fase de entrenamiento, considerando la dispersión de la zona de estudio. En este sentido entre más muestras haya, existirá una clasificación que determine las coberturas adecuadamente. En la figura 18 se aprecia las muetras correspondeintes a las imágenes Landsat 7 y 8 respectivamente.

Figura 18. Muestras tomadas para la clasificación supervisada

De acuerdo a Gómez (2004), debido a que el método de clasificación de Máxima Verosimilitud no admite ninguna restricción en la distribución de datos, es el mejor cuando se debe estimar la distribución de datos y considerando que las muestras de entrenamiento fueron tomadas para estimar los parámetros de las distribuciones, es el método que más se acoplo al estudio. De las clasificaciones efectuadas se pudo identificar claramente cada cobertura como se muestran en la figura 19, donde se puede apreciar que el clasificador consideró a varías zonas internas de la Isla Puná como manglares. Esto se debe a que los pixeles para los sitios donde existen sobras generadas por las nubes fueron clasificados como bosque de mangle. Sin embargo, no se efectuó un nuevo entrenamiento para dichas zonas, debido a que no van a ser consideradas en la sumatoria de áreas. Del mismo modo el clasificador asignó a la clase de piscinas camaroneras a los cuerpos de agua que ingresan a la Isla, los cuales en la vectorización deben ser eliminados. Clasificación supervisada - Imagen de 1999

Clasificación supervisada - Imagen de 2019

Figura 19. Clasificación de imágenes satelitales – Isla Puná

De acuerdo a la NASA (2018), la evaluación de la precisión de una clasificación supervisada, indica la similitud que se presenta entre las muestras tomadas y la imagen satelital, determinando si existen errores en la clasificación efectuada, y de este modo solventar dichos errores de ser el caso. 40

Para construir la matriz de error se extrajeron los valores de los pixeles para los puntos de referencia tomados, lo cual se verá reflejado en la tabla de atributos, con los valores de los puntos de referencia es necesario aislar los valores de la frecuencia para las imágenes de los 2 periodos, generando una tabla de frecuencias, la cual debe ser mostrada de una manera ordenada en otra tabla dinámica, para posteriormente exportarla a un formato donde se pueda trabajar con los datos obtenidos. En la tabla 9, se puede distinguir en las columnas las clases reales, en las filas las unidades cartográficas y en la diagonal se aprecia número de clasificaciones realizadas correctamente. Tabla 9. Matriz de error

Para obtener el porcentaje de precisión se dividió la sumatoria de los valores obtenidos en la diagonal de la matriz para la sumatoria de los valores de las columnas o filas y se multiplica por 100 para obtener un porcentaje.

3.7.

VECTORIZACIÓN

Para cuantificar la superficie de piscinas camaroneras y manglares en la Isla Puná, se realizó la transformación del ráster obtenido de la clasificación a vector. Una vez obtenido el vector se unieron los polígonos de piscinas camaroneras y se eliminaron las clases que no debían ser consideradas en el estudio. Para la obtención de polígonos de la imagen del año 2019 fue necesario digitalizar el área donde existía nubosidad que cubría piscinas y manglares, para lo cual se 41

georreferenció una captura de una imagen del año 2019, la que sirvió de guía para delimitar la superficie superpuesta con nubes. Con el proceso de limpieza de polígonos con superficies mínimas y una verificación minuciosa de cada área correspondiente a las coberturas de mangle y piscinas camaroneras del año 1999. Como se muestra en la figura 20.

Figura 20. Cobertura vectorizada y depurada - Isla Puná 1999

De igual manera se obtuvo una cobertura vectorizada limpia del año 2019. Como se puede apreciar en la figura 21.

Figura 21. Cobertura vectorizada y depurada - Isla Puná 2019

Para obtener la superficie de manglares y de piscinas camaroneras se efectuó la sumatoria de polígonos con la ayuda de las herramientas para selección por atributos y estadísticas, donde se cuantificaron las coberturas antes descritas. Lo cual se aprecia en la tabla 10. Tabla 10. Área de las coberturas analizadas

3.8.

Año

Área de Mangle (Ha)

1999 2019

8,854.55 8,811.28

Porcentaje de disminución 0.49%

Año

Área de piscinas Camaroneras (Ha)

Porcentaje de incremento

1999 2019

12,629.75 16,976.96

34.42%

MODELO EN LA HERRAMIENTA “MODELBUILDER”

Se incluyó un modelo que permita automatizar los procesos establecidos en el flujograma metodológico, para lo cual se generó en la caja de herramientas de ArcGIS un modelo (ModelBuilder), el cual se utilizó en los 2 periodos de estudio (1999 y 2019), donde se ingresó los insumos y parámetros establecidos en el análisis multitemporal de una manera ordenada hasta obtener la capa del vector que identifica cada clase correspondiente en la Isla Puná. No se avanzó con el modelo hasta la obtención de cobertura manglar y piscinas camaroneras, ya que la digitalización de ciertas áreas requería un trabajo de depuración. En la figura 22, se muestra el modelo obtenido.

Figura 22. Modelo para vectorizar coberturas clasificadas

CAPÍTULO IV 4. RESULTADOS Y DISCUSIÓN 4.1.

RESULTADOS

4.1.1. Correcciones a las Imágenes Satelitales Al haber efectuado la corrección radiométrica y atmosférica en las imágenes satelitales, se identificó los cambios en los valores de los pixeles, lo cual mejoró la resolución y puede ser visualizado en la figura 23. Con la corrección efectuada se identifica la eliminación de las distorsiones que existían en los valores de radiancia, lo que ayudó a distinguir la cobertura de manglares y piscinas camaroneras.

Figura 23. Corrección de la imagen del año 1999

4.1.2. Combinación de bandas multiespectrales Con la combinación de bandas 432 para la imagen satelital de 1999 se puede apreciar los cuerpos de agua (piscinas camaroneras). En cambio, para la imagen del año 2019 la combinación de bandas utilizada para una mejor visualización 44

de los cuerpos de agua fue la 543, lo que hace que se identifique a las piscinas camaroneras en el sector sur y norte de la Isla Puná principalmente. Los cuerpos de agua con las combinaciones mencionadas toman un color azul y celeste como se lo puede apreciar en la figura 24.

Figura 24. Combinaciones de bandas para cuerpos de agua

Para tener una representación clara de la cobertura manglar, se utilizó la combinación de bandas 453 para la imagen del año 1999 y para la imagen del 2019 la combinación de bandas fue la 564, identificando los manglares en su mayoría en el sector central de la Isla. La cobertura descrita es representada con un color marrón como se lo puede apreciar en la figura 25.

Figura 25. Combinaciones de bandas para manglares

4.1.3. Clasificación de Imágenes De acuerdo a Chuvieco (1995), para definir las áreas de entrenamiento es necesario seleccionar una muestra homogénea de pixeles de una imagen que representen adecuadamente a las categorías de interés. Al distinguir que las combinaciones efectuadas fueron apropiadas para el estudio, se separó las 5 coberturas, determinadas por grupos de pixeles semejantes que representan cada clase de una manera legible, principalmente las de manglares y piscinas camaroneras. En la figura 26, se muestra las coberturas identificadas en la Isla Puná.

Figura 26. Coberturas con combinación de bandas 453 – Imagen 1999

Para la clasificación de las imágenes satelitales en los 2 periodos, se definieron 6 clases, dos de las cuales pertenecen a piscinas camaroneras, con 165 muestras para la imagen del año 1999 y 197 muestras para el 2019. Con los resultados de la clasificación se generó el mapa de cada una de las coberturas, de las cuales la correspondientes a manglares y piscinas camaroneras fueron separadas para el análisis. Como se aprecia en la figura 27, los manglares se encuentran representados con el color verde y las piscinas camaroneras con azul y celeste, identificando su acumulación en la parte central y sur de la Isla. Se aprecia también que las sombras de las nubes fueron identificadas por el clasificador como manglares, pero en el procesamiento fueron desechadas esas coberturas. 46

Figura 27. Mapa de la clasificación supervisada en la Isla Puná

De acuerdo a las 165 muestras tomadas para la clasificación supervisada del año 1999, se desarrolló la matriz de error (ver tabla 11) que sirvió como insumo para obtener el porcentaje de precisión. En las columnas de la matriz se identifican las clases reales, en las filas las unidades cartográficas y en la diagonal se aprecia número de clasificaciones realizadas correctamente. Tabla 11. Matriz de error de la clasificación supervisada - 1999 Manglares

Piscinas Camaroneras

Piscinas Camaroneras 2

Nubes

Vegetación

Suelo desnudo

Total

165

Con la sumatoria del número de clasificaciones realizadas correctamente, sobre el número de muestras que corresponde a la sumatoria de las filas o columnas se obtuvo el 92.12% de precisión en la clasificación para el año 1999. (152/165) *100= 92.12% Para el año 2019 se consideró 197 muestras, donde se construyó la matriz de errores indicada en la tabla 12, para posteriormente determinar el porcentaje de precisión, que tuvo como resultado el 91.87%. (181/197) *100= 91.87% Tabla 12. Matriz de error de la clasificación supervisada - 2019 Manglares

Piscinas Camaroneras

Piscinas Camaroneras 2

Nubes

Vegetación

Suelo desnudo

Total

197

4.1.4. Cuantificación de coberturas Con las coberturas vectorizadas se generó el mapa correspondiente a manglares en la Isla Puná en los 2 periodos de estudio, donde se efectuó una sumatoria de los polígonos correspondientes a manglares, teniendo como resultado 8,854.55 Ha para el año de 1999 y 8,811.28 Ha para el 2019, resultando que la superficie de maglares no varió significativamente en 20 años. Además, se identifica en la figura 28 que en el sector Este de la Isla se concentra la mayor cantidad de manglares y se aprecia que se mantuvo la cobertura sin grandes modificaciones, pero con una pequeña regeneración en las zonas internas y externas de la Isla Puná.

Figura 28. Cobertura Manglar en la Isla Puná

Con las coberturas vectorizadas se generó el mapa de piscinas camaroneras para los 2 periodos, identificando una superficie de 12,629.75 Ha para 1999 y 16,976.96 Ha para el año 2019. En la figura 29, se puede identifcar que en toda la superficie de la Isla Puná se aumentaron las piscinas, sobre todo hacia la parte interna.

Figura 29. Cobertura de Piscinas Camaroneras en la Isla Puná – Año 2019

De acuerdo a la sumatoria de las superficies de mangle y piscinas camaroneras de los 2 periodos, se pudo identificar que existe una mínima reducción de manglares correspondiente al 0.49%, a diferencia del incremento de piscinas camaroneras que asciende al 34.42%, lo cual se representa en la figura 30.

Figura 30. Comparación de áreas de manglares y piscinas camaroneras

4.2.

DISCUSIÓN

Según Aguilar et al. (2014), al efectuar la corrección radiométrica y atmosférica en las imágenes satelitales se obtiene un cambio de valores de números digitales de los pixeles a valores de radiancia, donde la imagen final contiene los datos en reflectancia espectral. Esta modificación mostró una disminución en la opacidad en las imágenes y una mejora en la resolución, sobre todo para la imagen de 1999. Para la imagen del 2019 se identifica una mejora, pero por el sensor para las imágenes Landsat 8 no es tan significativo el cambio. Sin embargo, existen cambios en la deviación estándar y en los histogramas de las bandas multiespectrales.

De acuerdo a Matellanes (2019), la combinación de las bandas 432 muestra el color natural para las imágenes Landsat 8, lo ayudó a una visualización clara de los cuerpos de agua, y se disgregó los 2 tipos de piscinas. Además, Matellanes (2019) considera la combinación 564 para usos del suelo. Dicha combinación fue adecuada para identificar los manglares, ya que tomaron un color marrón que resaltaba entre las demás coberturas. Estas combinaciones fueron las mismas para la imagen de 1999, pero restando la banda del aerosol costero, identificando una coloración diferente en la vegetación interna de la Isla, lo cual se debe a la fecha de la toma y al sensor.

La clasificación de la imagen satelital del año 1999 obtuvo un 92.12% precisión, teniendo en cuenta que, de las coberturas correspondientes a suelo desnudo, vegetación, nubes, piscinas camaroneras de 2 tipos y manglares, se consideró solo las 2 últimas para el estudio, mismas que individualmente obtuvieron un 100% de precisión. Se puede indicar que la clasificación efectuada fue adecuada.

También se muestra que no es necesario tomar más muestras para obtener mejores resultados en la clasificación, ya que para la imagen del año 2019 se tomaron más muestras, pero la precisión fue del 91.87%, identificando solo un 0.25% de diferencia. Más bien se podría indicar que las muestras deben ser tomadas minuciosamente, eligiendo las áreas uniformes con los mismos valores en los pixeles como lo indica Yébenes y Giner (2014).

Adicionalmente, se concuerda con Gómez (2004), en que el método de clasificación de Máxima Verosimilitud fue el indicado para efectuar el presente estudio, ya que se acopló no admitiendo ninguna restricción en la distribución de datos, considerando que las muestras de entrenamiento fueron tomadas para estimar los parámetros de las distribuciones.

De acuerdo al CLIRSEN (2007), la tendencia de deforestación de manglares en la Provincia del Guayas desde 1999 hasta el año 2006 no varía. Con los resultados obtenidos en la Isla Puná y si se mantiene el mismo escenario, se recuperará gradualmente la cobertura manglar. De los resultados obtenidos se 52

identifica que no ha existido una reducción alta en los manglares de la Isla Puná y que las piscinas camaroneras han sido construidas en sitios que no ameritan una deforestación.

La metodología utilizada pude acoplarse a estudios donde se tenga que disgregar dos coberturas, pudiendo ser mejorada con imágenes de mejor resolución, y con un porcentaje mínimo de nubes. Además, el modelo de geoprocesos (ModelBuilder) incluido en la metodología es fundamental para automatizar los procesos. El análisis efectuado puede incluirse al estudio multitemporal efectuado por el CLIRSEN (2007), pero para áreas no tan extensas.

Con el estudio efectuado se pudo responder las preguntas de investigación planteadas:

¿Qué porcentaje de cobertura manglar ha sido deforestada de 1999 hasta el año 2019?

Se identifica que existe una mínima reducción de manglares en la Isla Puná, correspondiente al 0.49% en 20 años, pero no se tiene evidencia que esta reducción corresponde a una deforestación.

¿Qué porcentaje de piscinas camaroneras aumentó en Isla Puná desde 1999 hasta el año 2019?

Considerando que la Isla Puná tiene con una superficie de 91,900 Ha. Para el año de 1999 el área de piscinas camaroneras ocupaba el 13.74% de la isla, en 20 años este porcentaje aumentó al 18.47%, evidenciando un incremento en la ocupación del área de la isla de 4.73%.

¿Qué zonas de la Isla Puná han tenido mayor construcción de piscinas camaroneras?

Para identificar la superficie donde se han construido piscinas camaroneras en la Isla Puná, simplemente se superpuso la capa vector de piscinas camaroneras del año 2019 sobre la imagen satelital del año 1999, identificando que en su mayoría se han construido piscinas camaroneras en 3 puntos: al norte, al sureste y al sur de la Isla. No se identifica que se haya deforestado manglares para construir piscinas camaroneras, lo que corrobora el estudio el CLIRSEN (2007), donde se establece que desde los inicios del año 1995 hasta el año 1999 se identifica una tasa de deforestación nula, la cual desde 1999 hasta el año 2006 se incrementó a 0.13%. Esto puede estar relacionado a la normativa legal que se ha ido implementado para la protección de los bosques y manglares, que de alguna manera a contenido la deforestación presentada desde 1969, donde, de acuerdo a Bravo (2003), desaparecieron 54,039 Ha de manglares hasta el año 2000. ¿Qué zonas de la Isla Puná han sido las más deforestadas?

Al identificar las coberturas de mangle que existía en el año 1999, en relación a las del 2019, se aprecia que no ha existido una reducción, más bien se identifica un desplazamiento del manglar en la zona norte de la Isla, ratificando que no ha existido desde el año 1999 una reducción significativa de manglar en la Isla Puná.

CAPÍTULO V

5. CONCLUSIONES Al conocer los problemas que existen en cuanto a la deforestación en la zona costera del Ecuador, se tomó como punto de referencia la Isla Puná para identificar los cambios en la cobertura del suelo y cuantificar el área de manglares que pudieron ser deforestados desde el año 1999 hasta el 2019. Para dicho propósito, se realizó un análisis multitemporal de la Isla en mención, que tuvo como insumos principales las imágenes satelitales Landsat de los 2 periodos. Al haber efectuado la corrección radiométrica y atmosférica a las imágenes satelitales se proporcionó valores de intensidad uniformes, corrigiendo fallas en los píxeles y mostrando modificaciones en el histograma de cada banda multiespectral, lo que proporciona realces que ayudan a visualizar de mejor manera las imágenes. Para las imágenes Landsat 7, la combinación de las bandas 432 hace que se visualice los cuerpos de agua claramente y la combinación de bandas 453 identifica de mejor manera a los manglares, ya que por tratarse de vegetación húmeda brinda un realce diferente. Estas combinaciones ayudaron a tener una precisión en la clasificación efectuada, correspondiente al 92.12% para el año de 1999 y para el 2019 un 91.87%. Desde 1999 hasta el 2019 se redujo 0.49% de cobertura manglar en la Isla Puná, y existió un incremento de 34.42% de piscinas camaroneras, identificando que solo ha existido un desplazamiento mínimo en la cobertura manglar. En cuanto a las piscinas camaroneras, el incremento identificado no afecta directamente a los manglares. En este sentido, no existió deforestación de manglares para la construcción de las piscinas camaroneras, debiendo rechazar la hipótesis, ya que no existe una relación en la disminución de manglares, frente al aumento de piscinas camaroneras en la Isla Puná. Los resultados obtenidos pueden aumentar su precisión, incluyendo insumos como imágenes con mayor resolución y con un porcentaje mínimo de nubes. Si 55

se requiere una información más detallada sobre los cambios en la cobertura de la Isla, es necesario añadir más imágenes satelitales de años intermedios para el análisis. También podría incluirse a la metodología un modelo desde la corrección de las imágenes, hasta la obtención de la cartografía que permita automatizar los procesos para la ejecución del estudio, optimizando tiempos e incorporando un formato que puede utilizarse por cualquier usuario para estudios similares. Los resultados obtenidos pueden incluirse en nuevos estudios en torno al ecosistema manglar, incluyendo análisis de especies, modificaciones en la erosión del suelo y calidad del aire. Además, el estudio efectuado puede ser una herramienta para la toma de decisiones en el campo ambiental, socio económico, político y de ordenamiento territorial, ya que con la cuantificación de las coberturas se puede tener un control en los cambios del uso del suelo.

6. REFERENCIAS

Aguilar, H., Mora, R., y Vargas, C. (2014). Metodología para Corrección atmosférica de imágenes Aster, Rapideye, Spot 2 y Landsat 8 con el módulo FLAASH del software ENVI. San José: Revista Geográfica de América Central. Nº 53. Alonso, D. (2019). Combinación de bandas en imágenes de satélite Landsat y Sentinel. Valladolid. Recuperado el 15 de octubre de 2019 de https://mappinggis.com/2019/05/combinaciones-de-bandas-enimagenes-de-satelite-landsat-y-sentinel/ Arenas, R. (2016). Aplicación de la teledetección en la exploración geominera y de recursos naturales. Tesis de maestría, Universidad de Oviedo, Oviedo, España. Berlanga, R. (2007). Análisis de las tendencias de cambio del bosque de mangle del sistema lagunar Teacapán - Agua Brava, México. una aproximación con el uso de imágenes de satélite Landsat. Universidad y Ciencia, 29. Bravo, E. (2003). La industria camaronera en Ecuador. Acción Ecológica, 1. Briones, E., Arce, S., y Tapia, A. (2009). Propuesta técnica de criterios para la selección de sitios de reforestación (restauración), de manglares en la costa ecuatoriana. Ecociencia. Carcipulla, M., y Quevedo, S. (2014). Evaluación del uso turístico de la playa Cauchiche-Isla Puná. Guayaquil. Chávez, H., y Zurita, G. (2000). Análisis estadístico de la producción camaronera del Ecuador. Tesis de grado, Escuela Politécnica del Litoral, Guayaquil, Ecuador. Chuvieco, E. (1995). Fundamentos de la Teledetección. Madrid: Ediciones RIALP. S.A. CIREN, Centro de Información de Recursos Naturales. (2013). Índices de Vegetación. Chile: Muñoz, P. CLIRSEN, Centro de Levantamientos Integrados de Recursos Naturales por Sensores Remotos (2007). Actualización del estudio multitemporal de manglares, camaroneras y áreas salinas en la costa continental ecuatoriana al año 2006. Quito: Toro et al. Condori, I., Loza, M., Mamani, F., y Solíz, H. (2018). Análisis multitemporal de la cobertura boscosa empleando la metodología de teledetección espacial y SIG en la sub-cuenca del río Coroico - provincia Caranavi en los años 1989 – 2014. JSARS, 25-44. 57

Conservación Internacional. (2019). Dos nuevas concesiones de manglar en la provincia del Guayas. Recuperado el 15 de agosto de 2019, de Conservación Internacional Ecuador: https://conservation.org.ec/boletines/dos-nuevas-concesiones-demanglar-en-la-provincia-del-guayas/?frame=0 Conservación Internacional Ecuador. (2017). Primer Foro Nacional del Manglar en Ecuador. Machala. Constitución de la República del Ecuador. (2008). Constitución de la República del Ecuador. Quito. Consultora Elizalde. (2015). Diagnóstico Preliminar - Actualización del Plan de Desarrollo y Ordenamiento Territorial Parroquia Puna 2015. Guayaquil. De la Cruz, J. (2016). Análisis multitemporal de la cobertura vegetal y cambio de uso del suelo del área de influencia del programa de reforestación de la Federación Nacional de Cafeteros en el Municipio de Popayán, Cauca. Manizales. Del Toro, N., Gomáriz, F., Cánovas, F., y Alonso, F. (2015). Comparación de métodos de clasificación de imágenes de satélite en la cuenca del Río Argos (región de Murcia). Murcia.

ESRI. (2019). Learn ArcGIS. Recuperado el 15 de enero de 2020, de https://learn.arcgis.com/es/projects/assess-burn-scars-with-satelliteimagery/ Facultad de Ciencias Forestales UNSE. (2019). Práctico 11. Transformaciones de la imagen: Clasificación Supervisadas y no Supervisadas. UNSE. Recuperado el 19 de abril de 2020, de https://fcf.unse.edu.ar/archivos/lpr/pdf/p11.PDF FAO. Food and Agriculture Organization (2006). Descripción de los manglares Ecuador. Recuperado el 15 de septiembre de 2019, de http://www.fao.org/forestry/mangrove/vegetation/es/ecu/ FAO. Food and Agriculture Organization (2007). The world's mangroves 19802005. Recuperado el 15 de septiembre de 2019, de http://www.fao.org/3/a1427e/a1427e00.htm

FAO. Food and Agriculture Organization (2008). La desaparición de manglares alcanza un nivel alarmante. Recuperado el 15 de septiembre de 2019, de http://www.fao.org/newsroom/es/news/2008/1000776/index.html

FAO. Food and Agriculture Organization (2011). Manglares amazónicos en peligro por la producción pecuaria. Recuperado el 20 de septiembre de 2019, de http://www.fao.org/in-action/agronoticias/detail/es/c/ 50725 Farnum, F., y Morillo, V. (2019). análisis multitemporal (1970-2017) del uso del suelo en cinco comunidades ubicadas a lo largo de la carretera Boydroosevelt, Panamá. TECNOCIENCIA, 107-124. Gómez, L. (2004). Métodos de clasificación al reconocimiento de campos de cultivo a partir de Imágenes hiperespectrales. Tesis de Maestría, Universitat de Valencia, Florida, USA. Hernández, J. (2016). Patrones de Respuesta Espectral. Santigo de Chile, Chile. Jiménez, J. (2005). Corrección de Imágenes Satelitales. Valencia, España. MAE. Ministerio del Ambiente del Ecuador (2017). Informe de rendición de cuentas 2017. Quito, Ecuador. Martínez, M., Hernández, A., Aretaga, B., Oramas, E., y Ibangollín, F. (2012). Análisis espacial de la degradación de manglares usando técnicas de sistemas de información geográfica y sensores remotos. Villa Clara: Scribd. Matellanes, R. (2019). Composiciones RGB de imágenes satélite. Recuperado el 29 de junio de 2020, de https://geoinnova.org/blogterritorio/composiciones-rgb-de-imagenes-satelite/ Medina, M. (2015). Análisis multitemporal del cambio de la cobertura vegetal y uso de la tierra en el cantón Gualaquiza, 1987 – 2015. Quito, Ecuador. Meléndez, I., Hernández, E., y Navarro, J. (2010). Análisis multitemporal mediante teledetección de los cambios de usos del suelo en la Sierra de Albarracín. TERUEL, 2, 7-34. NASA. National Aeronautics and Space Administration (2018). Evaluación de la Precisión de una Clasificación de la Cubierta Terrestre. Recuperado el 22 de abril de 2020, de https://appliedsciences.nasa.gov/sites/default/files/e1-span-final.pdf National Geographic. (2007). Unep world conservation monitoring centre and international society for mangrove ecosystems NGM maps. Recuperado el 23 de noviembre de 2019, de https://data.unep-wcmc.org/datasets/5 Pineda, O. (2019). Análisis multitemporal del cambio de vegetación y su relación con la minería en el páramo de Rabanal (Boyacá-Cundinamarca, Colombia) para los años 1988 – 2015. Bogotá, Colombia.

Rebollo, M. (2014). Estudio multitemporal para la determinación de cambios en el uso del suelo en el complejo de páramos Tota - Bijagual - Mamapacha para el periodo 1992 – 2012. Bogotá, Colombia. Rejas, J. (1987). Tratamiento digital previo de las imágenes. Recuperado el 15 de agosto de 2020, de https://docplayer.es/9019723-Tratamiento-digitalprevio-de-las-imagenes.html. Sacristán, F. (2006). La Teledetección satelital y los sistemas de protección ambiental . AquaTIC, 24, 13-41. Salas, R., Olivas, W., y Williamson, M. (2019). Análisis multitemporal de la cobertura de manglar en la Reserva Cayos Miskitos. Revista Universitaria del Caribe, 22(1), 61-68. Sánchez, J. (2016). Análisis de Calidad Cartográfica mediante el estudio de la Matriz de Confusión. MAIC, 2, 09-26. Sánchez, P. (2002). La teledetección enfocada a la obtención de mapas digitales. Cuenca. Schomwandt, D. (2015). Teledetección aplicada a las ciencias agronómicas y recursos naturales. Buenos Aires, Argentina. Universidad de Murcia. (2006). SIG y Teledetección. Murcia. Recuperado el 15 de diciembre de 2019, de SIGMUR: https://www.um.es/geograf/sigmur/teledet/ tema07.pdf USGS. United States Geological Survey (2019). EarthExplorer. Recuperado el 20 de mayo de 2019, de https://earthexplorer.usgs.gov/ Yébenes, Á., y Giner, Á. (2014). Clasificación Digital de Imágenes por Satélite. Recuperado el 25 de mayo de 2020, de http://mural.uv.es/gislo/telemedida.pdf

105076

Articles inside

Figura 28. Cobertura Manglar en la Isla Puná

Figura 23. Corrección de la imagen del año 1999

Figura 26. Coberturas con combinación de bandas 453 – Imagen 1999

Tabla 9. Matriz de error

Figura 19. Clasificación de imágenes satelitales – Isla Puná

Tabla 6. Metadatos de imágenes satelitales de los años 1999 y 2019

Figura 14. Flujograma para el análisis multitemporal Figura 15. Cuadro de la escena e imágenes satelitales del año 1999 y 2019 ......................................................................................................................... 36

Tabla 5. Cobertura de suelo en la Parroquia Puná

Tabla 7. Combinación de bandas utilizada

Figura 11. Esquema metodológico de cambio de la cobertura vegetal

Tabla 4. Combinación de bandas en diferentes campos

Figura 12. Esquema para análisis multitemporal - metodología SAVI

Tabla 3. Cambios de superficie en el Municipio de Boyacá

Figura 10. Diagrama de flujo para procesos de clasificación

Figura 1. Distribución de manglares en el mundo Figura 2. Aumento de camaroneras y disminución de manglares en Ecuador. ......................................................................................................................... 15

Figura 8. Proceso de corrección de Imágenes Satelitales

Figura 7. Firmas Espectrales

Figura 9. Proceso de agrupación ISODATA

Figura 6. Espectro Electromagnético

Tabla 2. Bandas espectrales de imágenes Landsat

REFERENCIAS ......................................................................................... 57

Tabla 1. Longitudes de onda y resolución espacial - Landsat 8