Envía por correo este artículo 
Geostatistical analysis of the temporal evolution of the moors of the Cebadas River micro-basin, using the Normalized Difference Vegetation Index (NDVI) and its relationship with precipitation
Anlise geoestatstica da evoluo temporal das charnecas da microbacia do rio Cebadas, utilizando o ndice de Vegetao por Diferena Normalizada (NDVI) e sua relao com a precipitao
Correspondencia: diegofc10@correo.ugr.es
Ciencias Tcnicas y Aplicadas
Artculo de Investigacin
* Recibido: 19 de abril de 2024 *Aceptado: 03 de mayo de 2024 * Publicado: 28 de junio de 2024
I. Universidad de Granada, Granada, Espaa.
II. Facultad de Ciencias Pecuarias, Escuela Superior Politcnica de Chimborazo, Panamericana Sur, Km 1 , Riobamba EC-060155, Ecuador.
III. Facultad de Ciencias - Escuela Superior Politcnica de Chimborazo, Panamericana Sur, Km 1 , Riobamba EC-060155, Ecuador.
IV. Investigadora Independiente, Riobamba, Ecuador.
Resumen
Los pramos andinos son ecosistemas de gran altitud con una biodiversidad nica y diversos servicios ecosistmicos importantes. Albergan especies endmicas y adems desempean un papel significativo en el secuestro de carbono y la regulacin hdrica; estudios recientes hacen uso de la teledeteccin para monitorear los pramos con resultados en menor tiempo y costo. La investigacin se ejecut en la microcuenca del ro Cebadas y se utilizaron dos imgenes MOD13A1.061 Terra Vegetation ndices del satlite Terra de la NASA para analizar los cambios en la cobertura vegetal durante un ao, comparando NDVI de marzo 2023 y marzo 2024. La precipitacin se obtuvo de la base de datos WorldClim Global Climate versin 2.0 Data, con una resolucin de 30 segundos. Las imgenes fueron procesadas y clasificadas usando QGIS, reclasificando en 4 clases y transformando los productos a polgonos. Se crearon mallas de 500x500 metros para extraer puntos georreferenciados. Se realiz un anlisis de autocorrelacin espacial con el ndice de Moran y el High/Low Clustering (Getis-Ord General G). Finalmente, se aplic la correlacin de Spearman para analizar la relacin entre NDVI y precipitacin.
Se determin que, en 2023, los valores bajos de NDVI se concentraron al noreste y sureste de Cebadas, reducindose en 2024 en un 86.7%. Los valores medios de NDVI se redujeron en un 24.8%, concentrndose al sur de Cebadas y al norte de Achupallas en 2024. Los valores altos de NDVI aumentaron un 159.8%, concentrndose al noroeste de Cebadas. Los valores muy altos de NDVI disminuyeron en un 29.1%. La prueba de Spearman mostr una relacin inversa significativa entre NDVI y precipitacin. El anlisis de Moran indic una distribucin agregada para precipitacin y NDVI, mientras que el anlisis High/Low Clustering mostr patrones significativos de agrupacin de valores altos.
La microcuenca mostr una notable disminucin en reas con bajos valores de NDVI y un aumento en reas con altos valores de NDVI, sugiriendo mejoras en la cobertura vegetal. Los anlisis espaciales revelaron patrones agregados en la distribucin de precipitacin y NDVI. Se encontr una relacin inversa significativa entre NDVI y precipitacin, destacando la compleja dinmica de estos ecosistemas.
Palabras clave: ndices espectrales; Autocorrelacin espacial; Distribucin agregada; Patrones agregados.
Abstract
The Andean paramos are high-altitude ecosystems with unique biodiversity and various important ecosystem services. They host endemic species and also play a significant role in carbon sequestration and water regulation; Recent studies make use of remote sensing to monitor the paramos with results in less time and cost. The research was carried out in the Cebadas River micro-basin and two MOD13A1.061 Terra Vegetation Indices images from NASA's Terra satellite were used to analyze changes in vegetation cover over a year, comparing NDVI from March 2023 and March 2024. Precipitation It was obtained from the WorldClim Global Climate version 2.0 Data database, with a resolution of 30 seconds. The images were processed and classified using QGIS, reclassifying into 4 classes and transforming the products to polygons. Meshes of 500x500 meters were created to extract georeferenced points. A spatial autocorrelation analysis was performed with the Moran index and High/Low Clustering (Getis-Ord General G). Finally, Spearman correlation was applied to analyze the relationship between NDVI and precipitation.
It was determined that, in 2023, low NDVI values were concentrated northeast and southeast of Cebadas, reducing in 2024 by 86.7%. Average NDVI values decreased by 24.8%, concentrating south of Cebadas and north of Achupallas in 2024. High NDVI values increased by 159.8%, concentrating northwest of Cebadas. Very high NDVI values decreased by 29.1%. Spearman's test showed a significant inverse relationship between NDVI and precipitation. Moran's analysis indicated an aggregated distribution for precipitation and NDVI, while High/Low Clustering analysis showed significant clustering patterns of high values.
The microwatershed showed a notable decrease in areas with low NDVI values and an increase in areas with high NDVI values, suggesting improvements in vegetation cover. Spatial analyzes revealed aggregate patterns in the distribution of precipitation and NDVI. A significant inverse relationship was found between NDVI and precipitation, highlighting the complex dynamics of these ecosystems.
Keywords: Spectral indices; Spatial autocorrelation; Aggregate distribution; Patterns added.
Resumo
Os paramos andinos so ecossistemas de alta altitude com biodiversidade nica e vrios servios ecossistmicos importantes. Albergam espcies endmicas e tambm desempenham um papel significativo no sequestro de carbono e na regulao da gua; Estudos recentes fazem uso do sensoriamento remoto para monitorar os paramos com resultados em menor tempo e custo. A pesquisa foi realizada na microbacia do rio Cebadas e duas imagens MOD13A1.061 Terra Vegetation Indices do satlite Terra da NASA foram utilizadas para analisar as mudanas na cobertura vegetal ao longo de um ano, comparando o NDVI de maro de 2023 e maro de 2024. Precipitao Foi obtido do banco de dados WorldClim Global Climate verso 2.0, com resoluo de 30 segundos. As imagens foram processadas e classificadas no QGIS, reclassificando em 4 classes e transformando os produtos em polgonos. Foram criadas malhas de 500x500 metros para extrao de pontos georreferenciados. Foi realizada anlise de autocorrelao espacial com ndice de Moran e High/Low Clustering (Getis-Ord General G). Por fim, a correlao de Spearman foi aplicada para analisar a relao entre NDVI e precipitao.
Foi determinado que, em 2023, os baixos valores de NDVI estavam concentrados a nordeste e sudeste de Cebadas, reduzindo em 2024 em 86,7%. Os valores mdios de NDVI diminuram 24,8%, concentrando-se ao sul de Cebadas e ao norte de Achupallas em 2024. Os valores elevados de NDVI aumentaram 159,8%, concentrando-se a noroeste de Cebadas. Valores muito elevados de NDVI diminuram 29,1%. O teste de Spearman mostrou uma relao inversa significativa entre NDVI e precipitao. A anlise de Moran indicou uma distribuio agregada para precipitao e NDVI, enquanto a anlise de agrupamento alto/baixo mostrou padres de agrupamento significativos de valores elevados.
A microbacia apresentou notvel diminuio nas reas com baixos valores de NDVI e aumento nas reas com altos valores de NDVI, sugerindo melhorias na cobertura vegetal. As anlises espaciais revelaram padres agregados na distribuio da precipitao e do NDVI. Foi encontrada uma relao inversa significativa entre o NDVI e a precipitao, destacando a dinmica complexa destes ecossistemas.
Palavras-chave: ndices espectrais; Autocorrelao espacial; Distribuio agregada; Padres adicionados.
Introduccin
Los pramos andinos, ecosistemas similares a la tundra de gran altitud, tienen una importancia ecolgica significativa debido a su biodiversidad nica y a la prestacin de diversos servicios ecosistmicos (Vega-Polo et al., 2020). Estas zonas albergan especies endmicas como el tapir de montaa (Tapirus pinchaque) y las mariposas Pronophilina, lo que pone de relieve la necesidad crtica de realizar esfuerzos de conservacin (Ortega-Andrade et al., 2015; Pyrcz et al., 2016). Los pramos tambin desempean un papel importante en el secuestro de carbono, con estudios que indican la recuperacin del ecosistema tras las perturbaciones humanas en los Andes ecuatoriales (Caldern-Loor et al., 2020).
Adems, los pramos destacan por su alta diversidad de lquenes, con implicaciones para la preservacin de especies y funciones ecosistmicas como la biofertilizacin y la regulacin hdrica (Lcking et al., 2014). La diversidad gentica de especies subraya la importancia de comprender y conservar estos ecosistemas nicos (Vega-Polo et al., 2020). Esta zona sirve de hbitat a diversos animales silvestres, como el oso de anteojos (Guerrero-Casado & Zambrano, 2020; Kattan et al., 2004).
Los estudios tambin se han centrado en evaluar los cambios composicionales y los factores que influyen en la biodiversidad de los pramos, indicando el impacto de las perturbaciones inducidas por el hombre en estos frgiles ecosistemas (Valencia et al., 2012). La hidrologa del pramo est intrincadamente vinculada al suelo y la cubierta vegetal, influyendo en la escorrenta y la gestin de los recursos hdricos (Tenelanda et al., 2018). Adems, las condiciones de gran altitud de los pramos sustentan especies vegetales nicas como Coespeletia moritziana, que prosperan en estos ambientes extremos (Rada et al., 2012).
La teledeteccin satelital es esencial para monitorear los pramos andinos, ecosistemas sustanciales para la regulacin hdrica y la conservacin de la biodiversidad. Los investigadores utilizan imgenes satelitales para evaluar las tendencias de fragmentacin en los ecosistemas de pramo asociados con especies (Rodrguez et al., 2019). Las imgenes satelitales ayudan a crear mapas detallados de los bloques de hbitat, lo que ayuda a comprender la fragmentacin del rea de distribucin y la prdida de hbitat (Kattan et al., 2004). Esta tecnologa tambin permite monitorear los niveles de salinidad del suelo en regiones como los pramos andinos, proporcionando informacin valiosa para la gestin de la tierra y los esfuerzos de conservacin (Ding & Yu, 2014; Ivushkin et al., 2017). Adems, los datos de teledeteccin por satlite se utilizan para estudiar la dinmica de la vegetacin, como la produccin de pastizales, esencial para evaluar la salud y la productividad de los ecosistemas (Reinermann et al., 2020).
Los avances en la tecnologa satelital, incluidas las imgenes de mayor resolucin y los sistemas inteligentes de teledeteccin, han mejorado las capacidades de monitoreo en los pramos (Lettenmaier et al., 2015; Zhang et al., 2022). Estas tecnologas ofrecen datos en tiempo real y mejoran las interacciones entre los satlites y el suelo, mejorando la eficiencia de la recopilacin y el anlisis de datos. Adems, la integracin de datos de imgenes satelitales multiespectrales presenta vastas oportunidades para supervisar y evaluar las propiedades medioambientales a escala mundial (Illarionova et al., 2021).
Los sistemas de teledeteccin por satlite han evolucionado para adquirir datos de alta resolucin a un coste menor, lo que los hace inestimables para vigilar los recursos de la Tierra y los cambios medioambientales (Kabetta, 2020; Zhu et al., 2018). La vigilancia continua mediante teledeteccin por satlite complementa las observaciones terrestres, proporcionando una visin completa de los cambios medioambientales a lo largo del tiempo (Hossain et al., 2022).
rea de estudio
La regin de inters abarca un rea de 707962, 43 hectreas, delimitada por los ros Cebadas y Yasipan en la regin central, se sita en la regin sierra centro en las provincias de Chimborazo y Morona Santiago, ocupa los territorios polticos de los cantones de Alaus, Guamote; en las parroquias de Achupallas, Cebadas, La Matriz Guamote, Palmira, ro Blanco, Tixan y Zua. (Cutiupala et al., 2023). El pramo de la microcuenca tiene un rea de 276180,48 hectreas, localizadas en su mayor parte al oriente.
Mapa 1: Ubicacin microcuenca del ro Cebadas
Fuente: Autores
Mtodos
Recopilacin de datos
Para analizar y detectar cambios en la cobertura se usaron dos imgenes MOD13A1.061 Terra Vegetation ndices para un periodo de tiempo de un ao, se usaron productos del ndice NDVI para marzo 2023 y marzo 2024, las imgenes son producto de las siete bandas del sensor MODIS a bordo del satlite Terra de la NASA, con una resolucin de 500 metros, que proporciona un valor de ndice de Vegetacin (VI) por pxel. El ndice de Vegetacin de Diferencia Normalizada (NDVI), que se denomina ndice de continuidad del NDVI derivado del Radimetro Avanzado de Muy Alta Resolucin, el producto NDVI se calculan a partir de reflectancias bidireccionales de superficie corregidas atmosfricamente que han sido enmascaradas para agua, nubes, aerosoles pesados y sombras de nubes. (Hansen et al., 2002).
La precipitacin se obtuvo de la base de datos WorldClim Global Climate versin 2.0 Data (Fick et al., 2017), con una resolucin espacial de 30 segundos o 1 kilometro, para el perodo de los aos 1970 y 2000. La variable se deriva de los valores mensuales de precipitacin para generar indicadores biolgicamente significativos, comnmente utilizados en modelos de distribucin de especies. Se descarg el raster BIO 12 que corresponde a la precipitacin anual expresado en milmetros por metro cuadrado, que posteriormente fue recortado para el rea de estudio.
Procesamiento y clasificacin de valores
Para el procesamiento y la clasificacin de las imgenes se us el software libre Q Gis, inicialmente se contaron los raster de las imgenes para el polgono de la microcuenca, para posteriormente reclasificar en 4 clases bajando la resolucin a 50 x 50 metros, luego los productos fueron transformados a polgonos; a la par se crearon mallas de 500 x 500 metros de los cuales se extrajeron los puntos o centroides en formato vectorial.
Usando los puntos georreferenciados, las imgenes satelitales y la capa de precipitacin se extrajeron los valores de las variables de cada punto con la herramienta Extract Multi Values to Points (Spatial Analyst) que son registrados en la tabla de atributos. Finalmente se interseco la capa de reclasificacin con los puntos de los valores georrefenciados para completar la tabla de atributos en filas y columnas.
Grfico 1: Proceso de extraccin de valores de NDVI
Fuente: Autores
Anlisis geo estadsticos
Se sistematizaron 1721 datos de los valores de cada variable y se aplic una estadstica descriptiva individual para resumir y presentar datos de una manera comprensible, en un primer momento se aplic el anlisis de autocorrelacin espacial con Moran's mediante el ndice de autocorrelacin espacial de Moran, es una herramienta valiosa en diversos campos como la epidemiologa, la ecologa, la economa y la planificacin urbana. El I de Moran es un estadstico que mide la correlacin espacial de una variable y sus ubicaciones vecinas, indicando si valores similares estn agrupados o dispersos en un rea de estudio (Puspita, 2024). Este ndice ayuda a identificar patrones espaciales, como la agrupacin o la dispersin, que pueden proporcionar informacin sobre procesos o relaciones subyacentes en los datos (Dormann et al., 2007).
Los investigadores han aplicado el I de Moran en diversos estudios, como el anlisis de la propagacin de enfermedades como el dengue (Puspita, 2024; Pujianto et al., 2020; Bhunia et al., 2021), la evaluacin de la distribucin de especies (Stankov y Dragicevic, 2015), la comprensin de patrones econmicos (Dobson y Gelade, 2012) y el examen de dimensiones culturales (Dray, 2011). Al utilizar la I de Moran, los investigadores pueden detectar estructuras espaciales, identificar grupos de valores altos o bajos y explorar las relaciones espaciales entre variables (Wang et al., 2018).
Adems, el uso de la I de Moran se extiende para abordar la no estacionariedad espacial, donde las relaciones entre las variables varan a travs del espacio. Se han empleado modelos de regresin ponderados geogrficamente para dar cuenta de la autocorrelacin espacial de manera eficaz, garantizando estimaciones ms precisas y destacando las variaciones espaciales en las asociaciones (Qiu et al., 2022).
El anlisis de autocorrelacin espacial de Moran proporciona un marco slido para comprender las relaciones espaciales, identificar conglomerados y descubrir patrones que son esenciales para tomar decisiones informadas en diversas disciplinas.
Adems, se aplic tambin el High/Low Clustering (Getis-Ord General G) que es una herramienta potente para detectar y analizar patrones espaciales de concentracin de valores altos o bajos en datos geoespaciales.
Finalmente, para conocer la relacin entre las imgenes del NDVI y la precipitacin se realiz la prueba de normalidad con el mtodo de Kolmogrov por tener mayor a 50 datos y se aplic la correlacin de Spearman para datos no normales.
Resultados
La agrupacin de pixeles con valores bajos de NDVI (0,02 unidades) para 2023 se concentran al noreste y sureste de la parroquia Cebadas a pocos kilmetros del sistema lacustre de Ozogoche y Atillo, tambin existe un parche en los pramos del Noreste de la parroquia Achupallas; para 2024 existe una reduccin de 86,7% en la superficie pasando de 4926, 2 ha. a 652,7 hectreas, marcndose pequeos parches al suroeste de Cebadas y mantenindose una pequea superficie al noreste de la parroquia Achupallas.
El rea que abarca valores medios de NDVI (0,04 unidades) para el ao 2023 es el norte y el centro de Cebadas, adems se aprecia paramo con valores medios al oeste del cantn Guamote o parroquia La Matriz, as mismo para 2024 se concentra al sur de la parroquia Cebadas y al norte de Achupallas, existe una evidente reduccin de 24,8% pasando de 23909,7 a 5951,8 en 2024.
Respecto a los valores altos (0,1 unidades) para 2023 se concentran al Noroeste y sureste de las parroquias Cebadas y La Matriz de Guamote, al Norte de la parroquia Achupallas, para 2024 los puntos se concentran al noroeste de la parroquia Cebadas, se presenta un incremento de 159,8% pasando de 7687,2 a 12285,0 hectreas. Finalmente, la superficie con valores muy altos (0,2) se reduce en un 29,1 % pasando de 7052,8 a 2057,7 hectreas y se concentran al noreste de la parroquia Cebadas.
Mapa 2: Evolucin temporal del paramo
Fuente: Autores
Los estudios han demostrado que los pastizales con alta diversidad a escala fina tienden a tener una productividad relativamente baja, lo que conduce a valores bajos de NDVI (Lfgren et al., 2018). Adems, los valores de NDVI inferiores a 0 se han asociado con la degradacin de los pastizales, lo que indica una tendencia negativa en la salud de los pastizales (Zhou & Li, 2021). Los valores moderados de NDVI suelen representar arbustos y pastizales, mientras que los valores altos indican una vegetacin densa (lafsson & Rousta, 2021). Los pastizales con vegetacin rala suelen tener valores de NDVI que oscilan entre 0,2 y 0,5, mientras que la vegetacin densa tiene valores superiores a 0,5 (Cabello et al., 2021).
Cuadro 1. Tendencia NDVI
Fuente: Autores
La pendiente indica que, por cada unidad de aumento en x el valor de y aumenta en 388.2 unidades. Esta relacin directa y positiva, infiere que a medida que incrementa tambin lo hace proporcionalmente. El coeficiente de determinacin R de 0.6055 muestra que aproximadamente el 60.55% de la variabilidad en la variable dependiente 𝑦es explicada por la variabilidad en la variable independiente x.
La tendencia creciente de los valores NDVI indica un aumento de la productividad de la vegetacin y del verdor. La investigacin ha mostrado sistemticamente tendencias positivas en los valores de NDVI en diferentes ecosistemas y ubicaciones geogrficas. Por ejemplo, estudios realizados en Alaska han revelado una fuerte tendencia positiva del NDVI en zonas fras de la tundra rtica (Verbyla, 2008). Del mismo modo, la investigacin en el hemisferio norte ha demostrado tendencias positivas significativas en el NDVI promediado para las bandas de latitud por encima de 35N (Slayback et al., 2002). Adems, estudios realizados en la meseta tibetana y en la cuenca superior del Nilo Azul han informado de tendencias positivas en los valores del NDVI a lo largo de los aos (Huang et al., 2019; Teferi et al., 2015).
Adems, los estudios realizados en regiones como China, la provincia de Guizhou, Mongolia Interior y la regin china del delta del ro Perla han indicado tendencias crecientes en los valores de NDVI (Liu & Xin, 2021; Xue et al., 2023; Kang et al., 2021; Chen et al., 2022). Adems, investigaciones en zonas como el Sahel, Rajastn occidental y la regin de Gujarat en la India, as como la cuenca del ro Kaidu, han puesto de relieve cambios positivos en las tendencias del NDVI asociados a factores como el riego, la variabilidad climtica y los cambios en el uso de la tierra (Horion et al., 2014; Sur et al., 2018; Zheng et al., 2022). Adems, estudios en regiones como el Corredor de Hexi, en el noroeste de China, y frica tambin han mostrado tendencias de reverdecimiento vinculadas a la variabilidad climtica y las actividades humanas (Guan et al., 2018; Higginbottom & Symeonakis, 2020).
En este contexto se determina el ndice espectral empleado tiene un buen desempeo para monitorear transiciones espacio temporales (Asam et al., 2018). Evidentemente existen cambios en el estado de la vegetacin y cobertura de la tierra de los pramos de la microcuenca, famosos por su biodiversidad nica, han experimentado cambios ambientales debido a la forestacin, el cultivo y la agricultura (Buytaert et al., 2007; Gutirrez et al., 2021). Estas modificaciones en el uso del suelo tienen implicaciones en el rendimiento hdrico, las propiedades del suelo y el comportamiento hidrolgico de los ecosistemas de pramo (Buytaert et al., 2005; Montenegro-Daz et al., 2019). Adicionalmente, estudios han examinado el impacto del cambio climtico en los procesos de descomposicin en el pramo andino, sugiriendo que el aumento de la temperatura del aire podra afectar las tasas de descomposicin (Gutirrez-Salazar & Medrano-Vizcano, 2019).
Anlisis de autocorrelacin espacial con Moran's
|
Precipitacion |
NDVI 2023 |
NDVI 2024 |
|
|
|
|
Existe suficiente evidencia estadstica espacial para afirmar que los datos obtenidos de las capas raster de precipitacin, NDVI 2023 y NDVI 2024 siguen un patrn de distribucin agregada, es decir los individuos no estn dispersos de manera uniforme, sino que forman grupos o clusters, que pueden variar en tamao y nmero, dependiendo del fenmeno en cuestin, y no son resultados de la casualidad, dada la puntuacin obtenida de 109.8, 17.5 y 12.3 respectivamente.
Concentracin de valores altos - bajos
Resultados High/Low Clustering (Getis-Ord General G) (Spatial Statistics)
|
Precipitacion |
NDVI 2023 |
NDVI 2024 |
|
|
|
|
Existe un patrn significativo de agrupacin de valores altos en el conjunto de datos, lo que indica que los valores altos no estn distribuidos al azar, sino que se agrupan en ciertas reas especficas para los valores de z con 19,5 para precipitacin, 22,3 para NDVI 2023 y 2.8 para NDVI 2024, estos polgonos con valores altos indican que existen zonas con pastizales o pajonales con mejor actividad fotosinttica, por lo que deberan ser conservados.
Correlacin de Spearman
La prueba de normalidad de Kolmogorov muestra que los datos no tienen una distribucin normal, respecto a la correlacin de spearman tenemos los siguientes resultados:
Cuadro 2: Coeficiente de correlacin
|
|
NDVI |
PRECIPTACION |
||
|
Rho de Spearman |
NDVI |
Coeficiente de correlacin |
1,000 |
-,374** |
|
Sig. (bilateral) valor P |
. |
,000 |
||
|
N |
1725 |
1725 |
||
|
PRECIPTACION |
Coeficiente de correlacin |
-,374** |
1,000 |
|
|
Sig. (bilateral) |
,000 |
. |
||
|
N |
1725 |
1725 |
||
|
**. La correlacin es significativa en el nivel 0,01 (bilateral). |
||||
Fuente: Autores
El coeficiente rho de Sperman es de -0,374, lo que indica que la relacin entre las variables es inversa y su grado bajo.
Daham et al. (2018) observaron que el NDVI y la precipitacin exhiben una relacin inversa, con la correlacin negativa ms alta observada en ciertas regiones. Del mismo modo, Yang et al. (2015) encontraron que el NDVI estaba significativamente correlacionado con la precipitacin, especialmente a principios de la temporada de crecimiento. Esta relacin no era tan pronunciada en la estacin de crecimiento media o tarda, lo que indica una dependencia temporal. Adems, Pei et al. (2021) informaron de una correlacin negativa entre la precipitacin acumulada y el NDVI mximo, lo que apoya an ms la influencia de la precipitacin en la dinmica de la vegetacin. Tambin, Baniya et al. (2018) destacaron el papel de las variables climticas, incluida la precipitacin, en el impulso de los cambios en las tendencias del NDVI.
Mientras que algunos estudios, como (Ren et al., 2022), observaron respuestas ms dbiles del NDVI a la temperatura y la precipitacin en ciertas estaciones, el consenso general de estudios como Sun & Qin (2016) y Bin et al. (2022) es que la precipitacin desempea un papel importante en la regulacin de los cambios del NDVI.
Conclusiones
La microcuenca exhibe una gran disminucin en las reas con bajos valores de NDVI, pasando de 4926,2 hectreas en 2023 a solo 652,7 hectreas en 2024, lo que sugiere una mejora en la cobertura vegetal o cambios favorables en el uso del suelo.
Las superficies con altos valores de NDVI han aumentado significativamente, de 7687,2 hectreas en 2023 a 12285,0 hectreas en 2024, indicando una mayor densidad de vegetacin posiblemente debido a reforestacin o condiciones climticas favorables.
El anlisis espacial muestra que tanto la precipitacin como los valores de NDVI estn distribuidos de manera agregada, formando clusters especficos, delimitando zonas con paramo denso y de mayor actividad fotosinttica, informacin importante para los organismo gubernamentales y no gubernamentales para la planificacin de conservacin y manejo de recursos.
Se encontr una relacin inversa significativa entre NDVI y precipitacin, lo que indica que mayores niveles de precipitacin no se traducen en un aumento en la densidad de la vegetacin, ya que las plantas de pramo presentan caractersticas nicas, como una actividad fotosinttica reducida y una pigmentacin foliar distintiva. Estas caractersticas estn influenciadas por las difciles condiciones ambientales que se encuentran en los ecosistemas de pramo, incluidas las bajas temperaturas, las variaciones estacionales en las precipitaciones y los entornos de gran altitud.
Referencias
1. Asam, S., Callegari, M., Matiu, M., Fiore, G., Gregorio, L., Jacob, A., & Notarnicola, C. (2018). Relationship between spatiotemporal variations of climate, snow cover and plant phenology over the alpsan earth observation-based analysis. Remote Sensing, 10(11), 1757. https://doi.org/10.3390/rs10111757
2. Baniya, B., Tang, Q., Huang, Z., Sun, S., & Techato, K. (2018). Spatial and temporal variation of ndvi in response to climate change and the implication for carbon dynamics in nepal. Forests, 9(6), 329. https://doi.org/10.3390/f9060329
3. Bhunia, G., Roy, S., & Shit, P. (2021). Spatio-temporal analysis of covid-19 in india a geostatistical approach. Spatial Information Research, 29(5), 661-672. https://doi.org/10.1007/s41324-020-00376-0
4. Bin, X., Qi, B., Ji, K., Liu, Z., Deng, L., & Jiang, L. (2022). Emerging hot spot analysis and the spatialtemporal trends of ndvi in the jing river basin of china. Environmental Earth Sciences, 81(2). https://doi.org/10.1007/s12665-022-10175-5
5. Buytaert, W., Iiguez, V., & Bivre, B. (2007). The effects of afforestation and cultivation on water yield in the andean pramo. Forest Ecology and Management, 251(1-2), 22-30. https://doi.org/10.1016/j.foreco.2007.06.035
6. Buytaert, W., Wyseure, G., Bivre, B., & Deckers, J. (2005). The effect of land‐use changes on the hydrological behaviour of histic andosols in south ecuador. Hydrological Processes, 19(20), 3985-3997. https://doi.org/10.1002/hyp.5867
7. Cabello, K., Germentil, M., Blanco, A., Macatulad, E., & Salmo, S. (2021). Post-disaster assessment of mangrove forest recovery in lawaan-balangiga, eastern samar using ndvi time series analysis. Isprs Annals of the Photogrammetry Remote Sensing and Spatial Information Sciences, V-3-2021, 243-250. https://doi.org/10.5194/isprs-annals-v-3-2021-243-2021
8. Caldern-Loor, M., Cuesta, F., Pinto, E., & Gosling, W. (2020). Carbon sequestration rates indicate ecosystem recovery following human disturbance in the equatorial andes. Plos One, 15(3), e0230612. https://doi.org/10.1371/journal.pone.0230612
9. Chen, S., Zhu, Z., Liu, X., & Li, Y. (2022). Variation in vegetation and its driving force in the pearl river delta region of china. International Journal of Environmental Research and Public Health, 19(16), 10343. https://doi.org/10.3390/ijerph191610343
10. Cutiupala, G. M. A., Lucio, M. V., Colcha, D. F. C., & Ramrez, M. B. B. (2023). Anlisis del estado del suelo de los ros Cebadas-Yasipan de la microcuenca del ro Cebadas, provincia de Chimborazo. Polo del Conocimiento: Revista cientfico-profesional, 8(11), 112-125.
11. Daham, A., Han, D., Rico-Ramirez, M., & Marsh, A. (2018). Analysis of nvdi variability in response to precipitation and air temperature in different regions of iraq, using modis vegetation indices. Environmental Earth Sciences, 77(10). https://doi.org/10.1007/s12665-018-7560-x
12. Ding, J. and Yu, D. (2014). Monitoring and evaluating spatial variability of soil salinity in dry and wet seasons in the werigankuqa oasis, china, using remote sensing and electromagnetic induction instruments. Geoderma, 235-236, 316-322. https://doi.org/10.1016/j.geoderma.2014.07.028
13. Dobson, P. and Gelade, G. (2012). Exploring the roots of culture using spatial autocorrelation. Cross-Cultural Research, 46(2), 160-187. https://doi.org/10.1177/1069397111430460
14. Dormann, C., McPherson, J., Arajo, M., Bivand, R., Bolliger, J., Carl, G., & Wilson, R. (2007). Methods to account for spatial autocorrelation in the analysis of species distributional data: a review. Ecography, 30(5), 609-628. https://doi.org/10.1111/j.2007.0906-7590.05171.x
15. Dray, S. (2011). A new perspective about moran's coefficient: spatial autocorrelation as a linear regression problem. moran系数的新视角：空间自相关视为线性回归问题. Geographical Analysis, 43(2), 127-141. https://doi.org/10.1111/j.1538-4632.2011.00811.x
16. Fick, s. e., & Hijmans, R. J. (2017). WorldClim 2: New 1-km spatial resolution climate surfaces for global land areas. International Journal of Climatology, 37(12), 4302-4315. https://doi.org/10.1002/joc.5086
17. Guan, Q., Yang, L., Pan, N., Lin, J., Xu, C., Wang, F., & Liu, Z. (2018). Greening and browning of the hexi corridor in northwest china: spatial patterns and responses to climatic variability and anthropogenic drivers. Remote Sensing, 10(8), 1270. https://doi.org/10.3390/rs10081270
18. Guerrero-Casado, J. and Zambrano, R. (2020). The worrisome conservation status of ecosystems within the distribution range of the spectacled bear tremarctos ornatus (mammalia: carnivora: ursidae) in ecuador. Journal of Threatened Taxa, 12(10), 16204-16209. https://doi.org/10.11609/jott.5517.12.10.16204-16209
19. Gutirrez, S., Rivera, I., Torrez, M., Ocaa, E., Rowe, E., & Ochoa-Tocachi, B. (2021). Effects of agriculture and seasonality on the soil hydrophysical properties of high-andean dry pramo grasslands.. https://doi.org/10.22541/au.162695885.59250160/v1
20. Gutirrez-Salazar, P. and Medrano-Vizcano, P. (2019). The effects of climate change on decomposition processes in andean paramo ecosystemsynthesis, a systematic review. Applied Ecology and Environmental Research, 17(2), 4957-4970. https://doi.org/10.15666/aeer/1702_49574970
21. Hansen, J., Ruedy, R., Sato, M. K. I., & Lo, K. (2002). Global warming continues. Science, 295(5553), 275-275.
22. Higginbottom, T. and Symeonakis, E. (2020). Identifying ecosystem function shifts in africa using breakpoint analysis of long-term ndvi and rue data. Remote Sensing, 12(11), 1894. https://doi.org/10.3390/rs12111894
23. Horion, S., Fensholt, R., Tagesson, T., & Ehammer, A. (2014). Using earth observation-based dry season ndvi trends for assessment of changes in tree cover in the sahel. International Journal of Remote Sensing, 35(7), 2493-2515. https://doi.org/10.1080/01431161.2014.883104
24. Hossain, F., Das, P., Srinivasan, M., Tsontos, V., Oaida, C., Nickles, C., & Pavelsky, T. (2022). Building user‐readiness for satellite earth observing missions: the case of the surface water and ocean topography (swot) mission. Agu Advances, 3(6). https://doi.org/10.1029/2022av000680
25. Huang, X., Zhang, T., Yi, G., He, D., Zhou, X., Li, J., & Miao, J. (2019). Dynamic changes of ndvi in the growing season of the tibetan plateau during the past 17 years and its response to climate change. International Journal of Environmental Research and Public Health, 16(18), 3452. https://doi.org/10.3390/ijerph16183452
26. Illarionova, S., Nesteruk, S., Shadrin, D., Ignatiev, V., Pukalchik, M., & Oseledets, I. (2021). Mixchannel: advanced augmentation for multispectral satellite images. Remote Sensing, 13(11), 2181. https://doi.org/10.3390/rs13112181
27. Ivushkin, K., Bartholomeus, H., Bregt, A., & Pulatov, A. (2017). Satellite thermography for soil salinity assessment of cropped areas in uzbekistan. Land Degradation and Development, 28(3), 870-877. https://doi.org/10.1002/ldr.2670
28. Kabetta, H. (2020). Chlorophyll segmentation of satellite image with region-based active contours.. https://doi.org/10.31227/osf.io/mvdaq
29. Kang, Y., Guo, E., Wang, Y., Bao, Y., & Mandula, N. (2021). Monitoring vegetation change and its potential drivers in inner mongolia from 2000 to 2019. Remote Sensing, 13(17), 3357. https://doi.org/10.3390/rs13173357
30. Kattan, G., Hernndez, O., Goldstein, I., Rojas, V., Murillo, O., Gmez, C., & Cuesta, F. (2004). Range fragmentation in the spectacled bear tremarctos ornatus in the northern andes. Oryx, 38(2), 155-163. https://doi.org/10.1017/s0030605304000298
31. Lettenmaier, D., Alsdorf, D., Dozier, J., Huffman, G., Pan, M., & Wood, E. (2015). Inroads of remote sensing into hydrologic science during the wrr era. Water Resources Research, 51(9), 7309-7342. https://doi.org/10.1002/2015wr017616
32. Li, G., Yu, L., Liu, T., Bao, Y., Yu, J., Xin, B., & Zhang, S. (2023). Spatial and temporal variations of grassland vegetation on the mongolian plateau and its response to climate change. Frontiers in Ecology and Evolution, 11. https://doi.org/10.3389/fevo.2023.1067209
33. Liu, X. and Xin, L. (2021). Chinas deserts greening and response to climate variability and human activities. Plos One, 16(8), e0256462. https://doi.org/10.1371/journal.pone.0256462
34. Lfgren, O., Prentice, H., Moeckel, T., Schmid, B., & Hall, K. (2018). Landscape history confounds the ability of the ndvi to detect fine‐scale variation in grassland communities. Methods in Ecology and Evolution, 9(9), 2009-2018. https://doi.org/10.1111/2041-210x.13036
35. Lcking, R., Dal-Forno, M., Sikaroodi, M., Gillevet, P., Bungartz, F., Moncada, B., & Lawrey, J. (2014). A single macrolichen constitutes hundreds of unrecognized species. Proceedings of the National Academy of Sciences, 111(30), 11091-11096. https://doi.org/10.1073/pnas.1403517111
36. Montenegro-Daz, P., Ochoa‐Snchez, A., & Clleri, R. (2019). Impact of tussock grasses removal on soil water content dynamics of a tropical mountain hillslope. Ecohydrology, 12(8). https://doi.org/10.1002/eco.2146
37. lafsson, H. and Rousta, I. (2021). Influence of atmospheric patterns and north atlantic oscillation (nao) on vegetation dynamics in iceland using remote sensing. European Journal of Remote Sensing, 54(1), 351-363. https://doi.org/10.1080/22797254.2021.1931462
38. Ortega-Andrade, H., Prieto-Torres, D., Gmez-Lora, I., & Lizcano, D. (2015). Ecological and geographical analysis of the distribution of the mountain tapir (tapirus pinchaque) in ecuador: importance of protected areas in future scenarios of global warming. Plos One, 10(3), e0121137. https://doi.org/10.1371/journal.pone.0121137
39. Pei, F., Zhou, Y., & Xia, Y. (2021). Application of normalized difference vegetation index (ndvi) for the detection of extreme precipitation change. Forests, 12(5), 594. https://doi.org/10.3390/f12050594
40. Pujianto, M., Raharjo, M., & Nurjazuli, N. (2020). Spatial pattern analysis on dengue hemorrhagic fever (dhf) disease in tanjung emas port area using moran index. International Journal of Environment Agriculture and Biotechnology, 5(2), 403-408. https://doi.org/10.22161/ijels.52.11
41. Puspita, M. (2024). Analysis of the spread of dengue hemorrhagic fever with the moran index (case study of sukoharjo regency in 2019). Iop Conference Series Earth and Environmental Science, 1314(1), 012071. https://doi.org/10.1088/1755-1315/1314/1/012071
42. Pyrcz, T., Clavijo, A., Uribe, S., Marn, M., lvarez, C., & Zubek, A. (2016). Pramo de belmira as an important centre of endemism in the northern colombian andes: new evidence from pronophilina butterflies (lepidoptera: nymphalidae, satyrinae, satyrini). Zootaxa, 4179(1). https://doi.org/10.11646/zootaxa.4179.1.3
43. Qiu, B., Zhou, M., Qiu, Y., Liu, S., Ou, G., Ma, C., & Li, S. (2022). An integrated spatial autoregressive model for analyzing and simulating urban spatial growth in a garden city, china. International Journal of Environmental Research and Public Health, 19(18), 11732. https://doi.org/10.3390/ijerph191811732
44. Rada, F., Azcar, A., & Rojas-Altuve, A. (2012). Water relations and gas exchange in coespeletia moritziana (sch. bip) cuatrec., a giant rosette species of the high tropical andes. Photosynthetica, 50(3), 429-436. https://doi.org/10.1007/s11099-012-0050-6
45. Reinermann, S., Asam, S., & Kuenzer, C. (2020). Remote sensing of grassland production and managementa review. Remote Sensing, 12(12), 1949. https://doi.org/10.3390/rs12121949
46. Ren, Y., Liu, J., Liu, S., Wang, Z., Liu, T., & Shalamzari, M. (2022). Effects of climate change on vegetation growth in the yellow river basin from 2000 to 2019. Remote Sensing, 14(3), 687. https://doi.org/10.3390/rs14030687
47. Rodrguez, D., Reyes, A., Gallegos-Snchez, S., Reyes-Amaya, N., Gutirrez, J., Surez, R., & Prieto, F. (2019). Northernmost distribution of the andean bear (tremarctos ornatus) in south america, and fragmentation of its associated andean forest and paramo ecosystems. Therya, 10(2), 161-170. https://doi.org/10.12933/therya-19-756
48. Slayback, D., Pinzn, J., Los, S., & Tucker, C. (2002). Northern hemisphere photosynthetic trends 198299. Global Change Biology, 9(1), 1-15. https://doi.org/10.1046/j.1365-2486.2003.00507.x
49. Stankov, U. and Dragicevic, V. (2015). Changes in the spatial pattern of net earnings: evidence from serbia. Acta Oeconomica, 65(3), 351-365. https://doi.org/10.1556/032.65.2015.3.1
50. Sun, J. and Qin, X. (2016). Precipitation and temperature regulate the seasonal changes of ndvi across the tibetan plateau. Environmental Earth Sciences, 75(4). https://doi.org/10.1007/s12665-015-5177-x
51. Sur, K., Dave, R., & Chauhan, P. (2018). Spatio - temporal changes in ndvi and rainfall over western rajasthan and gujarat region of india. Journal of Agrometeorology, 20(3), 189-195. https://doi.org/10.54386/jam.v20i3.541
52. Teferi, E., Uhlenbrook, S., & Bewket, W. (2015). Inter-annual and seasonal trends of vegetation condition in the upper blue nile (abay) basin: dual-scale time series analysis. Earth System Dynamics, 6(2), 617-636. https://doi.org/10.5194/esd-6-617-2015
53. Tenelanda, D., Crespo, P., & Mosquera, G. (2018). Umbrales en la respuesta de humedad del suelo a condiciones meteorolgicas en una ladera altoandina. Maskana, 9(2), 53-65. https://doi.org/10.18537/mskn.09.02.07
54. Valencia, J., Lassaletta, L., Velzquez, E., Nicolau, J., & Gmez‐Sal, A. (2012). Factors controlling compositional changes in a northern andean pramo (la rusia, colombia). Biotropica, 45(1), 18-26. https://doi.org/10.1111/j.1744-7429.2012.00895.x
55. Vega-Polo, P., Argudo, A., Gutierrez, B., Rowntree, J., & Torres, M. (2020). Characterizing the genetic diversity of the andean blueberry (vaccinium floribundum kunth.) across the ecuadorian highlands. Plos One, 15(12), e0243420. https://doi.org/10.1371/journal.pone.0243420
56. Verbyla, D. (2008). The greening and browning of alaska based on 19822003 satellite data. Global Ecology and Biogeography, 17(4), 547-555. https://doi.org/10.1111/j.1466-8238.2008.00396.x
57. Wang, J., Lee, K., & Kwan, M. (2018). Environmental influences on leisure-time physical inactivity in the u.s.: an exploration of spatial non-stationarity. Isprs International Journal of Geo-Information, 7(4), 143. https://doi.org/10.3390/ijgi7040143
58. Xue, X., Wang, Z., & Hou, S. (2023). Ndvi-based vegetation dynamics and response to climate changes and human activities in guizhou province, china. Forests, 14(4), 753. https://doi.org/10.3390/f14040753
59. Yang, Y., Zhao, C., Han, M., Li, Y., & Yang, R. (2015). Temporal patterns of shrub vegetation and variation with precipitation in gurbantunggut desert, central asia. Advances in Meteorology, 2015, 1-11. https://doi.org/10.1155/2015/157245
60. Zhang, B., Wu, Y., Zhao, B., Chanussot, J., Hong, D., Yao, J., & Gao, L. (2022). Progress and challenges in intelligent remote sensing satellite systems. Ieee Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 15, 1814-1822. https://doi.org/10.1109/jstars.2022.3148139
61. Zheng, L., Xing, K., Li, J., & Liu, S. (2022). Vegetation dynamics and its response to drought in the kaidu river basin during 2000-2018.. https://doi.org/10.21203/rs.3.rs-1896849/v1
62. Zhou, S. and Li, P. (2021). Applying bayesian belief networks to assess alpine grassland degradation risks: a case study in northwest sichuan, china. Frontiers in Plant Science, 12. https://doi.org/10.3389/fpls.2021.773759
63. Zhu, L., Suomalainen, J., Liu, J., Hyypp, J., Kaartinen, H., & Haggrn, H. (2018). A review: remote sensing sensors.. https://doi.org/10.5772/intechopen.71049
2024 por los autores. Este artculo es de acceso abierto y distribuido segn los trminos y condiciones de la licencia Creative Commons Atribucin-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
(https://creativecommons.org/licenses/by-nc-sa/4.0/).
Enlaces de Referencia
- Por el momento, no existen enlaces de referencia
Polo del Conocimiento
Revista Científico-Académica Multidisciplinaria
ISSN: 2550-682X
Casa Editora del Polo
Manta - Ecuador
Dirección: Ciudadela El Palmar, II Etapa, Manta - Manabí - Ecuador.
Código Postal: 130801
Teléfonos: 056051775/0991871420
Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com
URL: https://www.polodelconocimiento.com/
