Patrones espaciales y temporales de anomalías en el funcionamiento de la vegetación del sudoeste de Buenos Aires y norte de la Patagonia. Mapas y caracterización de coberturas vegetales.

PABLO BALDASSINI; SEBASTIÁN AGUIAR; DOLORES AROCENA

2010-05-13/2010-07-18

1-18

Agronómica

Agropecuario

Los objetivos fueron:1)Clasificar y describir los tipos funcionales de ecosistemas en las Provincias de Río Negro y Chubut, y 2)Clasificar y descrir los principales usos del suelo en 12 departamentos de la región sudoeste de la Provincia de Buenos Aires. Para la identificación de tipos fisonómicos de vegetación se utilizó información espectral proveniente del sensor MODIS, el cual orbita la Tierra a bordo del satélite Terra. Se utilizaron imágenes de EVI (Indice de vegetación Mejorado, en castellano) del año 2008, producto Mod13Q1_250m. Las imágenes poseen una resolución espacial de 250 metros y cubren un área cercana a las 1244160 km2. El sensor registra la reflectancia de la superficie de la Tierra en distintas partes del espectro electromagnético a escala diaria y las imágenes disponibles poseen una resolución temporal de 16 días. Para el proceso de clasificación se realizó, en primer lugar, un mosaico con las imágenes que cubren parcialmente las provincias de Río Negro y Chubut. Es decir, las cuatro escenas de las imágenes Modis (h13v13, h12v13, h12v12, h13v12) que contienen diferentes sectores de las provincias, se juntaron para armar un archivo único que incluya a ambas provincias por completo. Posteriormente se recortó cada uno de los mosaicos por los límites de las provincias, con el fin de evitar el uso de aquellas zonas que no pertenecen al área de estudio. El proceso específico de clasificación implica categorizar una imagen multibanda en términos estadísticos, esto supone reducir la escala de medida de una variable continua (niveles digitales, ND), a una escala nominal o categórica. La imagen multibanda se convierte en otra imagen en donde los ND que definen cada píxel no tienen relación con la radiancia detectada, sino que se trata de una etiqueta que identifica la categoría asignada a ese píxel. En este trabajo en particular, se combinaron dos metodologías de clasificación para la identificación de tipos fisonómicos de vegetación, conocidas como no supervisada y supervisada. El primer método crea agrupamientos espectrales o clusters en los que los individuos más próximos se van agrupando formando clases. No se establece ninguna clase a priori, aunque es necesario determinar el número de clases que queremos establecer, y definir el procedimiento estadístico a utilizar. Se han propuesto numerosos algoritmos para crear estos clusters, siendo el más utilizado el conocido como ISODATA (Iterative Self-Organizing Data Analysis Technique, en inglés). El método supervisado parte de un cierto conocimiento previo de la zona de estudio, lo que permite delimitar sobre las imágenes áreas representativas de cada una de las categorías que se desean discriminar. Estas áreas se comportan como sitios de referencia, siendo el resto de los píxeles de la imagen asignados a la categoría de mayor similitud. Para el caso de los tipos fisonómicos, las áreas de entrenamiento comprendieron un conjunto de polígonos construidos en base a la clasificación realizada por Paruelo et al. (2004) para parte del área de estudio. Se empleó el algoritmo de Máxima Probabilidad como regla de decisión, el cual se basa en un algoritmo paramétrico que cuantifica la probabilidad de que un píxel pertenezca a una clase particular. El proceso de clasificación de usos del suelo de 12 departamentos de la región sudoeste de la Provincia de Buenos Aires consistió en la combinación de imágenes satelitales de alta resolución espacial (Landsat) e imágenes de alta resolución temporal (MODIS). A partir de las imágenes de alta resolución espacial se obtuvo un vector de polígonos que representa a los lotes. Las imágenes de alta resolución temporal se utilizaron para clasificar el uso del suelo. Como resultado se obtuvo un mapa de uso del suelo a escala de lote, discriminando áreas con recursos forrajeros del resto de la superficie. El área de estudio se ubica dentro de tres provincias fitogeográficas diferentes: la región austral del pastizal pampeano, la parte sur del espinal y el extremo oriental del monte. Puesto que existen importantes diferencias entre estas tres regiones, se dividió el área de estudio en dos grandes regiones, una compuesta por el pastizal pampeano y otra por el espinal y el monte. Se decidió clasificar la campaña 2006-2007 considerando que fue la última campaña sin condiciones climáticas extremas. Las dos regiones del área de estudio fueron clasificadas siguiendo la misma metodología y finalmente se unieron obteniendo un mapa único. El paso inicial consistió en el proceso de segmentación, que permite obtener un vector de polígonos a partir de imágenes de alta resolución espacial utilizando, en éste caso, imágenes provistas por el satélite Landsat. Este proceso pone énfasis en la vecindad del píxel, agrupando aquellos píxeles vecinos en regiones homogéneas. Se utilizaron siete escenas Landsat para cubrir el total del área de estudio (Path/ Row: 226-86, 226-87, 226-88, 227-85, 227-86, 227-87, 227-88). Dado que la segmentación se realiza en base al comportamiento espectral del píxel a lo largo del tiempo, se utilizaron imágenes de distintos momentos del año. En este sentido, se seleccionaron imágenes de los meses de septiembre, diciembre y marzo para cada una de las escenas. Cada una de éstas se georreferenció y corrigió radiométricamente. Dos porciones del área de estudio, ubicadas al este de los partidos de Villarino y Patagones y próximas a la costa, no fueron segmentadas. La clasificación se realizó sobre pixeles que denominamos “puros”, es decir los pixeles del sensor MODIS que fueron completamente incluidos dentro de un polígono (lote). Para ello se intersectó el vector de polígonos resultante de la segmentación con la grilla de pixeles MODIS. La metodología de clasificación utilizada fue del tipo no supervisada algoritmo ISODATA. Luego de la clasificación se extrajo para cada clase el valor de IVN promedio para cada fecha de la campaña analizada. Estas curvas fueron analizadas y agrupadas mediante un análisis jerárquico con el fin de agrupar las clases según similitud. Finalmente se obtuvo un mapa binario a nivel de píxel MODIS donde en una clase están unidos los cultivos, el agua y los salares y en otra clase se agruparon las diversas clases correspondientes a vegetación con posible uso forrajero. Combinando la clasificación a escala de pixeles, con el vector de polígonos se asignó a cada lote la clase correspondiente. El resultado fue un mapa del uso del suelo a escala de lote con tres clases: recurso forrajero, recurso no forrajero y no clasificado. La clase no clasificado corresponde a lotes generalmente pequeños dentro de los cuales no entraba ningún píxel puro MODIS.