Comparación de índices de vegetación basados en imágenes satelitales para la identificación de bosques de manglar en Colombia

Autores/as

DOI:

https://doi.org/10.21829/myb.2024.3042600

Palabras clave:

estado mareal, monitoreo práctico, pacífico colombiano, percepción remota, Sentinel-2

Resumen

El uso de índices de vegetación (IV) específicos para manglares amplían la posibilidad de mejorar la detección práctica de manglares. Este estudio tiene como objetivo realizar una comparación de siete IV específicos para manglares, derivados de imágenes satélite, para determinar su concordancia frente a la clasificación de manglares usando el conjunto de datos WorldCover 2020 en dos sitios con manglares en el Pacífico colombiano. Se utilizaron cuatro imágenes Sentinel-2 y, a través de datos oceanográficos, se validó su estado mareal con el fin de evidenciar si cambios mareales afectan la detección del manglar. Las imágenes fueron trabajadas en reflectancia BOA, los IV se calcularon y se evaluó su precisión para identificar manglar/no manglar, y seguidamente, se hizo una identificación de puntos de manglar sobre el dataset WorldCover del año 2020 para determinar la exactitud de cada IV. Se identificó la firma espectral promedio del manglar para cada estado mareal (entre 0.23 y 0.25 unidades de reflectancia) y se determinaron las estadísticas descriptivas para cada IV. Se observó que el NDMI y el MMRI obtenido presentó una concordancia considerable en Chocó para la bajamar y una concordancia aceptable en Nariño para la pleamar, además, se mapeo su extensión espacial y la diferencia en su extensión. Los resultados demuestran el rendimiento de los IV específicos para manglares en Colombia como una alternativa práctica para rápidos mapeos de su extensión que contribuya a la gestión integral del ecosistema.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Mauricio A. Perea-Ardila,

Universidad Federal de Ceará

Programa de Postgrado en Geografía

Paulo J. Murillo-Sandoval,

Universidad del Tolima

Facultad de Ciencias del Hábitat

Diseño e Infraestructura

Citas

REFERENCIAS

Adame, M. F., Connolly, R. M., Turschwell, M. P., Lovelock, C. E., Fatoyinbo, T., Lagomasino, D., Goldberg, L. A., Holdorf, J., Friess, D. A., Sasmito, S. D., Sanderman, J., Sievers, M., Buelow, C., Kauffman, J. B., Bryan-Brown, D., & Brown, C. J. (2021). Future carbon emissions from global mangrove forest loss. Global Change Biology, 27(12), 2856-2866. https://doi.org/10.1111/gcb.15571 DOI: https://doi.org/10.1111/gcb.15571

Alongi, D. M. (2002). Present state and future of the world’s mangrove forests. Environmental Conservation, 29(3), 331-349. https://doi.org/10.1017/S0376892902000231 DOI: https://doi.org/10.1017/S0376892902000231

Baloloy, A. B., Blanco, A. C., Raymund Rhommel, R. R. C., & Nadaoka, K. (2020). Development and application of a new mangrove vegetation index (MVI) for rapid and accurate mangrove mapping. ISPRS Journal of Photogrammetry and Remote Sensing, 166, 95-117. https://doi.org/10.1016/j.isprsjprs.2020.06.001 DOI: https://doi.org/10.1016/j.isprsjprs.2020.06.001

Centro Control Contaminación del Pacífico [CCCP]. (2002). Compilación Oceanográfica de la cuenca pacífica colombiana. Centro Control Contaminación del Pacífico.

Chen, N. (2020). Mapping mangrove in Dongzhaigang, China using Sentinel-2 imagery. Journal of Applied Remote Sensing, 14(1), 1-11. https://doi.org/10.1117/1.jrs.14.014508 DOI: https://doi.org/10.1117/1.JRS.14.014508

Congalton, G. R. (1991). A review of assessing the accuracy of classification of remotely sensed data. Remote Sensing of Environment, 37, 35-47. DOI: https://doi.org/10.1016/0034-4257(91)90048-B

Dirección General Marítima [Dimar] (2021). Red de Medición de Parámetros Oceanográficos y de Meteorología Marina (RedMPOMM). Dirección General Marítima. https://dimar.maps.arcgis.com/apps/dashboards/48d2c76148af428789abae6b3a8789de

Diniz, C., Cortinhas, L., Nerino, G., & Rodrigues, J. (2019). Brazilian mangrove status: Three decades of satellite data analysis. Remote Sensing, 11, 1-19. https://doi.org/10.3390/rs11070808 DOI: https://doi.org/10.3390/rs11070808

Donato, D. C., Kauffman, J. B., Murdiyarso, D., Kurnianto, S., Stidham, M., & Kanninen, M. (2011). Mangroves among the most carbon-rich forests in the tropics. Nature Geoscience, 4(5), 293-297. https://doi.org/10.1038/ngeo1123 DOI: https://doi.org/10.1038/ngeo1123

European Space Agency [ESA] (2021). SNAP - Sentinel Application Platform desktop: 8.0. European Space Agency. https://step.esa.int/main/download/snap-download/

Environmental Systems Research Institute [ESRI] (2016). ArcGis Desktop: 10.6. Environmental Systems Research Institute. http://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-analyst-toolbox/idw.htm

Giri, C. (2016). Observation and monitoring of mangrove forests using remote sensing: Opportunities and challenges. Remote Sensing, 8(9), 1-8. https://doi.org/10.3390/rs8090783 DOI: https://doi.org/10.3390/rs8090783

Giri, C., Ochieng, E., Tieszen, L. L., Zhu, Z., Singh, A., Loveland, T., Masek, J., & Duke, N. (2011). Status and distribution of mangrove forests of the world using earth observation satellite data. Global Ecology and Biogeography, 20(1), 154-159. https://doi.org/10.1111/j.1466-8238.2010.00584.x DOI: https://doi.org/10.1111/j.1466-8238.2010.00584.x

Gupta, K., Mukhopadhyay, A., Giri, S., Chanda, A., Datta Majumdar, S., Samanta, S., Mitra, D., Samal, R. N., Pattnaik, A. K., & Hazra, S. (2018). An index for discrimination of mangroves from non-mangroves using Landsat 8 OLI imagery. MethodsX, 5, 1129-1139. https://doi.org/10.1016/j.mex.2018.09.011 DOI: https://doi.org/10.1016/j.mex.2018.09.011

Instituto de Hidrología, Meteorología y Estudios Ambientales [Ideam] (2019). Pronóstico de pleamares y bajamares en la costa pacífica colombiana año 2019. Instituto de Hidrología, Meteorología y Estudios Ambientales. http://www.ideam.gov.co/documents/21021/137239/CARTILLA+PACIFICO+2019.pdf/cfedfde1-171e-4b31-aa92-c7cad3ae444b?version=1.1

Instituto de Investigaciones Marinas y Costeras [Invemar] (2022). Informe del estado de los ambientes y recursos marinos y costeros en Colombia, 2021. http://www.invemar.org.co/documents/235216/0/IER-2021_Vr-Final_Baja.pdf/d1fca8a4-4950-41ac-9d9e-10607a8acdd5

Jia, M., Wang, Z., Wang, C., Mao, D., & Zhang, Y. (2019). A new vegetation index to detect periodically submerged mangrove forest using single-tide sentinel-2 imagery. Remote Sensing, 11, 1-17. https://doi.org/10.3390/rs11172043 DOI: https://doi.org/10.3390/rs11172043

Kuenzer, C., Bluemel, A., Gebhardt, S., Quoc, T. V., & Dech, S. (2011). Remote sensing of mangrove ecosystems: A review. Remote Sensing, 3(5), 878-928. https://doi.org/10.3390/rs3050878 DOI: https://doi.org/10.3390/rs3050878

Landis, J. R., & Koch, G. G. (1977). Agreement of categorical data. Biometrics, 33(1), 159-174. DOI: https://doi.org/10.2307/2529310

Li, M., Chen, B., Webster, C., Gong, P., & Xu, B. (2022). The land-sea interface mapping: China’s coastal land covers at 10 m for 2020. Science Bulletin, 67(17), 1750-1754. https://doi.org/10.1016/j.scib.2022.07.012 DOI: https://doi.org/10.1016/j.scib.2022.07.012

Melo, L., & Camacho, M. (2005). Interpretación visual de imágenes de sensores remotos y su aplicación en levantamientos de cobertura y uso de la tierra. Instituto Geográfico Agustín Codazzi.

Moxon, S. G. (2021). Mapping mangrove forests: processing and visualization of multi-sensor earth observation data for the Colombian pacific coast [Tesis de Maestría, Palacký University Olomouc]. https://theses.cz/id/rbkq6p/Sayana_master_thesis_2021.pdf

Murillo-Sandoval, P. J., Fatoyinbo, L., & Simard, M. (2022). Mangroves cover change trajectories 1984-2020: The gradual decrease of mangroves in Colombia. Frontiers in Marine Science, 9, 1-14. https://doi.org/10.3389/fmars.2022.892946 DOI: https://doi.org/10.3389/fmars.2022.892946

Neri, M. P., Baloloy, A. B., & Blanco, A. C. (2021). Limitation assessment and workflow refinement of the mangrove vegetation index (MVI)-based mapping methodology using sentinel-2 imagery. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 46(4/W6), 235-242. https://doi.org/10.5194/isprs-Archives-XLVI-4-W6-2021-235-2021 DOI: https://doi.org/10.5194/isprs-archives-XLVI-4-W6-2021-235-2021

Perea-Ardila, M. A., Leal-Villamil, J., & Oviedo-Barrero, F. (2021). Caracterización espectral y monitoreo de bosques de manglar con teledetección en el litoral Pacífico colombiano: Bajo Baudó, Chocó. Revista Ciencias de La Vida, La Granja, 34(2), 27-44. http://doi.org/10.17163/lgr.n34.2021.02 DOI: https://doi.org/10.17163/lgr.n34.2021.02

Pierini, J. O., & Rodríguez-Leguizamón, A. A. (2014). Caracterización oceanográfica de la bahía de Solano. Boletín Científico CIOH, 32, 223-256. https://doi.org/10.26640/22159045.274 DOI: https://doi.org/10.26640/22159045.274

Sahadevan, A. S., Joseph, C., Gopinath, G., Ramakrishnan, R., & Gupta, P. (2021). Monitoring the rapid changes in mangrove vegetation of coastal urban environment using polynomial trend analysis of temporal satellite data. Regional Studies in Marine Science, 46, 1-10. https://doi.org/10.1016/j.rsma.2021.101871 DOI: https://doi.org/10.1016/j.rsma.2021.101871

Shi, T., Liu, J., Hu, Z., Liu, H., Wang, J., & Wu, G. (2016). New spectral metrics for mangrove forest identification. Remote Sensing Letters, 7(9), 885-894. https://doi.org/10.1080/2150704X.2016.1195935 DOI: https://doi.org/10.1080/2150704X.2016.1195935

Simard, M., Fatoyinbo, L., Smetanka, C., Rivera-Monroy, V. H., Castañeda-Moya, E., Thomas, N., & Van der Stocken, T. (2019). Mangrove canopy height globally related to precipitation, temperature and cyclone frequency. Nature Geoscience, 12(1), 40-45. https://doi.org/10.1038/s41561-018-0279-1 DOI: https://doi.org/10.1038/s41561-018-0279-1

Tran, T. V., Reef, R., & Zhu, X. (2022). A review of spectral indices for mangrove remote sensing. Remote Sensing, 14, 1-29. https://doi.org/10.3390/rs14194868 DOI: https://doi.org/10.3390/rs14194868

Wang, D., Wan, B., Qiu, P., Su, Y., Guo, Q., Wang, R., Sun, F., & Wu, X. (2018). Evaluating the performance of sentinel-2, landsat 8 and pl é iades-1 in mapping mangrove extent and species. Remote Sensing, 10, 1-27. https://doi.org/rs10091468 DOI: https://doi.org/10.3390/rs10091468

Wang, L., Jia, M., Yin, D., & Tian, J. (2019). A review of remote sensing for mangrove forests: 1956-2018. Remote Sensing of Environment, 231, 1-15. https://doi.org/10.1016/j.rse.2019.111223 DOI: https://doi.org/10.1016/j.rse.2019.111223

Winarso, G., Purwanto, A. D., & Yuwono, D. (2014). New Mangrove Index As Degradation/Health Indicator Using Remote Sensing Data: Segara Anakan And Alas Purwo Case Study. 12th Biennial Conference of Pan Ocean Remote Sensing Conference, 309–316.

Winarso, G., & Purwanto, A. D. (2014). Evaluation of mangrove damage level based on Landsat 8 image. International Journal of Remote Sensing and Earth Sciences, 11(2), 105-116. https://doi.org/10.30536/j.ijreses.2014.v11.a2608 DOI: https://doi.org/10.30536/j.ijreses.2014.v11.a2608

Xia, Q., He, T., Qin, C., & Xing, X. (2022). An improved submerged mangrove recognition index-based method for mapping mangrove forests by removing the disturbance of tidal dynamics and S. alterniflora. Remote Sensing, 14(13), 1-19. https://doi.org/10.3390/rs14133112 DOI: https://doi.org/10.3390/rs14133112

Xia, Q., Qin-Cheng, Z., Li, H., Huang, C., & Zhen Su, F. (2018). Mapping mangrove forests based on multi-tidal high-resolution satellite imagery. Remote Sensing, 10, 2-20. https://doi.org/10.3390/rs10081343 DOI: https://doi.org/10.3390/rs10091343

Younes-Cárdenas, N., Joyce, K. E., & Maier, S. W. (2017). Monitoring mangrove forests: Are we taking full advantage of technology? International Journal of Applied Earth Observation and Geoinformation, 63, 1-14. https://doi.org/10.1016/j.jag.2017.07.004 DOI: https://doi.org/10.1016/j.jag.2017.07.004

Zanaga, D., Van De Kerchove, R., De Keersmaecker, W., Souverijns, N., Brockmann, C., Quast, R., Wevers, J., Grosu, A., Paccini, A., Vergnaud, S., Cartus, O., Santoro, M., Fritz, S., Georgieva, I., Lesiv, M., Carter, S., Herold, M., Li, L., Tsendbazar, N. E., …, Arino, O. (2021). ESA WorldCover 10m 2020 v100. ESA WorldCover project 2020. https://doi.org/https://doi.org/10.5281/zenodo.5571936

Zeng, Y., Friess, D. A., Sarira, T. V., Siman, K., & Koh, L. P. (2021). Global potential and limits of mangrove blue carbon for climate change mitigation. Current Biology, 31(8), 1737-1743. https://doi.org/10.1016/j.cub.2021.01.070 DOI: https://doi.org/10.1016/j.cub.2021.01.070

Zhang, R., Jia, M., Wang, Z., Zhou, Y., Mao, D., Ren, C., Zhao, C., & Liu, X. (2022). Tracking annual dynamics of mangrove forests in mangrove national nature reserves of China based on time series sentinel-2 imagery during 2016-2020. International Journal of Applied Earth Observation and Geoinformation, 112, 1-11. https://doi.org/10.1016/j.jag.2022.102918 DOI: https://doi.org/10.1016/j.jag.2022.102918

Zhao, C., Jia, M., Wang, Z., Mao, D., & Wang, Y. (2023). Identifying mangroves through knowledge extracted from trained random forest models: An interpretable mangrove mapping approach (IMMA). ISPRS Journal of Photogrammetry and Remote Sensing, 201, 209-225. https://doi.org/10.1016/j.isprsjprs.2023.05.025 DOI: https://doi.org/10.1016/j.isprsjprs.2023.05.025

Descargas

Publicado

2024-06-20

Cómo citar

Perea-Ardila, M. A., & Murillo-Sandoval, P. J. (2024). Comparación de índices de vegetación basados en imágenes satelitales para la identificación de bosques de manglar en Colombia. Madera Y Bosques, 30(4). https://doi.org/10.21829/myb.2024.3042600
Metrics
Vistas/Descargas
  • Resumen
    202
  • PDF
    116

Métrica

Artículos similares

<< < 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 > >> 

También puede Iniciar una búsqueda de similitud avanzada para este artículo.