Utilización de SAR para la estimación de biomasa forestal ...aulavirtual.ig.conae.gov.ar/moodle/pluginfile.php/513/mod_page/... · backscattering de las imágenes ALOS PALSAR de

Dipartimento di Ingegneria Astronautica, Elettrica e Energetica

Informe Final M.R.Iglesias

1

Utilización de SAR para la estimación de biomasa forestal en el

Chaco semiárido

Informe Final



2

Contenido

Introducción 7

Materiales y métodos 10

Área de estudio 10

Datos de campo de la región 13

Utilización de imágenes SAR para la estimación de biomasa 14

Imágenes SAR adquiridas 15

Introducción al tratamiento con imágenes SAR 17

Pre-procesamiento de imágenes SAR 19

Procesamiento 23

Resultados y discusión 25

Preprocesamiento 25

Elección de imágenes 25

Selección del número de looks 26

COSMO Skymed modalidad Wide region (WR) 26 COSMO Skymed modalidad hugh región (HR) 30

COSMO Skymed modalidad PingPong. (PP) 31

ALOS PALSAR:Modalidad polarizada 33

Procesamiento 37

ALOS PALSAR :Clasificación no supervisada 37

Clasificacion supervisada 38

Clasificación no supervisada, ALOS y COSMO 42

Relación entre el backscattering y las variables biométricas medidas a

campo 43



3

Generación de modelo de estimación de biomasa 47

Generación de modelo de estimación de biomasa a partir de ALOS

PALSAR y COSMO Skymed 47

Conclusión 51

Referencias 53

Anexo 59



4

Índice de tablas

Tabla 1: Características de las imágenes COSMO Skymed adquiridas 16

Tabla 2: Características de las imágenes ALOS PALSAR adquiridas 17

Tabla 3: Valores de media, desvío estándar e Equal number of looks para las tres formaciones con COSMO Skymed WR. 26

Tabla 4: Valores de media, desvío estándar e Equal number of looks para las tres formaciones con COSMO Skymed modalidad HR 31

Tabla 5: Valores de media, desvío estándar e Equal number of looks para las tres formaciones con COSMO skymed modalidad Pingpong 31

Tabla 6: Valores de media, desvío estándar (DE) e Equal number of looks (Eqnl) para

las tres formaciones vegetales presentes en la Reserva en imagen ALOS PALSAR 34


las tres formaciones vegetales presentes en la Reserva en imagen ALOS PALSAR de

mayo 2005 utilizando distintos filtros. 35

Tabla 8: Correlación de Pearson entre las distintas polarizaciones de ALOS PALSAR de

mayo 2009 y los valores de Carbono (tn/ha) , cobertura, altura media ( H media) y

altura max (H max) 44



5

Indice de Figuras

Fig.1: Ubicación geográfica de la Reserva Natural Chancaní 13

Fig.2:Backscattering: Dispersión volumétrica Dispersión superficie-volumen 18

Fig.3: Esquema representativo de los pasos de pre-procesamiento

realizados con SarScape 22

Fig.4: COSMO Skymed WR con multilooking de 1, 3, 5, 9 27

Fig.5: Filtros aplicados a imagen COSMO Skymed WR 29

Fig.6: Filtros aplicados a imagen COSMO Skymed HR 30

Figura 7: Imagen COSMO Skymed Pingpong con multilooking de 1 para ambas

polarizaciones (multilooking y Geocodificada) 32

Fig. 8: Imagen ALOS PALSAR polarizadas de mayo 2009 33

Fig. 9: distribución de la frecuencia de las tres clases (en decibel). 36

Fig. 10: Clasificación supervisada de la Reserva Chancaní, con los distintos

algoritmos usando imagen Cosmo Skymed modalidad PingPong 37

Fig. 11: Clasificación no supervisada de la Reserva utilizando las polarizaciones

HH, HV, y la razón HH/HV. 38

Fig. 12: Clasificación supervisada de la Reserva Chancaní con ALOS PALSAR 40

Fig 13: Clasificación supervisada de la Reserva Chancaní, con los distintos algoritmos

usando imagen Cosmo Skymed modalidad PingPong y ALOS PALSAR 41

Fig. 14; Clasificación no supervisada con ALOS PALSAR y Cosmo Skymed 43

Fig. 15: Clasificación de bosques a partir de los rangos de backscattering 45

Fig. 16.Saturacion de la banda L a partir de diagrama de dispersión de biomasa

y backscattering en decibeles mayo 46

Fig. 17: Análisis de componente principales utilizando valores de

backscattering de las imágenes ALOS PALSAR de mayo 2009 48

Fig. 18:Análisis de Cluster o conglomerado 48

Fig. 19: Biplot de analisis discriminate 50



6

Fig. 20: Mapa de cobertura de Carbono a partir de análisis discriminante 51

¡Error! Marcador no definido.Anexo

Tablas

Tabla 1: Valores de media, desvío estándar e Equalnumber of looks para las tres formaciones vegetales presentes en la Reserva en imagen

COSMO skymed con multilooking de 1 x 1 59

Tabla 2: Valores de media, desvío estándar e Equalnumber of looks para las tres formaciones vegetales presentes en la Reserva en imagen COSMO Skymed con multilooking de 3 x 3 61

Figuras

Fig. 1A: Diferencias entre la media sin aplicación de filtro con multilooking de 1 y los valores medios filtrados con distintas ventanas

para la cobertura arbustal 59

Fig. 2A: Diferencias entre la media sin aplicación de filtro con

multilooking de 1 y los valores medios filtrados con distintas ventanas para la cobertura bosque secundario 60


para la cobertura bosque maduro 60

Fig. 4A: Diferencias entre la media sin aplicación de filtro con

multilooking de 3 y los valores medios filtrados con distintas ventanas para la cobertura arbustal 61


para la cobertura bosque secundario 62

Fig. 6: Diferencias entre la media sin aplicación de filtro con multilooking de 3 y los valores medios filtrados con distintas ventanas para la cobertura bosque maduro 62



7

Utilización de SAR para la estimación de biomasa forestal en el

Chaco semiárido

Introducción

Los bosques desempeñan un papel importante en el ciclo global de

carbono (C), ya que estos absorben aproximadamente un doceavo del

stock CO2 atmosférico, almacenándolo en la biomasa leñosa y el suelo.

En general, los ecosistemas forestales representan aproximadamente el

72% del almacenamiento de C terrestre (Malhi et al., 2002, Woomer et

al., 2004; Keith et al., 2009). Por estos motivos, conocer la distribución

y almacenaje de C por parte de la vegetación leñosa, contribuye a

mitigar problemáticas de interés global como son el cambio climático y

la desertificación. Durante las últimas décadas, la estimación de C

almacenado en la biomasa leñosa ha despertado gran interés a partir de

los compromisos internacionales como la Convención Marco de Naciones

Unidas sobre el Cambio Climático (CMNUCC) y el Protocolo de Kyoto

(Lucas et al 2010). Si bien existen numerosos métodos para estimar

dichos los montos de C, estos varían en la precisión de la estimación y

en los costos para llevarlos a cabo.

Las áreas protegidas, constituyen zonas de referencia para los

estudios de desertificación y cambio climáticos (Reynolds y Stafford

Smith, 2002; Reynolds et al., 2005; Paruelo et al., 2005; Verón et al.,

2006), ya que mantienen su estructura y funcionamiento en ausencia de



8

perturbaciones antropogénicas (Illera et al., 1998; Alcaláz-Segura et al.,

2008) y conservan grandes cantidades de carbono en su biomasa

(Woomer et al., 2004; Keith et al., 2009). Sin embargo, muchas áreas

protegidas, sufren disturbios naturales y antrópicos antes de su creación

como Reservas Naturales (Carranza et al., 1992; Cabido y Pachá, 2002;

Bonino y Araujo, 2005; Villagra et al., 2009). Por tales motivos, es

posible encontrar dentro de las áreas protegidas sectores alterados, con

pérdida de la biodiversidad y disminución de los almacenajes de C

(Gandía y Meliá, 1993; Reynolds et al., 2005; Iglesias et al., 2012).

Poco se conoce acerca de los montos de C que conserva la

vegetación leñosa en zonas áridas y semiáridas (Gasparri et al., 2007;

Bonino, 2006; Padrón y Navarro-Cerrillo, 2007; Iglesias, 2010, Iglesias

et al., 2012). Estas áreas abarcan el 40 % de la superficie mundial

(Dregne, 1991; Verón et al., 2006), de los cuales los bosques cubren

aproximadamente 6 % (o sea unas 230 millones de hectáreas)

(Malagnoux, 2007). En Argentina, las regiones áridas y semiáridas

abarcan aproximadamente el 70 % del territorio (Roig et al., 1991;

Fernández y Busso, 1997), donde el 76 % de esta superficie están

afectadas por procesos de desertificación (SRNyDS, 2002).

Actualmente existen diversos métodos para la estimación de la

biomasa. Las estimaciones basadas en inventarios forestales adquiridos

a partir de muestreos de campo y posterior elaboración de modelos

matemáticos basados en métodos destructivos, es considerado como un

método preciso de estimación a nivel local (Iglesias, 2010). Sin

embargo, esta metodología es intensiva, costosa, consume mucho



9

tiempo y presenta un carácter local que es impreciso llevarlo a otras

escalas (Ghasemi et al., 2011). Dada estas limitaciones en la estimación

de biomasa de forma tradicional, los sensores remotos han sido

ampliamente usados con este objetivo en las últimas décadas. Dentro

de estas herramientas, en los últimos años se ha estudiado la

potencialidad de las imágenes de radar de apertura sintética (SAR) para

este fin (Nguyen, 2010; Lucas et al., 2010), a partir de la intensidad del

coeficiente de retrodisperción del SAR de las distintas longitudes de

onda, polarizaciones y su relación con la biomasa. Estudios indican que

a las longitudes de onda mayores (banda L y P) son las que presentan

mayor sensibilidad a la biomasa (Ghasemi et al 2011) mientras que las

longitudes de onda menores (banda X) retrodispersa los componentes

del dosel superior. Esta característica hace que las imágenes de radar

sean muy interesantes para estudiar propiedades intrinsicas de la

estructura vertical del bosque. Otra característica positiva del radar es

su relativa independencia de la situación meteorológica y, que, al ser un

sistema activo que emite su propia señal, aporta un conjunto de datos

más controlado. Sin embargo, también debe tenerse en cuenta que la

señal requiere un procesado más complejo que la de los sistemas

ópticos puesto que están más influidas por la topografía y la humedad

del suelo, sin olvidar que se trata de un tipo de información distinta

(Lobo Areu y Saura Martínez de Toda, 2005). Además, la estimación de

la biomasa con esta herramienta, puede verse afectada por una

saturación de la banda al exceder valores críticos. Por ejemplo, se ha

documentado que la banda L pierde sensibilidad entre 60-120 tn*ha-1 de

biomasa (Lucas et al,2010, Suzuki et al., 2013). Si bien la relación entre

el coeficiente de retrodisperción y la biomasa ha sido estudiada en

diversos bosques naturales e implados de regiones templadas, tropicales

y boreales (Rahman y Sumantyo, 2011, Morel et al., 2012, Suzuki et



10

al.,2013), son escasos los estudios que indican de manera exitosa la

utilidad de esta herramienta en regiones semiáridas (Imhoff, 1995;

Lucas et al., 2010), como en Chaco semiárido argentino.

Frente a esto, el propósito general de esta estancia se enfoca en

analizar la potencialidad de las distintas imágenes SAR para su uso en

la estimación de biomasa. Para ello, y a fin de adoptar conocimientos

básicos para el enfoque de la tesis de maestría "Máster en Atención

Temprana y Emergencias Aplicaciones Espaciales de respuesta", será

necesario: 1) Pre-procesar y procesar de imágenes SAR (Synthetic

Aperture Radar), 2) Generar procedimientos adecuados para la

detección de diferentes tipos de cobertura con distintos valores de

almacenamiento de biomasa aérea, 3) Analizar la relación entre la

respuesta del SAR con los valores de biomasa y otras variables biofísicas

de la región, 4) Generar un modelo de estimación de biomasa a partir

de imágenes SAR.

Materiales y métodos

Área de estudio:

La Reserva Natural Chancaní (31º 22’ S y 65 º 29’ W) y abarca

una superficie de 4.920 ha al oeste de las sierras de Pocho, en las



11

Planicies Occidentales en la provincia de Córdoba, Argentina (Fig. 1). La

precipitación media anual es de 513 mm, promedio de 30 años

registrados dentro de la Reserva. De acuerdo al Índice de Aridez, el

clima es árido–semiárido, con un régimen de lluvias estival, presentando

entre 7 u 8 meses de estación seca (Torres Guevara, 2007) y una

temperatura media anual de 20ºC (Capitanelli, 1979). Los suelos son

entisoles y aridisoles (Jarsun et al., 1989), y su vegetación corresponde

al Chaco Árido dentro del Bosque Chaqueño Occidental (Luti et al.,

1979; Morello et al., 1985). La Reserva se extiende a lo largo de un

desnivel altitudinal de proximadamente 800 m sobre el nivel del mar,

comprendiendo parte del abrupto de falla de la vertiente occidental de la

Sierra de Pocho-Guasapampa (desde los 1.150 msnm), y el contacto

entre la bajada de dicho cordón con el llano occidental de Córdoba (a

unos 330 msnm). El paisaje de esta área protegida es heterogéneo.

Antes de su creación como reserva, algunos sectores se vieron

afectados por la tala, el pastoreo y fuego, generando una fragmentación

del paisaje (Alessandria et al, 1977; Bonino y Araujo, 2005 ; Bonino,

2006). Frente a esto, las formaciones 3 vegetales presentes son:

-Bosque maduro de A. quebracho-blanco: La fisonomía de esta

comunidad es de un bosque abierto con un dosel de copas discontinuas

a muy localmente continuas. El estrato arbóreo alcanza hasta 15 m de

altura y además del ―quebracho blanco‖, se presentan escasos

ejemplares de algarrobo dulce y Ziziphus mistol (―mistol‖),

generalmente más bajos (5-7m). El estrato arbustivo alcanza hasta 4 m

de altura cuyas especies más frecuentes son: Larrea divaricata

(―jarilla‖), Mimozyganthus carinatus (―lata‖) y Acacia gilliesii (―garabato



12

macho‖) con altos valores de abundancia y cobertura (Carranza et al.,

1992; Iglesias, 2010).

-Bosque secundario de A. quebracho-blanco: similar al anterior con

menor cobertura de árboles y mayor abundancia del estrato arbustivo

(Carranza et al., 1992). Se trata de un bosque en general abierto y más

bajo que el anteriormente descripto. Se distingue un estrato arbóreo con

cobertura variable entre 10 y 40 % en el que predominan P. flexuosa y

A. quebracho-blanco. El estrato arbustivo presenta valores de cobertura

generalmente superiores al 60%, lo que transforma en un sotobosque

casi impenetrable. La especies más abundante es L. divaricata, Celtis

pallida (―tala churqui‖), M. carinatus y A. gilliesii. También son

frecuentes Capparis atamisquea (―atamisqui‖), Condalia microphyla

(―piquillin‖), Lycium elongatum (―lycium‖) y Parkinsonia praecox

(―brea‖) (Carranza et al., 1992; Bonino y Araujo, 2005; Chebez, 2007;

Iglesias et al., 2011).

-Arbustal: Es una formación de arbustos de baja cobertura dominada

por L. divaricata, M. carinatus y A. gilliesii (Carranza et al., 1992), con

escasos representantes arbóreos (Iglesias, 2010)

En el presente informe, solo se tendrá en cuenta la región propia del

llano y se excluirá la vegetación serrana.



13

Figura 1: Ubicación geográfica de la Reserva Natural Chancaní, provincia de Córdoba.

Mapa de coberturas basado en Alessandria y col (1977)

Datos de campo de la región

La información propia de las distintas comunidades presentes en la

Reserva Natural Chancaní, fue obtenida a partir de trabajos de campo

previos realizados durante la tesis doctoral (Iglesias, 2010; Iglesias et

al., 2011). Este se basó en la realización de inventarios sobre diversas

transectas de 250 m2 georeferenciadas donde se relevó datos de

diámetro a la base y a la altura del pecho y altura de cada individuo

presente y cobertura sobre la línea. A estas variables alométricas

censadas se le aplicaron ecuaciones alométricas basadas es métodos

destructivos para estimar la biomasa de dicha transecta expresada en



14

toneladas por hectárea (Tn*ha -1.). Se realizaron aproximadamente 25

transectas en diversos sectores de la Reserva

Utilización de imágenes SAR para la estimación de biomasa

Los estudios sobre estimación de biomasa aéreas con imágenes de

radar comenzaron en la década de 1980, sin embargo no fue hasta

después de 1990 cuando se comenzó a experimentar con diferentes

tipos de imágenes, en diferentes polarizaciones y ángulos de

observación (Vasquez Lule, 2012). Dentro de los primeros trabajos

realizados para estimar la biomasa vegetal en vegetación tropical con el

coeficiente de retrodispersión, destaca los de Luckman, y col. (1997) en

Amazonia. Actualmente existen esta clase de estudios para diversos

ambientes, como también estudios donde relacionan variables biofísicas

de los bosques (volumen foresta, altura media, cobertura) con los

valores de retrodispersión o backscattering. La principal limitación de

estos estudios es la perdida de sensibilidad o saturación de la banda

luego de pasar un valor crítico de biomasa. Aunque existe controversias

sobre este valor crítico.



15

Imágenes SAR adquiridas

Tipos de imágenes adquiridas

A fin de analizar la potencialidad de estas imágenes para el

objetivo propuesto, se adquirieron distintos productos de COSMO

Skymed (banda X) y ALOS PALSAR (banda L). La fecha, el modo de

adquisición y demás detalles de cada imagen fueron especificados en la

tabla 1 y 2. Dichas imágenes fueron provistas por CONAE en el contexto

de la Maestría en Aplicaciones Espaciales de Alerta y Respuesta

Temprana a Emergencias. De acuerdo a la modalidad adquirida, los

sistemas radar utilizados pueden emitir y recibir la energía en forma: HH

(emisión horizontal con recepción del backscattering horizontal), VV

(emisión vertical con recepción vertical), HV (emisión horizontal con

recepción vertical) y VH (emisión vertical con recepción horizontal).

El sistema COSMO-SkyMed (COnstellation of Small Satellites for

Mediterranean basin Observation) es un sistema financiado por el

Ministerio de Investigación y el Ministerio de Defensa de Italia y llevado

a cabo por la Agencia Espacial Italiana (ASI), para uso tanto militar

como civil. La constelación consiste en cuatro satélites de tamaño medio

ubicados en órbitas polares helio-sincrónicas a la misma altura pero en

distintos planos orbitales, los cuales obtienen datos en banda X (λ =3

cm). Cada satélite presenta una revisita de 16 días y todos los satélites

siguen la misma trayectoria terrestre (Agenzia Spaziale Italiana, 2007).



16

Tabla 1: Características generales de las imágenes COSMO Skymed adquiridas

CSK

Satellite

Produ

ct

type

Instru.mod

o de uso en

la

adquisición

Polari-

zación

Look

Look

Side

Dirección

de la

orbita

Angulo fecha

CSKS2 SCS HR HH derecha Descen. 29.5 2008/09/26

CSKS1 SCS WR HH derecha Descen. 27.5 2008/10/20

CSKS2 SCS HR HH derecha Descen. 29.5 2008/11/13

CSKS2 SCS HR HH derecha Ascen 29.4 2008/12/15



CSKS1 SCS WR HH derecha Ascen 27.5 2009/01/24



CSKS4 SCS PP HH/HV derecha Descen. 42.4 2013/01/28

El satélite ALOS PALSAR es un sistema radar de apertura sintética

desarrollado por el Ministerio Internacional de Comercio e Industria de

Japón (METI). ALOS fue puesto en órbita en el 2006, con una órbita

sub-sincrónica y sub- recurrente a una altitud de 691.65 km sobre el

ecuador. El satélite ALOS pasa por un mismo punto de la tierra cada 46

días y su sistema PALSAR (Radar de Apertura Sintética con Arreglo de

Fases en Banda-L) presenta un sensor de microondas activo que opera

en polarización completa (HH, VV, VH y HV). Con una frecuencia de

1270 MHz a una longitud de onda de ~23.5 cm (PALSAR user´s guide,

2012).



17

Tabla 2: Características generales de las imágenes ALOS PALSAR adquiridas

Alos Palsar

producto

Product

Nivel

Polari-

zación

Swath

width

Angulo

Off nadir

Angulo de

Incidencia

fecha

Polarimetry (PLR) L 1.1 HH/HV +

VV/VH

30 KM 21.5 8-30 2009/11/07

Polarimetry (PLR) L 1.1 HH/HV +

VV/VH

30 KM 21.5 8-30 2009/05/07

Fine beam double

polarisation (FBD)

L 1.1 HH/HV 70 KM 34.5 7.5-60 2008/10/11

Introducción al tratamiento con imágenes SAR

En los sistemas SAR, la onda electromagnética es emitida en

forma de pulsos, y el retorno de las mismas es detectado y almacenado

para su posterior procesamiento. A partir de los pulsos crudos, un

algoritmo denominado procesador SAR produce la imagen SAR (Salvia,

2010). Los datos contenidos en las imágenes SAR deben calibrarse para

poder relacionar los valores digitales de cada pixel con los

correspondientes valores de coeficiente de backscattering sigma nought

(σ0) (Frulla et al., 1998). Dicho coeficiente representa la reflectividad

media de una muestra de material horizontal, normalizada con respecto

al área sobre el plano de la tierra. Es una fracción que describe la

cantidad de potencia promedio retrodispersada en comparación con la

potencia del campo incidente. Los valores de dicho coeficiente dependen

de diversos factores. La señal devuelta al sensor radar después de haber

impactado sobre la superficie terrestre es la suma de dos

contribuciones: (i) la dispersión volumétrica y (ii) la dispersión



18

superficie-volumen o efecto rebote (double bounce effect) (Beaudoin et

al., 1994). En la figuras 2 se puede observar estos procesos para una

versión forestal simplificada. En el caso de una superficie vegetal, la

señal radar retrodispersada depende de dos tipos de factores: (i)

factores geométricos relativos a la estructura del suelo y de la cubierta

vegetal y, (ii) factores dialéctricos principalmente controlados por la

humedad del suelo y del dosel (Dobson et al., 1995).

Figura 2: Izquierda: Dispersión volumétrica: (a) suelo, (b) tronco, (c) copa. Derecha:

Dispersión superficie-volumen: (a) copa-suelo (b) tronco-suelo. Figura extraída de

Merino de Miguel y Gutiérrez.

En general, las áreas boscosas presentan eventos de múltiples

rebotes (retrodispersión múltiple), considerando la interacción que la

energía radiada por el radar presenta con el canopeo, el fuste, las ramas

y las hojas. Estos efectos provocan mayor retrodispersión. Por otro lado

la constante dieléctrica se refiere a las propiedades de los materiales

para transportar energía eléctrica, en función de su contenido de

humedad y conductividad (Vázquez Lule, 2012)



19

La potencia que recoge la antena (y que es la magnitud

directamente medida por el sensor) está relacionada con el coeficiente

de backscattering (σ0). Por otra parte, la teoría electromagnética explica

que la intensidad de una onda electromagnética es proporcional al flujo

promedio de energía por unidad de tiempo (potencia), o sea al valor

cuadrático medio del campo eléctrico. Entonces la potencia es

proporcional al cuadrado de la amplitud de la onda. Finalmente, los

datos en decibeles se obtienes a partir de la relación logarítmica

(producto del logaritmo del coeficiente de backattering por diez). La

tabla siguiente indica las correspondencias mencionadas.

.

Pre-procesamiento de imágenes SAR

El pre-procesamiento de las imágenes SAR utilizadas, se llevó a

cabo utilizando el módulo SARscape 4,3 del programa ENVI 4.8.

El primer paso a realizar es importar las imágenes. Para las

imágenes adquiridas de COSMO Skymed y ALOS PALSAR, las imagen se

importan utilizando la opción de Import data (SARscape basic ->import

data -> standard format).



20

Todas las imágenes radar se ven afectadas en mayor o menor

grado por un cierto ruido, llamado generalmente speckle, que aparece

como una textura granulada en toda la imagen o como un efecto de ―sal

y pimienta‖. Este es debido a la suma de ondas electromagnéticas con

diferentes fases que provoca constantes interferencias constructivas y

destructivas debidas a las continuas difracciones de la señal recibido en

un píxel. En general, es un ruido indeseado que degrada la calidad final

de la imagen y dificulta la interpretación de la misma.

Las imágenes producidas por un sistema SAR, pueden ser de un

solo look y datos complejos (Single Look Complex, SLC) o de uno o

varios looks y datos reales. En el caso de imágenes de un solo look, la

relación señal ruido (Signal to Noise Ratio, SNR) es baja, lo que suele

dificultar tanto el análisis visual como el automático. Para mejorar la

SNR, se utilizan varias técnicas, entre las cuales la más importante es el

procesamiento multilook. Este proceso se refiere a la división del haz del

radar en varios haces más angostos angularmente. Cada sub-haz

provee una ―mirada o look‖ independiente de la escena iluminada. El

promediado píxel a píxel de cada uno de los looks genera una imagen

multilook que posee un ruido speckle menor, mejorando la resolución

radiométrica a expensas de la resolución espacial (Salvia, 2010). El nivel

de reducción del ruido está directamente relacionado con el número de

look (Henderson and Xia, 1998). Este proceso de generación de

múltiples vistas permite obtener imágenes con píxeles

aproximadamente cuadrados en base a tres distancias: espacio entre los

píxeles en dirección azimutal, espacio entre las adquisiciones de píxeles

en dirección de rango y el ángulo de incidencia (Henderson y Lewis,

1997). Dependiendo del objetivo de estudio, es necesario determinar el

número de looks a utilizar.



21

Para cuantificar el incremento en el número de looks, se calcula la

media y la desviación estándar para las tres cobertura representativas

de la Reserva forestal, considerando zonas homogéneas tomadas de la

clasificación anterior (Iglesias, 2011). Número equivalente de look, se

define como la inversa de la varianza normalizada de la intensidad de la

señal en la imagen de un blanco homogéneo. Se calcula de la siguiente

manera:

ENL = 1 / qr2,

qr = σ / µ ,

Siendo µ y σ, la media y el desvío estándar de la intensidad de la

señal en la imagen de un blanco homogéneo, y qr es la desviación

estándar normalizada.

Por otro lado, en los últimos años una gran cantidad de filtros han

sido diseñados con el fin de reducir el ruido. La reducción del speckle se

basa en mover una ventana (de dimensión 3x3, 5x5, o mayor) sobre

cada pixel de la imagen aplicando una operación matemática que utiliza

los valores de pixel presentes en la ventana, sustituyendo el valor del

pixel central por el nuevo valor. Se mueve la ventana en filas y

columnas, un pixel por vez hasta completar toda la escena. Las

operaciones posibles a realizar son: medias, medianas y otros filtros

adaptativos. Estos filtros se basan en modelos apropiados para el

backscatter y propiedades estadísticas del ruido. Además, hay que tener

en cuenta que las variables de entrada de los distintos filtros, como son

el tamaño de la ventana, el desvío estándar del speckle y el factor de



22

damping, deben ajustarse al objetivo de estudio (Frulla et al., 1998).

Por ejemplo, regiones heterogéneas con variaciones grandes en los

tonos, es preferible tratarlas con pequeñas ventana. Con respecto a la

variación del factor de damping, valores grandes, preserva los bordes

mejor, pero reduce el efecto de suavizado. Al contrario, valores

pequeños aumenta el efecto de suavizado, pero no mantiene los bordes

de forma correcta (Schreier, 1993).

Para finalizar el pre-procesamiento, se realiza la calibración

geométrica a partir del módulo Geocoding & Radiometric Calibration.

Esta realiza la transformación de imágenes de radar (dirección rango-

azimut) a un sistema de coordenadas (en este caso Lat Long). Si es

necesario, se realiza una corrección geométrica de las imágenes de

radar considerando puntos control tomados a campo o en base a google

earth y puntos georeferenciados tomados a campo. La figura 3 sintetiza

los pasos mencionado en el pre-procesamiento de imágenes SAR.

Figura 3: Esquema representativo de los pasos de pre-procesamiento realizados con

SarScape

Imagen

Geocodificada (potencia y decibel)

Imagen en Potencia

Import data

Geocoding & Radiometric Calibration

Multilooking (EqnL)

Filtros



23

En el caso de ALOS-PALSAR modalidad pol., también se realizó la

co-registración (sarscape/basic/coregistration) que implica superponer

dos o más imágenes SAR con la misma orbita y modo de adquisición.

Procesamiento

Luego de realizar el pre-procesamiento de las imágenes, se

selecciona diversas escenas para analizar su potencial uso en la

estimación de biomasa. Primero, se recorta el área de interés y se

realiza la corrección de las coordenadas geográficas. Se obtiene así,

imágenes de la Reserva Chancaní filtradas de cada instrumento, con su

polarización particular. En caso de las imágenes con más de una

polarización (ALOS PALSAR y COSMO Skymed modalidad pingpong), se

generan además, por medio de operadores matemáticos del gis

(matematical operator/image operator), imágenes correspondiente a la

razón hh/hv y vv/vh.

A partir de datos de campo previos, obtenidos durante la tesis

doctoral (Iglesias, 2010), se generan una serie de puntos

georeferenciados con su respectivo valor de biomasa expresada en

toneladas de carbono. Los valores máximos encontrado se encuentra en

el rango de 110 tn/ha y los mínimos corresponden a valores de suelo

desnudo y arbustales. De cada punto mencionado se realiza un punto

vector. Este se lo transforma a raster y se genera un área de influencia

alrededor del punto, a partir de un buffer, lo que crea una máscara

correspondiente a un área de 420 m2. Estos buffers se utilizan para



24

obtener el valor medio del backscattering en decibel de un área conocida

y se aplican a cada una las polarizaciones de las imágenes SAR. Al ser

un área muy heterogénea dichos buffers no pueden ser de mayor

dimensión.

Posteriormente, se genera una base de datos con los valores

medios de backscattering de cada polarización junto con los valores de

biomasa, cobertura y valores de altura media y máxima del canopeo,

correspondiente a los mismos. En el caso de las imágenes ALOS

PALSAR, se añade la relación HH/HV y VV/VH. A fin de analizar la

relación de estos valores medios de backscattering y los valores de

Biomasa y cobertura tomadas a campo, se realizan correlaciones

(utilizando correlación de Pearson) y análisis multivariado.

La estimación de la biomasa se realizara de dos formas. Por un

lado, se generan clasificaciones supervisadas y no supervisadas del

área, utilizando distintos algoritmos. Para las primeras se utilizaron

algoritmo de máxima verosimilitud, de mínima distancia y

paralelepípedos, con la finalidad de discriminar las diferentes cubiertas

vegetales. Para esto, se definieron áreas de entrenamiento, que

responden a dichas cubiertas, en puntos conocidos de la imagen

obtenidos mediante un relevamiento a terreno con apoyo de un GPS

(iglesias, 2010). Las áreas de entrenamiento corresponden a las

siguientes formaciones vegetales: áreas de baja cobertura vegetal

(arbustal y suelo desnudo), áreas de cobertura media (bosques

secundarios) y áreas de cobertura máxima (bosques maduros). En el

caso de las clasificación no supervisada, se utilizó el algoritmo k-mean.



25

En todos los casos se realizó un ―layer stacker” de las distintas

combinaciones de polarizaciones como también, combinación de

imágenes de mayo y noviembre. A dichas coberturas se les asigna un

valor medio de biomasa expresada en Tn de C * ha-1 extraídos de

Iglesias y col. 2012.

Por otro lado, se intenta generar un modelo para le estimación de

biomasa utilizando SAR. Para ellos se definen como variables los valores

de backscattering y la cobertura vegetal (expresada en porcentaje) y se

realiza un Análisis de Componentes Principales para reducir estas

variables a las más explicativas. Posteriormente, a partir de un Análisis

Discriminante con esta selección de variables, se crea un modelo de

estimación de biomasa. Este análisis, nos permite elaborar una ecuación

a partir de una transformación lineal del espacio multiespectral original

en ejes discriminantes, de modo que optimiza la relación entre la

varianza interior a las clases y la varianza entre clases distintas

(Infostat, 2008).

Resultados y discusión

Pre-procesamiento

Elección de imágenes



26

Selección del número de looks

Imagen COSMO Skymed modalidad Wide Region (WR)

Al aumentar el número de looks en la imagen WR de COSMO

Skymed, disminuyen los valores extremos y en consecuencia, la media y

el desvío estándar. Si bien esta acción provoca la disminución del

speckle, dicho tratamiento genera un filtrado que homogeniza la

imagen, imposibilitando diferenciar las distintas coberturas vegetales

(figura 4). En la tabla 3 se observa que no existen diferencias marcadas

entre las medias de las tres formaciones vegetales.

Tabla 3: Valores de media, desvío estándar (DS) e Equal number of looks para las tres

formaciones vegetales presentes en la Reserva con COSMO Skymed WR.

Arbustal Bosque secundario Bosque maduro

Media DS EqnL Media DS EqnL Media DS EqnL

10 X 10m -11.17 4.76 5.5 -10.82 4.76 5.2 -10.66 4.77 5

30 x 30m -9.952 2.50 15.8 -9.39 2.20 18.5 -9.38 2.45 14.28

50 x 50m -9.58 1.63 34.5 -9.05 1.38 43.5 -9.01 1.58 35.7

90 x 90m -9.02 1.58 50 -8.88 0.75 138 -8.83 0.98 83.3



27

Figura 4: Imagenes COSMO Skymed WR con multilooking de 1, 3, 5, 9

10 X 10 m 30 x 30 m

50 x 50 m 90 x 90 m

La elección del procesamiento adecuado para la imagen COSMO

Skymed depende de objeto de estudio. En este caso, se necesita

resaltar la heterogeneidad del ambiente para poder distinguir las



28

distintas coberturas vegetales y por otra parte, disminuir el spekle de la

misma. Por este motivo, el multilooking más adecuado sería el de 1 x 1

o 3 x 3, con un filtro adaptativo. A modo ilustrativo, se tomó como

ejemplo una imagen COSMO Skymed modalidad WR, del 2 de octubre

del 2008 donde se analizaron los distintos filtros (figura 5).

Posteriormente se calcularon los valores medios, el desvío

estándar y el coeficiente de variación (razón desvío sobre media) de las

tres coberturas características de la reserva, en las imágenes con 1 y 3

multilooking. Luego se aplicaron los diversos filtros y se calcularon los

mismos estadísticos con distintos tamaños de ventana. En todos los

casos, se convirtieron los valores de potencia a decibeles. Además se

calculó el valor de equal number of looks para analizar la influencia del

speakle en la imagen. Los resultados se observan en las tablas 1 y 2 del

anexo, como también las figuras desde 1-6 del mismo.

Los resultados indican que el aumento de la ventana en esta área

con características heterogéneas, afecta los valores de pixel. Por lo cual,

se recomienda el uso de ventanas de dimensiones menores (3x3). En

líneas generales, el filtro Lee presentó un buen ajuste para todas las

coberturas. Este filtro se basa en que el valor del píxel sin speackle es

una suma ponderada del valor de píxel observado (central) y el valor

medio. El filtro de Lee suaviza los datos de imagen, sin la eliminación de

bordes afilados o características en la imagen (Vyjayanthi et al., 2008).

Específicamente para la región del arbustal, fueron los Refined Lee y

Enhanced Frost los que menor diferencia de media y varianza

presentaron. Para las coberturas Boscosas (bosque maduro y



29

secundario) el filtro Lee fue el que más se acercó a la media y con

menor desvío.

Multilooking Defined Lee Frost

Anisotropic EPC Lee

Media Median

Figura 5: Filtros aplicados a imagen COSMO Skymed WR



30

Por otro lado, tanto en las imágenes con 1 o 2 multilooking, el

EqnL indica que todavía el nivel de speakle es grande y que a su vez las

clases no presentan una diferencia marcada entre ellas.

COSMO Skymed modalidad hugh región (HR)

Las imágenes HR fueron tratadas con un multilooking de 2 x 2.

Debido a que se quiere conservar la heterogeneidad del ambiente, los

filtros adaptativos aplicados (Frost, Lee, defined Lee) se realizaron con

una ventana pequeña de 3 x 3. A simple vista, es difícil distinguir las

tres clases de cobertura vegetales (Fig.6), siendo la diferencia máxima

ente estas de 0.4 decibeles (tabla 4). Los valores de EqnL también

indican que en cada clases es speackle interfiere de forma significativa.

Frente a estos resultados sugerimos que estas imágenes no son

apropiadas para el objetivo del estudio.

Sin filtro Frost Lee Defined Lee

Figura 6: Filtros aplicados a imagen COSMO Skymed HR



31

Tabla 4: Valores de media, desvío estándar (DE) e Equal number of looks (EqnL) para

las tres formaciones vegetales presentes en la Reserva en imagen COSMO Skymed

modalidad HR


Media DE EqnL Media DE EqnL Media DE EqnL

Sin filtro -10,7 3,44 9,65 -10,26 3,41 9,03 -10,28 3,46 8,8

Frost 3x3 -10,08 2,1 23,15 -9,62 1,95 24,15 -9,66 2,06 21,8

Lee 3x3 -10,1 2,08 23,48 -9,64 1,95 24,44 -9,68 2,05 22,22

Re –Lee 3x3

-10,5 2,02 26,86 -10 1,85 28,98 -10,04 2,01 24,86

Sin filtro (SF), filtro Frost (Frost), filtro Lee (Lee), filtro Refined Lee (Re –Lee)

COSMO Skymed modalidad PingPong (pp)

Al igual que con las otras modalidades, se realizó el pre-procesing

estándar para las imágenes COSMO Skymed de modalidad Pingpong

(Fig. 7). Se analizaron los valores medios, desvío estándar y el equal

number of looks de las tres coberturas vegetales (tabla 5), para las

imágenes con y sin filtros en ambas polarizaciones.

Tabla 5: Valores de media, desvío estándar (DE) e Equal number of looks para las tres

formaciones vegetales presentes en la Reserva en imagen COSMO skymed modalidad

Pingpong con multilooking de 12 (azimut looks) y 2 (range looks)


Media DE EqnL Media DE EqnL Media DE EqnL

SF HH -15,83 5,9 7,16 -14,55 5,81 6,26 -15,16 5,83 6,76

SF HV -23,12 6,64 12,13 -21,95 6,5 11,4 -21,87 6,65 10,81

Frost HH -13,81 2,49 30,51 -12,82 2,46 27,02 -13,12 2,45 28,47

Frost HV -20,8 2,62 62,88 -19,52 2,3 71,77 -19,41 2,3 71,19

Lee HH -13,82 2,52 29,98 -12,83 2,48 26,72 -13,13 2,5 27,67

Lee HV -21,13 3,16 44,46 -19,85 2,92 46 -19,75 2,91 45,91

Re-Lee HH -13,82 2,36 34,14 -12,84 2,3 30,92 -13,13 2,31 32,09

Re-Lee HV -21,13 3,01 49,12 -19,85 2,79 50,51 -19,76 2,74 51,7

Sin filtro (SF), filtro Frost (Frost), filtro Lee (Lee), filtro Refined Lee (Re –Lee)



32

HH HV

Figura 7: Imagen COSMO Skymed Pingpong con multilooking de 1 para ambas

polarizaciones (multilooking y Geocodificada)

Aquí tambien, el coeficiente de backscattering no muestra

diferencia entre las coberturas boscosas. Con una diferencia

aproximada de un decibel se podrían separar la cobertura arbustiva de

las de bosque. Esta mayor diferencia se encuentra con la polarización

HV. Por otro lado, los filtros Lee y Refined Lee son los que mejor

explican las coberturas disminuyendo el ruido.



33

ALOS PALSAR

Modalidad polarizada

La figura 8, muestra las cuatro distintas polarizaciones presentes

en la imagen ALOS PALSAR de modalidad Polarizada de noviembre del

2009, luego de realizar el multilooking adecuado y geocodificación.

Posteriormente se calculó el EqnL de cada polarización con los distintos

filtros, para las fechas noviembre y mayo del 2009 (tabla 6 y 7).

HH HV VH VV

Figura 8: Imagen ALOS PALSAR polarizadas de mayo 2009



34



noviembre 2005 utilizando distintos filtros

arbustal bosque secundario bosque maduro

pol Media DE Eqnl Media DE Eqnl Media DE Eqnl

Sin filtro hh -11,92 2,24 28,33 -10,86 1,83 35,09 -11,53 2,23 26,76

hv -18,28 2,52 52,62 -17,22 1,91 81,28 -18,19 2,56 50,48

vh -18,41 2,47 55,55 -17,39 1,86 87,41 -18,32 2,55 51,61

vv -12,48 2,1 32,94 -11,55 1,89 37,18 -12,23 2,17 31,67

Lee hh -11,67 1,6 53,09 -10,61 1,05 102,89 -11,29 1,57 51,42

hv -18,02 1,92 88,08 -16,97 1,05 261,2 -17,92 1,99 81,09

vh -18,15 1,88 93,2 -17,14 1,03 276,91 -18,06 1,97 84,04

vv -12,23 1,5 66,57 -11,3 1,1 104,81 -11,98 1,5 63,55

Refined Lee hh -11,94 1,75 48,36 -10,87 1,23 78,07 -11,5 1,73 44,18

hv -18,28 2,04 80,29 -17,16 1,2 204,49 -18,23 2,11 74,64

vh -18,43 1,99 85,7 -17,35 1,21 205,6 -18,32 2,05 79,86

vv -12,48 1,61 60,07 -11,54 1,27 81,74 -12,21 1,66 53,91

Frost hh -11,68 1,63 50,86 -10,63 1,1 93,05 -11,3 1,61 49,1

hv -18,03 1,95 85,5 -16,97 1,1 238 -17,94 2,02 78,87

vh -18,16 1,91 90,4 -17,15 1,07 256,89 -18,07 2 81,63

vv -12,23 1,53 63,32 -11,31 1,15 96,5 -11,99 1,55 59,71

Media hh -11,94 1,5 62,88 -10,87 0,93 134,98 -11,53 1,49 59,4

hv -17,94 1,76 103,9 -16,9 0,79 457,63 -17,86 1,83 95,25

vh -18,08 1,72 110,5 -17,08 0,77 492,03 -17,98 1,81 98,67

vv -12,15 1,31 85,12 -11,24 0,86 168,67 -11,91 1,33 79,54



35



mayo 2005 utilizando distintos filtros

arbustal bosque secundario bosque maduro

sin

filtro Media DE Eqnl Media DE Eqnl Media DE Eqnl

Sin filtro hh -11,83 2,23 28,00 -11,31 1,95 33,43 -11,27 2,09 28,95

hv -18,43 2,43 57,49 -17,60 2,07 71,81 -17,68 2,30 58,74

vh -18,57 2,40 59,57 -17,78 2,06 74,00 -17,85 2,29 60,69

vv -12,64 2,16 34,07 -12,25 1,98 38,28 -12,20 2,05 35,37

Lee hh -11,68 1,58 54,42 -10,01 2,02 24,47 -11,51 1,67 47,35

hv -18,35 1,75 109,99 -16,19 1,78 82,66 -18,11 2,05 78,03

vh -18,48 1,75 111,16 -16,37 1,77 85,56 -18,26 2,03 80,49

vv -12,50 1,48 71,39 -10,79 2,24 23,23 -12,41 1,58 61,54

Refined Lee hh -11,94 1,67 51,13 -10,29 2,08 24,26 -11,76 1,75 45,11

hv -11,76 1,75 45,11 -16,43 1,84 78,97 -18,41 2,16 72,46

vh -18,77 1,84 103,74 -16,60 1,83 81,52 -18,52 2,12 75,98

vv -12,76 1,57 65,97 -11,07 2,25 24,13 -12,69 1,69 55,86

Frost hh -11,69 1,62 52,28 -10,01 2,04 23,88 -11,53 1,71 45,41

hv -18,36 1,77 106,75 -16,20 1,81 79,89 -18,12 2,08 75,637

vh -18,50 1,78 107,49 -16,37 1,80 82,48 -18,27 2,07 77,67

vv -12,50 1,51 68,62 -10,80 2,27 22,64 -12,43 1,62 58,37

Media hh -11,61 1,39 68,95 -16,11 1,64 96,06 -18,18 1,87 93,60

hv -9,90 1,91 26,62 -18,04 1,90 90,05 -12,41 1,27 95,24

vh -11,45 1,49 58,53 -18,41 1,57 137,65 -10,68 2,16 24,43

vv -18,27 1,56 136,53 -16,28 1,63 99,44 -12,35 1,41 75,92

Al igual que en caso anteriores, la diferenciación de clases no es

precisa, ya que el desvío estándar presente en las clases es

relativamente grande. En el gráfico siguiente (figura 9) se observa

claramente la existencia de una superposición de las clases de bosques.

La diferencia entre los valores de backscattering de las formaciones de



36

bosque y arbustal, puede ser atribuida en parte, a los distintos montos

de biomasa, como también a la presencia de diversos estratos.

Figura 9: distribución de la frecuencia de las tres clases (en decibel).

A partir de los resultados del pre procesamiento, se selecciona

para este estudio las imágenes COSMO-Skymed modalidad pingpong

con filtro Lee y las imágenes ALOS PALSAR modalidad polarizada con

filtro Lee como las que mayor potencialidad presentan para distinguir

clases dentro de la reserva como también se evalúa la potencialidad de

estas variables para estimar la biomasa.



37

Procesamiento

Estimación de biomasa de un área a partir de una clasificación.

COSMO Skymed modalidad pingpong.

Se realizaron clasificaciones supervisada de la reserva con dichas

imágenes. Las clasificaciónes supervizada fueron realizadas con los

algoritmos de máxima verosimilitud (Maxlike), distancias mínimas

(Minidist) y por el método de paralelepípedos. Los resultados se

observan en la figura 10.

Maxlike minidist paralelepipedo

Clasificación supervisada de la Reserva Chancaní con distintos algoritmos de

clasificación con imagen COSMO Skymed modalidad PingPong (enero 2013).

Referencias: rojo, arbustal, verde, bosque secundario, azul, bosque maduro

Figura 10: Clasificación supervisada de la Reserva Chancaní, con los distintos

algoritmos usando imagen COSMO Skymed modalidad PingPong

Las tres clasificaciones mostraron distintos mapas de cobertura.

Los valores de Kappa fueron muy pequeños en todos los casos, siendo



38

0.23, 0.15 y 0.028 para maxlike, minidist y paralelepípedos

respectivamente. En esta última se observa una sobrevaloración de las

áreas arbustivas en toda la reserva. Estos bajos valores de kappa

concuerdan con los resultados encontrados previamente en el pre-

procesamiento, donde se observó una marcada confusión entre las

clases.

ALOS PALSAR

Clasificación no supervisada

Al realizar la clasificación no supervisada utilizando las

polarizaciones hh, hv, y la razón entre ambas con el algoritmo k-mean

(Fig. 11), se observó un mejor ajuste del mapa de coberturas.

Figura 11: Clasificación no supervisada de la Reserva utilizando las polarizaciones HH,

HV, y la razón HH/HV con COSMO Skymed modalidad Pingpong. Arbustal (verde),

bosque abierto (verde) y bosque maduro (azul).



39

Según esta clasificación, las áreas que ocupan el arbustal, el

bosque secundario y el bosque maduro son de 1088, 1246 y 1480

hectáreas respectivamente.

Clasificación supervisada

Posteriormente se realizaron las clasificaciones supervisadas

utilizando los distintos algoritmos: maxlike, minidist y paralelepípedos

generando tres mapas de cobertura. Se probaron diversas

combinaciones de bandas para dicha clasificación. En la fig 12 se

observa las clasificación producto la unión de las polarizaciones HH, HV,

VH, VV y la razón HH/HV, mediante una ―layerstack‖. Según lo

observado, la clasificación que más se ajusta es la de distancia mínimas

(minidist), el resto sobrevalora una de las clases con respecto a las

demás. Si bien los valores de kappa en la clasificación con ALOS PALSAR

fueron más elevado que con la clasificación de COSMO SkyMed

modalidad pingpong, aun dichos valores son considerados bajos, siendo

0.42 (maxlike), 0.59 (minidist) y 0.04 (paralelepípedos). También se

probó la clasificación con los meses de mayo y noviembre (previa

registración), pero dicha clasificación no mostró mejoras relevantes.



40



clasificación con imagen ALOS PALSAR (mayo 2009). Referencias: rojo, arbustal,

verde, bosque secundario, azul, bosque maduro


algoritmos

La clasificación de distancias mínimas, mostró una cobertura del

arbustal de 574 ha, bosque abierto de 1467 y bosque maduro 1775. La

diferencia de esta clasificación supervisada con la anteriormente

realizada con óptico (Iglesias et al-. 2012) fue de un 13 % de diferencia

con el arbustal (514 ha), 5.8 % en el bosque secundario (221 ha) y 7 %

(295 ha). Si bien estas diferencias no fueron muy elevada, hay que

tener en cuenta que el valor de Kappa es relativamente bajo para una

clasificación supervisada.

En la figura 13 se observa la clasificación a partir de la unión de

las polarizaciones HH, HV y las razones HH/HV combinando las

imágenes ALOS PALSAR de noviembre y la imagen HV de COSMO

SKYMED de enero 2013. Este última combinación mejora la clasificación,

siendo los valores de kappa de 0.71, 0.70, y 0.09 para los algorimos

maxlike, minidist y paralelepípedos respectivamente. Este mejor ajuste

a partir de dicha combinación, posiblemente se deba a que ambas



41

bandas penetran a distintas alturas, permitiendo observar distintos

parámetros de la vegetación. La energía del radar de onda corta como la

banda X, presenta una fuerte interacción con la superficie del canopeo,

dispersando la energía a partir de los componentes de escala pequeña

de las copas (hojas y ramas pequeñas). Por el contrario, la energía

radar con longitudes de onda relativamente largas (banda L) penetrará

en el dosel y reflejan a partir de componentes de mayor escala del dosel

(grandes ramas, fuste), y la superficie del terreno (Andersen et al.,

2006). Se considera que esta longitud de onda más larga, interactúan

sólo débilmente con la capa superficial del dosel superficial, ya que pasa

dos veces por ella antes de que la señal se haya registrado en la antena

receptora.



clasificación con imagen COSMO Skymed HV modalidad PingPong (enero 2013) e

imágenes ALOS PALSAR HH HV y HH/HV de los meses de mayo y noviembre.

Referencias: rojo, arbustal, verde, bosque secundario, azul, bosque maduro


algoritmos usando imagen COSMO Skymed modalidad PingPong y ALOS PALSAR

En el caso de la clasificación con distancia mínimas, las áreas

cubiertas por arbustal, bosque secundario y bosque maduro fueron de

434, 1800 y 1529 respectivamente. Teniendo en cuenta los valores de

biomasa de esta área obtenidos de estudios previos (Iglesias et al.,



42

2012) son: 95 Tn*ha-1 para los bosques maduros, 43 Tn*ha-1 para los

bosques abiertos y 19 Tn*ha-1 para los matorrales, el aporte de esta

reserva seria de 145.328, 77.360 y 8.248 toneladas de C, para las

mismas categorías, mostrando un total de 230.936 toneladas de C en la

Reserva, alrededor de 15000 toneladas menos de C que la clasificación

supervisada anterior, sin el aporte de la banda HV de COSMO SkyMed.

Comparando dicha clasificación con la realizada en trabajos

previos con imágenes ópticas, los bosques maduros ocupa una mayor

extensión en la primera. En la clasificación con Landsat 5 del año 2009

del área de estudio, el bosque maduro solo presento 823 ha, los

bosques abiertos fueron la comunidad más abundante con 2188 ha y la

menor diferencia se encontró en la comunidad arbustal donde los

valores alcanzaron 752 ha. Esto podría estar vinculado con una

saturación de la imagen radar.

Clasificación no supervisada con ALOS PALSAR (pol)y COSMO SkyMed

(pp)

Cabe destacar la clara distinción entre el arbustal y las

comunidades boscosas. A diferencia de la realizada solamente con la

imágenes ALOS PALSAR, en esta clasificación se observa una mayor

cobertura del arbustal y una unica cobertura de bosque (figura 14).



43

Figura 14; Clasificación no supervisada con imagen COSMO Skymed modalidad

PingPong y ALOS PALSAR

Relación entre el backscattering y las variables biométricas medidas a

campo

Se analizó la relación del backscattering de cada polarización con

los valores de biomasa, cobertura sobre la línea, valor medio de altura y

valor máximo de altura, a partir de un análisis de correlación de

Pearson. Cada polarización de la imágenes ALOS PALSAR modalidad

polarizada mostró valores relativamente bajos y positivos de

correlación, sin embargo la razón de hh/hv evidenció una alta

correlación negativa (-0.78 para los valores de mayo del 2009 y -0.76

para noviembre del 2009), indicando que a bajos valores de dicha

relación le corresponde mayores los valores de biomasa (Tabla 8).

Por otro lado, se encontró alta correlación entre el coeficiente de

backscattering y la altura media de cada transecta, alcanzando valores

de correlación de 0.89 con la polarización VH. Debido a que la altura es



44

uno de los componentes necesarios para obtener el volumen forestal, es

coherente encontrar dicha fuerte correlación, ya que existen evidencias

de la alta relación entre el volumen y el coeficiente de backscattering

(Santoro et al.,2002, Suzuki et al, 2013). Suziki et al.(2013) encuentra

valores de coeficiente de determinación mayores de 0.8 entre la altura

media y HV y HH en bosques de Alaska. Dicho autor también indica que

los niveles de saturación para esta variable es de 18.8 m y 13.6 para HH

y HV respectivamente, valores de altura media muy per debajos a la

altura máxima encontrada en el área.

También la cobertura vegetal sobre la línea evidenció valores de

correlación mayores a 0.7, para las polarizaciones HH, HV y VH.

Finalmente, la altura máxima del canopeo no evidencio correlación con

el backscattering.

Tabla 8: Correlación de Pearson entre las distintas polarizaciones de ALOS PALSAR de

mayo 2009 y los valores de Carbono (tn/ha) , cobertura, altura media ( H media) y

altura max (H max)

Pearson carbono cob H media H max

hh 0.67 0.75 0.75 0.58

hv 0.54 0.7 0.78 0.53

vh 0.49 0.76 0.89 0.63

vv 0.27 0.46 0.7 0.39

vv/vh 0.21 0.26 0.07 0.2

hh/hv -0.78 -0.53 -0.3 -0.46



45

Teniendo encuentra la alta correlación entre HH/HV y el

backscattering, se generó un mapa del area, considerando 3 rangos de

backscattering y atribuyéndole un valor de biomasa a cada uno (Fig. 9).

Dicha clasificación a modo de árbol de decisión, no generó el mapa de

coberturas esperado. Se observa confusión entre las clases de bosques.

Esto puede deberse a que el mismo valor de backscattering puede

responder a distintas estructuras que por las propiedades dialécticas del

ambiente (por ejemplo humedad del suelo) distintos volúmenes

responden de la misma forma. También puede deberse a una saturación

de la banda L. De acuerdo a este mapa, el área correspondiente a un

promedio de 75 tn de C, ocupan un 1865 hectáreas, las áreas con

alrededor de 40 tn dC, ocupan 345 hectáreas y las áreas con

aproximadamente 15 toneladas de C, posiblemente arbustales, 1490

hectáreas (figura 15). Estos resultados mostraron grandes diferencias

con las clasificaciones antes mencionadas.

Figura 15: Clasificación de los bosques a partir de los rangos de backscattering



46

Frente a este resultado, se analiza la saturación de la banda L con

respecto a la biomasa. En la figura 16, se corrobora que existe una

saturación del coeficiente de backscattering a valores de biomasa por

debajo de los 40 Tn de C (80 Tn de C), para todas las polarizaciones.

HH VV

Biomasa Biomasa

B

K

HV VH

Biomasa Biomasa

BK

Figura 16.: Diagrama de dispersión entre Bimasa y valores de backscattering de

mayo

-13

-12

-11

-10

0 50 100 150

-14

-13

-12

-11

-10

0 50 100 150

-20

-19

-18

-17

-16

0 50 100 150

-20

-19

-18

-17

-16

0 50 100 150



47

Generación de modelo de estimación de biomasa

Con la finalidad de generar un modelo matemático que permita

estimar la biomasa a partir de los valores de backscattering se efectuó

un Análisis de Componentes Principales (PCA). Esto permitió analizar

cuáles son las polarizaciones que más información aportan a la

estimación de la biomasa aérea en la reserva y así reducir el número de

bandas para generar dicho modelo. Como se observa en la figura 17.,

los primeros dos ejes del Análisis de Componentes Principales (ACP)

explicaron el 77.8 % de la varianza total (Fig. 12). El primer

componente principal explicó el 46.2 %, observándose allí que las

variables HH/HV y HH son las que más explican esta separación. Esto

permitió separar las coberturas de menor stock de carbono (izquierda)

de aquellas que presentan valores mayores (derecha). El segundo

componente principal explicó el 31 % de la varianza total, donde la

variable VV y VV/VH, fueron las que mostraron mayor inercia. Si bien se

observa que las muestras con bajo valores de carbono se agrupan

juntas, a partir de los 40 tn/ha (80 Tn de biomasa), no es clara la

diferenciación entre ellas. Lo mismo se observa en el análisis de cluster

utilizando distancia Euclídia (Fig. 18), donde a una distancia del 70%

podemos distinguir dos grupos. El primero con un rango de toneladas de

carbono de 9-18, y el segundo de 26 a 112. Este último grupo, no

muestra un orden jerárquico entre los valores de carbono que presentan

las muestras tomadas previamente a campo, posiblemente a causa de

un efecto de saturación de las bandas.



48

Figura 17: Análisis de componente principales utilizando valores de backscattering

de las imágenes ALOS PALSAR de mayo 2009

Figura 18: Análisis de Cluster o conglomerado utilizando valores de backscattering

de las imágenes ALOS PALSAR de mayo 2009



49

Generación de modelo de estimación de biomasa a partir de ALOS

PALSAR y COSMO Skymed

Del analisis previom se seleccionaron las polarizaciones HH, HV, la

relacion HH/HV de ALOS PALSAR (pol) y HV de COSMO Skymed (pp)

para realizar el analisis discriminante. Dicho analisis arrojo con un 10%

de error en la clasificacion cruzada la siguiente ecuacion que permite

clasificar en 5 clases, suelo desnudo o de poca cobertura (menos a 1

Tn/ha), areas con valores medios de biomasa de 12 Tn*ha -1 , 20 Tn*ha

-1, 50 Tn*ha -1 y 90 Tn*ha -1. La fórmula generada es la siguiente:

F=-24 +11.29*(HH)-6.14(HV)+69.57(HH/HV)

Siendo HH y HV, los valores de backscattering de la imagen ALOS

PALSAR y HH/HV, los valores de la razón entre ambos valores.



50

Figura 19:Biplot de analisis discriminate

En la figura 19. se observa que la cobertura de suelo desnudo se

aleja mucho de las otras coberturas. El resto de las coberturas se

dispusieron en el espacio respetando un orden jerarquico.

A partir de dicho modelo se genera un mapa de las distintas

toneladas de carbono en la Reserva (Figura 20). Si bien existe una

relación entre este mapa y las clasificaciones supervisadas realizadas

anteriormente, no esperamos que esta sea igual, ya que aquí no

clasificamos las distintas coberturas vegetales y le asignamos un valor a

la cobertura, sino que visualizamos directamente las toneladas de

carbono a partir de la relación del backscattering y la biomasa.



51

Figura 20:Mapa de cobertura de Carbono a partir de análisis discriminante

Conclusión

-En general, las imágenes COSMO Skymed por si solas, no son

recomendadas para estimar biomasa, por su dificultad en la

discriminación de las coberturas. Dentro de estas imágenes, fue la

modalidad Pingpong, la que evidenció mayor potencialidad en la

distinción de clases. Sin embargo la clasificación supervisada con dicha

imágen mostró valores bajos de kappa.

- ALOS PALSAR mostró una mejor discriminación de las coberturas. La

diferencia entre las clases arbustal y bosques, no solo se deben a los

montos de biomasa que estas contienen, sino a los distintos estratos

que estos presentan.



52

- Existe una alta correlación negativa entre HH/HV y la biomasa.

También se encontró una fuerte correlación positiva entre las cuatro

polarizaciones y la altura media.

-La combinación de imágenes ALOS PALSAR y COSMO Skymed en la

clasificación supervisada con el algoritmo de distancia mínimas, mostró

altos valores de kappa (0.71)

-Los análisis multivariados mostraron que las variables que mejor

explica la biomasa son la relación entre hh y hv (hh/hv), hh, hv de

imagen ALOS PALSAR y hv de COSMO Skymed (mod pingpong).

-Existe una saturación de la banda L aproximadamente a los 80 tn de

biomasa (40 Tn de C), razón principal que dificulta la estimación de

biomasa.

Para finalizar, se concluye que las imágenes ALOS PALSAR y su

combinación con COSMO-Skymed presentan potencialidad y limitaciones

para la estimación de biomasa. Si bien es necesario un análisis más

detallado, este estudio es el primero que se realiza con esta herramienta

para dicho fin en la región del Chaco semiarido, incorporando valores de

campo como también variables intrínsecas de las comunidades

presentes en la Reserva Natural Chancaní. Una vez ajustado, el modelo

generado podrá extrapolarse a áreas similares dentro de la región del

Chaco arido-semiarido argentino.



53

Referencias

Agenzia Spaziale Italiana (2007). COSMO-SkyMed System Description & User Guide, Doc No: ASI-CSM-ENGRS-093-A. Roma,

Italy: ASI, Agenzia Spaziale Italiana.

Alcaraz-Segura D., Baldi G., Durante P. y Garbulsky M. F. 2008. Análisis de la dinámica temporal del NDVI en áreas protegidas: tres

casos de estudio a distintas escalas espaciales, temporales y de gestión. Ecosistemas 17(3): 108-117.

Alessandría E. Luti R. Karlin U. Sipowicz .1977, Informe solicitado por el poder judicial de la provincial de Cordoba sobre el estado de los

bosques de la futura Reserva provincial Chancani- unpublished Andersen, H.-E., Reutebuch, S. and McGaughey, R. (2006). Active

remote sensing: 43-66 Beaudoin, A., Le Toan, T, Goze, S., Nezry, E., Lopes, A., Mougin,

E.,et.al 1994. Retrieval of forest biomass from SAR data. International Journal of Remote Sensing. Vol. 15. Nº 14. pp. 2777-

2796. Bonino E. E. 2006. Change in carbon pools associated with a land-

use gradient in the dry Chaco, Argentina. Forest ecology and

management 223: 183-189. Bonino E.E and Araujo P. 2005. Structural differences between a

primary and a secondary forest in the Argentine Dry Chaco and management implications Forest Ecology and Management 206:

407–412. Cabido M. R. y Pachá M. J. 2002. Vegetación y flora de la Reserva

Natural Chancaní Gobierno de la Provincia de Córdoba; Agencia Córdoba Ambiente. Sociedad del Estado, Córdoba, Argentina, 50 pp.

Capitanelli, R., 1979. Geomorfología y Clima. In: Miatello, R., Roqué, M., Racagni, T., Oddone, H., Capitanelli, R., et al. (Eds.), Geografía

física de la provincia de Córdoba. Banco Provincia de Córdoba. Buenos Aires, Argentina

Carranza M. L., Cabido M. R., Acosta A. y Páez S. A. 1992. Las comunidades vegetales del Parque Natural Provincial y Reserva

Forestal Natural Chancaní, Provincia de Córdoba. Lilloa 38: 75-92.

Chebez J. C. 2007. Zona Centro: Guía De Las Reservas Naturales De La Argentina. Plaza Edición. Buenos Aires, pp. 98-99

Dobson, M.C., Ulaby, F.T., Ierce, L.E., Sharik, T.L., Bergen, K.M., Kellndorfer, J., Kendra, J.R., Li, E., Lin, Y.C., Nashashibi, A.,

Sarabandi, K., Siqueira, P. 1995. Estimation of Forest Biophysical



54

Characteristics in Northern Michigan with SIR-C/X-SAR. IEEE

Transactions on Geoscience and Remote Sensing. Vol. 33. Nº 4. pp. 877-895.

Dregne H. E. 1991. Global status of desertification. Annals of Arid Zone. 30: 179–185 du Plessis W. P. 1999. Linear regression

relationships between NDVI, vegetation and rainfall in Etosha National Park, Namibia. Journal of Arid Environments 42: 235-260.

Fernandez O. A. and Busso C. A. 1997. Arid and semi-arid rangelands: two thirds of Argentina. Rangeland Desertification Report

No. 200: 41-60. Disponible online en: www.rala.js/radelralaveport/default.htm

Frulla, L.A; Milovich, J.A; Karszenbaum, H.& P. Kandus. 1998. Metodologías de Pre- procesamiento y Procesamiento Utilizadas en el

Tratamiento Cuantitativo de Datos SAR Para el Estudio de Ambientes

en el Bajo Delta del Río Paraná, Argentina. Anais IX Simpósio Brasileiro de Sensoriamento Remoto, Santos, Brasil, INPE: 1075-

1086. Gandía, S., Meliá, J., 1993. La teledetección en el seguimiento de los

fenómenos naturales: Climatología y Desertificación. Curso de postgrado de la Unidad de Teledetección, Departamento de

Termodinámica, Universitat de Valencia, Valencia, España, 409pp. Gasparri, N.I., Parmuchi, M.G., Bono, J., Karszenbaum, H.,

Montenegro, C.L., 2007. Utilidad de imágenes Landsat 7 ETM+ de diferentes fechas para la estimación de biomasa aérea en bosques

subtropicales secos de Argentina. In: XII Congreso de la Asociación Española de Teledetección

Ghasemi N, Sahebi M.R., Mohammadzadeh A . 2011. A review on

biomass estimation methods using synthetic aperture radar data. International Journal of Geomatics and Geosciences 1(4):776-778.

Henderson F.M. and Xia Z. 1998. Radar applications in urban

analysis, settlement detection and population Estimation. Chapter 15 in Principles and Applications of Imaging Radar, Manual of Remote

Sensing, Third Edition, Volume 2, ASPRS, John Wiley and Sons Inc., Toronto.

Henderson, F. M., y Lewis, A. J., 1997, Principles and applications of

Imaging Radar, Manual of Remote sensing, 3era ed, vol. 2. John Wiley &Sons, Inc. EUA, 866 p.

Iglesias M.R. 2010. Evaluación de la vegetación leñosa como depósito de carbono en un gradiente árido – semiárido argentino‖.

Tesis Doctoral. Escuela para graduados de la Facultad de Ciencias Agropecuarias. Universidad Nacional de Córdoba.125 pp.

http://www.rala.js/radelralaveport/default.htm

https://www.researchgate.net/researcher/2006869156_Nafiseh_Ghasemi/

https://www.researchgate.net/researcher/70084649_Ali_Mohammadzadeh/



55

Iglesias MR, Barchuk A, Grilli MP .2012. Carbon storage, community

structure and canopy cover: A comparison along a precipitation gradient. Forest Ecology and Management 265:218-229.

InfoStat, 2008. Manual del usuario. Grupo Infostat. Primera Edición. Editorial Brujas Argentinas. FCA. Universidad Nacional de Córdoba,

Córdoba, Argentina. 334p Illera P., Delgado J. A., Fernández-Manso A. A. y Fernández-Unzuela

A. 1998. Sistema de información geográfica agrometeorológica para el seguimiento de la vegetación en Castilla y León: diseño y primeras

aplicaciones. Revista de teledetección 10: 1-12.Fernández y Busso, 1997

Imhoff, M. (1995). Radar backscatter and biomass saturation: Ramifications for global biomass inventory. IEEE Transactions on

Geoscience and Remote Sensing, 33(2), 511–518.

Keith H., Mackey B. G. and Lindenmayer D. B. 2009. Re-evaluation of forest biomass carbon stocks and lessons from the world’s most

carbon-dense forests. PNAS, 106(28): 11635-11640.. Lobo Areu, A. y Saura Martínez de Toda, S.; (2005). Apoyo de los

sensores ópticos y de radar de apertura sintética a la información forestal; Cuad. Sociedad Española de Ciencias Forestales; 19: 135-

140Luckman, et al, (1997) Lucas R., Armston J., Fairfax R., Fensham R., Accad A., Carreiras,

Kelley J., Peter Bunting P. et al. 2010. An Evaluation of the ALOS PALSAR L-Band Backscatter—Above Ground Biomass Relationship

Queensland, Australia: Impacts of Surface Moisture Condition and Vegetation Structure. EEE Jornal of Selected Topics in Applied Earth

Observations and Remote Sensing, 3 (4):576-593. Luti R., Bertran de Solís M. A., Galera M. F, Muller de Ferreira N., et

al ., 1979. Vegetación. En Vázquez J., Miatello R. y Roqué M. (dirs.)

Geografía Física de la Provincia de Córdoba. Editorial Boldt. Buenos Aires, Argentina, pp. 297-368.

Magnusson, M.; Fransson, J. E S; Eriksson, L. E B; Sandberg, G.; Smith-Jonforsen, G.; Ulander, L. M H, "Estimation of forest stem

volume using ALOS PALSAR satellite images,"Geoscience and Remote Sensing Symposium, 2007. IGARSS 2007. IEEE International , vol.,

no., pp.4343,4346, 23-28 July 2007 doi: 10.1109/IGARSS.2007.4423813

Malagnoux, M. 2007. Arid Land Forests of the World Global Environmental Perspectives. Afforestation and Sustainable Forests as

a Means to Combat Desertification 16–19 April 2007, Jerusalem, Israel. <ftp://ftp.fao.org/docrep/ fao/010/ah836e/ah836e00.pdf>.

Malhi, Y. P. 2002. Forests, carbon and global climate. Philosophical Transactions of the Royal Society of London A , pp 15671591.



56

Maurizio Santoroa M., Asknea J., Smitha G., Franssonb J.E.S. 2002.

Stem volume retrieval in boreal forests from ERS-1/2 interferometry. Remote Sensing of Environment 81 (2002) 19–35

Merino de Miguel, S. & Solana Gutiérrez, J. Estimación de biomasa en masas regulares por medio de imágenes de radar. Escuela Técnica

Superior de Ingenieros de Montes, Universidad Politécnica de Madrid. En http://age.ieg.csic.es/metodos/docs/doc3_5.pdf

Milovich, J. A., & Kandus, P. 1998. 10_212o - Metodologías de Pre-procesamiento y Procesamiento Utilizadas en el Tratamiento

Cuantitativo de Datos SAR Para el Estudio de Ambientes en el Bajo Delta del Río Paraná, Argentina, 1075–1086.

Morel A.C., Fisher J.B. and Malhi Y. 2012. Evaluating the potential to monitor aboveground biomass in forest and oil palm in Sabah,

Malaysia, for 2000–2008 with Landsat ETM+ and ALOS-PALSAR. .

International Journal of Remote Sensing Vol. 33 (11): 3614–3639 Nguyen, N.T. 2010. Estimation and mapping of above ground

biomass for the assessment and mapping of carbon stocks in tropical forest using SAR data : a case study in Afram headwaters forest,

Ghana. Enschede, University of Twente Faculty of Geo-Information and Earth Observation (ITC), 2010.

Padrón E. y Navaro-Cerrillo R. M. 2007. Biomasa aérea en ecosistemas de Prosopis pallida (Humb. and Bonpl. ex Willd.) H. B. K.

usando imágenes Landsat 7 ETM+. Rev. chil. hist. 80(1): 43-53. PALSAR User’s Guide. 2012. 2nd Edition. En:

http://gds.palsar.ersdac.jspacesystems.or.jp/e/guide/pdf/U_Guide_en.pdf visitado 22-05-2013

Paruelo J. M., Piñeiro G., Oyonarte C., Alcaraz D., Cabello J. and Escribano P. 2005. Temporal and spatial patterns of ecosystem

functioning in protected arid areas in southeastern Spain. Applied

Vegetation Science 8: 93-102. Malagnoux M. 2007. Arid Land Forests of the World Global Environmental Perspectives. Afforestation and

Sustainable Forests as a Means to Combat Desertification 16-19 April 2007, Jerusalem, Israel. Consultado el 29 de noviembre del 2009

ftp://ftp.fao.org/docrep/fao/010/ah836e/ah836e00.pdf Rahman M.M. and Sumantyo J.T.S. 2011. Retrieval of tropical forest

biomass information from ALOS PALSAR data, Geocarto International, DOI:10.1080/10106049.2012.710652

Reynolds J. F. and Stafford Smith D.M. 2002. Global Desertification: Do Humans Cause deserts? vol. 88. Dahlem University Press, Berlin,

Germany. Reynolds J. F., Maestre F. T., Huber-Sannwald E., Herrick J. y Kemp

P. R. 2005. Aspectos socioeconómicos y biofísicos de la desertificación. Ecosistemas. 2005/3.

http://gds.palsar.ersdac.jspacesystems.or.jp/e/guide/pdf/U_Guide_en.pdf

http://gds.palsar.ersdac.jspacesystems.or.jp/e/guide/pdf/U_Guide_en.pdf

ftp://ftp.fao.org/docrep/fao/010/ah836e/ah836e00.pdf



57

Rikie Suzuki R., Kim Y, Ishii R., 2013. Sensitivity of the backscatter

intensity of ALOS/PALSAR to the above-ground biomass and other biophysical parameters of boreal forest in Alaska. Polar Science xx

:1-13 Roig F. A., González Loyarte M. M., Abraham E. M., Méndez E., Roig

V. G. and Martínez Carretero E. 1991. Maps of desertification Hazards of Central Western Argentina, (Mendoza Province). Study case. En:

UNEP, "World Atlas of thematic Indicators of Desertification‖, E. Arnold, Londres, 69 pp.

Salvia M. M. 2010. Aporte de la teledetección al estudio del funcionamiento del macrosistema Delta del Paraná : análisis de series

de tiempo y eventos extremos. Tesis doctoral. Universidad de Buenos Aires. Facultad de Ciencias exactas y Naturales. 188pag.

Santoro, M., Askne, J., Smith, G., & Fransson, J. E. S. 2002.

Stemvolumeretrieval in boreal forests with ERS-1/2 interferometry. Remote Sensing of Environment, 81,19−35.

Schreier, G., 1993. Geometrical properties of SAR images. In G. Schreier (ed.), SAR geocoding: Data and Systems: pp. 103-134.

Karlsruhe: Wichmann SRNyDS. 2002. Informe Nacional ―Avances del PAN‖, para la

Convención Internacional de Lucha contra la Desertificación y la Sequía. Inédito.

Torres Guevara J. 2007. Ecosistemas áridos, semiáridos y subhúmedos secos de América Latina: conceptos y recursos

naturales. CIZA- UNALM. Publicado en Internet. Disponible en: http://www.accionporlatierra.cl/accionporlatierra/publico/ftp/archivo-

/zonas_aridas_al_jtorres_mmendoza.pdf Activo agosto 2009. Vázquez Lule A.D. 2012. Exploración de parámetros biofísicos con

series de tiempo de productos Modis y estimación de biomasa con

imágenes radar en los manglares de Laguna Pom Atasta, Campeche y Laguna Brava, Nayarit, Mexico. Tesis en Maestria en Geomatica.

Centro de Investigaciones en Geografía y Geomática ―Ing. Jorge L. Tamayo‖. Mexico. 151 pp.

Verón S. R., Paruelo J. M., and Oesterheld M. 2006. Assessing desertification. Journal of Arid Environments 66: 751–763.

Villagra P. E., Defosse´ G. E., del Valle H. F., Tabeni S., Rostagno M., Cesca E., Abraham E. 2009. Land use and disturbance effects on the

dynamics of natural ecosystems of the Monte Desert: Implications for their management. Journal of Arid Environments 73: 202–211.

Vyjayanthi N, Jha C. S.and Murthy M. S. R.. Forest biomass estimation and forest structure analysis of deciduous forests using

SAR data. RISAT-JEP. Forestry and Ecology Division. LRG, RS & GIS



58

AA. National Remote Sensing Centre. Indian Space Research

Organisation, Hyderabad. 140pp Woomer P. L., Tieszen L. L., Tappan G., Touré A. and Sall M. 2004.

Land use change and terrestrial carbon stocks in Senegal. Journal of Arid Environments 59: 625–642.



59

Anexo

Tabla 1: Valores de media, desvío estándar e Equalnumber of looks para las tres

formaciones vegetales presentes en la Reserva en imagen COSMO skymed con

multilooking de 1 x 1

Figura 1: diferencias entre la media sin aplicación de filtro con multilooking de 1 y los

valores medios filtrados con distintas ventanas para la cobertura arbustal

arbustalal bosque secundario bosque maduro

Mean Stdev enl Mean Stdev enl Mean Stdev enl

ML 1 sin filtro -11,12162 4,702889 5,59250843 -10,482133 4,833281 4,70343603 -10,744297 4,753302 5,10934459

lee 3 -11,146894 3,272601 11,6016998 -10,417864 3,295498 9,99344582 -10,760638 3,336757 10,3998454

5 -11,134766 3,080914 13,0618003 -10,565243 2,99258 12,4642871 -10,6456 3,088658 11,8795679

7 -11,093675 2,783836 15,8804785 -10,705942 2,186267 23,9796795 -10,725075 3,141147 11,6580028

enhanced_lee_3x3 3 -11,121566 1,734761 41,1010188 -10,476321 1,659175 39,8688036 -10,736498 1,783127 36,2544017

5 -11,134766 3,080914 13,0618003 -10,565243 2,99258 12,4642871 -10,6456 3,088658 11,8795679

7 -11,310352 0,705787 256,805862 -10,447761 0,713437 214,454518 -10,687396 0,809517 174,29778

Frost 3 -11,122169 1,760951 39,8918738 -10,468137 1,677384 38,9469814 -10,735972 1,803111 35,4517612

5 -11,192442 1,097758 103,95287 -10,587846 1,024644 106,774914 -10,70213 1,114583 92,1967505

7 -11,310352 0,705 257,379533 -10,447761 0,713437 214,454518 -10,687396 0,809517 174,29778

enhanced_frost_3x3 3 -11,121566 1,734761 41,1010188 -10,476321 1,659175 39,8688036 -10,736498 1,783127 36,2544017

5 -11,194645 1,073072 108,833583 -10,586271 1,006626 110,598625 -10,705575 1,093715 95,8101809

7 -11,121566 1,734761 41,1010188 -10,476321 1,659175 39,8688036 -10,736498 1,783127 36,2544017

gamma 3 -11,090719 1,836728 36,4610953 -10,461912 1,711635 37,3593927 -10,734298 1,789528 35,9807573

5 -11,194645 1,073072 108,833583 -10,586271 1,006626 110,598625 -10,705575 1,093715 95,8101809

7 -11,310352 0,705787 256,805862 -10,447761 0,713437 214,454518 -10,687396 0,809517 174,29778



60


valores medios filtrados con distintas ventanas para la cobertura bosque secundario


valores medios filtrados con distintas ventanas para la cobertura bosque maduro



61

Tabla 2: Valores de media, desvío estándar e Equalnumber of looks para las tres

formaciones vegetales presentes en la Reserva en imagen COSMO Skymed con

multilooking de 3 x 3

0


valores medios filtrados con distintas ventanas para la cobertura arbustal

arbustal Bosque secundario Bosque maduro

Ventana media DS EqnL media DS EqnL media DS EqnL

-9,926296 2,477173 16,0569024 -9,148617 2,423695 14,2480345 -9,493389 2,541247 13,9556091

3 -9,922197 1,831434 29,3516923 -9,138833 1,752525 27,1927443 -9,4895 1,934359 24,0664761

5 -9,925269 1,536271 41,73966 -9,138032 1,453463 39,5273217 -9,493358 1,648806 33,1513027

7 -9,926781 1,437586 47,6814235 -9,135784 1,356924 45,3294655 -9,494404 1,543435 37,8406621

3 -9,926565 1,389686 51,0228386 -9,141446 1,250043 53,478583 -9,605708 1,598871 36,093742

5 -9,927041 0,989 100,750462 -9,131866 0,816987 124,936337 -9,497737 1,116947 72,3061349

7 -9,928498 0,817158 147,623342 -9,12467 0,612923 221,626913 -9,498079 0,946599 100,679134

3 -9,92535 1,396432 50,5186895 -9,139358 1,260973 52,5315002 -9,494205 1,513528 39,3492347

5 -9,926313 0,995112 99,5020444 -9,130764 8,2614E-07 1,2215E+14 -9,496456 1,123726 71,4171084

7 -9,927785 0,821523 146,037797 -9,124264 0,621273 215,690355 -9,497065 0,952736 99,3650532

3 -9,926565 1,389686 51,0228386 -9,141446 1,250043 53,478583 -9,49577 1,505686 39,773293

5 -9,927041 0,989664 100,615314 -9,131866 0,816987 124,936337 -9,497737 1,116947 72,3061349

7 -9,928498 0,817158 147,623342 -9,12467 0,612923 221,626913 -9,498079 0,946599 100,679134

3 -9,926565 1,389686 51,0228386 -9,141446 1,250043 53,478583 -9,49577 1,505686 39,773293

5 -9,927041 0,989664 100,615314 -9,131866 0,816987 124,936337 -9,497737 1,116947 72,3061349

7 -9,928498 0,817158 147,623342 -9,12467 0,612923 221,626913 -9,498079 0,946599 100,679134



62


valores medios filtrados con distintas ventanas para la cobertura bosque secundario


valores medios filtrados con distintas ventanas para la cobertura bosque maduro

Documents

Utilización de SAR para la estimación de biomasa forestal ...aulavirtual.ig.conae.gov.ar/moodle/pluginfile.php/513/mod_page/... · backscattering de las imágenes ALOS PALSAR de