Firmas espectrales de especies vegetales, suelo y agua de la cuenca del río Chira, región Piura


Spectral signatures of plant species, soil and water in the Chira river basin, Piura region


Cristhian Aldana1, Wilmer Moncada1, Jhony Gonzales1, Yesenia Saavedra1, David Gálvez1

caldana@unf.edu.pe


RESUMEN

El monitoreo y detección remota va creciendo exponencialmente, especialmente cuando se trata de la dinámica del comportamiento espectral de diferentes objetos situados en la superficie de la tierra; por lo que, dichas observacio- nes permiten comprender diversos fenómenos con información actualizada, sirviendo ello, para tomar decisiones responsables en dicho contexto. Tal es así que, una firma espectral obtenida con el espectrorradiómetro FieldSpec4 permite la identificación mediante sensoramiento remoto de distintos tipos de cobertura de especies vegetales, suelo y agua de la cuenca del río Chira, región Piura. Se elaboró la ubicación geográfica satelital de dicha cuenca utilizando el shape correspondiente, un modelo de elevación digital DEM, SNAP y ENVI; para luego, en función de los patrones espectrales clasificar dichas especies a partir de la construcción de librerías espectrales que contie- nen longitudes de onda desde los 350 nm hasta los 2500 nm con un intervalo de 1 nm, correspondiéndole valores de reflectancia del suelo entre 0 y 1. Finalmente, el procesamiento y presentación de las firmas espectrales recogi- das se procesaron en gabinete, realizando el filtro correspondiente de los datos originales y la aplicación del método de la media móvil, determinado así firmas espectrales de especies vegetales, tales como: Muntingia calabura, Jatropha curcas, Ipomoea carnea la popular borrachera, Inga feuilleei, entre otros; suelo con chamiso, suelo con overal, suelo rocoso, suelo con cadmio, entre otros; y, agua de la cuenca del río Chira, región Piura, medidos con el espectrorradiómetro FieldSpec4, sistematizando así una biblioteca de firmas espectrales, que en futuros trabajos servirían para la obtención o clasificación de mapas de cobertura, uso de suelo entre otros, de diferentes elementos sobre la superficie de la tierra en cualquier zona geográfica de interés.


Palabras clave: Firma espectral, espectrorradiómetro, imagen satelital, cuenca del río Chira, FieldSpec4


ABSTRACT

Monitoring and remote sensing are growing exponentially, especially regarding the dynamics of the spectral behavior of different objects on the earth's surface; therefore, such observations allow understanding of various phenomena with updated information, serving to make responsible decisions in this context. Thus, a spectral signature obtained with the FieldSpec4 spectroradiometer allows the identification by remote sensing of different types of plant species covered, soil, and water in the Chira river basin, Piura region. The geographic satellite location of the watershed was elaborated using the corresponding shape, a DEM digital elevation model, SNAP, and ENVI; then, based on spectral patterns, these species were classified from the construction of spectral libraries containing wavelengths from 350 nm to 2500 nm with an interval of 1 nm, corresponding to ground reflectance values between 0 and 1. Finally, the processing and presentation of the collected spectral signatures were proces- sed in the office, performing the corresponding filtering of the original data and the application of the moving verage method, thus determining spectral signatures of plant species, such as: Muntingia calabura, Jatropha curcas, Ipomoea carnea la popular borrachera, Inga feuilleei, among others; soil with chamiso, soil with overal, rocky soil, soil with cadmium, among others; and, the water of the Chira river basin, Piura region, measured with the spectroradiometer FieldSpec4, thus systematizing a library of spectral signatures, which in future works would


image

1Instituto de Investigación en Desarrollo Sostenible y Cambio Climático – INDESC, Universidad Nacional de Frontera, Sullana, Piura, Perú

serve to obtain or classify maps of land cover, land use among others, of different elements on the surface of the earth in any geographic area of interest.


Keywords: Spectral signature, spectroradiometer, satellite image, Chira river basin, FieldSpec4


  1. INTRODUCCIÓN

    Adami et al. (2018) afirma que, existen diferentes enfoques para monitorear la dinámica de la vegetación, entre ellos, el de uso de series de tiempo de alta calidad de reflectancia superficial MODIS, la cual permite hacer un estudio exhaustivo relacionando la disponibilidad de agua, masa foliar y contenido de clorofila para varios tipos de vegetación, como también, es posible desarrollar sistemas de monitoreo del crecimiento del arroz con cáscara utilizando un espectrorradiómetro de detección remota a baja altitud y a partir de la banda de longitud de onda de un rango ultravioleta o una región infrarroja de onda corta (Han-Ya, Ishii y Noguchi, 2010).


    Asimismo, los patrones espectrales, tales como datos relacionados a la reflectancia espectral son un método alternativo actual que permite determinar propiedades específicas de la superficie de la tierra a partir de una sistematización de datos medidos con el espectrorradiómetro FieldSpec4 (Borole et al., 2019). Adicionalmente a ello, Vasava y Das (2022), sistematizaron una biblioteca espectral utilizando firmas espectrales de suelo a granel y sus fracciones de tamaño agregado con la finalidad de evaluar las diferentes propiedades de dichos elementos del suelo, demostrando que los patrones de reflectancia espectral de diferentes fracciones de tamaño de agregado y su suelo a granel mejoran la precisión de la estimación de las fracciones de textura del suelo en el enfoque de la Espectroscopía de Reflectancia Difusa (DRS, por sus siglas en inglés).

    Similar a lo anteriormente descrito, Van Dijk et al. (2021) investigaron el mapeo de áreas geográficas quemadas utilizando el comportamiento espectral a partir del análisis de la diferencia en la firma espectral entre el área geográfica quemada y los falsos positivos de las cosechas agrícolas mediante datos de imágenes de satélite Senti- nel 2. Para ello utilizaron una significativa gama de índices espectrales de uso común, tales como un índice de separabilidad espectral, evaluando la discriminación entre dichas clases involucradas, concluyendo que, los índices espectrales que contiene la banda roja muestran una fuerte separabilidad similar de los falsos positivos agrícolas.

    Cabe indicar que, las firmas espectrales medidas con el FieldSpec4 se relacionan en cierta medida con imágenes de satélite en sus patrones de reflectancia (Aldana et al., 2020), permitiendo reconocer, clasificar el uso de suelo, agua o especies vegetales mediante diferentes técnicas de teledetección. Al respecto, teniendo en cuenta que la reflectancia espectral es la relación entre el flujo radiante incidente y el reflejado medido desde un objeto o área en longitudes de onda específicas, a diferencia de los valores de radiancia e irradiancia; se puede afirmar que, la reflectancia es una propiedad inherente de un objeto. En consecuencia, la conversión de mediciones de campo y laboratorio de radiación espectral en valores de reflectancia es un requisito frecuente con datos terrestres en apoyo de aplicaciones de teledetección aérea y satelital en las ciencias ambientales y terrestres (Peddle et al., 2001).

    Zhao et al. (2019), utilizando un espectrorradiómetro portátil en condiciones estandarizadas, desarrollaron un método no invasivo de materiales textiles para medir reflectancia tanto de muestras modernas como en materiales arqueológicos, comparando así diversas características espectrales de cuatro (4) tipos de fibras naturales. Para ello, en el rango espectral que cubre el infrarrojo visible y cercano (VNIR) (350–1000 nm), el infrarrojo de onda corta 1 (SWIR1) (1000–1850 nm) y SWIR2 (1850–2500 nm), midieron los espectros de reflexión de cuatro tipos de fibras naturales comúnmente utilizadas en textiles arqueológicos, donde el SWIR2 fue más significativo que VNIR y SWIR1, aplicando el método de discriminación denominado análisis de componentes principales.

    De acuerdo a lo que afirma Aldana et al. (2021), la firma espectral del objeto identifica un conjunto de valores de reflectancia que poseen una determinada longitud de onda medida con el espectrorradiómetro, que se introduce en

    el mosaico de imágenes de satélite determinado utilizando SNAP y ENVI para referenciar una determinada clase, basada en los píxeles con los mismos valores que conforman la imagen de satélite, para luego mapear la zona en estudio con los mismos parámetros que componen las clases buscadas.

    En tal sentido, la metodología propuesta contribuye en la rapidez, repetibilidad, eficiencia, optimización de activi- dades y tareas entre otras ventajas al momento de realizar el monitoreo de la dinámica de los diferentes elementos y sus patrones de comportamiento sobre la superficie de la tierra a lo largo del tiempo (Borrás et al., 2017), generando información relacionada con la descripción del uso, cobertura y tipo de vegetación que componen las áreas geográficas de análisis en la presente investigación, entre otros (Zeferino et al., 2020).


    Los resultados compartidos en los párrafos anteriores evidencian que la investigación del comportamiento espec- tral de objetos utilizando en esta oportunidad un espectrorradiómetro, proporcionan una herramienta poderosa para estudiar en diferentes objetos o elementos una importante cantidad de espectros en un periodo corto de tiempo en forma no destructiva, ni invasiva y rápida; por lo que, basado en dichas prácticas investigativas, la presente investi- gación analizó las firmas espectrales de las especies vegetales, suelo y agua en la zona muestral de la cuenca baja del rio Chira, ubicada en la provincia de Sullana, Región Piura. Las mediciones se realizaron con el espectrorradió- metro “FIELDSPEC4” que tiene un rango de longitud de onda de 350 nm a 2500 nm medidos en anchos de banda de 1 nm. Las firmas espectrales correspondientes a dichos elementos en la superficie de la tierra en la cuenca baja del río Chira en la provincia de Sullana en trabajos futuros se pueden introducir en las imágenes de satélite Sentinel 2, cuya corrección radiométrica y atmosférica se realiza con el uso del paquete Sen2Cor trabajado con el software SNAP y el procesamiento para la obtención de la cobertura de vegetación es posible realizarla mediante el softwa- re ENVI.

    Tal es así que, el reconocimiento de distintos tipos de coberturas vegetales se logra analizando las firmas espectra- les por clasificación, diferenciación numérica y correlación estadística, encontrando patrones espectrales propios de los tipos de vegetación que conforman el píxel de la imagen de satélite en análisis. Además, la complejidad de los problemas ambientales en las cuencas, demanda de conocimientos científicos y tecnológicos que permitan establecer las vulnerabilidades y oportunidades de cada zona, reducir las incertidumbres asociadas al clima y condiciones de resiliencia de dichos ecosistemas y, en base a ello, desarrollar metodologías de seguimiento, análi- sis y evaluación de los elementos biofísicos y biológicos, factores, descriptores e indicadores para la caracteriza- ción de la dinámica espacial de dichos ecosistemas en la adaptación vegetal por ejemplo a la disponibilidad hídrica (Palamuleni et al., 2007).


    Cabe indicar que, la información satelital también responde a parámetros atmosféricos (tales como, precipitación, cobertura de nubes, vapor de agua precipitable y otros) (Jianxi et al., 2017), cobertura de suelos (albedo superficial, índices de vegetación y agua), humedad de suelos y aguas superficiales-subterráneas, donde la información espec- tral de las imágenes Sentinel 2, también han demostrado su utilidad mediante la aplicación de índices biofísicos como el NDVI (en español, Índice de Vegetación de Diferencia Normalizada).


    Finalmente, las firmas espectrales de especies vegetales, suelo y agua medidos con el espectrorradiométro “FieldSpec4” en la cuenca baja del río Chira, Sullana-Piura-Perú, permiten su clasificación de manera precisa y significativa en las imágenes de satélite, especialmente en las Sentinel 2, lo cual contribuiría a sistematizar la información y tomar medidas de gestión efectivas, monitoreando por ejemplo, las condiciones de crecimiento de los cultivos; así como, la formulación de políticas adecuadas, toma de decisiones y procesos de soporte de decisio- nes participativas en la gestión de manera eficiente e integrada de los diferentes recursos existentes, especialmente las especies vegetales, suelo y recurso hídrico de la cuenca del rio Chira, articuladas al cambio climático en la Región Piura.

  2. MATERIALES Y MÉTODOS

    1. Área de estudio

      El presente trabajo de investigación, se enmarca poblacionalmente en la región Piura, ubicada en la zona norte del Perú con coordenadas geográficas UTM Latitud Sur: 463903,64 a 698897,92 y Longitud Oeste: 9295883,14 a 9548747,01, tal como, se puede observar en la figura 1.


      Figura 1

      Mapa de la ubicación geográfica de la región Piura


      image


      Posee un área de superficie de 35 892,49 km2 y un área de superficie insular de 1,32 km2, representa el 2,8% del territorio nacional, además de una línea de costa de 392,43 km de largo. Por el norte, limita con Tumbes y la República del Ecuador; por el este, con Cajamarca y Ecuador; por el sur, con Lambayeque; por el oeste, con el Océano Pacífico. Debido a su proximidad con la línea ecuatorial, la temperatura promedio es 26 °C, presenta características de clima tropical en zona yunga y de sabana tropical a nivel del mar, o seco tropical o bosque seco ecuatorial. Puede llegar a alcanzar una temperatura máxima de 40 °C y mínima de 15 °C.


      En la zona costera sur que colinda con Lambayeque, su clima suele ser semi desértico. Por otro lado, la sierra piurana tiene un clima húmedo subtropical y templado con un promedio anual de 15 °C.


      Políticamente, la región Piura está dividida en 8 provincias y 64 distritos, siendo su capital la ciudad de Piura, se encuentran a diferentes altitudes siendo Ayabaca la de mayor altitud y Paita la de menor, asimismo, Sechura posee una mayor superficie y Paita la menor. Gran parte del territorio de la Región Piura se encuentra localizado en la llanura costera (60 %) y otra dentro de la cadena andina (40 %), lo cual le confiere una fisiografía muy heterogénea con paisajes y ecosistemas diversos.


      Asimismo, en la provincia de Sullana en la región Piura, la zona muestral de estudio fue la Cuenca del río Chira, cuya ubicación geográfica corresponde entre los paralelos 03º40’28” y 05º07’06” de la latitud sur, y los meridianos 80º46’11” y 79º07’52” de longitud oeste. Limita por el Norte con la cuenca del río Puyango, por el Sur con las cuencas de los ríos Piura y Huancabamba, por el Este con las cuencas de Zamora y Chinchipe (Ecuador) y por el Oeste con el Océano Pacífico, tal como se muestra en la figura 2.

      Figura 2

      Ubicación geográfica de la Cuenca Chira, región Piura


      image


      El Chira es un río internacional, y su cuenca tiene un área de drenaje superficial de 19 095 km2 hasta su desembocadura en el mar; de los cuales 7 162 km2 están dentro de territorio ecuatoriano y 11 933 km2 dentro del territorio peruano. Su cuenca húmeda es de aproximadamente 9500 km2.

      El río nace en la Cordillera Occidental de los Andes a más de 3000 ms.n.m. con el nombre de Catamayo, y después de recorrer 150 km se une con el río Macará donde toma el nombre de río Chira, recorre 50 km. sirviendo de límite entre Perú y Ecuador hasta encontrarse con el río Alamor continuando en la dirección Suroeste en territorio peruano hasta su desembocadura en el mar después de haber recorrido 300 km. aproximadamente, tal como se muestra en la figura 3.


      Figura 3

      Ubicación geográfica de principales ríos y quebradas en la Cuenca Chira, región Piura


      image

      Sus principales afluentes son: por la margen izquierda los ríos Macará, Quiroz y Chipillico y por la margen derecha el río Alamor y varias quebradas como Hawai, Venados y Samán.

      En la Región Piura, se pueden identificar diferentes áreas geográficas, donde se encuentran especies forestales tales como el sapote, el algarrobo, el hualtaco, el palo santo, entre otros. Las especies de flora

      y fauna silvestre por ejemplo del bosque seco se adaptan a condiciones adversas, que por un lado los hace resis- tentes a las épocas de sequía y por el otro aprovechan la abundancia de la humedad para crecer y desarrollarse.


      2.2. Datos espectrales de alta resolución: espectrorradiómetro FieldSpec4 Hi-Res

      El FieldSpec4 Hi-Res es un espectrorradiómetro de alta resolución diseñado para mediciones de datos espectrales más rápidas y precisas para una amplia gama de aplicaciones de teledetección.

      La resolución espectral SWIR VNIR de 8 nm del espectrorradiómetro FieldSpec4 Hi-Res proporciona un rendimiento espectral superior en todo el espectro de irradiancia solar (350-2500 nm). La resolución espectral mejorada en el rango SWIR (1000-2500 nm) es particularmente útil para detectar e identificar compuestos con características espectrales estrechas en las longitudes de onda más largas, como la mineralogía de alteración y los gases para el análisis atmosférico.


      Además, la resolución de 8 nm cumple o supera la resolución espectral de la mayoría de los sensores hiperespectrales, lo que hace que el espectrorradiómetro FieldSpec4 Hi-Res sea una elección excelente para la validación y calibración de sensores, así como para la verificación en tierra y la construcción de bibliotecas espectrales. Al igual que todos los espectrorradiómetros ASD FieldSpec, el FieldSpec4Hi-Res se puede utilizar como un espectrómetro de alta resolución para mediciones de reflectancia de contacto muy precisas (ASD Inc., 2017), ver figura 4.


      Figura 4

      Espectrorradiómetro FieldSpec4 – ASD Inc


      image


      Los sistemas ASD se utilizan para determinar el estado fisiológico de la planta, incluido el estado de la enfermedad, el estado nutricional relacionado con la absorción de nitrógeno y el equilibrio de humedad. Las mediciones del dosel de la planta o las mediciones individuales de la hoja se pueden hacer utilizando espectrómetros ASD.


      Se han utilizado una variedad de enfoques de análisis para determinar los indicadores de salud vegetal relevantes. Los índices vegetativos, los modelos predictivos multivariables y los modelos de clasificación multi- variante se han utilizado con éxito. Los datos espectrales se pueden obtener ya sea bajo iluminación solar o con fuentes de luz artificial. La flexibilidad de los accesorios de muestra proporcionados por los sistemas ASD permite a los investigadores recopilar datos relevantes para sus proyectos.


      La figura 5 muestra las especificaciones técnicas del espectrorradiómetro FieldSpec4 Standard-Res, donde se resalta que el rango espectral es desde 350 nm hasta 2500 nm con un ancho de banda de 1 nm, además es posible medir valores de reflectancia, radiancia, transmitancia y absortancia.

      Figura 5

      Especificaciones técnicas del espectrorradiómetro FieldSpec4 – ASD Inc.


      Referencia

      Especificaciones

      Resolución Espectral

      3 nm en VINR

      10 nm en SWIR

      Rango Espectral

      350 nm - 25000 nm


      VINR: 350 nm - 1000 nm


      SWIR 1: 1001 - 1800 nm


      SWIR 2: 1801 - 2500 nm

      Muestra Espectral (Ancho de Banda)

      1 nm desde 350 a 2500 nm

      Temperatura de operación

      0 a 40°C

      Fores Optics (lentes)

      1° grado

      5° grado

      10° grado

      Formato de exportación

      ASCII

      Datos que puede medir

      ND (Número digital)


      Reflectancia


      Transmitancia


      Radiancia


      Absorción

      Dimensiones

      Altura: 12.7 cm

      Ancho: 36.8 cm

      Largo: 29.2 cm

      Peso

      5.44 kg


      La figura 6 muestra una ilustración esquemática del uso técnico del espectrorradiómetro FieldSpec 4, donde una de las recomendaciones para una buena medición es que la posición de la pistola debe apuntar de manera vertical hacia abajo y a una altura determinada según el área a medir la misma que depende del ángulo de la lente utilizada.


      Figura 6

      Ilustración esquemática de una medición con el espectrorradiómetro FieldSpec4 y el uso del fore optics o FOV (Field of View)


      image


      La siguiente fórmula permite medir un área determinada, dependiendo del ángulo en grados de la lente y de la altura desde la cual se sujeta la pistola:

      2

      A= π (tanαd)2

        1. Firmas Espectrales

          El reconocimiento y caracterización de tipos de coberturas se puede lograr analizando las firmas espec- trales por clasificación, diferenciación numérica y correlación estadística, encontrando patrones espectrales propios de los tipos de vegetación que conforman el píxel de la imagen de satélite en análisis; lo cual permite la rapidez, repetibilidad, eficiencia, optimización de recursos económicos entre otras ventajas al momento de realizar el monitoreo del cambio a lo largo del tiempo de la descripción del uso, cobertura y tipo devegetación que componen las áreas geográficas en evaluación.


          Actualmente, a nivel nacional, regional y local se viene generando información relacionada con la gestión de recursos hídricos y cobertura vegetal, dado que no se cuenta con librerías espectrales históricas y de imágenes satelitales que puedan ser utilizadas por diversos usuarios potenciales relacionadas con el comportamiento espectral de la vegetación. Tal es así que la dinámica actual de la cobertura de la tierra, uso de la tierra, detección de cambios, mapeo de variables geofísicas para índice de área foliar, contenido de clorofila foliar, contenido de agua en hojas entre otras tiene un estudio limitado en esta zona geográfica, por lo que, se hace necesario ampliar dichos estudios a parámetros específicos que permitan posteriomente formulación de políticas, la toma de decisiones y los procesos de soporte a las decisiones participativas, en la gestión de manera eficiente e integrada de los recursos hídricos en las cuencas hidrográficas articu- ladas al cambio climático en la región Piura, especialmente en humedales y bosques secos de la cuenca baja del río Chira, Sullana-Piura-Perú.


          Poder contar con patrones de reflectancia espectral de referencia es fundamental para lograr resultados confiables cuando se trabaja con imágenes multiespectrales o hiperespectrales, provenientes de sensores remotos. Tradicionalmente, se usa el término “verdad de terreno” para referirse a datos colectados en terreno que son usados como referencia para identificar patrones similares en la imagen. En general, estos datos de referencia se pueden usar para:


          image

          . Asistir las labores de interpretación y análisis de los datos de sensores remotos.

          image

          . Calibrar instrumentos de teledetección.

          image

          . Verificar información extraída de datos tele detectados.


          Una de las formas más usadas para obtener datos de patrones espectrales referenciales es efectuar mediciones de especies vegetales, suelo y agua en superficies de interés. En la práctica, este trabajo puede efectuarse en condiciones controladas de laboratorio o directamente en el campo usando instrumentos capaces de obtener estos datos en forma instantánea, denominado espectrorradiómetro, o sencillamente radiómetros.


        2. Librerías Espectrales

          Una vez obtenidos los datos de respuesta espectrales es necesario disponerlos ordenadamente en formatos utilizables por otros potenciales usuarios. Esta labor conlleva la creación de librerías espectrales que contienen los datos de firmas espectrales de una gran variedad de materiales y cubiertas terrestres.


          Por ejemplo, la librería espectral de ASTER contiene una compilación de cerca de 2000 firmas espectrales de materiales naturales y hechos por el hombre. Además, incluye datos de otras tres librerías espectrales públicas tales como: Universidad John Hopkins (JHU), Laboratorio de propulsión a reacción de la NASA (Jet Propulsion Laboratory - JPL), y el Servicio Geológico de Estados Unidos (USGS).

          Por otro lado, si se analiza el comportamiento espectral del dosel vegetal, los factores que afectan su reflectividad son la proporción hojas, lignina y el efecto del suelo, la geometría de las hojas y los ángulos de observación de éstas. Como se puede observar, la figura 7 muestra las firmas espectrales para diferentes tipos de especies contenidas en una zona muestral de bosque seco en la cuenca del rio Chira.


          Figura 7

          Firmas espectrales de diferentes tipos de especies vegetales, suelo y agua, contenidas en la cuenca Chira, Región Piura


          image


          En la vegetación el nivel de reflectancia se ve modificado principalmente por factores como: los tipos de pigmentos, estructura de las hojas y el contenido de humedad. El primero afecta a las longitudes de ondas del espectro visible (0,4-0,7μm) donde el 65% es absorbido por la Clorofila, el 29% por la Xantófila y el 6% por Carotenos. La estructura de las hojas (capa esponjosa del mesofilo) a su vez aumenta la reflectividad en la zona del infrarrojo cercano (0,8-1,1μm).

          Finalmente, entre los rangos 1,4-1,8μm (infrarrojo medio) la reflectividad depende del contenido de agua entre y dentro de las células, en condiciones de hidratación normales ambos valles son profundos y marcados, en condiciones de estrés hídrico estos son menos marcados aumentando su reflectividad (Alonso & Moreno, 1996).


        3. Descripción de las actividades realizadas

      Con el fin de cumplir con los resultados planteados dentro de los límites de tiempo y recursos impuestos, la investigación se enfocó dentro de la zona de influencia en la cuenca baja del rio Chira – Piura. La zona escogida es representativa; dado que, contiene amplias áreas andinas con humedales y zonas con similares especies vegetales, suelo y agua, lo que facilita la réplica de los resultados en otras zonas de similares ecosis temas y morfometría. Asimismo, se justificó el establecimiento de dicha área de estudio por sus potenciales sinergias que se pueden establecer con otros proyectos que actualmente se encuen- tran en desarrollo.

      La metodología propuso un proceso de aprendizaje iterativo que involucra el recojo de firmas espectrales de diferentes especies vegetales, suelo y agua, suelo, agua, datos de clima medidos en los trabajos de campo programados, así como validación, exploración y análisis de patrones espectrales. Se emplearon téc- nicas geoestadísticas para el tratamiento de datos obtenidos tanto del espectrorradiómetro FieldSpec 4; así como, de las imágenes de satélite Sentinel 2 que son necesarias para un análisis espectral de las especies vegetales, suelo y agua necesarios orientada a una propuesta de estrategias de monitoreo de cobertura

      de vegetación bosques secos y humedales en la región.

      Entre las técnicas que se utilizaron, tenemos: decodificación de la información de las variables de estudio, mediante las firmas espectrales medidas con el espectroradiómetro “Fieldspec4”, decodificación de la información de las variables de estudio, a partir del uso de las imágenes de satélite Sentinel 2, con el software SNAP y ENVI, análisis documental y de observación en trabajos de campo, análisis de datos con el uso del software, SNAP, ENVI+IDL, Rstudio, QGIS y el respectivo trabajo de gabinete.

      Con un Modelo de Elevación Digital DEM, se clasificó la zona baja, media y alta de la cuenca del río Chira, siendo en la figura 8, la zona de color azul la cuenca baja del río chira.


      Figura 8

      Clasificación de cuenca baja, media y alta del río Chira, región Piura.


      image

      Cabe indicar que, tal como se muestra en la figura 9, se seleccionó la cuenca baja del rio Chira teniendo en cuenta las alturas correspondientes a las 8 regiones naturales del Perú, de acuerdo con la altura de la región costa o chala desde 0 a 500 ms.n.m. el siguiente mapa muestra las zonas de muestreo que han sido visitada para el recojo de las firmas espectrales.


      Figura 9

      image

      Zona muestral cuenca baja del río Chira, región Piura

  3. RESULTADOS Y DISCUSIÓN

    El recojo de las firmas espectrales correspondió a la diversidad de especies vegetales, suelo y agua distribuida de manera espacial en zonas de la cuenca baja del rio Chira y en algunas otras zonas de la región Piura. Los archivos de datos de las firmas espectrales son valores numéricos que contiene su longitud de onda desde los 350 nm hasta los 2500 nm con un intervalo de 1 nm, para lo cual le corresponde valores de reflectancia del suelo entre 0 y 1. En tal sentido, los trabajos de campo programados en las distintas zonas de la cuenca Chira y algunas otras zonas pertenecientes a la región Piura, permitió la recolección de firmas espectrales de especies vegetales, suelo y agua, medidas con el espectrorradiómetro “FieldSpec4”, a partir de la participación de especialistas pertenecientes al equipo de investigación y miembros del Instituto de Investigación para el Desarrollo sostenible y Cambio Climático de la UNF (INDESC-UNF).


    En tal sentido, se presenta el conjunto de especies vegetales, suelo y agua identificada con su firma espectral en la zona muestral, considerando su nombre de identificación común en la zona, posición geográfica, (latitud, longitud, en coordena das UTM), altitud, temperatura ambiente, humedad relativa y temperatura de suelo, tal y como se evidencia en la tabla 1.


    Tabla 1

    Especies vegetales, suelo y agua, identificadas para recogida de firma espectral en la zona muestral cuenca baja del río Chira, región Piura.


    N° Gráfico Zona muestral

    Nombre

    Latitud

    (UTM)

    Longitud

    (UTM)

    Altitud

    (ms.n.m)

    Temperatura

    ambiente (°C)

    Humedad

    relativa (%)

    Temperatura

    de suelo (°C)

    a1


    Bosque Seco

    583708

    9483993

    222

    35

    35

    42.4

    a2


    Cáctus

    594675

    9507583

    316

    40

    32

    38.5

    a3


    Euphorbia

    595348

    9507565

    304

    41

    27

    30.2

    a4


    Chaquiro

    594728

    9507575

    309

    34

    31

    43.7

    a5


    Fabaceae

    594722

    9507582

    310

    39

    27

    39.5

    a6


    Hualtaco

    594670

    9507592

    316

    41

    29

    30.6

    a7


    Frijol de Palo

    595339

    9507547

    304

    43

    26

    31.1

    a8


    Overo

    594732

    9507563

    307

    40

    21

    30.2

    a9


    Papelillo

    594728

    9507575

    309

    34

    31

    43.7

    a10


    Zapote

    594688

    9507593

    315

    40

    28

    33.1

    b1


    Suelo con

    Chamiso

    594674

    9507599

    316

    35

    35

    42.4

    a11

    Comunidad

    Añalque

    595321

    9507561

    304

    40

    43

    30

    a12

    campesina

    Borrachera

    595334

    9507547

    303

    43

    26

    31.1

    a13

    Pampa Larga,

    Cacao

    595321

    9507561

    304

    40

    31

    28.2

    a14

    Alvarados,

    Escoba

    595339

    9507547

    304

    43

    26

    31.1

    a15

    distrito de Suyo,

    Granada

    595348

    9507565

    304

    41

    27

    30.2

    a16

    provincia

    Guaba

    595340

    9507557

    304

    42

    29

    26.9

    a17

    de Ayabaca

    Lima

    595326

    9507574

    304

    45

    25

    31.6

    a18


    Limón Dulce

    595326

    9507574

    304

    45

    25

    31.6

    a19


    Limón Sutil

    595326

    9507574

    304

    45

    25

    31.6

    a20


    Moringa

    595347

    9507574

    304

    40

    28

    31.5

    a21


    Papaya

    595321

    9507561

    303

    41

    31

    33

    a22


    Plátano

    595324

    9507544

    303

    45

    26

    35.9

    a23


    Tabaco

    595347

    9507574

    304

    40

    28

    31.5

    a24


    Tamarindo

    595329

    9507567

    304

    42

    28

    27.8

    a25


    Toronja

    595326

    9507574

    304

    45

    25

    31.6

    a26


    Tuna

    595347

    9507574

    304

    40

    28

    31.5

    q27


    Yuca

    595321

    9507561

    303

    41

    31

    33

    b2


    Suelo

    551142

    9489281

    139

    32

    42

    40.7


    Distrito de

    Suelo con








    b3

    Lancones,

    provincia de

    overal seco 551206 9489270 138 34 40 42

    b4

    Sullana

    Suelo Rocoso

    551270

    9489202

    141

    35

    42

    39.7

    c1 Agua del

    Rio Chira

    516133

    9456738

    33 34

    44 36.6


    N° Gráfico Zona Nombre Latitud Longitud Altitud Temperatura Humedad Temperatura

    muestral (UTM) (UTM) (ms.n.m) ambiente relativa de suelo




    (°C)

    (%)

    (°C)

    Caserío

    b5 Macacará del

    distrito la Huaca,Suelo con Arena 515958

    de Paita


    9456561


    45


    31.6


    30


    50

    Suelo con Arena 515958

    Caserío Pilares

    9456561

    45

    31.6

    30

    50

    del distrito Suelo con 556735

    9503837

    252

    30

    46

    38.6

    provincia


    y vegetación seca


    b7 Lancones, provincia de Sullana

    image

    Caserío Olivares San Fernando,

    b8 distrito de Sullana,

    Provincia de Sullana

    Borrachera


    Suelo salino


    543846


    9449594 44


    30 54


    32.7


    Caserío de Suelo con

    b9 607418

    9489031

    427

    33

    38

    27.1

    del distrito Suelo con

    b10 607424

    9489057

    423

    32

    43

    29

    Provincia de Suelo con

    b11 607413

    9489153

    418

    32

    48

    29.3

    Centro poblado Suelo con 572343

    9453300

    67

    33

    44

    31.8

    Piedra Negra Cadmio 1


    de Paimas, Cadmio 2



    b12 b13

    Ayabaca


    de Locuto, distrito de Tambogrande, Provincia de Piura

    Cadmio 3


    arena


    Suelo quemado


    572330


    9453269 67


    33 45


    42.4

    image


    Es importante resaltar que, las especies vegetales de la Tabla 1, se identificaron con el nombre común que utilizan los pobladores de la zon muestral de estudio; sin embargo, cada una de estas especies vegetales son identificadas con un nombre científico, tales como: algarrobo (Prosopis pallida), angolo (Pithecellobium multi- florum), ceibo (Ceiba trichistandra), faique (Acacia macrantha), frijolillo (Senna spectabilis), hualtaco (Loxop terygium huasango), palo santo (Bursera graveolens), sapote (Colicodendron scabridum), faique (Acacia macracantha), palo verde (Parquinsonia acualeata), grama (Paspalum bonplandianum), cadillo (Cenchrus echinatus), manito de ratón (Coldemia paronychoides), jabonillo (Cucumis dipsaceus), aromo (Acacia huaran- go), charamusco (Encelia canescens), overo (Cordia lutea), bichayo (Capparis ovaleifolia), satuyo (Capparis prisca), margarito (Capparis eucalyptifolia), charán (Caesalpinea paipái), porotillo (Capparis eucalyptifolia), borrachera (Ipomoea carnea), cardo (Armatocereus cartwrigthianus), añalque (Coccoloba ruiziana), guayacán (Tabebuia chrysantha), chaquiro (Pithecellobium excelsum), ceibo (Ceiba trischistandra), pata de vaca (Bauhi- nia aculeata), huarapo (Terminalia valverdae), barbasco (Piscidia carthagenensis), almendro (Geofroea striata), polo (Cochlospermum vitifolium), pego (Pisonia macracantha), entre otras.


    Asimismo, en la figura 10, se puede observar la firma Espectral de cada una de las especies vegetales identifi- cadas y recogidas en la zona muestral cuenca baja del río Chira, región Piura, las cuales se han clasificado consecutivamente desde (a1) hasta (a27).

    Figura 10

    Firma Espectral de especies vegetales identificadas y recogidas en la zona muestral cuenca baja del río Chira, región Piura


    image image

    (a1) (a2)

    image image

    (a3) (a4)

    image image

    (a5) (a6)

    image image

    (a7) (a8)

    image image

    (a9) (a10)

    image image

    (a11) (a12)


    image image

    (a15) (a16)

    image image

    image

    image

    (a17) (a18)


    (a19) (a20)

    image image

    (a21) (a22)

    image image

    (a23) (a24)

    image image

    (a25) (a26)


    image


    En el caso del gráfico (a1), muestra la Firma espectral del bosque seco en la comunidad campesina Pampa Larga, Alvarados, del distrito de Suyo Provincia de Ayabaca. Cabe indicar que, la firma espectral corresponde al barrido de toda la cobertura espacial del suelo conteniendo variedades de vegetación de bosque seco.

    El análisis espectral de las especies vegetales realizado a partir de medidas radiométricas de reflectividad, o firmas espectrales con el espectrorradiómetro FieldSpec4, permiten determinar cobertura espacial y temporal con el uso de imágenes de satélite. Esto es útil para comprender con mayor precisión, la información de datos satelitales, así como la reducción de errores, en relación con la complejidad del terreno y la diferencia de tiempo entre el trabajo de campo y las fechas de adquisición de imágenes de satélite (Aldana et al., 2020).


    Asimismo. la cubierta vegetal es un medio heterogéneo compuesto de hojas, tallos, troncos, suelos, agua, entre otros elementos sobre la superficie de la tierra, todos ellos representados por sus respuestas espectrales respectivas. Además, hay que tener en consideración que las plantas son seres vivos sujetos a cambios estacionales, climáticos e incluso a enfermedades y que estos cambios afectan a su reflectividad. Por estas razones el estudio del comporta- miento espectral de la vegetación es muy complejo.


    De esta manera, se tiene que, la vegetación sana tiene una reflectividad baja en el visible, aunque con un pico en el color verde debido a la clorofila. La reflectividad de la vegetación es muy alta en el infrarrojo próximo debido a la escasa absorción de energía por parte de las plantas en esta banda. En el infrarrojo medio hay una disminución especialmente importante en aquellas longitudes de onda en las que el agua de la planta absorbe la energía.


    Por otro lado, la vegetación enferma presenta una disminución de la reflectividad en las bandas infrarrojas y un incremento en el rojo y azul. Se observa también que, la reflectividad de una planta depende de su contenido en agua. En tal sentido, cuando el contenido de agua aumenta disminuye la reflectividad ya que aumenta la absorción de radiación por parte del agua contenida en la planta.


    Por tal motivo, la construcción de una preliminar base de firmas espectrales de especies vegetales en la región Piura, brinda herramientas preliminares necesarias para la formulación e implementación posterior de un proyecto integral que contenga diferentes fases y componentes orientada a proporcionar datos, tecnología y herramientas de aplicación más reciente que conlleven a mejorar de manera continua y sostenible la gestión y protección de ecosis- temas, por ejemplo, de bosque seco.


    En un enfoque espectral, lo que se ve son esencialmente las huellas dactilares (firma espectral) de los diferentes objetos de estudio, que se pueden utilizar para identificarlos y clasificarlos en las imágenes de satélite, por lo que se podría identificar y clasificar el tipo de vegetación de bosque seco con sus diferentes variabilidades en la región Piura. Una firma espectral es en realidad única para una característica en particular, dado que, se habla de caracte- rísticas ambientales, ello conllevará a que exista variabilidad natural por lo que no será 100% único, pero eso es

    precisamente la que la hace realmente única para una característica particular dentro del rango del visible, NIR y SWIR.Las curvas de reflectancia espectral que se observan en los gráficos desde (a1) hasta (a27) de la figura 10, representa gráficamente el nivel de reflectancia en longitudes de onda discretas; mostrando niveles de absorción, emisión, reflectancia o transmisión de ese objeto para poder clasificarlo dentro de una imagen de satélite según su firma espectral. La complejidad de los problemas ambientales en los ecosistemas de bosques secos, demanda de conocimientos científicos y tecnológicos con alto grado de veracidad que permita establecer las vulnerabilidades y oportunidades características de cada zona, reducir las incertidumbres asociadas al clima y condiciones de resiliencia de dichos ecosistemas. En base a ello, se puede desarrollar metodologías de seguimiento, análisis y evaluación de los elementos biofísicos, parámetros biológicos y bioquímicos, factores, descriptores e indicadores para la caracterización de la dinámica espacial de los ecosistemas en la región y otras áreas geográficas.


    Actualmente, no se cuenta con librerías espectrales históricas y de imágenes de satélite que puedan ser utilizadas por diversos usuarios potenciales relacionadas con el comportamiento espectral de la vegetación. Tal es así que, la dinámica actual de la cobertura de la tierra, uso de la tierra, detección de cambios, mapeo de variables geofísicas para índice de área foliar, contenido de clorofila foliar, contenido de agua en hojas entre otras tiene un estudio limitado; por lo que, se hace necesario ampliar dichos estudios a parámetros específicos que permitan orientar la formulación de políticas, la toma de decisiones y los procesos de soporte a las decisiones participativas, en la gestión de manera eficiente e integrada de recursos hídricos en las cuencas hidrográficas de la región Piura, especialmente en zonas de bosque seco. Con respecto a la firma espectral de suelo identificadas y recogidas en la zona muestral cuenca baja del río Chira, región Piura, se puede observar en los gráficos de la figura 11, que van desde (b1) hasta (b13), se tiene que, en la figura 11, se observa el comportamiento espectral en diferentes escalas del espectro electromagnético que representan a suelos con cadmio, suelo quemado, arena, suelo salino, suelo con vegetación seca, entre otros.

    Figura 11

    Firma Espectral de suelo identificadas y recogidas en la zona muestral cuenca baja del río Chira, región Piura.


    image image

    (b1) (b2)

    image image

    image

    (b3) (b4)

    image

    (b5) (b6)


    image image

    image

    (b7) (b8)

    image

    (b9) (b10)

    image image

    (b11) (b12)

    image

    (b13)


    Finalmente, en lo que respecta a la firma espectral de agua identificada y recogida en la zona muestral cuenca baja del río Chira, región Piura, se puede observar la figura 12, que muestra el comportamiento espectral en diferentes escalas del espectro electromagnético que representa la reflectancia del agua del rio Chira, de tal manera que ello, genere la posibilidad de determinar parámetros de calidad de agua, medidos a través de los sensores remotos empleados.


    La exploración espectral que facilitan los sensores, permite desarrollar técnicas modernas de análisis que conlle- ven a una optimización de los recursos empleados para realizar estas tareas de tomas de muestras y posterior análi- sis en laboratorio.

    Figura 12

    Firma Espectral de agua identificada y recogida en la zona muestral cuenca baja del río Chira, región Piura


    image


    Teniendo en cuenta que, la firma espectral es la medida cuantitativa de las propiedades espectrales de un objeto en una o varias bandas espectrales, conocida también como comportamiento espectral, es importante considerar que, dicho concepto incluye la variabilidad temporal de las signaturas espectrales, así como su variación en función de las condiciones meteorológicas, de las estaciones del año, y de las condiciones de iluminación. Por ello, la respues- ta espectral del agua muestreada en la figura 12, depende principalmente de su pureza y de las diferentes partículas que se puedan encontrar presente en su parte superficial tales como algas, fitoplancton, entre otras.


    Tal es así que, si fuera agua con un alto grado de pureza, sus propiedades de transmisión de la radiación electro- magnética en el espectro visible y de absorción en el infrarrojo serian excelentes. Sin embargo, tal como se muestra en la figura existen importantes caídas de reflectancia en diversas longitudes de onda, especialmente en el infrarro- jo; presentando la reflectancia un pico en el verde que va reduciéndose hasta el infrarrojo.


  4. CONCLUSIONES

Con los resultados obtenidos, se determinó las firmas espectrales de especies vegetales, suelo y agua de la cuenca del río Chira, región Piura, medidos con el espectroradiómetro “FieldSpec4”; reconociendo un conjunto muestral de firmas espectrales de diferentes especies de vegetación ubicadas en diferentes puntos geográficos en la cuenca baja Chira, diferenciando por ejemplo, la firma espectral del algarrobo de Lancones con respecto al algarrobo de Caracucho–Jacanacas, Faical, Morropón; permitiendo ello construir un banco o biblioteca de firmas espectrales, las mismas que pueden ser utilizadas mediante la misma metodología de clasificación para la obtención de mapas de cobertura y uso de suelo en cualquier zona de interés. Asimismo, la falta de reflectividad en el infrarojo permite distinguir entre áreas de tierra y agua tanto en costas como en ríos, lagunas u otros.

Al incrementarse la profundidad del agua la reflectancia desciende, en cualquier longitud de onda. Cuando el agua presenta turbidez, las consecuencias sobre la respuesta espectral van a depender del tipo de partículas en sus- pensión; tal es así que, cuando se trata de fitoplancton, aparecen importantes alteraciones en el verde (aumenta) y en el azul (disminuye).


AGRADECIMIENTOS

El desarrollo y culminación del presente trabajo de investigación fue posible gracias al apoyo técnico, científico, físico y financiero de la Dirección de Gestión de la Investigación de la Universidad Nacional de Frontera, Sullana, Piura, Perú. Asimismo, los autores agradecen al Laboratorio de Teledetección y energías Renovables LABTELER

de la Universidad Nacional de San Cristóbal de Huamanga; Ayacucho, Perú, por su incondicional apoyo para la toma de firmas espectrales con el espectrorradiómetro FieldSpec4.


REFERENCIAS BIBLIOGRÁFICAS

Adami, M., Bernardes, S., Arai, E., Freitas, m., Shimabukuro, y., Espírito-Santo, F., Rudorff, B. y Anderson, L. (2018). Seasonality of vegetation types of South America depicted by moderate resolution imaging spectro radiometer (MODIS) time series, International Journal of Applied Earth Observation and Geoinformation, Volume 69, Pp. 148-163, ISSN 1569-8432. https://doi.org/10.1016/j.jag.2018.02.010


Aldana, C., Revilla, M., Gonzales, J., Saavedra, Y., Moncada, W., & Maicelo, J. (2020). Relación de firmas espec- trales para la identificación de bosque seco en imágenes de satélite Sentinel 2, cuenca baja del río Chira, Región Piura. In Revista de Teledetección (Issue 56, p. 147). Universitat Politecnica de Valencia. https://doi.org/10.4995/raet.2020.14110


Aldana, C., Saavedra, Y., Gonzales, J., Gálvez, D., Palacios, C., Aldana, W., & Moncada, W. (2021). Spatial-tem poral agricultural production of Citrus x limonand Mangifera indica, using spectral signatures and satellite images. In Scientia Agropecuaria (Vol. 12, Issue 4, pp. 557–570). Universidad Nacional de Trujillo. https://doi.org/10.17268/sci.agropecu.2021.060


Alonso, C., & Moreno, V. (1996). Análisis multitemporal de imágenes LANDSAT TM en la cartografía de las masas de hielo y nieve aplicada a la modelización hidrológica. Asociación Española de Teledetección. Disponible en: http://www.aet.org.es/revistas/revista7/AET7_4.pdf


ASD Inc. (2017). FieldSpec 4 Hi-Res High Resolution Spectroradiometer. https://www.asdi.com/products-and- services/fieldspec-spectroradiometers/fieldspec-4-hi-res


Borole*, V. Y., Kulkarni, Dr. S. B., & Bhise, P. R. (2019). Soil Spectral Signature Analysis for Influence of Fertilizers on Two Different Crops in Raver Tahshil. In International Journal of Recent Technology and Engineering (IJRTE) (Vol. 8, Issue 3, pp. 659–663). Blue Eyes Intelligence Engineering and Sciences Engineering and Sciences Publication - BEIESP. https://doi.org/10.35940/ijrte.b2640.098319


Borràs, J., Delegido, J., Pezzola, A., Pereira, M., Morassi, G., & Camps-Valls, G. (2017). Clasificación de usos del suelo a partir de imágenes Sentinel-2. In Revista de Teledetección (Issue 48, p. 55). Universitat Politecnica de Valencia. https://doi.org/10.4995/raet.2017.7133


Han-ya, I., Ishii, K., & Noguchi, N. (2010). Monitoring Rice Growth Environment by Low-altitude Remote Sensing Using Spectroradiometer. In IFAC Proceedings Volumes (Vol. 43, Issue 26, pp. 184–189). Elsevier BV. https://doi.org/10.3182/20101206-3-jp-3009.00032


Jianxi, H., Yuzhuo, H., Wei, S., Junming, L. y Dehai, Z. (2017). Mapping corn and soybean cropped area with GF-1 WFV data[J]. Transactions of the Chinese Society of Agricultural Engineering, 33(7):164-170. DOI:10.11975/j.issn.1002-6819.2017.07.021


Palamuleni, L., Annegarn, H., Kneen, M., & Landmann, T. (2007). Mapping rural savanna woodlands in malawi: a comparison of maximum likelihood and fuzzy classifiers. In 2007 IEEE International Geoscience and

Remote Sensing Symposium. 2007 IEEE International Geoscience and Remote Sensing Symposium. IEEE. https://doi.org/10.1109/igarss.2007.4423035


Peddle, D. R., Peter White, H., Soffer, R. J., Miller, J. R., & LeDrew, E. F. (2001). Reflectance processing of remote sensing spectroradiometer data. In Computers & Geosciences (Vol. 27, Issue 2, pp. 203–213). Elsevier BV. https://doi.org/10.1016/s0098-3004(00)00096-0


Van Dijk, D., Shoaie, S., van Leeuwen, T., & Veraverbeke, S. (2021). Spectral signature analysis of false positive burned area detection from agricultural harvests using Sentinel-2 data. In International Journal of Applied Earth Observation and Geoinformation (Vol. 97, p. 102296). Elsevier BV. https://doi.org/10.1016/j. jag.2021.102296


Vasava, H. B., & Das, B. S. (2022). Assessment of Soil Properties using Spectral Signatures of Bulk Soils and Their Aggregate Size Fractions. In Geoderma (Vol. 417, p. 115837). Elsevier BV. https://doi.org/10.1016/j. geoderma.2022.115837


Zhao, H., Wang, Y., Liu, S., Li, K., & Gao, W. (2019). Spectral reflectance characterization and fiber type discrimi- nation for common natural textile materials using a portable spectroradiometer. In Journal of Archaeologi- cal Science (Vol. 111, p. 105026). Elsevier BV. https://doi.org/10.1016/j.jas.2019.105026


Zeferino, L. B., Souza, L. F. T. de, Amaral, C. H. do, Fernandes Filho, E. I., & Oliveira, T. S. de. (2020). Does environmental data increase the accuracy of land use and land cover classification? In International Journal of Applied Earth Observation and Geoinformation (Vol. 91, p. 102128). Elsevier BV. https://doi.org/10.1016/ j.jag.2020.102128z