Published date: Sep 01 2022

Journal Title: ESPOCH Congresses: The Ecuadorian Journal of S.T.E.A.M.

Issue title: Volume 2, Issue 5

Pages: 1313–1329

DOI: 10.18502/espoch.v2i5.11735

P. Paguay-Soxopaul.paguay@espoch.edu.ecSede Orellana, Escuela Superior Politécnica de Chimborazo(ESPOCH), Coca, Ecuador. EC060155.

S. Logroño NaranjoSede Orellana, Escuela Superior Politécnica de Chimborazo(ESPOCH), Coca, Ecuador. EC060155.

A. Flores OrozcoSede Morona Santiago, Escuela Superior Politécnica de Chimborazo(ESPOCH), Macas, Ecuador. EC060155.

P. Buñay GuisñanFacultad de Ingeniería, Univerisidad Nacional de Chimborazo.(UNACH), Riobamba, Ecuador. EC060108

The objective of this research is to characterize the vegetation cover and meteorological conditions through a multispectral analysis of the Chimborazo Wildlife Production Reserve. The methodology used for this research is the one proposed by Chuvieco, which began with the definition of objectives, bibliographic review of the reserve’s canopy, download of the most appropriate satellite image (without cloud cover), definition of canopy categories, image correction, calculation of spectral indices, supervised classification, adjustments, map generation using GIS tools, and interpretation of the results. Additionally, a National Solar Radiation Database web platform was used to download meteorological data for the year 2020, which were used to characterize the study area; the results were compared with the data acquired in 2017 with a station installed in the reserve. In the end, it was determined that multispectral analysis allows generating data close to a field work study. For the faunal reserve, the following area of established covers were obtained: shrub vegetation 55.8 km2, snow 47.9 km2, eroded zone 125 km2, moor 190 km2, pasture 76 km2 and crops 30.56 km2. Average temperature 5∘C, relative humidity 95.8% and water precipitation 1.37.

Keywords: Remote sensing, vegetation cover characterization, Chimborazo Wildlife Reserve, meteorological data, multispectral analysis, Vegetation Index.

Resumen

La presente investigación tiene como objetivo realizar una caracterización de las cubiertas vegetales y condiciones meteorológicas a través de un análisis multitespectral de la Reserva de Producción Faunística Chimborazo. La metodología que se utilizó para esta investigación es la propuesta por Chuvieco donde se empezó con la definición de objetivos, revisión bibliográfica de las cubiertas de la reserva, descarga de la imagen satelital más adecuada (sin nubosidad), definición de categorías de cubiertas, corrección de imágenes, cálculo de índices espectrales, clasificación supervisada, ajustes, generación de mapas mediante herramientas SIG e interpretación de los resultados. Adicionalmente se utilizó una plataforma web National Solar Radiation Database para la descarga de datos meteorológicos del año 2020 que sirvieron para realizar la caracterización de la zona de estudio, los resultados fueron comparados con los datos adquiridos del año 2017 con una estación instalada en la reserva. Al final se determinó que el análisis multiespectral permite generar datos cercanos a un estudio de trabajo en campo. Para la reserva faunística se obtuvo las siguientes área de las cubiertas establecidas: vegetación arbustiva 55.8 km2, nieve 47.9 km2, zona erosionada 125 km2, páramo 190 km2, pastos 76 km2 y cultivos 30.56 km2. La temperatura media 5∘C, humedad relativa 95.8 % y precipitación de agua 1.37.

Palabras Clave: Sensoramiento Remoto, caracterización de cubiertas vegetales, Reserva Faunística Chimborazo, datos meteorológicos, análisis multiespectral, Indice de vegetación

[1] Pargot M. Metodo inductivo deductivo en tecnicas de teledeteccion. 2013;1–13.

[2] Romero FS. La Teledetección satelital y los sistemas de protección ambiental. 2006;13–41.

[3] Pérez C, Muñoz A. Teledetección: nociones y aplicaciones. 2006. 4 p.

[4] Lo Vecchio A, Lenzano MG, Richiano S, Lenzano LE. Identificación y caracterización litológica mediante el uso del sensor ETM+ (Landsat 7). Caso de estudio: Entorno del glaciar Upsala, Argentina. Rev Teledetec. 2016;2016(46):57–72.

[5] Fullana-Pericàs M, Conesa M, Gago J, Ribas-Carbó M, Galmés J. High-throughput phenotyping of a large tomato collection under water deficit: Combining UAVs’ remote sensing with conventional leaf-level physiologic and agronomic measurements. Agric Water Manag. 2022;260.

[6] Carnevale NJ, Alzugaray C, Di LEo N. Estudio de la deforestación en la Cuña Boscosa santafesina mediante teledetección espacial. Quebracho Rev Ciencias For. 2007;014:47–56.

[7] Caranqui J, Lozano P, Reyes J. Composición y diversidad florística de los páramos en la Reserva de Producción de Fauna Chimborazo, Ecuador. Enfoque UTE. 2016;7(1):33–45.

[8] Dávila M, Vásquez CL, Pomboza P. Primer reporte de Raphanus raphanistrum L. en los páramos de Chimborazo, Ecuador. Idesia. 2017;35(3):93–7.

[9] Chuvieco E, Huete A. Fundamentals of satellite remote sensing. Fundamentals of Satellite Remote Sensing. 2016. 1–419 p.

[10] Pérez González ME, García Rodríguez MP. Aplicaciones de la teledetección en degradación de suelos. Boletín la Asoc Geógrafos Españoles. 2013;(61).

[11] Picone N, Linares S. Propuesta metodológica para la extracción y análisis de densidades urbanas mediante teledetección y SIG. Caso de estudio: ciudadde Tandil, Argentina. Rev Univ Geogr [Internet]. 2014;23(2):77–96. Available from: http://bibliotecadigital.uns.edu.ar/scielo.php?script=sci_arttext&pid=S1852- 42652014002200002&lng=es&nrm=iso

[12] Condori-Luna IJ, Loza-Murguia MG, Mamani-Pati F, Solíz-Valdivia H. Análisis multitemporal de la cobertura boscosa empleando la metodología de teledetección espacial y SIG en la sub-cuenca del río Coroico - provincia Caranavi en los años 1989 - 2014. J Selva Andin Res Soc. 2018;9(1):25–44.

[13] Ruppert G, Hussain M, Müller H. Accuracy Assessment of Satellite Image Classification Depending on Training Sample. Austrian J Stat. 2016;28(4).

[14] ESA. The Sentinel missions [Internet]. Available from: https://www.esa.int/ Applications/Observing_the_Earth/Copernicus/The_Sentinel_missions

[15] Denize J, Hubert-Moy L, Betbeder J, Corgne S, Baudry J, Pottier E. Evaluation of using sentinel-1 and -2 time-series to identifywinter land use in agricultural landscapes. Remote Sens. 2019;11(1).

[16] Zhou L, Zhou W, Chen J, Xu X, Wang Y, Zhuang J, et al. Land surface phenology detections from multi-source remote sensing indices capturing canopy photosynthesis phenology across major land cover types in the Northern Hemisphere. Ecol Indic [Internet]. 2022;135:108579. Available from: https://doi.org/10.1016/j.ecolind.2022.108579

[17] Choudhary K, Shi W, Boori MS, Corgne S. Agriculture Phenology Monitoring Using NDVI Time Series Based on Remote Sensing Satellites: A Case Study of Guangdong, China. Opt Mem Neural Networks (Information Opt. 2019;28(3):204–14.

[18] Wittke S, Yu X, Karjalainen M, Hyyppä J, Puttonen E. Comparison of two-dimensional multitemporal Sentinel-2 data with three-dimensional remote sensing data sources for forest inventory parameter estimation over a boreal forest. Int J Appl Earth Obs Geoinf [Internet]. 2019;76(October 2018):167–78. Available from: https://doi.org/10.1016/j.jag.2018.11.009

[19] Chu Y, Li M, Pedro HTC, Coimbra CFM. A network of sky imagers for spatial solar irradiance assessment. Renew Energy [Internet]. 2022;187:1009–19. Available from: https://doi.org/10.1016/j.renene.2022.01.032

[20] Goto H. Three-dimensionally consistent contour-based network rendered from digital terrain model data. Geomorphology [Internet]. 2021;395:107969. Available from: https://doi.org/10.1016/j.geomorph.2021.107969

[21] Jalal SJ, Musa TA, Ameen TH, Din AHM, Aris WAW, Ebrahim JM. Optimizing the Global Digital Elevation Models (GDEMs) and accuracy of derived DEMs from GPS points for Iraq’s mountainous areas. Geod Geodyn. 2020;11(5):338–49

[22] Hantson S, Chuvieco E, Pons X, Domingo C, Cea C, Moré G, et al. Cadena de pre-procesamiento estándar para las imágenes Landsat del Plan Nacional de Teledetección. Rev Teledetección. 2011;36( January):51–61.

[23] Snevajs H, Charvat K, Onckelet V, Kvapil J, Zadrazil F, Kubickova H, et al. Crop Detection Using Time Series of Sentinel-2 and Sentinel-1 and Existing Land Parcel Information Systems. Remote Sens. 2022;14(5):1–27.

[24] Ge G, Shi Z, Zhu Y, Yang X, Hao Y. Land use/cover classification in an arid desert-oasis mosaic landscape of China using remote sensed imagery: Performance assessment of four machine learning algorithms. Glob Ecol Conserv [Internet]. 2020;22:e00971. Available from: https://doi.org/10.1016/j.gecco.2020.e00971