Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
Revista Latinoamericana el Ambiente y las Ciencias 8(18): 26-40 2017
26
1 Estimación del carbono orgánico en suelos por teledetección y modelos de regresión.
Estimation of organic carbon in soils by remote sensing and regression models.
1Gladys Linares-Fleites, 2María Guadalupe Tenorio-Arvide, 3Edgardo Torres-Trejo y 4Ana Aleyda Oroza Hernández
1Posgrado en Ciencias Ambientales, Instituto de Ciencias. Benemérita Universidad Autónoma de
Puebla. 14 Sur 6301. Ciudad Universitaria. Colonia Jardines de San Manuel, CP 72570. Puebla,
Pue., México. Tel. 222-295500 ext 7558. e-mail: [email protected]
RESUMEN. En la última década se ha dado un impulso a los estudios relacionados con el
almacenamiento del carbono orgánico en suelos (COS), pero aún es un tema abierto a la
investigación. El objetivo del presente trabajo es utilizar datos de teledetección para estimar
el contenido del carbono orgánico en suelo en la región RTP 105: Cuetzalan, definida por la
CONABIO como prioritaria para la conservación. Dado que existen diversos índices para
estimar la cobertura vegetal de un territorio a través de una imagen satelital, se requiere
utilizar modelos de regresión con diferentes predictores obtenidos de la imagen satelital.
Los resultados del Análisis de Regresión Mínimo Cuadrada Ordinaria en dos modelos
diferentes: uno, entre la variable dependiente COS y los predictores obtenidos por los
puntajes del primero y segundo factor del Análisis Factorial de los pixeles de la imagen de
la región y, otro, entre COS y el índices de vegetación NDVI (modelo lineal), apuntan a
que el modelo con las puntaciones de los factores, brinda predicciones más precisas que el
modelo lineal con NDVI.
ABSTRACT. In the last decade, an impulse has been given to studies related to the storage
of organic carbon in soils, but it is still open to research. The objective of the present work
is to use remote sensing data to estimate the organic carbon content in soil in the RTP 105:
Cuetzalan, defined by CONABIO as a priority region for conservation. Since there are
several indices to estimate the vegetation cover of a territory through a satellite image, it is
necessary to use regression models with different predictors obtained from the satellite
image. The results of the Ordinary Least Squares (OLS) Regression in two different
models: one, between the organic carbon in soils as dependent variable and the predictors
obtained by the first and second factor scores of the image pixels of the region and, another,
between organic carbon in soils and NDVI vegetation indices (linear model), suggest that
the model with factor scores provides more accurate predictions than the linear model with
NDVI.
Recibido: Agosto, 2017.
Aprobado: Octubre, 2017
Revista Latinoamericana el Ambiente y las Ciencias 8(18): 26-40 2017
27
Palabras claves: cambio climático, mitigación, secuestro de carbono.
Keywords: climate change, carbon sequestration, mitigation
INTRODUCCIÓN
El incremento actual de la concentración de CO2 atmosférico asociado al cambio climático
pudiera ser parcialmente mitigado por el secuestro de carbono en suelos, principalmente
debido a que el almacén de carbono del suelo constituye el sumidero más grande de
Carbono Orgánico del Suelo (COS) sobre el planeta. En la actualidad se están ideando
nuevas metodologías de investigación y se están utilizando nuevas herramientas de
búsqueda de información. Los instrumentos de teledetección son útiles en estudios de
ecosistemas a gran escala, ya que permiten obtener información de las condiciones
biofísicas de manera más eficaz que las tradicionales mediciones in situ. Una imagen
satelital es una representación visual de la superficie terrestre capturada por un sensor
(dispositivo) montado en un satélite, la cual puede ser utilizada para múltiples propósitos,
entre ellos, el de interpretar las características del territorio tales como la cobertura vegetal.
Por otra parte, los modelos de regresión son de extraordinaria importancia para relacionar
informaciones obtenidas tradicionalmente en el campo y en el laboratorio con información
obtenida a través de imágenes satelitales.
El objetivo del presente trabajo es utilizar datos de teledetección para estimar el contenido
del carbono orgánico en suelo en la región RTP 105: Cuetzalan, definida por la CONABIO
como prioritaria para la conservación y, dado que existen diversos índices para estimar la
cobertura vegetal de un territorio, se requiere comparar modelos de regresión con diferentes
predictores obtenidos de la imagen satelital.
METODOLOGÍA
Revista Latinoamericana el Ambiente y las Ciencias 8(18): 26-40 2017
28
Localización de la zona de estudio
La zona estudiada, se encuentra ubicada en la porción nor-oriental del estado de Puebla,
entre los paralelos 19°43´30´´ y 20°14´54´´ de latitud norte y los meridianos 97°07´42´´ y
97°43´30´´ de longitud occidental y se presentan cubriendo una superficie aproximada de
846 Km2. Dichos suelos son considerados como Andisoles, y son el grupo más
representativo en la Faja Neovolcánica Transmexicana.
En la figura 1 se muestra la localización de la zona, que es considerada Región Terrestre
Prioritaria (RPT 105), dado que en ella existen relictos de vegetación, pastizales, bosque y
selvas, representantes de la vegetación nativa.
Figura 1. Localización de la Región Terrestre Prioritaria 105.
N
N
610000
610000
620000
620000
630000
630000
640000
640000
650000
650000
660000
660000
670000
670000
680000
680000
690000
690000
2170000 2170000
2180000 2180000
2190000 2190000
2200000 2200000
2210000 2210000
2220000 2220000
2230000 2230000
2240000 2240000
Olintla
Ixtepec
Tenampulco
Mazatepec
Cuetzalan del
Progreso
Acatlán
Tetela de Ocampo
Zacapoaxtla
Xochiapulco
Zaragoza
Ocotlán Atempan
Teteles de Ávila Castillo
Gómez
Poniente
Chignautla
San Juan
Xiutetelco
Teziutlán
Tlatlauqui
Revista Latinoamericana el Ambiente y las Ciencias 8(18): 26-40 2017
29
En la RPT 105, sin embargo, la presencia del hombre ha propiciado la introducción de
especies comerciales como son frutales, café, granos de consumo humano, hortalizas y
pastizales para ganado. Los principales tipos de vegetación y uso de suelo representado en
esta región, así como su porcentaje de superficie son:
Agricultura, pecuario y forestal: Actividad que hace uso de los recursos forestales y
ganaderos, puede ser permanente o de temporal y tiene un área aproximada de 78% del área
total.
Bosque mesófilo de montaña: Bosque con vegetación densa, muy húmedos, de clima
templado que representa un área aproximada de 10% del área total y sólo se presenta en
laderas superiores a los 800 m.
Bosque de pino: Bosques predominantes de pino, a pesar de distribuirse en zonas
templadas, son característicos de zonas frías y representa un área aproximada de 7% del
área total.
Sólo el 5% del área total presenta otros tipos de uso de suelo y vegetación
Teledetección
El término Teledetección es una traducción del inglés “Remote Sensing”, y se refiere, no
sólo, a la captación de datos desde el aire o desde el espacio sino también a su posterior
tratamiento. Una definición más formal la describe como la técnica de adquisición y
posterior tratamiento de datos de la superficie terrestre desde sensores instalados en
plataformas espaciales, en virtud de la interacción electromagnética existente entre la Tierra
y el sensor. Los términos plataformas, sensores y canales deben ser bien comprendidos. Un
sensor es el aparato que reúne la tecnología necesaria para captar imágenes a distancia y
que es transportado en una plataforma. Puede captar información para diferentes regiones
del espectro y cada una de estas regiones se denomina canal o banda.
Se realiza el procesamiento digital e interpretación de las imágenes que proceden del
satélite Lansat-5 sensor TM (Thematic Mapper), que proporciona imágenes de 8 bits en 7
bandas espectrales, tres de las cuales son visibles y se reconocen como Banda 1, Banda 2 y
Banda 3 y cuatro infrarrojo, que son la Banda 4, Banda 5, Banda 6 y Banda 7.
Índices de vegetación
El empleo de índices, calculados a partir de la reflectividad en diferentes bandas, que nos
indiquen la abundancia y estado de la vegetación, se basan en el comportamiento reflectivo
peculiar de la vegetación. La signatura espectral característica de la vegetación sana
muestra un fuerte contraste entre la baja reflectividad en el rojo y la alta reflectividad en el
Revista Latinoamericana el Ambiente y las Ciencias 8(18): 26-40 2017
30
infrarrojo. Esta diferencia es tanto mayor cuanto mayor es la densidad de la vegetación y
mejor su estado fitosanitario.
En esta idea se basan la mayor parte de los índices de vegetación. El más conocido es el
Índice Normalizado de Vegetación (NDVI) cuya ecuación es:
𝑁𝐷𝑉𝐼 =(𝐵4 − 𝐵3)
(𝐵4 + 𝐵3)
donde
B4 = Banda 4 de la imagen de Landsat TM (reflectividad en el infrarrojo cercano)
B3 = Banda 3 de la imagen de Landsat TM (reflectividad en el rojo)
Este índice varía entre -1 y 1, lo que facilita su interpretación. Puede señalarse como
umbral crítico para cubiertas vegetales un valor de NDVI de 0.1 y para la vegetación densa
de 0.5. Cualquier valor negativo implica ausencia de vegetación por lo que debieran
reclasificarse a cero (Rouse et al., 1974).
Modelo factorial
En el análisis factorial, la suposición básica es que
𝑋𝑖 = ∑ 𝑙𝑖𝑗 𝑓j + 𝜀𝑖 𝑚𝑗=1 (i = 1… p)
donde fj es el factor común j-ésimo, el número m de tales factores se ha especificado y
donde εi es un error aleatorio que representa la fuente de variación que afecta solamente a
la variable aleatoria (observada) Xi.
En las ecuaciones (1) se asume que las p variables aleatorias εi son independientes entre sí
e independientes de los m factores fj. Usualmente se estandarizan para obligarlas a tener
varianza unitaria. Por conveniencia, y sin pérdida de generalidad, se supone que las medias
de las variables son cero. La varianza de εi, llamada varianza específica de Xi se denota por
ψi. El coeficiente lij se conoce como saturación de Xi sobre fj. En la práctica, las lij y las ψi
son usualmente parámetros desconocidos que se estiman de los datos experimentales.
Existen diferentes métodos de estimación para estos parámetros desconocidos, entre ellos
puede citarse el de máxima verosimilitud, pero también puede utilizarse los componentes
principales como método de extracción de los factores comunes.
Si las ecuaciones (1) se escriben en forma matricial, puede verse que la matriz de varianza
de los errores ψ es una matriz diagonal cuyos elementos diagonales h1, …, hp se acostumbra
a denominarlos comunidades.
Revista Latinoamericana el Ambiente y las Ciencias 8(18): 26-40 2017
31
Una vez que se ha encontrado un conjunto de saturaciones de los factores, el próximo paso
es tratar de interpretarlos de manera que den un resumen significativo de los datos
originales. Estriba aquí, precisamente una de las ventajas del modelo factorial, ya que se
pueden hacer transformaciones convenientes que significan una rotación rígida de los ejes
coordenados del espacio factorial m-dimensional, y que se conocen comúnmente con el
nombre de rotación de los factores. Existen diferentes métodos para la rotación de factores,
uno de ellos, conocido con el nombre de método varimax, persigue el objetivo de eliminar
las saturaciones negativas y describir los datos por tan pocas saturaciones como sea posible.
Esto se realiza maximizando una cierta función de los cuadrados de las saturaciones a
través de un procedimiento iterativo.
Determinación del COS.
En la zona bajo estudio, se realizó una prospección de los suelos y se determinaron
propiedades físico químicas de muestras en sitios que fueron georreferenciados. Aunque
pueden utilizarse tres formas de medición del carbono en suelos, a saber, % de Materia
Orgánica (%M.O.), % de Carbono Orgánico (%C Org.) y Carbono Orgánico en Suelos
(COS), sólo nos referiremos a esta última, la que es definida como:
COS (ton/ha) = %C Org. * Profundidad de la muestra * Densidad de la muestra
La densidad aparente fue obtenida por el método del cilindro y el porcentaje de materia
orgánica por el Método de Walkley y Black.
Regresión mínimo cuadrática ordinaria (OLS)
El modelo de regresión (Linares, 2006) puede escribirse como:
y = 1o + X + (1)
donde,
y es un vector n 1 de observaciones de la variable dependiente,
X es una matriz n p que consiste de n observaciones de las p variables,
0 es un vector p 1 de coeficientes de la regresión (parámetros desconocidos),
es un vector p 1 de coeficientes de la regresión (parámetros desconocidos), y
es un vector n 1 de errores independientes e idénticamente distribuidos con media
cero y varianza 2.
Revista Latinoamericana el Ambiente y las Ciencias 8(18): 26-40 2017
32
Si las variables incluidas en la matriz X y en el vector y están centradas, la ecuación (1)
puede escribirse de manera más simple como:
y = X +
Cuando la matriz X tiene rango completo p, el estimador mínimo cuadrático ordinario
(OLS, por sus siglas en inglés) se obtiene minimizando la suma de cuadrados de los
residuos. Este estimador es un vector de dimensión p 1 cuya expresión es
yXXXOLS
''ˆ1
y brinda estimadores insesgados de los elementos del vector de parámetros desconocidos
del modelo con varianza mínima para alguna función lineal de las observaciones.
RESULTADOS Y DISCUSIÓN
Los resultados que se presentan en cada método fueron obtenidos en MINITAB 15.
La tabla 1 muestra los estadísticos descriptivos más importantes de la variable COS tomada
como respuesta en los modelos considerados. Puede observarse que el coeficiente de
asimetría no sobrepasa el valor 1, luego puede considerarse una variable simétrica y
asumirse normalidad.
Tabla 1. Estadísticos descriptivos de COS
N Media Desv. Est. Mínimo Máximo Coef. Asimetría.
24 39.13 21.44 12.48 87.00 0.68
Análisis factorial
La base de datos empleada en el Análisis Factorial está conformada por siete variables
cuantitativas (bandas) y 18 puntos referenciados. Se utilizó el método de máxima
verosimilitud para obtener los valores y vectores propios de la matriz de correlaciones y se
Revista Latinoamericana el Ambiente y las Ciencias 8(18): 26-40 2017
33
redujeron las siete variables observables a dos nuevas variables “ficticias” (combinaciones
lineales de las originales) con las cuales se explica el 83.116 % de la variación total.
La tabla 2 muestra las saturaciones (coeficientes de las combinaciones lineales) obtenidas
por el método de extracción de máxima verosimilitud y con rotación Varimax.
Adicionalmente, se puede obtener las transformaciones lineales que relacionan los
componentes con las variables, y por lo tanto encontrar el resultado de las dos nuevas
variables “ficticias” para cada registro, con lo cual se podrá utilizar estos valores en análisis
posteriores como la Regresión, ya que estas variables sustituyen las variables iniciales.
Las fórmulas para estas transformaciones lineales son:
F1 = 0.914*Banda1 + 0.881*Banda2 +0.221*Banda3 – 0.851*Banda4 + 0.363*Banda5 +
0.627*Banda6 – 0.006*Banda7
F2 = 0.185*Banda1 + 0.407*Banda2 + 0.904*Banda3 – 0.068*Banda4 +0.849*Banda5 +
0.407*Banda6 + 0.999*Banda7
Tabla 2. Matriz de factores rotadosa
Factor
1 2
Banda1 .914 .185
Banda2 .881 .407
Banda3 .221 .904
Banda4 .851 -.068
Banda5 .363 .849
Banda6 .627 .407
Banda7 -.006 .999
Índices de vegetación
Por otra parte, se determinó el Índice Normalizado de Vegetación (NDVI) utilizando las
bandas 3 y 4, calculado como el cociente de la diferencia entre esas bandas y la suma de las
mismas. Este índice varía entre -1 y 1, lo que facilita su interpretación. Puede señalarse
como umbral crítico para cubiertas vegetales un valor de NDVI de 0.1 y para la vegetación
densa de 0.5. Cualquier valor negativo implica ausencia de vegetación por lo que debieran
reclasificarse a cero.
Revista Latinoamericana el Ambiente y las Ciencias 8(18): 26-40 2017
34
Análisis de Regresión
Finalmente, se realiza el análisis de regresión mínimo cuadrada ordinaria (OLS),
desarrollándose tres modelos: uno, entre la variable dependiente Carbono Orgánico en
Suelos (COS) y los predictores obtenidos por los puntajes del primero y segundo factor y,
otros dos modelos entre COS y el índices de vegetación NDVI (modelo lineal) y el
cuadrado del NDVI (modelo cuadrático).
Estos modelos fueron obtenidos con sólo 16 casos, ya que existían observaciones perdidas.
Modelo 1:
La ecuación de regresión estimada para el primer modelo es:
COSest = 46,8 - 4,04 F1 - 3,92 F2
La prueba F no es significativa, ya que el estadístico F(2, 13) = 0.55 indicó un valor de p
muy alto (p = 0.592), así que este modelo no posee un buen ajuste. Sin embargo, los
gráficos 1 y 2, que se muestran debajo indican que los supuestos de normalidad y
homogeneidad de varianza se cumplen.
Gráfico 1. Gráfico de normalidad para el modelo 1.
Standardized Residual
Pe
rce
nt
3210-1-2-3
99
95
90
80
70
60
50
40
30
20
10
5
1
Normal Probability Plot of the Residuals(response is COS)
Revista Latinoamericana el Ambiente y las Ciencias 8(18): 26-40 2017
35
Gráfico 2. Gráfico de residuos para el modelo 1.
Modelo 2:
La ecuación de regresión estimada del segundo modelo es:
COSest = 43,8 + 12,1 NDVI
En el gráfico 3 se muestra el ajuste de esta ecuación de regresión a los datos.
La prueba F no es significativa, ya que el estadístico F(1, 14) = 0.55 indicó un valor de p
muy alto (p = 0.808), así que este modelo tampoco posee un buen ajuste. Sin embargo, los
gráficos 4 y 5, que se muestran debajo indican que los supuestos de normalidad y
homogeneidad de varianza se cumplen.
Fitted Value
Sta
nd
ard
ize
d R
esid
ua
l
656055504540
2
1
0
-1
-2
Residuals Versus the Fitted Values(response is COS)
Revista Latinoamericana el Ambiente y las Ciencias 8(18): 26-40 2017
36
Gráfico 3: Ecuación de regresión lineal
Gráfico 4. Gráfico de normalidad para el modelo 2.
NDVIpixel2005
CO
S
0,50,40,30,20,10,0
90
80
70
60
50
40
30
20
10
S 22,1175
R-Sq 0,4%
R-Sq(adj) 0,0%
Fitted Line PlotCOS = 43,81 + 12,08 NDVIpixel2005
Standardized Residual
Pe
rce
nt
3210-1-2-3
99
95
90
80
70
60
50
40
30
20
10
5
1
Normal Probability Plot of the Residuals(response is COS)
Revista Latinoamericana el Ambiente y las Ciencias 8(18): 26-40 2017
37
Gráfico 5. Gráfico de residuos para el modelo 2
Modelo 3
La ecuación de regresión rstimada del tercer modelo es:
COSest = 68,17 - 243,3 NDVI + 523,6 NDVI**2
En el gráfico 6 se muestra el ajuste de esta ecuación de regresión cuadrática a los datos
La prueba F no es significativa, ya que el estadístico F(2, 13) = 1,04 indicó un valor de p
muy alto (p = 0,381), así que este modelo tampoco posee un buen ajuste. El análisis de los
residuos que se muestra en el gráfico 7, indican que los supuestos de normalidad y
homogeneidad de varianza no se cumplen.
Fitted Value
Sta
nd
ard
ize
d R
esid
ua
l
50494847464544
2
1
0
-1
-2
Residuals Versus the Fitted Values(response is COS)
Revista Latinoamericana el Ambiente y las Ciencias 8(18): 26-40 2017
38
Gráfico 6: Ecuación de regresión cuadrática
Gráfico 7: Análisis de residuos para la regresión cuadrática
NDVIpixel2005
CO
S
0,50,40,30,20,10,0
90
80
70
60
50
40
30
20
10
S 21,3570
R-Sq 13,8%
R-Sq(adj) 0,5%
Fitted Line PlotCOS = 68,17 - 243,3 NDVIpixel2005
+ 523,6 NDVIpixel2005**2
Standardized Residual
Pe
rce
nt
210-1-2
99
90
50
10
1
Fitted Value
Sta
nd
ard
ize
d R
esid
ua
l
70605040
2
1
0
-1
Standardized Residual
Fre
qu
en
cy
210-1
3
2
1
0
Observation Order
Sta
nd
ard
ize
d R
esid
ua
l
18161412108642
2
1
0
-1
Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
Histogram of the Residuals Residuals Versus the Order of the Data
Residual Plots for COS
Revista Latinoamericana el Ambiente y las Ciencias 8(18): 26-40 2017
39
Se han desarrollado diferentes modelos de regresión para estimar el contenido de COS en
esta región, y aunque estos modelos no presentan un buen ajuste según la prueba F,
permiten contar con una herramienta para explicar y predecir, aproximadamente, el
comportamiento del COS en la región. Seleccionamos los modelos 1 y 2 (puesto que
cumplen los supuestos del modelo lineal) para analizar sus posibilidades de predicción, y
los análisis apuntan a que el modelo con las puntaciones de los factores, brinda
predicciones más precisas que el modelo lineal con NDVI.
CONCLUSIONES
Se ha llevado a cabo un estudio comparativo entre modelos de regresión para la predicción
de COS en la región RTP 105, Cuetzalan, Puebla, México.
En primer lugar, se llevó a cabo un Análisis Factorial de la matriz de pixeles de las 7
bandas, reduciendo la dimensión de siete variables observables a dos “ficticias”, con las
cuales se explica el 83.116% de la variación total del fenómeno estudiado y se logró
obtener los puntajes del primer y segundo factor. Por otra parte, se determinó el Índice
Normalizado de Vegetación (NDVI) utilizando las bandas 3 y 4, calculado como el
cociente de la diferencia entre esas bandas y la suma de las mismas. Posteriormente, se
calcularon tres modelos de regresión, pero sólo se sometieron a comparación los que
cumplieron los supuestos de normalidad y homogeneidad de varianzas.
El modelo con las puntaciones de los factores, brinda predicciones más precisas que el
modelo lineal con NDVI, lo que puede explicarse dado que con el Análisis Factorial se
reduce la dimensión de las siete bandas a dos variables ficticias (factores comunes) que son
combinaciones lineales de las 7 bandas, mientras que en el índice de vegetación NDVI sólo
están presentes dos bandas.
Finalmente, debe destacarse que el aprovechamiento de los recursos naturales que se realiza
en esta región prioritaria para la conservación, se relaciona con actividades forestales,
agrícolas y/o pecuarias, generalmente asociadas a la deforestación, degradación o
transformación del ecosistema, por lo que es gran importancia contar con procedimientos
que permitan estimar de manera los más precisa posible el COS de la región, lo que
coadyuvará a la mitigación del cambio climático.
Revista Latinoamericana el Ambiente y las Ciencias 8(18): 26-40 2017
40
BIBLIOGRAFÍA
Arriaga, L.; J.M. Espinoza; C. Aguilar; E. Martínez; L. Gómez y E. Loa. (2000). Regiones
Terrestres Prioritarias de México. Comisión Nacional para el conocimiento y uso de la
biodiversidad, México.
Chuvieco, E. (2007). Earth Observation and Global Change. Nueva York:
Springer.Geosciences.
Golden Surfer Software. (2002). Surface Mapping System. Golden Software Inc.
Linares Fleites, G. (2006). Análisis de Datos Multivariados. Editorial Benemérita
Universidad Autónoma de Puebla. Facultad de Computación. México. 277p
Martínez, J., Fernández A. y Osnaya P. (2004). Cambio Climático: una visión desde
México. INE-SEMARNAT. México.
MINITAB Release 15 (2005). Statistical Software. Minitab. Inc.
Naciones Unidas a (2014). Protocolo de Kyoto. United Nations Framework Convention on
Climate Change. Recuperado de
http://unfccc.int/portal_espanol/informacion_basica/protocolo_de_kyoto/items/6215.php
Naciones Unidas b (2014). Acuerdo de París. United Nations Framework Convention on
Climate Change. Recuperado de
https://unfccc.int/portal_espanol/essential_background/acuerdodeparis/items/10085.php
Rouse, J.W., Haas, R.H., Schell, J.A., Deering, D.W. and Harlan, J.C., 1974. Monitoring
the vernal advancement of retrogradation of natural vegetation. NASA/GSFC, Type III,
Final Report, Greenbelt, MD, USA, 371 pp.
Torres Trejo, E., Tenorio Arvide, M.G., Linares Fleites, G, Castelán Vega, R. del C.,
Sandoval Solís, M. de L., Peña Moreno, R.D. y Rodríguez Herrera. A. L. (2014). Obtención de índices de vegetación por medio de imágenes de satélite en la región terrestre
prioritaria 105: Cuetzalan, México. Revista Latinoamericana el Ambiente y las Ciencias
4(7):29-43, 2014
Valera Pérez, M. A y Saldaña Munive, J.A. (2011). Región socio económica II Teziutlán,
Puebla. Pp 41-43. En Comisión Nacional para el Conocimiento y Uso de la Biodiversidad
(CONABIO) 2011. La Biodiversidad en Puebla. Estudio de Estado. México. Comisión
Nacional para el Conocimiento y Uso de la Biodiversidad, Gobierno del Estado de Puebla.
Benemérita Universidad Autónoma de Puebla.