Optical and radar satellital data for mapping and ... · principalmente del aporte de agua superficial (pre-cipitaciones y descarga de los ríos), y de los ciclos de ... pastizales

Revista de Teledetección. ISSN: 1988-8740. 2009. 31: 35-51 35

Revista de Teledetección. ISSN: 1988-8740. 2009. 31: 35-51

Datos satelitales ópticos y de radar para elmapeo de ambientes en macrosistemas de hu-medal

M. Salvia1, H. Karszenbaum1, P. Kandus2 y F. Grings1

[email protected]

1 Instituto de Astronomía y Física del Espacio (IAFE), Pabellón IAFE. Ciudad Universitaria,

(C1428EHA), Buenos Aires, ARGENTINA.2 Laboratorio de Ecología, Teledetección y Eco-Informática, Instituto de Investigaciones e Ingeniería

Ambiental (3iA), Universidad Nacional de San Martín, Peatonal Belgrano 3563, San Martín, Pcia de

Buenos Aires, Argentina.

Recibido el 28 de agosto de 2008, aceptado el 21 de enero de 2009

RESUMEN

La región del Delta del Río Paraná (Argentina)es un macrosistema de humedales que se ex-tiende a lo largo de los 300 km, finales de laCuenca del Paraná. Con el objetivo de identifi-car diferentes tipos de humedales y estimar laextensión de la última inundación, ocurrida enel verano-otoño de 2007 (enero-junio), se usa-ron datos provenientes de dos sistemas satelita-les de resolución espacial media: El argentinoSACC MMRS (Multispectral Medium Resolu-tion Scanner) en el rango óptico y el de la Agen-cia Espacial Europea (ESA) ENVISAT ASAR(Advanced Synthetic Aperture RADAR) enmodo WS (Wide Swath) en el rango de las mi-croondas. Para la obtención de los mapas temá-ticos generados se realizaron clasificacionesprogresivas no supervisadas sobre las imágenesópticas y diferencia de imágenes en las de radar.Como resultado de este trabajo se obtuvo el pri-mer mapa de tipos fisonómicos de vegetaciónpara la región del delta en toda su extensión y unmapa de inundación durante el más recienteevento del Niño (2007).

PALABRAS CLAVE: Delta del Río Paraná,tipos fisonómicos, inundación, SAC-C, ENVI-SAT ASAR WSM.

ABSTRACT

The Paraná River Delta region (Argentina) is amacrosystem of wetlands that stretches throughthe final 300 km of the Paraná Basin. With theaim of identifying different types of wetland andthe extent of the latest flooding in the region, datafrom two medium resolution satellite systems,the Argentinean SACC MMRS (MultispectralMedium Resolution Scanner) in the optical rangeand the European ESA ENVISAT ASAR (Ad-vanced Synthetic Aperture RADAR) WSM(Wide Swath Mode) in the microwave range,were used. Progressive unsupervised classifica-tions on the optical images and image differenceson SAR images were used to obtain thematicmaps. As a result, we obtained the first map ofdominant physognomic vegetation types for thewhole region, and a map of the latest El Niño flo-oding (2007).

KEYWORDS: Paraná River Delta, fisonomictypes, flooding map, SAC-C, ENVISAT ASARWSM.

Optical and radar satellital data for mapping and

monitoring wetland macrosystems


INTRODUCCIÓN

Una de las características significativas de Sud-américa es la gran extensión de humedales que, con-siderando el área de tierra firme de la biosfera, sonindividual y globalmente, los mas grandes delmundo ocupando mas de un millón de kilómetroscuadrados (Neiff, 1997). En Argentina, estos eco-sistemas ocupan más del 20% de la superficie delpaís (Kandus et al. 2006).El término humedal se utiliza para denominar áreas

que permanecen en condiciones de anegamiento oinundación, o por lo menos con su suelo saturadocon agua, durante considerables períodos de tiempo,en particular durante la estación de crecimiento de lavegetación. Estos ambientes tienen suelos con ras-gos de hidromorfismo y una biota adaptada a lascondiciones de inundación o de alternancia de perí-odos de exceso y déficit hídrico (Mitsch y Gosse-link, 2000).

Los mayores humedales de Sudamérica están aso-ciados con las planicies de inundación de los gran-des ríos (Orinoco, Amazonas y Paraná). Aquelloscorrespondientes al eje Paraná-Paraguay forman elcorredor de humedales fluviales más importante delmundo, desde el Pantanal en Brasil, hasta el Deltadel Río Paraná en Argentina. Además, su emplaza-miento geográfico desde latitudes tropicales hastatempladas le confiere un especial valor desde elpunto de vista de la biodiversidad. De acuerdo aNeiff y Malvarez (2004), los grandes humedales flu-viales de Sudamérica son macrosistemas de exten-sión sub-regional y su presencia y extensión dependeprincipalmente del aporte de agua superficial (pre-cipitaciones y descarga de los ríos), y de los ciclos deinundación-estiaje.

Estos ecosistemas cumplen funciones de gran im-portancia, entre ellas la reserva y purificación deagua, amortiguación de inundaciones, acumulacióny/o exportación de sedimentos, materia orgánica ynutrientes, son sumideros de carbono, sostén de ca-denas tróficas de sistemas vecinos, sostén econó-mico de numerosas poblaciones locales. Ademásson áreas de alta biodiversidad, con importantes re-cursos naturales para el hombre, y sitios aptos paradiversas actividades de turismo y recreación (Kan-dus et al., 2006).

La extensión y dificultad de acceso y tránsito enestos humedales determina una significativa falta deinformación acerca de aspectos básicos sobre biodi-versidad y ecología de estos ecosistemas y en con-secuencia resultan de particular interés los

M. Salvia et al.

relevamientos regionales a partir de datos de senso-res remotos satelitales.

Dadas las características de fragmentación naturaly variabilidad temporal de los macrosistemas de hu-medal, idealmente, un sensor para la caracterizacióny monitoreo de sus procesos debería involucrar altaresolución espacial, alta frecuencia de pasada y unaamplia cobertura geográfica. Estas característicasno están disponibles aún en un único sistema sateli-tal.

Entre las opciones disponibles, el uso de sensoresópticos de baja resolución espacial (NOAA-AVHRR, TERRA-MODIS, etc.) tiene como ventajala cobertura regional debido a su amplia franja debarrido. La principal desventaja de estos sistemases la dificultad en la interpretación de la señal me-dida, debido a que en muchos casos los píxeles re-presentan áreas heterogéneas, con diversascomunidades y coberturas del suelo. Aún así, estossensores resultan ser aptos para identificar los ras-gos estructurales dominantes del paisaje de hume-dales, como grupos fisonómicos dominantes (porejemplo bosques, praderas de plantas acuáticas arrai-gadas, pastizales o cuerpos de agua libre) que dancuenta de su funcionamiento ecológico (Kandus et

al., 2003).Si bien en los sensores de resolución espacial

media, como los correspondientes a la serie LAND-SAT, el problema con los píxeles mixtos es menossignificativo, presentan el problema de no abarcaren una sola escena (franja de barrido: 180x180 km)ni en escenas de la misma órbita, el área correspon-diente a un macrosistema, que suele ser de mas decientos de kilómetros. Esto implica trabajar sobreun mosaico de imágenes de fechas dispares lo quehace más engorrosos los procedimientos para la ge-neración de mapas de uso y cobertura y para los mo-nitoreos regionales regulares. El sistemaSACC-MMRS, por sus características orbitales,tiene una franja de barrido de 360 km y garantiza lacobertura simultánea de la región(http://catalogos.conae.gov.ar/sac_c/especificacio-nes.htm). Si bien tiene una menor resolución espa-cial (175 metros) que el sistema Landsat, en estecaso resulta más adecuado que los sensores a bordodel Terra y el NOAA. A diferencia de los sistemas ópticos, los radares de

apertura sintética (SARs), que operan en las longi-tudes de onda de las microondas, revisten particularinterés para monitorear y mapear la dinámica de in-undación de los humedales (Pope et al., 1997, Ka-sischke et al., 2003, Grings et al., 2006 y 2008). En


distintos tipos de vegetación, la onda transmitida porel radar (de acuerdo a su frecuencia) puede penetraren la vegetación e interactuar con la misma y con elsuelo o el agua debajo de ella. En consecuencia, elcoeficiente de retrodispersión medido, magnitud fí-sica que mide el radar y que da cuenta de las pro-piedades del blanco, depende tanto de la estructurade la vegetación como de la condición del suelo y lapresencia o ausencia de una película de agua (quetiene una constante dieléctrica mucho más alta queel suelo subyacente) altera significativamente laseñal detectada en un humedal (Grings et al., 2005,2006, 2008). El propósito general del presente trabajo es mostrar

la complementariedad de la teledetección óptica yde radar de resolución media en el estudio y moni-toreo de los macrosistemas de humedal sudamerica-nos, ilustrando su uso combinado en el Delta delParaná. Los objetivos entonces son:• Identificar y mapear diferentes tipos de humeda-

les presentes en la región del Delta del Río Paranáen términos de grandes tipos fisonómicos, usandoel sistema óptico argentino SACC-MMRS (de re-solución espacial media)

Datos satelitales ópticos y de radar para el mapeo de ambientes en macrosistemas de humedal

• Determinar la extensión de la última inundaciónocurrida en la región (verano-otoño 2007) usandoel sistema europeo ENVISAT ASAR en modoWide Swath (banda C, resolución espacial media)

• Analizar el alcance de la inundación para cada unode los ambientes identificados.

En este marco, se discute el alcance de estos datospara el relevamiento y monitoreo de los humedales.

ÁREA DE ESTUDIO

La región del Delta del Río Paraná es un macrosis-tema formado por un mosaico de humedales que seextiende a lo largo de los 300 km., finales de lacuenca de ese río, entre los 32º 05’S, 60º 48’ O, alsur de la ciudad de Diamante, Provincia de EntreRíos, y los 34º 29’ S, 58º 30’ O, en las cercanías dela ciudad de Buenos Aires (figura 1). Con una su-perficie aproximada de 17.500 Km2, la región esclave dentro de la cuenca por la oferta de situacionesambientales contrastantes y por la importancia entérminos de los bienes y servicios que ofrece en lasinmediaciones del sector agroindustrial más impor-tante y de mayor densidad poblacional de Argentina.

Figura 1. Región del Delta del Río Paraná, ubicación geográfica y zonificación de la misma (Malvarez, 1997). La des-cripción de las distintas unidades se encuentra en la Tabla 1.


UNIDAD PATRÓN DE PAISAJE RÉGIMEN HIDROLÓGICO VEGETACIÓN

ALagunas no vegetadas y patrón de es-piras de meandro. Albardones altos en

tramos del Paraná

Río Paraná. Inundación estacio-nal.

Albardones y espiras: bosque. Media loma: praderas herbáceas altas.Bajos: praderas de herbáceas acuáticas.

B

Constituido por grandes superficiescubiertas de agua con algunas isletas,que se corresponden a antiguos albar-

dones.

Río Paraná. Inundación estacio-nal.

Isletas: praderas de herbáceas gramini-formes con algunos árboles aislados.

C

Alternancia de cordones arenosos ydepresiones anegables. No presenta la-

gunas permanentes y los cauces sonescasos.

Río Paraná y, hacia el sur, Uru-guay. Los tiempos de permanen-

cia son intermedios.

Cordones: comunidades herbáceo-arbus-tivas con espinillo, seibo y tala.

Depresiones anegables: composición va-riable según condiciones hidrológicas.

D

Zonas inundadas en forma permanentey semipermanente, lagunas que ocu-pan una pequeña extensión y riberas

elevadas.

Río Paraná. Prolongado tiempode permanencia de las aguas.

Albardones: bosques bajos.Media loma: praderas de herbáceas.

EConformado por secuencias de altos y

depresiones

Río Paraná. Tiempos breves depermanencia de agua. Con aguasaltas: gran proporción sin inunda-

ción.

Altos: bosques.Zonas deprimidas: comunidades de her-báceas latifoliadas o de herbáceas grami-

niformes flotantes.

F

Constituido por una extensa planiciecorrespondiente a la Antigua albufera.Se encuentra a mayor altura y se se-para del resto de la región por la ba-

rrera del cordón litoral.

Precipitaciones locales.Pradera de herbáceas graminiformes

bajas sobre las que se encuentran ejem-plares de especies arbóreas.

GConstituido por los antiguos deltas de

los ríos Nogoyá, Cle y Gualeguay.

Ríos Paraná y Gualeguay. Tiem-pos intermedios de permanencia

de agua.

Albardones: bosque con especies típicasde ambientes ribereños.

Media loma: arbustal y bosques bajos.Bajos o bañados: praderas de herbáceas

acuáticas.

HConstituido por la isla Ibicuy. Sector

topográficamente elevado.Río Paraná. Baja frecuencia de

inundaciones.Praderas de graminiformes bajas.

I

Patrón de islas y cauces de distintamagnitud.

Islas: conformadas por albardones pe-rimetrales que rodean áreas deprimi-

das.

Ríos Paraná y Uruguay, mareasdel estuario Del Plata y sudesta-das. Permanencia de agua breve.

Albardones: bosque.Áreas deprimidas: praderas de herbáceas

altas – pajonales o juncales.

Tabla1. Síntesis de las principales características (patrones de paisaje, régimen hidrológico y vegetación) de las unida-des de paisaje del Delta del Paraná (Malvarez, 1997)

Según Malvarez (1997), las fisonomías dominantesen la región corresponden a bosques, pajonales, jun-cales, pastizales y praderas de herbáceas acuáticas.Sin embargo, estas fisonomías se expresan y com-

binan en forma diferente a lo largo de la región con-formando unidades ecológicas distintivas de acuerdoa los patrones de paisaje y el régimen hidrológico(Tabla 1).

M. Salvia et al.


Los bosques ocupan una baja proporción de la su-perficie e incluyen comunidades de bosque fluvialen las unidades A y E, bosques plantados de sauce(Salix sp.) y álamo (Populus sp.) en las unidades I yH y algunos parches de bosques de espinillo (Acacia

caven) y algarrobo (Prosopis sp.) en las unidades Fy C. Los pajonales incluyen comunidades de pajabrava (Scirpus giganteus) en la unidad I, y de Pani-

cum prionitis en las unidades A, B, D. Los juncalescorresponden a comunidades de Schoenoplectus ca-

lifornicus, y se extienden al sur de la unidad D ynorte de la unidad I. Las praderas de herbáceasacuáticas presentan una alta diversidad de especiesgraminoides y latifoliadas, con Panicum grumosum,

Panicum elephantipes y Polygonum hispidum entrelas dominantes. Los pastizales están formados poruna matriz de alta diversidad de gramíneas (Pani-

cum milioides, Stipa hyalina, Hordeum euclaston yotras) con cobertura de suelo y altura variable deacuerdo al grado de pastoreo por ganado vacuno ycon presencia aislada de individuos arbóreos, prin-cipalmente Prosopis sp. y Acacia caven en la uni-dad F.Desde el punto de vista hidrológico, la región pre-

senta un patrón complejo debido a que existen va-rias fuentes de agua con comportamiento distinto:las precipitaciones locales, de régimen estacional, ylos grandes ríos, cuyos regímenes de inundación ac-túan aislada o conjuntamente según la zona de la re-gión de que se trate.

La mayor parte de la región se ve afectada porel régimen hidrológico del río Paraná, que presentaun período de ascenso a partir del mes de septiem-bre, culminando con un máximo en el mes de marzo.Este régimen puede presentar irregularidades inter-anuales considerables y, en años excepcionales, pue-den producirse inundaciones que cubrenenteramente la llanura aluvial, como las ocurridasen los años 1905, 1966 y 1983, 1998 y 2007, aso-ciadas con los eventos ENSO (El Niño/Southern Os-cillation).La porción terminal de la región, aquella que se en-

cuentra en contacto con el estuario del Plata, tam-bién está sometida al régimen micromareal delmismo, con ascensos y descensos diarios de la al-tura del agua que rondan el metro.

Sin embargo, el emplazamiento de numerosasobras de infraestructura de gran magnitud como elPuente Rosario Victoria y enormes endicamientostransformaron los patrones de inundación y circula-ción de las aguas de estos humedales modificandola oferta del recurso hídrico. Por otra parte, en el

marco de la Cuenca del Plata cobran singular interéscomo reguladores y agentes de transformación en laregión los eventos asociados a la variabilidad cli-mática como el fenómeno ENSO (“El Niño/Oscila-ción del Sur”) y el ascenso del nivel medio del mary los cambios en las lluvias y caudales de los cursosy en los patrones de evapotranspiración pronostica-dos en el campo de los escenarios de calentamientoglobal (Barros et al., 2006; IPCC, 2007). Desde el punto de vista socioeconómico, histórica-

mente ha sido un área de relativa marginalidad. Sinembargo, el avance de la frontera agrícola y reem-plazo de pasturas por cultivos produjo el desplaza-miento de una importante fracción de la actividadganadera hacia estos sitios. La radicación de fo-resto-industrias (aglomerados y pasta papel) con-centró la producción maderera, y en su modalidadmás intensiva, junto con la actividad agrícola, im-plican el drenaje del humedal y su posterior “pam-panización”, permitiendo el ingreso también de laganadería. Este proceso de cambio se sustenta no sólo en una

visión de oferta ilimitada y homogénea de recursosnaturales sino también en una percepción estática delos humedales. El urgente intento de rescate de ga-nado de islas, en el verano 2007, como consecuen-cia de la inminente crecida del Paraná debida alevento de variabilidad climática interanual conocidocomo el ENSO, ilustran claramente las graves con-secuencias de la falta de previsión basada en esafalsa perspectiva, y la demanda sectorial al estadode obras de infraestructura, como caminos o puentes,que pueden sumar efectos negativos.

MÉTODOS

Datos satelitales disponibles

Para elaborar el mapa de coberturas de la región seutilizó una imagen SACC MMRS (MultispectralMedium Resolution Scanner) de Path 226, provistapor CONAE (Comisión Nacional de Actividades Es-paciales) por medio de un proyecto de investigación,correspondiente al 22 de diciembre de 2004.

Para obtener un mapa de inundaciones se usarondos imágenes ENVISAT ASAR WSM de polariza-ción horizontal (HH) y pasada descendente provistaspor la Agencia Espacial Europea (ESA, proyecto AO667) correspondientes al 12 de septiembre de 2005(condición normal), y al 26 de marzo de 2007 (con-dición de inundación). De los dos tipos de polariza-ciones disponibles (HH o VV, correspondientes a



campo eléctrico horizontal o vertical respectiva-mente), se optó por imágenes en polarización HH,ya que existen evidencias teóricas y observaciona-les de que el coeficiente de retrodispersión, σ0 HH esmás sensible a cambios de altura del agua debajo dela vegetación (Grings et al., 2006, Towsend y Foster,2002).

Las siguientes tablas presentan las característicasprincipales de los sistemas satelitales usados, el ar-gentino SACC MMRS y el europeo ENVISATASAR.

SACC MMRS

Agencia espacial CONAE

Tipo de sensor Pasivo

Ancho de barrido 360 Km.

Tamaño del píxel 175 m x 175 m.

Tiempo de revisita 9 días

Número de bandas 5

Bandas espectrales

480-500 nm

540-560 nm

630-690 nm

795-835 nm

1550-1700 nm

Resolución espectral 8 bits

Tabla 2. Características de las imágenes SACC MMRS(CONAE, página web http://ggt.conae.gov.ar/sac_c/pro-ducto1.htm)

ENVISAT ASARWSM

Agencia espacial ESA

Tipo de sensor Activo

Longitud de onda 5 cm.

Ancho de barrido 400 Km.

Tamaño del píxel 75m x 75m.

Tiempo de revisita 14 días

Resolución radiométrica 21 ENL

Polarizaciones disponibles HH o VV

Ángulo de incidencia 21-45º

Tabla 3. Características de las imágenes ENVISAT ASARmodo Wide Swath (ESA, Asar Product Specifications).

Preprocesamiento de las imágenes

Imágenes ópticas

Se obtuvo el valor de reflectancia en superficie co-rregida parcialmente por atmósfera de la imagenSACC-MMRS. Se aplicaron los coeficientes de ca-libración y se corrigió por efecto Rayleigh. En elprimer caso se consideraron los parámetros de ga-nancia y offset del sensor provistos por la CONAE.En el segundo se usó el modelo de corrección des-arrollado por Stumpf (1992) para scattering mole-cular (Rayleigh) considerando la variación de losángulos de iluminación solar (azimutal: 0-80º; ceni-tal: 0-65º) y de observación del sensor (azimutal:0-280º; cenital: 0-16º) a lo largo de las imágenes, deacuerdo al ancho de la franja de barrido y extensiónen latitud de las imágenes SACC. Para esto se uti-lizaron los datos de ángulos provistos por laCONAE junto con las imágenes, el programa angu-los.exe (h t tp : / /gg t .conae .gov.ar / sac_c /An-gulosMMRS.htm) , y el programa Cpp1.exe(generado por este grupo de trabajo). El programaangulos.exe, calcula, a partir del día y hora de ad-quisición de la imagen, y el ángulo cenital de obser-vación del sensor, los ángulos de iluminación solary observación del sensor, en formato de archivo detexto. El programa cpp1.exe genera, a partir del ar-chivo de texto resultante en el paso anterior, unaimagen para cada uno de los ángulos solares y deobservación. Estas imágenes se usaron para la co-rrección atmosférica parcial.

No se realizó corrección por aerosoles ya que nohay disponibilidad de datos de concentración de losmismos en el área, y la utilización de los modelosde corrección completa de la atmósfera exige cono-cer las propiedades ópticas de la atmósfera en el mo-mento de adquisición de la escena. De acuerdo aSong et al (2001), la implementación del algoritmoutilizando valores de una atmósfera estándar para elárea de estudio y la época del año, produce valoresde reflectancia de precisión cuestionable. Las correcciones geométricas y geolocalización se

realizaron utilizando como base las imágenes del sis-tema TERRA-MODIS, una transformación de se-gundo orden y un remuestreo de acuerdo al métodode vecino mas cercano, con un error RMS de 0,5píxel.

Imágenes de microondas

Si bien las imágenes ENVISAT ASAR WSM son

M. Salvia et al.


de distintas estaciones (primavera y verano) de añosdistintos, nuestro conocimiento del área nos indicaque entre las fechas seleccionadas no hubo cambiosmayores en la cobertura vegetal (incendios, obras deinfraestructura, etc.), y los cambios fenológicos de lavegetación, si bien existen, no provocan cambiossignificativos en la respuesta al RADAR, al no pro-ducir cambios en los mecanismos de interacciónonda – suelo – vegetación (Parmuchi et al., 2002,Kandus, et al., 2001).Las imágenes HH se calibraron a valores de coefi-

ciente de retrodispersión (σ0) mediante el uso delprograma de la ESA BEST (http://earth.esa.int/ser-vices/best/).

Luego, se corregistraron manualmente, mediantela aplicación de un corrimiento con respecto a laimagen elegida como base (con un error de 0,5píxel), y se geolocalizaron usando las imágenesSACC como referencia, una transformación polino-mial de segundo grado y convolución cúbica comométodo de remuestreo, con un error RMS de 0,5píxel. Esto resulta en un error de geolocalizaciónmenor a 1 píxel (75m.)

Dado el número equivalente de looks (ENL=21)con que la ESA produce las imágenes ASAR enmodo Wide Swath, no se consideró necesaria la apli-cación de procedimientos de supresión del speckle.

Extracción de información

Imágenes ópticas

Las clases de información planteadas correspondena los grandes tipos fisonómicos presentes en la re-gión: Cuerpos de agua, bosques, juncales, pajonales,pastizales, praderas de vegetación acuática.En base a la experiencia obtenida en trabajos ante-

riores (Kandus et al., 1999) se seleccionó un métodode clasificación no supervisado progresivo basadoen el algoritmo ISODATA (Jensen, 2000). Se tratade un proceso iterativo, para el cual se define a prioriun número máximo de clases espectrales o clusters

deseado (Cmax). La localización inicial de cadacluster en el espacio multidimensional de la imagenes arbitraria y se define a partir del espacio de las ca-racterísticas. Este algoritmo asigna cada píxel de laimagen a una clase espectral de acuerdo a la distan-cia entre los valores de los píxeles y el centroide decada cluster. Para cada clasificación se usaron 300clases, 40 iteraciones y 0,98 como nivel de conver-gencia.

En cada paso se extrajeron de la clasificación las

clases espectrales correspondientes a alguna clase deinformación de interés que fue posible discriminar,generando un mapa provisorio de clases temáticas.Las clases espectrales generadas por el algoritmo declasificación se asignaron a la clase de informaciónbuscada por medio del análisis tanto de sus firmasespectrales como de su ubicación espacial.

El mapa temático así obtenido se usó como más-cara de la imagen original la cual se volvió a clasi-ficar, repitiendo el procedimiento anterior, para asíobtener las clases de información restantes. Porejemplo, en el primer paso, se extrajeron las clasescorrespondientes a cuerpos de agua abierta (ríos ylagunas sin vegetación) y aquellas correspondientesa juncales, generándose con ellas un mapa temáticoparcial. Con ese mapa temático parcial se enmas-caró la imagen original, la cual se volvió a clasificarpara obtener por ejemplo las áreas con pajonales.

Finalmente, se superpusieron los mapas temáticosprovisorios de cada grupo de clases, obteniendo asíel mapa final.

Imágenes de microondas

Como ya explicamos brevemente en la introduc-ción, existen fuertes evidencias, en ecosistemas dehumedal, de que el σ0 de la vegetación depende delnivel de inundación. Por lo tanto, para obtener unmapa de inundación se generó una imagen de cam-bio del σ0 entre la condición de inundación y la con-dición normal, mediante el procedimiento dediferencia de imágenes.

El coeficiente de backscattering, σ0, es sensible acaracterísticas estructurales y dieléctricas de los ele-mentos de la superficie terrestre, por lo tanto el aná-lisis de las imágenes SAR debe realizarse teniendoen cuenta los mecanismos por los cuales la onda deradar interactúa con la vegetación y el suelo. Si biencada elemento de la superficie puede interactuar dedistinto modo con la onda de radar, puede decirseque dada un área heterogénea, existe un mecanismode interacción que domina sobre el resto, es decirque es el que aporta la mayor parte de la respuesta.

Los principales mecanismos de interacción son:• reflexión especular, donde la onda proveniente

del radar rebota en una superficie muy lisa y seva en la dirección opuesta al sensor, generandouna respuesta nula (ej. cuerpos de agua)

• dispersión en volumen, donde la onda penetra enel dosel de la vegetación y rebota muchas vecesen los distintos elementos, atenuándose antes deque una parte regrese en la dirección del sensor



generando una respuesta moderada (ej. foresta-ciones)

• dispersión de doble rebote, donde se combina larespuesta de dos medios (agua y vegetación)donde cada uno provoca una reflexión especular,y la onda vuelve hacia el sensor generando unarespuesta muy intensa (ej. juncos sobre suelo cu-bierto por una película de agua).

La importancia relativa de cada uno de estos me-canismos depende de las características del terreno,y de la frecuencia y polarización de la onda.

Para analizar los cambios en el σ0 producidos porun evento de inundación, es necesario evaluar loscambios que dicho evento produce sobre los meca-nismos de interacción dominantes del área de estu-dio. Para esto, la imagen de cambio se segmentó en9 intervalos de cambio que cubrían todos los valoresresultantes de la diferencia de imágenes realizada.El intervalo de la segmentación (2 dB) fue seleccio-nado utilizando criterios estadísticos, de manera talque la probabilidad de que un píxel que fue asignadoa un rango de variación dado efectivamente perte-nezca a él sea mayor al 95% (Oliver y Quegan,1998).

Una inundación puede causar tanto un aumentocomo una disminución de la señal retrodispersada,dependiendo del tipo de cobertura dominante, el me-canismo de interacción presente entre ese tipo de co-bertura y la señal de radar, y la altura de agua que lainundación produzca (Kandus et al, 2001).

Se obtuvo un mapa de inundación bajo la premisade que en este caso, todas las áreas que sufrieron uncambio en el coeficiente de retrodispersión (ya seade aumento o disminución) mayor a 2 dB habíansido afectadas, en alguna medida, por la inundación.Este umbral se basó en obtener un nivel de confianzade 95% en la determinación de la clase no inundada(sin cambios), de acuerdo al número equivalente delooks (21) de las imágenes usadas (página web ESA,http://earth.esa.int/ers/ers_archive/esc_i.html ).

Para estimar el área afectada por la inundación encada uno de los ambientes, se combinó el mapa deambientes con el de áreas inundadas, y se calculó lasuperficie afectada por ambiente.

Análisis de exactitud de los mapas generados

Mapa de ambientes

La evaluación de la exactitud del mapa de am-bientes producido se realizó usando dos fuentes dedatos. Para la zona del Delta medio y superior se to-

maron puntos de campo, mientras que para la zonadel Bajo Delta se tomó como verdad terrena el mapade ambientes a mayor detalle generado por Kanduset al. (2006). Dado que en este último mapa los am-bientes están diferenciados a nivel de comunidadesy que posee una mayor resolución espacial, antes decomenzar la evaluación se agruparon las clases entérminos de fisonomía y se degradó su resoluciónespacial de modo de hacerlas compatibles con lasclases generadas en este trabajo. Se tomaron 1000puntos estratificados por clases temáticas y dentrode estas al azar, se realizó la matriz de errores y secalculó la exactitud general y de cada clase, y el ín-dice Kappa (Congalton et al., 1983).

Mapa de áreas inundadas

Para la evaluación de la exactitud del mapa de áreasinundadas, se tomo como verdad terrena el mapa deagua en superficie realizado por el Área de SensoresRemotos y SIG del SIyAH - INA (Sistema de Infor-mación y Alerta Hidrológico - Instituto Nacional delAgua, Argentina). Se tomaron 1000 puntos estrati-ficados al azar, se realizó igual que en el caso ante-rior la matriz de errores y se calculó la exactitudgeneral y de cada clase y el índice Kappa.

RESULTADOS Y DISCUSIÓN.

En la figura 2 se presenta el mapa resultante delproceso de clasificación de la imagen SACCMMRS. Se identifican bosques (incluyen bosquefluviales en el norte y bosques plantados de salicá-ceas en la porción sur), pastizales, cuerpos de agua,praderas de herbáceas equisetoides (juncales), pra-deras de herbáceas graminoides altas (pajonales) ypraderas de herbáceas acuáticas arraigadas grami-noides y latifoliadas. Los datos satelitales, permi-ten ver que estos grandes grupos se distribuyen enforma sectorial en la región, de modo consistentecon la descripción de las unidades de paisaje reali-zada en la Tabla 1. En la unidad I dominan pajona-les, bosques y juncales, y en la unidad F lospastizales con algunas isletas de bosque. Esto coin-cide ampliamente con el mapa de detalle realizadopor Kandus et al (2006). En la unidad E (planicie deinundación del Río Paraná) dominan los bosques alo largo de las espiras de meandro e islas de cauce.En la unidad A se alternan bosques y praderas deherbáceas acuáticas, en tanto que la unidad B estádominada por los cuerpos de aguas abiertas y enmenos medida las praderas de herbáceas acuáticas.

M. Salvia et al.


Figura 2. Mapa de ambientes de la región del Delta del Río Paraná.



UnidadAmbiente(%cobertura)

A B C D E F G H I

Juncales 0 0,02 27,09 24,02 4,41 2,98 0,44 11,05 19,79

Praderas de herbáceasacuáticas

57,66 22,85 11,42 20,52 37,48 3,43 14,47 0,45 2,35

Pajonales 0,46 0,68 23,34 24,00 8,85 17,64 13,90 7,59 32,49

Bosques 16,34 3,32 12,23 16,87 30,56 14,04 22,88 6,57 35,21

Pastizales 0,44 0,88 16,24 0,86 0,49 59,19 38,12 70,28 0,59

Cuerpos de agua 25,1 72,25 9,68 13,73 18,21 2,72 10,19 4,06 9,57

Hectáreas totales 138933 81787 351275 382084 265173 175150 107334 31599 502507

Tabla 4. Distribución de los ambientes por unidad

Es significativa la diferencia en términos de tiposfisonómicos existente entre la porción norte y sur dela unidad D. Esta unidad se encuentra en la porcióncentral de la región y según Malvárez (1997) estácaracterizada por la presencia de un mosaico de co-munidades herbáceas.

Según el mapa resultante la porción norte está do-minada por pajonales, bosques y cuerpos de agua.La porción sur en cambio, está constituida por unamatriz de juncales solo interrumpida por algunos al-bardones, principalmente con pajonales y algunosbosques aislados. Este resultado coincide con lasobservaciones realizadas para la misma unidad porZoffoli et al (2008) en términos de su dinámicaanual e interanual a partir del estudio de una serietemporal de datos de NDVI del sistema NOAA-

AVHRR.En la figura 3 pueden verse el mapa de Kandus et

al (2006), la adaptación de dicho mapa para la eva-luación de la exactitud presentada aquí, y la porcióncorrespondiente al Bajo Delta del mapa generado eneste trabajo La exactitud del mapa es de 66,88%, con un índice

kappa de 59,02. Si se toma en cuenta sólo el BajoDelta, donde se tomaron más puntos, la exactitud ge-neral del mapa es de 69%, con un índice Kappa de60.82%.

Todas las clases obtuvieron exactitudes (tanto seusuario como de productor) mayores al 50%, siendolas clases pastizal, juncal y cuerpos de agua las demayor exactitud para el usuario (en ese orden).

M. Salvia et al.


Fig

ura

3.I

zq

uie

rda

, m

ap

a d

e a

mb

ien

tes d

el B

ajo

De

lta

(K

an

du

se

t a

l., 2

00

6);

ce

ntr

o: a

da

pta

ció

n d

el m

ap

a d

e K

an

du

s e

t a

l pa

ra la

eva

lua

ció

n d

e la

exa

ctitu

d d

el m

ap

a p

rod

ucid

o

en

este

tra

ba

jo; d

ere

ch

a: p

orc

ión

co

rre

sp

on

die

nte

al B

ajo

De

lta

de

l m

ap

a p

rese

nta

do

en

este

tra

ba

jo



Referencia

Exactitud parael usuario

Error porcomisiónBosque Pastizal Juncal Pajonal

Pradera deherbáceas

Cuerposde agua

Map

a d

e am

bie

nte

s

Bosque 150 34 24 58 8 7 53,38 46,62

Pastizal 4 150 10 0 0 0 91,46 8,54

Juncal 8 7 163 17 2 1 82,32 17,68

Pajonal 34 34 51 157 4 0 56,07 43,93

Pradera de herbá-ceas

5 14 1 8 42 9 53,16 46,84

Cuerpos de agua 2 5 1 3 9 65 76,47 23,53

Exactitud del productor 73,89 61,48 65,20 64,61 64,62 79,27Exactitud General: 66,98%

Indice Kappa: 59,02Error por omisión 26,11 38,52 34,80 35,39 35,38 20,73

Tabla 5. Evaluación de exactitud del mapa de ambientes

Es importante destacar, sin embargo, que la regióndel Delta del Río Paraná posee una gran complejidady un alto nivel de fragmentación natural. Esta ca-racterística intrínseca al sistema en estudio, sumadaa la resolución espacial de las imágenes usadas ge-neró algunas dificultades en la asignación de las cla-ses espectrales a las clases de información,principalmente en las unidades A, E y D norte,donde la abundancia de ríos y arroyos de poco anchogenera una gran cantidad de píxeles mixtos, que in-cluyen a los arroyos y los bosques presentes en losalbardones adyacentes.

También se encontraron dificultades para diferen-ciar (en las mismas unidades) los píxeles de bosquesde los correspondientes a praderas herbáceas acuáti-cas, debido a la semejanza espectral (en las bandaspresentes en el sistema SACC-MMRS) de estas cla-ses. En este caso además de la información espec-tral se utilizó la ubicación espacial de los píxeles decada clase espectral, debido al conocimiento de que,en esta zona, los bosques generalmente se encuen-tran solo en los albardones adyacentes a los cuerposde agua.

A partir del procesamiento de las imágenes deradar, se generó un mapa de cambios donde cada ca-

tegoría de cambio representa un intervalo de dife-rencia del coeficiente de retrodispersión σ0, en dB(figura 4). Aquí se observa que la mayor parte del delta se vio

afectado por la crecida del Paraná. Sin embargo, noes sencillo determinar a priori de que manera res-ponderá el σ0 a cambios en la condición de inunda-ción. El σ0 HH de una zona boscosa depende demuchos factores del terreno, como la densidad y es-tructura del dosel, la rugosidad del suelo a micro ymeso escala y el contenido de humedad del suelo yde la vegetación. Sin embargo, existen evidenciasde que el σ0 de la vegetación en humedales puedemodelarse en primer orden considerando tres meca-nismos de interacción básicos: (1) retrodispersióndel dosel, (2) retrodispersión del suelo y (3) doblerebote suelo-tronco.

En general, se observa que las áreas que muestranun aumento de la señal mayor a 2 dB son aquellasdominadas por bosques. Este aumento puede expli-carse como un cambio en el mecanismo de interac-ción dominante, al pasar de una condición normaldel suelo (suelo seco y bien drenado) a suelo inun-dado. En condiciones de suelo seco, el mecanismode interacción dominante es la retrodispersión del

M. Salvia et al.


Figura 4. Mapa de cambio de la respuesta de los elementos de la superficie a la onda del radar.


dosel, en cambio, al aparecer agua sobre el suelo, elmecanismo de interacción dominante pasa a ser eldoble rebote suelo-tronco (donde la onda rebota enel agua y el tronco del árbol), lo cual genera una re-trodispersión mucho mayor que la correspondienteal dosel. En las zonas que muestran disminución de la señal

retrodispersada dominan distintos tipos de comuni-dades de herbáceas. Esta disminución tambiénpuede explicarse como un cambio en el mecanismode interacción. En condiciones normales de inun-dación, el mecanismo de interacción dominante enlas herbáceas es el doble rebote suelo-tallo (o suelohoja). Sin embargo, el ingreso de agua por la crecidareduce la altura emergida de la vegetación dejandodisponible menos superficie de vegetación con lacual la onda de radar puede interactuar.

Cuando el ingreso de agua es tal que la vegetaciónestá completa o casi completamente cubierta, el me-canismo de interacción dominante es la retrodisper-sión proveniente de la superficie de agua (reflexiónespecular), la cual genera una retrodispersión muchomenor que el doble rebote suelo-tallo.Teniendo en cuenta estas consideraciones, la inter-

pretación y análisis del aumento o disminución dela señal en la imagen diferencia se realizó del si-guiente modo (figura 5):

a) todos los valores comprendidos entre -2 y 2 dBse consideró que no indican cambios significa-tivos, es decir que el área en consideración no sevio afectada por la crecida del río Paraná.

b) todas las diferencias mayores a 2 dB (ya sea au-mento o disminución) corresponden a zonas in-undadas por la crecida del río Paraná.


M. Salvia et al.

Figura 5. Mapa de inundación obtenido por medio de detección de cambios de imágenes de radar

En la figura 5 puede observarse que la superficieafectada por la inundación fue 840946,5 ha, lo querepresenta el 49% del área de estudio (sin tener encuenta los cuerpos de agua). También puede obser-varse que al ser la crecida del río Paraná, que cir-cula en sentido NO – SE, el principal causante delas inundaciones, la zona más afectada por la inun-dación se ubica en la porción noroeste del área deestudio.La matriz de errores realizada muestra una exacti-

tud general del mapa de áreas inundadas del 63.4%,Además la clase “inundado” muestra una exactitudpara el usuario de 90.29%. Esto quiere decir que lamayor parte del error de este mapa corresponde aáreas inundadas que habrían sido clasificadas comono inundadas. Sin embargo, la imagen usada en elmapa realizado en este trabajo es de una fecha (26de marzo de 2007) 14 días anterior a la usada en elmapa referencia (9 de abril de 2007), semanas en las

cuales llovieron más de 360 mm. en el área (Sol-dano, comunicación personal), lo que podría expli-car la baja exactitud para el usuario de la clase “noinundado”. Los datos obtenidos a través de la combinación de

los mapas temáticos muestra que todos los ambien-tes han sido afectados por la inundación en por lomenos un 40% de su área, principalmente aquellaszonas ubicadas hacia el noroeste de la región. Elambiente más afectado fue la clase pradera de her-báceas, con algo más del 65% de su área inundada,seguido por el juncal, con el 50,38%. Ya que estosambientes son los más usados por el ganado comopasturas, esta inundación generó un esfuerzo de losproductores y las autoridades para evacuar el ga-nado de aquellas áreas a medida que éstas ibansiendo afectadas por la crecida. Al mismo tiempo seexplica el por qué de las pérdidas sufridas, ya quepuede suponerse la complejidad de la evacuación de



Referencia

Exactitud parael usuario

Error porcomisión

Áreasinundadas

Áreas noinundadas

Map

a d

e ár

eas

in-

un

dad

as

Áreasinundadas

409 44 90,29 9,71

Áreas no inundadas

322 225 41,13 58,87

Exactitud del productor 55,95 83,64Exactitud General: 63,40%

Índice Kappa: 29,85%Error por omisión 44,05 16,36

Tabla 6. Evaluación de la exactitud del mapa de áreas inundadas

un área tan extensa. Este tipo de análisis permiteuna primera estimación del cambio en la condiciónde inundación. El siguiente paso sería determinarel nivel de inundación (es decir, si el agua cubrió lavegetación, o cual es la altura del agua sobre el sus-trato) de los distintos ambientes presentes en el áreade estudio. Extraer este tipo de información es máscomplejo y requiere un análisis cuantitativo de losmecanismos de interacción intervinientes en cadaambiente, y del tipo de cambio de mecanismos deinteracción que representaría en ellos distintas altu-ras de agua sobre el suelo, en el paso de no inun-dado a totalmente cubierto de agua (Parmuchi et al.,2002). Para obtener la altura del agua debajo de lavegetación se requiere:1) contar con un modelo de arquitectura de la vege-tación, 2) contar con un modelo electromagnéticode interacción señal de radar - modelo de vegeta-ción, 3) contar con un algoritmo (solución del pro-blema inverso) que obtenga la altura del agua paracada tipo de vegetación.

Esto se ha llevado a cabo para juncales y pajona-les del Bajo Delta (Grings et al., 2006, 2008). Laextensión de ese trabajo a la totalidad de los am-bientes presentes en el área de estudio aquí presen-tada requiere un gran esfuerzo en el trabajo decampo y en el desarrollo de modelos, y forman partede un proyecto cuyo desarrollo está en curso.

CONCLUSIÓN

La región del Delta del Río Paraná (Argentina) esun macrosistema de humedales que se extiende a lolargo de los 300 km. finales de la Cuenca del Pa-raná. Con el objetivo de identificar los diferentestipos de humedales presentes en el área, estimar laextensión de la última inundación ocurrida en el ve-rano-otoño de 2007 (enero-junio) y determinar sualcance en términos de ecosistemas afectados, seusaron datos provenientes de dos sistemas satelita-les de resolución espacial media: el argentino SACCMMRS (Multispectral Medium Resolution Scanner)en el rango óptico y el de la Agencia Espacial Eu-ropea (ESA) ENVISAT ASAR (Advanced Synthe-tic Aperture Radar) en modo WS (Wide Swath) enel rango de las microondas.En primer lugar, los datos satelitales ópticos se uti-

lizaron para la producción del primer mapa regio-nal de tipos fisonómicos de vegetación del área deestudio. Este mapa, además de su valor como tra-bajo de investigación, es de gran utilidad para el ma-nejo del área, ya que muestra la potencialidad de lasdistintas zonas geográficas del área de estudio paraactividades como ganadería, agricultura y foresta-ción, la vulnerabilidad de ciertas áreas por la pre-sencia de importantes obras de infraestructura, comolos endicamientos para la actividad forestal y agrí-


M. Salvia et al.

cola, y es una herramienta muy necesaria para eva-luar los daños producidos por eventos extremos, yasean de origen natural o antrópico, como la inunda-ción ocurrida en 2007 o los recientes incendios ma-sivos (otoño-invierno 2008).En segundo lugar, los datos del sistema ENVISAT

ASAR permitieron evaluar la extensión de la inun-dación producida por la crecida del río Paraná ocu-rrida en el 2007 y obtener la superficie afectada.Por último, se combinaron los mapas temáticos yamencionados para calcular el porcentaje de cadaambiente que resultó afectado por la inundación.Esta información también resulta útil para las ac-ciones de manejo del área, ya que permiten evaluarlas zonas de mayor vulnerabilidad ambiental (mayorefecto de las inundaciones provocadas por crecidasdel río Paraná) y que a su vez, presentan mayorriesgo para las actividades productivas que se estánllevando a cabo, sobre todo la ganadería. Se ob-servó también, que las áreas afectadas no sólo se en-cuentran en zonas relativamente bajas como las devegetación herbácea, sino que inclusive zonas rela-tivamente altas, como las forestaciones protegidaspor diques, también resultaron inundadas.

Generalmente, durante los eventos climáticos ex-tremos como inundaciones y tormentas no es posi-ble obtener imágenes ópticas debido a la coberturade nubes, y en el caso en que puedan obtenerse,éstas no siempre permiten estimar la extensión dela inundación, ya que no puede verse el agua pre-sente debajo del dosel de la vegetación. Estos dosinconvenientes pueden solucionarse mediante el usode imágenes del rango de las microondas, que pue-den obtenerse de noche y en presencia de nubes, yque potencialmente atraviesan el dosel de la vege-tación, permitiendo “observar” el agua presente pordebajo de la misma.

Sin embargo, a fin de interpretar correctamente laimagen de cambios del coeficiente de backscatte-ring, es necesario conocer el tipo de cobertura pre-sente, tarea para la cual los sistemas ópticos sonmucho más eficientes que los de microondas. Así,la mejor forma de abordar el estudio de un macro-sistema de humedal es mediante el uso combinadode sistemas satelitales ópticos y de radar.

REFERENCIAS

BARROS, V., CLARKE R. Y SILVA DIAS P. ED.2006. El cambio climático en la cuenca delPlata. Buenos Aires: CIMA-CONICET. 232pags.

CONAE, página web. http://ggt.conae.gov.ar/sac_c/AngulosMMRS.htm

CONAE, página web, http://ggt.conae.gov.ar/sac_c/producto1.htm

CONAE, página web, http://catalogos.conae.gov.ar/sac_c/especificaciones.htm

CONGALTON, R.G., ODERWALD, R.G., YMEAD, R.A. 1983. Assessing Landsat classi-fication accuracy using discrete multivariatestatistical techniques. Photogrammetric Engi-

neering and Remote Sensing, 49(12):1671-1678.

ESA, página web. http://earth.esa.int/services/best/ESA, página web. http://earth.esa.int/ers/ers_ar-

chive/esc_i.htmlESA. 2007. ASAR Product Specifications.GRINGS F. M., FERRAZZOLI P., KARSZEN-

BAUM H., TIFFENBERG J., KANDUS P.,GUERRIERO L., JACOBO-BERLLES J. C.2005. Modelling temporal evolution of juncomarshes radar signatures. IEEE Transactions

on Geoscience and Remote Sensing. 43 (10),2238-2245

GRINGS, F. M., FERRAZZOLI P., KARSZEN-BAUM H., SALVIA M., KANDUS P., JA-COBO-BERLLES J. C., PERNA P. 2006.Effects of vegetation structure on wetlandsflood monitoring using SAR instruments. Pro-

ceeding of the 2nd International Symposium of

Recent Advances in Quantitative Remote Sen-

sing (RAQR’S II), Valencia, España, 25-29 Se-tiembre, 2006, 844-849.

GRINGS, F.M., FERRAZZOLI, P., KARSZEN-BAUM, H., SALVIA, M., KANDUS, P., JA-COBO-BERLLES, J. C., PERNA, P., 2008,Model investigation about the potential of Cband SAR in herbaceous wetlands flood mo-nitoring. International Journal of Remote Sen-

sing 29 (17-18): 5361-5372.IPCC. 2007. Climate Change 2007: The Physical

Science Basis. Summary for Policymakers.IPCC WGI Fourth Assessment Report. 18pp.

JENSEN, J. R. 2000. Remote Sensing of the Envi-ronment: An Earth Resource Perspective.Upper Saddle River, N.J., Prentice-Hall, Inc.

KANDUS P., KARSZENBAUM H. Y FRULLAL.A. 1999. Land cover classification systemfor the Lower Delta of the Paraná River (Ar-gentina): Its relationship with Landsat The-matic Mapper spectral classes. Journal of

Coastal Research. 15 (4): 909-926.KANDUS P, KARSZENBAUM H, PULTZ T, PAR-



MUCHI G Y BAVA J. 2001. Influence offlood conditions and vegetation status on theradar backscatter of wetland ecosystems. Ca-

nadian Journal of Remote Sensing, 27 (6):561-662.

KANDUS, P., MALVAREZ, A.I., Y MADANES, N.2003. Estudio de las comunidades de plantasherbáceas de las islas bonaerenses del BajoDelta del Río Paraná (Argentina). Darwi-

niana. 41 (1-4) 1-16.KANDUS, P., QUINTANA, R. D., Y BO, R. F.,

2006, Patrones de paisaje y Biodiversidad delBajo Delta del Río Paraná., Mapa de Ambien-tes, Buenos Aires, Pablo Casamajor ed.,48págs.

KASISCHKE, E.S., SMITH, K.B., BOURGEAU-CHAVEZ, L.L., ROMANOWICZ, E.A.,BRUNZELL, S., RICHARDSON, C.J. 2003.Effects of seasonal hydrologic patterns insouth Florida wetlands on radar backscattermeasured from ERS-2 SAR imagery. Remote

Sensing of Environment. 88: 423-441.MALVAREZ A. I., 1997. Las comunidades vegeta-

les del Delta del río Paraná. Su relación confactores ambientales y patrones de paisaje.Tesis Doctoral. Universidad de Buenos Aires.Argentina. 167 pags.

MITSCH W.J., GOSSELINK J.G. 2000. Wetlands.Third edition. New York, USA: John Wileyand Sons.

NEIFF J.J. 1997. Aspectos conceptuales para laevaluación ambiental de tierras húmedas con-tinentales de América del Sur. Anais do VIII

Seminario Regional de Escología. Vol VIII.Programa de pos-graduacao em Ecología e Re-cursos Naturais, UFSCar, Sao Carlos, Brasil:1-18.

NEIFF J.J. Y MALVÁREZ, A. I. 2004. Grandes hu-medales fluviales. En Malvárez and Bó comp."Bases ecológicas para la clasificación de hu-medales en Argentina". 77-83.

OLIVER, S Y QUEGAN S. 1998, UnderstandingSynthetic Aperture Radar Images, ArtechHouse Publishers. 464 pags.

PARMUCHI, M. G., KARSZENBAUM, H. YKANDUS, P. 2002. Mapping the ParanáRiver delta wetland using multitemporal RA-DARSAT/SAR data and a decision based clas-sifier. Canadian Journal of Remote Sensing,2002. 28: 631-635.

POPE, K.O, REJMANKOVA, E., PARIS, JF, WO-ODRUFF, R. 1997. Detecting seasonal floo-ding cycles in marshes of the YucatanPeninsula with SIR-C polarimetric Radar ima-gery. Remote Sensing of Environment, 59:157-166.

SOLDANO, A. 2008. Área de Sensores Remotos ySIG del SIyAH – INA, comunicación perso-nal.

SONG, C.; WOODCOCK, C.E.; SETO, K. C.;LENNEY, M.P. Y MACOMBER, S.A. 2001.Classification and change detection usingLandsat TM data: when and how to correct at-mospheric effects? Remote Sensing of Envi-

ronment 75:230-244.STUMPF. R.P. 1992. Remote sensing of water cla-

rity and suspended sediments in coastal wa-ters. Proceedings of the First Thematic

Conference on Remote Sensing for Marine and

coastal Environments, Louisiana, USA.TOWNSEND, P. & FOSTER, J. 2002, Assessing

flooding and vegetation structure in forestedwetlands using Radarsat SAR imagery. in Ge-

oscience and Remote Sensing Symposium,

2002. IGARSS'02. IEEE International 2 (24-28):1171 - 1173

ZOFFOLI, L., KANDUS, P., MADANES, N., YCALVO, D. 2008 Contribution of NOAAAVHRR-NDVI time series to seasonal andinterannual analysis of wetlands in SouthAmerica. The case of the Paraná Delta Re-gion. Landscape Ecology. 23: 833-848

Documents

Optical and radar satellital data for mapping and ... · principalmente del aporte de agua superficial (pre-cipitaciones y descarga de los ríos), y de los ciclos de ... pastizales