SciELO - Scientific Electronic Library Online

 
vol.24 issue2Effect of fire and elevation on the regeneration of Pinus hartwegii Lindl. in northeastern MexicoPrecision of remote sensors to estimate aerial biomass parameters: portable LIDAR and optical sensors author indexsubject indexsearch form
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

  • Have no similar articlesSimilars in SciELO

Share


Revista Chapingo serie ciencias forestales y del ambiente

On-line version ISSN 2007-4018Print version ISSN 2007-3828

Rev. Chapingo ser. cienc. for. ambient vol.24 n.2 Chapingo May./Aug. 2018

http://dx.doi.org/10.5154/r.rchscfa.2017.10.061 

Artículo científico

Una metodología para la caracterización del uso del suelo mediante imágenes de media resolución espacial

Cristian Guevara-Ochoa1  4 

Bruno Lara2  4  * 

Luis Vives1 

Erik Zimmermann3  4 

Marcelo Gandini2 

1Instituto de Hidrología de Llanuras "Dr. Eduardo Jorge Usunoff" (IHLLA). República de Italia 780, CC 47 (B7300). Azul, Buenos Aires, Argentina.

2Universidad Nacional del Centro de la Provincia de Buenos Aires (UNCPBA), Facultad de Agronomía, Laboratorio de Investigación y Servicios en Teledetección de Azul (LISTA). República de Italia 780, CC 47 (B7300). Azul, Buenos Aires, Argentina.

3Centro Universitario Rosario de Investigaciones Hidroambientales (CURIHAM). Riobamba 245 bis (2000). Rosario, Santa Fe, Argentina.

4Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Av. Rivadavia 1917, (C1033AAJ). Ciudad Autónoma de Buenos Aires, Argentina.

Resumen

Introducción:

La caracterización de los usos del suelo representa uno de los insumos indispensables para el manejo de los recursos naturales a diferentes escalas.

Objetivo:

Desarrollar una metodología para caracterizar el uso del suelo en la cuenca superior del arroyo del Azul (Buenos Aires, Argentina), a través de la fusión de imágenes satelitales de media resolución espacial.

Materiales y métodos:

Se utilizó una serie temporal de 23 imágenes del índice de vegetación de diferencia normalizada (NDVI, por sus siglas en inglés) del satélite MODIS-Terra (producto MOD13Q1) para el periodo mayo 2015 - mayo 2016. Además, se emplearon imágenes Landsat 8 para discriminar algunas categorías difíciles de clasificar con NDVI-MODIS. El mapa final de coberturas se validó considerando puntos de verificación independientes al proceso de clasificación; su precisión se evaluó a través del estadístico Kappa.

Resultados y discusión:

La serie temporal de NDVI permitió reconocer los patrones fenológicos de las coberturas y usos del suelo de mayor representatividad en la región. Se discriminaron siete coberturas; los usos agrícolas representaron 81.5 % de la superficie, siendo el sistema de doble cultivo trigo-soya (soja en Argentina) el predominante (39.4 %). La precisión global del mapa final fue alta (88.9 %, coeficiente Kappa = 0.86).

Conclusión:

La metodología empleada tiene la ventaja de ser rápida y replicable, para caracterizar los usos del suelo de una región determinada y evaluar sus cambios potenciales a lo largo del tiempo.

Palabras clave: Sensores remotos; serie NDVI; satélite MODIS; satélite Landsat; firma fenológica

Introducción

La alteración de la superficie terrestre, a causa de las acciones humanas, ha generado que cambien los usos del suelo en la Tierra. Por esta razón, la caracterización de las coberturas y usos del suelo es clave para comprender las interacciones antrópico-ambientales a diferentes escalas espacio-temporales (Müller & Munroe, 2014). Los patrones espaciales y sus cambios tienen implicaciones significativas cuando se analizan, por ejemplo, el balance hídrico, el cambio climático, la deforestación, la sedimentación, la pérdida de biodiversidad, y los procesos biogeoquímicos de la Tierra (DeFries & Eshleman, 2004).

En las últimas décadas se ha observado el aumento acelerado de la población mundial, acompañado de la intensificación de actividades agrícolas y de expansión de la frontera agropecuaria (Eitzinger, Orlandini, Stefanski, & Naylor, 2010). Estas transformaciones estructurales han provocado la alteración de procesos hidrológicos (Breuer et al., 2009; Fohrer, Haverkamp, Eckhardt, & Frede, 2001; Li, Liu, Zhang, & Zheng, 2009), desbalances en los ciclos del carbono y nitrógeno (Murty, Kirschbaum, Mcmurtrie, & Mcgilvray, 2002; Post & Kwon, 2000) y pérdidas de especies y ecosistemas a tasas altas, a pesar de los esfuerzos por conservar la diversidad biológica (Pettorelli et al., 2016).

En Argentina, particularmente en la región pampeana, se ha experimentado un proceso de agriculturización caracterizado por el incremento de las áreas agrícolas en zonas de uso tradicionalmente ganadero. Dicho proceso comenzó en la década de 1960 y se ha acelerado de manera dramática durante los últimos 20 a 25 años, sostenido principalmente por cambios económicos estructurales y la incorporación del paquete tecnológico asociado al cultivo de soya (soja en Argentina) genéticamente modificada (Manuel-Navarrete et al., 2009). Estos cambios impactan fuertemente la estructura y funcionamiento de los ecosistemas, se perciben a diferentes escalas (Baldi, Guerschman, & Paruelo, 2006; Guerschman, Paruelo, & Burke, 2003; Lara & Gandini, 2014) y generan alteraciones en los patrones de productividad, estabilidad y sostenibilidad (Viglizzo, Roberto, Lértora, Gay, & Bernardos, 1997).

La disponibilidad y uso de imágenes satelitales han permitido el análisis de grandes extensiones de superficie, adquiriendo información a escalas temporal y espacial muy diferentes (Horning, Robinson, Sterling, Turner, & Spector, 2010). El uso de dichas imágenes está asociado a la descripción de tipos de coberturas/usos del suelo, mediante la caracterización de la heterogeneidad del paisaje y su patrón espacial (Cabello & Paruelo, 2008; Paruelo, 2008). Tal aplicación está sustentada en las formas de respuesta de los elementos de la superficie terrestre a distintas longitudes de onda del espectro electromagnético (Chuvieco, 1990), aunque a menudo una de las limitantes principales es la escasa información de campo o su captura inadecuada. En este contexto, varios índices espectrales derivados de sensores remotos han sido propuestos como estimadores de la presencia y condición de la vegetación, basados en la observación de las firmas espectrales de reflectancia típica de las hojas. En estas, la energía reflejada en el rango visible del espectro es muy baja, debido a la alta absorción de los pigmentos fotosintéticamente activos, con absorciones máximas en las longitudes de onda del azul (470 nm) y del rojo (670 nm); casi la totalidad de la radiación del infrarrojo cercano (IRC) es dispersada (reflejada y transmitida) con muy poca absorción, debido a la estructura del mesófilo de las hojas (Solano, Didan, Jacobson, & Huete, 2010). Como resultado, el contraste entre las respuestas del rojo y del IRC es una medida sensible de la cantidad de vegetación, con máximas diferencias sobre la vegetación densa y mínimas donde existe poca o nula cobertura (Solano et al., 2010). Uno de los índices espectrales más utilizados es el índice de vegetación de diferencia normalizada (NDVI, por sus siglas en inglés), el cual es un estimador lineal de la fracción de radiación fotosintéticamente activa interceptada por la vegetación (fAPAR) (Wang et al., 2004). A partir de los datos brindados por los sensores satelitales de alta resolución temporal (tiempo corto de revisita, i. e. MODIS) pueden construirse series hipertemporales de NDVI, de las cuales es posible extraer información valiosa acerca de la fenología de la vegetación (Reed, Schwartz, & Xiangming, 2009). De esta manera, es posible utilizar las diferencias en los patrones estacionales para caracterizar diversos tipos de vegetación (cultivos de verano, invierno, vegetación perenne, etc.). Por otro lado, los mapeos disponibles de coberturas y usos del suelo a gran escala (Blanco et al., 2013; Eva et al., 2004) presentan inconsistencias debido a su aproximación continental y resultan insuficientes para poder ser aplicados a una escala más detallada. En este sentido, el objetivo del trabajo fue elaborar una metodología para la caracterización del uso del suelo en la cuenca superior del arroyo del Azul en Buenos Aires, Argentina, mediante el uso de imágenes de media resolución espacial de los satélites Landsat y MODIS.

Materiales y métodos

Área de estudio

La cuenca superior del arroyo del Azul (Figura 1) se ubica en el centro de la provincia de Buenos Aires, Argentina, entre 59° 48’ - 60° 0’ LO y 37° 01’ 48’’ - 37° 09’ 36’’ LS, drenando una superficie de 1 024 km2. Dicha cuenca nace hacia el Sur en la localidad de Chillar (60 km al sur de la ciudad de Azul); sus principales afluentes son el arroyo Videla con una superficie de 120 km2 y el de Santa Catalina con 140 km2.

Figura 1 Cuenca superior del arroyo del Azul ubicada en el centro de la provincia de Buenos Aires, Argentina. 

La altitud en la cuenca varía de 142 a 367 m. La parte más alta, ubicada hacia el sureste, se encuentra sobre el Sistema de Tandilia, donde las pendientes son mayores de 6 %. Hacia el noroeste, la cuenca se transforma en una llanura de transición, en el sector medio-bajo, con pendientes menores de 1 %. La cuenca limita al Norte con la ciudad de Azul, al Oeste con la ciudad de Olavarría, al Este con la ciudad de Tandil y al Sur con la ciudad de Chillar. La precipitación media anual es de 913 mm. Las mayores precipitaciones se presentan en el periodo primavera-verano con un promedio mensual alrededor de 100 mm, y las más bajas ocurren en otoño-invierno con una media mensual de 50 mm. Los meses de diciembre a marzo son los de mayor temperatura con un promedio de 20 °C, mientras que los meses de junio a agosto son los más fríos con un promedio de 8 °C.

Datos satelitales

Se utilizaron dos fuentes de imágenes satelitales de media resolución espacial, aportadas por la agencia espacial norteamericana (NASA). En primer lugar, se utilizó una serie temporal de 23 imágenes NDVI-MODIS provenientes del producto MOD13Q1, escena h13v12 (https://lpdaac.usgs.gov/dataset_discovery/modis/modis_products_table/mod13q1) que comprendió un año de datos, desde mayo de 2015 a mayo de 2016. Aunque no se ajusta al año calendario, esta ventana temporal permite obtener información de las estaciones de crecimiento de las coberturas en el hemisferio sur; por ejemplo, se puede apreciar el inicio del crecimiento de cultivos de estación invernal como el trigo y el fin de la cosecha de cultivos de verano como soya y maíz. Este conjunto de datos consiste en composiciones de 16 días con los valores máximos de NDVI calculados a una resolución espacial de 250 m. Adicionalmente, se emplearon dos imágenes Landsat 8 (una de invierno y otra de verano) del Path/Row 225/086 (https://landsat.usgs.gov/landsat-8). Solo se usaron las bandas reflectivas (azul, verde, rojo, infrarrojo cercano y dos bandas de infrarrojo medio) que poseen una resolución espacial de 30 m, mientras que las bandas térmicas fueron descartadas. Esta selección de bandas espectrales se debe a que las coberturas a identificar presentan un rango dinámico mayor en las bandas reflectivas y no en las bandas térmicas (Lara & Gandini, 2014).

Clasificación y obtención de coberturas del suelo

A partir de la serie temporal de imágenes NDVI-MODIS se hizo una clasificación no supervisada con el algoritmo ISODATA (Iterative Self-Organizing Data Analysis), el cual hace la partición de una imagen de n-dimensiones en un número de conglomerados de acuerdo con los parámetros establecidos. Por lo general, el proceso comienza dando un número de centroides aleatorios y, posteriormente, cada uno de los pixeles es asignado a aquel conglomerado cuyo centroide se encuentra más cercano, en términos de las distancias euclidianas. Este es un proceso iterativo en el cual las medias (centroides) se recalculan y los pixeles se reclasifican con respecto a las nuevas medias. El proceso continúa hasta que el número de pixeles en cada clase cambia menos que el umbral de cambio propuesto o hasta que se alcanza el número máximo de iteraciones configurado (Tou & Gonzalez, 1974).

En este procedimiento se consideraron 50 iteraciones, un umbral de tolerancia del 5 % y desviación estándar máxima de 1. De esta forma, se generaron 15 clases de las cuales se obtuvo el valor medio de NDVI para cada una de las 23 fechas contempladas en la serie temporal. Los valores medios corresponden a las firmas fenológicas, las cuales fueron asociadas, con base en el comportamiento anual, a cada una de las coberturas y usos del suelo definidas: soya, maíz, sistemas de doble cultivo trigo-soya, pasturas (naturales y cultivadas) y áreas mezcladas (Figura 2). Por ejemplo, los cultivos se asociaron a las clases que presentaron uno o dos períodos de marcado crecimiento y un período con bajos valores de NDVI. Para discriminar entre cultivos, las curvas unimodales con valores máximos de NDVI en febrero se clasificaron como soya, y las que mostraban un patrón similar, pero con los valores máximos de NDVI en enero y febrero se clasificaron como maíz. Aquellas clases que presentaron un máximo durante septiembre-octubre (característico de cultivos invernales) y, además, un máximo en febrero, se categorizaron como trigo-soya.

Figura 2 Curvas estacionales del índice de vegetación de diferencia normalizada (NDVI) en el período mayo del 2015 a mayo del 2016 para cada una de las 15 clases resultantes de la clasificación no supervisada, escena h13v12 del satélite MODIS. a) área mezclada, b) soya, c) maíz, d) trigo-soya y e) pastura.  

Por otro lado, las clases que no presentaron un patrón promedio unimodal o bimodal se clasificaron como pasturas y áreas mezcladas. Las pasturas, que incluyen pastizales perennes cultivados y pastizales naturales, se caracterizaron por mantener un valor promedio de NDVI mayor de 0.4 a lo largo de la estación de crecimiento; mientras que las áreas mezcladas corresponden a un valor estacional promedio menor de 0.4. Estas últimas corresponden a zonas urbanas, cuerpos de agua y áreas de afloramiento rocoso con vegetación activa.

Es probable que las áreas mezcladas que no lograron diferenciarse a partir de las imágenes MODIS estén asociadas a pixeles mixtos a esa escala, lo cual dificultaría hallar pixeles puros para diferenciar entre coberturas (Lara & Gandini, 2016). Por esta razón, para poder discriminar las áreas, se utilizaron dos imágenes Landsat 8 (época invernal y estival) en una combinación 7, 6, 4, que permite penetrar partículas atmosféricas, humo y neblina (Figura 3). Posteriormente, las dos fuentes de datos se fusionaron remuestreando la clasificación realizada con imágenes MODIS previamente, a una resolución espacial de 30 m, para obtener el mapa final de coberturas y usos del suelo de la cuenca superior del arroyo del Azul.

Figura 3 Imágenes Landsat 8 utilizadas. (a) Época invernal, 15 de agosto de 2015. (b) Época estival, 22 de enero de 2016. Path/Row 225/086. Composición de bandas RGB: 7, 6, 4. La vegetación aparece en tonos de verde oscuro; las áreas urbanas son de color gris, azul verdoso o púrpura; el agua es de color negro o azul oscuro; y los afloramientos rocosos aparecen en tonos de rojo o amarillo. 

Validación del mapa de coberturas

El mapa final de coberturas se validó considerando puntos de verificación independientes al proceso de clasificación, tomados durante la campaña agrícola 2015-2016. Se utilizó el estadístico Kappa (Congalton, 1991) que, basado en una matriz de confusión, toma en cuenta los errores de comisión (o inclusión) y los errores de omisión (o exclusión); la clasificación es más precisa cuanto más cercana se encuentre a un valor de 1. La ecuación para el estadístico Kappa es la siguiente:

k=Ni=1rxii-i=1r(xi+*x+i)N2i=1r(xi+*x+i)

donde,

N =

número total de pixeles de referencia

xii =

número de observaciones en la fila i y en la columna i

xi+ =

total marginal de la fila i

x+i =

total marginal de la columna i

r =

número de filas en la matriz

Nominalmente, el valor del índice varía entre -1 y 1, pero puede considerarse la siguiente escala para valorar una clasificación: 0.05 a 0.20 = muy baja precisión; 0.20 a 0.40 = baja precisión; 0.40 a 0.55 = precisión razonable; 0.55 a 0.70 = buena precisión; 0.70 a 0.85 = muy buena precisión; 0.85 a 0.99 = excelente precisión; y 0.99 a 1 = precisión perfecta.

Resultados y discusión

La Figura 4 muestra el mapa final de coberturas y usos del suelo de la cuenca superior del arroyo del Azul, Argentina. El mapa se obtuvo a partir de la combinación de imágenes de media resolución espacial, para discriminar tipos de cultivos y áreas de pastizales con base en sus patrones fenológicos característicos. El Cuadro 1 indica la superficie cubierta por cada uno de los usos del suelo; el sistema de doble cultivo trigo-soya es el más extendido representando 39.4 % (40 470.4 ha) del área de estudio. La suma de las superficies cubiertas por todos los usos agrícolas alcanza 81.5 %, lo cual refleja la magnitud del proceso de agriculturización en la región, teniendo en cuenta que la vegetación natural era el pastizal natural (Matteucci, 2012). A pesar de que no existen datos oficiales, las estadísticas agropecuarias del Ministerio de Agroindustria de Argentina (Sistema Integrado de Información Agropecuaria [SIIA], 2016) reflejan en cierta medida, el predominio de los mismos cultivos en la campaña 2015-2016 para el departamento de Azul, tales como soya (124 700 ha), trigo (132 110 ha) y maíz (43 300 ha); se debe tener en cuenta que en estos datos existen áreas de uso agrícola que son externas al área de estudio.

Figura 4 Mapa final de usos del suelo en la cuenca superior del arroyo del Azul (Buenos Aires, Argentina) para el periodo 2015-2016, mediante el uso de imágenes MODIS y Landsat 8.  

Cuadro 1 Superficie cubierta por los usos del suelo en la cuenca superior del arroyo del Azul en Argentina. 

Uso del suelo Área de estudio
(ha) (%)
Roca 5 694.32 5.55
Montes 903.15 0.88
Agua 593.19 0.58
Soya 38 171.65 37.20
Maíz 5 043.80 4.92
Trigo-soya 40 470.43 39.44
Pasturas 11 725.06 11.43
Total 102 601.6 100

En general, las áreas cultivadas se encuentran en la porción más alta de la cuenca, ya que ahí predominan los suelos de mayor aptitud y con pocas restricciones para la actividad agrícola, aunque en los últimos años, el avance de los cultivos también se ha dado sobre áreas de uso tradicionalmente ganadero (Lara & Gandini, 2014). Las áreas de pasturas (que incluyen a los pastizales naturales y las pasturas cultivadas) se encuentran asociadas, principalmente, a los afloramientos rocosos del Sistema de Tandilia y en zonas bajas de la cuenca. Probablemente, las zonas cercanas a los afloramientos rocosos representan zonas de pastizal natural donde no es posible labrar el suelo, mientras que las ubicadas en zonas bajas de la cuenca representan, en su mayoría, pasturas cultivadas que suelen utilizarse en zonas con limitaciones de drenaje y salinización. La metodología actual no permitió obtener una separación clara en las firmas fenológicas de estos pastizales, debido a que el solapamiento de las fechas de inicio y final de las estaciones de crecimiento fue frecuente.

El mapa de usos del suelo mostró buenos niveles de aciertos, con una precisión total de 88.9 % y un coeficiente Kappa de 0.86. De acuerdo con el Cuadro 2, las precisiones más bajas del productor correspondieron a los usos maíz y soya con valores de 69.9 y 76.0 %, respectivamente. Justamente, la mayor confusión en la clasificación se da entre estos dos usos, lo cual es esperable ya que sus firmas fenológicas son similares (Figura 2). A pesar de esto, la precisión del mapa final, obtenido a partir de una metodología basada en firmas fenológicas derivadas de NDVI y sin información de campo, representó de manera satisfactoria los patrones espacio-temporales de los principales usos de la cuenca en un período determinado. Sin duda, la combinación de datos obtenidos a una mayor resolución espacial contribuyó a lograr una precisión mayor.

Cuadro 2 Matriz de confusión para el mapa de usos del suelo de la cuenca superior del arroyo del Azul, Argentina, en el período 2015-2016. La diagonal contiene los pixeles clasificados correctamente (5 240) y por fuera de la diagonal se encuentran los errores; a lo largo de la horizontal son errores de comisión (inclusión) y a lo largo de la vertical son errores de omisión (exclusión). 

Datos Clasificados Datos de campo
Agua Roca Soya Pasturas Trigo-soya Maíz Montes Total Precisión del usuario (%)
Agua 532 0 0 0 0 0 0 532 100
Roca 0 486 0 0 0 0 0 486 100
Soya 0 0 1 258 0 48 177 0 1 483 84.83
Pasturas 0 0 0 735 0 0 14 749 98.13
Trigo-soya 0 0 65 0 1 689 0 0 1 754 96.29
Maíz 0 0 331 0 0 412 0 743 55.45
Montes 2 0 0 14 0 0 128 144 88.89
Total 534 486 1 654 749 1 737 589 142 5 891
Precisión del productor (%) 99.62 100 76.05 98.13 97.23 69.95 90.14
Precisión total: (5 240 / 5 891) * 100 = 88.95 %
Estadístico Kappa = 0.86

La metodología desarrollada posee la ventaja de ser relativamente rápida y replicable con pocos insumos, para ser utilizada en diferentes regiones con el fin de mapear los usos de mayor representatividad; sin embargo, tiene la desventaja de que el comportamiento anual de los usos a discriminar se debe conocer a priori, lo que podría evitarse tomando datos de campo en pixeles puros para obtener la firma fenológica.

La caracterización de las coberturas y usos del suelo representa uno de los insumos imprescindibles para el monitoreo y manejo de los recursos naturales a diferentes escalas, como por ejemplo en la modelación hidrológica semidistribuida (Arnold et al., 2012); sin embargo, en Argentina suele ser una de las informaciones ausentes en los organismos de gestión departamental o regional. Por lo tanto, cuando se requieren estrategias de manejo sustentable de los recursos naturales a escala local, los procedimientos existentes a gran escala (Blanco et al., 2013; Eva et al., 2004) resultan deficientes, y es entonces cuando la metodología desarrollada en este trabajo puede aportar herramientas útiles. Por otro lado, en regiones de gran dinamismo de usos del suelo, como la aquí analizada, la metodología permitiría evaluar y monitorear los cambios de coberturas y, en particular, de la frontera agropecuaria, prácticamente en tiempo real.

Conclusiones

La metodología desarrollada en el trabajo permitió la caracterización de las coberturas y usos del suelo de la cuenca superior del arroyo del Azul, Argentina, mediante el uso de firmas fenológicas derivadas de series temporales de NDVI-MODIS. Las áreas mezcladas que no pudieron diferenciarse fueron categorizadas a partir de imágenes Landsat 8, para mejorar la precisión del mapa final. El método de clasificación empleado es una alternativa válida cuando no se dispone de datos precisos de campo, pero requiere conocimiento acerca del comportamiento estacional de las coberturas a ser mapeadas. De esta manera, la propuesta presentada puede ser aplicable y reproducible en diferentes regiones y escalas, convirtiéndose en una herramienta valiosa para el monitoreo de los cambios de usos del suelo a escala local y regional.

Agradecimientos

Al CONICET (becas doctorales de Guevara-Ochoa y Lara) y a la Secretaría de Ciencia y Técnica de la UNCPBA por la financiación brindada para la realización de este trabajo.

REFERENCIAS

Arnold, J. G., Kiniry, J. R., Srinivasan, R., Williams, J. R., Haney, E. B., & Neitsch, S. L. (2012). Soil & water assessment tool. Input/Output documentation version 2012. Retrieved from http://swat.tamu.edu/media/69296/SWAT-IO-Documentation-2012.pdfLinks ]

Baldi, G., Guerschman, J. P., & Paruelo, J. M. (2006). Characterizing fragmentation in temperate South America grasslands. Agriculture, Ecosystems and Environment, 116(3-4), 197-208. [ Links ]

Blanco, P. D., Colditz, R. R., López, S. G., Hardtke, L. A., Llamas, R. M., Mari, N.A., …Arroyo, V. B. (2013). A land cover map of Latin America and the Caribbean in the framework of the SERENA project. Remote Sensing of Environment, 132, 13-31. [ Links ]

Breuer, L., Huisman, J. A., Willems, P., Bormann, H., Bronstert, A., Croke, B. F. W., & Kite, G. (2009). Assessing the impact of land use change on hydrology by ensemble modeling (LUCHEM). I: Model intercomparison with current land use. Advances in Water Resources, 32(2), 129-146. [ Links ]

Cabello, J., & Paruelo, J. M. (2008). La teledetección en estudios ecológicos. Ecosistemas, 17(3), 1-3. Retrieved from https://www.revistaecosistemas.net/index.php/ecosistemas/article/viewFile/77/74Links ]

Chuvieco, E. (1990). Fundamentos de teledetección espacial. Madrid, España: Ed. Rialp, S. A. [ Links ]

Congalton, R. G. (1991). A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 37(1), 35-46. doi: 10.1016/0034-4257(91)90048-B [ Links ]

DeFries, R., & Eshleman, K. N. (2004). Land-use change and hydrologic processes: a major focus for the future. Hydrological Processes, 18(11), 2183-2186. doi: 10.1002/hyp.5584 [ Links ]

Eitzinger, J., Orlandini, S., Stefanski, R., & Naylor, R. E. L. (2010). Climate change and agriculture: introductory editorial. Journal of Agricultural Science, 148(5), 499-500. doi: 10.1017/S0021859610000481 [ Links ]

Eva, H., Belward A., De Miranda E., Di Bella C., Gond V., Huber, O., …Fritz, S. (2004). A land cover map of South America. Global Change Biology, 10(5), 731-744. doi: 10.1111/j.1529-8817.2003.00774.x [ Links ]

Fohrer, N., Haverkamp, S., Eckhardt, K., & Frede, H. G. (2001). Hydrologic response to land use changes on the catchment scale.Physics and Chemistry of the Earth, Part B: Hydrology, Oceans and Atmosphere, 26(7-8), 577-582. doi: 10.1016/S1464-1909(01)00052-1 [ Links ]

Guerschman, J. P., Paruelo, J. M., & Burke, I. (2003). Land use impacts on the normalized difference vegetation index in temperate Argentina. Ecological Applications, 13(3), 616-628. doi: 10.1890/1051-0761(2003)013[0616:luiotn]2.0.co;2 [ Links ]

Horning, N., Robinson, J., Sterling, E., Turner, W., & Spector, S. (2010). Remote sensing for ecology and conservation: A handbook of techniques. New York, USA: Oxford University. [ Links ]

Lara, B., & Gandini, M. (2014). Quantifying the land cover changes and fragmentation patterns in the Argentina Pampas, in the last 37 years (1974-2011). GeoFocus, 14, 163-180. Retrieved from http://geofocus.rediris.es/2014/Articulo9_2014.pdfLinks ]

Lara, B., & Gandini, M. (2016). Caracterización del comportamiento fenológico de las coberturas vegetales en un sector de la Pampa Deprimida (Argentina): una aproximación utilizando series temporales de NDVI. Ambiência, 12(4), 765-783. doi: 10.5935/ambiencia.2016.04.01 [ Links ]

Li, Z., Liu, W. Z., Zhang, X. C., & Zheng, F. L. (2009). Impacts of land use change and climate variability on hydrology in an agricultural catchment on the Loess Plateau of China. Journal of Hydrology, 377(1), 35-42. doi: 10.1016/j.jhydrol.2009.08.007 [ Links ]

Manuel-Navarrete, D., Gallopin, G. C., Blanco, M., Díaz-Zorita, M., Ferraro, D. O., Herzer, H., …Viglizzo, E. F. (2009). Multicausal and integrated assessment of sustainability: The case of agriculturization in the Argentine Pampas. Environment, Development and Sustainability, 11(3), 621-638. doi: 10.1007/s10668-007-9133-0 [ Links ]

Matteucci, S. (2012). Ecorregión Pampa. In J. Morello, S. Matteucci, A. Rodríguez, & M. Silva (Eds.), Ecorregiones y complejos ecosistémicos argentinos (pp. 391-446). Buenos Aires, Argentina: Orientación Gráfica Editora. Retrieved from https://www.researchgate.net/profile/Silvia_Matteucci/publication/268447997_Ecorregion_Pampa/links/54f608650cf2ca5efefdace9.pdfLinks ]

Müller, D., & Munroe, D. K. (2014). Current and future challenges in land-use science. Journal of Land Use Science, 9(2), 133-142. doi: 10.1080/1747423X.2014.883731 [ Links ]

Murty, D., Kirschbaum, M. U., Mcmurtrie, R. E., & Mcgilvray, H. (2002). Does conversion of forest to agricultural land change soil carbon and nitrogen? A review of the literature. Global Change Biology, 8(2), 105-123. doi: 10.1046/j.1354-1013.2001.00459.x [ Links ]

Paruelo, J. M. (2008). La caracterización funcional de ecosistemas mediante sensores remotos. Ecosistemas, 17(3), 4-22. Retrieved from http://revistaecosistemas.net/index.php/ecosistemas/article/view/83Links ]

Pettorelli, N., Wegmann, M., Skidmore, A., Sander, M., Dawson, T. P., Fernandez, M., …Penner, J. (2016). Framing the concept of satellite remote sensing essential biodiversity variables: challenges and future directions. Remote Sensing in Ecology and Conservation, 2(3), 122-131. doi: 10.1002/rse2.15 [ Links ]

Post, W. M., & Kwon, K. C. (2000). Soil carbon sequestration and land‐use change: processes and potential. Global Change Biology, 6(3), 317-327. doi: 10.1046/j.1365-2486.2000.00308.x [ Links ]

Reed, B. C., Schwartz, M. D., & Xiangming, X. (2009). Remote sensing phenology: Status and the way forward. In A. Noormets (Ed.), Phenology of ecosystem processes (pp. 231-246). New York, USA: Springer. doi: 10.1007/978-1-4419-0026-5_10 [ Links ]

Sistema Integrado de Información Agropecuaria (SIIA). (2016). Datos Agroindustriales Retrieved June 19, 2017, from http://www.agroindustria.gob.ar/datosagroindustriales/Links ]

Solano, R., Didan, K., Jacobson, A., & Huete, A. (2010). MODIS Vegetation Index User’s Guide (MOD13 Series) C5. Retrieved from https://vip.arizona.edu/documents/MODIS/MODIS_VI_UsersGuide_01_2012.pdfLinks ]

Tou, J. T., & Gonzalez, R. C. (1974). Pattern recognition principles. Massachusetts, USA: Addison-Wesley Publishing Company. [ Links ]

Viglizzo, E. F., Roberto, Z. E., Lértora, F., Gay, E. L., & Bernardos, J. (1997). Climate and land-use change in field-crop ecosystems of Argentina. Agriculture, Ecosystems & Environment, 66(1), 61-70. [ Links ]

Wang, Q., Tenhunen, J., Dinh, N. Q., Reichstein, M., Vesala, T., & Keronen, P. (2004). Similarities in ground- and satellite-based NDVI time series and their relationship to physiological activity of a Scots pine forest in Finland. Remote Sensing of Environment, 93(1-2), 225-237. [ Links ]

Recibido: 05 de Octubre de 2017; Aprobado: 13 de Marzo de 2018

Creative Commons License This is an open-access article distributed under the terms of the Creative Commons Attribution License