Series temporales de vegetación para un modelo forestal destruido: El caso de Tadla Azilal (Marruecos)

Time series of vegetation for a destroyed forest model: The case of Tadla Azilal (Morocco)

Abderrahim Nemmaoui¹, Andrés M. García-Lorca¹, Fernando J. Aguilar², Manuel A. Aguilar²

¹ Facultad de Humanidades y Psicología, Área de Análisis Geográfico.

Recibido: agosto, 2012.
Aprobado: febrero, 2013.

Resumen

La hipótesis de esta propuesta metodológica se basa en que las recientemente introducidas técnicas OBIA (Object Based Image Analysis), aplicadas a imágenes de satélite de media resolución y amplia disponibilidad histórica, representan una herramienta eficiente y precisa para detectar cambios en la cobertura y uso del suelo a escala geográfica regional. Como ejemplo de su potencial se realizó un análisis del fenómeno de la deforestación entre los años 1973 y 2010 en la región de Tadla Azilal (Marruecos) a través del uso de imágenes de satélite de la serie Landsat. Esta zona fue declarada oficialmente como afectada por deforestación aguda en varios estudios e informes ministeriales, aunque se carecía de información cuantitativa que sustentara ese dictamen. Los resultados obtenidos fueron muy prometedores en cuanto a su precisión y facilidad de implementación (Kappa=0.817 y overall accuracy=87.55±4.1 %). Se estimó un proceso neto de deforestación de la región con una pérdida de superficie forestal total de 56 % en el periodo 1973 a 2010, lo que equivale a un porcentaje medio de deforestación anual cercano al 1.5 %.

Palabras clave: imagen de satélite, técnicas OBIA, deforestación, Tadla Azilal.

Abstract

Key words: satellite image, OBIA techniques, deforestation, Tadla Azilal.

INTRODUCCIÓN

La función de la vegetación en el ciclo hidrológico de una cuenca se muestra en varios estudios e investigaciones (Henderson-Sellers et al, 1993; Kucharik et al, 2000; Arora, 2002). Andréassian (2004) señala los efectos de la deforestación sobre su entorno y las consecuencias que pueden ocurrir en varios niveles del ecosistema. Desde el punto de vista hidrológico, la vegetación influye en el balance de agua, superficial o subterránea, debido a su función en la intercepción de la lluvia, infiltración, evapotranspiración y, sobre todo, en la escorrentía superficial y la erosión. La erosión origina pérdidas de suelo fértil y, además, puede generar problemas de colmatación en los embalses y, por tanto, disminuir su capacidad de almacenamiento.

La masa vegetal cambia continuamente a escala temporal y espacial debido a varios hechos naturales o antrópicos. Una de las técnicas de monitoreo más eficientes utiliza imágenes de satélite multitemporales que permiten detectar cambios temporales en los componentes superficiales de la cubierta vegetal (Lund, 1983; Meline, 1988; Duveiller et al, 2008), y generar mapas de localización que ayudan en la toma de decisiones y posibles labores de intervención y corrección. Los satélites de observación terrestre permiten generar una base de datos que aumenta continuamente y realizar estudios de seguimiento con la generación de modelos cuantitativos y cualitativos de las variables observadas.

Hay varios estudios basados en la combinación de imágenes de diferentes sensores que tienen una reducida resolución espacial, pero su resolución temporal es alta (Steven et al., 2003). También es posible combinar tomas desde diferentes ángulos de observación, frecuencias, etc., para estimar parámetros forestales importantes como el índice de área foliar (Manninen et al, 2005).

Por tanto, el análisis multitemporal de imágenes de satélite es la herramienta principal empleada para alcanzar el objetivo de este estudio: la identificación, estimación y georreferenciación de las zonas forestadas-deforestadas de la cuenca vertiente de la zona irrigada de Tadla Azilal (Marruecos) durante el periodo 1973-2010.

MATERIALES Y MÉTODOS

La región de Tadla Azilal se ubica en la zona sureste, a 200 km de la capital económica de Marruecos (Casablanca) (Figura 1) y comprende las provincias de Beni Mellal y de Azilal. Desde el principio de las actuaciones del Protectorado francés persiste en la zona un equilibrio entre llanura y montaña. La llanura tiene potencial agronómico y el área de montaña es la fuente principal de sus recursos hídricos subterráneos o superficiales, gracias al Medio y al Alto Atlas, epicentro de todo el dispositivo hidráulico del reino marroquí. En este sentido, la llanura es considerada como un espacio útil y de interés nacional con una economía basada principalmente en la agricultura intensiva, mientras que la montaña es considerada como un espacio menos útil, con una economía de subsistencia de pastoreo y sobreexplotación del bosque.

El Modelo Digital de Elevaciones (MDE) (Figura 2) correspondiente a la región de Tadla Azilal se usó para delimitar la cuenca hidrográfica. Es un MDE tipo DT1 (resolución horizontal de 3 arcos de segundo ~90 m) generado en el año 2000 en el contexto del programa SRTM (Shutrle Radar Topographic Mission). Las coordenadas horizontales están representadas mediante la proyección UTM en el sistema WGS84, mientras que las elevaciones se expresan como cotas ortométricas sobre el geoide EGM96 (Earth Gravitational Model 1996) (Slater et al., 2006).

Descripción y tratamiento de las imágenes de satélite empleadas

Descripción de las imágenes de satélite

Se obtuvieron imágenes DE la serie Landsat de la NASA, distribuidas por el USGS a través del visualizador GLOVIS (Global Visualization Viewer; http://glovis.usgs.gov/). Para conseguir una cobertura completa de la región estudiada fueron necesarias CUATRO escenas Landsat para el 2010 (sensor Landsat 7 ETM+) y cuatro para 1973 (sensor Landsat 1 MSS), todas dentro de una ventana temporal de 2-7 d para cada año analizado (Cuadro 1). El objetivo era obtener, para cada uno de los sensores, la reflectancia en la banda de infrarrojo cercano como canal muy sensible a la actividad fotosintética y, por tanto, a la presencia de biomasa vegetal. Las bandas 6 y 7 del sensor MSS de Landsat 1 (imágenes de 1973) capturan radiación electromagnética en el espectro 0.7-0.8 μm (banda 6) y 0.8-1.1 μm (banda7), mientras que el sensor ETM+ detecta el infrarrojo cercano a través de su banda 4 (0.76-0.9 μm). Una adecuada combinación de esas tres bandas permite obtener diferencias temporales en la reflectancia al infrarrojo cercano a nivel de pixel y, por tanto, cuantificar y localizar espacialmente la aparición y desaparición de biomasa forestal entre 1973 y 2010.

Cada una de las escenas empleadas se encuentra georreferenciada en formato GeoTIFF según el sistema de proyección UTM sobre el elipsoide WGS84. Para generar una escena continua final en la que se recoja la totalidad de nuestra zona de estudio se realizó un mosaico de cuatro escenas Landsat para cada fecha. Dicho mosaico se elaboró mediante ERDAS Imagine v 9.1^® considerando: 1) la coincidencia geométrica de las escenas unidas y 2) la coincidencia radiométrica, para lo cual se escogieron imágenes o escenas de las mismas fechas y del mismo sensor aplicando un ajuste o de histogramas.

Cuantificación y corrección de los errores geométricos

Las imágenes Landsat empleadas en este trabajo recibieron un nivel de corrección 6 el cual implica, además de la corrección sistemática de los errores del sensor o nivel de corrección 5 (a partir de datos almacenados por el propio sensor como efemérides, altitud, posición, etc.), el marcado manual en el espacio imagen de puntos de control terreno dotados de coordenadas geográficas para la rectificación geométrica y georreferenciación de las escenas Landsat. De esta forma se obtuvo una imagen rectificada y georreferenciada según una determinada proyección cartográfica. Para conocer la precisión del proceso de georreferenciación se determinó el índice de error global denominado error medio cuadrático (EMC; RMSE, siglas en inglés), calculado mediante la siguiente expresión:

donde RMSE_xy representa el error medio cuadrático planimétrico (2D), RMSE_x el error medio cuadrático en la dirección X (Este-Oeste), RMSEy el error medio cuadrático en la dirección Y (Norte-Sur), e_x y e_y la diferencia entre las coordenadas reales y las medidas en la imagen para cada punto de control, y N el número de puntos de control empleados.

El error de georreferenciación medio (expresado como error planimétrico RMSE_2D) de las imágenes utilizadas en este estudio fue 28.5 m y 5.6 m para las escenas de 1973 y 2010. Esto significa un error relativo al tamaño de pixel de cada escena inferior a 0.40 pixeles (error subpixel), por lo que las imágenes pueden considerarse válidas para los propósitos del estudio.

Corrección atmosférica

En ciertas circunstancias es necesaria una corrección radio-métrica o normalización previa al tratamiento o explotación de las imágenes de satélite, sobre todo en estudios para detectar cambios a lo largo del tiempo (Duggin y Robinove, 1990). En este último caso se debe conseguir que la radiometría que presentan las escenas multitemporales analizadas sea independiente de las condiciones atmosféricas particulares presentes durante el día de su adquisición. Pero, teniendo en cuenta la metodología de integración de la información multitemporal mediante imágenes en falso color propuesta en este estudio y que se describe en los siguientes apartados, se puede prescindir completamente de este tipo de corrección porque se realiza un solo proceso de entrenamiento para efectuar la correspondiente clasificación supervisada. En efecto, dado que se clasifica una sola imagen en falso color con información multitemporal (2 bandas de 1973 y 1 banda de 2010 integradas en una misma imagen RGB), se realiza un solo entrenamiento ad hoc que se aplica a toda la imagen (Potrer, 1974). En ningún caso se extrapola dicho entrenamiento a clasificaciones de escenas tomadas en años diferentes. Con esta metodología, y de acuerdo con Song et al. (2001), no es necesario aplicar ninguna corrección atmosférica en el pre-procesamiento de las imágenes Landsat, lo que constituye una de las ventajas del método propuesto en este estudio.

Composición 1973-2010 y aplicación de técnicas OBIA

Con el propósito de detectar la aparición o desaparición de biomasa forestal, se utilizó la banda del infrarrojo cercano como referencia.

Con base en la curva de respuesta espectral típica de la vegetación (Figura 3), se generó una serie de índices diseñados para mejorar la segmentación y la clasificación de la clase vegetación en relación a otras coberturas. Los índices más empleados con este propósito son los siguientes: RVI (Ratio Vegetation Index) (Pearson y Miller, 1972), NDVI (Normalized Difference Vegetation Index) (Rouse et al., 1974) y DVI (Difference Vegetation Index) (Richardson y Everitr, 1992). Todos estos índices de vegetación tienes dos objetivoa (Chuvieco, 2008): mejorar la discriminación entre dos cubiertas con comportamiento reflectivo muy distinto entre las bandas rojo e infrarrojo cercano (NIR), y reducir el efecto del relieve (pendiente y orientación) en la caracterización espectral de distintas cubiertas.

Los índices aplicados en este estudio son análogos a los índices de vegetación comentados, aunque en este caso se aplican sobre una imagen RGB obtenida por composición multitemporal de las bandas del infrarrojo cercano 6 y 7 (escena Landsat 1 de 1973) y la banda 4 (NIR de la escena Landsat 7 de 2010), como se indica en la Figura 4.

A las bandas de la imagen más antigua (1973) se asignó el cañón rojo y el cañón azul, y a la banda de la imagen reciente (2010) el cañón verde (Figura 4). En la imagen RGB resultante se pueden apreciar regiones verdes que indican presencia reciente de vegetación forestal, indicado en la leyenda como reforestación. El color magenta, como composición del azul y rojo, indica una reducción de la vegetación, interpretándose como deforestación. Las zonas con cobertura vegetal en las dos fechas de toma de las imágenes se presentan con color gris y un valor digital elevado debido a la reflectividad en la banda NIR de la vegetación, lo que permite diferenciarlas del suelo desnudo.

Sobre esta composición multitemporal y para ayudar en la identificación de zonas arboladas y no arboladas mediante clasificación supervisada, se aplicaron los siguientes índices basados en los índices de vegetación tradicionales (Bandas 6 y 7 para 1973 y Banda 4 para 2010):

Un vez obtenida la imagen compuesta se aplicaron técnicas de clasificación de imágenes basadas en objetos (denominadas genéricamente OBIA por Object Based Image Classification; Blaschke, 2010) y, en particular, la modalidad de clasificación supervisada de acuerdo con los siguientes pasos: 1) segmentación de la imagen y obtención de grupos de píxeles homogéneos, 2) selección de muestras de entrenamiento, 3) clasificación supervisada basada en las signaturas de las muestras o en índices, 4) validación de la clasificación obtenida.

Las clases objetivo del proceso de clasificación automático fueron las siguientes: 1) área reforestada (aparición neta de superficie arbolada), 2) área deforestada (desaparición neta de superficie arbolada), 3) bosque actual (áreas que se mantienen arboladas en 1973 y en 2010), y 4) suelo desnudo sin cambios (áreas sin biomasa vegetal aparente en 1973 y en 2010).

Para clasificar las cuatro clases objetivo se aplicó una segmentación sobre los píxeles de base con el software eCognition 8.0^® (algoritmo multirresolution), con los valores RGB de la imagen compuesta (Figura 4) como información espectral y con los siguientes parámetros: escala 50, forma 0.3 (i.e. 70 % de peso para la información espectral) y compacidad 0.5. Una vez obtenidos los objetos o segmentos de base, se procedió al entrenamiento del clasificador Nearest Neighbour mediante un adecuado número de muestras (objetos) señalados como claramente pertenecientes a alguna de las clases objetivo. Así, el número de muestras de entrenamiento para cada clase de referencia fue siempre superior a 25 objetos, con una media de alrededor de 200 pixeles cada uno. De esta forma el clasificador crea unas reglas de decisión en función de los valores medios de cada objeto para los índices (ecuaciones 2 a 6). Después se aplicó el clasificador al resto de segmentos para la asignación de la clase correspondiente en función del entrenamiento recibido.

Validación de los resultados de clasificación obtenidos

Para validar la precisión de las estimaciones ofrecidas por la metodología aquí propuesta se procedió a la extracción de 249 pixeles mediante un muestreo aleatorio estratificado sobre las escenas Landsat de 1973 y 2010. Así se identificaron 249 píxeles distribuidos aproximadamente de forma proporcional al peso en el área de estudio de las cuatro clases objetivo, i.e., 101 pertenecientes a la clase Bosque actual, 90 a Deforestación, 14 a Forestación y 44 a Suelo desnudo sin cambios. Ninguno de los píxeles empleados en la validación de la clasificación supervisada OBIA fue previamente incluido en los objetos usados para el entrenamiento del clasificador Nearest Neighbour, por lo que se considera un procedimiento de análisis de la precisión totalmente independiente de las muestras de entrenamiento (Congalton, 1991).

Cada uno de los 249 píxeles del conjunto de validación se clasificó con una cuidadosa inspección visual en cada una de las cuatro clases objetivo, obteniéndose lo que se denomina el ground truth para comparar los resultados ofrecidos por la clasificación. El resultado se presenta como una clásica matriz de confusión (Congalton et al., 1983). Esta matriz muestra en su diagonal las categorías clasificadas correctamente, en las columnas las categorías estimadas por la clasificación supervisada y en las filas las clases de referencia (groundtruth). Así el error asociado a cada una de las columnas se denomina error de inclusión o comisión y representa aquellos píxeles que fueron asignadas a dicha categoría sin pertenecer a ella. Y el error asociado a cada fila se denomina error de exclusión u omisión y representa aquellos píxeles asignados a dicha categoría aún cuando pertenecían a ella.

La exactitud global de la clasificación (overall accuracy) sólo considera los aciertos situados en la diagonal de la matriz de confusión y descarta la información suministrada por los errores de comisión y omisión. Esta limitación suele soslayarse mediante el empleo de un estadístico multivariado discreto como el estimador de concordancia Kappa de Cohen (K). En efecto, en la clasificación de una serie de clases objetivo interesa comparar la clasificación obtenida frente a una de referencia; por ejemplo, aquella basada en el mero azar (Congalton et al., 1983). El índice Kappa se construye de forma que: 1) sea un número único para toda la matriz, 2) sea mayor para una clasificación más exacta y menor para una inexacta, y 3) introduzca el azar como un proceso de referencia. En este sentido, el estimador K considera tanto la información sobre la precisión global de la clasificación como los errores de comisión y omisión, por lo que es un índice de calidad de la clasificación muy valorado en procedimientos de validación como el de este estudio.

RESULTADOS Y DISCUSIÓN

Estimación de la precisión de la clasificación OBIA

En la matriz de confusión (Cuadro 2) se muestra una precisión global de la clasificación (overall accuracy) de 87.55 %, valor adecuado para los objetivos del estudio y valida la aplicación del método en otros escenarios similares donde puede resultar útil y eficiente. Además, bajo el supuesto de una distribución binomial para cada clase y con una aproximación normal de dicha distribución, el intervalo de confianza para la precisión global es ±4.1 % con un nivel de confianza de 95 %.

Todas las clases objetivo presentaron valores superiores al 83 % en la exactitud del productor, relacionado con el error de omisión (Cuadro 2), lo que representa que la probabilidad de dejar sin clasificar un pixel perteneciente a una de las clases objetivo es siempre inferior al 17 %, y en las clases con menor superficie asociada como Forestación y Suelo desnudo sin cambios es inferior al 7 %.

El indicador Kappa, índice global de la precisión de la clasificación, fue K=0.817. Esta cifra se interpreta como que la clasificación realizada evita 81.7 % de los errores que se cometerían si la misma fuera realizada al azar, lo cual indica una clasificación muy satisfactoria para los objetivos de este estudio.

Evolución de las superficies forestadas y deforestadas en Tadla Azilal entre 1973 y 2010

El área forestal de la zona en 2010 representaba 554 426.48 ha, un valor ligeramente superior a las 510 000 ha declaradas como dato oficial en el 2007, lo cual se puede atribuir a la ampliación de la zona de estudio para incluir zonas colindantes.

La disminución neta de áreas forestales durante el periodo 1973 a 2010 es 56 % (Figura 5), lo que puede calificarse como una situación muy alarmante. Entre las causas que podrían explicar este descenso de biomasa vegetal de tipo forestal destacan los incendios forestales que se producen sobre todo en años de sequía pronunciada (pluviometría <250 mm año ^-1), la tala de las zonas de menor cota para desmonte y puesta en producción agrícola y la sobreexplotación de los bosques de la región para extraer madera como aprovechamiento silvícola. En el Cuadro 3 se muestran cifras de la extracción maderera media de la zona, con valores de aprovechamiento excesivos en relación a la escasa pluviometría de la región (precipitación media anual de 348 mm para el periodo 1963 al 2003; Figura 6).

El informe de la FAO, redactado en el contexto del proyecto "Project Azilal", destaca la sobreexplotación de los bosques de la región desde la década de 1980, con una tasa que duplica la media nacional de Marruecos (DIRASSET, 2007). La FAO concluye así su análisis: "Las extracciones de madera para la calefacción, la alimentación del ganado y la deforestación superan actualmente el 50 % de la producción del bosque. Esta sobreexplotación implicaría una rápida reducción del capital sobre pie, ya muy escaso. Sólo permanecería un 20 %, en el año 2020, tan disperso que no merecerá ya el nombre de bosque. (...) La desaparición de los macizos forestales puede darse por irreversible en la medida en que su recuperación no podrá realizarse sino a costes extremadamente elevados, prohibitivos, y sobre un periodo muy largo". (DIRASSET, 2007).

Este informe indica que el bosque de la región, dadas las características climáticas de la zona, no puede regenerarse en forma natural al ritmo necesario para mantener la extracción de madera a la que está sometido, por lo que aparecen rodales o claros (objetos o segmentos en terminología OBIA) donde la densidad de vegetación es tan escasa que nuestra metodología lo identifica como una zona deforestada (valor digital bajo en la banda NIR en el 2010).

Las zonas deforestadas desde 1973 superan la mitad de la superficie forestal inicial. Queda fuera del objetivo de este artículo el análisis de las consecuencias que este fenómeno de deforestación pueda tener sobre la sostenibilidad a medio-largo plazo del perímetro irrigado de Tadla Azilal, aunque es probable que afectará el balance hidrológico de la cuenca y, por tanto, la disponibilidad de un recurso muy escaso y valioso para la región como es el agua, fundamental para la sostenibilidad y desarrollo de una región agrícola emergente.

CONCLUSIONES

En el estudio se cuantifica el proceso de deforestación que sufren las montañas del Medio Atlas colindante a la región agrícola de Tadla Azilal (Marruecos), de crucial interés para la supervivencia de la zona irrigada, pues constituye la base de su suministro hídrico. El estudio revela una severa reducción del área arbolada que afecta a todas las cuencas analizadas. La metodología original propuesta permitió evaluar y diagnosticar con una precisión lo que equivale a 1.5 % de pérdida media anual de superficie forestal.

AGRADECIMIENTOS

LITERATURA CITADA

Andréassian, V. 2004. Waters and forests: from historical controversy to scientific debate. J. Hydrol. 291: 1-27.         [ Links ]

Arora, V. 2002. Modeling vegetation as a dynamic component in soil-vegetation-atmosphere transfer schemes and hydrological models. Rev. Geophys. 40: 3.1-3.26.         [ Links ]

Blaschke, T. 2010. Object based image analysis for remote sensing. ISPRS-J. Photogramm. Remote Sens. 65: 2-16.         [ Links ]

Chuvieco S., E. 2008. Teledetección Ambiental: La Observación de la Tierra desde el Espacio. Ed. Ariel. Barcelona. 586 p.         [ Links ]

Congalton, R. G. 1991. A review of assessing the accuracy of classification of remotely sensed data. Remote Sens. Environ. 37: 35-46.         [ Links ]

Congalton, R. G., R. G. Oderwald, and R. A. Mead. 1983. Assessing Landsat classification accuracy using discrete multivariate statistical techniques. Photogramm. Eng. Remote Sens. 49: 1671-1678.         [ Links ]

DIRASSET. 2007. Schéma Régional d'Aménagement du Territoire de la région de Tadla Azilal: Diagnostique et problématique. Rabat.         [ Links ]

Duggin, M. J., and C. J. Robinove. 1990. Assumptions implicit in remote sensing data acquisition and analysis. Remote Sens. Environ. 11: 1669-1694.         [ Links ]

Duveiller, G., P. Defourny, B. Desclée, and P. Mayaux. 2008. Deforestation in Central Africa: Estimates at regional, national and landscape levels by advanced processing of systematically-distributed Landsat extracts. Remote Sens. Environ. 112: 1969-1981.         [ Links ]

Henderson-Sellers, A., R. E. Dickinson, T. B. Durbudge, P. J. Kennedy, K. McGuffie, and A. J. Pitman. 1993. Tropical deforestation: Modeling local to regional scale climate change. J. Geophys. Res. 98(4): 7289-7315.         [ Links ]

Kucharik, C. J., J. A. Foley, C. Delire, V. A. Fisher, M. T. Coe,J. D. Lenters, C. Young-Molling, and N. Ramankutry. 2000. Testing the performance of a dynamic global ecosystem model: water balance, carbon balance, and vegetation structure. Glob. Biogeochem. Cycle 14: 795-825.         [ Links ]

Lund, H. G. 1983. Change now you see it — now you don't!. Proc. Int. Conf. In: Renewable Resource Inventories for Monitoring Changes and Trends. Oregon State University, Corvallis. pp: 211-213.         [ Links ]

Manninen, T., P. Stenberg, M. Rautainen, P. Voipio, and H. Smolander. 2005. Leaf Area Index Estimation of Boreal Forest Using ENVISAT ASAR. IEEE Trans. Geosci. Remote Sensing 43: 2627-2635.         [ Links ]

Meline, A. K. 1988. Change direction analysis using Landsat imagery: a review of methodology. Proc. IGARSS'88 Symp. (ESA SP-284), Edinburgh, Scotland, pp: 541-544.         [ Links ]

Pearson, R. L., and L. D. Miller. 1972. Remote mapping of standing crop biomass for estimation of the productivity of the short-grass Prairie. Pawnee National Grassland, Colorado: 8th international symposium on remote sensing of environment. pp. 1357-1381.         [ Links ]

Potrer, J. F. 1974. Haze and sun angle effects on automatic classification of satellite data-simulation and correction. Proc. Soc. Photo-Opt. Instrum. Eng. 51: 73-83.         [ Links ]

Richardson, A. J., and J. H. Everitr. 1992. Using spectra vegetation indices to estimate rangeland productivity. Geocarto Int. 7: 63-69.         [ Links ]

Rouse, J. W., R. H. Haas, J. A. Schell, D. W. Deering, and J. C. Harlan. 1974. Monitoring the vernal advancement and retrogradation (greenwave effect) of natural vegetation. NASA/GSFC Type III Final Report, Greenbelt, Md. 371 p.         [ Links ]

Slater, J. A., G. Garvey, C. Johnston, J. Haase, B. Heady, G. Kroenung, and J. Litrle. 2006. The SRTM data "finishing" process and products. Photogramm. Eng. Remote Sens. 72: 237-247.         [ Links ]

Song, C., C. E. Woodcock, K. C. Seto, M. P. Lenney, and S. A. Macomber. 2001. Classification and change detection using Landsat TM data - When and how to correct atmospheric effects? Remote Sens. Environ. 75: 230-244.         [ Links ]

Steven, M. D., T. J. Malthus, F. Baret, H. Xu, and M. J. Chopping. 2003. Intercalibration of vegetation indices from different sensor systems. Remote Sens. Environ. 88: 412-422.         [ Links ]