Capacity of phenological data derived from CYCLOPES LAI for the year 2000 to distinguish land cover types in the state of Michoacán, Mexico

Luis Valderrama-Landeros¹; Ma. Luisa España-Boquera¹*; Frédéric Baret²; Nahum Sánchez-Vargas¹; Cuauhtémoc Sáenz-Romero¹

¹ Universidad Michoacana de San Nicolás de Hidalgo, Instituto de Investigaciones Agropecuarias y Forestales. Posta Veterinaria, km 9.5 Carretera Morelia-Zinapécuaro. C. P. 58880. Michoacán, MÉXICO. Correo-e: mespanaboquera@gmail.com Tel.: 52-443-2958323 (*Autora para correspondencia).

² INRA-CSE, Agroparc, 84914, Avignon, FRANCE.

RESUMEN

Se exploró la capacidad de los datos fenológicos de la serie LAI del proyecto CYCLOPES del año 2000, para distinguir tipos de vegetación generales (bosque de hoja perenne, de hoja caduca, cultivos y pastizal-matorral) en Michoacán, México. Con el programa TIMESAT se extrajeron 11 variables fenológicas de cada píxel de 1 km de dicha serie. El comportamiento de cada variable se analizó tomando como referencia el mapa INF2000. Las principales diferencias corresponden al carácter caducifolio o perennifolio de la vegetación. Las 11 variables se redujeron a cinco componentes principales (98 % de la varianza), para hacer una clasificación no supervisada de 250 clases o grupos fenológicos. Cada clase se asoció a uno de los tipos de cobertura, según el criterio de máxima coincidencia de área con el mapa de referencia INF2000, para construir el mapa de cobertura CYCL2000. La comparación de ambos mapas mostró exactitud total de 63 %. Los bosques de hoja caduca fueron los mejor identificados (80.1 % de píxeles identificados correctamente y 62.1 % bien clasificados), seguidos de los de hoja perenne (74.1 %, 69.9 %), cultivos (62.9 %, 61.1 %) y pastizal-matorral (16.9 %, 52.3 %). La identificación relativamente buena de los bosques permitirá utilizar este enfoque para estimar la deforestación.

Palabras clave: Serie de tiempo, fenología, variables biofísicas, mapa de cobertura, datos globales.

ABSTRACT

The capacity of the phenological data of the CYCLOPES project LAI series for the year 2000 to distinguish general vegetation types (evergreen forest, deciduous forest, crops and pasture-shrubland) in Michoacán, Mexico, was explored. Using the TIMESAT program, 11 phenological variables of each 1-km pixel of that series were extracted. The behavior of each variable was analyzed using the INF2000 map as a reference. The main differences relate to the deciduous or evergreen character of the vegetation. The 11 variables were reduced to five principal components (98% of the variance) to make an unsupervised classification of 250 phenological classes or groups. Each class was associated with one of the cover types, with a criterion of maximum area matched with the INF2000 reference map, in order to construct the CYCL2000 cover map. Comparing the two maps yielded modest results, with 63 % total accuracy. Deciduous forests were better identified (80.1 % of pixels correctly identified and 62.1 % correctly classified), followed by evergreen forests (74.1 %, 69.9 %), crops (62.9 %, 61.1 %) and pasture-shrubland (16.9 %, 52.3 %). The relatively good identification of forests shows that this approach could be used to estimate deforestation.

Keywords: Time series, phenology, biophysical variables, cover map, global data.

INTRODUCCIÓN

Las imágenes satelitales de la Tierra empezaron a adquirirse hace aproximadamente 30 años, por lo que constituyen un registro de la evolución de la superficie del planeta en tiempos recientes (Achard & Hansen, 2013; Gillespie, Foody, Rocchini, Giorgi, & Saatchi, 2008; Pfeifer, Disney, Quaife, & Marchant, 2011). A partir del acervo histórico de dichas imágenes se han construido series de tiempo para estudiar la evolución y la situación de las superficies naturales a nivel global, particularmente ante el preocupante escenario actual de cambio climático y de uso de suelo (DeFries, 2013; Houghton, 2013).

Las series de tiempo son bases de datos en las que cada punto del planeta (de 1 km² en la mayoría de las series existentes) tiene asociados datos correspondientes a fechas concatenadas, en pasos de tiempo fijos y cercanos (típicamente 1 o más datos al mes), con algunos huecos debido a la presencia de nubes (Kandasamy, Baret, Verger, Neveux, & Weiss, 2012; Petitjean, Inglada, & Gancarski, 2012). Los datos consisten en índices de vegetación (típicamente el NDVI: Normalized Difference Vegetation Index) o bien variables biofísicas, como el índice de área foliar (LAI: leaf area index, área de una cara de tejido fotosintético por unidad de superficie de suelo), la fracción de radiación fotosintéticamente activa absorbida por las plantas (fAPAR, fraction of Absorbed Photosynthetically Active Radiation) o la fracción de cobertura (fCover). Las variables biofísicas presentan algunas ventajas sobre los índices de vegetación, pues las primeras tienen un significado físico real (ilustrativo de la densidad y el funcionamiento de la vegetación) y una dependencia menor de la precisión radiométrica de los sensores satelitales (Weiss, Baret, Garrigues, Lacaze, & Bicheron, 2007). La importancia de las series de tiempo radica en que permiten abordar el estudio de las superficies naturales desde un enfoque fenológico (Fisher, Frank, & Leggett, 2010; Jones & Vaughan, 2010). La evolución de una masa vegetal a lo largo de un ciclo anual (fenología) se refleja en la forma en que sus características biofísicas varían (LAI, fAPAR, fCover) y, a su vez, depende del tipo de vegetación de que se trate. Sin embargo, no existe una relación directa y biunívoca, entre fenología y tipo de vegetación, por lo que la posibilidad de utilizar series de tiempo para construir mapas de cobertura no es evidente.

Entre las series de tiempo de variables biofísicas disponibles destaca CYCLOPES (Carbon cycle and Change in Land Observational Products from an Ensemble of Satellites), construida por el proyecto GEOLAND2 en el año 2003, en el marco de la iniciativa GMES (Global Monitoring of the Environment and Security), coordinada por la ESA (European Space Agency). Los datos CYCLOPES se generaron utilizando imágenes del sensor SPOT/VEGETATION y consisten en series de tiempo globales de LAI, fAPAR y fCover, con pasos de 10 días (periodo para el que se promedian los datos útiles) y resolución de 1 km, entre 1999 y 2007. Las estimaciones surgen de redes neuronales entrenadas con simulaciones de modelos de transferencia radiactiva, que simulan la intercepción de la luz por los elementos vegetales, considerando sus propiedades ópticas y estructurales (Baret et al., 2007). La experiencia generada en el desarrollo de la serie CYCLOPES ha permitido la creación de las series Biopar (Geoland2, 2014).

El objetivo de este trabajo fue explorar la capacidad de los datos fenológicos (temporalidad de la presencia, ausencia y cantidad o densidad de follaje) contenidos en la serie de LAI del proyecto CYCLOPES, para distinguir los principales tipos de vegetación en el estado de Michoacán. El estudio se realizó para el año 2000, único de la serie CYCLOPES para el que se tiene un mapa de referencia confiable.

MATERIALES Y MÉTODOS

Descripción del área de estudio

Michoacán de Ocampo es un estado del centro occidente de México, en la costa del océano Pacífico. La entidad tiene una extensión de 59,824 km² y se localiza entre los 17° 54' 34"-20° 23' 37" N y 100° 03' 23"-103° 44' 09" W (Instituto Nacional de Estadística Geografía e Informática [INEGI], 1985); su relieve le otorga una gran diversidad de condiciones ecológicas (Secretaría de Medio Ambiente, Recursos Naturales y Pesca [SEMARNAP], 1997). El clima está marcado por dos estaciones: una seca de noviembre a mayo y otra lluviosa de junio a octubre (García, 1989). Sobre los 1,600 m, el clima es templado y se encuentran bosques de coníferas y mixtos, con áreas agrícolas y de matorral. Entre los 600 y los 1,600 m predomina el clima tropical con selva baja. Para el resto del territorio, el clima es seco estepario y predominan la selva baja caducifolia y los matorrales espinosos.

El mapa INF2000, desarrollado para el Inventario Nacional Forestal 2000, se utilizó como referencia para este trabajo (Palacio-Prieto et al., 2000), por ser un mapa confiable cuya precisión fue evaluada a partir de diferentes ejercicios de validación (Couturier et al., 2010; Velázquez, Mas, Bocco, & Palacio-Prieto, 2010). Este mapa se construyó mediante la interpretación visual de imágenes Landsat TM 1999-2000, y datos de campo (Mas et al., 2002), siguiendo el modelo cartográfico y geométrico de INEGI (proyección cónica conforme de Lambert [CCL] adaptada a México, datum ITRF2000, escala 1:250,000). Para hacer compatible el mapa con la serie de tiempo de LAI, se pasó al sistema de proyección de los datos CYCLOPES (proyección Universal Transversa de Mercator (UTM), datum WGS84 y resolución espacial de 1/112 de grado, aproximadamente 1 km).

En el mapa INF2000 se contabilizan 36 tipos de vegetación en Michoacán, de los 46 totales en México (Miranda & Hernández, 1963; Rzendowsky, 1978). En el presente estudio se propone una versión simplificada de la leyenda original, con cuatro tipos de cobertura: bosques de hoja perenne (BHP, de coníferas y mixtos), bosques de hoja caduca (BHC, selva caducifolia), cultivos (CU) y pastizal-matorral (PM). El Cuadro 1 presenta la simplificación de los tipos de cobertura y en la Figura 1 se muestra el mapa correspondiente.

Serie de LAI del proyecto CYCLOPES

Se utilizaron los datos de LAI de la serie CYCLOPES, generados a partir de imágenes del sensor SPOT/VEGETATION (VGT), con pasos de 10 días y resolución de 1 km (1/112 grado). Los datos corresponden al año 2000 (48 datos de LAI por pixel, del 10 de enero del 2000 al 10 de mayo del 2001; un ciclo de crecimiento completo). La zona de estudio se recortó considerando el límite oficial del estado de Michoacán, según el INEGI (2012). No se consideraron cuerpos de agua ni zonas urbanas. Los datos faltantes a causa de la nubosidad fueron recuperados mediante interpolaciones lineales en el tiempo.

Análisis de los datos

El trabajo se dividió en tres partes: 1) extracción de las características fenológicas de cada tipo de vegetación a partir de los datos de LAI del proyecto CYCLOPES del estado de Michoacán, correspondientes al año 2000, 2) utilización de las características fenológicas y el mapa de referencia INF2000, para construir un nuevo mapa de cobertura del año 2000, CYC2000 y 3) comparación del mapa CYC2000 con el mapa de referencia INF2000, para evaluar el nivel de coincidencia.

Caracterización fenológica de cada tipo de vegetación. Los datos de la serie de LAI del proyecto CYCLOPES del año 2000 se analizaron pixel a pixel con el algoritmo TIMESAT (Jönsson & Eklundh, 2004). Como resultado se obtuvieron 11 variables para cada pixel (Figura 2; Cuadro 2).

En el Cuadro 3 se presentan los valores tomados para los parámetros de ajuste de TIMESAT. Los píxeles con valores extraños en las variables de inicio de estación (mes 11) y derivadas izquierda y derecha (valores negativos) se eliminaron. La distribución de los valores de cada variable fenológica se obtuvo del conjunto de píxeles etiquetados con cada tipo de cobertura en el mapa de referencia INF2000.

Construcción del mapa CYCL2000. Con el programa Matlab (2012) se hizo un análisis de componentes principales (ACP) de las variables fenológicas obtenidas con TIMESAT, estandarizadas. Con los primeros cinco componentes (que incluyeron cerca de 99 % de la variación) se realizó una clasificación no supervisada con el algoritmo k-means de Matlab, de 250 clases, con el fin de agrupar los píxeles estadísticamente similares (Campbell, 2002). El algoritmo k-means es el más utilizado en las clasificaciones no supervisadas, por su probada eficiencia en la detección de grupos dentro de conjuntos grandes de datos (típicamente, los píxeles de una imagen). El número de grupos (k) se establece a priori y debe garantizar que no se incluyan datos (píxeles) diferentes en el mismo grupo. Asimismo, es importante que cada dato contenga información suficiente, lo que corresponde a la dimensión de la base de datos (en este caso, el número de componentes principales utilizados); la calidad del resultado depende principalmente de las características de los datos. Para etiquetar los grupos obtenidos y reagruparlos en categorías es necesario utilizar una referencia o conocimiento previo (Kanungo et al., 2002).

Comparación del mapa CYCL2000 con INF2000. Los mapas CYCL2000 y INF2000 se compararon píxel a píxel y se construyó la matriz de confusión correspondiente, con el fin de evaluar el nivel de coincidencia entre los grupos fenológicos y los tipos de cobertura, así como la consistencia en la fenología de cada uno de éstos. En el supuesto de que el mapa de referencia es perfecto, la comparación se basa en la idea de que, si hay una buena separabilidad entre la fenología de las diferentes coberturas, cada una quedará conformada por un subconjunto de los 250 grupos fenológicos y entonces el nuevo mapa CYCL2000 coincidirá con el de referencia INF2000. No obstante, si la información fenológica no es lo suficientemente discriminante, existirá una diferencia entre los dos mapas que dependerá de los tipos de cobertura y, en particular, del grado de similitud fenológica entre ellos.

Las siguientes variables fueron calculadas: porcentaje de píxeles que comparten la misma leyenda en los dos mapas (exactitud total); porcentaje de píxeles de cada cobertura que en el mapa CYCL2000 están clasificados igual que en el mapa INF2000 (corresponde a la sensibilidad y está vinculado a errores de comisión); y el porcentaje de píxeles del mapa INF2000 que en el mapa CYCL2000 pertenecen a la misma clase de cobertura (corresponde a la precisión y se relaciona con el error de omisión) (Congalton, 1991).

RESULTADOS Y DISCUSIÓN

Caracterización fenológica de cada tipo de vegetación

El análisis con TIMESAT de los datos CYCLOPES del año 2000 proporcionó el conjunto de 11 variables fenológicas de cada pixel. Las distribuciones aparecen en la Figura 3.

En los PM, el mínimo de LAI es el más bajo, pero el máximo es intermedio y la amplitud es alta. Los ritmos de incremento y decremento de LAI son los más altos después de los BHC. Los CU representan la cobertura más heterogénea, ya que incluyen desde agricultura de temporal hasta huertas de frutales. Los CU presentan un comportamiento fenológico muy parecido al de PM y es el tipo de vegetación que acumula menos LAI, la acumulación anual es similar a la de los BHP; los cuales inician la estación de crecimiento un poco más tarde y la terminan mucho después que los demás tipos de vegetación. Por tratarse de vegetación perenne, los BHP presentan un comportamiento estable a lo largo del año, con una estación de crecimiento poco marcada. En los BHC, por conformarse mayoritariamente de especies de hoja caduca, el mínimo de LAI es muy bajo; sin embargo, el máximo y la amplitud son los más altos de todos los tipos de vegetación. Esta vegetación presenta el ritmo de crecimiento más rápido al inicio de la temporada y un ritmo alto de decremento al final, junto con CU y PM. Todo esto explica que los BHC sean el tipo de vegetación que acumula más LAI a lo largo del año, lo cual se refleja en el valor de las integrales corta y extendida.

En la Figura 4 se muestra el perfil fenológico promedio de cada tipo de vegetación. Es importante enfatizar que el elemento más discriminante entre los tipos de cobertura considerados, desde el punto de vista fenológico, es el carácter caducifolio o perennifolio de la vegetación. La diferencia más evidente entre los perfiles fenológicos corresponde al mínimo de LAI; en el bosque de hoja perenne siempre se mantiene por encima de 1, mientras que en el caso de vegetaciones caducifolias es menor de 0.5. Si bien en primavera (mayo-junio) no parece haber diferencias en la forma en que las coberturas inician el desarrollo vegetativo (derivada izquierda), el carácter perennifolio o caducifolio sí tiene implicaciones en la forma en que la vegetación se adapta en otoño-invierno (octubre-enero) que es el final de las lluvias e inicio de la temporada seca (derivada derecha).

La diferenciación fenológica entre vegetación caducifolia y perennifolia debería asegurar una buena discriminación entre las coberturas presentes en la zona de estudio, en particular los bosques de coníferas (BHP) y la selva baja (BHC). Sin embargo, los bosques de encino (que en algunos casos son caducifolios, por lo que fenológicamente podrían asimilarse a los matorrales o a la selva) han quedado agrupados en la cobertura BHP, por encontrarse combinados con los pinos en bosques mixtos (Cuadro 1). Esto puede dar lugar a confusiones, al utilizar las características fenológicas para separar BHP, BHC y PM. Por otra parte, las huertas de frutales (en particular de aguacate), que ocupan una extensión importante en el estado de Michoacán, se asemejan fenológicamente a un bosque perennifolio de hoja ancha, mientras que algunos cultivos comparten características fenológicas con la vegetación herbácea. Esto puede generar una confusión entre la cobertura CU (en la que se encuentran incluidas tanto la agricultura de temporal como la perennifolia), BHP y BHC.

En el Cuadro 4 se muestran los componentes principales calculados a partir de las 11 variables fenológicas. Los tres primeros componentes retienen alrededor del 90 % de la varianza y los cinco primeros, casi el 100 %, por lo que conservan la mayor parte de la información y pueden utilizarse en lugar de las 11 variables originales.

Las variables fenológicas más discriminantes están muy relacionadas con el carácter caducifolio o perennifolio de la vegetación: el mínimo de LAI, la derivada derecha y el fin de estación (CP1); el máximo de LAI, las integrales extendida y corta (CP2); así como el inicio, mitad y longitud de estación (CP3). Estos resultados son coherentes con los perfiles fenológicos de los tipos de vegetación que aparecen en la Figura 4. La Figura 5 muestra el mapa de vegetación CYCL2000 obtenido de reagrupar los 250 grupos fenológicos en cuatro tipos de vegetación (CU, PM, BHP, BHC).

Comparación del mapa CYCL2000 con el mapa de referencia INF2000

En el Cuadro 5 se muestra la matriz de confusión entre el mapa INF2000 y el mapa CYCL2000. El 63 % de los píxeles coinciden entre los dos mapas, lo que implica un desempeño modesto pero ligeramente superior al obtenido en mapas globales. Por ejemplo, el mapa GLC2000 (Global Land Cover), realizado también para el año 2000 considerando 27 tipos de cobertura, tuvo una precisión total de 68.8 %, siendo considerablemente más baja para paisajes heterogéneos en comparación con los sitios homogéneos (Pfeifer et al., 2011). Por otra parte, Valderrama-Landeros, Baret, y España-Boquera (2011) compararon mapas globales con un mapa de referencia (Comisión Nacional para el Conocimiento y Uso de la Biodiversidad [CONABIO] de México) del estado de Michoacán y obtuvieron una exactitud máxima de 45.6 %, correspondiente al mapa GLOBCOVER construido en el marco del GMES. Esto da una idea de la dificultad de clasificar la zona de estudio de manera automática, dada su heterogeneidad.

El tipo de cobertura mejor identificado es el BHC, ya que 80.1 % de los píxeles que en el mapa INF2000 son BHC fueron correctamente identificados en el mapa CYCL2000; el 20 % restante fue identificado como CU (10.9 %), BHP (6.4 %) y en menor medida PM. Por otra parte, del total de píxeles que son BHC en CYCL2000, sólo 62.1 % lo es también en el mapa de referencia INF2000, mientras que el resto corresponde a PM (17.6 %) y CU (13.3 %). Estos tres tipos de cobertura comparten algunas características fenológicas, en particular el ritmo de decremento de LAI al final de la estación de crecimiento que es una de las variables más discriminantes detectadas por el ACP.

Los BHP, por su parte, son la segunda cobertura mejor identificada, dado que 74.1 % de los píxeles que en el mapa INF2000 son BHP, también lo son en el CYCL2000. Estos errores de omisión se dieron al excluir áreas que siendo BHP en INF2000 se clasificaron en CYCL2000 como BHC (14 %) y CU (11.6 %). Por otra parte, 69.9 % de los píxeles de BHP en CYCL2000 corresponden a esta cobertura en INF2000, por lo que los BHP tienen el porcentaje mayor de coincidencia con el mapa de referencia. Los errores estuvieron asociados con la inclusión de áreas en la cobertura BHP de CYCL2000, que según INF2000 corresponden a CU (15.5 %), BHC (9.3 %) y en menor proporción PM (5.3 %).

Los cultivos (CU) tuvieron desempeños similares desde el punto de vista de los errores de omisión y comisión: 62.9 % de los píxeles que son CU según INF2000, corresponden a CU en CYCL2000, mientras que 61.1 % del total de píxeles clasificados como CU en CYCL2000 corresponde a esta cobertura en INF2000. Los errores de comisión se dieron al incorporar áreas erróneamente en CU, que según el mapa de referencia son PM (18.9 %) o BHC (11.8 %), así como algunos píxeles de BHP (8.2 %). Los errores de omisión están asociados también con BHC (19.2 % de los píxeles de CU en el mapa de referencia) y BHP (12 %), principalmente.

Finalmente, 16.9 % de píxeles de PM en INF2000 también lo son en CYCL2000; de esta forma, los PM tuvieron el desempeño más pobre. Los errores de omisión más graves se debieron a que superficies importantes que son PM en el mapa de referencia fueron clasificadas como BHC (43.1 %) o CU (33.1 %) en el nuevo mapa. El porcentaje de píxeles clasificados en CYCL2000 que son efectivamente PM según INF2000 también resultó modesto (52.3 %); del resto, 31 % corresponde a CU y 15.4 % a BHC. La cobertura PM comparte muchas de sus características fenológicas con CU; en algunos casos como en la derivada derecha, la distribución de valores queda completamente contenida dentro de CU. A su vez, ambas coberturas presentan traslapes con BHC en la distribución de las variables fenológicas.

Los patrones fenológicos contenidos en los datos de la serie de LAI del proyecto CYCLOPES, de Michoacán del año 2000, se analizaron considerando cuatro tipos de vegetación: cultivos, pastizal y matorral, bosques de hoja perenne y bosques de hoja caduca. Las principales diferencias corresponden al carácter caducifolio o perennifolio de cada tipo. A partir de la información fenológica y un mapa de referencia (INF2000) se construyó un mapa de cobertura (CYCL2000) agrupando píxeles similares en 250 grupos fenológicos. Cada grupo se asoció a la cobertura con la que tuvieron mayor coincidencia espacial en el mapa de referencia. La comparación de los dos mapas arrojó resultados modestos, con exactitud total de 63 %. Los bosques de hoja caduca fueron los mejor identificados (80.1 % del mapa de referencia, 62.1 % del construido), seguidos de los de hoja perenne (74.1 %, 69.9 %). La identificación de los bosques de hoja perenne es particularmente interesante por su relación con los procesos de deforestación. El enfoque fenológico presenta limitaciones para distinguir algunas coberturas por la falta de separabilidad entre ellas. La complejidad de la zona de estudio hace que, dada la baja resolución espacial de los datos, predominen los píxeles mixtos.

AGRADECIMIENTOS

Al Consejo Nacional de Ciencia y Tecnología de México (CONACYT) por la beca de doctorado de L. Valderrama.

REFERENCIAS

Achard, F., & Hansen, M. C. (2013). Use of Earth observation technology to monitor forest across the Globe. In F. Achard, & M. C. Hansen (Eds.), Global forest monitoring from Earth observation (pp. 39-54). New York, USA: CRC Press, Taylor & Francis Group.         [ Links ]

Baret, F., Hagolle, O., Geiger, B., Bicheron, P., Miras, B., Huc, M..., Leroy, M. (2007). LAI, fAPAR and fCover CYCLOPES global products derived from VEGETATION. Part 1: Principles of the algorithm. Remote Sensing of Environment, 110, 275-286. doi: 10.1016/j.rse.2007.02.018        [ Links ]

Campbell, J. B. (2002). Introduction to remote sensing (3rd. ed.). New York, USA: The Guilford Press.         [ 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 ]

Couturier, S., Mas, J. F., López-Granados, E., Benítez, J., Tapia, V., & Vega, A. (2010). Accuracy assessment of the Mexican National Forest Inventory map: a study in four ecogeographical areas. Singapore Journal of Tropical Geography, 31(2), 163-79. doi: 10.1111/j.1467-9493.2010.00399.x        [ Links ]

DeFries, R. (2013). Why forest monitoring matters for people and the planet. In F. Achard, & M. C. Hansen (Eds.), Global forest monitoring from Earth observation (pp. 1-14). New York, USA: CRC Press, Taylor & Francis Group.         [ Links ]

Fisher, J. A. D., Frank, K. T., & Leggett, W. C. (2010). Dynamic macroecology on ecological time-scales. Global Ecology and Bio-geography, 19, 1-15. doi: 10.1111/j.1466-8238.2009.00482.x        [ Links ]

García, M. E. (1989). Apuntes de climatología (6a ed.). México, D.F.: UNAM.         [ Links ]

Geoland2. (2014). Dataset series catalogue. Consultado 20-05-2014 en http://www.geoland2.eu        [ Links ]

Gillespie, T. W., Foody, G. M., Rocchini, D., Giorgi, A. P., & Saatchi, S. (2008). Measuring and modelling biodiversity from space. Progress in Physical Geography, 32, 203-221. doi: 10.1177/0309133308093606        [ Links ]

Houghton, R. A. (2013). Role of forests and impact of deforestation in the global carbon cycle. In F. Achard, & M. C. Hansen (Eds.), Global forest monitoring from Earth observation (pp. 15-38). New York, USA: CRC Press, Taylor & Francis Group.         [ Links ]

Instituto Nacional de Estadística y Geografía (INEGI). (1985). Síntesis geográfica del estado de Michoacán. México: Autor.         [ Links ]

Instituto Nacional de Estadística y Geografía (INEGI) (2012). Marco geoestadístico municipal 2000, áreas geoestadísticas estatales. Consultado 12-06-2012 en http://www.inegi.org.mx/geo/contenidos/geoestadistica/m_geoestadistico.aspx        [ Links ]

Jones, H. G., & Vaughan, R. A. (2010). Remote sensing of vegetation. Principles, techniques and applications. New York, USA: Oxford University Press.         [ Links ]

Jönsson, P., & Eklundh, L. (2004). TIMESAT: A program for analyzing time-series of satellite sensor data. Computers & Geosciences, 30, 833-845. doi: 10.1016/j.cageo.2004.05.006        [ Links ]

Kandasamy, S., Baret, F., Verger, A., Neveux, P., & Weiss, M. (2012). A comparison of methods for smoothing and gap filling time series of remote sensing observations: Application to MODIS LAI products. Biogeosciences Discussions, 9, 17053-17097. doi:10.5194/bgd-9-17053-2012        [ Links ]

Kanungo, T., Mount, D. M., Netanyahu, N. S., Piatko, C. D., Silverman, R., & Wu, A. Y. (2002). An efficient k-means clustering algorithm: Analysis and implementation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24, 881-892. doi: 10.1109/TPAMI.2002.1017616        [ Links ]

Mas, J. F., Velázquez, A., Palacio-Prieto, J. L., Bocco, G., Peralta, A., & Prado, J. (2002). Assessing forest resources in Mexico: Wall to wall land use/cover mapping. Photogrammetric Engineering & Remote Sensing, 68(10), 966-968. Obtenido de http://dialnet.unirioja.es/servlet/ejemplar?codigo=76311        [ Links ]

Matlab, Mathematics Laboratory (2012). Matlab: The language of technical computing. Massachusetts, USA: The MathWorks, Inc.         [ Links ]

Miranda, F., & Hernández, X. (1963). Los tipos de vegetación de México y su clasificación. Boletin de la Sociedad Botánica Mexicana, 28, 29-179. Obtenido de http://www.cvirtual1.uaem.mx/observatorio/cen_documen/articulos/art_eco_1963.pdf        [ Links ]

Palacio-Prieto, J. L., Bocco, G., Velázquez, A., Mas, J. F., Takaki-Takaki, F., Victoria, A..., González, M. F. (2000). La condición actual de los recursos forestales en México: Resultados del Inventario Forestal Nacional 2000. Investigaciones Geográficas, Boletín del Instituto de Geografía, UNAM, 43, 183-203.         [ Links ]

Petitjean, F., Inglada, J., & Gancarski, P. (2012). Satellite image time series analysis under time warping. IEEE Transactions on Geoscience and Remote Sensing, 50(8), 3081-3095. doi: 10.1109/TGRS.2011.2179050        [ Links ]

Pfeifer, M., Disney, M., Quaife, T., & Marchant, R. (2011). Terrestrial ecosystems from space: A review of earth observation products for macroecology applications. Global Ecology and Biogeography, 21(6), 603-624. doi: 10.1111/j.1466-8238.2011.00712.x        [ Links ]

Rzendowsky, J. (1978). Vegetación de México. México, D.F: Editorial Limusa.         [ Links ]

Secretaría de Medio Ambiente, Recursos Naturales y Pesca (SEMARNAP). (1997). Estadísticas del Medio Ambiente. México, D.F.: INEGI. Obtenido de http://www.semarnat.gob.mx/archivosanteriores/informacionambiental/Documents/01_informes/informe_1997.pdf        [ Links ]

Valderrama-Landeros, L., Baret, F., & España-Boquera, M. L. (2011). Consistency between global and regional land cover maps over Michoacán state, Mexico. Revista Chapingo, Serie Ciencias Forestales y del Ambiente, 17, 343-360. doi: 105154./r.rchscfa2010.09.075        [ Links ]

Velázquez, A., Mas, J. F., Bocco, G., & Palacio-Prieto, J. L. (2010). Mapping land cover changes in Mexico, 1976-2000 and applications for guiding environmental management policy. Singapore Journal of Tropical Geography, 31(2), 152-162. doi: 10.1111/j.1467-9493.2010.00398.         [ Links ]

Weiss, M., Baret, F., Garrigues, S., Lacaze, R., & Bicheron, P. (2007). LAI, fAPAR and fCover CYCLOPES global products derived from VEGETATION. Part 2: Validation and comparison with MODIS Collection 4 products. Remote Sensing of the Environment, 110, 317-331. doi: 10.1016/j.rse.2007.02.018        [ Links ] ]]> 2013 39-54 2007 110 275-286 2002 3 1991 37 1 1 35-46 2010 31 2 2 163-79 2013 1-14 2010 19 1-15 1989 6 Geoland2 2014 2008 32 203-221 2013 15-38 Instituto Nacional de Estadística y Geografía 1985 Instituto Nacional de Estadística y Geografía 2012 2010 2004 30 833-845 2012 9 17053-17097 2002 24 881-892 2002 68 10 10 966-968 Mathematics Laboratory 2012 1963 28 29-179 2000 43 183-203 2012 50 8 8 3081-3095 2011 21 6 6 603-624 1978 Secretaría de Medio Ambiente, Recursos Naturales y Pesca 1997 2011 17 343-360 2010 31 2 2 152-162 2007 110 317-331