Proyección de la superficie de vegetación en la zona urbana de la provincia de Abancay en Perú, utilizando el Índice NDMI de EO Browser

Jonathan Alfonso Chau Lam; Carlos Eduardo  Dueñas Valcárcel; Julio Cesar Rojas Flores; Edward Arostegui Leon; Braulio Cesar Gonzales Enríquez; Miguel Ángel Maldonado Vega

doi:10.47606/ACVEN/PH0269

Autores/as

Jonathan Alfonso Chau Lam JE&A CONSULTORIA INTEGRAL E.I.R.L https://orcid.org/0009-0008-9253-3555
Carlos Eduardo Dueñas Valcárcel Universidad Nacional José María Arguedas https://orcid.org/0000-0002-1141-6218
Julio Cesar Rojas Flores Universidad Privada de Ciencias Aplicadas https://orcid.org/0009-0004-9284-1452
Edward Arostegui Leon Universidad Nacional José María Arguedas https://orcid.org/0000-0002-0517-8591
Braulio Cesar Gonzales Enríquez IM&RA CORE BUSINESS SAC https://orcid.org/0009-0004-3520-9733
Miguel Ángel Maldonado Vega Universidad Nacional Del Callao https://orcid.org/0009-0003-8000-2072

DOI:

https://doi.org/10.47606/ACVEN/PH0269

Palabras clave:

Abancay, NDMI, Teledetección, Vegetación

Resumen

En el presente estudio se abordó la cobertura de vegetación en la zona urbana de la provincia de Abancay en la región Apurímac, en la que existe una creciente deforestación. El objetivo principal consistió en proyectar la superficie vegetal desde el año 2025 al 2030, con la finalidad de advertir las posibles realidades a futuro en el área de estudio, favoreciendo a la mejora de la planificación y al desarrollo urbano sostenible. Se emplearon datos recopilados entre los años 2017 y 2024, basados en imágenes del Índice de Humedad de Diferencia Normalizada (NDMI) del portal EO Browser de Sentinelhub. Estos datos fueron procesados mediante el software ArcGis 10.8 ofreciendo información de; i) zonas áridas o urbanas desprovistas de vegetación y ii) áreas con cobertura vegetal. En el área de estudio, se evaluaron las superficies correspondientes a dos clasificaciones específicas. Luego, se aplicó un análisis de regresión lineal, obteniendo un valor de p igual a 0.032 y un coeficiente de determinación (R²) de 0.565 en un rango medio. A partir de estos resultados, se proyectaron las posibles situaciones futuras. En conclusión, se observa una tendencia decreciente en la vegetación, con una disminución estimada del 10.54% entre los años 2025 al 2030.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Boyd, A. (2024). Entender R2: guía sobre el coeficiente de determinación. https://shallbd.com/es/entender-r2-guia-para-principiantes-sobre-el-coeficiente-de-determinacion/

Contreras Quispe, Leonidas Valerio. (2023). Evaluación De La Fenología De La Vegetación Según El Índice De Vegetación De Diferencia Normalizada Mediante Imágenes Satelitales En El Distrito De Socos-Ayacucho, 2017 Y 2021.

EO Browser. (2014). Sentinelhub. Discover Copernicus Browser, Recuperado de https://apps.sentinel-hub.com/eo-browser/?zoom=9&lat=41.43027&lng=12.07484&themeId=DEFAULT-THEME&toTime=2024-01-13T15%3A18%3A47.171Z

EOS Data Analytics. (2023). NDMI: Índice de Humedad de Diferencia Normalizada. https://eos.com/es/make-an-analysis/ndmi/

Gobierno Regional de Apurímac. (2016). Incremento de la Cobertura Forestal para Mejorar los Servicios Ambientales en la Región Apurímac, SIAR Apurímac, Recuperado de https://www.cooperacionsuiza.pe/wp-content/uploads/2017/09/gore-apurimac-sacha-tarpuy-mesa-tematica-forestal-sepia.pdf

Juzga, M. A. (2016). Comparación de índices de vegetación en el cerro de la conejera de la ciudad de Bogotá. (Tesis de Grado. Universidad Militar Nueva Granada). Recuperado de http://hdl.handle.net/10654/15663.

Morán, H. C., & Enriquez, F. O. (2020). Determinación con imágenes satelitales del índice de vegetación de diferencia normalizada del valle de Pampas-Tayacaja. Polo del Conocimiento: Revista científico-profesional, 5(1), 228-245.

Morera, M. (2024, 3 marzo). Los 5 motivos por los que Sentinel es el mejor satélite en agricultura. RawData. https://agrawdata.com/blog/sentinel-5-motivos-mejor-satelite-agricultura/

Nejad, Marjan Firoozy, and Amin Zoratipour. (2019). Assessment of Lst and Ndmi Indices Using Modis and Landsat Images in Karun Riparian Forest.

Nolasco, M. I. M. (2008). Diagnóstico sobre la situación de riesgos, y conocimientos en prevención, control y contingencia de incendios dentro de las áreas de trabajo del programa Ecobona.

Peña-Molina, Esther, Daniel Moya, Eva Marino, José Luis Tomé, Álvaro Fajardo-Cantos, Javier González-Romero, Manuel Esteban Lucas-Borja, and Jorge de las Heras. (2024). "Fire Vulnerability, Resilience, and Recovery Rates of Mediterranean Pine Forests Using a 33-Year Time Series of Satellite Imagery." Remote Sensing 16, no. 10: 1718. https://www.mdpi.com/2072-4292/16/10/1718.

Pérez, C. J., Locatelli, B., Vignola, R., y Imbach, P. (2007). Importancia de los bosques tropicales en las políticas de adaptación al cambio climático. Recursos Naturales y Ambiente, 51(52), pp. 4-11. Recuperado de https://www.cifor.org/publications/pdf_files/articles/ALocatelli0801.pdf

Sankey, T.; Belmonte, A.; Massey, R.; Leonard, J. (2021). Efectos de la restauración forestal a escala regional en la resiliencia de los ecosistemas a la sequía: una síntesis de las tendencias de la vegetación y la humedad en Google Earth Engine. Remote Sens. Ecol. Conserv. 7, 259–274.