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

Authors

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

Keywords:

Abancay, NDMI, Remote sensing, Vegetation

Abstract

In this study, researchers focused on the vegetation cover within the urban area of Abancay Province in the Apurímac region. The region is experiencing a concerning rise in deforestation. The primary goal was to predict the vegetation surface from 2025 to 2030, in order to warn of the possible future realities in the study area, favoring the improvement of planning and sustainable urban development. Data recorded between the years 2017 to 2024 were used, from the images of the Normalized Difference Moisture Index (NDMI) from the Sentinelhub EO Browser portal. These data were processed using ArcGis 10.8 software, offering information on; i) arid or urban areas devoid of vegetation and ii) areas with vegetation cover. In the study area, surfaces corresponding to two specific classifications were evaluated. Then, a linear regression analysis was applied, obtaining a p value equal to 0.032 and a coefficient of determination (R²) of 0.565 in a medium range. Based on these results, possible future situations were projected. In conclusion, a decreasing trend is observed in vegetation, with an estimated decrease of 10.54% between the years 2025 and 2030.

Downloads

Download data is not yet available.

References

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.