Publicación:
Potencialidad de las imágenes planetscope para diferenciar vegetación en ecosistemas cenagosos tropicales caso de aplicación: sector ciénaga guartinaja del complejo cenagoso del bajo Sinú

Vista sencilla de ítem
dc.contributor.advisorMejía Ávila, Dorisspa
dc.contributor.advisorMartínez Lara, Zoraya Yasquinespa
dc.contributor.authorFlorez Alcala, Julio Cesar
dc.date.accessioned2023-08-30T13:13:01Z
dc.date.available2023-08-30T13:13:01Z
dc.date.issued2023-08-30
dc.description.abstractEste trabajo de investigación busca evaluar la potencialidad de las imágenes de alta resolución espacial y temporal generadas por la constelación PlanetScope para diferenciar tipos de cobertura vegetal en el ecosistema cenagoso tropical Ciénaga Guartinaja, para ello se realizaron dos muestreos en campo en periodos de nivel de aguas medias y aguas bajas, que permitan obtener información primaria de las coberturas vegetales presentes en la ciénaga. Se extrajo de literatura científica un conjunto de 50 índices de vegetación, el cual se sometió a un análisis de separabilidad con el estadístico de distancia euclidiana para reducirlo a 20 índices. La selección de él o los mejores índices se realizó a partir del método para evaluación de la eficiencia de índices espectrales para el mapeo de ciénagas tropicales – SIA_WM. Los índices SAVI (L 0.5) y EVI fueron los mejor calificados, por tanto, a partir de estos se construyó la cartografía de la Ciénaga Guartinaja para las dos temporadas estacionales: seca y húmeda. Por otra parte, la aplicación de SIA_WM permitió separar coberturas como el espejo de agua, la vegetación y la superficie terrestre, sin embargo, no fue posible separar las coberturas de buchón, de guandú y de hierba de arroz.spa
dc.description.abstractThis research seeks to evaluate the potential of high spatial and temporal resolution images generated by the PlanetScope constellation to differentiate types of vegetation cover in the Ciénaga Guartinaja tropical wetland ecosystem, for this purpose, two field samplings were carried out in periods of water level medium and low water, which allow obtaining primary information on the vegetation cover present in the wetland. A set of 50 vegetation indices was extracted from scientific literature, which was subjected to a separability analysis with the Euclidean distance statistic to reduce it to 20 indices. The selection of the best indices was made from the method for evaluating the efficiency of spectral indices for mapping tropical swamps – SIA_WM. The SAVI (L 0.5) and EVI indices were the best qualified, therefore, from these the cartography of the Ciénaga Guartinaja was constructed for the two seasonal seasons: dry and wet. On the other hand, the application of SIA_WM allowed to separate covers such as the water, vegetation and terrestrial surface, however, it was not possible to separate the covers of buchón, guandú and rice graseng
dc.description.degreelevelPregradospa
dc.description.degreenameIngeniero(a) Ambientalspa
dc.description.modalityTrabajos de Investigación y/o Extensiónspa
dc.description.tableofcontentsRESUMEN ...........................................................................11spa
dc.description.tableofcontentsABSTRACT ............................................................................ 12spa
dc.description.tableofcontents1. INTRODUCCIÓN ..................................................................... 13spa
dc.description.tableofcontents2. OBJETIVOS ................................................................................... 15spa
dc.description.tableofcontents4. ESTADO DEL ARTE ................................................................ 28spa
dc.description.tableofcontents5. MATERIALES Y MÉTODOS .............................................................. 35spa
dc.description.tableofcontents5.1. Descripción del Sitio de Estudio ...................................................... 36spa
dc.description.tableofcontents5.2 Revisión bibliográfica acerca de los tipos de vegetación y otras coberturas que conforman el paisaje de la ciénaga. ........................................................ 38spa
dc.description.tableofcontents5.3. Adquisición de Datos ........................................................................... 38spa
dc.description.tableofcontents5.3.1. Imágenes satelitales ....................................................................... 38spa
dc.description.tableofcontents5.3.2. Datos de campo ............................................................ 40spa
dc.description.tableofcontents5.4. Índices espectrales a evaluar.............................................................. 40spa
dc.description.tableofcontents5.5. Evaluación de la potencialidad de 20 índices espectrales para diferenciar tipos de vegetación a partir de imágenes PlantetScope .................................. 41spa
dc.description.tableofcontents5.5.1. Criterio 1. Potencialidad del índice para trazar límites nítidos entre clases ................ 41spa
dc.description.tableofcontents5.5.2. Criterio 2. Potencialidad de un índice para discriminar superficies de tamaño reducido ............................................................................................ 42spa
dc.description.tableofcontents5.5.3. Criterio 3. Coherencia de la asignación de muestras espectrales ............ 43spa
dc.description.tableofcontents5.5.4. Criterio 4. Separabilidad de clases ............................................... 43spa
dc.description.tableofcontents5.5.5. Criterio 5. Similaridad de mapas temáticos derivados de los índices ......................... 45spa
dc.description.tableofcontents5.5.6. Criterio 6. Concordancia ..................................................................... 46spa
dc.description.tableofcontents5.5.7. Cálculo de la eficiencia de cada índice para cartografiado del paisaje en ecosistemas de ciénaga tropical ......................................................................... 47spa
dc.description.tableofcontents6. RESULTADOS Y DISCUSIÓN .............................................................................. 48spa
dc.description.tableofcontents6.1. Vegetación en la Ciénaga Guartinaja ...................................................... 48spa
dc.description.tableofcontents6.1.1. Periodos de muestreo .......................................................................... 48spa
dc.description.tableofcontents6.1.2. Obtención de puntos de control ............................................................... 49spa
dc.description.tableofcontents6.2. Descarga de imágenes ............................................................................... 60spa
dc.description.tableofcontents6.3. Índices de vegetación .................................................................................. 61spa
dc.description.tableofcontents6.4. Preselección de índices ................................................................................. 64spa
dc.description.tableofcontents6.5. Evaluación de índices .................................................................................... 66spa
dc.description.tableofcontents6.5.1. Criterio 1. Potencialidad del índice para trazar límites nítidos entre clases ................ 66spa
dc.description.tableofcontents6.5.2. Criterio 2. Potencialidad de un índice para discriminar superficies de tamaño reducido ............................................................................................... 67spa
dc.description.tableofcontents6.5.3. Criterio 3. Coherencia de la asignación de muestras espectrales .............. 70spa
dc.description.tableofcontents6.5.4. Criterio 4. Separabilidad de clases ............................................................ 72spa
dc.description.tableofcontents6.5.5. Criterio 5. Similaridad de mapas temáticos derivados de los índices ......................... 74spa
dc.description.tableofcontents6.5.6. Criterio 6. Concordancia ............................................................................ 76spa
dc.description.tableofcontents6.6. Mejores Índices .............................................................................................. 77spa
dc.description.tableofcontents7. CONCLUSIONES ................................................................................................. 85spa
dc.description.tableofcontents8. RECOMENDACIONES .................................................................................... 87spa
dc.description.tableofcontents9. BIBLIOGRAFÍA ......................................................................................... 88spa
dc.description.tableofcontentsANEXOS .......................................................................................................................95spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.urihttps://repositorio.unicordoba.edu.co/handle/ucordoba/7790
dc.language.isospaspa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.publisher.placeMontería, Córdoba, Colombiaspa
dc.publisher.programIngeniería Ambientalspa
dc.rightsCopyright Universidad de Córdoba, 2023spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/spa
dc.subject.keywordsPlanetScopeeng
dc.subject.keywordsSupervised Classificationeng
dc.subject.keywordsDigital Image Interpretationeng
dc.subject.keywordsTropical Wetlandseng
dc.subject.proposalPlanetScopespa
dc.subject.proposalClasificación supervisadaspa
dc.subject.proposalInterpretación de imágenes digitalesspa
dc.subject.proposalCiénagas tropicalesspa
dc.titlePotencialidad de las imágenes planetscope para diferenciar vegetación en ecosistemas cenagosos tropicales caso de aplicación: sector ciénaga guartinaja del complejo cenagoso del bajo Sinúspa
dc.typeTrabajo de grado - Pregradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.type.versioninfo:eu-repo/semantics/submittedVersionspa
dcterms.referencesAcosta, Karina. 2013. “La economía de las aguas del río Sinú”. 65.spa
dcterms.referencesAdam, Elhadi, Onisimo Mutanga, y Denis Rugege. 2010. “Multispectral and Hyperspectral Remote Sensing for Identification and Mapping of Wetland Vegetation: A Review”. Wetlands Ecology and Management 18(3):281–96. doi: 10.1007/s11273-009-9169-z.spa
dcterms.referencesAgamez, Antonio, y Antonio Quiñones. 2016. “EFECTOS AMBIENTALES OCASIONADOS POR LA REDUCCIÓN DE LA SUPERFICIE INUNDABLE DEL COMPLEJO CENAGOSO DEL BAJO SINÚ”.spa
dcterms.referencesAguilera Díaz, María M. 2011. “La economía de las ciénagas del Caribe colombiano”. Bogotá: Banco de la República.spa
dcterms.referencesAlcaldía Mayor Bogotá. 2017. “ESTUDIOS DE SOPORTE REQUERIDOS PARA LA SOLICITUD DE REALINDERAMIENTO, RECATEGORIZACION Y SUSTRACCIÓN PARA LA RESERVA FORESTAL PRODUCTORA REGIONAL THOMAS VAN DER HAMMEN EN CONTEXTO CON LA UPR NORTE Y CON LA RED DE PAISAJE CIRCUNDANTE”.spa
dcterms.referencesArroyo, Javier, María Guijarro, y Gonzalo Pajares. 2016. “An Instance-Based Learning Approach for Thresholding in Crop Images under Different Outdoor Conditions”. Computers and Electronics in Agriculture 127:669–79. doi: 10.1016/j.compag.2016.07.018.spa
dcterms.referencesBannari, A., D. Morin, F. Bonn, y A. R. Huete. 1995. “A Review of Vegetation Indices”. Remote Sensing Reviews 13(1–2):95–120. doi: 10.1080/02757259509532298.spa
dcterms.referencesBDMTM. 2023. “Tribulus cistoides L. — Zygophyllaceae”. Recuperado el 21 de mayo de 2023 (http://www.medicinatradicionalmexicana.unam.mx/).spa
dcterms.referencesBenítez, Carmen, Ángel Fernández, y Robert Wingfield. 2015. “DOS NUEVOS REPORTES DE SOLANUM SUBGEN. LEPTOSTEMONUM PARA VENEZUELA”.spa
dcterms.referencesBoiarskii, Boris. 2019. “Comparison of NDVI and NDRE Indices to Detect Differences in Vegetation and Chlorophyll Content”. JOURNAL OF MECHANICS OF CONTINUA AND MATHEMATICAL SCIENCES spl1(4). doi: 10.26782/jmcms.spl.4/2019.11.00003.spa
dcterms.referencesCárdenas Angulo, Cristian Alberto. 2020. “Análisis de la Dinámica Espacial de la Ciénaga de Betancí durante los años 1985, 2001, 2015 y 2020 mediante imágenes satelitales Landsat.” Universidad de Córdoba.spa
dcterms.referencesCarlos, Flórez, Estupiñán-Suárez Lina M., Rojas Sergio, Aponte César, Quiñones Marcela, Acevedo Óscar, Vilardy Sandra, y Jaramillo Úrsula. 2016. “Identificación espacial de los sistemas de humedales continentales de Colombia”. Biota Colombiana 16(3):44–62. doi: 10.21068/c2016s01a03.spa
dcterms.referencesCastellanos, C. A. 2001. “Los ecosistemas de humedales en Colombia”. Revista Luna Azul (On Line) 13:1 de 5–1 5.spa
dcterms.referencesCastillo, Ivón Maritza, y Miguel Ángel Rodríguez. 2017. “Dinámica multitemporal de las coberturas y el espejo de agua en la laguna de Fúquene”. Revista Mutis 7(1):20–33. doi: 10.21789/22561498.1183.spa
dcterms.referencesCoakley, Corrine, Mandy Munro-Stasiuk, James Tyner, Sokvisal Kimsroy, Chhunly Chhay, y Stian Rice. 2019. “Extracting Khmer Rouge Irrigation Networks from Pre-Landsat 4 Satellite Imagery Using Vegetation Indices”. Remote Sensing 11(20):2397. doi: 10.3390/rs11202397.spa
dcterms.referencesCONABIO. 2016. “Ipomoea aquatica”.spa
dcterms.referencesCorpoBoyaca. 2023. “ABC de la especie invasora Buchón de agua (Eichhornia crassipes)”. Recuperado el 21 de mayo de 2023 (https://www.corpoboyaca.gov.co/noticias/abc-de-la-especie-invasora-buchon-de-agua-eichhornia-crassipes/).spa
dcterms.referencesCrippen, R. 1990. “Calculating the Vegetation Index Faster”. Remote Sensing of Environment 34(1):71–73. doi: 10.1016/0034-4257(90)90085-Z.spa
dcterms.referencesCubillos, Ximena Camacho. 2020. “Análisis de las dinámicas socioambientales que influyen en la transformación de la cobertura terrestre - Ciénaga Grande del Bajo Sinú”. 19.spa
dcterms.referencesDelegido, Jesús, Carolina Tenjo, Antonio Ruiz-Verdu, M. Pereira-Sandoval, N. Pasqualotto, G. Gibaja, Jochem Verrelst, R. Peña, E. Urrego, J. Borràs, Javier Sanchis Muñoz, Alejandro Pezzola, Zuleyma Mosquera, Z. Quinto, J. Gómez, y Jose Moreno. 2016. “Aplicaciones de Sentinel-2 a estudios de vegetación y calidad de aguas continentales”.spa
dcterms.referencesDodds, Jill. 2022. “Ludwigia leptocarpa Rare Plant Profile”.spa
dcterms.referencesDong, Xiaoli, Nancy B. Grimm, Kiona Ogle, y Janet Franklin. 2016. “Temporal Variability in Hydrology Modifies the Influence of Geomorphology on Wetland Distribution along a Desert Stream” editado por G. Matlack. Journal of Ecology 104(1):18–30. doi: 10.1111/1365-2745.12450.spa
dcterms.referencesEastwood, J. A., M. G. Yates, A. G. Thomson, y R. M. Fuller. 1997. “The Reliability of Vegetation Indices for Monitoring Saltmarsh Vegetation Cover”. International Journal of Remote Sensing 18(18):3901–7. doi: 10.1080/014311697216739.spa
dcterms.referencesERDAS. 1999. “ERDAS Field Guide, Fifth Edition”.spa
dcterms.referencesGitelson, Anatoly A., Yuri Gritz †, y Mark N. Merzlyak. 2003. “Relationships between Leaf Chlorophyll Content and Spectral Reflectance and Algorithms for Non-Destructive Chlorophyll Assessment in Higher Plant Leaves”. Journal of Plant Physiology 160(3):271–82. doi: 10.1078/0176-1617-00887.spa
dcterms.referencesGitelson, Anatoly A., Yoram J. Kaufman, y Mark N. Merzlyak. 1996. “Use of a Green Channel in Remote Sensing of Global Vegetation from EOS-MODIS”. Remote Sensing of Environment 58(3):289–98. doi: 10.1016/S0034-4257(96)00072-7.spa
dcterms.referencesGitelson, Anatoly A., Yoram J. Kaufman, Robert Stark, y Don Rundquist. 2002. “Novel Algorithms for Remote Estimation of Vegetation Fraction”. Remote Sensing of Environment 80(1):76–87. doi: 10.1016/S0034-4257(01)00289-9.spa
dcterms.referencesGoel, Narendra S., y Wenhan Qin. 1994. “Influences of Canopy Architecture on Relationships between Various Vegetation Indices and LAI and Fpar: A Computer Simulation”. Remote Sensing Reviews 10(4):309–47. doi: 10.1080/02757259409532252.spa
dcterms.referencesGordon, Elizabeth, y Yasmira Feo. 2007. “DINÁMICA DE CRECIMIENTO DE HYMENACHNE AMPLEXICAULIS EN UN HUMEDAL HERBÁCEO EN EL ESTADO MIRANDA (VENEZUELA)”.spa
dcterms.referencesHernández, Yolanda González, Gilberto Galvis Bautista, Nelson Omar Vargas Martínez, Diana Marcela Vargas Galvis, Edith González Afanador, Eliécer David Díaz Almanza, y Mary Esperanza Fernández Porras. 2019. “Estudio Nacional del Agua 2018”. Instituto de Hidrología, Meteorología y Estudios Ambientales 436.spa
dcterms.referencesHuete, A., K. Didan, T. Miura, E. P. Rodriguez, X. Gao, y L. G. Ferreira. 2002. “Overview of the Radiometric and Biophysical Performance of the MODIS Vegetation Indices”. Remote Sensing of Environment 83(1–2):195–213. doi: 10.1016/S0034-4257(02)00096-2.spa
dcterms.referencesHuete, A. R. 1988. “A Soil-Adjusted Vegetation Index (SAVI)”. Remote Sensing of Environment 25(3):295–309. doi: 10.1016/0034-4257(88)90106-X.spa
dcterms.referencesIDEAM, IGAC, y CORMAGDALENA. 2008. Mapa de cobertura de la tierra Cuenca Magdalena - Cauca: metodologia CORINE Land Cover adaptada para Colombia escala 1:100.000. Bogot?? Imprenta Nacional de Colombia.spa
dcterms.referencesIGAC. 2017. “METODOLOGÍA INTERPRETACIÓN DE IMÁGENES DE SENSORES REMOTOS APLICADA A LEVANTAMIENTOS DE COBERTURA DE LA TIERRA”. 19.spa
dcterms.referencesJiang, Z., A. Huete, K. Didan, y T. Miura. 2008. “Development of a Two-Band Enhanced Vegetation Index without a Blue Band”. Remote Sensing of Environment 112(10):3833–45. doi: 10.1016/j.rse.2008.06.006.spa
dcterms.referencesLane, Charles, Hongxing Liu, Bradley Autrey, Oleg Anenkhonov, Victor Chepinoga, y Qiusheng Wu. 2014. “Improved Wetland Classification Using Eight-Band High Resolution Satellite Imagery and a Hybrid Approach”. Remote Sensing 6(12):12187–216. doi: 10.3390/rs61212187.spa
dcterms.referencesLima-Cueto, Francisco J., Rafael Blanco-Sepúlveda, María L. Gómez-Moreno, y Federico B. Galacho-Jiménez. 2019. “Using Vegetation Indices and a UAV Imaging Platform to Quantify the Density of Vegetation Ground Cover in Olive Groves (Olea Europaea L.) in Southern Spain”. Remote Sensing 11(21):2564. doi: 10.3390/rs11212564.spa
dcterms.referencesLouhaichi, Mounir, Michael M. Borman, y Douglas E. Johnson. 2001. “Spatially Located Platform and Aerial Photography for Documentation of Grazing Impacts on Wheat”. Geocarto International 16(1):65–70. doi: 10.1080/10106040108542184.spa
dcterms.referencesLukas, Vojtěch, Igor Huňady, Antonín Kintl, Jiří Mezera, Tereza Hammerschmiedt, Julie Sobotková, Martin Brtnický, y Jakub Elbl. 2022. “Using UAV to Identify the Optimal Vegetation Index for Yield Prediction of Oil Seed Rape (Brassica Napus L.) at the Flowering Stage”. Remote Sensing 14(19):4953. doi: 10.3390/rs14194953.spa
dcterms.referencesMcFEETERS, S. K. 1996. “The Use of the Normalized Difference Water Index (NDWI) in the Delineation of Open Water Features”. International Journal of Remote Sensing 17(7):1425–32. doi: 10.1080/01431169608948714.spa
dcterms.referencesMejía, D., Lobo, S. y Soto, V. 2023. Method for assessing spectral indices efficiency for mapping tropical wetlands - SIA_WMspa
dcterms.referencesMejía, Juan David. 2020. “Análisis de la susceptibilidad de la cobertura vegetal a incendios mediante Índice de diferencia normalizada de humedad (NDMI) y clasificación del IDEAM: caso de estudio subregión Bajo Sinú – Córdoba”.spa
dcterms.referencesMeyer, George E., y João Camargo Neto. 2008. “Verification of Color Vegetation Indices for Automated Crop Imaging Applications”. Computers and Electronics in Agriculture 63(2):282–93. doi: 10.1016/j.compag.2008.03.009.spa
dcterms.referencesMonge, Juliana Andrea Morales. 2005. “RELACIÓN ENTRE EL GRADIENTE DE CRECIMIENTO DE Paspalum repens (POACEAE) Y LA ESTRUCTURA DE LA COMUNIDAD DE INSECTOS ASOCIADOS EN UN LAGO AMAZÓNICO”.spa
dcterms.referencesMorales, Dayana Laura Valle. 2020. “ANÁLISIS MULTITEMPORAL DE LOS ESPEJOS DE AGUA EN LA MARGEN IZQUIERDA DEL RIO SINÚ EN EL MUNICIPIO DE LORICA PARA LOS AÑOS 1973-2020”. 69.spa
dcterms.referencesNaturalistaCO. 2023. “Najas arguta”. NaturaLista Colombia. Recuperado el 21 de mayo de 2023 (https://colombia.inaturalist.org/taxa/850594-Najas-arguta).spa
dcterms.referencesOlaya, Víctor. 2014. “Sistemas de Información Geográfica”. 854.spa
dcterms.referencesOuyang, Zu-Tao, Yu Gao, Xiao Xie, Hai-Qiang Guo, Ting-Ting Zhang, y Bin Zhao. 2013. “Spectral Discrimination of the Invasive Plant Spartina Alterniflora at Multiple Phenological Stages in a Saltmarsh Wetland” editado por M. Convertino. PLoS ONE 8(6):e67315. doi: 10.1371/journal.pone.0067315.spa
dcterms.referencesOwers, Christopher J., Kerrylee Rogers, y Colin D. Woodroffe. 2016. “Identifying Spatial Variability and Complexity in Wetland Vegetation Using an Object-Based Approach”. International Journal of Remote Sensing 37(18):4296–4316. doi: 10.1080/01431161.2016.1211349.spa
dcterms.referencesPadma, S., y S. Sanjeevi. 2014. “Jeffries Matusita Based Mixed-Measure for Improved Spectral Matching in Hyperspectral Image Analysis”. International Journal of Applied Earth Observation and Geoinformation 32:138–51. doi: 10.1016/j.jag.2014.04.001.spa
dcterms.referencesPerdomo Vanegas, ALEXANDER. 2015. “PREDICCIÓN DE PARÁMETROS FÍSICO QUÍMICOS DE CALIDAD DEL AGUA MEDIANTE EL USO DE SENSORES REMOTOS: CASO DE ESTUDIO EMBALSE DEL NEUSA”. 99.spa
dcterms.referencesPérez-Vásquez, Nabi Del Socorro, Jorge Arias-Rios, y Jorge Alexander Quirós-Rodríguez. 2015. “Variación espacio-temporal de plantas vasculares acuáticas en el complejo cenagoso del bajo Sinú, Córdoba, Colombia”. Acta Biológica Colombiana 20(3):155–65. doi: 10.15446/abc.v20n3.45380.spa
dcterms.referencesPinty, B., y M. M. Verstraete. 1992. “GEMI: A Non-Linear Index to Monitor Global Vegetation from Satellites”. Vegetatio 101(1):15–20. doi: 10.1007/BF00031911.spa
dcterms.referencesPlanet Labs. 2022. “PLANETSCOPE PRODUCT SPECIFICATIONS”.spa
dcterms.referencesQi, J., A. Chehbouni, A. R. Huete, Y. H. Kerr, y S. Sorooshian. 1994. “A Modified Soil Adjusted Vegetation Index”. Remote Sensing of Environment 48(2):119–26. doi: 10.1016/0034-4257(94)90134-1.spa
dcterms.referencesQin, Yaoguo, Fuchun Zeng, Xin Sun, Yingli Feng, y Cuiqin Yang. 2012. “PROPAGATION OF CLEOME SPINOSA JACQ. THROUGH TISSUE CULTURE”.spa
dcterms.referencesRangel Ch., J. Orlando, Universidad Nacional de Colombia, Instituto Nacional de los Recursos Naturales Renovables y del Ambiente, y Universidad Nacional de Colombia, eds. 2010. Colombia: diversidad biótica. 9: Ciénagas de Córdoba: biodiversidad, ecología y manejo ambiental / J. Orlando Rangel Ch. (ed.). 1. ed. Bogotá, DC: Univ. Nacional de Colombia [u.a.].spa
dcterms.referencesRicaurte. 2015. Inventario y tipificación de humedales en la cuenca del río Orteguaza, Departamento del Caquetá, Amazonia colombiana.spa
dcterms.referencesRondeaux, Geneviève, Michael Steven, y Frédéric Baret. 1996. “Optimization of Soil-Adjusted Vegetation Indices”. Remote Sensing of Environment 55(2):95–107. doi: 10.1016/0034-4257(95)00186-7.spa
dcterms.referencesRoujean, Jean-Louis, y François-Marie Breon. 1995. “Estimating PAR Absorbed by Vegetation from Bidirectional Reflectance Measurements”. Remote Sensing of Environment 51(3):375–84. doi: 10.1016/0034-4257(94)00114-3.spa
dcterms.referencesRuiz, Luis Fernando Chimelo, Laurindo Antonio Guasselli, João Paulo Delapasse Simioni, Tássia Fraga Belloli, y Pâmela Caroline Barros Fernandes. 2021. “Object-Based Classification of Vegetation Species in a Subtropical Wetland Using Sentinel-1 and Sentinel-2A Images”. Science of Remote Sensing 3:100017. doi: 10.1016/j.srs.2021.100017.spa
dcterms.referencesSánchez Rodríguez, Natalia. 2019. “Cambios en la cobertura vegetal y en el espejo de agua asociados a la influencia antrópica en el Humedal Toqui-Toqui, Tolima, Colombia”.spa
dcterms.referencesSIGMUR. 2006. Teledetección.spa
dcterms.referencesSripada, Ravi P., Ronnie W. Heiniger, Jeffrey G. White, y Randy Weisz. 2005. “Aerial Color Infrared Photography for Determining Late‐Season Nitrogen Requirements in Corn”. Agronomy Journal 97(5):1443–51. doi: 10.2134/agronj2004.0314.spa
dcterms.referencesStrong, Conor J., Niall G. Burnside, y Dan Llewellyn. 2017. “The Potential of Small-Unmanned Aircraft Systems for the Rapid Detection of Threatened Unimproved Grassland Communities Using an Enhanced Normalized Difference Vegetation Index” editado por E. Serrano Ferron. PLOS ONE 12(10):e0186193. doi: 10.1371/journal.pone.0186193.spa
dcterms.referencesSzantoi, Zoltan, Francisco Escobedo, Amr Abd-Elrahman, Scot Smith, y Leonard Pearlstine. 2013. “Analyzing Fine-Scale Wetland Composition Using High Resolution Imagery and Texture Features”. International Journal of Applied Earth Observation and Geoinformation 23:204–12. doi: 10.1016/j.jag.2013.01.003.spa
dcterms.referencesTaddeo, Sophie, Iryna Dronova, y Nicholas Depsky. 2019. “Spectral Vegetation Indices of Wetland Greenness: Responses to Vegetation Structure, Composition, and Spatial Distribution”. Remote Sensing of Environment 234:111467. doi: 10.1016/j.rse.2019.111467.spa
dcterms.referencesTorres-Sánchez, J., J. M. Peña, A. I. de Castro, y F. López-Granados. 2014. “Multi-Temporal Mapping of the Vegetation Fraction in Early-Season Wheat Fields Using Images from UAV”. Computers and Electronics in Agriculture 103:104–13. doi: 10.1016/j.compag.2014.02.009.spa
dcterms.referencesTucker, Compton J. 1979. “Red and Photographic Infrared l,Lnear Combinations for Monitoring Vegetation”. (8):127–50.spa
dcterms.referencesVibrans, Heike. 2023. “Desmanthus virgatus - ficha informativa”. Recuperado el 21 de mayo de 2023 (http://www.conabio.gob.mx/malezasdemexico/mimosaceae/desmanthus-virgatus/fichas/ficha.htm).spa
dcterms.referencesVilla, Paolo, Alex Laini, Mariano Bresciani, y Rossano Bolpagni. 2013. “A Remote Sensing Approach to Monitor the Conservation Status of Lacustrine Phragmites Australis Beds”. Wetlands Ecology and Management 21(6):399–416. doi: 10.1007/s11273-013-9311-9.spa
dcterms.referencesVilla, Paolo, Alijafar Mousivand, y Mariano Bresciani. 2014. “Aquatic Vegetation Indices Assessment through Radiative Transfer Modeling and Linear Mixture Simulation”. International Journal of Applied Earth Observation and Geoinformation 30:113–27. doi: 10.1016/j.jag.2014.01.017.spa
dcterms.referencesVillamil Montes, Adolfo Segundo. 2021. “Cambios en la cobertura vegetal y red hídrica del complejo cenagoso de Ayapel (Córdoba), en relación a las actividades extractivas no renovables y aspectos socioeconómicos de la población pesquera 1991 – 2021”.spa
dcterms.referencesVincini, M., E. Frazzi, y P. D’Alessio. 2008. “A Broad-Band Leaf Chlorophyll Vegetation Index at the Canopy Scale”. Precision Agriculture 9(5):303–19. doi: 10.1007/s11119-008-9075-z.spa
dcterms.referencesWFO (2023): Casearia tremula (Griseb.) Griseb. ex C.Wright. http://www.worldfloraonline.org/taxon/wfo-0000924275.spa
dcterms.referencesWhiteside, Timothy, y Renée Bartolo. 2015. “Mapping Aquatic Vegetation in a Tropical Wetland Using High Spatial Resolution Multispectral Satellite Imagery”. Remote Sensing 7(9):11664–94. doi: 10.3390/rs70911664.spa
dcterms.referencesXue, Jinru, y Baofeng Su. 2017. “Significant Remote Sensing Vegetation Indices: A Review of Developments and Applications”. Journal of Sensors 2017:1–17. doi: 10.1155/2017/1353691.spa
dcterms.referencesYe, Ning, Justin Morgenroth, Cong Xu, y Na Chen. 2021. “Indigenous Forest Classification in New Zealand – A Comparison of Classifiers and Sensors”. International Journal of Applied Earth Observation and Geoinformation 102:102395. doi: 10.1016/j.jag.2021.102395.spa
dcterms.referencesZorrilla, Luis Felipe Vergara. 2017. “EVALUACIÓN MULTITEMPORAL DE COBERTURAS VEGETALES EN LA LAGUNA DE SONSO”. 71.spa
dspace.entity.typePublication
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa
oaire.versionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
FlorezAlcalaJulio.pdf
Tamaño:
6.51 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
No hay miniatura disponible
Nombre:
AutorizaciónPublicación Julio Florez.pdf
Tamaño:
674.91 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
14.48 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
F.A.A. Trabajos de Investigación y/o Extensión