Introducción

Es necesario conocer mejor la estructura y composición del bosque nativo a una escala fina y media y en extensas superficies, para poder ejercer sobre estos ecosistemas un mejor manejo. Se han efectuado clasificaciones de bosques con imágenes satelitales, con la limitante que se han seleccionado píxeles que son poco representativos de las áreas de entrenamiento; es decir, al momento de seleccionar en forma repetida grupos de píxeles de aquellas áreas que son de interés, éstas no representan bien las categorías. A pesar de esta situación, son escasas las investigaciones en ecosistemas boscosos en las cuales se analice el efecto que tienen estas áreas de entrenamiento en la calidad de una clasificación digital, como tampoco en la determinación del número óptimo de clases (Wright y Gallant, 2007). La presente investigación incursiona en una aplicación conjunta de los métodos de clasificación biunívoca y del árbol, para evaluar si un único ND (número digital ó valor espectral de un píxel), un rango de NDs o la combinación de ellos entregan una mejor relación entre las clases espectrales y las informacionales (clase que representa fielmente la realidad).

Hay diferentes criterios de clasificación en los cuales participan clases informacionales y espectrales. Además, es complejo relacionar cada ND a su correspondiente clase informacional.

La cartografía de vegetación de Chile se ha efectuado, por un lado, a escalas gruesas de biogeografía abarcando amplios sectores y, por otro lado, a escala fina de predio en áreas reducidas. Por lo tanto, ha faltado un mapeo a escala fina y media que cubra áreas extensas a partir de las cuales se puedan tomar decisiones y orientar un manejo más sustentable (Pliscoff y Luebert, 2006).

En la presente investigación se propone mapear ecosistemas templados de Araucaria araucana (Mol.) K. Koch, por la importancia ecológica que poseen en Chile y el mundo. Muchos de los árboles de esta especie sobrepasan los 1.000 años de edad y constituyen una fuente única de recursos genéticos. Son endémicos del sur de Chile y escasos en Argentina (Echeverría et al., 2006). Actualmente está catalogada como especie en peligro (UICN, 2013).

El satélite Landsat ha sido de gran utilidad para el reconocimiento, análisis y cartografía de la cobertura de la tierra (Salovaara et al., 2005), razón por la que se utilizó en este estudio.

A través del proyecto CONAF-CONAMA-BIRF (2012) se llevó a cabo el ‘catastro’ en todo Chile para mapear la vegetación del país con imágenes satelitales, y por la gran amplitud de la superficie estudiada se aplicó un método de clasificación simple en el cual un rango de ND representara la clase informacional. La principal dificultad que tuvo fue la selección de los píxeles y la falta de datos de terreno.

La presente investigación plantea como objetivo clasificar a una escala fina y media extensas superficies con ecosistemas de Araucaria y Nothofagus presentes en el Parque Nacional Conguillío (en adelante PN Conguillío) localizados en el sur de Chile, utilizando para ello información derivada del satélite Landsat-8 OLI y aplicando una clasificación biunívoca-combinada y el método del árbol. Se logra así una descripción más completa y detallada que los mapas preexistentes, orientando de esta manera su manejo.

Materiales y Métodos

Área de estudio

El área corresponde al PN Conguillío, localizado en el centro-sur de Chile, a 200km al este de la ciudad de Temuco, entre los 38°30 y 38°45´S y los 71°30´ y 71°45´O (Figura 1). Comprende una superficie de 66.829ha.

Adquisición de datos y selección de bandas

Se utilizaron imágenes Landsat 8 sensor OLI fechada en noviembre 2013, con una resolución espacial de 30x30 m. La supervisión de terreno se efectuó durante el año 2014. Las bandas utilizadas fueron: OLI 2 (0,45-0,51µm; azul); OLI 3 (0,53-0,5µm; verde); OLI 4 (0,63-0,67µm; rojo); OLI 5 (0,85-0,87µm; infrarrojo cercano); OLI 6 (1,56-1,65µm; infrarrojo medio) y OLI 7 (2,1-2,29µm; infrarrojo medio-2). Para georeferenciarlas se utilizaron el Elipsoide Internacional de 1924, el Datum Provisorio Sudamericano La Canoa de Venezuela de 1956 y el Huso 19. Para seleccionar las bandas más adecuadas para la clasificación se utilizó el método gráfico de firmas espectrales, componentes principales (CP) y vectores propios, los cuales permiten seleccionar las bandas más idóneas (Eastman, 2012). De acuerdo a Congalton et al. (1993) es necesario detectar la información que es redundante, debido a que algunos tipos de cubiertas tienden a presentar un comportamiento similar en regiones próximas del espectro. El análisis de CP permite sintetizar las bandas originales, creando nuevas bandas, los componentes principales de la imagen (Conesse y Maselli, 1993). A partir del análisis de la varianza y covarianza de las bandas del satélite se seleccionan los primeros CP. El sentido espectral de estos componentes se obtiene a partir de la correlación entre los CP y los autovalores. Con el criterio de los CP y los vectores propios se seleccionan las bandas más idóneas.

Realces y mejoras de la imagen satelital

De acuerdo a Chavez (1996) la imagen satelital se corrige atmosféricamente para reducir el incremento de la radiación absorbida por el sensor así reducir el efecto negativo de las partículas en la atm´sfera y la imagen satelital. La corrección geométrica es para que calcen los píxeles con las coordenadas geográficas. Con el filtrado se aislan los componentes que son de interés, de esta manera se refuerzan o suavizan los contrastes de la imagen y los NDs. El ajuste de contraste, en este caso el ecualizador del histograma, es de gran utilidad porque permite adaptar la resolución radiométrica de la imagen a la capacidad que posee el monitor de visualización, práctica que es vital para interpretar mejor la información registrada del ecosistema natural. Para reducir el efecto causado por el relieve se aplicó un modelo de iluminación el cual se deriva del Modelo Digital de Elevación (DEM, del inglés Digital Elevation Model) (Riaño et al., 2003).

Criterios para áreas de entrenamiento y agrupamiento de clases

Para evitar problemas de autocorrelación espacial se extrajeron píxeles dispersos; es decir, de varios campos (Brown et al., 2009). Se utilizó un mínimo de 70 píxeles por cada clase espectral. La aplicación del método del árbol permitió realizar la clasificación inicial con un tamaño mínimo y un número máximo de clases (Comber et al., 2012; Khatami et al., 2017). Los criterios utilizados para la selección de los píxeles fueron: a) píxeles de un único ND y/o rango de NDs; en muestras reducidas se escogió un único ND, en cambio donde existe un grupo de píxeles y variabilidad espectral es preferible seleccionar un rango espectral el cual será más representativo de la categoría, b) Índice de Vegetación de Diferencia Normalizada (NDVI, del inglés Normal Difference Vegetation Index); este índice se aplicó como apoyo a la selección de los píxeles para diferenciar pastos, matorrales y bosque; vegetación vigorosa ó estresada, c) DEM, de acuerdo a la altitud es posible relacionar un píxel y su correspondencia con la vegetación, d) disposición espacial de los píxeles; si los píxeles de interés se disponen en forma discontinua en pequeños grupos y aislados, se escogen algunos pocos y con escasa variabilidad espectral, por el contrario, si son muchos los píxeles y presentan continuidad en el espacio, es posible seleccionar un número mayor de píxeles y con mayor variabilidad espectral.

El método del árbol aplicado aquí se basa en la separación o distancia espectrales que se produce entre las distintas clases involucradas y por la confusión espectral que presentan los distintos píxeles y clases. Una vez identificadas las clases de interés, éstas se separan y agrupan con la finalidad de representarlas en un árbol definitivo, dichas clases son fieles representantes de las clases informacionales (Hansen et al., 1996; Wright y Gallant, 2007).

Selección de los lugares de muestreo y parcelas en bosques

El muestreo de parcelas con bosque nativo se efectuó en el año 2014. Los criterios utilizados son: a) topografía (rango de altitud), b) formación geológica, c) composición de especies, d) formación vegetal, e) superficie, f) importancia ecológica, g) disposición espacial de los píxeles, h) tipo de cobertura (lava, suelo, agua, vegetación, suelo-vegetación) (Beaubien et al., 1999). Para describir la estructura y composición de los bosques se utilizó un muestreo estratificado dirigido, para lo cual se muestrearon 20 parcelas de inventario de 25×25m (625m²) por cada categoría de bosques, para 260 parcelas en total. En cada parcela se registró la especie, altura total (H, en m), diámetro a la altura del pecho (DAP, en cm) y cobertura de copa (CC, en %) (Salas et al., 2010). También se registró la altitud (msnm). Los rangos de cobertura del estrato arbóreo son: muy alta (100%), alta (75-100%), mediana (50-75%), baja (25-50%) y muy baja (0-25%).

Integración de datos topográficos, satelitales y de terreno

La relación entre las variables topográficas y satelitales se efectuó mediante tabulación cruzada ‘crosstab’ empleando para este cálculo operaciones de lógica booleana. El NDVI es útil para diferenciar la vegetación vigorosa y la estresada (Gilabert et al., 1997).

Clasificación espectral, análisis estadístico y validación

Para la clasificación espectral es necesario, a partir de los píxeles, desarrollar las áreas de entrenamiento para obtener las firmas espectrales y posteriormente aplicar el algoritmo de mínima distancia para obtener la clasificación o mapa final. Este algoritmo consiste en seleccionar un píxel y asignarlo a una de las categorías más cercanas; esto es, en aquella que minimice la distancia entre ese píxel y el centroide de clase (Schowengerdt, 1983). La supervisión en laboratorio y terreno permite reagrupar nuevamente los píxeles según se determine en la relación firma espectral, clase informacional y la clasificación espectral (Kamaruzaman y Souza, 1997). En este estudio se aplicó el índice Kappa (κ), el cual es una técnica de análisis categórico multivariante que permite medir la diferencia entre el acuerdo mapa-realidad observado y el posible esperado por azar (Naesset, 1996). La contribución de la presente investigación se logró evaluando la fiabilidad de la clasificación supervisada según la descripción obtenida de los ecosistemas boscosos y se comparó con otras clasificaciones desarrolladas en un ámbito local y mundial.

Resultados

El componente principal 1 fue significativo y explicó un 81,74% de la varianza original. Del análisis de componentes principales y sus vectores propios se desprende que la banda OLI4 contiene la información más provechosa (0,593939; color rojo), seguido de OLI2 (0,562763; color azul). De los tres criterios utilizados: a) separación de firma espectral, b) componentes principales y c) revisión de literatura; la combinación OLI 234 resultó ser la más informativa y fue la base de la clasificación.

En la clasificación preliminar se determinaron 33 categorías. Esta aportó información de interés pero sus píxeles se disponían en forma dispersa y no hubo una buena relación entre la clase espectral e informacional, limitando así la calidad de las categorías.

Con la finalidad de reducir la confusión entre las clases espectrales la clasificación se basó en los siguientes grupos según sea su origen: cubierta de origen volcánico (estructura de lapilli y lava basáltica), cuerpos de agua, suelo con escasa vegetación, vegetación de herbáceas y bosques (esta contiene el mayor numero de clases). Sobre estas clases espectrales se hicieron iteraciones generando diversos árboles de clasificación; en ellos se analizó tanto la distancia espectral como su confusión. De este modo, se fusionaron clases de la misma naturaleza y también aquellas de distinta naturaleza, pero con píxeles espectralmente próximos. Además, se generaron nuevas subclases espectrales.

La aplicación repetida de árboles de clasificación hizo posible la agrupación de estas clases espectrales, obteniendo así una clasificación final con 23 categorías.

Los NDs designados con número corresponden a la clasificación preliminar y los NDs con número y letra, corresponden a las clases definidas por cercanía espectral y similitud con la clase informacional (Figura 1). De las 23 categorías obtenidas en la clasificación se distinguen seis grupos de NDs. Todos los grupos con excepción del grupo 2 están distanciados entre sí por un solo ND, justificando con ello su agrupación. En la zona reflectiva destacan los suelos con escasa vegetación (12A) y la nieve (2), en cambio, en el otro extremo en la zona más absortiva sobresalen las categorías afectadas por sombra y los renovales densos (22A, 1, 28). El conglomerado 4 es el de mayor variabilidad espectral, puesto que reúne diversas clases informacionales, desde escoria volcánica hasta bosques (ND=122 hasta ND=135). En este mismo grupo los bosques también muestran variación espectral, los jóvenes (28) (ND=49) y A. araucana de baja cobertura (27A) (ND=171). De los seis grupos, cuatro contienen bosques. El grupo 5 también es diverso ya que contiene diferentes clases informacionales (bosques, lava basáltica, lapilli, vegetación herbácea y matorral) con ND=166 hasta ND=178.

Para describir la estructura de los bosques se efectuaron parcelas de inventario en los diferentes tipos de bosques presentes en el PN Conguillío, a fin de relacionar de mejor manera la cobertura, altura y densidad con la información entregada por el satélite. De estas mediciones se infiere que los bosques de A. araucana alcanzan importantes densidades entre 250 y 1.130 árboles/ha en las zonas de menor altitud (900 y 1.300msnm), y sus diámetros varían entre 55 y 65,6cm. La especie N. dombeyi presenta la mayor cobertura de copa individual (Tabla I). Por su parte, N. pumilio se encuentra en todos los bosques estudiados y crece achaparrado en altitud y alto en zonas bajas. Esta condición se observa en la categoría 10A, donde la altura promedio de sus árboles fue sólo de 1,5m. En altitudes intermedias los bosques de A. araucana y N. dombeyi (18A) alcanzan la mayor altura (25,2m). La cobertura de copa de mayor promedio (80%) está representada por los bosques achaparrados N. pumilio, N. antarctica, A. araucana y matorrales (16), y bosques achaparrados semidensos de N. pumilio y/o asociado N. antarctica-asociado A. araucana (14A). La cobertura de copa promedio total fue mayor para el género Nothofagus (33,9%) y menor para Araucaria (27,8%). La cobertura de copa promedio para A. araucana fluctuó desde un 5% cuando se asocia con arbustos e hierbas en el límite altitudinal (10A) hasta 44% asociado a N. pumilio (19).

En la Tabla II se observa que las categorías más entrenadas correspondieron a suelo con escasa vegetación (12A) y lava basáltica escorácea-musgo (4AB). Este mayor entrenamiento fue posible gracias a la abundancia y concentración de píxeles con el mismo valor ND. La selección de píxeles fue difícil para los bosques de N. dombeyi - A. araucana asociado N. pumilio - sombra (21) y los bosques jóvenes de N. dombeyi asociado A. araucana (29), debido a la alta dispersión que presentaron sus píxeles y a la variabilidad de los valores espectrales de la categoría. El mayor número de píxeles seleccionados correspondió al suelo con escasa vegetación (12A) y vegetación de alta montaña (10A). Contrariamente, el menor número fue para los cuerpos de agua; Lago Conguillío y Laguna Verde, por su escasa variabilidad de ND.

En la clasificación espectral se entrenaron 10.800 píxeles de un total de 1.069.280 contenidos en la imagen, equivalente a un 1,01% de la superficie estudiada (Figura 2). Para el error de muestreo estándar se utilizó el nivel de significación (α) y el nivel de probabilidad (1-α). Por lo tanto, la fiabilidad de la matriz de confusión se calculó con un nivel de significación de 0,05, lo que indica que hay un 95% de probabilidad que la fiabilidad real se encuentre entre 73,14 y 79,25%. Según el índice Kappa la precisión obtenida en la clasificación fue κ= 0,75; es decir, que el resultado es un 75% mejor que lo esperable por el azar. La fiabilidad promedio de las categorías para el usuario y el productor fue: bosques (74,6%), vegetación herbácea y arbustos (80,5%), suelo con escasa vegetación (84,95%), nieve (95,1%), escoria y lava volcánica (73,03%) y agua (73,0%). Para el caso de la fiabilidad del productor la matriz de confusión indicó un bajo error de omisión, es decir, que la especie que ocupa el territorio es la indicada; por su parte, el error por comisión deriva en que la probabilidad que sea la especie señalada en la clasificación es baja y afecta en este caso al usuario.

De la clasificación supervisada se obtuvieron cinco grupos de clases informacionales (Tabla III). De estos grupos, la mayor superficie la obtuvieron los bosques, 38.133,9ha; magma y vegetación, 13.994,7ha; suelo con escasa vegetación de herbácea, 7.469,6ha; nieve, 3.990,3ha; vegetación herbácea y arbustos, 2.326,6ha; agua, 913,9ha. Entre las categorías de bosques la vegetación de alta montaña (Senecio sp.) y lapilli fino, y eventualmente N. pumilio y A. Araucana fue la más extensa con 5.057ha. La categoría de menor superficie correspondió a renovales de N. dombeyi asociado a árboles de A. araucana (902,3ha), esto es de importancia porque indica que en el PN Conguillío son más abundantes los bosques maduros y envejecidos.

Discusión

Existe coincidencia entre algunos autores cuando se plantea que una categoría se define por un conjunto de NDs próximos entre sí, y por lo mismo, la mayoría de las clasificaciones se han llevado a cabo siguiendo este criterio. Pero en esta visión no se ha considerado que cada ecosistema mantiene su propia complejidad. En este sentido, nuestros resultados obtenidos con la clasificación realizada concuerdan con lo planteado por Wright y Gallant (2007); es decir, que al clasificar en forma combinada utilizando NDs únicos, y a la vez, pequeños rangos de NDs, es posible conseguir mayor reciprocidad entre la clase espectral y la informacional. Independiente de la mayor o menor área de distribución de los bosques, igualmente fue posible seleccionar píxeles de un único ND o pequeños rangos de NDs, los cuales fueron representativos de sus respectivas clases espectrales, concordando con los registros de Salovaara et al. (2005). Por esta razón, a pesar de la complejidad espectral e informacional de los bosques del sur de Chile, estos fueron correctamente clasificados con una fiabilidad entre 70 y 98%. No se encontró una relación directa entre la proporción de píxeles entrenados por clase espectral y la mayor o menor fiabilidad que se esperaría en una clasificación. Por su parte, Disperati et al. (1980) mapearon bosques de Araucaria angustifolia en Curitiba, Brasil y coinciden con nuestro planteamiento, es decir, que para obtener una clasificación fiable, las áreas de entrenamiento deben contener píxeles únicos de la clase y pequeños rangos de NDs, y plantean la dificultad que implica efectuar clases y sub-clases espectrales, aspecto que se resolvió en la presente investigación mediante la aplicación conjunta de los métodos de clasificación biunívoca-combinada y del árbol.

La mayor o menor cobertura de copa de los bosques no incidió significativamente en la fiabilidad de la clasificación, ya que tanto los bosques ralos como los densos obtuvieron una fiabilidad similar. Solo cuando la cobertura de copa es muy rala se observó una disminución de la fiabilidad, lo que podría ser esperable. Lo planteado anteriormente coincide con los resultados obtenidos por Congalton et al. (1993), quienes no encontraron grandes diferencias de fiabilidad en relación a diferentes estructuras de bosques tropicales.

Es importante el registro de solo 902,3ha de renovales de N. dombeyi y A. Araucana en el PN Conguillío, porque implica que existen importantes superficies de bosques maduros y envejecidos que están presentes y que no han sufrido el efecto de incendios forestales en los últimos 700-1000 años.

El método del árbol de clasificación fue útil porque permitió reagrupar 33 clases espectrales en 23 clases (Hansen et al., 1996; Comber et al., 2012). Lo complejo que resulta clasificar ecosistemas boscosos como consecuencia de la dispersión de los píxeles ha sido reconocido por Brown et al. (2009); sin embargo, en el presente estudio se pudo determinar a través del método del árbol un tamaño mínimo de área y un número máximo de clases espectrales. Un método similar para determinar tamaño y número de clases fue aplicado recientemente por Khatami et al. (2017).

En la presente investigación se efectuó una clasificación biunívoca-combinada con información espectral derivada de las bandas Landsat OLI234. Congalton et al. (1993) obtuvieron resultados similares utilizando la misma combinación de bandas en bosques sobremaduros en el Pacífico Noreste. En la presente investigación la banda OLI4 (rojo) reportó la información más provechosa, a diferencia de Kamaruzaman y Souza (1997), quienes registraron a la banda TM2 (verde) como la más informativa. La clasificación obtenida entre 73,14 y 79,25% puede considerarse de óptima fiabilidad por tratarse de bosque nativo, si se compara con el trabajo de White et al. (1995), quienes clasificaron bosques con una fiabilidad de 73% en el volcán Lassen. Por su parte, Salovaara et al. (2005) obtuvieron resultados similares en bosques primarios amazónicos.

Los bosques del mundo situados en Parques y Reservas han sido clasificados de preferencia a escalas amplias de observación y en Chile la situación es similar (Pliscof y Luebert, 2006). En este sentido, el presente trabajo es una contribución, ya que a partir del satélite Landsat se obtuvo una clasificación de Araucaria y Nothofagus a escala fina y media en una extensa superficie.

A través del proyecto CONAF-CONAMA-BIRF (2012) se desarrolló en Chile un ‘catastro’ de vegetación que consiste en la selección de píxeles por rangos de NDs a escala media y gruesa, pero tuvo la limitante que no contempló el reagrupamiento de las clases espectrales para acercarlas a las informacionales. Al analizar las categorías obtenidas por dicho proyecto y compararla con las clases obtenidas en la presente investigación, se infiere que en esta última se describieron con mayor detalle debido a la selección de los píxeles y al reagrupamiento por árboles de clasificación de las clases espectrales (Ojeda et al., 2011,2012). Incluso se pudo clasificar en algunos casos según las especies dominantes, a diferencia del ‘catastro’ que determina solo estructura-densidad del bosque. Con la precisión obtenida en la presente investigación se distinguen 6,25ha y la descripción espacial fue más fiel a la realidad. A modo de ejemplo, algunas categorías del ‘catastro’ definen ‘bosque nativo achaparrado semi-denso’ y ‘bosque nativo adulto semi-denso’, en los cuales contrariamente se detectaron bosques con alta cobertura de copa. En el ‘catastro’ se reporta ‘bosques nativos abiertos’ en lugares donde en realidad se desarrollan bosques de alta cobertura como son los bosques de N. pumilio – asociado N. dombeyi - A. Araucana coexistiendo con A. araucana- asociado N. dombeyi - N. pumilio. El ‘bosque nativo adulto denso’ descrito en dicho ‘catrastro’ fue escasamente observado. Además, se describen bosques de A. araucana en sectores donde solo existen pastizales y matorrales en sectores de alta montaña.

Globalmente existen clasificaciones de bosque nativo realizadas de preferencia a escalas medias y gruesas de observación (Comber et al., 2012). En este sentido, la importancia de la presente investigación es que se realiza un mapeo a escala media y fina con lo cual se logra una gestión con más detalle de un ecosistema natural de alto valor ecológico. La metodología que se presenta aquí es importante porque puede replicarse a ecosistemas boscosos de montaña de otras latitudes, para lo cual será necesario reconocer los píxeles puros ó mixtos (trabajo de terreno y selección exhaustiva de píxeles), generar clases y sub clases espectrales, utilizar árboles de clasificación e incorporar al análisis índices de vegetación y modelos de elevación.

Conclusiones

Se demuestra que es posible clasificar y mapear extensas superficies de bosques primarios de Araucaria y Nothofagus a una escala fina y media, y conseguir una descripción detallada de su composición, estructura y distribución. Con ello se valora positivamente el efecto que tiene la aplicación conjunta de los métodos de clasificación biunívoca-combinada y del árbol, más el apoyo de información auxiliar y los modelos DEM y NDVI. La selección de los píxeles de un único ND y de pequeños rangos de NDs desde datos Landsat 8-OLI y su posterior reagrupación, otorgan una buena relación entre la clase espectral y la informacional, lo que determina una clasificación supervisada que se aproxima a la realidad. De este modo, se determina el tamaño mínimo y número óptimo de clases espectrales que permiten clasificar y mapear de buena manera los cuerpos de agua, vegetación de hierbas, depósitos volcánicos y bosques. Lo relevante de la metodología aplicada es que permite orientar un mejor manejo de los ecosistemas boscosos localizados en zonas de difícil acceso en la Cordillera de los Andes en el sur de Chile, método que puede ser replicado en otras latitudes con bosques de alto valor para su conservación.

Agradecimientos

Los autores agradecen el financiamiento otorgado por la Universidad de La Frontera, Proyecto DIUFRO-regular DI14-0058, al Programa de Relaciones Internacionales que hizo posible la presentación de los resultados en el XVI Congreso Internacional Selper 2014, Medellín, Colombia, el financiamiento del proyecto NEXER – UFRO (NXR17-0002), y el apoyo de los guardaparques de la Corporación Nacional Forestal en el Parque Nacional Conguillío.

EFECTO DE LAS ÁREAS DE ENTRENAMIENTO Y MÉTODO DEL ÁRBOL PARA UNA CLASIFICACIÓN PRECISA EN BOSQUES PRIMARIOS DE Araucaria Y Nothofagus EN EL SUR DE CHILE: USO DE DATOS LANDSAT E INFORMACIÓN AUXILIAR

Beaubien J, Cihlar J, Simard G, Latifovic R (1999) Land cover from multiple Thematic Mapper scenes using a new enhancement-classification methodology. J. GeoPhys. Res. 104(22): 909-920.

Brown KM, Foody GM, Atkinson PM (2009) Estimating per-pixel thematic uncertainty in remote sensing classifications. Int. J. Rem. Sens. 30: 209-229.

Chavez P (1996) Image-Based atmospheric correction revisited and improved. Review. Photogramm. Eng. Rem. Sens. 62: 1225-1236.

Comber A, Fisher P, Brunsdon C, Khmag A (2012) Spatial analysis of remote sensing image classification accuracy. Rem. Sens. Environ. 127: 237-246.

CONAF, CONAMA, BIRF (2012) Catastro y Evaluación de Recursos Vegetacionales Nativos de Chile. Informe Novena Región. Corporación Nacional Forestal, Comisión Nacional del Medio Ambiente, Banco Interamericano de Reconstrucción y Fomento. Santiago, Chile. 75 pp.

Conese C, Maselli F (1993) Selection of optimum bands from TM scenes through mutual information analysis. ISPRS J. Photogramm. Rem. Sens. 48(3): 2-11.

Congalton R, Green K, Teply J (1993) Mapping old growth forests on national forest and park land in the Pacific Northwest from remotely sensed data. Photogramm. Eng. Rem. Sens. 59: 529-535.

Disperati A, Keech M, Gantzel O (1980) Algumas consideracöes sobre o mapeamento de Araucaria angustifolia (BERT.) O. KTZE em florestas nativas através de fotografias aéreas e imagens landsat. En Problemas Florestais do Genero Araucaria. International Union of Forestry Research Organizations. Curitiba, Parana, Brasil. pp. 10-15

Echeverría C, Coomes D, Salas J, Reyes-Benayas JM, Lara A, Newton A (2006) Rapid deforestation and fragmentation of Chilean temperate forests. Biol. Conserv. 130: 481-494.

Eastman R (2012) IDRISI Selva Tutorial. Guide to GIS and Image Processing. Clark University. Worcester, MA, EEUU. 130 pp.

Gílabert MJ, González-Piqueras, García-Haro J (1997) Acerca de los índices de vegetación. Rev. Teledetec. 8: 35-45.

Hansen M, Dubayah R, DeFries R (1996) Classification trees: an alternative to traditional and cover classifiers. Int. J. Rem. Sens. 17: 1075-1081.

Kamaruzaman J, Souza D (1997) Use of satellite remote sensing in Malaysian forestry and its potential. Int. J. Rem. Sens. 18: 57-70.

Khatami R, Mountrakis G, Stehman S (2017) Mapping per-pixel predictited accuracy of classified remote sensing images. Rem. Sens. Environ. 191: 156-167.

Naesset E (1996) Conditional tau coefficient for assessment of producer's accuracy of classified remotely sensed data. ISPRS J. Photogram. Rem. Sens. 51: 91-98.

Ojeda N, Sandoval V, Casanova JL, Herrera MA, Morales L, San Martín J, Espinosa A., Soto H (2011) Discriminación de bosques de araucaria (Araucaria araucana) en el Parque Nacional Conguillio, centro-sur de Chile, mediante datos Landsat TM. Bosque 32(2): 19-31.

Ojeda N, Alvear M, Herrera MA, Lillo A, Reyes F, Soto H (2012) Estudio de ecosistemas longevos de Araucaria en el Sur de Chile: Uso del satélite Landsat Thematic Mapper. Académica Española. 72 pp.

Pliscoff P, Luebert F (2006) Una nueva propuesta de clasificación de la vegetación de Chile y su aplicación en el evaluación del estado de conservación de los ecosistemas terrestres. Rev. Amb. Desarr. 22: 41-45.

Riaño D, Chuvieco E, Salas J, Aguado I (2003) Assessment of different topographic corrections in Landsat-TM data for mapping vegetations types. IEEE Trans. Geos. Rem. Sens. 41: 1056-1061.

Salas C, Ene L, Ojeda N, Soto H (2010) Métodos estadísticos paramétricos y no-paramétricos para predecir variables de rodal basados en Landsat ETM+: una comparación en un bosque de Araucaria araucana en Chile. Bosque 31(3): 179-194.

Salovaara KJ, Thessler S, Malik RN, Tuomisto H (2005) Classification of Amazonian primary rain forest vegetation using Landsat ETM+ satellite imagery. Rem. Sens. Environ. 97: 39-51.

Schowengerdt RA (1983) Techniques for Images Processing and Classification in Remote Sensing. Academic Press. Nueva York, EEUU. 217 pp.

UICN (2013) Categorías y Criterios de la Lista Roja de la UICN. Comisión de Supervivencia de Especies. Unión Internacional para la Conservación de la Naturaleza. Gland, Suiza. 34 pp.

White J, Kroh G, Pinder J (1995) Forest mapping at Lassen Volcanic National Park, California, using Landsat TM Data and a geographical information system. Photogramm. Eng. Rem. Sens. 61: 299-305.

Wright C, Gallant A (2007) Improved wetland remote sensing in Yellowstone National Park using classification trees to combine TM imagery and ancillary environmental data. Rem. Sens. Environ. 107: 582-605.

Notas de autor

nelson.ojeda@ufrontera.cl