Upload
others
View
8
Download
1
Embed Size (px)
Citation preview
CENTRO DE INVESTIGACIÓN EN GEOGRAFÍA Y
GEOMÁTICA
“ING. JORGE L. TAMAYO” A.C.
CentroGeo
Centro Público de Investigación Conacyt
Clasificación de fondos bénticos en arrecifes de coral
mediante imágenes satelitales, Banco Chinchorro, México
Que para obtener el grado de Maestra en Geomática
Presenta
Ameris Ixchel Contreras Silva
Supervisor Principal: Comité Supervisor:
Dra. Alejandra Aurelia López Caloca Dr. Sergio Cerdeira Estrada
Comité Supervisor:
Dr. Stefane Couturier
México, D.F., 14 de febrero de 2011
© CentroGeo. Derechos reservados. El autor otorga a CentroGeo el permiso de reproducir y distribuir copias de esta tesis en
su totalidad o en partes.
ii
RESUMEN
Este estudio se centra en la investigación de sistemas arrecifales como ecosistemas que
presentan una complejidad inherente y, al mismo tiempo, una fragilidad intrínseca. Los arrecifes
de coral de Banco Chinchorro, México, son colonias consideradas de alto valor ecológico,
económico, social y cultural que inherentemente proporcionan servicios ecosistémicos. En años
recientes, se ha observado blanqueo y disminución de las colonias de corales en todo el mundo; el
deterioro de estos sistemas puede analizarse en forma sinóptica mediante el uso de sensores
remotos; por lo que en este estudio se evalúan patrones de análisis, mediante diversos métodos
de procesamiento de imágenes satelitales. Asimismo la Geomática toma lugar como ciencia base
para abordar la complejidad de estos ecosistemas a partir de un enfoque sistémico. Este tipo de
análisis brinda la posibilidad de tener información actualizada del estado de los arrecifes así
como la aplicación de nuevas técnicas y metodologías como resultado de las necesidades
intrínsecas que asedian el problema.
iii
DEDICATORIA
A mi familia que siempre ha confiado en mí, me ha apoyado y me hace feliz…
A mi mamá hermosa Irene Silva quien es un ejemplo a seguir, por toda su fortaleza, alegría,
bondad, amistad es el roble que me da fortaleza.
A mi papá por siempre tenerme presente en sus oraciones y ser ese roble y carcajada de sandía.
A mis hermanos: Daria por acompañarme cada segundo en este recorrido sobre el universo, por
soportarme y abrazarme cada que lo necesito. Omar por ser mi apoyo y por pasar todas y cada
una de las etapas en esta travesía profesional, porque siempre ha estado a mi lado y me brinda
su mano siempre que lo necesito. Jeanine por ser tan buena y comprensiva, porque siempre me
ha impulsado para seguir adelante. Ivette por sus palabras de ternura y enseñarme las bases de
redacción científica. Elo porque es una mujer fuerte y bondadosa que siempre me alegra con su
mágica personalidad. Elizabeth quien es una gran mujer, me ha enseñado la otra parte del
mundo. Stefan que es una persona increíble, siempre me ha apoyado en todo momento y me
hace reír.
A mis sobrinos: Fanny por ser tan maravillosa, comprensiva e inteligente, Holkan que arrasa
con mi corazón desde que era bebé, Frida quien es mi mejor amiga, Jan que con su ternura
cambia cualquier día, Paris pequeño científico lleno de magia, Amadeus con su enorme
dulzura, Omarcito y Jorgito pequeños caramelos y a Xux-ek con quien compartí mi niñez y es
una hermana más para mí y por último Kike quien es una alegría más que integra nuestra gran
familia.
A Raúl por compartir esta etapa conmigo, quien siempre ha estado a mi lado, me impulsó y
siempre ha confiado en mí, porque cuando pude caer nunca me lo permitió.
A todos y cada uno de ellos les dedico este pequeñito logro en mi vida por ser personas llenas
de magia, ternura y amor que me acompañan cada día de mi vida.
iv
RECONOCIMIENTOS
Quisiera agradecer a mi hermano el Dr. Omar Tapia quien tuvo un papel crucial dentro del
desarrollo de esta tesis, por sus revisiones, sugerencias y contribuciones metodológicas, sin él
no hubiese sido tan perfecta.
Agradezco a la Dra. Alejandra López Caloca mi tutora principal por sus consejos, su dedicación
a este trabajo, sus aportaciones metodológicas, su confianza y comprensión en tiempos de
desesperación y por las largas jornadas de trabajo. Asimismo agradezco al Dr. Sergio Cerdeira,
quien desde un principio se comprometió con el desarrollo de esta investigación, no sé si
agradecerte por las largas horas de discusión en torno a la corrección por columna de agua y
otros temas de procesamiento de imágenes, pero brindó frutos.
Agradezco especialmente al Dr. Alejandro Toledo quien me animo a impulsar el papel de la
Geomática a ecosistemas arrecifales, sus palabras me ayudaron a entrar de lleno en este nuevo
mundo profesional. Al Dr. Stephan Couturier por sus revisiones y sugerencias.
A todos los que contribuyeron a que este trabajo fuese de mejor calidad: la Dra. Carmen Reyes,
al M.G. Rodolfo Sanchez, al M.G. Enrique Muñoz, al M.G. Camilo Caudillo, y al E.G. José
Manuel Madrigal.
Quiero agradecer a mis grandes amigos por aportar su conocimiento a esta investigación y que
además siempre estuvieron conmigo, me dieron apoyo, cariño y mucha comprensión: Betsabé
de la Barreda y Edson Real, muchas gracias por ser parte crucial de todo este largo y corto
camino.
A Andrea del Pino por ser siempre esa persona con quien podía hablar horas y horas sobre mi
tesis y siempre me escuchó, por ser mi mejor amiga y acompañarme en cada paso desde la
universidad. A Mau por ser un gran amigo, a todos mis compañeros teatreros Fide, Zeltzin, Os,
Daria, Kike, Holki, Nahui, Ibeth y todos los demás que ayudaron a relajarme en momentos de
estrés total, los quiero.
A la Secretaría de Marina (SEMAR ) Levantamientos Hidrográficos. Dir. Gral. Adj. de
Oceanografia, Hidrografia y Meteorologia por los datos proporcionados.
A Carricart-Ganivet y Janneth Padilla Saldívar por proporcionarme la informac ión y base
geográfica del proyecto Manejo Integral de Banco Chinchorro: Levantamiento geográfico y
caracterización geomorfológica del arrecife.
v
“La tierra no pertenece al hombre; el hombre pertenece a la Tierra. Todo va entrelazado, como la
sangre que une a la familia. Todo lo que le ocurra a la tierra, les ocurrirá a los hijos de la tierra.
El hombre no tejió la trama de la vida; él es solo un hilo. Lo que hace con la trama, se lo hace a sí
mismo.”
- Noah Seattle
“Si deseamos la continuidad de la vida como la conocemos, es necesaria la creación de una nueva
cultura que reconozca y respete el valor de la misma. De esta nueva cultura dependerá la
supervivencia de las futuras generaciones y especies del planeta .”
-Margulis & Sagan, 2006
vi
CONTENIDO
Introducción ................................................................................................................................... 1
CAPÍTULO 1. PLANTEAMIENTO DE LA INVESTIGACIÓN ............................................ 3
1.1. Deterioro Ambiental .............................................................................................................. 3
1.2. Impacto del cambio climático global .................................................................................... 4
1.2.1. Blanqueamiento Coralino................................................................................................ 6
1.2.2. Acidificación del océano ................................................................................................. 7
1.2.3. Elevación del nivel del mar ............................................................................................. 8
1.3. Objetivos ............................................................................................................................... 9
CAPÍTULO 2. MARCO TEÓRICO-CONCEPTUAL ............................................................. 10
2.1 Modelo conceptual integral ................................................................................................... 11
2.2 Ecología del paisaje .............................................................................................................. 13
2.3 Geomática ............................................................................................................................. 14
2.4 Percepción Remota ............................................................................................................... 16
2.4.1 Percepción Remota Marina ............................................................................................ 18
2.4.1.1. Incursión de la Percepción Remota en ecosistemas arrecifales ............................. 21
2.4.1.2 Reflectancia espectral del coral .............................................................................. 22
2.4.1.3 Mapeo de arrecifes coralinos mediante sensores remotos ...................................... 24
2.4.1.4 Características ecológicas de los arrecifes determinada mediante sensores remotos
................................................................................................................................................. 25
CAPÍTULO 3. ENFOQUE METODOLÓGICO Y RECURSOS DE INFORMACIÓN ...... 29
3.1 Área de estudio ..................................................................................................................... 29
3.1.1. Descripción geográfica.................................................................................................. 30
3.1.2. Características físicas .................................................................................................... 31
3.1.2.1. Geología y batimetría ............................................................................................ 31
3.1.2.2. Oceanografía física ................................................................................................ 33
3.1.2.3. Condiciones atomosféricas .................................................................................... 34
3.1.3. Características biológicas .............................................................................................. 35
3.1.2.1. Vegetación ............................................................................................................. 35
vii
3.1.2.2. Fauna ...................................................................................................................... 36
3.1.4. Contexto histórico, económico y social ........................................................................ 36
3.2 Recursos de Información ...................................................................................................... 39
3.2.1. Satélite Landsat 7 –ETM+ (Sensor Enhanced Thematic Mapper Plus) ....................... 39
3.2.2. Datos de muestreo en campo ........................................................................................ 40
3.2.2.1. Clases de hábitat bentónico .................................................................................. 40
3.2.2.2. Levantamiento batimétrico ................................................................................... 41
3.3 Pre-procesamiento de las imágenes satelitales .................................................................... 43
3.3.1. Corrección radiométrica y atmosférica ........................................................................ 45
3.3.2. Corrección de la columna de agua ............................................................................... 46
3.4. Metodologías de clasificación para ecosistemas arrecifales ............................................... 51
3.4.1. Campos Aleatorios de Markov ..................................................................................... 52
3.4.2. ISODATA (Iterative Self Organizing Data Analysis) .................................................. 58
CAPÍTULO 4. RESULTADOS ................................................................................................... 59
4.1. Determinación de hábitats para la clasificación .................................................................. 59
4.2. Procesamiento de imágenes ................................................................................................ 60
4.1.1. Corrección de columna de agua ................................................................................... 61
4.1.2. Clasificación por Campos Aleatorios de Markov con corrección de columna de agua
................................................................................................................................................. 65
4.3. Comparación de los métodos de clasificación .................................................................... 67
CAPÍTULO 5. DISCUSIÓN ........................................................................................................ 72
5.1. Ventajas de la corrección de la columna de agua ................................................................ 72
5.2. Clasificación de las imágenes ............................................................................................. 72
CAPÍTULO 6. CONCLUSIONES Y RECOMENDACIONES ............................................... 74
BIBLIOGRAFÍA .......................................................................................................................... 76
Anexos ............................................................................................................................................ 85
I. AML Corrección por columna de agua
II. AML Procesamiento de imágenes por Campos Aleatorios de Markov
viii
LISTA DE CUADROS
Cuadro 3.1. Características de la imagen Landsat 7-ETM+ utilizada ........................................ 38
Cuadro 3.2. Máxima profundidad de penetración para cada banda espectral............................. 47
Cuadro 4.3. Agrupación de las clases más representativas en Banco Chinchorro para delimitar
las clases ...................................................................................................................................... 57
Cuadro 4.4. Varianza de radiancia de cada banda ...................................................................... 60
Cuadro 4.5. Determinación del radioKi/Kj ................................................................................ 61
ix
LISTA DE FIGURAS
Figura 2.1. Esquema general del Marco Teórico-Conceptual ................................................... 12
Figura 2.2. Componentes de la Percepción Remota en mapeo de arrecifes coralinos ............... 27
Figura 3.3. Localización de Banco Chinchorro ......................................................................... 30
Figura 3.4. Muestreo in situ en Banco Chinchorro (Carricart-Ganivet et al. 2002). .................. 40
Figura 3.5. Batimetría de Banco Chinchorro (SEMAR 2008). ................................................... 41
Figura 3.6. Diagrama del método de procesamiento de las imágenes satelitales Landsat 7-
ETM+ .......................................................................................................................................... 43
Figura 3.7. Representación esquemática de los componentes de radiación en un terreno plano
..................................................................................................................................................... 45
Figura 3.8. Ejemplo de atenuación de la luz en la columna de agua ......................................... 46
Figura 3.9. Diferencias espectrales para un hábitat (pastos marinos o macroalgas) a diferentes
profundidades. Modificada de Mumby y Edwards (2000) ......................................................... 47
Figura 3.10. Elementos del algoritmo CAM utilizado ............................................................... 52
Figura 3.11. Vecindarios de órdenes 1, 2, 4, 5 y 8 para el modelo de textura ........................... 53
Figura 3.12. Términos de la energía wiXU
............................................................................ 55
Figura 4.13. Pasos para realizar la corrección de columna de agua: (a) radiancia espectral de la
banda 1 y 2 (corregidas atmosféricamente); (b) atenuación exponencial de la radiancia para las
bandas 1 y 2 usando logaritmos naturales; (c) bi-plot de las bandas 1 y 2 para un único sustrato
(arenas) a diferentes profundidades ............................................................................................ 61
Figura 4.14. Visualización de la imagen Landsat 7-ETM+ antes y después de haber aplicado la
corrección de columna de agua. a) Imagen de la banda 1 (azul de 450-520 nm), b) banda 2
(verde 530-610 nm), c) banda 3 (roja 630-655 nm), d) Índice invariante de profundidad
combinación de bandas 1/2, e) 2/3 y f)1/3. ................................................................................. 62
Figura 4.15. a) Imagen Landsat 7-ETM+ RGB (1, 2, 3) y clasificación del fondo béntico en
banco chinchorro mediante CAM a) con corrección de columna de agua y b) sin corrección de
columna de agua ........................................................................................................................ 66
Figura 4.16. Comparación clasificaciones con corrección de columna de agua a) CAM y b)
ISODATA. .................................................................................................................................. 67
Figura 4.17. Comparación entre a) la imagen del índice invariante a la profundidad bandas 1/2,
b) índice invariante a la profundidad, c) clasificación CAM c) y clasificación ISODATA ...... 69
x
Figura 4.18. Enfoque geomático para un monitoreo arrecifal ................................................... 70
Figura 4.19. Comparación entre a) clasificación CAM y b) clasificación ISODATA ........................ 72
Figura 4.20. Enfoque geomático para un monitoreo arrecifal .......................................................... 73
1
INTRODUCCIÓN
El interés por la protección de la naturaleza ha surgido en la sociedad contemporánea a medida
que ésta ha tomado conciencia de la grave crisis ambiental que enfrentamos. Uno de los
ecosistemas más impactados ha sido el de los Arrecifes que, a pesar de ofrecer gran riqueza de
hábitats y diversidad de especies que presentan una complejidad intrínseca de especies y
características, ha sido dañada por efectos de actividades humanas. Un ejemplo de eso es la
producción en las plataformas petroleras (el caso del Golfo de México, 2010); los efectos del
Calentamiento Global (como el aumento de incidencias e intensidad en huracanes y cambios de
drásticos de temperaturas oceánicas). Todos estos sucesos han provocado dramáticos daños como
el blanqueamiento y disminución de las colonias de coral. Ante esta desoladora situación, es
necesario estudiar de forma científica a las comunidades arrecifales y los efectos negativos
incidentes en ellas.
Los arrecifes coralinos de Banco Chinchorro, México, forman parte del gran cinturón de arrecifes
del Atlántico Occidental, de gran riqueza biológica, que proporcionan inherentemente servicios
ambientales, económicos y culturales, desde escala local hasta global. Sin embargo, desde hace
décadas, estos servicios se ven quebrantados debido a la sobre explotación, induciendo
desequilibrios ecológicos en la zona. Durante las últimas décadas, numerosas comunidades
biológicas que albergan constelaciones de especies, cuyo proceso natural de evolución millones
de años (Primack et ál., 1998) han sufrido diversos procesos de degradación, si esta tendencia
continúa, toda la evolución sostenida por la vida misma, podría desaparecer en un lapso
relativamente corto (Primack et ál., 1998).
Desde una perspectiva holista, la ciencia de la Geomática, con emergencia transdisciplinaria y
cuya base científica proviene del Análisis Espacial, es el campo de conocimiento más adecuado
para estudiar Banco Chinchorro. Esto se debe a la integración de la tecnología geoespacial, los
Sistemas de Información Geográfica (SIG), la Percepción Remota (PR), entre otras disciplinas
científicas, para analizar de manera holista las diferentes presiones sociales, ambientales y
socioeconómicas que interactúan dentro de este complejo ecosistema. Para sistematizar este
quehacer disciplinario, el marco conceptual de la Ecología del paisaje y la tecnología geoespacial
2
de PR sentarán las bases para diseñar de manera conceptual un Monitoreo Arrecifal. Cabe
resaltar que los recientes avances en imágenes satelitales, han revolucionado los estudios en
sistemas arrecifales, enmarcando una nueva línea de investigación que evalúa patrones de cambio
en tiempo y espacio, identificando el estado y deterioro del sistema arrecifal de manera sinóptica
y organizada (Mumby et al., 2001; Mumby y Edwards, 2002).
Este estudio pretende sentar las bases de manera conceptual para un monitoreo arrecifal. De la
misma manera, en este trabajo se presenta un análisis basado en la clasificación de ecosistemas
bénticos presentes en los arrecifes coralinos mediante imágenes satelitales (Landsat 7-ETM+).
Dicha clasificación se realiza por medio de algoritmos de textura, como los Campos Aleatorios
de Markov. Para lograr esta meta es necesario continuar realizando estudios científicos
importantes dirigidos a la conservación del área por extraer patrones y lograr una adecuada
clasificación de las comunidades bénticas, que permitirá determinar el grado de deterioro de estos
hábitats.
CAPÍTULO 1
3
CAPÍTULO 1. PLANTEAMIENTO DE LA INVESTIGACIÓN
1.1. Deterioro ambiental
La tierra está poblada por millones de seres humanos abarcando todas las latitudes y viviendo
permanente en pueblos y ciudades incluso a 4,000 metros de altitud. De acuerdo con Bermúdez
de Castro et ál. (2004:45), prácticamente no hay lugar en la tierra que no haya sido pisada por
seres humanos, es decir habitamos prácticamente todos los espacios en la tierra..
A través de la historia del Homo sapiens sapiens sobre la faz de la tierra y hasta antes de
la gran revolución industrial, el accionar del hombre había sido insignificante, comparado con la
magnitud del ecosistema, todos los impactos provocados por éste, eran compensados por la
naturaleza. El mar y la atmósfera se habían comportado hasta hace poco tiempo como infinitos,
deglutiendo por un lado los subproductos indeseables de la actividad humana (Oberhuber, 2004)
y por otro manejando su resiliencia hacia condiciones extremas.
El hombre se convirtió en el depredador más poderoso en la historia de la tierra, ya que
está dotado de inteligencia que le permite alterar y modificar su entorno en modo y forma como
no lo puede hacer otro ser (Gomis, 2003). Se han creado diversos artefactos que empleamos para
hacer más fácil y sencilla nuestra vida, es decir los avances tecnológicos de nuestra especie no
dejan de maravillar día con día. Sin embargo es a través de las invenciones tecnológicas que se
empezaron a manejar energías capaces de alterar equilibrios naturales que han dañado
irreversiblemente los ecosistemas naturales. En los últimos años se ha progresado más que en
millones de años de evolución (Bermúdez de Castro et ál. 2004). Es difícil negar el éxito sin
precedentes de la especie humana desde la aparición de la vida en la tierra, misma que ha
conseguido las adaptaciones más particulares y distintas a las de cualquier otra especie animal o
vegetal (Bermúdez de Castro, et ál. 2004).
Estas transformaciones acontecidas en casi todos los rincones de la tierra, han provocado
que se mencione a la actual sexta gran extinción masiva de biodiversidad, si bien, no es la
primera vez que se producen estos fenómenos, esta última se está produciendo resultado de la
CAPÍTULO 1
4
actividad humana1 (Primack y Ros, 2002) y a diferencia de las anteriores aquellas se debieron a
causas naturales y fueron procesos lentos que duraron millones de años (Primack y Ros 2002).
Contrario a lo que sucede ahora, el hombre no existía, mientras que hoy es uno de los
componentes de la biosfera en rápido cambio (Oberhuber, 2004).
Si bien los ecosistemas marinos y costeros, son los más importantes y dinámicos en la
tierra (Yang et ál. 1999), son también los más impactados, ya que desde la aparición del ser
humano, estos ecosistemas han sido los principales proveedores de servicios (agua potable, clima,
turismo, transporte) y alimentos (pesca). Paradójicamente, en la actualidad se experimenta la
fragilidad del equilibrio en los ecosistemas marinos. Ejemplos son los mares Índico y Báltico,
casi muertos, el Mar del Norte, cuyos recursos piscícolas declinan trágicamente, el Mediterráneo
gravemente afectado y los arrecifes agonizantes del mundo entero (Kolbert, 2009).
El incremento en la densidad poblacional en el ambiente costero ha generado que más de
la mitad de la población del planeta, alrededor de 3.2 mil millones de habitantes, viva en una
franja costera de 200 km de ancho, y cerca de dos tercios (4 mil millones) se encuentran a menos
de 400 km de la costa (Hinrichsen, 1998:7-16); por lo que una de las actividades fundamentales
en las zonas costeras es la pesca, ya que aporta el 90% de las pesquerías a nivel mundial y emplea
a más de 200 millones de personas en todo el mundo (Hinrichsen, 1998:7-16). Los ecosistemas
arrecifales; considerados como los ecosistemas más diversos del mundo con gran riqueza de
hábitats (Moberg y Folke, 1999, Lewis, 1994), diversidad de especies y con una complejidad
intrínseca de especies y características (Bongaerts et ál., 2009), se ven amenazados
cotidianamente. A nivel mundial más de un 10% de los arrecifes coralinos ha sido destruido
irreversiblemente y en menos de 25 años tan sólo en el Caribe la cobertura de corales vivos se
redujo de 80% a 50-10% (Jorgensen, 2008).
Ante esta eminente situación, desde el siglo XX, se han generado nuevos paradigmas de
conocimiento y concientización ambiental. Las conferencias de Estocolmo (1972), Tiblisi (1977),
1 En la historia de la tierra han ocurrido cinco extinciones masivas hace 438, 360, 253, 213 y 65 millones de años, en las que la vida en el planeta estuvo peligrosamente al borde de desaparecer. La extinción de mayor magnitud tuvo lugar a finales del periodo pérmico hace 250 millones de años, cuando se estima que se extinguieron entre el 77% y el 96% de todas las especies marinas, aunque la más famosa es la que causó la desaparición de los dinosaurios hace 65 millones de años (Primack y Ros, 2002).
CAPÍTULO 1
5
Río de Janeiro (1992) y Johannesburgo (2002) evidenciaron la necesidad de la conservación,
educación ambiental y la búsqueda de un modelo de desarrollo sostenible (Gamez, 2008),
objetivos medianamente alcanzados. En el caso de los ambientes marinos, destacan los esfuerzos
del Año Internacional del Arrecife en 1997 y en el 2004 tuvo lugar en Washington la evaluación
global del estado de los arrecifes de coral del mundo. Fue en esta reunión donde se evidenció que
el 70% de los arrecifes de coral en el planeta han sido destruidos o se encuentran amenazados y
cerca del 20%de los arrecifes están tan dañados que ya no pueden ser recuperados, mientras que
el otro 50% podría colapsar.
La anterior problemática está provocando daños consecuentes e irreparables en los
ecosistemas arrecifales, principalmente por el cambio climático global, el blanqueamiento
coralino, acidificación del océano y elevación del nivel del mar. Todos estos problemas,
ocasionan en los arrecifes una reacción en cadena que a largo plazo podría cambiar la estructura y
funcionamiento del ecosistema.
1.2. Impacto del Cambio Climático Global
El actual cambio climático global está generando una variedad de cambios emergentes para las
sociedades presentes y futuras. Científicamente, este fenómeno es ocasionado por el incremento
en la temperatura promedio del aire cercano a la superficie y los océanos de la tierra,
principalmente al aumento en las concentraciones de Gases de Efecto Invernadero (GEI) (Baker
et ál., 2008). Los GEI actúan como una pantalla que hace que una parte de la radiación solar
quede atrapada en las capas más superficiales de la atmosfera, produciéndose el efecto
invernadero.
Uno de los GEI que tiene una mayor contribución al efecto invernadero es el dióxido de
carbono (CO2). La emisión de CO2 producto de las actividades humanas, derivadas
principalmente de la combustión masiva de los combustibles fósiles, está impactando la
composición de la atmósfera terrestre - aumentado cerca del 40% durante los últimos 50 años-
resultado de una continua redistribución de elementos químicos entre la litósfera y la atmósfera
(Mannion, 1998).
CAPÍTULO 1
6
La consecuencia del impacto del CO2 en los sistemas marinos, es la generación de eventos
tales como la acidificación del océano; el aumento del nivel medio del mar; la disminución de la
extensión y el espesor de los hielos marinos árticos; el retiro de glaciares no polares; la fusión, el
calentamiento y la degradación del permafrost en zonas polares, subpolares y de montañas; el
desplazamiento de aves, insectos, peces y plantas hacia latitudes más altas, así como el
incremento de las pérdidas económicas mundiales relacionadas con fenómenos meteorológicos
(Baker et ál., 2008).
Los arrecifes de coral son ecosistemas particularmente sensibles a este tipo de cambios. El
incremento de CO2 está generando inusuales altas temperaturas y acidificación (Baker et ál.,
2008), causando la muerte inmediata de estos ecosistemas desde la década de los ochenta. Estos
daños en las comunidades bénticas de coral están destruyendo la estructura y el metabolismo de
la comunidad y por consiguiente en las asociaciones de las variables biogeoquímicas que ayudan
a sostener el equilibrio de estos complejos ecosistemas (Brock et ál., 2006).
1.2.1. Blanqueamiento coralino
El problema del incremento de temperatura en los océanos ha provocado el “blanqueamiento de
coral”, su efecto ha sido devastador; ha debilitado y destruido los corales en muchas áreas del
mundo. Al mismo tiempo, se han extendido por la región del Caribe una gran cantidad de
enfermedades de coral poco comprendidas, mas las presiones y amenazas causadas por la
humanidad (Weil et ál., 2000, Dustan 1977, Richardson, 1997, 1998, Goreau et ál., 1998)
(Kolbert, 2009).
En general el blanqueamiento coralino resulta de un estrés oxidativo acumulado en las
membranas tilacoides de los cloroplastos de los organismos simbiontes como un resultado del
fotosistema II (Lesser, 2006), que reacciona con la expulsión de los simbiontes del hospedero.
El fenómeno del blanqueamiento coralino se ha extendido por todo el mundo: en 1998, más del
16% de los corales de zonas tropicales, fueron seriamente devastadas por blanqueamiento, con un
50-90% de mortandad en algunas regiones (Wilkinson, 2002). Los modelos de cambio climático
predicen un incremento de 1.8°C a 4°C en las temperaturas de las regiones tropicales en el
siguiente siglo (Maynard et ál., 2008), lo cual resultará en eventos más frecuentes de
CAPÍTULO 1
7
blanqueamientos coralinos en grandes masas. La extensión de la crisis arrecifal puede
incrementar dependiendo de la velocidad del cambio climático y de la resiliencia de los corales a
esos cambios (Maynard et ál., 2008).
1.2.2. Acidificación del océano
El agua de los mares y de los océanos constituye la reserva de CO2 más importante del planeta.
En concreto, el agua marina contiene una cantidad de CO2 disuelto cuatro veces mayor que el que
se encuentra libre en la atmósfera. Parte del CO2 presente en la atmósfera puede disolverse en las
aguas marinas. La dinámica sedimentaria presente en los arrecifes conlleva la formación de
sedimentos carbonatados que, tras su enterramiento y litificación, se convierten en rocas
carbonatadas, el resultado final es la generación continua de un importante almacén de CO2.
El aumento de CO2 causa reducciones significantes en el pH del océano y alteraciones en
los balances biogeoquímicos que, en conjunto, se refiere a la acidificación del océano (Doney et
ál., 2009). Se ha documentado ampliamente que los arrecifes de coral, son los ecosistemas más
amenazados ante el proceso de acidificación del océano (Kleypas y Langdon, 2006).
La preocupación principal sobre los efectos de la acidificación en arrecifes de coral es que
parece afectar varios grupos de los organismos arrecifales, particularmente corales y algas
coralinas: “los ingenieros del ecosistema” (Kleypas y Yates, 2009). La pérdida de estas especies
clave va a afectar muchas otras especies asociadas a ellas; aquí radica la preocupación principal,
ya que cuando mueren los corales estas especies que dependen de ellas van a ser impactadas
marcando una reacción en cadena que podría sucumbir con la pérdida de colonias enteras de coral
(Muehllehner y Edmunds, 2008). De la misma manera a la osteoporosis en los seres humanos, los
esqueletos calcáreos de los corales se disolverán con mayor rapidez de la necesaria para
reconstruirlos.
1.2.3. Elevación del nivel del mar
La elevación del nivel del mar representa una gran amenaza, debido a que el 10% de la población
mundial (634 millones de personas) vive en regiones costeras (McGranahan et ál., 2007).
Recientemente, datos de mareógrafos sugieren que, desde 1993, el rango de elevación ha
incrementado 3 mm por año (Church y White, 2006). Los impactos ocasionados por la elevación
CAPÍTULO 1
8
del nivel del mar, pueden generalizarse como un empeoramiento a las condiciones actuales. Por
ejemplo, inundaciones en zonas bajas, erosión de playas y pérdida de humedales.
Como se ha mencionado anteriormente, los corales son los organismos más sensibles a los
cambios en el medio ambiente marino, de la misma forma, son dependientes de la luz solar para
mantener sus funciones biológicas. Un incremento en el nivel del mar va a causar que los
ecosistemas arrecifales experimenten un límite máximo de crecimiento, debido a condiciones de
deficiencia de luz que, indudablemente, puede conllevar a la degradación y/o extinción de
colonias completas de coral.
CAPÍTULO 1
9
1.3. Objetivos
Con base en los problemas mencionados en el planteamiento de la investigación, nace el interés
por realizar una investigación de los sistemas arrecifales en México, específicamente Banco
Chinchorro como caso de estudio. La aplicación de nuevas metodologías de análisis, basadas en
imágenes satelitales e integradas a un marco teórico transdisciplinario serán, en conjunto, la base
científica para sentar algunas bases conceptuales y, en un futuro cercano, monitorear su estado.
Con base en una clasificación se busca determinar qué tan precisa es la Percepción Remota como
herramienta para detectar diferentes hábitats bentónicos en el área de estudio. Los resultados de
esta investigación pueden ser utilizados para concientizar a la sociedad sobre su importancia en
servicios ambientales, los impactos que sufriría el ser humano en caso de perderlos, así como la
fragilidad y la forma en que a lo largo del tiempo se han venido deteriorando y cambiando su
estructura y función características.
Objetivo general
Aplicar una metodología para la clasificación de hábitats bénticos representativos en Banco
Chinchorro a partir de datos geoespaciales y sentar bases para un monitoreo arrecifal enmarcado
en la Geomática.
Objetivos particulares
Establecer un marco teórico-conceptual enmarcado en la Geomática que sirva de base para
determinar los alcances en percepción remota como herramienta clave para el manejo y
conservación de los ecosistemas arrecifales.
Obtener la distribución espacial de los hábitats bentónicos más representativos en Banco
Chinchorro, mediante técnicas de clasificación de imágenes de satelitales (Landsat 7-ETM+).
Comprobar la efectividad de la corrección de columna de agua como método de pre-
procesamiento para clasificar ecosistemas acuáticos sumergidos.
Capítulo 2
10
CAPITULO 2. MARCO TEÓRICO-CONCEPTUAL
El mundo actual es un continuo vaivén de interconexiones; la tierra es un sistema en el que todos
sus componentes –vivos o inertes– son interdependientes, formando un todo indisociable,
complejo, armonioso y autoregulado por una circulación interna en la que nadie puede realizar un
acto local sin generar repercusiones globales (Aktouf, 2001). Desde este punto de vista, los
sistemas naturales son perturbados irreversiblemente por una mínima variación en su estado
inicial, por ejemplo, un pequeño impacto ambiental, puede desencadenar además de problemas
ambientales, una serie de conflictos sociopolíticos o económicos, que continuarían
incrementándose drásticamente, mientras no se tomen acciones que mitiguen estos cambios.
Desde este enfoque sistémico, el sistema social no es independiente del sistema natural, pues son
parte de un sistema global, el cual es necesario preservar y respetar. Desafortunadamente sigue
siendo una ardua tarea el encontrar un equilibrio entre las ambiciones de crecimiento de la
humanidad, la equidad social y los límites a la utilización de los recursos. En el ámbito ambiental
la complejidad de los sistemas naturales se estudia desde el concepto de ecosistema.
Andréfouët et ál., 2002; Paris y Chérubin, 2008 y Soto et ál., 2009, apuntan que el interés
en conocer más a fondo la interconectividad de los componentes de los ecosistemas, surge a
través de la actual crisis ambiental, que evidencia la reducción de la biodiversidad,
principalmente en las especies en peligro de extinción. No debe olvidarse que al perderse una o
más especies, se interrumpen parcial o totalmente uno o más de los procesos naturales que
mantienen el flujo de materia y energía del cual depende el funcionamiento “saludable” (DeLeo y
Levin 1997) del ecosistema, ocasionando una perturbación en las redes tróficas y en los
mecanismos de control de la diversidad de las comunidades (Achá y Fontúrbel 2003).
Otra consideración conceptual importante en ecosistemas es la continua adaptación, ya
que los ecosistemas son el resultado de cientos de miles de años de sucesión ecológica2,
evolución conjunta y adaptación, por medio de diferentes procesos de (Washitani 2001),
evolución y adaptación dentro de complejos procesos de auto-regulación y auto-reparación
2Sucesión ecológica es un proceso que provee la secuencia de poblaciones individuales (O´Neil, 1999).
Capítulo 2
11
(Holling 1973) (O’Neill y Reichle, 1980). Tras una perturbación o ante algún factor de estrés
antropogénico, un proceso natural se acontece para regresar el sistema a su estado de equilibrio
más cercano (O’Neill, 1999). Por ello, todo ecosistema, sea cual sea su tamaño, tiene una
capacidad limitada de absorber los impactos, ya que éstos desestabilizan dichos sistemas a tal
grado de no poder regresar a su estado de equilibrio.
Para poder explicar y comprender esta complejidad inherente de los ecosistemas, en este
estudio se toma como ciencia base a la Geomática, ya que brinda la posibilidad de analizar de
manera holista y trandisciplinaria las diferentes presiones del sistema. Esta aproximación debe
considerar los complejos procesos socioambientales, es decir, los componentes naturales y
sociales de forma integrada y no separada o disociada. Una aproximación adecuada para lograr lo
anterior lo brinda la educación ambiental3 que, según Enrique Leff, deberá articular integralmente
el conocimiento, ciencia, tecnología, cultura y naturaleza, con el propósito de generar una nueva
racionalidad y un nuevo pensamiento sobre la producción del mundo (Leff 2003:183-190).
2.1 Modelo conceptual integral
Como se mencionó anteriormente, el estudio y análisis de ecosistemas necesita ser abordada de
forma transdiciplinaria en ciencias naturales, exactas y sociales. Es importante partir de la
complejidad de los ecosistemas con todos sus procesos de orden físico, biológico, social y
tecnológico, mismos que conformarán un sistema que va a rebasar la capacidad de comprensión y
acción a partir de los paradigmas del conocimiento (Leff 2008:199). Una ciencia transversal
como la Geomática, permite abordar desde la realidad espacio-temporal las relaciones sistémicas
de los ecosistemas por medio de la información geográfica y el análisis espacial.
3 La educación ambiental es concebida desde la conferencia de Tiblisi como un proceso de construcción enmarcado en un saber interdisciplinario con la incorporación de un método holístico para analizar los que emergen de los grandes cambios globales en esta época contemporánea (Unesco, 1980).
Capítulo 2
12
Figura 2.1. Esquema general del Marco Teórico-Conceptual
En este estudio se pone de manifiesto el papel de la Geomática (figura 2.1), como el eje
integrador de conocimiento, entre ciencia y educación y entre la sociedad y sus innovaciones
tecnológicas (Matteucci, 2006). De esta forma la Geomática operará como coordinadora de las
disciplinas que confluyen en este estudio con un grado de participación hacia un objetivo común
para fusionar el conocimiento en un marco conceptual a nivel de transdisciplina, basado en
Ecología del Paisaje, Geomática y Percepción Remota (Figura 2.1).
Es así que hace posible trascender de lo científico, para involucrar a la sociedad no como
un elemento más sino como actor importante (Tress y Tress 2002), causante en gran medida, de
la degradación de los ecosistemas arrecifales. Tal y como lo menciona el filósofo y matemático
Bertrand Russell (1967: 23), la ciencia tiene 2 propósitos fundamentales: una para comprender
cosas y otra para hacerlas.
La complejidad de los sistemas arrecifales hace necesaria la búsqueda de conocimiento
que encauce la generación de un diseño conceptual para el monitoreo de cada uno de los
ecosistemas que soporta; sin embargo, en el presente análisis nos enfocamos a la clasificación de
estos ecosistemas como una primera aproximación de análisis.
Capítulo 2
13
La misión de PR en cuanto a comunidades arrecifales se refiere, incluye su estudio como
un sistema integral, mediante la aplicación de los conocimientos científicos adquiridos en la
predicción de los fenómenos meteorológicos, y de otros peligros naturales, así como de impactos
antropogénicos desde un punto de vista, proporcionado por el espacio.
Por su parte la Ecología del paisaje que enmarca una perspectiva científica
transdisciplinaria, consolidada y reconocida (Vila et ál. 2006), en este estudio, ayudará a
comprender y ayudar a resolver algunos de los principales retos ambientales contemporáneos en
la conservación de los sistemas arrecifales basados en el paisaje.
El paisaje está formado por tres componentes principales: estructura, función y cambio.
La estructura se refiere a la organización espacial de los elementos o usos del territorio, la
función se refiere a los servicios que el ecosistema per se presenta ya sea para la intrincada rama
trófica que soporta o para el flujo de fauna, materia y energía a través de la estructura. El cambio
en esta aproximación espacial va a enmarcar la dinámica y transformación del paisaje en Banco
Chinchorro a lo largo del tiempo. Desde esta rama de la geografía, la ecología del paisaje, se
abordará el análisis y observación de las propiedades de estos tres elementos, sus efectos sobre el
ecosistema y la forma de conservar las comunidades y especies en escalas múltiples dentro de un
solo paisaje arrecifal.
2.2 Ecología del paisaje
La Ecología del paisaje -con sus raíces en la ecología regional-, es una disciplina que ha
avanzado desde una etapa descriptiva hacia la comprensión de las relaciones entre la
configuración espacial de los ecosistemas y su funcionamiento global. Esto es, tiene en cuenta no
sólo los flujos de materia, energía e información entre los componentes de un ecosistema, sino
también entre los ecosistemas a través del paisaje o la región, y entre los diversos niveles
jerárquicos en que manifiestan los procesos naturales y sociales. Es así como resulta una
herramienta útil para predecir y analizar los procesos de cambio desencadenados por eventos
naturales o antrópicos sucedidos en Banco Chinchorro. Con este conocimiento se plantea modelar
Capítulo 2
14
el espacio para proteger aquellos procesos y servicios ecológicos que se consideren importantes
para el bien común.
Los servicios ambientales en el enfoque de ecología del paisaje, se refieren a cada una de
las utilidades que el sistema natural brinda a los seres humanos en el espacio y tiempo. Por
ejemplo la regulación de gases atmosféricos, regulación climática; especialmente de los gases
que producen efecto invernadero, protección contra desastres ambientales: control de
inundaciones, tormentas, ciclones por la presencia de vegetación, provisión de agua a través de su
retención y almacenamiento, control de la erosión, prevención de la pérdida de suelo por el
viento, agua y escorrentía, etc. (Molina, 2007). Los recursos naturales son aquellos elementos de
la naturaleza que se utilizan para satisfacer las necesidades humanas. Sin embargo, estos suelen
modificarse en función del cambio en la estructura del ecosistema que los provee, teniendo
diferentes asunciones, tal y como mencionan Lara y Chargoy-Rosas (2007:59) referente al
concepto de recurso natural.
El concepto de recurso natural es subjetivo, relativo y funcional. Es subjetivo porque depende del
valor que cada individuo o grupo social le asigne (preferencias sociales), Es relativo porque
depende de las preferencias y usos que pueden variar de una zona geográfica a otra y de un tiempo
a otro, y es funcional porque se le asigna la función de ser satisfactores de necesidades básicas
para la humanidad (Lara y Chargoy-Rosas 2007:59).
2.3 Geomática
El hombre se le ha distinguido siempre por sus deseos de explorar, conocer y representar los
lugares donde vive (Gomarasca, 2009:1). La geografía cuantitativa a través de los sistemas en
red, análisis de flujo de datos, conocimiento de la organización sociopolítica en el territorio,
factores económicos (Gomarasca, 2009:1) y tras la incorporación de la informática; dio paso a
una disciplina independiente que provee una visión sintética de nuestro planeta y las complejas
relaciones entre fenómenos físicos, naturales y los inducidos por el hombre (Gomarasca, 2009:1).
Geomática (geos: tierra, matics: informática) es la disciplina científica que emerge de la
geografía cuantitativa y del análisis espacial, operando de manera transdisciplinaria a través de
la organización, proceso, manipulación y uso de diferentes insumos de información espacial.
Capítulo 2
15
El término de Geomática fue creada en la Universidad de Larval en Canadá a principios
de los 1980s. El concepto se basó en el potencial incremento de las ciencias computacionales, lo
que revolucionó el reconocimiento de las ciencias de la representación y el uso del diseño
computacional para representar cantidades innumerables de datos (Gomarasca, 2009:2).
Geomática es definida como sistémica, multidisciplinaria, integrada en un enfoque que selecciona
los instrumentos y técnicas apropiadas para colectar, integrar, modelar, analizar, recuperar,
transformar, visualizar y distribuir datos espaciales georeferenciados, provenientes de diferentes
fuentes con características precisas, continuas y en un formato digital. Asimismo constituye
disciplinas y técnicas tales como: Ciencias computacionales, Geodesia, Cartografía,
Fotogrametría, Percepción Remota, Sistema de Posicionamiento Global, Sistemas de Información
Geográfica, entre otras (Gomarasca, 2009:2).
De esto se desprende que la Geomática es una alternativa para la gestión ecosistemas
arrecifales, ya que analiza diversas variables ambientales y sociales, formando una brecha entre la
sociedad y tecnología existente (Reyes, 2006: 68-69; Martínez y Reyes, 2006). Mediante el
procesamiento de los datos tecnológicos es posible mapear y monitorear la composición de las
estructuras, las características y hábitats de los arrecifes coralinos (Mumby y Edwards, 2002).
Con la finalidad de obtener nuevos conocimientos científicos de la zona que permitirá vincular,
mediante la ecología del paisaje los problemas ambientales con los sociales.
La Geomática transforma el ámbito tecnológico, mediante la generación de modelos de
gestión donde del conocimiento emerge de la retroalimentación entre observación de los datos
geoespaciales y la comunicación entre los actores sociales en un espacio geográfico dado
(Martínez y Reyes, 2006; Reyes et ál., 2006). La finalidad es operar a través de insumos
provenientes de diferentes medios: por ejemplo: imágenes de satélite, muestreos experimentales,
bases de datos, datos cualitativos (fotografías, videos) y cartografía participativa; con la finalidad
de tener en un solo modelo toda la información sistematizada para la administración, manejo y
conservación de los ecosistemas y los recursos que estos brindan. Inicia una nueva era en donde
los tomadores de decisiones en México deben de explotar la compleja y extensa red de recursos
geoespaciales integrándolos en la obtención y generación de conocimiento.
Capítulo 2
16
La observación de la tierra a través de sensores remotos es el método más completo para
monitorear los riesgos naturales más importantes (Xin et ál. 2007). En este sentido es que para
este estudio se incorporan datos espaciales, provenientes de imágenes de satélite, SONAR e in
situ; como herramientas para determinar la composición arrecifal y de esta manera poder analizar
las características del sistema.
2.4 Percepción Remota
En general la Percepción Remota (PR) ha probado ser, a nivel mundial, una herramienta poderosa
en la comprensión global de fenómenos naturales y antropogénicos, la cual es particularmente
apreciada por sus características de técnica no invasiva y no destructiva, así como de cobertura
global. Dentro de éste contexto, tanto la radiometría satelital como la aerotransportada e in situ se
han convertido en herramientas útiles en tareas como caracterización, prospección y monitoreo
continuo de recursos naturales.
La PR, como ciencia y tecnología, comprende un conjunto de conocimientos y técnicas
utilizadas para determinar características físicas, químicas y biológicas de los objetos a través de
mediciones realizadas a distancia, sin un contacto material con ellos (Sobrino et ál. 2000:20-23).
Es así que mediante PR es posible encontrar y plantear técnicas diferentes de medición y de
modelación que abarquen a los fenómenos asociados a recursos naturales en toda su extensión
espacial, temporal, fenomenológica y antropogénica.
La luz del sol es conocida en el campo de PR, como energía electromagnética (EMR).
Corresponde a la fuente de iluminación (energía) de la tierra y océanos que calienta las rocas y el
agua superficiales y hace posible el movimiento del agua en la atmósfera terrestre. La tierra por
su parte irradia calor como rayos infrarrojos. Un equilibrio se establece entonces entre la energía
solar que se recibe y el calentamiento del agua, tierra y atmósfera (Krupa, 1999). La radiación
electromagnética es la base para toda la PR (Aguirre-Gómez, 2001) de la tierra. Vale la pena
mencionar otro proceso importante dentro de la Percepción Remota, es la reflectancia (ρ),
manifestada como el proceso donde la radiación “rebota” de un objeto como por ejemplo una
nube o superficie como el terreno. En realidad, el proceso es más complicado; ncluye una re-
Capítulo 2
17
radiación de fotones en unísono, por átomos o moléculas en un estrato que tiene una profundidad
de la mitad de la longitud de onda (Jensen 2000).
La penetración de la luz es dependiente de las longitudes de onda. Los métodos ópticos de
PR penetran en agua clara aproximadamente 15-30 m. El grado preciso de penetración en una
banda espectral depende de las propiedades ópticas del agua marina (Mumby et al., 2004), las
cuales se dividen en propiedades inherentes y aparentes de las que va a depender la absorción o
reflexión del blanco de interacción que se puede detectar con PR (Aguirre-Gómez, 2002). Las
propiedades inherentes son; el coeficiente de absorción a, el coeficiente de esparcimiento b y la
función de esparcimiento volumétrico β(θ). Dichas magnitudes dependen únicamente de las
sustancias que conforman el medio acuático y no de la estructura geométrica del campo
luminoso. Los coeficientes de atenuación difusa K y la reflectancia ρ entre otras menos
importantes son las propiedades ópticas aparentes que dependen de las propiedades del campo de
radiación (Aguirre-Gómez, 2002).
Existen complejidades ópticas y biológicas; existen factores importantes que pueden
afectar la obtención de los datos provenientes de sensores remotos. En el caso de la complejidad
óptica existen algunos factores importantes, entre los que están el fitoplancton, la materia
orgánica disuelta y los sedimentos suspendidos, los cuales se presentan en concentraciones más
elevadas en las zonas costeras. Se ha demostrado que la materia orgánica disuelta puede reflejar y
absorber luz (Kirk, 1994), lo cual reduce la claridad del agua y por ende la transmisión de luz. En
cuanto a las firmas espectrales se refiere, es lógico que se deban adaptar algoritmos específicos
para regiones costeras para determinar fitoplancton, sedimentos suspendidos y materia orgánica
disuelta.
En cuanto a la complejidad biológica, la presencia de macroalgas, comunidades densas de
invertebrados y otros organismos bio-ópticamente activos, pueden contribuir a la reflectancia,
proporcionando datos aleatorios (Kirk, 1994). Sin embargo, tales diferencias son de gran utilidad
al mostrar diferentes firmas espectrales que se pueden detectar mediante Percepción Remota
(Richardson y LeDrew, 2006). Todas estas diferencias marcan que las firmas espectrales de la
zona costera y del mar abierto pueden ser singularmente diferentes aun tratándose de los mismos
organismos.
Capítulo 2
18
2.4.1 Percepción Remota Marina
Aproximadamente un 75% del planeta está cubierto por agua. Los océanos ejercen una gran
influencia en diversos aspectos de la vida en la tierra, lo cual hace indispensable la comprensión
de su papel en el medio ambiente (Benfield, 2002). El estudio de los mares en la actualidad se
enfoca hacia una componente integral de un sistema global gobernado por las interacciones entre
sol, aire, agua (Aguirre-Gómez 2002) y tierra. Tales interacciones conllevan a un mayor
entendimiento del papel de los océanos en cuanto a los cambios climáticos y la distribución de
sus recursos vivos (Aguirre-Gómez 2002). La gran magnitud de los océanos hace imposible que
los investigadores puedan realizar estudios oceanográficos a escala global con las técnicas
tradicionales de muestreo, esta imposibilidad cambió con el surgimiento de la tecnología satelital,
mejorando considerablemente la capacidad para estudiar múltiples y diversas características de
los océanos (Aguirre-Gómez 2002). Esto se debe a que desde una plataforma satelital se pueden
observar grandes áreas oceánicas en forma simultánea, lo que permite estudiar y monitorear a los
océanos en una o varias escalas de tiempo y a un bajo costo. Cabe resaltar que las observaciones
hechas en campo; ya sea desde instrumentos de navegación o equipos de buceo, aunque valiosas,
son muy lentas ya que no pueden proporcionar una visión sinóptica del océano en un momento
determinado, sin embargo ambos métodos son complementarios, ya que los datos colectados en
campo permiten calibrar y validar los datos obtenidos por sensores remotos.
En la década de los setenta apareció la primera reacción de la comunidad oceanográfica
mundial a la aplicación de la Percepción Remota en los océanos; fue la era en que se lanzó el
primer sensor dedicado exclusivamente para observaciones oceánicas: el Seasat (Victorov,
1996,), que desafortunadamente sólo tuvo una vida de tres meses (Robinson, 2004). En 1978 tres
satélites fueron lanzados por la NASA, con los cuales inició la medición de diversas
características del océano de manera cuantitativa. Con ello se demostró como los datos
provenientes de satélite pueden aplicarse en diversos contextos oceanográficos (Robinson, 2004).
El satélite TIROS-N, fue el primero en operar satélites meteorológicos de las series de la
National Oceanic and Atmospheric Administration (NOAA), éste contiene el sensor Advanced
Very High Resolution Radiometer (AVHRR), que puede medir la temperatura superficial del mar
(Robinson, 2004). En 1991, la agencia Europea de Percepción Remota satelital lanzó sensores
Capítulo 2
19
específicamente para el océano y fue la primera en anunciar el uso de los datos por oceanógrafos.
A mitad de los años 1990 la misión franco-estadounidense TOPEX-Poseidon revolucionó el
desempeño de los satélites altimétricos y desde septiembre de 1997 fue puesto en órbita el
SeaWiFS, espectroradiómetro montado en el satélite SeaStar, con el propósito de obtener datos de
color de los océanos del mundo. En el nuevo milenio diversas agencias tales como ESA y NASA
han lanzado una gran cantidad de plataformas satelitales que proporcionan datos para un uso
potencial de estudios oceanográficos de alto impacto.
Después de estos acontecimientos se produce una nueva generación de científicos
marinos, que empiezan a crecer con la idea de medir diferentes características de los océanos
mediante sensores remotos satelitales (Robinson et ál., 2006). Durante los últimos 30 años el
rápido crecimiento tecnológico, mejoró la capacidad de los satélites para observar y monitorear
el océano global y su atmósfera circundante (Martin, 2004). Estos avances tecnológicos en
oceanografía revolucionaron no sólo el estudio de los componentes biológicos, químicos y físicos
de los océanos, sino también el hecho de tener que desarrollar nuevos softwares y mejores
algoritmos operacionales para procesar la información (Victorov, 1996).
Martin (2004) plantea que el incremento en las tomas satelitales fue conducido en primera
instancia por la tecnología, la ciencia, pero principalmente por las preocupaciones sociales en
cuanto a mantener la seguridad nacional y el orden en las operaciones navales, el comercio
global, manejo de pesquerías, extracción de aceites y minerales, así como salud pública y
recreación (Martin, 2004).
Cerca del 50% de la población global vive en ciudades con aproximadamente 50 km de
costa y experimentan un rápido crecimiento. Estas poblaciones costeras son vulnerables a
desastres naturales, como el incremento del nivel del mar, tsunamis, huracanes y tifones (Martin,
2004). Hoy en día es mucho más fácil adquirir y analizar series de datos satelitales,por ejemplo,
la distribución global de las olas oceánicas, las variaciones en altura superficial del océano, los
vectores de viento en la superficie del mar, booms tóxicos de fitoplancton, así como variaciones
regionales y globales en la biología del océano. De manera tal que la Percepción Remota aplicada
al océano hace una contribución real a las ciencias marinas (Robison, 2004).
Capítulo 2
20
La reflectancia de la luz en el dominio visible (longitudes de onda de aproximadamente
400 a 700 nm) es particularmente importante en el estudio de procesos oceanográficos. La misma
importancia tienen los componentes biogeoquímicos en el agua que absorben y dispersan energía
en este rango espectral (el termino color del océano, se refiere específicamente a la señal de
retorno del agua en el dominio visible). Los componentes disueltos y particulados juegan un rol
de suma importancia en el ciclo del carbón en el océano y sirven como indicadores de la salud del
ecosistema. Es por eso que las mediciones in situ ayudan a esclarecer la conexión entre esos
componentes y la señal remota (Twardowski et ál. 2005).
Existen variaciones espaciales y temporales en cuanto al fitoplancton, materia orgánica
disuelta y sedimentos suspendidos en el mar, ya que éstos presentan patrones estacionales (en
particular de la región costera) (Richardson y LeDrew 2006). Las aguas oceánicas se clasifican
en dos tipos por casos. Las aguas Caso 1 son aquellas en las que el fitoplancton y su derivados
dominan las propiedades ópticas del océano, a las que pertenecen las aguas oceánicas profundas y
las aguas costeras sin influencia de la tierra. Las aguas Caso 2 son aquellas en las que los
sedimentos y el material orgánico disuelto dominan sus propiedades ópticas; acá pertenecen las
aguas costeras, estuarios, lagunas, etc., así como las plataformas continentales con influencia
fluvial y los bancos someros en los cuales se presenta resuspensión (Aguirre-Gómez 2002). Lo
anteriormente explicado pone de manifiesto que las propiedades ópticas de las aguas Caso 2 y las
aguas Caso 1 presentan diferencias ampliamente significativas.
La mayoría de los estudios de las aguas Caso 1 han sido realizados para monitorear
pigmentos primarios (Clorofila-a) con Percepción Remota y se han enfocado en desarrollar
diferentes algoritmos para su clasificación. El parámetro más importante que se ha considerado
en este tipo de estudios es la transferencia radiativa, misma que es un componente de
características como retrodispersión, absorción, transmisión y fluorescencia, y que ha sido
utilizada para crear diferentes ecuaciones para la realización de modelos ópticos. La importancia
de este enfoque radica en la similitud que existe en la reflectancia espectral en la mayoría de las
aguas caso 1. En contraste la reflectancia espectral en las aguas Caso 2, se podría detectar de
manera visual, por lo que los estudios en este campo tienen un enfoque diferente y se centran en
Capítulo 2
21
las diferencias de las firmas espectrales; ya que estas diferencias por ellas mismas dan la base
para el desarrollo de diferentes algoritmos (Richardson y LeDrew 2006).
El estudio de cuerpos de agua mediante sensores remotos ha recibido un gran impulso en
los últimos años. Existe una amplia gama de posibilidades para los estudios marinos y costeros
usando este tipo de sensores. Entre las diferentes aplicaciones están: cuantificación de la
concentración de clorofila a (Richardson y LeDrew 2006); detección de pigmentos
fitoplanctónicos (Aguirre-Gómez 2002); estimación de batimetría (Benfield et ál., 2007);
reconocimiento de vegetación sumergida (Helge et ál. 2005); evaluación de la salud de corales
(Holden y LeDrew 1998); mapeo de hábitats marinos (Brock et ál. 2006).
2.4.1.1 Incursión de la Percepción Remota en ecosistemas arrecifales
La observación de la Tierra a través de sensores remotos es el método más completo para
monitorear los riesgos naturales más importantes (Xin et al., 2007). En general, la PR ha probado
ser una herramienta poderosa en la comprensión global de fenómenos naturales y antropogénicos.
Es particularmente apreciada por ser una técnica no invasiva, no destructiva y de cobertura
global. Dentro de este contexto, la radiometría satelital, la aerotransportada y la radiometría in
situ se han convertido en herramientas útiles en tareas como caracterización, monitoreo y
prospección continuos de recursos naturales.
Como consecuencia de la creciente preocupación a nivel global en cuanto a preservar los
sistemas arrecifales como reservorios naturales; en las últimas décadas se ha reforzado la
investigación utilizando PR. Se ha observado que se trata de un excelente método de análisis que
ayuda a estudiar de manera holista este complejo ecosistema. Para lograr una aproximación que
ayude a salvaguardar estos ecosistemas, se deben entender las dinámicas físicas y químicas,
biológicas y geológicas que se llevan a cabo en su interior (Brock et al., 2006). Andréfouët &
Riegl (2004), hablan de PR como una tecnología que hoy en día enmarca un camino cuasi
obligatorio en investigación, si se precisa de un contexto espacial y temporal. La PR en sistemas
arrecifales, pasó de ser una herramienta sin aplicación a este campo a constituirse en una
herramienta per se indispensable. Cuatro razones aportadas por Andréfouët & Riegl (2004)
permiten explicar este cambio:
Capítulo 2
22
• proliferación de nuevos sensores para la adquisición de datos directos e indirectos
para el monitoreo de los arrecifes,
• proliferación y mejoramiento de enfoques analíticos, estadísticos y empíricos,
• reconocimiento del cambio climático global por impactos humanos antropogénicos
letales para los arrecifes coralinos y
• mejor integración de la tecnología en el diseño conceptual de las investigaciones
en arrecifes coralinos
Las técnicas de PR ofrecen una opción para mapear hábitats marinos, determinando no
sólo la localización y cantidad de diferentes hábitats bentónicos (Kirk, 1994) si no cómo esos
hábitats se distribuyen y cuál es el grado de conectividad entre ellos (Rivera et al., 2006). Sin
embargo, el estudio de arrecifes de coral mediante PR presenta varias limitaciones importantes.
Ejemplos de ello son la presencia de una cobertura nubosa intensa en las imágenes ópticas,
similitudes ópticas entre firmas espectrales de las comunidades bénticas, atenuación del
componente profundidad (específico para cada ecosistema arrecifal), así como la resolución
espacial y espectral de los sensores remotos. A pesar de estas limitaciones los sensores satelitales
son de gran utilidad para mapear fondos bénticos (Luczkovich et al., 1993, Mumby et al., 1997),
monitorear cambios en su ecología (Krupa, 1999) y definir estrategias de manejo (Green et al.,
1996).
2.4.1.2. Reflectancia espectral del coral
El coral, que por analogía a las criaturas terrestres, se conoce como la “cabeza de rebaño” o
también como el “canario del mar” refleja el estado de salud del ecosistema marino y nos da
indicaciones avanzadas sobre los cambios en éste (Bluck 2003). La reflectancia espectral (ρ) es
un parámetro central para la intervención de la Percepción Remota en estudios de arrecifes
coralinos (Hochberg et ál., 2003). Dos razones explican clara y brevemente el porqué.
En primer lugar ρ representa la parte límite de la transferencia radiativa en la
óptica del agua superficial. Como resultado, ρ es muy importante y a menudo es el punto que
Capítulo 2
23
resuelve el problema de la transferencia radiativa inversa que presentan los sensores remotos
pasivos en este campo de aplicación.
En segundo lugar ρ es la función que denota el objeto, la composición del material
y su estructura. Por lo que sirve como un puente entre la óptica del objeto y la forma del suelo
marino (Hochberg et ál., 2003).
Al hacer observaciones, nos desplazamos verticalmente y gradualmente de la superficie del
coral a la superficie del agua, midiendo los cambios en la cantidad de luz en la columna de agua
que incide directamente sobre el coral. La cantidad de luz presente obviamente afecta la cantidad
de luz reflejada por el coral. Acorde con la clasificación de imágenes y la generación de mapas
temáticos se han marcado grandes diferencias en la reflectancia espectral entre las comunidades
bentónicas de los arrecifes coralinos (Brock et ál. 2006). Los parámetros más importantes que
responden a estas evaluaciones radican en la diferencia entre sedimentos, a la presencia de
diferentes especies de algas y a la presencia de algas atípicas en la cobertura superficial del agua
en algunas zonas arrecifales. Por tal motivo Hochberg et ál. (2003) ponen de manifiesto el crear
un enfoque específico, mediante percepción remota, para el estudio de este tipo de masas de agua
superficiales que presentan algas atípicas. Ya que se ha demostrado que la sola presencia de estos
organismos indica clases espectralmente distintas de otras comunidades arrecifales aun tratándose
de las mismas especies.
La relativa diferencia de las firmas espectrales entre los corales provee una alta probabilidad
en delinear y definir satisfactoriamente sus diferentes rasgos en una imagen satelital. El problema
es que la reflectancia espectral de los corales se encuentra en función de la pigmentación,
estructura, orientación de las ramificaciones y sus características internas (Newman et ál. 2006).
Mientras que las interacciones entre la luz y la atmósfera están bien estudiadas, el reto está en
establecer controles para los efectos que influencian estos factores en la columna de agua en la
que se encuentra el coral. El tomar en consideración estas desviaciones para corregir los datos
adquiridos proporciona información más valiosa sobre las condiciones y salud de las
comunidades vivientes que se albergan en los arrecifes coralinos.
Capítulo 2
24
Newman y otros autores (2006), señalan que se han definido dos categorías en estudios
recientes, realizados para la medición in situ de firmas espectrales coralinas:
I. Las firmas espectrales se examinan en función de la variación de la densidad del
pigmento, que caracteriza el color sensorial de las diferentes especies de coral (Newman et ál.
2006).
Algunos estudios han analizado la contribución del color en la medición de la radiancia (R),
comparando particularmente con estructuras coralinas que carecen de pigmentos; tales
observaciones dieron como resultado los espectros del blanqueamiento de coral y estructuras
saturadas con zooxantelas (Newman et ál. 2006), que proporcionan una medida del estado de
salud del complejo arrecifal. El color ha sido utilizado como una medida de comparación entre
tres especies de coral, cinco especies de algas y tres comunidades bénticas, para diferenciar entre
el coral muerto en diferentes estadíos y la colonización algal.
II. Las firmas espectrales se examinan como una función de las características
morfológicas (Newman et ál. 2006).
Los valores medidos de reflectancia sobre diferentes ángulos y azimuts se examinan para
detectar la dirección de la reflectancia, que van a determinar las diferentes funciones de las
especies de coral, su variación inter-espacial y el desarrollo de sus ramificaciones (Newman et ál.
2006). Para discernir entre las firmas espectrales de los corales se han derivado de la
espectroscopia óptica diferentes técnicas para diferenciar entre tipos de corales, algas y sustrato.
2.4.1.3 Mapeo de arrecifes coralinos mediante sensores remotos
Capítulo 2
25
La importancia mundial de los arrecifes de coral ante las amenazas actuales, ha creado un interés
en desarrollar métodos de estudio de este tipo de ecosistemas a escalas globales (Kuhn 2006). El
uso de PR para mapear ecosistemas acuáticos sumergidos ha incrementado sustancialmente. Esto
ha permitido usar información proveniente de sensores remotos para determinar el estatus de
estos recursos naturales, como bases para planear, manejar, monitorear, conservar y evaluar su
potencial dentro del marco económico.
Como se mencionó anteriormente, existen sensores de alta resolución espectral que
permiten tener elementos de análisis específicos con excelente capacidad para permitir el
modelaje de variables ambientales y estructurales en los arrecifes coralinos (Holden y LeDrew,
1998). Los datos arrojados por este tipo de sensores proporcionan productos que pueden ser
combinados con modelos para estimar fotosintéticamente la disponibilidad de radiación a través
de la zona fótica y la superficie de los sustratos bénticos. Modelos establecidos en la estimación
de la radiación solar incidente se desarrollan y evalúan, basándose en observaciones satelitales y
observaciones meteorológicas de rutina (Brock et al., 2006). Las diferencias espectrales entre
corales, pastos marinos y algas son casi imperceptibles y no es fácil de detectar por las tres
bandas de los sensores que pueden penetrar la columna de agua (azul, verde y roja) (Holden and
LeDrew 1998; Hedley y Mumby, 2002; Karpouzli et al., 2004). Es por esta razón que los estudios
de PR aplicados al mapeo de ecosistemas bénticos sumergidos requieren de la generación de
nuevas metodologías de procesamiento. Adicionalmente los hábitats arrecifales presentan una
heterogeneidad inherente a su complejidad, por lo que se hace más complicada la tarea de
discernir entre las diferencias de las firmas espectrales de las mismas. Es decir, el pre-
procesamiento de las imágenes aplicadas a este tipo de ambientes no solo debe incorporar la
eliminación de ruido en la parte atmosférica, se debe de tomar en cuenta la influencia de la
profundidad como modelo de la columna de agua, así como también se deben de incorporar al
estudio los diferentes componentes de la columna de agua, tal y como lo muestra la figura 2.2.
Capítulo 2
26
Figura 2.2. Componentes de la Percepción Remota en mapeo de arrecifes coralinos.
2.4.1.4 Características ecológicas de los arrecifes determinada mediante sensores remotos
Capítulo 2
27
Entre las características de los arrecifes que se pueden estimar mediante PR se encuentran:
temperatura, altura de las olas, nivel del mar, turbidez, cantidad de clorofila y concentración de la
materia orgánica disuelta. En el caso variables atmosféricas se puede determinar: cobertura
nubosa, cantidad de lluvia estacional, presencia de contaminantes y energía solar incidente
(Andréfouët et al., 2003). Todos estos factores presentan una influencia directa e indirecta en los
arrecifes de coral determinando su estado de salud (Andréfouët y Riegl, 2004). Así también, se
pueden determinar diferentes ecosistemas bénticos presentes en el arrecife; tales como pastos
marinos, tipo de suelo, comunidades algales y diferentes tipos de corales. Si el arrecife está
cercano a algún centro turístico o vacacional, se pueden determinar impactos antropogénicos,
mediante la estimación del crecimiento de mancha urbana, cubierta vegetal, estructura de las
cuencas hidrográficas, etcétera.
Es posible describir condiciones intrínsecas de los arrecifes, que se definen en gran parte
por las entradas y salidas de los afluentes; que traen consigo el transporte de sedimentos y la
exportación de materia orgánica disuelta. Lo que nos lleva a comprender, entre otras cosas, cuáles
son los patrones que se llevan cabo cuando se presenta un blanqueamiento coral (Brock et al.,
2006).
Los arrecifes de coral localizados en aguas relativamente claras nos dan la posibilidad de
utilizar sensores ópticos pasivos (Benfield et al., 2007). Los sensores satelitales más comunes que
se han utilizado estudiarlos son: SPOT, Landsat TM y ETM+ (Andréfouët y Riegl 2004;
Benfield et al., 2007; Mumby, 2006; Mumby et al., 2004). Estudios realizados (Green, 2000;
Mumby et al., 1999) han observado que las imágenes Landsat y SPOT de acuerdo a su
resolución son adecuadas para mapear corales, arenas, pastos marinos. Sin embargo es importante
resaltar que en un pixel de una imagen Landsat (u otras de menor resolución espacial) pueden
quedar representados varios tipos de hábitats, este aspecto puede limitar los alcances en la
clasificación (Benfield et al., 2007); bajo esta asunción los datos obtenidos de sensores como
Landsat y SPOT son adecuados para mapear ecosistemas simples (3–6 clases como pastos
marinos, arena, corales muertos and algunas especies de coral), pero para realizar una
caracterización más compleja (7–13 clases), estos sensores son limitados debido a su resolución
espacial y temporal (Mumby et al., 1997, Andréfouët et al, 2003, Capolsini et al., 2003). En
Capítulo 2
28
menor medida también se han utilizado sensores como SeaWiFS (Sea-viewing Wide Field of
view Sensor), IKONOS con una gran resolución espacial, LIDAR y SONAR, entre otros
(Andréfouët y Riegl 2004; Andréfouët et al., 2004; Brock et al., 2006; Elvidge et al., 2004; Euan-
Avila y Liceaga-Correa, 2002; Hsu et al., 2008; Lesser y Mobley, 2007; Mcmanus y Carder,
1996; Taylor 2010). Es importante destacar que se han utilizado métodos analíticos, de modelaje
espacial, estadísticos y empíricos a diferentes escalas y aplicaciones que se relacionan
directamente con los procesos ecológicos de los arrecifes (Andréfouët y Riegl 2004). La
utilización de sensores remotos aerotransportados como el CASI (Compact Airborne
Spectrographic Imager) con alta resolución espectral o hiperespectrales, se ha venido
incrementando paulatinamente en este tipo de estudios. A tal grado que los especialistas
mencionan que el mapeo de arrecifes mediante sensores aéreos y satelitales ha demostrado tener
mayor rentabilidad que el trabajo en campo (Mumby, 1999); sin embargo, no se puede descartar
las mediciones en campo, ya que estas nos dan el punto de partida para corroborar que la
información proveniente de las imágenes de satélite. En este mismo sentido las imágenes
provenientes de sensores satelitales dan la oportunidad de realizar un monitoreo multitemporal
(Helge et al., 2005) para conocer el estatus del ecosistema y predecir posibles cambios.
De acuerdo a lo anterior es posible afirmar que los estudios de PR aplicados a ecosistemas
costeros y específicamente a ecosistemas de arrecifes de coral, aportan información y
conocimiento que pueden ser aplicados exitosamente para definir estrategias de manejo para
estos importantes ecosistemas, así como para diseñar alternativas viables de su conservación.
CAPÍTULO 3
29
CAPITULO 3. ENFOQUE METODOLÓGICO Y RECURSOS DE
INFORMACIÓN
3.1 Área de estudio
Esta investigación se desarrolla en la Reserva de la Biosfera Banco Chinchorro (Figura 3.3), área
natural protegida en México, que forma parte del gran cinturón de arrecifes del Atlántico
Occidental -el segundo más grande en el mundo.Esta reserva emerge en mar abierto, a 30.8 km al
Este del poblado costero de Mahahual, que es el punto continental más cercano. Con un área total
de 814.2 km2, es el complejo arrecifal más grande de México de tipo pseudoatolón, “falso atolón”
o arrecife en plataforma (Camarena-Luhrs, 2003). Banco Chinchorro es un complejo arrecifal
que presenta una extensa formación coralina; soporta arrecifes prístinos, parches coralinos,
extensos ceibadales, así como camas de macroalgas y arenales. Es un ecosistema de gran riqueza
y diversidad de especies con alto valor ecológico, económico, social y cultural, que provee
servicios ambientales de gran importancia para la sociedad.
Figura 3.3. Localización de Banco Chinchorro.
CAPÍTULO 3
30
3.1.1 Descripción geográfica
El arrecife tiene la forma de un falso atolón o arrecife de barrera con 3 cayos, consideradas las
únicas zonas de tierra emergida en el área, que a su vez han sido clasificados como zonas núcleo
ya que tienen un alto valor ecológico, pues presentan diversas especies de flora y fauna acuática y
terrestre (Camarena-Luhrs, 2003). Los cayos son “Cayo Norte” con 2,645.20 ha, “Cayo Centro”
con 1,263.76 ha y “Cayo Lobos” con 678.53 ha. En éstos, los objetivos de conservación son
específicamente de preservación de los ecosistemas a mediano y largo plazo considerando su
protección estricta. Se localiza en el Caribe Mexicano frente a la costa sureste del estado de
Quintana Roo, entre los paralelos 18º47’-18º23’ N; 87º14’-87º27’ W, separado 30.8 km del
continente por un amplio canal de 1000 m de profundidad. La forma de Banco Chinchorro es
elíptica, presenta una laguna arrecifal que incluye un banco arenoso de 46 km de largo (norte a
sur) y 18 km de amplitud (este a oeste) en la parte más ancha. El área total es de 144,360 ha.
La Periferia del banco está bordeada por un crecimiento coralino activo sobre el margen
oriental (barlovento) que forma una barrera arrecifal o rompiente, mientras que a lo largo del
margen occidental (sotavento) la rompiente desaparece y el crecimiento coralino es semicontinuo
y difuso (Camarena-Luhrs 2003). La profundidad en el interior del banco no es constante; siendo
la parte norte la más somera entre 1m y 2 m, la parte central presenta profundidades de entre 3m
y 7 m, mientras que la parte sur es la más profunda oscilando entre los 8 y 15 m (Semar, 2008).
Banco Chinchorro se delimita en su región biogeográfica en la porción Norte de la
Provincia del Caribe que se extiende a lo largo de Centro y Sudamérica. Dicha provincia se inicia
desde Cabo Rojo, al Sur de Tampico, hasta el Este de Venezuela y Norte del delta del Orinoco.
La biota terrestre tiene fuertes afinidades con el continente por lo que se considera dentro de la
Provincia Yucateca.
3.1.2 Características físicas
3.1.2.1 Geología y batimetría
La zona costera mexicana del Mar Caribe se extiende desde Cabo Catoche hasta Xcalak. Los
suelos en esta zona están formados por calizas coralíferas postpliocénicas del Pleistoceno
superior y sedimentos de carbonato del Holoceno, susceptibles a la erosión hídrica. En
CAPÍTULO 3
31
comparación con la Sonda de Campeche, es bastante estrecha y homogénea y se sitúa frente a
cuencas oceánicas profundas separadas por un sistema de crestas paralelas. En la porción más
cercana a la costa, a menos de 10 km mar adentro, presenta una barrera arrecifal discontinua
localizada desde Cancún hasta Xcalak, la cual proporciona características particulares a toda la
costa. La Isla de Cozumel y Banco Chinchorro son dos de los más importantes complejos
arrecifales coralinos fuera de línea costera. Debido a su ubicación en el extremo Sureste de la
península de Yucatán, la historia geológica de la Reserva se inicia con la formación de masas
rocosas constituidas de calizas que datan del Mesozoico de la época Cretácica, época en la que
ocurrieron una serie de movimientos sucesivos de levantamiento y hundimiento, que resultaron
en la formación de la Plataforma Yucateca (Cabrera, 1998).
Según algunos autores, el origen de Cozumel y de Banco Chinchorro debe de ser
semejante (Garduño, 1988). La laguna arrecifal de Banco Chinchorro está sometida a un proceso
activo de relleno por sedimentos procedentes del Margen Oriental. El substrato de los cayos es de
rocas calizas sedimentarias que conforman suelos de tipo litoral, representados por depósitos de
arena fina y gruesa, constituidos principalmente por fragmentos de coral, algas calcáreas,
espículas de equinodermos, moluscos, ostrácodos, briozoarios y esponjas. En Cayo Centro existe
otro tipo de substrato formado por suelos de tipo lacustre, localizados en las lagunas interiores
someras comunicadas con el mar por canales sujetos a la influencia de la marea. Los sedimentos
son principalmente lodos finos y arena. El mismo tipo de substrato se presenta en la laguna
interior de Cayo Norte.
Banco Chinchorro se apoya sobre una cordillera submarina, originada por fallas naturales
y sobre la que también se localizan las Islas Turneffe en Belice, las cuales se originaron con la
lenta subsidencia de la placa cárstica en el Cretácico e inicios del Terciario (Dillon y Vedder,
1973). Enos, et ál. (1979) establecieron que la creación de la cordillera fue simultánea a la
formación de la cuenca de Yucatán y posteriormente modificada intensamente por acreción
arrecifal.
La información batimétrica es particularmente importante en zonas costeras, debido a que
presentan alta densidad de poblacional, tráfico marítimo pesado, pero sobre todo por sus
ecosistemas naturales más vulnerables, tales como los manglares, lagunas, esteros y arrecifes de
CAPÍTULO 3
32
coral. En muchas regiones el piso marino es muy cambiante, debido a procesos de sedimentación
y erosión (Minghelli-Roman et ál., 2007), es por esto que la batimetría debe de ser actualizada en
periodos de tiempo relativamente cortos. Aunado a lo anterior cabe resaltar que la batimetría es
uno de los aspectos más relevantes en la dinámica ecológica de los arrecifes de coral.
Numerosos estudios de arrecifes muestran que la diversidad de especies de coral
incrementa en función de la profundidad, alcanzando su máxima entre 20m y 30m disminuyendo
con mayores profundidades (Sheppard et ál., 2005). De este efecto de la profundidad resulta una
marcada zonación de la comunidad de los corales (Aguilar-Perera y Aguilar-Dávila, 1993). Los
límites más altos de profundidad en los corales, son controlados por factores físicos y biológicos
en donde la máxima profundidad depende de la penetración de la luz que penetra en la columna
de agua (García-Ureña, 2004).
Una descripción de las clases en Banco Chinchorro fue hecha por Aguilar-Perrera y
Aguilar-Dávila (1993). Ésta incluye un banco de arena con 46 km a lo largo (norte a sur) y 15 km
en lo anche (este a oeste). La periferia está bordeada por un crecimiento coralino activo, en el
margen oriental, lo que forma la barrera arrecifal. Esta zona presenta grandes áreas cubiertas por
densas comunidades de pastos marinos en la parte central y norte del banco. La profundidad en el
interior del Banco es variable, en la parte norte (1-2m), en la parte central (3-4m) y la parte más
profunda se encuentra en el sur (8-10m) (Chávez e Hidalgo, 1984).
3.1.2.2 Oceanografía física
El borde de Banco Chinchorro emerge de 0.1 m a 0.4 m en el margen oriental, mientras que en el
occidental es de 1 m a 2 m de profundidad. Sobre el primero existen dos canales principales de
acceso a la laguna, ubicados en la porción central: el canal mayor o El Quebrado, tiene 150 m de
amplitud y 8 m de profundidad, contiene grandes cabezas de coral que dificultan la navegación
de embarcaciones mayores y el canal menor, Boca Chica, que tiene 2 m de profundidad. El
margen occidental presenta en su mitad Sur algunos canales e incluso interrupciones de la cresta
arrecifal en numerosas localidades, que permiten fácilmente la entrada.
CAPÍTULO 3
33
A lo largo de la costa oriental de la Península de Yucatán, el patrón de corrientes
superficiales presenta claramente un fuerte flujo hacia el Noroeste con el eje paralelo a la costa y
cercano a ésta, con transporte hacia el Oeste en la zona de la Reserva (Semar, 1994).
Las corrientes superficiales en la costa de Quintana Roo presentan velocidades bajas,
entre 0.19 km/h y 3 km/h, cerca de la línea de costa; mientras que alejado de ésta, al irse
asociando más directamente a la Corriente de Yucatán, muestran velocidades de 1.02 km/h a 3.89
km/h (Merino, 1986). En la porción inmediata a la línea de costa, existen giros alargados o
contracorrientes locales que se establecen por influencia de la fuerte corriente hacia el Norte y la
topografía de la costa. El encuentro de la corriente con las puntas o zonas que interfieren el flujo,
puede ocasionar acumulación de agua en estas localidades, la cual, limitada por el margen
continental tendería a fluir hacia el Sur. Lo anterior, aunado a la presencia de zonas cóncavas
inmediatas hacia el Norte de las puntas y ensenadas, en donde el fuerte flujo paralelo a la costa
puede originar gradientes negativos de presión, completa la formación de giros entre puntas
consecutivas. La presencia de esos giros, así como su intensidad y extensión, varían fuertemente
con el tiempo, posiblemente a causa de los efectos del viento y las mareas (Merino, 1986).
Particularmente en Banco Chinchorro existen contracorrientes que se presentan repetidamente y
con fuerte intensidad en la zona Oriental y Occidental del antearrecife (Jordán y Rodríguez-
Martínez, 1987).
Las mareas a las que está sujeto el sistema arrecifal coralino de Banco Chinchorro son de
tipo mixto semidiurno con dos pleamares y dos bajamares de diferente amplitud,
aproximadamente de 15 a 35 cm en 24 horas. De la misma forma el oleaje -asociado a los
vientos- proviene principalmente del Este, por lo que el margen oriental del arrecife coralino es el
de mayor grado de exposición a su influencia; actuando como una barrera que disminuye la
fuerza de las olas dentro de la laguna e incluso hacia la costa.
La temperatura superficial del agua para Banco Chinchorro tiene un rango pequeño de
fluctuación, pero en valores altos de 27.02 °C a 29.22 °C.
CAPÍTULO 3
34
3.1.2.3 Condiciones atmosféricas
El clima de la Reserva es cálido subhúmedo (García, 1987), con régimen de lluvias en verano e
invierno. Entre los climas subhúmedos de Quintana Roo, es el más húmedo y se localiza en el
área de influencia de la isoyeta de los 1,500 mm de precipitación anual (Cabrera, 1998). Los
registros geográficamente más cercanos a la Reserva corresponden a la antigua estación
meteorológica 23-027 Xcalak, que estaba ubicada a unos 70 km al Suroeste y al igual que Banco
Chinchorro estuvo sujeta a la influencia directa de las masas de aire marino. La estación funcionó
de 1964 a 1978 registrando temperaturas y precipitación. La temperatura promedio anual para ese
periodo fue de 26.5 °C. Los meses más calurosos corresponden a julio y agosto con un promedio
de 28.3 °C, en tanto que diciembre fue el más frío con 24.2 °C.
La precipitación promedio anual rebasa los 1,450 mm. El mes de marzo el más seco con
16.1 mm y septiembre el más húmedo con 233.3 mm. La temporada de lluvias es de junio a
octubre; después de ese periodo se pueden presentar copiosas lluvias esporádicas en el invierno y
principios de la primavera causadas por los nortes.
Los vientos alisios en la zona de la Reserva son dominantes a través del año, aunque
vientos del Norte pueden predominar de octubre a mayo, asociados con los llamados nortes
(Jordán y Rodríguez-Martínez, 1987).
3.1.3 Características biológicas
Banco Chinchorro posee una gran variedad de hábitats incluyendo una intrincada red de islotes
de mangle, un somero microsistema lagunar en la isla más grande: Cayo Centro. La laguna
arrecifal es poco profunda con un gradiente batimétrico sur-norte y arrecifes de borde
topográficamente complejos. El arrecife es un pináculo con más de 50 m de profundidad en la
pendiente externa y fuerte crecimiento de corales en la zona de barlovento sur.
Los ecosistemas presentes en la Reserva se encuentran representados por manglares y
zonas arrecifales. La composición conocida de la taxocenosis coralina está representada por
hexacorales, octocorales e hidrozoarios con 95 especies reportadas. La diversidad de la fauna de
Banco Chinchorro es muy alta, incluye numerosos phyla, familias, géneros y especies, con por lo
CAPÍTULO 3
35
menos 145 especies de macro invertebrados y 211 de vertebrados, además de los corales
(Camarena-Luhrs, 2003).
3.1.3.1 Vegetación
La dimensión total de la Reserva es de 144,360 ha, de las cuales sólo el 0.4% es tierra firme. Las
tres zonas núcleo tienen una superficie total de 4,587.5 hectáreas y la zona de amortiguamiento
de 139,773.5 hectáreas. La diferencia parece muy grande, pero es importante hacer notar que el
falso atolón de Banco Chinchorro tiene aproximadamente 64,000 hectáreas y que en la poligonal
determinada en el Decreto de su creación se añadió una zona marina externa importante (80,360
hectáreas), para incrementar la zona de amortiguamiento y que en las zonas núcleo establecidas
con el consenso de todos los usuarios se encuentran representados todos los ecosistemas de la
Reserva.
La tortuga caguama (Caretta caretta), tortuga carey (Eretmochelys imbricata) y la tortuga
blanca (Chelonia mydas) utilizan también a los cayos como parte de su ciclo reproductivo para
desovar, por lo cual es indispensable proteger y mantener intactas las áreas de desove de esas
especies. La composición de la taxocenosis algal está representada por clorofitas, cianofitas,
feofitas y rodófitas, que conjuntamente con los pastos marinos y las estructuras arrecifales
coralinas contribuyen a incrementar el mosaico de hábitats disponibles para la existencia y
distribución de la diversidad de fauna bentónica y nectónica.
No existen asentamientos humanos permanentes en la Reserva, solamente un pequeño
destacamento de la Armada de México y palafitos que utilizan los pescadores como bases de
operaciones durante las temporadas de pesca. Los poblados más cercanos son Mahahual, con 800
habitantes y Xcalak, con 500 habitantes (Camarena-Luhrs, 2003).
3.1.3.2 Fauna
Los pastos marinos Thalassia testudinum (pasto tortuga), Syringodium filiforme (pasto manatí) y
Halodule beudettei (zacate tortuga) son las fanerógamas más conspicuas. El pasto y el zacate
tortuga son abundantes en la zona de Cayo Norte y en los alrededores y lagunas interiores de
Cayo Centro. Asimismo posee islas de mangle que se distribuyen bordeando los cayos o hacia su
porción central. Éstas incluyen a las cuatro especies de manglar (Rhizophora mangle,
CAPÍTULO 3
36
Laguncularia racemosa, Avicennia germinans y Conocarpus erectus), con grandes colonias de
anidamiento de aves marinas como la cigüeña (Mycteria americana). En total se tienen
registradas 96 especies de aves migratorias y locales. Las lagunetas en los cayos asilan a especies
en peligro tales como el cocodrilo americano (Crocodile acutus). Entre las especies de gran
importancia comercial tales como el caracol rosado (Strombus gigas) y la langosta espinosa
(Palinurus argus).
3.1.4 Contexto histórico, económico y social
En comparación con otros sistemas arrecifales prácticamente destruidos (p.e. el sistema Arrecifal
Veracruzano4), el buen estado de conservación del Banco Chinchorro, hace urgente y necesaria la
conservación prioritaria de este lugar, por este motivo es considerada una de las áreas prioritarias
para la conservación de la biodiversidad en México, al contener especies ecológicas vulnerables
de relevancia ecológica; pesquera, como la langosta espinosa5 (Panulirus argus) o cultural, como
el caracol rosado, abanico o reina (Strombus gigas), emblema heráldico oficial del estado de
Quintana Roo.
Banco Chinchorro es conocido su gran belleza y diversidad biológico-ecológica, aspectos
que motivan su categorización de área natural protegida federal con carácter de Reserva de la
Biosfera y sitio Ramsar para la protección de aves migratorias y humedales. De la misma manera,
Chinchorro es reconocido como zona de conservación prioritaria para la WWF (World Wildlife
Fund). Por otra parte, es también una atracción ecoturística en sí misma para buceadores y es el
principal proveedor de arena para las playas del Caribe (Riviera Maya), de vital importancia en la
4 Según el periódico Reforma (2009), el estado de salud del sistema Arrecifal Veracruzano,
presenta concentraciones de metales pesados como el plomo, superiores a los límites permitidos por las
normas oficiales mexicanas, y níquel, proveniente de la quema de carbón en plantas termoeléctricas.
Esto aunado al cambio climático, los elevados niveles de contaminación, el turismo a gran escala, la
sobrepesca, el mal manejo de la zona costera y de las cuencas hidrológicas ponen en riesgo el sistema
arrecifal veracruzano, que podría desaparecer en menos de 50 años.
5 Existen casos muy destacados, como las ganancias generadas por la pesca de langosta en la península de Yucatán en el año 2000: 10 millones de dólares (Ruiz-Zárate et al., 2008).
CAPÍTULO 3
37
generación de empleos y divisas a nivel local, regional y nacional. Esto representa para México
una enorme responsabilidad internacional.
Además de los aspectos ambientales, Banco Chinchorro también tiene relevancia histórica
y arqueológica. Este sitio conocido anteriormente como Triángulos del Norte o Quita Sueño,
cuenta con 54 sitios arqueológicos de naufragios sumergidos del siglo XVI al XXI, reuniendo
cinco siglos de historia de la navegación, desde los primeros viajes de reconocimiento al Nuevo
Mundo hasta recientes acontecimientos que se dieron con el huracán Wilma6 (INAH, 2009), en la
mayoría de los casos, las causas del hundimiento de estas embarcaciones se debieron a naufragios
producto de accidentes relacionados con la poca profundidad que hay en el sitio.
3.2 Recursos de información
La base de datos geoespaciales que se utiliza en este estudio incluye imágenes de satélite Landsat
7-ETM+, información batimétrica y datos in situ. Los datos digitales se proyectaron a UTM
(Universal Transverse Mercator), zona 16 Norte, con el DATUM WGS-84. Para el
procesamiento de los datos se utilizaron los programas ERDAS, GEOMATICA 10.2 y ArcMap
9.3. La naturaleza de un sistema plataforma-sensor determina las características de los datos de la
imagen (Green, 2000). La imagen de Landsat 7-ETM+ fue adquirida sin cobertura nubosa. Cabe
destacar que este tipo de imágenes provee una adecuada cobertura del área para estudios
regionales y monitoreo temporal; sin embargo en una escala local no proporciona una alta
resolución espacial (30 m).
3.2.1. Satélite Landsat 7 –ETM+ (Sensor Enhanced Thematic Mapper Plus)
Las imágenes obtenidas por sensores digitales están ordenadas en sets de números, cada valor
está relacionado con una cantidad de radiancia proveniente de un área determinada que se
representa por una celda o pixel. Todos los tipos de imágenes pueden caracterizarse por los
términos de resolución espacial, resolución temporal, resolución espectral y resolución
radiométrica.
6 “Los vestigios más antiguos corresponden a un galeón del siglo XVI relacionado con los primeros viajes de exploración a América y el más moderno corresponde a un barco que naufragó a causa del huracán Wilma, se trata del ferry Cozumel II, en este siglo XXI”. estos naufragios se ha encontrado restos de pecios, anclas aisladas, cañones, piedras de lastre y lingotes (INAH, 2009).
CAPÍTULO 3
38
Los satélites Landsat, con una órbita polar, están diseñados para la observación del medio
ambiente de la Tierra y la evaluación de sus recursos naturales. El programa inició en 1972 con
el lanzamiento del Landsat-1; en 1984 se lanzó Landsat-5 y es el satélite que más tiempo lleva
operativamente en órbita. En 1999 se lanzó el más reciente Landsat-7. Los satélites Landsat
disponen de dos sensores, MSS (Multispectral scanner) y TM (Thematic mapper). El sensor TM
tiene mayor resolución radiométrica (8 bits) que el MSS (6 bits).
El satélite Landsat-7 incorpora el sensor ETM (Enhanced Thematic Mapper) que añade a
las bandas ya disponibles en el TM, un canal pancromático con resolución espacial de 15 metros.
Su órbita se sitúa a 705 Km de altitud, y sobrevuela la misma zona cada 16 días, en el Cuadro 3.1
se muestran las especificaciones más importantes de la imagen utilizada.
Cuadro 3.1. Características de la imagen Landsat 7-ETM+ utilizada
Anchura de Barrido (swath) 185 km.
Altitud 705 km
Inclinación Solar sincrónica (98.2° )
Bandas espectrales 8
Paso ecuatorial Descendente; 10:00am +/- 15 min.
Fecha de lanzamiento Abril 1999
Periodo de revolución 99 min.
Duración del ciclo orbital 16 días
Datos específicos de la imagen utilizada
Fecha 2000-03-29
Tiempo de escaneo 16:03:05
Path/Row 18/47
Resolución espacial (m) 30
Bandas espectrales utilizadas 3
Rango espectral (μm) 0.5-0.69
Ángulo cenital (azimuth) 116.29
Ángulo solar 59.43
3.2.2 Datos de muestreo en campo
3.2.2.1 Clases de hábitat bentónico
La PR no puede remplazar totalmente las tradicionales técnicas de investigación de arrecifes de
coral; ambas técnicas son complementarias. La puede desarrollar y mejorar nuevas técnicas que
operen en abarcar mayores escalas en menor tiempo y a la vez reducir costos de operación al
CAPÍTULO 3
39
estudiar este tipo de ecosistemas (Holden & LeDrew 1998). Para este estudio se utilizaron datos
de muestreo en campo a cargo de Carricart-Ganivet y otros autores en el 2002; donde realizaron
un muestreo in situ con un total de 235 sitios de muestreo (Figura 3.4) y vídeo-transectos de 50 m
de longitud. Determinaron un total de nueve clases de fondo béntico, con la ayuda de una imagen
de satélite y fotografías aéreas. En la figura 3.4 se puede observar la distribución de las estaciones
de muestreo, así como un ejemplo del tipo de fondo béntico de las clases más representativas
(pastos marinos, arenas y algas, arenas y corales) en Banco Chinchorro.
Figura 3.4. Muestreo in situ en Banco Chinchorro (Carricart-Ganivet et ál. 2002).
Pastos marinos
CAPÍTULO 3
40
3.2.2.2 Levantamiento batimétrico
Los datos de sonar se realizaron por la Secretaría de Marina en México, mediante la ecosonda
CEEDUCER Pro (Hydrographic Survey System) durante el periodo del 2008. Se realizaron
transectos a lo largo de la costa de Quintana Roo hacia mar abierto. De estos datos se obtuvo la
batimetría, la figura 3.5 muestra las diferentes profundidades dentro de Banco Chinchorro.
Figura 3.5. Batimetría de Banco Chinchorro (SEMAR 2008).
CAPÍTULO 3
41
3.3 Pre-procesamiento de las imágenes satelitales
Todas las imágenes de satélite deben someterse a un procesamiento inicial de los datos crudos
para corregir las distorsiones radiométricas y geométricas de la imagen. Se debe considerar que la
energía captada por el sensor sufre una serie de interacciones con la atmósfera antes de llegar al
sensor. Consecuentemente, la radiancia registrada por el sensor no es una representación exacta
de la radiancia efectiva emitida por las coberturas. Esto significa que la imagen adquirida en
formato numérico presenta una serie de anomalías con respecto a la escena real detectada. Estas
anomalías están en la localización de los píxeles y en los niveles digitales de los píxeles que
componen la matriz de datos. Las operaciones de corrección pretenden minimizar estas
alteraciones. Estas se enmarcan dentro de las operaciones de pre procesamiento porque, en
general, se llevan a cabo antes de realizar los procedimientos de extracción de información
cuantitativa. Como producto se obtiene una imagen corregida que es lo más próximo posible,
geométrica y radiométricamente, a la verdadera energía radiante y características espaciales del
área de estudio al momento de la colección de los datos.
Los datos obtenidos por sensores satelitales ópticos son una herramienta invaluable para
científicos interesados en el estudio, manejo, desarrollo y protección de nuestra población,
medioambiente y recursos naturales. Desafortunadamente las imágenes de satélite están
sometidas a los efectos de la atmósfera, resultados de las condiciones de la imagen al momento
de ser capturada. La corrección atmosférica es un proceso usado para reducir o eliminar los
efectos de la atmosfera y dejar ver de manera más certera los valores de reflectancia de la
superficie a estudiar o analizar.
CAPÍTULO 3
42
Figura 3.6. Diagrama del método de procesamiento de las imágenes satelitales Landsat 7-ETM+
CAPÍTULO 3
43
Dos tipos de corrección atmosférica están disponibles: ATCOR2, utilizada para corregir
atmosféricamente imágenes de satélite en terrenos planos, y el ATCOR3, para corregir imágenes
de satélite mediante Modelos Digitales del Terreno dada la presencia de relieve accidentado. Sin
embargo, cuando se intenta mapear o derivar información cuantitativa de hábitats subacuáticos; la
profundidad del agua afecta significativamente las mediciones hechas por sensores remotos. Esto
puede causar confusiones en las firmas espectrales. Podría considerarse una limitación de los
sensores pasivos en la percepción remota marina, ya que tanto la corrección atmosférica como la
geométrica, no son suficientes cuando el objetivo es extraer rasgos de coberturas que se
encuentran en el fondo del agua. Es por esta razón que en este tipo de estudios se realiza la
corrección de columna de agua para mejorar la confianza al realizar el análisis de los resultados
de la imagen y eliminar el ruido que resulta en función de la variación de la reflectancia del suelo
(Holden 2002; Holden y LeDrew 1998; Mumby et al., 1998). En la siguiente sección se explica la
metodología utilizada para la corrección de columna de agua.
3.3.1 Corrección radiométrica y atmosférica
Corrección atmosférica y reducción de neblina (Atmospheric Correction and Haze Reduction -
ATCOR)
La señal total captada por el sensor consiste en tres componentes: radiación dispersada por la
atmósfera (1), radiación reflejada por el pixel (2) y radiación reflejada por la vecindad del pixel y
dispersada en diferentes direcciones (3) (adyacencia) (Figura 3.7) Las condiciones atmosféricas
(vapor de agua, aerosoles, visibilidad) de una escena se pueden estimar por algoritmos que
trabajan mediante una base de datos basados en funciones atmosféricas. De esta manera, la
reflectancia espectral superficial de un blanco de interacción en una escena se puede ver en
función de parámetros atmosféricos.
ND es el número digital grabado en un determinada banda espectral, c0, c1 es el offset y
gain (respectivamente) de la calibración radiométrica relacionando el ND con la radiancia
proveniente del sensor L=c0+c1*ND.
El objetivo de la corrección geométrica es remover la distorsión geométrica; es decir se
trata de ubicar cada píxel en su posición planimétrica correspondiente. Esto permite que la
CAPÍTULO 3
44
información obtenida de la imagen satelital pueda relacionarse con información temática de otras
fuentes.
Figura 3.7. Representación esquemática de los componentes de radiación en un terreno plano.
3.3.2 Corrección de la columna de agua
Los arrecifes de coral generalmente se desarrollan en aguas transparentes o claras, lo cual facilita
su estudio y análisis usando sensores ópticos pasivos multiespectrales o hiperespectrales (Mumby
et ál., 1999).
Cuando la luz penetra en la columna de agua, su intensidad decrece exponencialmente con
el incremento de la profundidad. Este proceso es conocido como atenuación y ejerce un efecto
importante en los datos obtenidos por sensores remotos en ambientes acuáticos (Green, 2000).
Dos causas explican este fenómeno:
Absorción: la energía luminosa se convierte en otro tipo de energía, generalmente
calor o energía química. Esta absorción es producida por las algas, que utilizan la luz como
fuente de energía, por la materia orgánica e inorgánica particulada (MOP y MIP) en
suspensión, por los compuestos inorgánicos disueltos y el agua misma.
CAPÍTULO 3
45
Dispersión o Scattering: Este fenómeno consiste, simplemente, en el resultado de
la colisión del haz de luz con las partículas en suspensión, provocando múltiples reflexiones.
Cuanto más turbia sea el agua (más partículas en suspensión) mayor será el efecto de
dispersión, dificultando la penetración de la luz.
Este proceso de atenuación se ejemplifica en la figura 3.8 y ejerce un gran efecto en datos
provenientes de sensores remotos en ambientes acuáticos. Dicha atenuación varía con la longitud
de onda de la radiación electromagnética (EMR). Por ejemplo en la región de luz visible, la parte
roja del espectro atenúa más rápidamente que la de longitud de onda corta, como el azul.
Figura 3.8. Ejemplo de atenuación de la luz en la columna de agua (SERC, 2011).
La figura 3.9 muestra cómo puede cambiar el espectro de un hábitat determinado (pastos
marinos o macroalgas) con el incremento de la profundidad, en cuatro bandas espectrales (azul,
verde, rojo e infra-rojo). La radiancia espectral registrada por un sensor es dependiente de
reflectancia de los sustratos y de la profundidad. Como incrementa la profundidad, la disertación
de los espectros o firmas espectrales de los hábitats decrece. En la práctica, el espectro de la arena
CAPÍTULO 3
46
a una profundidad de 2 m será muy diferente a que a 20 m. De hecho, la firma espectral de la
arena a 20 m puede ser similar a la de los pastos marinos a 3 metros (Mumby y Edwards, 2002).
Todos estos factores influyen en la señal y pueden crear una gran confusión cuando se intenta
utilizar la inspección visual o clasificación espectral para clasificar o para cartografiar estos
hábitats. Es por eso que se debe eliminar la influencia de la variable profundidad, conocida como
corrección de la columna de agua o corrección de la profundidad (Mumby y Edwards 2000).
Figura 3.9. Diferencias espectrales para un hábitat (pastos marinos o macroalgas) a diferentes
profundidades. Modificada de Mumby y Edwards (2000).
Existen diversos modelos que se pueden utilizar para compensar el efecto de la columna de agua;
sin embargo, muchos de ellos requieren mediciones ópticas de las propiedades del agua además
de información de la profundidad del agua por pixel (Gordon and Brown 1974; Philpot 1989;
Mobley et al. 1993; Lee et al. 1994; Maritorena et al. 1994; Maritorena 1996; Lee et al. 1999). En
este estudio se aplica el método propuesto por Lyzenga (1981); misma que ha sido utilizada y
descrita por otros autores como; Mumby et al., 1997, 1998, Mumby y Edwards, 2002,
Andréfouët et ál., 2003, entre otros. Este enfoque tiene la ventaja de tomar la mayor parte de la
información espectral y no requiere de datos de los componentes del agua que circundan el
arrecife. En lugar de derivar los espectros de los diferentes tipos de fondo y propiedades del agua;
este método transforma los valores espectrales en un “índice invariante a la profundidad”. La
CAPÍTULO 3
47
principal limitante de este método entre otros, es que tiene que ser aplicado en aguas claras (i.e.
aguas tipo I o II). Nuestra área de estudio cumple con este requerimiento.
Para la eliminación de la influencia de la profundidad sobre la reflectancia del suelo será
necesario tomar en cuenta:
la medición de la profundidad de cada píxel en la imagen,
el conocer las características de atenuación de la columna de agua,
tener modelos digitales de elevación de profundidad; aunque éstos son poco frecuentes, en
particular para los sistemas de arrecifes de coral (Mumby et al., 1998); para este trabajo
utilizaremos un modelo digital de elevación proporcionado por la Semar (2008), que nos
proporciona en gran medida confiabilidad y exactitud en las mediciones.
El procedimiento se divide en diversos pasos que se explican a continuación:
1. Eliminación de la dispersión en la atmósfera y la reflexión externa de la superficie del agua.
Esto se puede llevar a cabo mediante diversos métodos.
2. Selección de muestras de píxeles con el mismo sustrato (arenas) y diferente profundidad.
3. Selección de un par de bandas espectrales, con una buena penetración en la columna de agua
(i.e. bandas del espectro de luz visible: Landsat TM y ETM+ 1/2, 2/3 y 1/3.). Vanderstraete y
otros autores (2003) calcularon la máxima profundidad de penetración para cada banda espectral
(Cuadro 3.2).
Cuadro 3.2. Máxima profundidad de penetración para cada banda óptica espectral.
Bandas Máxima profundidad de penetración (m)
Banda 1 21.4
Banda 2 16.8
Banda 3 5.2
4. Linearización de la relación entre profundidad y radiancia: Xi = ln (Li). Donde Xi es la
radiancia transformada del pixel en la banda i (banda 1) y Li es la radiancia del pixel en la banda
i y L j es la radiancia de la banda j (banda 2). Cuando la intensidad de la luz (radiancia) se
CAPÍTULO 3
48
transforma usando logaritmo natural (ln) esta relación con la profundidad llega a ser lineal. Por lo
tanto, los valores de radiancia trasformados disminuirán linealmente con el aumento de la
profundidad.
ii LLnX (1)
5. Posteriormente se determinó el cociente del coeficiente de atenuación, mediante un bi-plot de
la radiancia transformada de las 2 bandas (L i y L j). El bi-plot consta de datos de un tipo de
fondo uniforme (arena) pero variable profundidad, para crearlo fue necesario utilizar la siguiente
ecuación:
12 aaKK ji (2)
Donde ii es la varianza de la banda i y ij es la covarianza entre las bandas i y j.
(3)ij
iijja
2
y jijiij XXXX (3)
6. Por último se genera el índice invariante de profundidad mediante la ecuación:
j
j
iiij L
k
kLIIP
lnln
(4) (Lyzenga, 1981).
El resultado de esta operación genera una nueva banda, la imagen con corrección de
columna de agua para un par de bandas. Sin embargo, como estos valores son números enteros
decimales y pueden ser negativos, para visualizarlos es necesario convertirlos a una banda de 8
bits, es decir, en valores de gris entre 0 y 255. Para esto se deben encontrar los valores mínimo y
máximo de la imagen resultante y distribuirlos linealmente entre los valores 1 y 255 (el 0 no se
incluye porque está asignado a la máscara del área emergida). El índice invariante a la
profundidad es esencial cuando la finalidad del estudio es extraer datos espectrales en ambientes
acuáticos sumergidos.
CAPÍTULO 3
49
3.4 Metodologías de clasificación para ecosistemas arrecifales
La representación espacial de los ecosistemas costeros sumergidos es uno de los procesos más
complejos de la cartografía temática mediante imágenes de satélite, debido a la influencia de la
atmósfera y la columna de agua de mar a través de las cuales pasa la radiación electromagnética
(Bello-Pineda et al., 2004). Aunado a lo anterior cabe destacar que estos ecosistemas sufren una
variación constante especialmente tras eventos trascendentales como fuertes huracanes. Sin
embargo diversos autores (Mumby et al., 1997, Andréfouët et al., 2000, Mumby y Edwards,
2002, Andréfouët et al., 2003, Pahlevan et al., 2006, Call et al., 2003, etcétera) han venido
desarrollando y utilizando diversos métodos para clasificación de estos ecosistemas y en
particular de arrecifes de coral usando percepción remota. La clasificación de una imagen
satelital consiste en asignar un grupo de pixeles a determinadas clases temáticas basada en sus
propiedades espectrales. Este tipo de procesos se pueden llevar a cabo con una gran variedad de
métodos.
Algunos ejemplos de clasificadores que se han utilizado para mapear arrecifes de coral
son: el clasificador de máxima probabilidad (maximun likehood classifier) es el método más
común que autores como Mumby et ál., 1997; Andréfouët et ál., 2000; Mumby y Edwards 2002;
Andréfouët et ál., 2003; Pahlevan et ál., 2006; Benfield et ál., 2007 entre otros, han utilizado, ya
que ofrece mayor margen para la contabilización de las variaciones de las clases mediante la
utilización de un análisis estadístico de los datos como la media, varianza y covarianza. Sin
embargo, el perfeccionamiento de los resultados puede ser adquirido mediante la incorporación
de información espacial adicional en el proceso de post-clasificación, ya que esto ayuda a separar
espectralmente las clases que se han confundido. Otro método también utilizado por Mumby et
ál., (1997) es la Clasificación Jerarquica aglomerativa (Aglomerative hierarchical classification
with group-average sorting). Una propuesta alternativa es la Clasificación Orientada a objetos
(Object-oriented classification) compuesto de dos pasos: segmentación y clasificación. La
segmentación crea objetos-imagen y es usada para construir bloques para más clasificaciones, la
cual se basa en lógica difusa (fuzzy logic). Otro método que se ha utilizado es el ISODATA
(Iterative Self-organizing Data Analysis), este método utiliza una combinación de distancia
Euclidiana por cuadrados y re-clasificación del centroide (Call et ál. 2003). En este sentido se
CAPÍTULO 3
50
pretende probar para el caso específico de Banco Chinchorro un nuevo método de clasificación
basado en Campos Aleatorios de Markov.
3.4.1 Campos Aleatorios de Markov
En base a las metodologías utilizadas para la clasificación en estudios de arrecifes, es que
probamos la clasificación por campos aleatorios de Markov, el cual es un proceso estocástico
discreto; en donde las propiedades globales son controladas por las medias de las propiedades
locales, que se definen por probabilidades locales condicionales. La aplicación de este tipo de
modelos ha proliferado en áreas de inteligencia artificial y ha recibido un gran impacto en
procesamiento de imágenes (Dalalyan, 2010). Es por esta razón que probamos su efectividad en
la determinación de estructuras subacuáticas para el área de estudio.
El tratamiento de las imágenes de satélite desde una perspectiva probabilística está
siendo objeto de gran interés en la actualidad debido a que la evolución tecnológica hace viable
este enfoque, situación que hace pocos años suponía un gran inconveniente desde el punto de
vista de su viabilidad computacional, sobre todo cuando las imposiciones de rapidez de respuesta
son imprescindibles (Roth y Black, 2009). Esta tesis se aborda la clasificación de imágenes de
satélite mediante la segmentación utilizando el modelo de Campos Aleatorios de Markov (CAM).
La segmentación es el proceso que subdivide una imagen en sus partes constituyentes u
objetos. La segmentación es uno de los elementos más importantes en el análisis automático de
imágenes porque es en este paso que los objetos o entidades de interés se extraen de una imagen
para su procesamiento subsecuente, tal como descripción o reconocimiento. El objetivo de la
segmentación es definir una imagen en regiones homogéneas. En este sentido el proceso de
segmentación aplicado a extraer patrones de arrecifes de coral pretende particionar una imagen en
regiones tales que: la segmentación sea completa (todos los pixeles deben pertenecer a una
región), los pixeles de una región estén conectados y las regiones sean independientes es decir
que no exista correlación entre los patrones definidos para un objeto.
Los CAM consisten en un modelo que permite codificar distribuciones de probabilidad
de los objetos esperados en la escena, además la dependencia espacial estadística de los pixeles
CAPÍTULO 3
51
es uno de los aspectos importantes en el análisis de imágenes. Su uso se fundamenta en que la
probabilidad de pertenencia de un píxel a una clase está condicionada por las clases de los píxeles
vecinos, lo cual se puede introducir en el modelo usando unos coeficientes que regulan dichas
relaciones (definición de cliques (Modelo Potts), en otras palabras, el algoritmo basado en CAM
modela las interacciones espaciales entre vecinos o pixeles cercanos. En términos físicos,
implica que bajo la asunción del CAM, cualquier patrón que represente un arrecife coralino, una
zona de arena u otro tendrá que ser representativo y no un solo píxel que tiene una probabilidad
muy baja de ocurrir.
Para un mejor entendimiento del CAM, a continuación se explican los conceptos
teóricos más importantes basados en: el modelo de Potts mediante este proceso se definen las
vecindades de los pixeles y la definición de la distribución de probabilidad sobre una imagen,
posteriormente se define inferencia bayesiana y la optimización de la energía definida por el
modelo recocido simulado. La figura 3.10 muestra este esquema general que se describirá en las
siguientes secciones.
Figura 3.10. Elementos del algoritmo CAM utilizado.
Definición de vecindades
Los cliques c(k); k = 1,…..,K pertenece a una rejilla de pixeles o bien un conjunto de pixeles
vecinos. El orden de un clique se define por el número de pixeles vecinos o sites, la mayoría de
CAPÍTULO 3
52
los trabajos utilizan cliques de segundo orden conocidos como vecindades pares. Para propósito
de este trabajo se usa un orden 2 (figura 3.11).
Figura 3.11. Vecindarios de órdenes 1, 2, 4, 5 y 8 para el modelo de textura
Calculo de la distribución de probabilidad sobre una imagen.
Considerando la regla de Bayes en términos de clasificación la ecuación se puede reescribir en
términos de clases:
XP
PXPXP
www
ii
i
)(
Siendo X la imagen original y Wi las clases, con i=0,1,2,..,5, donde:
P(wi|X) representa la probabilidad a posteriori.
P(X) es la probabilidad total del evento/pixel x
P(X|wi) es la probabilidad conjunta ó condicional del pixel x dada la clase wi
P(wi ) es la probabilidad a priori de ocurrencia de la clase wi
La regla de Bayes se aproxima como wPwXPXwP iii )( , además se considera la
probabilidad a posteriori como una energía a posteriori: wiUwiXUXwiU )(
Inferencia Bayesiana
CAPÍTULO 3
53
El problema de segmentación se aproxima a las probabilidades de la regla de Bayes. Para
aproximar la probabilidad conjuntas del numerador se emplea las funciones de energía.Estas
funciones, indican la probabilidad condicional de que un pixel dado pertenezca a la clase Wi (fig.
12). Para los propósitos de segmentación de imágenes, la imagen en este caso el índice
invariante a la profundidad debe modelarse de tal manera que esta pueda dividirse en 5 regiones
diferentes, cada una siguiendo la distribución normal caracterizada por una media. La definición
de clases se hace con el algoritmo de k-mean, otra forma es trabajar sobre la imagen y definir 5
ventanas que identifiquen a 4 clases típicas (arrecifes, arena, vegetación, etc.) y calcular las
media mi, con i=0, 1, 2, 3. En esta parte queremos seleccionar la etiqueta más probable para cada
pixel.
La definición de la energía o probabilidad a priori se realiza por el modelo de Potts, cabe
destacar que este método aprende de la estructura de vecindad que mejor representa un conjunto
de datos de entrenamiento. Este modelo se emplea para el cálculo de la energía a priori de cada
clase.
La función de energía a priori asociada U(wi) con el modelo de Potts se escribe como:
Donde es el número de sites en la vecindad que tienen etiqueta wi y es el
coeficiente de homogeneidad.
El coeficiente de vecindad β define las propiedades de vecindad, esto es, entre más grande
sea ese término, mayor es la probabilidad de que dos pixeles adyacentes tengan la misma
etiqueta. El valor de beta varia por ejemplo de βi= 0.1, 0.35, 0.6 y 1 para i= 0, 1, 2, 3.
CAPÍTULO 3
54
Figura 3.12. Términos de la energía wiXU
Modelos de optimización
Los CAM se describen como un problema de optimización, donde la segmentación deseada es la
que minimiza alguna función de energía. La ventaja de ver la segmentación como un problema de
optimización es que define de manera precisa los aspectos deseables de la segmentación. Por eso
se realiza generalmente de forma aproximada e iterativa, para lo cual hay una gran cantidad de
diferentes técnicas. Algunas de las técnicas clásicas incluyen el muestreo de Gibbs (Gibbs
sampling) (Geman y Geman, 1984) y el recocido por simulado (Hofmann et al., 1998).
2
5
5
Clase
Wo
1
0
mo
Clase
W5 1
0
m
5
s= m1-
m0
2
5
5
Clase
W1 1
0 O
O
O
m1
s/4 s/2 s/4
CAPÍTULO 3
55
El teorema de Hammersley-Cliflord establece que se puede escribir una imagen como la
densidad de probabilidad mediante una distribución de Gibbs (Moussouris, 1974). La distribución
de probabilidades generadas tendrá la distribución de Gibbs:
Donde x es una imagen, Uk(c(k)) es llamado la función de potencial (representa la energía
para el clique c(k), y Z es una constante de normalización llamado función de partición
(partition function) y T es la temperatura .
En este trabajo el proceso de minimización de energía se realiza por una técnica
estocástica conocida como recocido simulado (Simulated Annealing (SA)) (Besag, 1986) la cual
converge a un mínimo global, es decir para encontrar el resultado de la segmentación óptima.
En la práctica el problema de optimización consiste en encontrar una energía mínima que
se basa en los siguientes principios:
Si U* es la energía máxima en todas las configuraciones y U es la energía mínima, la
desviación entre las dos energías es ∆U= U *- U.
Al emplear un distribuidor de Gibbs con una temperatura Tn que varía después de cada
barrido, la variación de la temperatura deberá seguir la siguiente fórmula:
Para n ≥ 2 donde N es el número de sites de la imagen (conectividad 8 en este trabajo),
notar que Tn tiende a ser cero cuando n tiende a infinito. El algoritmo termina cuando obtenemos
una configuración mejor considerando a sus vecinos. Por estas razones los algoritmos de mejora
iterativa son conocidos como algoritmos de búsqueda local. Habitualmente las técnicas de
optimización se basan en localización de mínimos de la Función de Energía, apareciendo dos
problemas estrechamente relacionados: Convergencia a mínimos locales y sintonización de los
parámetros de inicialización y evolución del algoritmo de minimización. Siendo gran parte de
ellos el Recocido simulado (Simulated Annealing) o variantes de éste.
n
UNTn
log
CAPÍTULO 3
56
3.4.2 ISODATA (Iterative Self Organizing Data Analysis)
ISODATA es un método de agrupamiento de pixeles que utiliza la fórmula de mínima distancia
espectral para formar los grupos de pixeles. Comienza con grupos que tienen medias arbitrarias, y
cada vez que se reagrupan los pixeles en cada iteración, las medias de los grupos varían. Para las
iteraciones siguientes se van utilizando las nuevas medias.
La utilidad de ISODATA repite el agrupamiento de pixeles en la imagen hasta que se ha
realizado un número máximo de iteraciones, o ha quedado un porcentaje máximo de pixeles sin
cambiar entre dos iteraciones. Ambos parámetros pueden ser especificados.
El algoritmo se basa en los siguientes parámetros para la obtención de la clasificación:
a. El usuario decide el número N de clusters que van a ser utilizados. Como primera
aproximación se recomienda utilizar un número elevado y reducirlo tras interpretar la imagen.
b. Se selecciona un conjunto de N clusters en el espacio de las bandas. La
localización inicial es situada en las zonas de mayor reflectancia.
c. Los píxeles se asignan al cluster más cercano.
d. Los clusters se asocian o disgregan o borran en función de la máxima distancia de
clase o del número mínimo de píxeles ocupados por una clase.
e. Se repiten los pasos c y d hasta que el cambio entre una iteración y otra sea
mínimo.
CAPÍTULO 4
57
CAPITULO 4. RESULTADOS
4.1. Determinación de hábitats para la clasificación
La determinación del número de clases utilizadas para la clasificación, se basó en los estudios
reportados por Mumby y otros autores (1997, 1999), que mencionan las imágenes Landsat 7-
ETM+ son capaces de delimitar ecosistemas bentónicos sumergidos; siempre y cuando no exceda
de 7 clases bénticas debido a su resolución espectral (Mumby, 1997, Andréfouët et ál. 2003,
Capolsini et ál. 2003). Los datos del muestreo in situ reportados por Carricart-Ganivet et ál.
(2002) se muestran en la Cuadro 4.3. Con base a estos datos se determinaron 4 clases generales
más representativas: (1) coral masivo, (2) parches arrecifales, (3) pastos marinos y algas, (4)
arenas. El océano y los cayos o áreas emergidas no entran en los criterios de clasificación, sin
embargo también se representan.
Cuadro 4.3. Agrupación de las clases más representativas en Banco Chinchorro para delimitar las clases.
Arena Arenal Coral muerto masivo
sobre coral coral muerto ramificado
Restos de Coral masivo Piso calcáreo parejo
Restos de coral
ramificado
Piso calcáreo rocas grandes
Cobertura Coral
Vivo
COBERTURA CORAL
MASIVO
COBERTURA CORAL
RAMIFICADO
CORAL
SEMIESFERICO:
C RAMIFICADO TABULAR:
Siderastrea A. palmata
M. Cavernosa C RAMIFICADO RAMOSO
Dichocoenia A. prolifera
Stephanochoenia A. cervicornis
Favia DIGITIFORME
CEREBRO Porites porites
D. clivosa Madrasis miriabilis
D. strigosa COPA Y FLOR
D. laberintiformes Eusmilia
Colpophylia natans Tubastrea
Meandrina COB HIDROCORALES
COBERTURA M. alcicornis
CAPÍTULO 4
58
SUBMASIVO
M. Annularis M. complanata
Montastrea franksi M. squarrosa
Montastrea faveolata OCTOCORAL
Porites astroides Gorgonia
COB CORAL
INCRUSTANTE
Ramificación dicotómica
Agaricia agaricites
(Costroso)
Ramificación arborecente
A. Tenuifolia (Folioso) Ramificación pinnada
No ramificada
Cobertura algal MACROALGAS TAPETE ALGAL
Foliosa s/coral Sobre restos
Foliosa s/arena Sobre piso calcáreo
Foliosa s/sustrato
calcáreo
sobre arena
Arborecente lagunar
Algas filamentosa
Costrosa coralina
Pastos Marinos Thalassia Syringodium
4.2 Procesamiento de imágenes
Se procesó una imagen Landsat 7-ETM+ con fecha del 29 de marzo del 2000; no se utilizó la
imagen más reciente disponible del catálogo de imágenes debido a que no se contaban con
mediciones simultáneas en campo al momento del paso del sensor. En este sentido se buscó
relacionar en la medida de lo posible las características reales con el muestreo in situ. Mismos
que fueron recolectados en el año 2000 (Carricart-Ganivet et ál. 2000). A continuación se
describen las correcciones y clasificaciones que se realizaron para mejorar el análisis de las
imágenes y obtener mejores resultados.
Antes de realizar el análisis cuantitativo de los datos, se realizó una post-calibración de las
constantes gain y offset para convertir los ND de la imagen a radiancia espectral. También se
corrigió la radiancia espectral de los efectos atmosféricos para recuperar los valores de la
reflectancia superficial. No se realizó la corrección geométrica debido a que las imágenes
Landsat tienen un nivel de procesamiento que incluye esta corrección. Se utilizaron únicamente 3
CAPÍTULO 4
59
bandas (azul, verde y roja) de las 8 que tiene Landsat, la razón es que son las únicas bandas que
pueden penetrar en la columna de agua. Se desarrollo la corrección de la profundidad aplicando
el método de Lyzenga (1981), que ha sido utilizado y descrito por otros autores (Mumby et ál.,
1997, 1998, Mumby y Edwards, 2002, Andréfouët et ál., 2003).
4.1.1 Corrección de columna de agua
Lyzenga (1981), demuestra que los píxeles de un mismo tipo de fondo i.e. arenas a diferentes
profundidades, sigue una línea cuando 2 bandas visibles transformadas logarítmicamente se
grafican una con la otra. Repitiendo este proceso para diferentes tipos de fondo resultan una serie
de líneas paralelas y el intercepto de esas líneas genera un único índice invariante a la
profundidad independientemente del tipo de fondo, donde todos los pixeles de un fondo
determinado tiene el mismo valor del índice independientemente de la profundidad a la que estos
se encuentren (Andréfouët et ál. 2003).
Para generar la corrección de la profundidad es necesario seleccionar un grupo de pixeles
que representen la profundidad de la columna de agua, por lo que pixeles muy someros (< 1m) se
eliminaron. Para este estudio se utilizaron las arenas como un único sustrato, esto se debe a que
es el tipo de fondo más homogéneo en ambientes arrecifales, el más utilizado por diferentes
autores (Mumby y Edwards, 2002; Lyzenga, 1981) y es fácilmente reconocible por el intérprete.
Para el caso específico de Banco Chinchorro, se utilizaron 100 puntos de arena entre 1 y 10 m de
profundidad para determinar el cociente del coeficiente de atenuación para el par de bandas 1/2,
99 puntos para las bandas 1/3 y 96 puntos para las bandas 2/3. Los datos de radiancia puntuales a
un tipo de fondo se extraen de la imagen y se transfieren a una hoja de cálculo. La Figura 4.13a
muestra la gráfica de la radiancia espectral de la banda 1 y 2 (corregidas atmosféricamente) con
respecto a la profundidad para un tipo de fondo específico (arenas) y profundidad variable.
La figura 4.13b muestra la linearización de la atenuación exponencial de la radiancia para
las bandas 1 y 2 usando logaritmos naturales, ya que en la realidad es casi imposible que los
puntos obedezcan a una línea perfecta, debido a la heterogeneidad natural de los diferentes tipos
de fondo, variaciones en la calidad del agua, rugosidad superficial del agua, etcétera. (Edwards,
1999).
CAPÍTULO 4
60
Figura 4.13. Pasos para realizar la corrección de columna de agua: (a) radiancia espectral de la banda 1 y
2 (corregidas atmosféricamente); (b) atenuación exponencial de la radiancia para las bandas 1 y 2 usando
logaritmos naturales; (c) bi-plot de las bandas 1 y 2 para un único sustrato (arenas) a diferentes
profundidades.
Los diferentes valores para obtener el cociente del coeficiente de atenuación por bandas
espectrales se pueden observar en los cuadros 4.4 y 4.5.
Cuadro 4.4. Varianza de radiancia de cada banda
Banda 1 Banda 2 Banda 3
Varianza ( ii ) 0.2628 0.6334 0.2761
CAPÍTULO 4
61
Cuadro 4.5. Determinación del radio ki/kj
Cociente 1/2 Cociente 1/3 Cociente 2/3
Covarianza ( ij)
0.3200 0.1178 0.2327
aij -0.0593 -0.0031 0.0184
ki/kj 0.94 0.99 1.00
La figura 4.13c muestra el biplot de las bandas 1 y 2 transformadas logarítmicamente,
representando el cociente del coeficiente de atenuación (ki/kj) para las bandas 1 y 2. Es importante
mencionar que si se representaran diferentes tipos de fondo en el bi-plot, teóricamente
representarían una línea con comportamiento similar, variando únicamente en posición debido a
las diferencias en las reflectancias espectrales. El gradiente de la línea sería idéntico debido a que
el ki/kj no es dependiente del tipo de fondo. El intercepto de la línea con el eje “y” representa el
índice invariante a la profundidad (Fig. 13c); esto es porque cada tipo de fondo tiene un único
intercepto “y” independiente de la profundidad. Cada pixel es asignado a un índice dependiendo
de su tipo de fondo, lo que se logra mediante la transformación por logaritmos naturales de cada
banda y la conexión de la ordenada al origen del eje “y” a través de la línea del gradiente ki/kj. En
este sentido se clasifican los pixeles en diferentes tipos de fondo.
Como ya se mencionó con anterioridad, el índice invariante a la profundidad se generó
por pares de bandas: 1/2, 1/3 y 2/3 respectivas a las bandas 1 (Azul), 2 (Verde) y 3 (Roja) (figura
4.14). La imagen resultante del índice invariante a la profundidad, fue significativamente
diferente a la imagen que no se le aplicó la corrección; ya que revela con mayor detalle las
estructuras del fondo béntico, sobre todo en las zonas que presentan mayor profundidad.
CAPÍTULO 4
62
Figura 4.14. Visualización de la imagen Landsat 7-ETM+ antes y después de haber aplicado la corrección
de columna de agua. a) Imagen de la banda 1 (azul de 450-520 nm), b) banda 2 (verde 530-610 nm), c)
banda 3 (roja 630-655 nm), d) Índice invariante de profundidad combinación de bandas 1/2, e) 2/3 y f)1/3.
CAPÍTULO 4
63
Al realizar la comparación entre la imagen sin corrección de columna de agua (Fig. 14 a,
b y c) y con corrección (índice invariante de profundidad) (Fig. 14 d, e y f) se observa cómo se
destacan con las características del fondo béntico, lo cual ayuda a resaltar las características que
ayudan a determinar las diferentes estructuras que se encuentran en el fondo béntico de Banco
Chinchorro.
4.1.3 Clasificación por ISODATA
Como primera aproximación a la clasificación de ecosistemas bénticos sumergidos en Banco
Chinchorro, se utilizó ISODATA como método de clasificación. Lo anterior se debe a que no es
necesario tener un conocimiento previo de los datos o los sitios a clasificar. Los resultados de la
clasificación béntica en Banco Chinchorro se evaluaron de acuerdo a la calidad de segmentación,
visualmente con una clasificación hecha por Aguilar-Perera & Aguilar-Dávila (1993) y por los
datos batimétricos, que determinan en gran medida la ecología de los corales, tal como se expone
en los siguientes párrafos.
En la figura 4.15a se puede observar la imagen Landsat con corrección atmosférica en
combinación RGB (1,2.3) y en 15b la imagen resultante del índice invariante a la profundidad por
tipo de fondo, obtenido mediante el procesamiento de las bandas 1 y 2. En la parte inferior de la
figura 4.15 se incluyen y dos imágenes clasificadas mediante ISODATA, ambas con el mismo
tipo y numero de clases. En la figura 4.15c se presenta la clasificación efectuada sin la
implementación de la corrección por columna de agua es decir utilizando la imagen de 15a como
input y en 15d se incluye la clasificación efectuada tomando como base el índice invariante a la
profundidad (mostrado en la figura 4.15b), es decir considerando corrección de columna de agua.
Para identificar las categorías resultantes del proceso ISODATA se tomaron como base los
fondos bénticos de Banco Chinchorro definidos por Aguilar-Perera & Aguilar Dávila (1993). Es
posible observar (figura 4.15c) que la clasificación sin corrección de columna de agua produce
una mezcla sustancial de clases en toda la imagen, a diferencia de lo obtenido mediante la
clasificación aplicando la corrección por columna de agua (15d). De acuerdo con autores como
Aguilar-Perera y Aguilar Dávila (1993), Chávez e Hidalgo (1988) y Jordán (1979) la periferia del
CAPÍTULO 4
64
Banco Chinchorro está rodeada por un crecimiento coralino abundante en el margen oriental. De
esta manera se forma una barrera arrecifal que tiende a desaparecer a lo largo del margen
occidental donde el crecimiento coralino es semicontinuo y difuso. Esta distribución espacial de
los corales se puede apreciar claramente en los resultados de la clasificación con corrección de
columna de agua (figura 4.15d) a diferencia de la clasificación sin esta corrección (figura 4.15c).
Una característica ecológica conocida de los sistemas arrecifales es que la zonación de sus
fondos y sus dinámicas ecológicas están fuertemente influenciadas por la profundidad (Huston,
1985; Loya, 1972; Gonzáles et al., 2003). Los pastos constituyen un tipo de fondos bénticos que
se establece normalmente en zonas más someras. Estas observaciones y el uso de la batimetría
permiten corroborar la validez de la distribución espacial de pastos que se obtiene del proceso de
clasificación con corrección de columna de agua. Las zonas más someras se localizan en la parte
norte (1-2m) y en la parte centro con profundidades entre 3m y 4m, estas dos zonas
corresponden de manera más adecuada a la zona de pastos marinos generada en la imagen 15d a
diferencia de la imagen 15c; donde se puede observar que la clase pastos marinos se encuentra
distribuida en todo el banco. Adicionalmente, en 15c se observa una mezcla entre pastos
marinos y corales, resultado que no es justificable ya que los corales se desarrollan normalmente
en profundidades de entre 5m y 30m. Utilizando nuevamente el criterio de la profundidad para
definir la zonación es posible establecer que la clasificación con corrección por columna arroja
buenos resultados para identificar parches coralinos. Ya que estos se encuentran en profundidades
de entre 7m y 12m, tal como se puede apreciar en la figura 4.15d. Como observación general
podemos establecer que los resultados de la clasificación con corrección de columna de agua
genera datos que son consistentes con la teoría relativa a la influencia de la profundidad para
definir la zonación de los fondos bénticos, así como con observaciones de otros autores respecto
a la distribución espacial de los fondos marinos.
CAPÍTULO 4
65
Figura 4.15. a) Imagen Landsat 7-ETM+ RGB (1, 2, 3), b) imagen resultante del índice invariante a la
profundidad por tipo de fondo utilizando las bandas 1 y 2, y clasificación del fondo béntico en banco
chinchorro mediante ISODATA c) sin corrección de columna de agua y d) con corrección de columna de
agua.
CAPÍTULO 4
66
La Figura 4.16 muestra un zoom para facilitar el análisis visual de las diferencias entre las clases
obtenidas mediante ISODATA con la implementación de corrección por columna de agua y sin
ésta. En esta figura se puede apreciar que gracias a la corrección por columna de agua, las clases
están mejor definidas, evitando en medida de lo posible una mezcla entre ellas; causada por la
interferencia de la profundidad en la columna de agua. Al eliminar dicho problema el algoritmo
ISODATA selecciona y agrupa clusters de manera más certera. Con esta visualización,
nuevamente se confirma la conveniencia de efectuar procedimientos de corrección de columna de
agua para obtener mejores resultados de los procesos de clasificación de fondos bénticos.
Figura 4.16. Comparación entre a) Imagen Landsat 7-ETM+ RGB (1, 2, 3), b) del índice invariante a la
profundidad por tipo de fondo bandas 1/2, c) ISODATA sin corrección de columna de agua y c)
ISODATA con corrección de columna de agua.
CAPÍTULO 4
67
4.1.4 Clasificación por Campos Aleatorios de Markov (CAM) con corrección de columna de
agua
Es bien sabido que la definición de clases en hábitats sumergidos puede ser muy compleja,
debido a la heterogeneidad de las características estructurales de las comunidades, variables
medioambientales y a los componentes biológicos del agua que circunda el arrecife (Andréfouët
y Claereboudt, 2000). Como se había mencionado anteriormente, el objetivo de la corrección por
columna es eliminar las interferencias provocadas por la profundidad de la columna de agua, para
lograr una mejor clasificación de los fondos bénticos.
Los resultados obtenidos de la clasificación al aplicar CAM y corrección de columna de
agua mostraron que las propiedades y funciones de este algoritmo de clasificación permiten
capturar a nivel de pixel un nivel superior de organización, resaltando de manera visual los
diferentes fondos bénticos en Banco Chinchorro. Los parámetros necesarios para la segmentación
fueron en primera instancia definir las medias más representativas en la imagen basadas en el
número de clases, lo que se logró mediante una clasificación K mean no supervisada, el
parámetro de temperatura para el algoritmo de recocido por simulado fue de 35 y para
determinar el valor apropiado del parámetro beta, se obtuvo un valor de 0.1 con un número de
200 iteraciones por imagen; gracias a esto se obtienen clases más homogéneas y representativas
en función de la energía.
Para ilustrar el desempeño del modelo de CAM propuesto, el resultado de la imagen
segmentada se muestra en la Figura 4.16. Visualmente las clasificaciones con corrección de
columna de agua (16 b) generaron cierta efectividad debido a que se generaron clases más
homogéneas en comparación a la clasificación sin corrección de columna de agua (figura 4.16 c),
donde se podría inferir a una probable mezcla de clases. Al realizar la comparación entre la
imagen clasificada por CAM y la imagen original (figura 4.16a) (en un compuesto RGB color
verdadero) se denotan ciertos patrones estructurales que la clasificación sin corrección de
columna de agua logró definir, sobre todo en la zona sur del Banco Chinchorro.
CAPÍTULO 4
68
Figura 4.17. a) Imagen Landsat 7-ETM+ RGB (1, 2, 3), b) imagen resultante del del índice invariante a la
profundidad por tipo de fondo utilizando las bandas 1 y 2, y clasificación del fondo béntico en banco
chinchorro mediante MRF b) sin corrección de columna de agua y c) con corrección de columna de agua.
CAPÍTULO 4
69
En la figura 4.17 a se compara la imagen sin clasificar en un compuesto color verdadero RGB
(figura 4.17 a). En la misma figura también se muestran las imágenes clasificadas con corrección
de columna de agua (figura 4.17 b) y sin corrección de columna de agua (figura 4.17 c). La
finalidad de hacer esta comparación es para a apreciar que los CAM en base a las propiedades
condicionales de los pixeles cercanos detectan los bordes de las regiones más homogéneas
tratando de definir estructuras adecuadamente, de esta manera se eliminan los pixeles aislados en
la segmentación acercando, en la medida de lo posible, a la realidad de cada una de las clases en
el fondo béntico de Banco Chinchorro.
Para continuar con el patrón de análisis se realizó una comparación visual entre los puntos
de muestreo in situ con la imagen clasificada mediante CAM, el resultado de esta comparación
demostró que aún existen ciertas mezclas sobre todo entre la clase arena y pastos marinos, esto se
observó principalmente en la zona norte de Banco Chinchorro. De la misma forma, CAM no
logra definir estructuralmente la zona de pastos marinos, este tipo de ecosistemas normalmente se
localizan en las zonas más someras, en el caso de Banco Chinchorro la zona de pastos marinos se
delimita con mayor densidad en la parte central y norte. Es importante resaltar que en esta
comparación se observó que la clasificación por CAM delimita de forma adecuada la barrera
arrecifal que se localiza en la zona de barlovento (figura 4.17 b).
4.3 Comparación de los métodos de clasificación
La finalidad de realizar una comparación de la clasificación arrojada por CAM (figura 4.18 a),
fue en base a corroborar su efectividad contextual. Se decidió utilizar la clasificación por
ISODATA, ya que este algoritmo utiliza una combinación entre distancias euclidianas cuadradas
y la re-clasificación del centroide, por lo que pixeles con valores similares de brillo en la banda
espectral utilizada, se agrupan en diferentes clases (Call et ál. 2003). Las clases definidas para
ISODATA fueron exactamente las mismas que las utilizadas para CAM. Es importante
mencionar que en este estudio no se puede decidir estadísticamente que clasificación es mejor
debido a que no se realizó un estudio de validación. Sin embargo, se utilizó el análisis visual en
base a los datos en campo para generar una aproximación.
CAPÍTULO 4
70
Como se puede observar en la figura 4.18 b, la clasificación arrojada por ISODATA
tiende a generalizar las clases. De acuerdo a la comparación con los datos en campo existe una
mezcla sustancial en el caso de arenas y pastos marinos y entre corales y pastos. Las clases
localizadas en las zonas más profundas representan una característica de la efectividad de la
segmentación gracias a la corrección por columna de agua, debido a que son las clases que se
tienden a perder debido a confusiones espectrales, tal y como lo muestra la figura 4.18 b.
Figura 4.18. Comparación clasificaciones con corrección de columna de agua a) CAM y b) ISODATA.
Para fines prácticos la figura 4.19 muestra un acercamiento de las imágenes clasificadas por
ambos métodos y la arrojada por la corrección de columna de agua. Se puede apreciar que gracias
a la corrección por columna de agua, se eliminó uno de los principales problemas en la
segmentación de imágenes ecosistemas subacuáticos, causado por la interferencia de la
profundidad en la columna de agua. Al eliminar dicho problema el algoritmo iterativo permite
incorporar información de textura mejorando el resultado de la segmentación. En la misma
CAPÍTULO 4
71
imagen se pueden apreciar las diferencias de una manera más fina, por ejemplo los bordes de las
regiones en la clasificación por ISODATA no están definidos adecuadamente y existen pixeles
aislados en la segmentación; esto no ocurre con CAM.
Los resultados de la clasificación béntica en Banco Chinchorro se evaluaron de acuerdo a
la calidad de segmentación, visualmente con datos puntuales de los tipos de fondo (Carricart-
Ganivet 2002) y los datos batimétricos, que determinan en gran medida la ecología de los corales.
Figura 4.19. Comparación entre a) clasificación CAM y b) clasificación ISODATA.
Las clasificaciones de hábitats bentónicos sumergidos son de gran utilidad en un contexto de
planeación de manejo, ya que se debe de contar con el conocimiento de la cobertura geográfica
de los hábitats para identificar las áreas más representativas, evaluar patrones de diversidad y
concentración de hábitats. De la misma manera se pueden identificar que tanto se han perturbado
los ecosistemas frente a un impacto natural o antropogénico. Mediante esta realidad científica es
CAPÍTULO 4
72
que este estudio se enmarca en la Geomática, ya que esta disciplina logrará crear el vínculo entre
los problemas ambientales y los sociales (figura 4.20).
Por ejemplo a partir de las clasificaciones bénticas, se buscará relacionar la disminución
de la diversidad de especies (p.e. caracol rosado, langosta espinosa) y su impacto con las
pesquerías locales. Se puede conocer el estatus béntico de los ecosistemas arrecifales y detectar
los cambios sufridos a través del tiempo, con la finalidad de realizar predicciones a futuro y
generar conciencia de la velocidad de transformación negativa del entorno natural; que
disminuyen la resiliencia y adaptación de los hábitats a la regeneración.
Figura 4.20. Enfoque geomático para un monitoreo arrecifal
CAPÍTULO 4
73
Al enmarcar los resultados de estas clasificaciones en Geomática, es que se les aporta un sentido
a la gama de datos geoespaciales que se pueden utilizar en torno al conocimiento científico de los
arrecifes de coral, ya que no solo es generar una clasificación béntica o la generación de un
modelo de pérdida de biodiversidad biológica de los arrecifes de coral, la manera en que todos
estos datos se pueden visualizar y comunicar a la sociedad es el objetivo primordial. Es así que se
hace posible trascender de lo científico, para involucrar a la sociedad no como un elemento más
sino como actor importante (Tress y Tress 2002), causante en gran medida, de la degradación de
los ecosistemas arrecifales.
Con este tipo de investigación podemos dar respuesta a preguntas tales como ¿qué es
exactamente lo que estamos construyendo? O ¿cuál es nuestro propósito?; un intento más por
responder a la inquietud que alguna vez manifestara Albert Einstein relativa a “la perfección de
los medios y la confusión de los fines” (Wann, 1996); de esto se desprende la interacción entre
los factores naturales y antrópicos de la biosfera y la consiguiente incertidumbre acerca de la
naturaleza de su futuro. Lo que se intenta, es fijar de manera categórica los objetivos que estén
basados en procurar el vital equilibrio dinámico de la misma. Una vez garantizado este objetivo,
el resto de los propósitos necesariamente se harán y desharán sobre el constante curso del
devenir.
CAPÍTULO 5
74
CAPITULO 5. DISCUSIÓN
5.1 Ventajas de la corrección de la columna de agua
Con el estudio realizado se demostró que para la identificación de ecosistemas acuáticos
sumergidos es de vital importancia la aplicación de nuevas metodologías de percepción remota
para el pre-procesamiento de imágenes; ya que cuando se mapea o deriva información
cuantitativa de imágenes satelitales en ambientes acuáticos, la profundidad del agua causa
confusiones espectrales afectando significativamente las mediciones de hábitats sumergidos. La
corrección por columna minimiza este efecto, lo que permitió la discriminación en la
clasificación de los ecosistemas bénticos presentes en Banco Chinchorro y mostró mejoras sobre
todo en zonas donde la variación de la profundidad fue más representativa.
La corrección de columna de agua toma la mayor parte de información espectral sin tomar
en cuenta las características del agua que circunda al arrecife, de modo que transforma los valores
espectrales de un par de bandas en un índice invariante a la profundidad y debe aplicarse en aguas
relativamente claras (Aguas caso I) como las de Banco Chinchorro. Mediante este proceso se
minimizó el efecto de atenuación en la columna de agua, que es uno de los principales problemas
en la segmentación de imágenes para ecosistemas sumergidos.
5.2 Clasificación de las imágenes
Los métodos tradicionales de clasificación no supervisada como ISODATA sufren el problema
de la difícil detección de subclases, es decir este tipo de clasificadores hace muy complicada la
detección de pixeles entre clases muy próximas cuyas distribuciones comparten una zona de
solapamiento, en la clasificación de hábitats bentónicos en Banco Chinchorro, se pudo observar
que las clases con una menor concentración de pixeles fueron enmascaradas por las de mayor
cantidad. La razón podría ser que los métodos estándar como ISODATA utilizan técnicas de
centros de masa móviles para la localización de las clases, estas subclases resultan indetectables.
Todo lo contrario ocurre con los CAM, debido a que presenta una base matemática sólida basada
CAPÍTULO 5
75
en definición de las vecindades, definición de la distribución de probabilidad sobre una imagen,
inferencia bayesiana, y optimización basada en recocido simulado. Gracias a este modelo, la
clasificación intentó en medida de lo posible preservar las fronteras naturales de las clases en
Banco Chinchorro, acercándose más a la realidad, a diferencia de ISODATA; que se observó la
tendencia a alisar las transiciones entre las diferentes clases como son bordes, esto en la
definición de patrones en un arrecife coralino es crucial ya que la identificación de patrones
definidos no una tarea fácil. Aunado a esto la corrección por columna de agua permitió
incorporar información de textura mejorando el resultado de la segmentación.
Si bien la clasificación aquí presentada fue bastante general determinando únicamente 4
clases, los resultados que se presentan demuestran que las imágenes Landsat 7-ETM+ son
capaces de identificar diferentes clases en ambientes bentónicos sumergidos. Aunque la
clasificación arrojó resultados óptimos visualmente, la necesidad de incorporar una validación
estadística de los datos es inminente para conocer que tan exacta es la clasificación realizada con
respecto a la realidad.
Mediante este tipo de estudios es posible organizar, relacionar y manejar la información
proveniente de imágenes satelitales para poder plantear estrategias de conservación consensuada
de los recursos naturales dentro de políticas públicas ambientales integrales para una adecuada
resolución de problemas.
CAPÍTULO 6
76
CAPÍTULO 6. CONCLUSIÓN Y RECOMENDACIONES
CONCLUSION
Al conocer la actual tendencia de degradación de hábitats marinos, se vuelve indispensable la
búsqueda de nuevas metodologías aplicadas en el procesamiento de imágenes satelitales, que
generen nuevas y mejores clasificaciones de alta confiabilidad y nivel de detalle adecuado para
mapear estos ecosistemas. En general, los datos provenientes de sensores remotos son útiles en
el mapeo de hábitats arrecifales; en este estudio se concluye que la corrección por columna de
agua es un método de pre-procesamiento imprescindible en la cartografía de los ecosistemas
acuáticos sumergidos. Las clasificaciones obtenidas por CAM lograron determinar las diferentes
clases bentónicas presentes en Banco Chinchorro, de esta manera estos datos generan un punto de
partida para planificar un monitoreo arrecifal, cuyo propósito es generar métodos científicos de
conocimiento y de conciencia ambiental en la sociedad en la mitigación de la pérdida de arrecifes
por efecto del actual calentamiento global y otros impactos antropogénicos y naturales.
Los arrecifes coralinos de todo el mundo están siendo amenazados por una combinación
de impactos naturales y antropogénicos. Aunque los impactos naturales son intensos, existen
lapsos de tiempo intermedios que pueden contribuir a mantener la biodiversidad. Por el contrario
los impactos humanos, pueden parecer no tan intensos, porque en realidad no son tan perceptibles
a la vista; sin embargo son crónicos, desatan una serie de efectos negativos en cadena y no le dan
oportunidad a los ecosistemas de recuperarse y mantener su función y estructura características.
Es importante denotar que la trivialización del medio ambiente como un simple espacio
de gestión, en donde cualquier problema ambiental se puede superar mediante políticas
adecuadas, es lo que está llevando a los ecosistemas arrecifales a su pérdida irremediable. En este
punto es donde se tiende a olvidar la complejidad de los sistemas arrecifales; es importante
buscar la sostenibilidad ecológica como un sector más que el diseño de medidas correctivas, que
con el paso del tiempo será imposible corregir. Es por esto que el conocimiento del medio
ambiente debe sobrepasar meramente lo físico y biótico, involucrando además de lo social, lo
económico y político como universos interactuantes en un modelo de gestión. En este proceso es
CAPÍTULO 6
77
que la Geomática pone sobre la mesa las bases para lograr, en base al conocimiento científico,
medidas para el manejo sostenible de los recursos acuáticos. La finalidad es lograr una nueva
cultura en la que se construirán nuevos enfoques y nuevas estrategias de producción sostenible,
sustentable y participativa.
RECOMENDACIONES
La observación de los ecosistemas bénticos sumergidos mediante sensores remotos es un método
de gran importancia para monitorear su estado de salud. Es por esta razón que se busca probar
nuevos métodos de corrección de columna de agua, nuevas metodologías para la clasificación de
arrecifes de coral, sensores hiperespectrales, aplicar una metodología robusta para detectar los
cambios a través del tiempo y con todo esto, generar un planteamiento teórico-metodológico que
encauce la generación de un monitoreo arrecifal. La generación de estrategias de conservación
consensuada de los recursos naturales dentro de políticas públicas integrales es básica si se desea
una adecuada resolución de problemas, con esto se contribuiría a lo que Kuhn (2006), llama un
cambio de paradigma aplicada a la gestión ambiental, lo que contribuirá al país en su desarrollo y
a la conservación de sus ecosistemas arrecifales.
BIBLIOGRAFÍA
78
BIBLIOGRAFÍA
Aguilar-Perera, A. y Aguilar-Dávila, W., 1993, Banco Chinchorro: Arrecife Coralino en el
Caribe, en Biodiversidad Marina y Costera de México, Salazar-Vallejo, S. I. y González, N.
E., (Eds.) Com. Nal. Biodiversidad y CIQRO, México, p. 807-816.
Aktouf, O., 2001, Administración: Entre Tradición y Renovación. Cali: Artes Gráficas del Valle,
p. 336-337.
Andréfouët, S. y Riegl, B., 2004, Remote sensing: a key tool for interdisciplinary assessment of
coral reef precesses, Coral reef, 23, p. 1-4.
Andréfouët, S., P. Kramer, D. Torres-Pulliza, K. Joyce, E. Hochberg, R. Garza-Perez, P. Mumby,
B. Riegl, H. Yamano, W. White, M. Zubia, J. Brock, S. Phinn, A. Naseer, B. Hatcher y F.
Muller-Karger, 2003, Multi-site evaluation of IKONOS data for classification of tropical
coral reef environments. Remote sensing of environment, 88, p. 128-143.
Baker, A., P. Glynn y B. Riegl, 2008, Climate change and coral reef bleaching: An ecological
assessment of long-term impacts, recovery trends and future outlook. Estuarine, Coastal and
Shelf Science, 80, p. 435–471.
Benfield, S., H. Guzman. J. Mair y A. Young, 2007, Mapping the distribution of coral reefs and
associated sublittoral habitats in Pacific Panama: a comparison of optical satellite sensors
and classification methodologies. Internatinal Journal of remote sensing, 28(22), p. 5047-
5070.
Bermúdez de Castro J., B. Márquez, A. Mateos, M. Martinón-Torres y S. Sarmiento, 2004, Hijos
de un tiempo perdido: la búsqueda de nuestros orígenes. España, Ed. Crítica, 360 p.
Bongaerts, P., T. E. Ridgway, M. Sampayo, y O. Hoegh-Guldberg, 2010, Assessing the “deep
reef refugia” hypothesis: focus on Caribbean reefs, Coral Reefs, Heidelberg Springer Berlin,
29(2), p. 309-327.
Brock, J., K. Yates y R. Halley, 2006, Chapter 5 Integration of coral reef ecosystem process
studies and remote sensing, en Remote sensing of aquatic coastal ecosystem processes/
Richardson, L., L. LeDrew, F. Ellsworth (Eds.),The Netherlands, Springer, p.111-131.
Camarena-Luhrs, T., 2003, Ficha Informativa de los Humedales de Ramsar: Reserva de la
Biosfera Banco Chinchorro. Cancún, México.
Carricart-Ganivet J.P., E. Arias-González, G. García-Gil, G. Acosta-González, A. Beltrán-Torres,
J. Castro-Pérez, N. Membrillo-Venegas y J. Padilla-Saldívar, 2002, Manejo integral de
Banco Chinchorro: levantamiento geográfico y caracterización geomorfológica del arrecife,
con especial énfasis en las comunidades coralina e íctica. SISIERRA.
Doney, S., V. Fabry, R. Feely y J. Kleypas, 2009, Ocean Acidification: The Other CO2 Problem,
The Annual Review of Marine Science 1, p. 169–92.
Edwards A, 1999, Applications of Satellite and Airborne Image Data to Coastal Management,
Coastal region and small island papers 4, UNESCO, Paris, vi + 185 p.
BIBLIOGRAFÍA
79
Gamez, R., 2008, Biodiversidad, educación y una nueva ética ambiental. Revista posgrado y
sociedad, 8(1), p. 1-20.
Gomarasca, M. A., 2009, Basics of Geomatics. Springer, 698 p.
Goreau, T., J. Cervino, M. Goreau, R. Hayes, M. Hayes, L. Richardson, G. Smith, K. DeMeyer, I.
Nagelk, J. Garzon-Ferrara, D. Gil, G. Garrison, E. Williams, L. Bunkley-Williams, C.
Quirolo, K. Patterson, J. Porter y K. Porter, 1998, Rapid spread of diseases in Caribbean
coral reefs. Rev. Biol. Trop. 46, Supl. 5, p. 157-171.
Hedley, J. D., y Mumby, P. J., 2002, Biological and remote sensing perspectives on
pigmentation in coral reefs, Advances in Marine Biology, 43, p. 277-317.
Helge, J., B. Lindberg, O. Christensen, T. Lundälv, I. Svellingen, P. Mortensen y J. Alvsvag,
2005, Mapping of Lophelia reefs in Norway: experiences and survey methods, Cold-water
Corals and Ecosystems, Freiwald, A., (Ed.), Springer-Verlag p.359-391.
Holden, H. y LeDrew, E., 1998, Hyperespectral identification of coral reef features. International
Journal of Remote Sensing, 20(13), p. 2545-2563.
Hochberg, E., M.J. Atkinson, S. Andrefouet, 2003, Spectral reflectance of coral reef bottom
types worldwide and implications for coral reef remote sensing. Remote Sensing of
Environment, 85, p. 159-173.
INAH, 2009
http://dti.inah.gob.mx/index.php?option=com_content&task=view&id=164&Itemid=329
Visitado 30/09/2010
Jorgensen, P., 2008, Amenazas y esperanzas para los arrecifes de coral, Ecofronteras, p. 22-25.
Jordán, E. y Rodríguez-Martínez E, 1987, Chinchorro: morphology and composition of a
Caribbean atoll. Atoll Res Bull 310, p. 1–27.
Kirk, J.T.O., 1994, Light & photosynthesis in aquatic ecosystems (2nd edition). Cambridge
University Press, New York, 509 p.
Kleypas, J.A. y Langdon, C., 2006, Coral reefs and changing seawater chemistry, en Coral Reefs
and Climate Change: Science and Management, J.T. Phinney, O. Hoegh-Guldberg, J.
Kleypas, W. Skirving y A. Strong (Eds.), AGU Monograph Series, Coastal and Estuarine
Studies, Am. Geophys. Union, Washington DC, 61, p. 73-110.
Kleypas, J. A. y Yates, K., 2009, Coral reefs and ocean acidification, Journal of Oceanography,
22(4), p. 109-117.
Kolbert, E., 2009, ¿Sexta extinción? Política Exterior, 23(132), p. 109-120.
Krupa, S., 1999, Polución, población y plantas. Colegio de Postgraduados, México, 190 p.
Kuhn, T., 2006, La estructura de las revoluciones científicas. Fondo de cultura económica,
México, 360 p.
Leff, E., 2003, La complejidad ambiental, Siglo XXI editores, México, 314 p.
Leff, E., 2008, Discursos sustentables, Siglo XXI editores, México, 272 p.
BIBLIOGRAFÍA
80
Lewis, J.B., 1994. Coral Reef Ecosystems, en Longhurst, A. R. (Ed.) Analysis of Marine
Ecosystems, A.A. Balkema, p. 1-232.
Lyzenga, D. R., 1981, Remote sensing of bottom reflectance and water attenuation parameters in
shallow water using aircraft and Landsat data, International Journal of Remote Sensing, 2, p.
71–82.
Mannion, A., 1998, Global environmental change: the causes and consequences of disruption to
biogeochemical cycles, The Geographical Journal, 164 (2), p. 168-182.
Martin, S., 2004, An introduction to ocean remote sensing. Cambridge University Press, 411 p.
Martínez, E. y Reyes, C., 2006, Cybercartography and Society, Cybercartography: Theory and
Practice. Fraser Taylor (Ed.) Elsevier, p. 63-97.
Matteucci, S. D., 2006, Ecología de paisajes. ¿Qué es hoy en día? Revista Fronteras 5, p. 1-8.
Minghelli-Roman, A., L., Polidori, S., Mathieu-Blanc, L., Loubersac y F., Cauneau, 2007,
Bathymetric Estimation Using MeRIS Images in Coastal Sea waters, IEEE Geoscience and
Remote Sensing Letters, 4(2), p. 274-277.
Moberg, F. y Folke, C., 1999, Ecological goods and services of coral reef ecosystems, Ecological
Economics, 29(2), p. 215-233.
Molina, E., 2007, Causas de los principales eventos de extinción en los últimos 66 millones de
años. Rev. Real Academia de Ciencias. Zaragoza. 62, p. 37-64.
Muehllehner, N. y Edmunds, P., 2008, Effects of ocean acidification and increased temperature
on skeletal growth of two scleractinian corals, Pocillopora meandrina and Porites rus.
Proceedings of the 11th International Coral Reef Symposium, Ft. Lauderdale, Florida, p. 7-
11.
Mumby, P. J., 2006, Connectivity of reef fish between mangroves and coral reefs: algorithms for
the design of marine reserves at seascape scales. Biological Conservation, 128, p. 215-222.
Mumby PJ, J. D. Hedley, J. R. Chisholm, C. D. Clark y J. Jaubert, 2004, The cover of living and
dead corals using airborne remote sensing. Coral Reefs, 23, p. 171-183.
Mumby, P. y A. Edwards, 2002, Mapping marine environments with IKONOS imagery:
enhanced spatial resolution does deliver greater thematic accuracy. Remote Sensing of
Environment, 82, p. 248-257.
Mumby, P., J. Chisholm, J. Hedley, C. Clark y J. Jaubert, 2001, A bird’s-eye view of the health
of coral reefs. Nature, 413(6852), p. 36-37.
Mumby, P. J. y A. J. Edwards, 2000, Water column correction techniques, Remote sensing
handbook for tropical coastal management, Green, E., P. Mumby, A. Edwards y C. Clark,
(Eds.) UNESCO, p. 41-56.
Mumby PJ, Green EP, A. J., Edwards, Clark C., 1999, The cost-effectiveness of remote sensing
for tropical coastal resources assessment and management, Journal of Environmental
Management, 55, p. 157-166.
BIBLIOGRAFÍA
81
Mumby, P. J., C. D. Clark, E. P. Green y A. J. Edwards, 1998, The practical benefits of water
column correction and contextual editing for mapping coral reefs, International Journal of
Remote Sensing, 19, p. 203-210.
Mumby P. J., A. J. Edwards, E. P. Green, C. W. Anderson, A. C. Ellis, C. D., Clark, 1997, A
visual assessment technique for estimating seagrass standing crop, Aquatic Conservation:
marine and freshwater ecosystems, 7, p. 239-251.
Newman, C., E. LeDrew y A. Lim., 2006, Mapping of coral reef for management of marine
protected areas in developing nations using remote sensing, en Richardson, L. y LeDrew,
E., 2006, Remote sensing of aquatic coastal ecosystem processes. Ed. Springer, p. 251-278.
O’Neill, R., 1999, Recovery in complex ecosystems, Journal of Aquatic Ecosystem Stress and
Recovery, 6, p. 181–187.
O’Neill, R.V. y Reichle, D.E., 1980. Dimensions of ecosystem theory, en Forests: Fresh
Perspectives From Ecosystem Analysis, R.H. Waring (Ed.), The Fortieth Annual Biology
Colloquium. Oregon State University Press, Corvallis, p. 11–26.
Oberhuber, T., 2004, Camino de la sexta gran extinción. El ecologista N°41.
Paris, C.B. y Chérubin, L.M., 2008, River-reef connectivity in the Meso-American Region. Coral
Reefs, 27(4), p. 773-781.
Primack, R. y Ros, J., 2002, Introducción a la biología de la conservación. España, Ed. Ariel
Ciencia. 288 p.
Primack, R., R. Rozzi, P. Feinsiger, R. Dirzo y F. Massardo, 1998, Fundamentos de conservación
biológica. Fondo de cultura económica. México, 797 p.
Reforma, 2009
http://www.planetaazul.com.mx/www/2009/01/06/peligran-arrecifes-de-veracruz/
Visitado 30/10/2010
Reyes, C., 2006, Cybercartography from a Modeling Perspective, Cybercartography: Theory and
Practice, D.R. Fraser Taylor, (Ed.), Amsterdam, Elsevier, p. 63-97.
Reyes, C., Taylor, F., Martínez, E., López-Caloca, F., 2006, Geo-cybernetics: A new Avenue of
Research in Geomatics? Cartographica 41 (1), p. 7-20.
Richardson, L. L., 1997, Occurrence of the the black-band disease cyanobacterium on healthy
corals of the Florida Keys, Bulletin of Marine Science, 61, p. 485-490.
Richardson, L. L., 1998. Coral diseases: What is really known? Trends in Ecology and Evolution,
13, p. 438-443.
Richardson, L. y LeDrew, E., 2006, Remote sensing of aquatic coastal ecosystem processes. Ed.
Springer, Netherlands, 324 p.
Rivera, J.A., M. Prada y J. Arsenault, 2006, Detecting fish aggregations from reef habitats
mapped with high resolution side scan sonar imagery, Emerging technologies for reef
BIBLIOGRAFÍA
82
fisheries research and management NOAA Professional Paper NMFS 5 NOAA Seattle WA,
(Mcd), p. 88-104.
Robinson, J., S. Andréfouët y L. Burke, 2006, Data synthesis for coastal and coral reef ecosystem
management at regional and global scales, en Remote sensing of aquatic coastal ecosystem
processes, Richardson, L. y LeDrew, E., (Eds.), Springer, Netherlands, 324 p.
Robinson, I., 2004, Measuring the oceans from space: Principles and methods of satellite
oceanography. Springer-Praxis books in Geophysical sciences, 647 p.
Roth, S. y M. J. Black, 2009, Fields of experts, International Journal of Computer Vision, 82(2),
p. 205-229.
Ruiz-Zárate, M.A., Hernández-Arana, H.A. y Jorgensen, P., 2008, Relaciones arrecifales: idilios
y desventuras ecológicas. EcoFronteras, p. 34, 6-9.
Russell, B., 1967, The Impact of Science on Society, London, George Allen and Unwin Ltd.
Sheppard, C., D.J. Dixon, M. Gourlay, A. Sheppard, y R. Payet, 2005, Coral mortality increases
wave energy reaching shores protected by reef flats: examples from the Seychelles,
Estuarine, Coastal and Shelf Science, 64, p. 223–234.
Sobrino, J. A., A., Raissouni, N., Kerr, Y., Olioso, A., López-García, M.J., Belaid, A., E.,
Kharraz, M.H., Cuenca y J., Demmpere, 2000, Teledetección. Sobrino, J. A. (Ed.), Servicio
de Publicaiones, Universidad de Valencia, Valencia, España, 467 p.
Soto, I., S. Andréfouët, C. Hu, F. E. Muller-Karger, C. C. Wall, J. Sheng y B. G. Hatcher, 2009,
Physical connectivity in the Mesoamerican Barrier Reef System inferred from 9 years of
ocean color observations, Coral Reefs, 28(2), p. 415-425.
Tress, B. y Tress, G., 2002, Disciplinary and meta-disciplinary approaches in landscape ecology,
en Development and perspectives of landscape ecology, O. Bastian y U. Steinhardt, (Eds.),
Kluwer Academic Press, Dordrecht, p. 25-37.
Twardowski, M. S., M. R. Lewis, A. H. Barnard y J. R. V. Zaneveld, 2005, In-water
instrumentation and platforms for ocean color remote sensing applications en Remote
sensing of coastal aquatic environments: Technologies, Techniques and Applications,
Miller, R. L., C. E. Del Castillo y B. A. Mckee (Eds.), Springer, p. 356.
Vanderstraete T, R. Goossens y T. K. Ghabour, 2003, Bathymetric mapping of coral reefs in the
Red Sea (Hurghada, Egypt) using Landsat7 ETM+ data. Belgeo, 3, p. 257-267.
Victorov, S., 1996, Regional Satellite Oceanography. Taylor&Francis, 277 p.
Vila, S. J., Varga, L.D., Llausàs, P. A. y Ribas, P. A., 2006, Conceptos y métodos fundamentales
en ecología del paisaje. Doc. Anàl. Geogr. 48, p. 151-166.
Wann, D., 1996, Deep Design. Island Press. Washington D. C, EEUU, 216 p.
Wilkinson, C., 2002, Status of coral reefs of the world: 2002, Coral Reefs, 378 p.
BIBLIOGRAFÍA
83
Xin, Y., J. Li y Q. Cheng, 2007, Automatic Generation of Remote Sensing Image Mosaics for
Mapping Large Natural Hazards Areas, en Geomatics solutions for disaster management,
Li, J., Zlatanova, S. y Fabbri, A. (Eds.), Springer, 451 p.
Yang, X., M. C. J. Damen, and R. Zuidam, 1999, Use of thematic mapper imagery and a
geographic information system for geomorphologic mapping in a large deltaic lowland
environment, International Journal of Remote Sensing, 20(4), p. 568–591.
ANEXO 1
84
Anexo I
AML Corrección por columna de Agua
/*--------------------------------------------------------------------------
/* Nombre: CorrColum.AML
/* Propósito: Implementación Correccion por columna de Agua
/* Autor: Omar Tapia, Ameris Contreras
/*--------------------------------------------------------------------------
&args sensor num1abanda num2abanda coefatt b1 b2 valmin mask
&if [null %coefatt%] &then &goto usage
&if [null %sensor%] &then &goto usage
&if [null %b1%] &then &goto usage
&if [null %b2%] &then &goto usage
&if [null %num1abanda%] &then &goto usage
&if [null %num2abanda%] &then &goto usage
&if [null %valmin%] &then &goto usage
&if [null %mask%] &then &goto usage
&if ^ [exists %b1% -grid] &then
&return *** Grid %b1% not found
&if ^ [exists %mask% -grid] &then
&return *** Grid %mask% not found
ANEXO 1
85
&if ^ [exists %b2% -grid] &then
&return *** Grid %b2% not found
&if [exists iiv%sensor%%num1abanda%%num2abanda% -grid] &then
Kill iiv%sensor%%num1abanda%%num2abanda% all
if (isnull(%mask%)) iivprev = ln(%b1%) - (%coefatt% * ln(%b2%))
docell
if (iivprev < 0)
iiv%sensor%%num1abanda%%num2abanda% = %valmin%
else
iiv%sensor%%num1abanda%%num2abanda% = iivprev
endif
end
kill iivprev all
&type Ejecución Exitosa!!!
&label usage
&type Usage: CorColum <sensor> <num1abanda> <num2abanda> <coefatt> <b1> <b2>
&TYPE Ejemplo &r CorrColum l7 1 2 0.99430621 L720000125C1 L720000125C2 0.01
islas
&type sensor:sensor correspondiente por ejemplo en caso de landsat 7 poner L7
&type coefatt:cociente del coeficiente de atenuación de dos bandas
ANEXO 1
86
&type b1 y b2: son los grids de las bandas a procesar
&type num1abanda y num2abanda: son los números de las bandas del sensor correspondiente
&type valmin: es el valor mínimo en el caso de valores negativos del indice invariente a la
profundidad (iiv), depende de la escala se puede proponer un default de 0.01
&type mask: es el grid de áreas emergidas
&return
ANEXO 2
87
Anexo II
AML Procesamiento de imágenes por Campos Aleatorios de Markov
% PROCESAMIENTO DE IMAGENES POR CAMPOS DE MARKOV
% PROYECTO FINAL
% Ing. Alejandra López Caloca
clear all
REN=780;
COL=1456;
% betas
beta1=input('Teclear el valor de beta: ');
beta=[beta1 beta1 beta1; beta1 0 beta1; beta1 beta1 beta1];
% Tempèratura inicial
Temp=input('Teclear el valor de la temperatura: ');
% Clases
clase=5; % input('Teclear el numero de clases a emplear: ');
factor=floor(256/clase);
% Numero de iteraciones
Itera=input('Teclear el numero de iteraciones: ');
%img=imread('C:\Ameris\Geoespacial\Salwcc\1986rescal.raw');
%fid = fopen('C:\Ameris\Geoespacial\Salwcc\1998\1998rescal.raw','r'); % Obtengo la imagen.
fid = fopen('C:\AMERISPRUEBAS\WCC\nuev\p23resc.raw','r'); % Obtengo la imagen.
imag=fread(fid,[REN,COL]);
fclose(fid);
figure;
%imag2=imag';
colormap(gray(256)) % Color en niveles de gris
image(imag)
axis equal %iguala dimension de ejes
axis off %quita ejes de coordenadas
title('prueba 1');
ANEXO 2
88
% Obtencion de la imagen de clases aleatoria
inicio = UNIDRND(clase,REN,COL);
Y=inicio; % imagen aleatoria de clases
inicio=inicio*factor; % imagen aleatoria
figure,colormap(gray(256)) % Color en niveles de gris
image(inicio)
axis equal %iguala dimension de ejes
axis off %quita ejes de coordenadas
title('aleatoria 1');
Ieleccion=Y*factor;
%%%%%%%% matriz de medias
m0=30;
m1=65;
m2=110;
m3=182;
m4=192;
m(1,1)=m0;
m(1,2)=m1;
m(1,3)=m2;
m(1,4)=m3;
m(1,5)=m4;
%%%%%%%%%%% Calculo de a y b
for i=1:4;
A(i,1)=round(m(1,i)+[(m(1,i+1)-m(1,i))/4]);
A(i,2)=round(A(i,1)+[(m(1,i+1)-m(1,i))/2]);
end
a0=A(1,1);
b0=A(1,2);
a1=A(2,1);
b1=A(2,2);
a2=A(3,1);
b2=A(3,2);
a3=A(4,1);
ANEXO 2
89
b3=A(4,2);
W=ones(clase,256);
%%%%%%%%%%%%%%%%%%% Calculo de la matriz de energía para cada clase Wi
% W0
for j=1:256
x(j,1)=j;
end
W(1,1:a0)=0;
for i=a0:b0
pend1=(1/(b0-a0));
W(1,i)=(-pend1)*(a0-i);
end
for i=2:(clase - 1);
W(i,A(i-1,2):A(i,1))=0;
for k=A(i-1,1):A(i-1,2)
pend=(-1/(A(i-1,2)-A(i-1,1)));
W(i,k)=-pend*(A(i-1,2)-k);
end
for l=A(i,1):A(i,2)
pend2=(1/(A(i,2)-A(i,1)));
W(i,l)=(-pend2)*(A(i,1)-l);
end
end
W(clase,b2:256)=0;
for i=3:(clase - 1);
W(i,A(i-1,2):A(i,1))=0;
for k=A(i-1,1):A(i-1,2)
pend=(-1/(A(i-1,2)-A(i-1,1)));
W(i,k)=-pend*(A(i-1,2)-k);
end
for l=A(i,1):A(i,2)
pend3=(1/(A(i,2)-A(i,1)));
W(i,l)=(-pend3)*(A(i,1)-l);
end
end
ANEXO 2
90
W(clase,b3:256)=0;
for i=a3:b3
pend6=(-1/(b3-a3));
W(clase,i)=[-pend6*(b3-i)];
end
% imagen de clases original
for r=1:REN
for c=1:COL
p=imag(r,c);
if p==0
p=1;
end
n1=W(1,p);
n2=W(2,p);
n3=W(3,p);
n4=W(4,p);
n5=W(5,p);
if p>=b0
if p>=b1
if p>=b2
if p>=b3
Imgclas(r,c)=5;
elseif n5>=n4
Imgclas(r,c)=4;
else
Imgclas(r,c)=5;
end
elseif n4>=n3
Imgclas(r,c)=3;
else
Imgclas(r,c)=4;
end
elseif n3>=n2
Imgclas(r,c)=2;
else
Imgclas(r,c)=3;
end
ANEXO 2
91
elseif n2>=n1
Imgclas(r,c)=1;
else
Imgclas(r,c)=2;
end
end
end
X=Imgclas;
Y1=Y;
for K=1:Itera
K
%Barrido de la imagen
for i=2:(REN-1)
for j=2:(COL-1)
prob_actual=0;
prob_eleccion=0;
vecindad=X(i-1:i+1,j-1:j+1); % imagen original
%site=X(i,j);
%calcular la energia U(X)
actual=X(i,j); % clase actual imagen original de clases
eleccion = Y(i,j); % Clase de la imagen Y imagen aleatoria
%calculo de la energia (criterio de Metropolis)
igualac=(vecindad==actual);
igualel=(vecindad==eleccion);
[reac,coac,queac]=find(igualac);
[reel,coel,queel]=find(igualel);
[m1,m2]=size(queac);
for ii=1:m1
prob_actual=prob_actual-beta(reac(ii),coac(ii));
end
[m11,m22]=size(queel);
for jj=1:m11
prob_eleccion=prob_eleccion-beta(reel(jj),coel(jj));
end
%fin de calculo de energia
% Calculo de la variación de enrgía
rac=actual; % clase del pixel
cac=imag(i,j); % valor del pixel en gris
if cac==0
cac=1;
end
ANEXO 2
92
pot_act=W(rac,cac);
prob_actual=prob_actual + pot_act;
rel=eleccion;
cel=Ieleccion(i,j);
if cel==0;
cel=1;
end
pot_elec=W(rel,cel);
prob_eleccion=prob_eleccion + pot_elec;
% decision de la clase
if prob_eleccion<=prob_actual
Y1(i,j)=eleccion;
else
p=exp(-((prob_eleccion-prob_actual)/Temp));
va=rand(1);
if va<p
Y1(i,j)=eleccion;
else
Y1(i,j)=actual;
end
end
end
end
Temp=Temp*0.95;
if K==55
final55=Y1*factor;
final551=final55';
figure,colormap(gray(256)) % Color en niveles de gris
image(final551)
axis equal %iguala dimension de ejes
axis off %quita ejes de coordenadas
title('55')
final551=final55';
fid = fopen('C:\AMERISPRUEBAS\WCC\nuev\200055.tif','w+'); %crea un archivo para escribir
count = fwrite(fid,final551,'uchar');
fclose(fid);
ANEXO 2
93
end
if K==65
final65=Y1*factor;
final651=final65';
figure,colormap(gray(256)) % Color en niveles de gris
image(final651)
axis equal %iguala dimension de ejes
axis off %quita ejes de coordenadas
title('65')
final651=final65';
fid = fopen('C:\AMERISPRUEBAS\WCC\nuev\200065.tif','w+'); %crea un archivo para escribir
count = fwrite(fid,final651,'uchar');
fclose(fid);
end
if K==70
final70=Y1*factor;
final701=final70';
figure,colormap(gray(256)) % Color en niveles de gris
image(final701)
axis equal %iguala dimension de ejes
axis off %quita ejes de coordenadas
title('70')
final701=final70';
fid = fopen('C:\AMERISPRUEBAS\WCC\nuev\200070.tif','w+'); %crea un archivo para escribir
count = fwrite(fid,final701,'uchar');
fclose(fid);
end
if K==75
final75=Y1*factor;
final751=final75';
figure,colormap(gray(256)) % Color en niveles de gris
image(final751)
axis equal %iguala dimension de ejes
axis off %quita ejes de coordenadas
title('75')
final751=final75';
fid = fopen('C:\AMERISPRUEBAS\WCC\nuev\200075.tif','w+'); %crea un archivo para escribir
count = fwrite(fid,final751,'uchar');
fclose(fid)
ANEXO 2
94
end
if K==85
final85=Y1*factor;
final851=final85';
figure,colormap(gray(256)) % Color en niveles de gris
image(final851)
axis equal %iguala dimension de ejes
axis off %quita ejes de coordenadas
title('85')
final851=final85';
fid = fopen('C:\AMERISPRUEBAS\WCC\nuev\200085.tif','w+'); %crea un archivo para escribir
count = fwrite(fid,final851,'uchar');
fclose(fid);
end
if K==90
final90=Y1*factor;
final901=final90';
figure,colormap(gray(256)) % Color en niveles de gris
image(final901)
axis equal %iguala dimension de ejes
axis off %quita ejes de coordenadas
title('90')
final901=final90';
fid = fopen('C:\AMERISPRUEBAS\WCC\nuev\200090.tif','w+'); %crea un archivo para escribir
count = fwrite(fid,final901,'uchar');
fclose(fid)
end
if K==95
final95=Y1*factor;
final951=final95';
figure,colormap(gray(256)) % Color en niveles de gris
image(final951)
axis equal %iguala dimension de ejes
axis off %quita ejes de coordenadas
title('95')
final951=final95';
fid = fopen('C:\AMERISPRUEBAS\WCC\nuev\200095.tif','w+'); %crea un archivo para escribir
count = fwrite(fid,final951,'uchar');
ANEXO 2
95
fclose(fid)
end
if K==99
final99=Y1*factor;
final991=final99';
figure,colormap(gray(256)) % Color en niveles de gris
image(final991)
axis equal %iguala dimension de ejes
axis off %quita ejes de coordenadas
title('99')
final991=final99';
fid = fopen('C:\AMERISPRUEBAS\WCC\nuev\200099.tif','w+'); %crea un archivo para escribir
count = fwrite(fid,final991,'uchar');
fclose(fid);
end
end
final=Y1*factor;
finalx=final';
figure,colormap(gray(256)) % Color en niveles de gris
image(finalx)
axis equal %iguala dimension de ejes
axis off %quita ejes de coordenadas
title('final')
finalx=final';
fid = fopen('C:\AMERISPRUEBAS\WCC\nuev\2000res1.tif','w+'); %crea un archivo para escribir
count = fwrite(fid,finalx,'uchar');
fclose(fid);