I. INTRODUCCIÓN

El objetivo central de este estudio es explorar la sinergia entre el NDVI y el MVI para lograr una evaluación más precisa de la salud y extensión de los manglares en la región sureste. A través del análisis de datos satelitales Landsat 8 OLI, se busca determinar si esta combinación de índices proporciona resultados más fiables y detallados en comparación con el uso individual de estos índices.

II. MATERIALES Y METODOS

A. ZONA DE ESTUDIO

El municipio de Paraíso se ubica en la región del río Grijalva, en la subregión conocida como Chontalpa, en el estado de Tabasco. Debido a su ubicación geográfica en el mapa de México, se halla entre las coordenadas 18° 24’ 00” de latitud norte y 93° 13’ 59” de longitud oeste. Es relevante mencionar que, debido a las diferentes elevaciones presentes en este municipio, su altitud promedio se sitúa a unos 10 metros sobre el nivel del mar (msnm). Posee una extensión territorial de aproximadamente 377.55 kilómetros cuadrados.

B. DATOS SATELITALES

En primer lugar, se llevó a cabo una búsqueda de datos satelitales, principalmente durante la temporada de secas, con el propósito de obtener información relevante para estimar la salud de la vegetación. Se exploraron las opciones de Sentinel-2 y Landsat 8, siendo este último el que arrojó resultados satisfactorios y se descargaron los datos desde la plataforma proporcionada por la NASA en Earth Explorer-USGS. El instrumento OLI de Landsat 8 mide en las partes del espectro correspondientes a la luz visible, el infrarrojo cercano y el infrarrojo de onda corta (VNIR, NIR y SWIR). Para este estudio, se utilizarán imágenes de Landsat 8 con una resolución espacial de 30 metros.

III. ÍNDICES ESPECTRALES PARA EL MONITOREO DE MANGLARES

A. NDVI (Índice de Vegetación de Diferencia Normalizada)

El NDVI, o Índice de Vegetación de Diferencia Normalizada, constituye un indicador sencillo de la biomasa fotosintéticamente activa, es decir, una medida de la salud de la vegetación [3]. El NDVI facilita la diferenciación entre la vegetación y otros tipos de cobertura del suelo, como elementos artificiales, al mismo tiempo que permite determinar el estado general de la vegetación. Asimismo, posibilita la delimitación y representación cartográfica de áreas con vegetación y la detección de alteraciones inusuales en el proceso de crecimiento. Esta relación se expresa mediante la ecuación 1:

NDVI = (b5-b4)/(b5+b4)

Donde b5 (NIR) hace referencia a la luz infrarroja cercana, y b4 (RED) corresponde a la luz roja visible. Los resultados de este cálculo oscilan entre -1 y 1. Los valores negativos se relacionan con áreas que presentan superficies acuáticas, estructuras artificiales, rocas, nubes o nieve. El suelo desnudo generalmente se encuentra en el intervalo de 0.1 a 0.2. Por su parte, las plantas siempre exhiben valores positivos, variando entre 0.2 y 1. En el caso de un dosel de vegetación saludable y denso, se espera que el NDVI supere el valor de 0.5, mientras que la vegetación dispersa tiende a ubicarse en el rango de 0.2 a 0.5. No obstante, estas cifras representan pautas generales, y su interpretación precisa requiere considerar factores como la estación del año, el tipo de planta y las particularidades regionales [7].

En la mayoría de los casos, los valores de NDVI comprendidos entre 0.2 y 0.4 indican áreas con vegetación escasa, mientras que la vegetación moderada tiende a oscilar entre 0.4 y 0.6. Valores superiores a 0.6 sugieren la máxima densidad de hojas verdes posible [8].

B. NDWI

C. MNDWI

D. MMRI

E. CMRI

F. MVI

setwd("D:/erosioncostera/landsat/2017")

# Carga las imágenes de las bandas 2017
#b2_2017 <- raster("D:/erosioncostera/landsat/2017/b2_2017.tif")
b5_2017 <- raster("D:/erosioncostera/landsat/2017/b5_2017.tif")
b4_2017 <- raster("D:/erosioncostera/landsat/2017/b4_2017.tif")
b3_2017 <- raster("D:/erosioncostera/landsat/2017/b3_2017.tif")
b6_2017 <- raster("D:/erosioncostera/landsat/2017/b6_2017.tif")

Vamos a aplicar el NDVI y el MVI

Tenemos las bandas NIR y RED cargadas como objetos raster en R para el NDVI.

Las cuales son la “b5_2017” y “b4_2017”.

ndvi2017 <- (b5_2017 - b4_2017) / (b5_2017 + b4_2017)

hist(ndvi2017, main="Histograma NDVI 2017", xlab="NDVI", ylab="Frecuencia")

plot(ndvi2017, main = "Landsat 8 2017 - NDVI",
     ylab = "Frecuencia", xlab="NDVI")

Tenemos las bandas NIR, GREEN y SWIR1 cargadas como objetos raster en R para el MVI.

Las cuales son la “b5_2017”, “b6_2017,”b3_2017”.

mvi2017 <- (b5_2017 - b3_2017) / (b6_2017 + b3_2017)

hist(mvi2017, main="Histograma MVI 2017", xlab="MVI", ylab="Frecuencia")

plot(mvi2017, main = "Landsat 8 2017 - MVI",
     ylab = "Frecuencia", xlab="MVI")

Análisis de umbrales

# ANALISIS DE UMBRAL NDVI 2017
veg <- reclassify(ndvi2017, cbind(-Inf,0.4, NA))
plot(veg, main="Vegetación NDVI 2017 < 0.4",
     ylab = "Frecuencia", xlab="NDVI")

hist(veg,main = "Histograma de NDVI 2017 < 0.4 ", # Frecuencia
     ylab = "Frecuencia", col="bisque2", xlab="NDVI" )

# ANALISIS DE UMBRAL MVI 2017
veg_mvi <- reclassify(mvi2017, cbind(-Inf,0.4, NA))
plot(veg_mvi, main="Vegetación MVI 2017 < 0.4",
     ylab = "Frecuencia", xlab="MVI")

hist(veg_mvi,main = "Histograma de MVI 2017 < 0.4 ", # Frecuencia
     ylab = "Frecuencia", col="bisque2", xlab="MVI" )

El coeficiente de correlación de Pearson (\(r\)) se calcula mediante la fórmula:

\[ r = \frac{\sum{(X_i - \bar{X})(Y_i - \bar{Y})}}{\sqrt{\sum{(X_i - \bar{X})^2} \sum{(Y_i - \bar{Y})^2}}} \]

Donde \(X_i\) y \(Y_i\) son los valores individuales de las dos variables, y \(\bar{X}\) y \(\bar{Y}\) son las medias de las dos variables, respectivamente.

# Extraer los valores de NDVI y MVI
ndvi_values <- values(ndvi2017)
mvi_values <- values(mvi2017)

# Eliminar los valores faltantes (NA) de ambos conjuntos de datos
ndvi_values <- ndvi_values[!is.na(ndvi_values)]
mvi_values <- mvi_values[!is.na(mvi_values)]

# Calcular el coeficiente de correlación entre los datos sin valores faltantes
correlation <- cor(ndvi_values, mvi_values)

# Imprimir el resultado
print(paste("Coeficiente de correlación entre NDVI y MVI:", correlation))
## [1] "Coeficiente de correlación entre NDVI y MVI: 0.992183460252194"