DOI:
https://doi.org/10.14483/2256201X.22720Publicado:
01-07-2025Número:
Vol. 28 Núm. 2 (2025): Julio-diciembreSección:
Artículos de investigación científica y tecnológicaEvaluación del estado de la vegetación en el CEIPA mediante teledetección
Evaluating the State of the Vegetation in the CEIPA via Remote Sensing
Palabras clave:
spectral analysis, ecological conservation, phenology, territorial management, environmental monitoring, remote sensing (en).Palabras clave:
análisis espectral, conservación ecológica, fenología, gestión territorial, monitoreo ambiental, teledetección (es).Descargas
Resumen (es)
Mediante teledetección avanzada, se realizó una evaluación exhaustiva de la vegetación en el Centro Experimental de Investigación y Producción Amazónica (CEIPA) de la Universidad Estatal Amazónica. Se analizaron imágenes satelitales de 2023 del proyecto Landsat 9, con énfasis en las bandas espectrales del rojo y el infrarrojo cercano para calcular el índice de vegetación de diferencia normalizada. Este índice proporcionó información detallada sobre la salud y el tipo de vegetación en la zona de estudio. Los resultados indicaron que más del 90 % de la superficie del CEIPA presenta vegetación de mediana a alta densidad, lo que sugiere un estado saludable. Estos hallazgos son cruciales para la toma de decisiones, el manejo territorial y la conservación ambiental en el ámbito académico y la gestión del medio ambiente.
Resumen (en)
Using advanced remote sensing, a comprehensive evaluation of the vegetation at the Amazonian Center for Experimental Research and Production (CEIPA) of Universidad Estatal Amazónica was conducted. Landsat 9 satellite images from 2023 were analyzed, focusing on the red and near-infrared spectral bands in order to calculate the normalized difference vegetation index. This index provided detailed information on vegetation health and type in the study area. The results indicated that over 90% of the CEIPA's surface exhibits medium to high-density vegetation, suggesting a healthy state. These findings are crucial for decision-making, land management, and environmental conservation in the academic sphere and in environmental management.
Referencias
Akbar, M. R., Arisanto, P. A. A., Sukirno, B. A., Merdeka, P. H., Priadhi, M. M., & Zallesa, S. (2020). Mangrove vegetation health index analysis by implementing NDVI (normalized difference vegetation index) classification method on sentinel-2 image data case study: Segara Anakan, Kabupaten Cilacap. IOP Conference Series: Earth and Environmental Science, 584(1), 012069. https://doi.org/10.1088/1755-1315/584/1/012069
Ávila-Pérez, I. D., Ortiz-Malavasi, E., Soto-Montoya, C., Vargas-Solano, Y., Aguilar-Arias, H., & Miller-Granados, C. (2020). Evaluation of four classification algorithms of landsat-8 and sentinel-2 satellite images to identify forest cover in highly fragmented regions in Costa Rica. Revista de Teledetección, 2020(57), 37-49. https://doi.org/10.4995/raet.2020.13340
Brovelli, M. A., Sun, Y., & Yordanov, V. (2020). Monitoring forest change in the Amazon using multi-temporal remote sensing data and machine learning classification on Google Earth Engine. ISPRS International Journal of Geo-Information 2020, 9(10), 580. https://doi.org/10.3390/IJGI9100580
Carrera Molina, L. M. (2020). Análisis de los NDVI para determinar situaciones de estrés en el cultivo de maíz en la parroquia Aláquez 2020. Universidad Técnica de Cotopaxi.
Carvalho, S., Oliveira, A., Pedersen, J. S., Manhice, H., Lisboa, F., Norguet, J., de Wit, F., & Santos, F. D. (2020). A changing Amazon rainforest: Historical trends and future projections under post-Paris climate scenarios. Global and Planetary Change, 195, 103328. https://doi.org/10.1016/J.GLOPLACHA.2020.103328
Ceroni, M., Achkar, M., Gazzano, I., & Burgeño, J. (2015). Study of the NDVI with multi-scale and time-series analysis using SPOT imagery during the period 1998-2012 in Uruguay. Revista de Teledetección, 2015(43), 31-42. https://doi.org/10.4995/raet.2015.3683
de la Casa, A., & Ovando, G. (2007). Normalized difference vegetation index (NDVI) and phenological data integration to estimate county yield of corn in Córdoba, Argentina. Agricultura Técnica, 67(4), 362-371.
Eid, A. N. M., Olatubara, C. O., Ewemoje, T. A., Farouk, H., & El-Hennawy, M. T. (2020). Coastal wetland vegetation features and digital change detection mapping based on remotely sensed imagery: El-Burullus Lake, Egypt. International Soil and Water Conservation Research, 8(1), 66-79. https://doi.org/10.1016/j.iswcr.2020.01.004
Farbo, A., Sarvia, F., De Petris, S., Basile, V., & Borgogno-Mondino, E. (2024). Forecasting corn NDVI through AI-based approaches using sentinel 2 image time series. ISPRS Journal of Photogrammetry and Remote Sensing, 211, 244-261. https://doi.org/10.1016/j.isprsjprs.2024.04.011
Flores, N., Castro, I., & Aponte, H. (2020). Evaluation of the vegetation units in Los Pantanos De Villa (Lima, Peru) using geographical information systems and teledetection. Arnaldoa, 27(1), 303-322. https://doi.org/10.22497/arnaldoa.271.27119
Gonzaga, C. (2015). Application of vegetation index derived from satellite imagery analysis vegetation coverage in the province of Loja, Ecuador. CEDAMAZ, 5(1), 30-41. https://revistas.unl.edu.ec/index.php/cedamaz/article/view/43/41
Grefa, R., Guerrero, E., González-Rivera, V., & Encalada, M. (2024). Evaluación de la implementación del Sendero Interpretativo con Enfoque Educativo del Centro Experimental de Investigación y Producción Amazónica “CEIPA” de la Universidad Estatal Amazónica. Ciencia Latina: Revista Multidisciplinar, 8(2), 4064-4080. https://doi.org/10.37811/cl_rcm.v8i2.10820
Guzmán-Álvarez, J. A., González-Zuñiga, M., Sandoval Fernandez, J. A., & Calvo-Alvarado, J. C. (2022). Uso de sensores remotos en la agricultura: aplicaciones en el cultivo del banano. Agronomía Mesoamericana, 33(33), 48279. https://doi.org/10.15517/am.v33i3.48279
Hernández-Clemente, R., & Hornero, A. (2021). Monitoring and assessment of desertification using remote sensing. Ecosistemas, 30(3), 2240. https://doi.org/10.7818/ECOS.2240
Huang, S., Tang, L., Hupy, J. P., Wang, Y., & Shao, G. (2021). A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing. Journal of Forestry Research, 32, 1-6. https://doi.org/10.1007/s11676-020-01155-1
Huete, A., Didan, K., Miura, T., Rodríguez, E. P., Gao, X., & Ferreira, L. G. (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83(1-2), 195-213. https://doi.org/10.1016/S0034-4257(02)00096-2
Jiang, L., Liu, Y., Wu, S., & Yang, C. (2021). Analyzing ecological environment change and associated driving factors in China based on NDVI time series data. Ecological Indicators, 129, 107933. https://doi.org/10.1016/j.ecolind.2021.107933
Łochowski, P., Ciężkowski, W., & Chormański, J. (2024). Green tracks in urban landscapes: Optimizing vegetation health assessment with UAS NDVI [Artículo de conferencia]. IGARSS 2024 - 2024 IEEE International Geoscience and Remote Sensing Symposium, Athens, Greece. https://doi.org/10.1109/IGARSS53475.2024.10641824
López-Tobar, R., Herrera-Feijoo, R. J., García-Robredo, F., Mateo, R. G., & Torres, B. (2024). Timber harvesting and conservation status of forest species in the Ecuadorian Amazon. Frontiers in Forests and Global Change, 7, 1389852. https://doi.org/10.3389/FFGC.2024.1389852
Mohanasundaram, S., Baghel, T., Thakur, V., Udmale, P., & Shrestha, S. (2022). Reconstructing NDVI and land surface temperature for cloud cover pixels of Landsat-8 images for assessing vegetation health index in the Northeast region of Thailand. Environmental Monitoring and Assessment, 1, 1-34. https://doi.org/10.1007/S10661-022-10802-5
Morán, P., Navalpotro, M., Cabrera-Torres, F., & Cabrera, C. (2025). Generación de un modelo óptimo para evaluar la productividad y el rendimiento de viñedos. Caso de estudio: Bodegas Viña Arnaiz. Revista de Teledetección, 66, 1-16. https://doi.org/10.4995/raet.2025.22832
Patiño, J., Lozano C., P., Tipán, C., Navarrete, H., López, R., Asanza, M., & Torres, B. (2015). Composición florística y estructura de un bosque siempreverde piemontano de 600 a 700 m s.n.m. en la cuenca del río Piatúa, Napo, Ecuador. Revista Amazónica Ciencia y Tecnología, 4(2), 166-214. https://dialnet.unirioja.es/servlet/articulo?codigo=5292893&info=resumen&idioma=SPA
Ramírez-Magil, G., Botello, F., & Navarro-Martínez, A. (2020). Habitat suitability for swietenia macrophylla in climate change scenarios in México. Madera y Bosques, 26(3), 1-13. https://doi.org/10.21829/MYB.2020.2631954
Rubio, P., Hernández, D., Lárraga, H., & Zacarías, E. (2020). Teledetección en la agricultura de precisión estado del arte de los índices de vegetación. TECTZAPIC: Revista Académico-Científica, 6(2), 46-58. https://dialnet.unirioja.es/servlet/articulo?codigo=8504957
Ruiz Durán, M. E., Orozco Hernández, M. E., Granados Ramírez, R. & Álvarez Arteaga, G. (2017). Cambio de uso de suelo e Índice de Vegetación de Diferencia Normalizada (NDVI), subcuenca del río Salado, México. Geografía y Sistemas de Información Geográfica (GeoSIG). 9(9), 39-50. http://hdl.handle.net/20.500.11799/68525
Sillero, N., Arenas-Castro, S., Enriquez‐Urzelai, U., Vale, C. G., Sousa-Guedes, D., Martínez-Freiría, F., Real, R., & Barbosa, A. M. (2021). Want to model a species niche? A step-by-step guideline on correlative ecological niche modelling. Ecological Modelling, 456, 109671. https://doi.org/10.1016/J.ECOLMODEL.2021.109671
Szabó, L., Deák, B., Bíró, T., Dyke, G. J., & Szabó, S. (2020). NDVI as a proxy for estimating sedimentation and vegetation spread in artificial lakes-monitoring of spatial and temporal changes by using satellite images overarching three decades. Remote Sensing, 12(9), 1468. https://doi.org/10.3390/RS12091468
Tenreiro, T. R., García-Vila, M., Gómez, J. A., Jiménez-Berni, J. A., & Fereres, E. (2021). Using NDVI for the assessment of canopy cover in agricultural crops within modelling research. Computers and Electronics in Agriculture, 182, 106038. https://doi.org/10.1016/j.compag.2021.106038
Torres, B., Vasseur, L., López, R., Lozano, P., García, Y., Arteaga, Y., Bravo, C., Barba, C., & García, A. (2020). Structure and above ground biomass along an elevation small-scale gradient: case study in an Evergreen Andean Amazon forest, Ecuador. Agroforestry Systems, 94(4), 1235-1245. https://doi.org/10.1007/S10457-018-00342-8/METRICS
Valarezo, C., & Coronel, B. (2018). El turismo científico y los servicios complementario: una experiencia en la residencia universitaria del CIPCA-UEA. TURYDES: Revista Sobre Turismo y Desarrollo Local Sostenible, 11(25), 18. https://dialnet.unirioja.es/servlet/articulo?codigo=7773490&info=resumen&idioma=ENG
Wang, H., Wigneron, J. P., Ciais, P., Yao, Y., Fan, L., Liu, X., Li, X., Green, J. K., Tian, F., Tao, S., Li, W., Frappart, F., Albergel, C., Wang, M., & Li, S. (2023). Seasonal variations in vegetation water content retrieved from microwave remote sensing over Amazon intact forests. Remote Sensing of Environment, 285, 113409. https://doi.org/10.1016/J.RSE.2022.113409
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Licencia
Derechos de autor 2025 Colombia forestal
Esta obra está bajo una licencia internacional Creative Commons Atribución-CompartirIgual 4.0.
Colombia Forestal conserva los derechos patrimoniales (copyright) de las obras publicadas, y favorece y permite la reutilización de las mismas bajo la licencia Creative Commons Atribución-CompartirIgual 4.0 Internacional por lo cual se pueden copiar, usar, difundir, transmitir y exponer públicamente, siempre que:
Se reconozcan los créditos de la obra de la manera especificada por el autor o el licenciante (pero no de una manera que sugiera que tiene su apoyo o que apoyan el uso que hace de su obra).
