Recibido: 30/07/2020 REVISTA DE TELEDETECCIÓN Aceptado: 02/09/2020 Asociación Española de Teledetección (2020) 56, Número especial, 147-156 ISSN 1133-0953 EISSN 1988-8740 https://doi.org/10.4995/raet.2020.14110 CASO PRÁCTICO Relación de firmas espectrales para la identificación de bosque seco en imágenes de satélite Sentinel-2, cuenca baja del río Chira, Región Piura Aldana, C. 1*, Revilla, M.1, Gonzales, J. 1, Saavedra,Y. 1, Moncada, W. 2, Maicelo, J. 3,4 1Universidad Nacional de Frontera, Sullana, Perú. 2Universidad Nacional de San Cristóbal de Huamanga, Ayacucho, Perú. 3Universidad Nacional Toribio Rodríguez de Mendoza, Amazonas, Perú. 4Instituto Nacional de Innovación Agraria - INIA, Perú. Resumen: El Fenómeno del Niño, las sequías y el clima cálido influyen de manera directa en el buen estado ecológico de los bosques en la Región Piura. El objetivo es relacionar las firmas espectrales evaluadas en las imágenes de satélite Sentinel-2 con las firmas espectrales medidas con el espectro-radiómetro FieldSpec4, para la identificación de bosque seco en la cuenca baja del río Chira, región Piura, Perú. El preprocesamiento de las imágenes Sentinel-2 correspondientes a los tiles 17MNR, 17MPR, 17MMQ, 17MNQ y 17MPQ son unidas en mosaico, remuestreadas y cortadas con el software SNAP. El apilamiento de las bandas 2, 3, 4, 5, 6, 7, 8, 9, 11 y 12 genera un raster cuyos valores de reflectancia de los píxeles están relacionados a sus longitudes de onda. La clasificación de las zonas con bosque seco se realiza con la firma espectral medida con el espectro-radiómetro FieldSpec4. La validación de los resultados se realiza aplicando las pruebas no paramétricas de ANOVA y Mann- Whitney-Wilcoxon en cuatro puntos de muestreo. El área de superficie de bosque seco en la cuenca baja del río Chira es 129 113,06 ha, que representa el 3,8 % del área total de bosque seco en el norte del Perú. Palabras clave: Sentinel-2, bosque seco, cuenca del río Chira, firma espectral, reflectancia. Spectral signatures for the identification of dry forest using Sentinel-2 images over the Lower Basin of the Chira river, Piura region Abstract: El Niño phenomenon, droughts and the warm climate directly influence the good ecological state of the forests in the Piura Region. The objective is to relate the spectral signatures evaluated in the Sentinel-2 satellite images with the spectral signatures measured with the FieldSpec4 spectroradiometer, for the identification of dry forest in the lower basin of the Chira River, Piura región. The Sentinel-2 images corresponding to the 17MNR, 17MPR, 17MMQ, 17MNQ and 17MPQ tiles are pre-processed, mosaicked, resampled and cut with the SNAP software. Stacking of bands 2, 3, 4, 5, 6, 7, 8, 9, 11 and 12 generates a raster whose pixel reflectance values are related to their wavelengths. The classification of dry forest areas is done with the spectral signature measured with the FieldSpec4 spectroradiometer. The validation of the results is carried out by applying the non-parametric ANOVA and Mann-Whitney-Wilcoxon tests at four sampling points. The surface area of dry forest in the lower basin of the Chira River is 129 113.06 ha, which represents 3.8% of the total area of dry forest in northern Peru. Key words: Sentinel-2, dry forest, Chira river basin, spectral signature, reflectance. To cite this article: Aldana, C., Revilla, M., Gonzales, J., Saavedra,Y., Moncada, W., Maicelo, J. 2020. Spectral signatures for the identification of dry forest using Sentinel-2 images over the Lower Basin of the Chira river, Piura region. Revista de Teledetección, 56, 147-156. https://doi.org/10.4995/raet.2020.14110 * Corresponding author: caldana@unf.edu.pe Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) 147 Aldana et al. 1. Introducción mediante análisis de resolución múltiple (MRA) El clima cálido, la poca precipitación y la escasez con transformación de wavelet, especialmente de lluvias en épocas de sequía durante la mayor durante el período húmedo. Este método permite parte del año, afecta los bosques de la cuenca baja generar datos de lluvia como una solución a la escasez de datos (Cabrera et al., 2016). Es factible del río Chira en la Región Piura; esta influencia no evaluar el cambio de cobertura y uso de la tierra, es ajena al cambio climático en especial El Niño mediante imágenes del satélite LANDSAT 5, así y las sequías, teniendo como consecuencia el in- lo demuestra un estudio de bosque seco realiza- cremento de la temperatura superficial del suelo do en la región Piura, Perú, entre 1999 y 2001, a y del aire que impacta en sus ecosistemas, espe- través de una clasificación supervisada, usando el cialmente en los bosques que permanecen secos la algoritmo de máxima verosimilitud y comparan- mayor parte del año, además de afectar el almace- do con el mapa de bosques secos elaborado por namiento de agua en la zona alta de la cuenca. Sin INRENA con interpretación visual de imágenes embargo, a pesar de la importancia crítica de su LANDSAT 5 registradas entre 1986 y 1994. Los protección para garantizar el embalse y suministro resultados mostraron que el 38% del área del de agua para la provincia de Sullana, los pocos bosque seco permaneció sin variación; mientras esfuerzos han resultado inútiles en la protección que, el 13% de dicha área mejoró su condición y de la cuenca (Lindsay, 2019). La complejidad el otro 23% de la misma tiende a la reducción de de los problemas ambientales en los ecosistemas su cobertura (Zorogastúa et al., 2011). El uso de de bosques secos del norte del Perú demanda de imágenes de satélite Sentinel-2 (S2) es ideal para conocimientos científicos y tecnológicos con alto fines de clasificación de uso de suelo; dichas imá- grado de veracidad, así como el uso de imágenes genes cuentan con 13 bandas que proporcionan de satélite, que permitan monitorear y establecer imágenes radiométricas de alta calidad con una vulnerabilidades y oportunidades características excelente resolución espacial (10 y 20 m). Esta de la zona, como los caprinocultores, que se metodología permite cuantificar su mejora con constituyen como un sector empobrecido y que respecto a otras misiones como SPOT. Para ha- frecuentemente se les etiqueta como los respon- cerlo, se seleccionan cuatro clasificadores (LDA, sables de la desertificación debido a la ganadería RF, árboles de decisión, K-NN) aplicándose a dos extensiva que practican. Asimismo, existen otras áreas agrícolas diferentes, una ubicada en Valencia prácticas como la agricultura de secano que toma (España) y la otra en Buenos Aires (Argentina). El ventaja de El Niño y que no amenaza la integridad resultado generó un mapa de uso del suelo a partir del bosque (Rodríguez y Álvarez, 2005). La vul- del mejor clasificador, de acuerdo con el índice nerabilidad de El Niño es una fortaleza para los Kappa, que proporciona información científica- bosques secos, dado que no es solo una cuestión mente relevante, como el área de cada clase de de riesgo climático físico, sino también de condi- uso del suelo (Borrás et al., 2017). Otros métodos, ciones sociales y de salud preexistentes. Más allá proponen el uso de imágenes de radar Sentinel-1 de los costos económicos de los daños al entorno para la detección de cambios de uso de suelo, como construido, los servicios públicos, las industrias el realizado en la Reserva Ecológica Manglares y, en general, los medios de vida, además de la Churute, área natural protegida de 50 000 ha, pérdida de vidas, todo lo cual exacerba riesgo ubicada en el centro occidental de Ecuador, don- climático tropical, resulta que es muy beneficio- de se determinó que entre los años 2015 y 2018 so para la recuperación de los bosques secos en hubo un incremento del área ocupada por cama- el norte del Perú (Ramírez, 2019). El monitoreo roneras y por caña de azúcar a 1 km de distancia de lluvias propone el uso de información diaria del perímetro. Los mapas de cambios de uso del satelital TRMM (Misión de Medición de Lluvias suelo y de estacionalidad, elaborados a bajo costo, Tropicales) para estimar precipitaciones extremas utilizando herramientas de acceso libre y con un en áreas no evaluadas donde no hay estaciones margen de error bajo, determinaron que efecti- meteorológicas. En el norte del Perú, las lluvias vamente las zonas con cultivos de arroz y otros no son estacionarias debido al impacto de El usos como pasto y matorral fueron reemplazados Niño, es posible que existan características comu- por otras actividades (Vélez, 2019). La clasifi- nes entre los conjuntos de datos in situ y TRMM cación de tipos de coberturas, también se puede 148 REVISTA DE TELEDETECCIÓN (2020) 56, Número especial, 147-156 Relación de firmas espectrales para la identificación de bosque seco en imágenes de satélite Sentinel 2, cuenca baja del río Chira, Región Piura realizar utilizando como método de clasificación longitud de onda de la firma espectral medida con supervisado el algoritmo de Mapeo del Angulo el espectro-radiómetro, referido a alguna clase, en Espectral (MAE, o SAM por sus siglas en inglés), los píxeles con los mismos valores que conforman comparando las firmas espectrales obtenidas en la imagen de satélite, para luego mapear la zona en campo a través de un espectro-radiómetro, como estudio con los mismos parámetros que componen el FieldSpec4 Hi-Res que tiene una resolución las clases buscadas (Janse et al., 2018). espectral 2 nm y proporciona un rendimiento es- pectral superior en todo el espectro de irradiancia 2. Material y métodos solar desde 350 a 2500 nm (ASD Inc., 2017), con las firmas espectrales de las imágenes de satélite 2.1. Área de estudio de las parcelas en estudio. Estos datos indican que la utilización de esta técnica supervisada es La Cuenca del río Chira, se ubica en la provincia muy acertada, además de contar con una base de de Sullana de la Región Piura, geográficamente se datos de firmas espectrales y otros usos relativos ubica entre los paralelos 03°40’28” y 05°07’06” al manejo de cultivos a gran escala con métodos de la latitud sur, y los meridianos 80°46’11” y de teledetección a través de imágenes multiespec- 79°07’52” de longitud oeste, por el Norte limita con trales e hiperespectrales (Sánchez et al., 2019). La la cuenca del río Puyango, por el Sur con las cuen- aplicación de firmas espectrales (enmembers) en cas de los ríos Piura y Huancabamba, por el Este imágenes de satélite como las Sentinel-2, permite con las cuencas de Zamora y Chinchipe (Ecuador) reconocer distintos tipos de vegetación y suelo, y por el Oeste con el Océano Pacífico. La cuenca así como la clasificación de uso de suelo o de baja del río Chira se ha seleccionado teniendo en especies o variedades forestales como el sapote, el cuenta la altura de la región costa o chala, su altitud algarrobo, el hualtaco, el palo santo, entre otros. El mínima es de 0 m s.n.m, su altitud máxima es de método que se aplicó, implicó identificar un con- 499 m s.n.m y su altitud media es de 74,61 m s.n.m. junto de valores de reflectancia con su respectiva Tiene un área superficial de 605 310,81 ha y un perímetro de 1 599 586 km, tal como se muestra en Figura 1. Mapa de ubicación geográfica de la cuenca baja del rio Chira, Región Piura. ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 149 Aldana et al. la Figura 1. Su río principal es el Chira, que nace Con el espectro-radiómetro FieldSpec4 se mide la en la cordillera occidental de los andes a más de firma espectral del bosque seco correspondiente 3000 m s.n.m. con el nombre de Catamayo para a una zona de bosque seco con predominancia después recorrer 150 km y unirse con el río Macará de overal seco, borrachera seca, otro tipo de ve- donde toma el nombre de río Chira, luego recorre getación seca, en cuatro puntos de muestra para 50 km sirviendo de límite entre Perú y Ecuador la validación de la clasificación de cobertura de hasta encontrarse con el río Alamor continuando en bosque seco en la cuenca baja del río Chira. La la dirección suroeste en territorio peruano hasta su Tabla 1, muestra la ubicación geográfica de los desembocadura en el mar después de haber recorri- cuatro puntos validación en coordenadas UTM, do 300 km aproximadamente. en donde se han realizado las mediciones de las firmas espectrales con el espectro-radiómetro 2.2.  Procesamiento de las imágenes FieldSpec4. Sentinel-2 con las firmas espectrales La identificación de las zonas con bosque seco en El método propuesto requiere primero des- la cuenca baja del río Chira mediante la aplicación cargar las imágenes de satélite Sentinel-2 del de la firma espectral medida con el espectro-radió- servidor Copernicus Open Access Hub de la metro FieldSpec4, se realiza con el software ENVI Agencia Espacial Europea (ESA) a través del link: clásico, para ello se acude a la pestaña Spectral, https://scihub.copernicus.eu/dhus Las imágenes donde se escoge la opción Mapping Methods, lue- descargadas que contienen la zona en estudio co- go se elige la opción Linear Spectral Unmixing, se rrespondiente a la cuenca del río Chira, son los tiles importa la firma espectral del bosque seco y apa- 17MNR, 17MPR, 17MMQ, 17MNQ, 17MPQ, los rece la ventana Endmember Collection Unmixing, cuales deben ser corregidos, calibrados y unidos se escoge la pestaña Import para importar la firma en mosaico con el software libre SNAP (Sentinel espectral y se selecciona los datos de la firmas Application Platform). Este software se descarga espectral para posteriormente ejecutarlo. El pro- de la plataforma http://step.esa.int/main/download/ cedimiento implica, buscar, ubicar o reconocer los snap-download/, que es una caja de herramientas de valores de reflectancia de cada longitud de onda código abierto para lectura, preprocesamiento, aná- en cada píxel de la imagen preprocesada para dar lisis y visualización. Durante el preprocesamiento lugar a un mapa de clasificación de cobertura de se realizan los siguientes pasos, primero se importa bosque seco en la cuenca baja del río Chira. las imágenes Sentinel-2 al software SNAP para realizar la corrección radiométrica y atmosférica 2.3.  Validación de la cobertura de bosque con la herramienta Sen2Cor280 que genera valores seco con las firmas espectrales de reflectancia entre 0 y 1, correspondientes a los valores de longitud de onda de las 10 bandas 2, 3, Para la validación de los valores de reflectancia 4, 5, 6, 7, 8, 9, 11 y 12, apiladas en un solo ráster de la firma espectral obtenidos en el punto de de las imágenes Sentinel-2 con tamaños de píxel muestreo en la imagen Sentinel-2 (FES2), con de 10, 20 y 60 m; asimismo, para un mejor pre- los valores de reflectancia de la firma espectral procesamiento se remuestrea a 10 m de resolución medida con el espectro-radiómetro FieldSpec4 espacial. Posteriormente, las imágenes preprocesa- (FEFS4), se aplica las pruebas no paramétricas: das 17MNR, 17MPR, 17MMQ, 17MNQ, 17MPQ, 1. Análisis de varianza de un factor (ANOVA), se unen en mosaico para luego ser recortada con el permite contrastar la hipótesis nula de que las shape de la cuenca baja del río Chira. medias de los dos grupos de firmas espectrales Tabla 1. Ubicación geográfica de los cuatro puntos de validación en coordenadas UTM, en la cuenca baja del río Chira. Puntos de Validación Latitud Longitud Altitud Distrito Lancones, Provincia de Sullana 551206 9489270 138 Comunidad Campesina Pampa Larga, Alvarados, Distrito de Suyo, Provincia de Ayabaca 583708 9483993 222 Caserío Macacará del distrito la Huaca, Provincia de Paita 515958 9456561 45 Caserío Pilares del Distrito de Lancones, Provincia de Sullana 556735 9503837 252 150 REVISTA DE TELEDETECCIÓN (2020) 56, Número especial, 147-156 Relación de firmas espectrales para la identificación de bosque seco en imágenes de satélite Sentinel 2, cuenca baja del río Chira, Región Piura son iguales, frente a la hipótesis alternativa de preceden a las observaciones de FEFS4, y U2 es que las dos medias difieran de forma signifi- el recuento total de las observaciones de FEFS4 cativa en cuanto a su valor esperado (Marini y que preceden a la FES2; n1 y n2 son los tamaños Walczak, 2020). También es conocido como el de FES2 y FEFS4, respectivamente; y R1 y R2 son ratio entre la varianza de las medias de los gru- las sumas de rango de ambas muestras, respecti- pos y el promedio de la varianza dentro de los vamente (Yue & Wang, 2002). grupos. Este estadístico sigue una distribución conocida como “F de Fisher-Snedecor”. Si se n n 1 1 1 (2) cumple la hipótesis nula, el estadístico F ad- U1 n1n2 R2 1 quiere el valor de 1 ya que la intervarianza será igual a la intravarianza. Cuanto más difieran las n2 n 1 2 (3) medias de los grupos mayor será la varianza U2 n1n2 R2 2 entre medias en comparación al promedio de El área de cobertura de bosque seco en la cuenca la varianza dentro de los grupos, obteniéndose baja del río Chira, se determina a partir del con- valores de F superiores a 1 y por lo tanto menor teo de píxeles clasificados multiplicados por su la probabilidad de que la distribución adquiera resolución espacial de 100 m2, de esa manera se valores tan extremos con un menor p-valor. dispondrá de un mapa de cobertura espacial de En concreto, S 21 es la varianza de la muestra bosque seco en la cuenca baja del río Chira en la FES2 de tamaño N1 extraida de una población Región Piura. normal de varianza σ 21 y S 2 2 es la varianza de una muestra FEFS4 de tamaño N2 extraída de una población normal de varianza σ 21 , y ambas 3. Resultados y discusión muestras son independientes, el cociente de la La cobertura de bosque seco, clasificada en la ecuación (1), se distribuye como una variable F cuenca baja del río Chira, mediante el uso de fir- con (N1 y N2) grados de libertad. En el caso del mas espectrales, da como resultado un conteo de ANOVA, dado que dos de las condiciones son la 12 911 306 píxeles que contienen los valores de re- normalidad de los grupos y la homocedasticidad flectancia y longitud de onda de la firma espectral de varianza (σ 21 = σ 2 2 ), el valor F se puede obtener de bosque seco utilizada, que multiplicados por la dividiendo las dos varianzas calculadas a partir resolución espacial de cada píxel de la imagen de de las muestras de intervarianza e intravarianza satélite Sentinel-2, que es 100 m2, y dividiéndolo (Henson, 2015). entre el valor de 10 000 m2 equivalente a una hectá- rea (ha), da como resultado un área de 129 113,06 ha de cobertura de bosque seco en la cuenca baja (1) del río Chira representada con los píxeles de color rojo tal como se muestra en la Figura 2. 2. Prueba U de Mann-Whitney, también llamada Los datos del MINAM del 2018, afirman que el de Mann-Whitney-Wilcoxon, identifica una área de cobertura total de bosque seco en el norte diferencia entre poblaciones con respecto a sus del Perú es de 3 402 212 ha, lo cual significa que el medianas o medias, no requiere que los datos área de cobertura de bosque seco en la cuenca baja de la muestra sean normales, y es relativamente del río Chira, solo representa el 3,8 % de todos los insensible a la no homogeneidad de la varianza bosques secos del norte del Perú. de los datos de la muestra. La hipótesis nula es Las firmas espectrales medidas con el espectro-ra- que las dos poblaciones de las que se han extraído diómetro FieldSpec4 genera datos de reflectancia muestras de firmas espectrales tienen medianas o entre 0 y 1, con un rango espacial de 1 nm de lon- medias iguales. La hipótesis alternativa es que las gitud de onda desde los 350 nm hasta los 2500 nm, dos poblaciones de firmas espectrales no tienen lo que significa que se generan curvas continuas medianas o medias iguales. La estadística de correspondiente al barrido de toda la cobertura prueba U=min{U1,U2} de Mann-Whitney escoge espacial del suelo conteniendo variedades de el valor mínimo de las ecuaciones 2 y 3, donde U1 vegetación de bosque seco. La Figura 3 muestra es el número total de observaciones de FES2, que las firmas espectrales de bosque seco en los cuatro ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 151 Aldana et al. Figura 2. Mapa de cobertura de bosque seco en la cuenca baja del río Chira, Región Piura. Figura 3. Firmas espectrales de bosque seco en cuatro puntos de validación: P1, suelo con arena y vegetación seca, caserío Macacará del distrito la Huaca, provincia de Paita. P2, suelo con overal seco, distrito Lancones, provincia de Sullana. P3, suelo con plantas de borrachera seca, caserío Pilares del distrito de Lancones, provincia de Sullana. P4, suelo con vegeta- ción de bosque seco, comunidad campesina Pampa Larga, Alvarados, del distrito de Suyo, provincia de Ayabaca. 152 REVISTA DE TELEDETECCIÓN (2020) 56, Número especial, 147-156 Relación de firmas espectrales para la identificación de bosque seco en imágenes de satélite Sentinel 2, cuenca baja del río Chira, Región Piura Figura 4. Comparación de la firma espectral de bosque seco medida en la imagen de satélite Sentinel-2 (FES2) y la firma espectral medida con el espectro-radiómetro FieldSpec4 (FEFS4), en el punto de validación “P1” ubicado en el caserío Macacará del distrito la Huaca, provincia de Paita. puntos de validación ubicadas en las coordena- espectro-radiómetro FieldSpec4 (FEFS4) en cua- das geográficas de la Tabla 1: (a) P1, suelo con tro puntos de validación en la cuenca baja del río arena y vegetación seca, caserío Macacará del Chira. Las firmas espectrales se evalúan para las distrito la Huaca, Provincia de Paita, (b) P2, suelo 10 bandas 2, 3, 4, 5, 6, 7, 8, 9, 11 y 12 apiladas en con overal seco, distrito Lancones, Provincia de un ráster de imagen Sentinel-2 correspondiente a Sullana, (c) P3, suelo con plantas de borrachera la cuenca baja del río Chira. De igual manera, para seca, caserío Pilares del distrito de Lancones, pro- cada longitud de onda relativos a las 10 bandas, vincia de Sullana y (d) P4, suelo con vegetación se toma los valores de reflectancia de las firmas de bosque seco, comunidad campesina Pampa espectrales medidas con el espectro-radiómetro Larga, Alvarados, del distrito de Suyo, provincia FieldSpec4, los cuales se comparan para evaluar de Ayabaca. si efectivamente este método de clasificación de La Tabla 2 detalla los valores de reflectancia de bosque seco es certero o no. las firmas espectrales de bosque seco evaluadas En la Figura 4 se compara la firma espectral del en la imagen Sentinel-2 (FES2) y medidas con el suelo con arena y vegetación seca evaluada en la Tabla 2. Valores de reflectancia de las firmas espectrales de bosque seco evaluadas en la imagen Sentinel-2 (FES2) y me- didas con el espectro-radiómetro FieldSpec4 (FEFS4) en cuatro puntos de validación. Comunidad Campesina Pampa Larga, Alvarados, Caserío Macacará Caserío Pilares del Distrito Lancones, Distrito Suyo, del distrito la Huaca, Distrito de Lancones, Longitud de Provincia de Sullana Provincia de Ayabaca Provincia de Paita Provincia de Sullana Bandas onda (nm) FES2 FEFS4 FES2 FEFS4 FES2 FEFS4 FES2 FEFS4 B2 490 0,1066 0,1129 0,1476 0,1250 0,1834 0,1204 0,1161 0,1249 B3 560 0,1584 0,1389 0,1764 0,1532 0,2420 0,1533 0,1655 0,1879 B4 665 0,2225 0,1719 0,1826 0,1648 0,2922 0,1616 0,2213 0,2200 B5 705 0,2327 0,1903 0,1990 0,1979 0,2938 0,1927 0,2337 0,2593 B6 740 0,2377 0,2062 0,2546 0,2492 0,3107 0,2594 0,2485 0,3008 B7 783 0,2600 0,2262 0,2703 0,2671 0,3195 0,2833 0,2682 0,3276 B8 842 0,2637 0,2531 0,2864 0,2884 0,3260 0,2957 0,2841 0,3592 B9 945 0,2832 0,2805 0,3049 0,2987 0,2803 0,2618 0,2727 0,3486 B11 1610 0,4323 0,3760 0,2861 0,2814 0,3841 0,3888 0,4260 0,4671 B12 2190 0,3446 0,2939 0,2442 0,2600 0,3716 0,2937 0,3395 0,3554 ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 153 Aldana et al. Figura 5. Comparación de la firma espectral de bosque seco medida en la imagen de satélite Sentinel-2 (FE-S2) y la firma espectral medida con el espectro-radiómetro FieldSpec4 (FEFS4), en el punto de validación “P2” ubicado en el distrito de Lancones, provincia de Sullana. imagen de satélite Sentinel-2 con la firma espectral En la Figura 6 se compara la firma espectral medida con el espectro-radiómetro FieldSpec4 en del suelo con plantas de borrachera seca eva- el punto de validación “P1” ubicado en el caserío luada en la imagen de satélite Sentinel-2 con la Macacará del distrito la Huaca, Provincia de Paita. firma espectral medida con el espectro-radiómetro En la Figura 5 se compara la firma espectral del FieldSpec4 en el punto de validación “P3” ubica- suelo con overal seco evaluada en la imagen de sa- do en el caserío Pilares del distrito de Lancones, télite Sentinel-2 con la firma espectral medida con provincia de Sullana. el espectro-radiómetro FieldSpec4 en el punto de En la Figura 7 se compara la firma espectral del validación “P2” ubicado en el distrito Lancones, suelo con vegetación de bosque seco evaluada en la provincia de Sullana. imagen de satélite Sentinel-2 con la firma espectral Figura 6. Comparación de la firma espectral de bosque seco medida en la imagen de satélite Sentinel-2 (FE-S2) y la firma espectral medida con el espectro-radiómetro FieldSpec4 (FEFS4), en el punto de validación “P3” ubicado en el caserío Pilares del distrito de Lancones, provincia de Sullana. 154 REVISTA DE TELEDETECCIÓN (2020) 56, Número especial, 147-156 Relación de firmas espectrales para la identificación de bosque seco en imágenes de satélite Sentinel 2, cuenca baja del río Chira, Región Piura Figura 7. Comparación de la firma espectral de bosque seco medida en la imagen de satélite Sentinel-2 (FE-S2) y la firma espectral medida con el espectro-radiómetro FieldSpec4 (FEFS4), en el punto de validación “P4” ubicado en la comunidad campesina Pampa Larga, Alvarados, del distrito de Suyo, provincia de Ayabaca. medida con el espectro-radiómetro FieldSpec4 en estos dos grupos de datos no tienen diferencias sig- el punto de validación “P4” ubicado en la comu- nificativas y que ambas firmas espectrales guardan nidad campesina Pampa Larga, Alvarados, del el mismo comportamiento. Asimismo, la prueba distrito de Suyo, provincia de Ayabaca. Mann-Whitney-Wilcoxon da un p-valor = 0,3434 Para validar el resultado se aplicó las pruebas no mayor al nivel de significancia α = 0,05, lo que paramétricas de análisis de varianza (ANOVA) y confirma el hecho de que ambas firmas espectra- la prueba de Mann-Whitney-Wilcoxon, ello su- les se comportan de la misma forma. giere plantear las hipótesis nula y alternativa de la Para el punto P3, la prueba ANOVA da un p- siguiente manera: valor = 0,3782 mayor al nivel de significancia • H0: No hay diferencia significativa entre los α = 0,05, garantizando de que ambos grupos de valores de reflectancia de FES2 y FEFS4. firmas espectrales no tienen diferencias sig-nificativas. De la misma forma, la prueba • H1: Si hay diferencia significativa entre los va- Mann-Whitney-Wilcoxon da un p-valor = 0,3383 lores de reflectancia de FES2 y FEFS4. que es mayor al nivel de significancia α = 0,05, La aplicación de ANOVA a los dos grupos de va- ello fortalece el hecho de que ambos grupos de lores de reflectancia de las firmas espectrales en el datos no tienen diferencias significativas. punto P1, da un p-valor = 0,0799, el cual es mayor La prueba ANOVA aplicada a los dos grupos de al nivel de significancia α = 0,05, por lo que no se datos del punto P4 da un p-valor = 0,8040 que es rechaza la hipótesis nula, lo cual significa que no mayor al nivel de significancia α = 0,05, lo que hay diferencia significativa entre los valores de re- afirma que no hay diferencia significativa entre am- flectancia de FES2 y FEFS4. Del mismo modo, la bos grupos de valores de reflectancia. Del mismo aplicación de la prueba Mann-Whitney-Wilcoxon modo, la prueba Mann-Whitney-Wilcoxon da un da un p-valor = 0,1616, el cual también es mayor p-valor = 0,3427 que es mayor al nivel de signifi- que el nivel de significancia α = 0,05, confirmando cancia α = 0,05, confirma el hecho de que ambos que no hay diferencia significativa entre ambos grupos de datos no tienen diferencias significativas. grupos de firmas espectrales. Para los dos grupos de valores de reflectancia de 4. Conclusiones las firmas espectrales en el punto P2, la prueba ANOVA da un p-valor = 0,4519 el cual es mayor Las pruebas no paramétricas ANOVA y Mann- al nivel de significancia α = 0,05, esto indica que Whitney-Wilcoxon, demuestran que ambos grupos ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 155 Aldana et al. de valores de reflectancia de FES2 y FEFS4 para Janse, P.V., Kayte, J.N., Agrawal, R.V., Deshmukh, R.R. los puntos de validación P1, P2, P3 y P4 no tienen 2018. Standard Spectral Reflectance Measurements diferencias significativas, por lo que ambas firmas for ASD FieldSpec Spectroradiometer. 2018 espectrales tienen el mismo comportamiento; se Fifth International Conference on Parallel, Distributed and Grid Computing (PDGC), 729-733. concluye que, la aplicación de las FEFS4 aplicadas https://doi.org/10.1109/PDGC.2018.8745808 a las imágenes de satélite Sentinel-2, permite ca- racterizar de manera certera la cobertura de bosque Lindsay, A. 2019. Investing upstream: Watershed seco en la cuenca baja del río Chira, lográndose protection in Piura, Peru. Environmental Science determinar un área de superficie de bosque seco & Policy, 96, 9-17. https://doi.org/10.1016/j.envsci.2019.02.005 de 129 113,06 ha, que teniendo en cuenta los datos del MINAM del 2018, los cuales indican que el Marini, F., Walczak, B. 2020. 1.19–ANOVA-Target área de cobertura total de bosque seco en el norte Projection (ANOVA-TP). En S. Brown, R. Tauler, del Perú es de 3 402 212 ha, esto significa que el & B. Walczak (Eds.), Comprehensive Chemometrics (Second Edition) (pp. 495-520). Elsevier. https://doi. área de cobertura de bosque seco en la cuenca baja org/10.1016/B978-0-12-409547-2.14578-0 del río Chira, solo representa el 3,8% de todos los bosques secos del norte del Perú. Ramírez, I.J. 2019. Exploring Tropical Variability and Extremes Impacts on Population Vulnerability in Piura, Peru: The Case of the 1997-98 El Niño. En Agradecimientos V. Venugopal, J. Sukhatme, R. Murtugudde, & R. Roca (Eds.), Tropical Extremes (pp. 263-297). Este trabajo ha sido posible gracias al apoyo finan- Elsevier. https://doi.org/10.1016/B978-0-12-809248- ciero de la Unidad de Proyectos de Investigación 4.00008-X de la Universidad Nacional de Frontera; Sullana, Rodríguez, A., Álvarez, R. 2005. Uso múltiple del Piura, Perú. Los autores agradecen al Laboratorio bosque seco del norte del Perú: Análisis del ingreso de Teledetección y energías Renovables y autoconsumo. Zonas Áridas, 9(1), 131-148. LABTELER de la Universidad Nacional de San http://dx.doi.org/10.21704/za.v9i1.573 Cristóbal de Huamanga; Ayacucho, Perú, por su incondicional apoyo para la toma de firmas espec- Sánchez, J., Jiménez, J.U., Fábrega, J., Serrano, J., Quirós, E.I. 2019. Clasificacion Supervisada de trales con el espectro-radiómetro FieldSpec4. Firmas Espectrales de Coberturas Agropecuarias en Panama Utilizando el Mapeo del Angulo Espectral. Referencias Repositorio Institucional de la Universidad Tecnológica de Panamá, 7. https://ridda2.utp.ac.pa/ ASD Inc. 2017. FieldSpec 4 Hi-Res High Resolution handle/123456789/9432 Spectroradiometer. https://www.asdi.com/products- and-services/fieldspec-spectroradiometers/fieldspec- Vélez, D. 2019. Análisis multitemporal de una serie 4-hi-res de imágenes Sentinel-1 y detección de cambios del uso de suelo para la evaluación de la reserva Borrás, J., Delegido, J., Pezzola, A., Pereira, M., ecológica Manglares Churute y sus alrededores en Morassi, G., Camps-Valls, G. 2017. Clasificación Guayas-Ecuador. Maestría, Universidad Pública de usos del suelo a partir de imágenes de Navarra. https://academica-e.unavarra.es/xmlui/ Sentinel-2. Revista de Teledetección, 48, 55. handle/2454/33672 https://doi.org/10.4995/raet.2017.7133 Yue, S., Wang, C. 2002. The influence of serial correlation Cabrera, J., Yupanqui, R.T., Rau, P. 2016. Validation on the Mann–Whitney test for detecting a shift in of TRMM Daily Precipitation Data for Extreme median. Advances in Water Resources, 25(3), 325- Events Analysis. The Case of Piura Watershed 333. https://doi.org/10.1016/S0309-1708(01)00049-5 in Peru. Procedia Engineering, 154, 154-157. https://doi.org/10.1016/j.proeng.2016.07.436 Zorogastúa, P., Quiroz, R., Garatuza, J. 2011. Evaluación de cambios en la cobertura y uso de la tierra con imágenes Henson, R.N. 2015. Analysis of Variance (ANOVA). de satélite en Piura–Perú. Ecología Aplicada, 10(1), En A.W. Toga (Ed.), Brain Mapping (pp. 477-481). 13-22. http://dx.doi.org/10.21704/rea.v10i1-2.409 Academic Press. https://doi.org/10.1016/B978-0-12- 397025-1.00319-5 156 REVISTA DE TELEDETECCIÓN (2020) 56, Número especial, 147-156