INTRODUCCIÓN
Los pastizales brindan un conjunto de servicios ecosistémicos, socioculturales y de regulación de la biodiversidad, además de proveer de forraje para la alimentación de más del 80% de la ganadería nacional, contribuyendo de manera sustancial a la seguridad alimentaria (Flores, 2016). Los pastizales altoandinos son ecosistemas altamente sensibles al cambio climático y a la actividad antrópica. Pizarro (2017), al evaluar factores naturales y antrópicos en ocho zonas altoandinas del Perú, demostró que el 82.8% de los pastizales se encuentran en franco estado de degradación.
La medición tradicional de la biomasa aérea mediante técnicas destructivas (corte y separación) son costosas y presentan limitaciones para su escalamiento temporal y espacial, por lo que el uso de imágenes satelitales permite evaluar áreas extensas a bajo costo para promover su protección y manejo ecológico (Qi et al., 2000; Kawabata et al., 2001; Naibbi et al., 2014; Liu et al., 2016). La vegetación sana muestra una clara absorbancia en el espectro visible (0.4-0.7 µm) que depende principalmente de los pigmentos foliares, mientras que la reflectancia en el infrarrojo cercano (0.7-13 µm) depende de la estructura interna de la hoja (Riba et al., 2012; Zúñiga, 2018). Solarte et al. (2010) menciona que la absorbancia de energía sigue tres caminos: procesos fotoquímicos (fotosíntesis), disipada como calor y procesos no fotosintéticos (reflectada en pequeñas, pero detectables cantidades de energía de longitud de onda larga: rojo/infrarrojo lejano).
El índice de vegetación de diferencia normalizada (NDVI = ρNIR - ρR / ρNIR + ρR), desarrollado por Rouse et al. (1979) es un índice construido a partir de la reflectancia en las bandas de ondas de infrarrojo cercano (NIR) y rojas (red) del espectro electromagnético. En la fórmula, ρ NIR es la es la reflectancia en el espectro infrarrojo cercano y ρ R es la reflectancia en el espectro rojo. El NDVI es utilizado para el monitoreo de los pastizales y su comportamiento ante las fluctuaciones climáticas (Zerda y Tiedemann 2010; Cáceres 2016), inclusive a escala regional (Wang et al., 2003). Este índice ha demostrado estar fuertemente correlacionado con la biomasa aérea de pastizales (Zhang et al., 2016; Inoue et al., 2014; An et al., 2013; Chu et al., 2013; Gao et al., 2013).
El espectrorradiómetro de imágenes de resolución moderada (MODIS) está a bordo del satélite Terra y sirve para el monitoreo de ecosistemas terrestres, a cargo de la Administración Nacional de Aeronáutica y del Espacio (NASA). Entre los productos obtenidos de MODIS se encuentran el índice de vegetación (MOD13), índice de área foliar y fracción de radiación fotosintéticamente activa (MOD15), productividad primaria neta (MOD17), y el cambio de uso de suelo y cobertura de suelo (MOD12), muy utilizados en pastizales (Justice et al., 1998; Reeves et al., 2006; Easdale et al., 2018; González et al., 2020). El índice EVI (índice de vegetación mejorado) se ha utilizado en predicción de biomasa y concentración de proteína cruda en pie (Kawamura et al., 2005). En este sentido, García y Mas (2011a) utilizaron el NDVI y EVI para clasificar cobertura de pastizales en México, mientras que Baeza et al. (2011) utilizaron series de tiempo de imágenes satelitales MODIS para determinar la funcionalidad de los pastizales mediante información de la Productividad Primaria Neta e Índices de Vegetación, concluyendo que la producción primaria neta está asociada a la composición florística y a las especies dominantes en la comunidad del pastizal.
La validación de los productos de reflectancia de la superficie terrestre del sensor de resolución moderada (MODIS) (Gamon et al., 2006; Fan et al., 2014) es importante para dar un uso efectivo a la información espectral para investigaciones de ecosistemas de pastizales. Las condiciones de cielo nuboso y/o cielo despejado tienen efecto significativo sobre los espectros de radiancia e irradiancia y, por consiguiente, en los espectros de calibración del NDVI (Gamon et al., 2006). Normalmente se utiliza mediciones in situ con espectrómetros portátiles, ya que no se afectan por atenuación de la capa atmosférica, expresando valores de radiación a una escala espacial fina (Gamon et al., 2006; Fava et al., 2009; Ñaupari et al., 2013; Liu et al., 2016).
Estudios han demostrado que la teledetección es eficaz para caracterizar la biomasa aérea de los pastizales, sin embargo, en pastizales de la sierra central y otras regiones del país no existen investigaciones sobre la precisión de la información de detección remota (MODIS) comparado con espectrometría in situ. En consecuencia, el presente estudio evaluó la dinámica espacio temporal de la biomasa aérea en pastizales altoandinos basado en NDVI-MODIS, validado por espectrometría in situ.
MATERIALES Y MÉTODOS
Zona de Estudio
El presente estudio se llevó a cabo desde mayo de 2016 a octubre de 2017 en pastizales dominados por pajonal alto (gramíneas de porte alto: Festuca dolichophylla) y pajonal bajo (gramíneas de porte bajo: Calamagrostis vicunarum) en tres distritos de la sierra central del Perú: Simón Bolívar (Cooperativa Comunal San Pedro de Racco), provincia de Pasco, Región Pasco, Canchayllo (Comunidad Campesina Túpac Amaru), provincia de Jauja, Región Junín, y Santa Ana (Comunidad Campesina Santa Ana), provincia de Castrovirreyna, Región Huancavelica (Figura 1), representando un área de 211 859 ha de pastizales evaluados.
Las evaluaciones se realizaron comprendiendo una época lluviosa (noviembreabril) y dos épocas secas (mayo-octubre). Las áreas de evaluación se encuentran entre los 3800 y 5700 msnm y se caracterizan por su compleja formación de paisajes fluvioglaciares, colinas y montañas. La zona climática se caracteriza como páramo y tundra alpina, las temperaturas promedio anual son 6.3, 10.9 y 5.5 ºC y las precipitaciones son 766, 700 y 999 mm anuales en Santa Ana, Canchayllo y Simón Bolívar, respectivamente (SENAMHI, 2017).
Datos de NDVI in situ
Se confeccionó una red de 250 x 250 m georreferenciada según la grilla de la imagen MODIS. Se utilizó Google Earth (https://www.google.com/intl/es/earth/) para facilitar la ubicación de las áreas de monitoreo. Dentro de cada pixel (51 pixeles evaluados) se eligió un área representativa (área que representa a la vegetación de todo el pixel) para realizar tres mediciones dentro de cada uno, cuyos valores fueron promediados para obtener el valor de NDVI del pixel.
Las mediciones se realizaron utilizando el espectrómetro Decagon Devices Em50 alimentado con baterías 2AA (Figura 2). Los sensores de radiación incidente y radiación reflejada estuvieron comprendidos en el espectro electromagnético de 630 y 800 nm.
Los registros fueron tomados cada 2 min entre las 09:00 y 14:00 h, considerando que el sensor MODIS cruza la línea ecuatorial aproximadamente a las 10:30 h (https:// modis.gsfc.nasa.gov/). Para activar el sensor de reflectancia se utilizó coordenadas geográficas con la ayuda de un Sistema de Posicionamiento Global (Garmin 64S®) y una computadora portátil (HP Pavilion Gaming®). Los sensores fueron sostenidos en un tubo de PVC (para salvaguardar de las tormentas eléctricas). La instalación del sensor de irradiancia fue empotrada en nadir hacia arriba y el sensor de reflectancia con dirección al suelo con un ángulo de inclinación de 18º.
Las mediciones fueron en condiciones de cielo despejado. El campo de visión fue equivalente a un círculo de 1.3 m de diámetro y se determinó por la siguiente ecuación: GIFOV = 2 * (tan[18] * h) (ecuación 2), donde h es la altura del sensor sobre la canopia (el sensor se instaló a 2 m de altura sobre la canopia). Los ángulos entre el sol, el sensor y la superficie de la canopia provocan sombra en el campo de visión del sensor, provocando efectos perturbadores sobre el espectro medido (Aparicio et al., 2004), por lo que el sensor fue instalado con una orientación de sur a norte.
Datos de NDVI del Sensor MODIS
El set de imágenes Terra MODIS utilizadas en este estudio (2000-2018) se descargó de la NASA, previo registro (https://urs.earthdata.nasa.gov/users/new). Las imágenes MODIS se caracterizan por tener una resolución espacial de 250 x 250 m y una resolución temporal diaria; sin embargo, el algoritmo elige el mejor valor de pixel disponible de todas las adquisiciones de un periodo de 16 días (Didan, 2015). Los archivos (tiles) utilizados fueron: MOD13Q1.A2010081.-h10.v09 y MOD13Q1.A2010081.h10.v10 y fueron descargados del directorio de datos MOD13Q1.006 que corresponde a la capa de vegetación primaria (NDVI: Índice de Vegetación de Diferencia Normalizada). Para calcular el NDVI, MODIS utiliza la reflectancia del espectro de 680 y 800 nm, rojo e infrarrojo cercano respectivamente (Gamon et al., 2006). Las imágenes satelitales fueron reproyectadas utilizando la extensión MODIS Reprojection Tool (MRT), herramienta desarrollada por el Centro de Archivos Distribuidos (Distributed Archive Center, DAAC), para ello se utilizaron las siguientes sentencias: tipo de proyección: UTMWGS84, tipo de re-muestreo: Nearest Neighbor (López et al., 2011; García y Mas, 2011b). Para obtener el valor del NDVI se utilizó la extensión extrac values to points en ArcGIS 5.2, siguiendo las siguientes sentencias: ArcToolbox > Spatial Analyst Tools > Extraction > Extrac Values to Points.
Muestreo de la Vegetación
Bajo el principio de tipicidad y accesibilidad, se realizaron un total de 153 mediciones de la vegetación por el método de corte y separación, utilizando una tijera lapiaco y un cuadrante de 0.25 m2 de PVC de – de pulgada. La alícuota se rotuló y se llevó al Laboratorio de Ecología y Utilización de Pastizales de la Universidad Nacional Agraria la Molina (UNALM) donde fueron secadas en una estufa a 60 °C por 48 h (AOAC, 2019). La proporción de materia seca se obtuvo al relacionar el peso seco de la alícuota con el peso fresco de esta. Esta proporción se utilizó para estimar la biomasa seca equivalente en las áreas de estudio (kgMS/ha). Las muestras fueron pesadas en una balanza digital (Ohaus®, Ranger 5000) con capacidad de 5000 g y 0.1 g de precisión, para expresar la cantidad de materia en kilogramos por hectárea.
Análisis Estadístico
Para la calibración del NDVI se utilizaron ocho modelos de regresión (Cuadro 1), de los cuales se seleccionaron en función al índice de concordancia: raíz del error cuadrático medio (RMSE), siendo mejor el de menor valor y el coeficiente de determinación (R2) más próximo a 1. Para ello se utilizó información in situ obtenido por el Laboratorio de Ecología y Utilización de Pastizales de la UNALM.
Para el análisis estadístico se utilizó el software R Studio y para el mapeo el software ArcGIS 10.5. Utilizando el mejor modelo predictivo en función al mejor estimador (RMSE y R2) se estimó la biomasa mensual en base a la precipitación (MODIS) para la sierra central considerándose como puntos de calibración en el norte (N), centro (C) y sur (S), comprendiendo a las regiones de Pasco, Lima, Junín y Huancavelica.
RESULTADOS Y DISCUSIÓN
En el Cuadro 3 se puede apreciar que el modelo cuadrático tuvo mejores estimadores (RMSE: 1300 y R2: 0.61), tanto para la calibración del NDVI como para la predicción de biomasa a partir del NDVI. Una vez elegido el mejor modelo (cuadrático), se estimó de la vegetación para la sierra central del Perú a partir de las imágenes MODIS (2000 hasta 2018).
El NDVI del sensor MODIS siguió un patrón temporal similar de reflectancia espectral al NDVI registrado in situ indistintamente del tipo de vegetación (Figura 3). Estos valores pueden diferir según la estacionalidad, densidad, estado fenológico y tipo de pastizal (Gamon et al., 2006; Bolaños et al., 2007; Liu et al., 2017). Estos últimos autores, al estudiar el NDVI de pastizales del Tibet, reportaron patrones de reflectancia similares de reflectancia espectral temporal entre el NDVI - MODIS vs NDVI in situ.
Los valores de NDVI en la vegetación tipo pajonal bajo en la época húmeda fue de 0.36±0.13 y 0.41±0.14 in situ y MODIS, respectivamente; sin embargo, fue mayor para el caso de pajonal alto con valores de 0.42±0.14 y 0.44±0.14 in situ y MODIS, respectivamente para la misma época (Cuadro 2).
Los valores de reflectancia espectral registrados en esta investigación (Cuadro 2) fueron inferiores al valor de 0.49 reportado por Alatorre et al. (2010) al utilizar imágenes satelitales para la evaluación de la reflectancia de los pastizales, diferencia que podría atribuirse al estado fenológico de la planta. Las variaciones del NDVI están influenciadas por la dinámica de la vegetación (fenología y densidad) sujeto al régimen de precipitación, además, por las variaciones hora del día (nivel de radiación solar), época del año y composición de especies (Gamon et al., 2006). Para el caso de la reflectancia del pajonal alto en la época seca, los valores reportados por MODIS son muy superiores a los registrados in situ (Cuadro 2)
Calibración del NDVI
De los ocho modelos de calibración del NDVI MODIS con el NDVI in situ, se encontró que los modelos cuadráticos y cúbicos tuvieron buen desempeño para calibrar el NDVI-MODIS, debido a que presentaron mejores valores de RMSE y R2 (Cuadro 3).
SVMlinear es un método muy utilizado en detección remota (Li et al., 2015; Wang et al., 2017), para determinar biomasa aérea de pastizales (Clevers et al., 2007), como la aplicación en la clasificación de imágenes. Li et al. (2015) utilizando este modelo para clasificación de imágenes satelitales de alta resolución reportaron que la precisión del productor y del usuario fue de 66 y 83%. respectivamente en pastizales.
Modelos de Regresión de Biomasa Aérea y NDVI
Para la estimación de la biomasa se consideraron seis modelos de regresión según los mejores estimadores (Cuadro 4). Los valores de biomasa disponible registrados fueron en promedio de 2161.87 kgMS/ha. La vegetación tipo pajonal alto tuvo un promedio de 2936.29 kg MS/ha mientras que la vegetación tipo pajonal bajo fue de 1633.08 kg MS/ ha. El tipo de vegetación tiene un efecto fundamental sobre los diferentes valores de biomasa disponible incluso teniendo valores de NDVI similares.
El modelo cuadrático arrojó mejores estimadores para ambos tipos de vegetación (pajonal alto y bajo) debido al mejor índice de concordancia y coeficiente de determinación. Resultados similares reportaron Liu et al. (2017) al evaluar pajonales, mencionando un ajuste de r2: 0.565, 0.616 y 0.545 para los modelos lineal, exponencial y logarítmico, respectivamente, entre las correlaciones de NDVI in situ vs biomasa aérea (kg/ha). Por su parte, Chen et al. (2009), al utilizar modelos predictivos para la biomasa aérea de pastizales a partir del NDVI registrado in situ, reportan valores 2667.50±440.3 kg MS/ha; siendo similares a los reportados en este estudio.
Patrones Espacio Temporales de la Biomasa Aérea
El comportamiento mensual de la biomasa aérea de los pastizales altoandinos siguió el patrón de precipitación (Figura 4). Bolaños et al. (2007) reportaron similar comportamiento indicando que el patrón estacional de crecimiento está altamente asociado al régimen de humedad. La Figura 4 muestra que la vegetación empieza a crecer o rebrotar inmediatamente después del inicio de las precipitaciones, pudiendo alcanzar los 5000 kg MS/ha, siendo ligeramente mayor la biomasa para el caso del pajonal alto.
Sin embargo, en los pajonales (altos y bajos) del sur, la respuesta de la vegetación no es tan drástica a pesar de tener mayor régimen de humedad. Esto podría deberse a la calidad de los suelos, al sobrepastoreo y al estado de salud de la vegetación. Cabe mencionar que la precipitación desciende drásticamente entre los meses de marzo y abril en las tres zonas en estudio. Asimismo, para el caso del pajonal (alto y bajo) del centro, debido a que tiene una precipitación similar a la del norte, la vegetación también tiene un comportamiento similar en base a la respuesta de la humedad en el suelo (Figura 5). En las tres zonas de evaluación, el régimen de precipitación disminuye en los meses de junio a agosto, determinando que la cantidad de biomasa disminuya inmediatamente después de su descenso.