Utilidad de imágenes Landsat 7 ETM+ de diferentes fechas para la estimación de biomasa aérea en bosques subtropicales secos de Argentina a
b
b
c
Néstor I. Gasparri , María G. Parmuchi , Julieta Bono , Haydée Karszenbaum , b Celina L. Montenegro (a)
Laboratorio de Investigaciones Ecológicas de las Yungas (LIEY) – CONICET. Universidad Nacional de Tucumán (UNT). C.C. 34 CP 4107, Yerba Buena, Tucumán, Argentina
[email protected] (b) Unidad de Manejo del Sistema de Evaluación Forestal (UMSEF). Dirección de Bosques. Secretaría de Ambiente y Desarrollo Sustentable (SAyDS). San Martín 451, C1004AAI, Buenos Aires, Argentina (c) Instituto de Astronomía y Física del Espacio (IAFE-CONICET). Ciudad Universitaria, C1428EGA, Buenos Aires, Argentina
RESUMEN La biomasa es fundamental para realizar estimaciones de carbono en bosques y conocer su estado de conservación. En este trabajo, se realiza un estudio multitemporal de imágenes satelitales para evaluar su uso en la estimación de biomasa del bosque seco del Parque Chaqueño de Argentina. Se estimó biomasa aérea a partir de datos de campo que se correlacionó con información espectral. El principio de la estación seca resultó ser la mejor época para vincular datos satelitales con estructura del bosque, ya que los pastos y arbustos se ven más afectados por el déficit hídrico que los árboles. Palabras claves: biomasa, bosque, Parque Chaqueño.
ABSTRACT Above-ground biomass is a key parameter in the estimates of the carbon stock in forests and to know about their status of conservation. In this work, a multi-temporal analysis of satellite images is done in order to assess its use in estimating above-ground biomass in dry forests of the Parque Chaqueño region in Argentina. Biomass was estimated from field data and was correlated to spectral data. The beginning of the dry season resulted the best period to relate remote sensing data to forest structure since grasses and shrubs are more affected by water deficit than trees. Keyboards: biomass, forest, Parque Chaqueño
Introducción El cambio del uso de la tierra es un proceso relevante con consecuencias locales, regionales y globales (Foley et al., 2005). Principalmente, la deforestación es uno de los cambios con mayor impacto sobre el ciclo del carbono global. Sin embargo, otro proceso importante es la degradación, la cual no representa un reemplazo total del bosque pero modifica la estructura y función del mismo como
resultado especialmente de la extracción forestal selectiva, pastoreo e incendios (Nepstad et al., 2003; Asner et al., 2005; Hougthon, 2005; Foley et al., 2007). La biomasa aérea del bosque es una variable clave para disminuir la incertidumbre en las estimaciones de las emisiones de carbono por deforestación, además de ser un indicador útil para determinar el estado de conservación de los bosques y su valor
económico. La medición de la biomasa en el terreno implica procedimientos de muestreo destructivo sumamente costosos y muchas veces impracticables, por lo cual comúnmente la misma se estima a partir de muestreos de inventarios forestales aplicando fórmulas de volumen. Además, la biomasa es variable en el espacio y muchas veces responde no sólo a factores climáticos y edáficos sino también a patrones de uso humano. Es por ello que la utilización de imágenes satelitales se presenta como una herramienta adecuada para mejorar las estimaciones de reservas de carbono y elaborar mapas de biomasa. La aplicación de imágenes satelitales para la estimación de biomasa presentó buenos resultados en bosques de zonas templadas (Lawrence y Ripple, 1998; Boyd et. al., 2002; Dong et. al., 2003). Por el contrario, en bosques húmedos tropicales esta herramienta ha dado resultados limitados al relacionar datos satelitales con biomasa, índice de área foliar o edad de los bosques secundarios (Nelson et. al., 2000; Steininger, 2000; Foody et. al., 2001; Lu et al., 2004). En los casos donde se establecieron buenas relaciones, éstas no han podido ser extrapoladas en el tiempo y el espacio (Foody et al., 2003). Dado que las imágenes satelitales adquiridas en diferentes fechas permiten observar la respuesta espectral de la superficie terrestre a lo largo del tiempo, incluyendo diferentes estados fenológicos, los estudios multitemporales permiten mejorar la capacidad de monitorear variables biofísicas respecto al uso de una única fecha (Dymond et al., 2001; Cohen et al., 2003; Volcani et al., 2004). Los bosques secos tropicales y subtropicales forman parte de los ecosistemas más amenazados del mundo (Hoekstra et al., 2005). En Sudamérica se encuentra la mayor superficie de estos ecosistemas principalmente en el Cerrado en Brasil y el Parque Chaqueño en Argentina, Bolivia, Paraguay y una pequeña porción de Brasil. Estos bosques están sufriendo una rápida reducción de superficie como consecuencia del avance de la frontera agrícola (Klink y Machado, 2005; Grau et al., 2005; Zak et al., 2004). En Argentina, debido principalmente al cultivo de soja, la deforestación ha sido de aproximadamente 200.000 ha/año entre los años 1998 y 2002 en el Parque Chaqueño (UMSEF, 2007). A partir de estimaciones preliminares obtenidas de datos de inventario forestal, las emisiones de CO2 resultantes del proceso de deforestación representarían la mayor fuente de emisiones
del país (Gasparri y Manghi, 2004). En este trabajo, se realiza un estudio multitemporal de imágenes satelitales a fines de evaluar su utilidad para la estimación de biomasa aérea del bosque seco del Parque Chaqueño de Argentina.
Materiales y Métodos Área de estudio, diseño de muestreo y mediciones de campo El área de estudio está localizada en la región forestal Parque Chaqueño (subregión Semiárida) en el noroeste de Argentina (entre 23,5º S - 27º S y entre 62,5º O – 63,5º O), particularmente en las provincias de Santiago del Estero, Chaco, Salta y Formosa (Fig. 1). Esta área está dominada por bosques xerófilos y abarca aproximadamente 63.000 km2 incluyendo la mayor parte de la zona conocida como El Impenetrable, el cual es la mayor área de bosque continuo del país. El área presenta un relieve plano con suelos originados a partir de sedimentos eólicos y fluviales provenientes de los ríos más importantes de la región (Teuco, Bermejito y Salado). Esta zona presenta altas temperaturas con una media anual de 22-23ºC, siendo la temperatura del mes más caluroso (Enero) igual a 28ºC y la temperatura del mes más frío (Julio) de 16ºC. Esta área corresponde a una de las zonas más calurosas de América del Sur presentando una tempertura máxima absoluta mayor a 48ºC. La precipitación anual es baja (entre 400 y 900 mm) con un marcado patrón de estacionalidad de tipo monzónica y las lluvias ocurren de noviembre a marzo (Minetti, 1999). La vegetación nativa presente en el área de estudio está caracterizada por un bosque subtropical seco dominado por Schinopsis lorentzii, Aspidosperma quebracho blanco y Bulnesia sarmientoi asociadas con otras especies como Ziziphus mistol, Caesalpinia paraguayensis y Prosopis spp. (Cabrera, 1976). Las especies más comunes dentro del estrato superior son perennes (B. sarmientoi y A. quebracho-blanco) y semideciduas (S. lorentzii), mientras que en el estrato inferior son deciduas como Z. mistol, Prosopis spp. y C. paraguarensis (Hueck, 1978; Giménez y Moglia, 2003). Estos bosques presentan una variación importante en área basal desde 1 a 2 15 m /ha (Primer Inventario Nacional de Bosques Nativos de Argentina, 2005). El sotobosque está dominado principalmente por
b
a
SALTA
FORMOSA
P229R7 7
c
CHACO
P229R
78
SANTIAGO DEL ESTERO
Fig. 1. (a) Área de estudio (Imágenes Landsat en punteado blanco) y unidades de muestreo, (b) Argentina en Sudamérica y (c) Área de estudio en el Parque Chaqueño en Argentina. P: path, R: row. arbustos o pastos y en algunos casos, por suelo desnudo. La principal actividad económica es la cría de ganado desarrollada frecuentemente dentro del bosque. A su vez, la producción de carbón y la extracción de leña para el consumo local son actividades importantes en la zona. En particular, se desarrollan en esta área actividades agrícolas incipientes que están restringidas por el régimen de precipitación. Los datos de campo utilizados en este trabajo para estimar la biomasa aérea fueron adquiridos en el año 2000 para la realización del Primer Inventario Nacional de Bosques Nativos de Argentina. En este trabajo, se seleccionaron 15 unidades de muestreo (UM) de un grupo de datos provenientes de un diseño de muestreo sistemático (grilla de 50 x 50 km), los cuales fueron georreferenciados e incorporados a un sistema de información geográfica (SIG) (Fig. 1). El tamaño de cada UM fue de 800 x 10 m donde se determinó la especie y se midieron el diámetro a la altura del pecho (DAP) y la altura de todos los árboles con DAP mayor a 10 cm. Para cada UM se estimó el volumen por especie utilizando fórmulas estándares de volumen desarrolladas por Sevola (1975). Posteriormente, se estimó la biomasa aérea para cada una de las muestras siguiendo la metodología propuesta por Brown (1997), utilizando datos de densidad de madera (peso seco por unidad de volumen) provenientes del Instituto Nacional de Tecnología Industrial (INTI-CITEMA, 2003).
Datos satelitales y parámetros biofísicos
su
relación
con
Debido a la complejidad de los ecosistemas presentes en la región Parque Chaqueño, el análisis temporal de datos espectrales permite mejorar notablemente la capacidad para discriminar la vegetación en la región (Cohen et al., 2003). A fines de evaluar esta capacidad, se adquirieron un grupo de imágenes satelitales Landsat 7 ETM+ (path/row: 229/77 y 229/78) (Fig. 1) de diferentes fechas: 28 Julio 2001, 9 Marzo 2002, 12 Mayo 2002, 24 Febrero 2003 y 13 Abril 2003. Este grupo de imágenes incluye diferentes estados fenológicos de la vegetación. El preprocesamiento de las imágenes comprendió la georreferenciación y el cálculo de reflectancia en superficie. En una primera etapa, las imágenes correspondientes a la fecha del mes de Julio fueron georreferenciadas utilizando parámetros orbitales y puntos de referencia en el terreno geolocalizados con un Sistema de Posicionamiento Global (GPS) y dichas imágenes georreferenciadas fueron utilizadas como referencia para corregistrar el resto de las imágenes. Para llevar a cabo la corregistración, se identificaron 50 puntos de control para cada imagen y se aplicó una transformación polinómica de primer orden con un error cuadrático medio menor al píxel (30 m), utilizando como método de remuestreo el del vecino más cercano. El sistema de proyección utilizado fue el sistema oficial adoptado por Argentina (Gauss Krüger, Datum WGS 84). En una segunda etapa, se calculó la reflectancia en superficie para todas las imágenes utilizando la corrección atmosférica de Rayleigh (Kaufman, 1989). Luego, se calcularon los siguientes índices de vegetación: Índice de Vegetación Normalizado (Normalized Difference Vegetation Index - NDVI) e Índice de Vegetación Ajustado al Suelo (Soil-Adjusted Vegetation Index - SAVI). El NDVI es un índice comúnmente utilizado que refleja las características de la vegetación tales como biomasa aérea, biomasa verde y contenido de clorofila (Tucker, 1979). Dicho índice combina la banda del rojo (RED) y la del infrarrojo cercano (NIR) de la siguiente manera: NDVI = (NIR – RED) / (NIR + RED). El SAVI fue propuesto por Huete (1988) para minimizar la variación espectral debida al aporte del tipo de suelo presente debajo de la vegetación. Este índice se calcula como SAVI = (1 + L) * (NIR – RED) / (NIR + RED + L) donde L = 0.5 a fines de reducir el efecto del suelo en una zona con
vegetación de densidad intermedia. Luego, se generó para cada UM una transecta de 800 m y alrededor de la misma se construyó un área buffer de 50 m, a partir de las cuales se seleccionaron las muestras espectrales (reflectancia media de cada banda de Landsat 7 ETM+ exceptuando la banda del infrarrojo térmico) y las muestras de los índices de vegetación (medias del NDVI y del SAVI). Todos los procedimientos fueron realizados utilizando los programas ArcView GIS 3.2a y ERDAS Imagine 8.5. Por último, se realizó una correlación de los datos de biomasa aérea con los valores espectrales de las diferentes bandas y con los valores de los índices de vegetación calculados para todas las fechas analizadas, utilizando una prueba no paramética de Sperman a dos colas. El análisis de las correlaciones obtenidas permitirá identificar la mejor fecha para estimar biomasa aérea en la zona de estudio a partir del desarrollo de modelos empíricos, los cuales son importantes para relacionar variables biofísicas medidas a campo con datos provenientes de sensores remotos (Cohen et al., 2003).
Resultados Las muestras seleccionadas para el área de estudio (N=15) presentan valores de biomasa aérea entre 54,6 y 135 Tn/ha y un promedio de 102 Tn/ha (Tabla 1). Por otra parte, las firmas espectrales de las muestras correspondientes a las bandas ETM para cada fecha analizada evidencian el patrón común encontrado para los bosques secos en la región Parque Chaqueño (Fig. 2), con bajos valores para las bandas 1 (azul) y 3 (rojo) y un máximo relativo en la banda 2 (verde) en verano (Febrero y Marzo) y otoño (Mayo y Abril) de acuerdo al comportamiento de absorción y reflexión de la clorofila. Por el contrario, la banda 4 (infrarrojo cercano) presenta una alta reflectancia debido a la reflexión de la estructura interna de la hoja (mesófilo) mientras que las bandas 5 y 7 (infrarrojo medio) muestran una disminución en la reflectancia como resultado de la absorción del contenido de agua en las hojas. La diferencia entre las bandas 4 y 5 es mayor en verano y también en Abril.
Tabla 1. Biomasa estimada de las unidades de muestreo Unidad de muestreo
Biomasa aérea (Tn/ha)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
54,6 135,0 79,4 101,3 92,5 93,3 99,4 103,0 103,5 122,6 92,1 132,6 86,2 125,4 113,0
En invierno (Julio) existe un cambio en la relación entre dichas bandas mientras que el máximo relativo para la banda 2 desaparece. Esto se debe a que los bosques abiertos semideciduos disminuyen su actividad fotosintética debido a la pérdida de biomasa verde durante esta estación del año. La banda 4 presenta una variación estacional: altos valores en la época lluviosa y bajos en la seca. El comportamiento de los diferentes índices de vegetación para las distintas muestras en función de la biomasa aérea se muestra en la figura 3. El NDVI varía entre 0.44 en invierno (Julio) y 0.77 al final del verano (Marzo) mientras que el SAVI evidencia menores variaciones (0,17 – 0,37) entre invierno y verano. El NDVI muestra una tendencia a aumentar a medida que los valores de biomasa aumentan para la fecha de Mayo 2002, aunque las muestras 14, 12 y 2 no siguen este comportamiento. Por último, los coeficientes de correlación (r) entre los valores de biomasa estimados a partir de mediciones en el campo y los valores espectrales e índices de vegetación se observan en la tabla 2. La fecha del 12 Mayo 2002 presenta más correlaciones significativas que las demás fechas (bandas 2, 3, 5 y 7, NDVI).
25 28/07/2001 INVIERNO 09/03/2002 VERANO 12/05/2002 OTOÑO
Reflectancia en superficie (%)
20
24/02/2003 VERANO 13/04/2003 OTOÑO
15
10
5
0 B1
B2
B3
B4
B5
B7
Banda Landsat 7 ETM+
Fig. 2. Firmas espectrales para las fechas analizadas
Discusión A partir de los resultados obtenidos, el uso de técnicas de sensoramiento remoto podría ser de utilidad para la estimación de la biomasa aérea del bosque en la subregión Semiárida del Parque Chaqueño. Tal como proponen Feeley et al. (2005) para los bosques secos de Venezuela, el bosque chaqueño también presenta algunas ventajas sobre los bosques perennes en cuanto al uso de la teledetección ya que en esta zona es más factible obtener imágenes libres de nubes y además existen ciclos fenológicos marcados, representando diferentes oportunidades para detectar las características de la vegetación. En cuanto a las correlaciones, se presentaron en este trabajo coeficientes de correlación significativos entre NDVI y biomasa aérea para la fecha del 12 Mayo 2002 (r = 0.559, p < 0.05), comparables con los obtenidos para NDVI y biomasa en Brasil y Tailandia (Foody et al., 2003), NDVI y cobertura arbórea en Venezuela (Feeley et al., 2005) y reflectancia de las bandas TM y biomasa en Brasil (Steininger, 2000). Dado que los bosques secos de la región Parque Chaqueño no presentan alta biomasa aérea, el NDVI no alcanzó valores elevados y por lo tanto el problema de saturación de dicho índice discutido en otros trabajos (Gilabert et al., 1997; Purevdorj et al., 1998; Dong et al., 2003) no resultó relevante en el área de estudio. Por otra parte, Asner (1998) encontró
correlaciones significativas entre la reflectancia correspondiente a la banda del infrarrojo cercano (NIR) y la biomasa aérea del bosque, aunque los resultados presentados en este trabajo no evidenciaron lo mismo. Dado que se trata de un bosque abierto, es posible que el suelo esté influyendo en la señal que recibe el sensor. Al calcular el SAVI, el cual incorpora un factor de corrección para reducir o suprimir el efecto del suelo (L), no se obtuvieron buenas correlaciones, aunque probablemente un sólo valor de L no abarca la totalidad de la variación de los tipos de suelo que caracterizan la región. La posibilidad de explorar datos multitemporales permitió encontrar una correlación significativa entre datos satelitales y biomasa aérea al comienzo de la estación seca (otoño) mientras que no se obtuvieron buenos resultados para las fechas correspondientes a verano e invierno. Esto podría deberse a una respuesta fenológica diferencial de los tipos de vegetación (árboles, arbustos y pastos) a las condiciones climáticas que se presentan a lo largo del año. Si bien no se dispone de trabajos específicos para la región Parque Chaqueño, en general la fenología de los árboles está regulada principalmente por los mecanismos de almacenamiento de agua en la planta y el acceso a las reservas de agua subterránea (Borchert, 1994; William et al., 1997; Do et al., 2005). Los árboles tienen una rápida reacción cuando reciben las primeras precipitaciones al comienzo de la estación lluviosa y por lo tanto la aparición de las hojas ocurre sin un
0.90
0.80
NDVI
0.70
0.60
0.50
0.40
0.30 1
3
13
11
5
6
7
4
8
9
15
10
14
12
2
1
3
13
11
5
6
7
4
8
9
15
10
14
12
2
0.40
0.35
SAVI
0.30
0.25
0.20
0.15
0.10
Unidad de muestreo Fecha
28-jul-01
09-mar-02
12-may-02
24-feb-03
13-abr-03
Fig. 3. Índices de vegetación para las unidades de muestreo analizadas en las diferentes fechas. Las muestras se encuentran en orden creciente de biomasa. importante desfasaje en el tiempo. Pero la pérdida de las hojas en los mismos responde más lentamente a la disminución de las lluvias y la defoliación no estaría regulada exclusivamente por la falta de precipitaciones sino también por un complejo mecanismo relacionado con la evapotranspiración y la disponibilidad de agua subterránea. Por el contrario, la vegetación que tiene acceso sólo al agua superficial (arbustos y pastos) tiene una
rápida respuesta a la disminución en las precipitaciones, reduciendo su actividad fotosintética al comienzo de la estación seca (William y Running, 2004; Do et al., 2005; Spessa et al., 2005). En este sentido, el ciclo fenológico del bosque chaqueño estaría respondiendo al mecanismo general descripto para otros bosques secos, donde los arbustos y pastos se ven afectados por la sequía al comienzo de la estación seca (Abril-Mayo) dado
Banda Espectral Landsat 7 ETM+
Fecha
Índices de Vegetación NDVI SAVI
B1
B2
B3
B4
B5
B7
28JUL01
-0,200
-0,088
-0,144
-0,174
-0,159
-0,218
0,035
-0,050
09MAR02
-0,365
-0,541*
-0,497
-0,141
-0,574*
-0,465
0,465
0,144
12MAY02
-0,493
-0,514*
-0,614*
-0,057
-0,521*
-0,654**
0,559*
0,203
24FEB03
-0,326
-0,453
-0,288
-0,338
-0,397
-0,356
0,191
-0,090
13ABR03
-0,597**
-0,629**
-0,421
-0,262
-0,182
-0,156
0,253
-0,129
Tabla 2. Coeficientes de correlación entre biomasa aérea y datos espectrales e índices de vegetación. (* p < 0.05 y ** p < 0.01) que poseen solamente raíces superficiales mientras que los árboles tienen mayor capacidad de explorar y utilizar las aguas subterráneas y por lo tanto, la defoliación comenzaría a mediados de la estación seca (Junio-Agosto) con un máximo al final de la misma (Septiembre-Noviembre). Sumado a esto, las primeras heladas en Mayo tienen un gran efecto sobre los pastos y arbustos, declinando su actividad fotosintética en la subregión Semiárida del Parque Chaqueño (Kunst y Bravo, 2003). En consecuencia, el comienzo de la estación seca (Abril-Mayo), cuando la mayor proporción de la actividad fotosintética corresponde a los árboles, sería el período más apropiado para relacionar datos satelitales con cobertura de árboles y biomasa desarrollando modelos de regresión. La variación climática interanual también podría afectar la fenología y por lo tanto la respuesta espectral, indicando que es importante considerar la situación particular de cada año a fines de mejorar las estimaciones. A partir de datos climáticos del centro del área de estudio (Taco Pozo, provincia del Chaco) (Galván et al., 2003; SAGPyA, 2007), característicos del régimen semiárido, se conoce por ejemplo que las precipitaciones correspondientes a las seis semanas previas a la fecha de adquisición de las imágenes de Abril 2003 (comienzo de la estación seca) fue mayor que la media histórica para dicho período (aproximadamente 344 y 145 mm respectivamente), representando más de la mitad de las precipitaciones anuales (aproximadamente 650 mm). Es por ello, que la firma espectral para Abril 2003 fue similar a ambas fechas de verano (Fig. 2), cuando las precipitaciones son mayores, presentando también en este caso la mayoría de las correlaciones no significativas (Tabla 2). Posiblemente, datos satelitales de Abril de un
año con precipitaciones normales podría mostrar respuestas similares a las encontradas para Mayo 2002. Por otra parte, las precipitaciones correspondientes a las seis semanas previas al 12 Mayo 2002 fueron similares a los valores medios históricos (60 mm).
Conclusiones La información de la estructura del bosque y especialmente la biomasa a nivel regional es fundamental para estudios de cambio global. Los resultados presentados en este trabajo sugieren que las imágenes satelitales Landsat 7 ETM+ proveen datos valiosos que pueden ser relacionados con información de campo para desarrollar metodologías de monitoreo de biomasa aérea de los bosques secos de la subregión Semiárida del Parque Chaqueño. El mecanismo fenológico, fuertemente asociado con la disponibilidad de agua, resulta crítico para determinar la época más apropiada de adquisición de imágenes satelitales. De este trabajo se deduce que el uso de datos satelitales de comienzos de la estación seca permitiría estimar la biomasa aérea dado que los pastos y arbustos sufren más intensamente las restricciones hídricas que los árboles en esta época en un año con régimen normal de precipitaciones.
Referencias Asner, G.P. 1998. Biophysical and biochemical sources of variability in canopy reflectance. Rem. Sens. Environ. 64, 234-253. Asner, G., Knapp, D., Broadbent, E., Oliveira, P., Keller, M., Silva, J. 2005. Selective logging in the Brazilian Amazon. Science 310, 480-482. Borchert, R. 1994. Soil and stem water storage determine phenology and distribution of tropical dry forest trees. Ecology 75, 1437-1449.
Boyd, D.S., Foody, G.M., Ripple, W.J. 2002. Evaluation of approaches for forest cover estimation in the Pacific Northwest, USA, using remote sensing. Appl. Geography 22, 375-392. Brown, S. 1997. Estimating Biomass and Biomass Change of Tropical Forests: a Primer. FAO Forestry Paper Nº 134. Cabrera, A.L. 1976. Regiones Fitogeográficas de Argentina. ACME, Buenos Aires. Cohen, W., Maiersperger, T., Gower, S., Turner, D.P. 2003. An improved strategy for regression of biophysical variables and Landsat ETM+ data. Rem. Sens. Environ. 84, 561-571. Do, F., Goudiaby, V., Gimenez, O., Diagne, A., Diouf, M., Rocheteau, A., Akpo, L. 2005. Environmental influence on canopy phenology in the dry tropics. For. Ecol. Man. 215, 319-328. Dong J., Kaufmann, R., Myneni, R.B., Tucker, C.J., Kauppi, P.E., Liskid, J., Buermann, W., Alexeyev, V., Hughes, M.K. 2003. Remote sensing estimates of boreal and temperate forest woody biomass: carbon pools, sources, and links. Rem. Sens. Environ. 84, 393-410. Feeley, K., Gillespie, T., Terborgh, J. 2005. The utility of spectral indices from Landsat ETM+ for measuring the structure and composition of tropical dry forest. Biotropica 37, 508-519. Foley, J., DeFries, R., Asner, G., Barford, C. Bonan, G., Carpenter, S., Chapin, F., Coe, M., Daily, G., Gibbs, H., Helkowski, J., Holloway, T., Howard, E., Kucharik, C., Monfreda, C., Patz, J., Prentice, I., Ramankutty, N., Snyder, P. 2005. Global consequences of land use. Science 309, 570-574. Foley, J., Asner, G., Costa, M., Coe, M., DeFries, R., Gibbs, H., Howard, E., Olson, S., Patz, J.A., Ramankutty, N., Snyder, P. 2007. Amazonia revealed: forest degradation and loss of ecosystem goods and services in the Amazon Basin. Front. Ecol. Environ. 5, 25-32. Foody, G., Cutler, M., McMorrow, J., Pelz D., Tangki, H., Boyd, D., Douglas, I. 2001. Mapping the biomass of Bornean rain forest from remotely sensed data. Global Ecol. Biogeogr. 10, 379-387. Foody, G., Boyd, D., Cutler, M. 2003. Predictive relations of tropical biomass from Landsat TM data and their transferability between regions. Rem. Sens. Environ. 85, 463-474. Galvan, L., Infante, C., Acuña, L.R., Angueira, C. 2003. Análisis espacial de precipitaciones en la provincia de Santiago del Estero a escalas temporales mensual y anual. Proceedings Congreso Regional de Ciencia y Tecnología NOA. SeCyT. Univ. Nacional de Catamarca. Gasparri, N.I., Manghi, E. 2004. Estimación de volumen, biomasa y contenido de carbono de
las regiones forestales argentinas. UMSEF. Dirección de Bosques, SAyDS, Argentina. http://www.ambiente.gov.ar/archivos/web/UMS EF/File/volumen_biomasa_carbono.pdf Gilabert, M.A., González-Piqueras, J., GarcíaHaro, J. 1997. Acerca de los índices de vegetación. Revista de teledetección 8, 1-10. Giménez, A.M., Moglia, J.G., 2003. Árboles del Chaco Argentino: guía para el reconocimiento dendrológico. UNSE-SAyDS, Argentina. Grau, H., Gasparri, N., Aide, T. 2005. Deforestation trends and soybean expansion in subtropical Argentina. Envir. Cons. 32,140-148. Hoekstra, J., Boucher, T., Ricketts, T., Roberts, C. 2005. Confronting a biome crisis: global disparities of habitat loss and protection. Ecology Letters 8, 23-29. Hougthon, R.A. 2005. Aboveground forest biomass and the global carbon balance. Global Change Biol. 11, 945-958. Hueck, K. 1978. Los bosques de Sudamérica. Ecología, composición e importancia económica. GTZ, Eschborn, BRD. Huete, A.R. 1988. A soil-adjusted vegetation index (SAVI). Rem. Sens. Envir. 25, 295-309. INTI – CITEMA , 2003. Listado de densidades de maderas. http://www.inti.gov.ar/maderas/pdf/ densidad_cientifico.pdf Kauffman, Y.J. 1989. The atmospheric effect on remote sensing and its correction. In: Asrar, G. (Ed.), Theory and Application of Optical Remote Sensing. New York. Klinck, C., Machado, R. 2005. Conservation of the Brazilian Cerrado. Cons. Biol. 19, 703-713. Kunst, C.R., Bravo, S. 2003. Ecología y régimen de fuego en la región chaqueña argentina. In: Kunst, C.R., Bravo, S., Panigatti, J.L. (Eds.), Fuego en los ecosistemas argentinos. INTA. Sgo. del Estero, pp. 109-118. Lawrence, R.L., Ripple, W.J. 1998. Comparisons among vegetation indices and bandwise regression in a highly disturbed, heterogeneous landscape: Mount St. Helens, Washington. Rem. Sens. Environ. 64, 91-102. Lu, D., Mausel, P., Brondízio, E., Moran, E. 2004. Relationships between forest stand parameters and Landsat TM spectral responses in the Brazilian Amazon Basin. For. Ecol. Manage. 198, 149-167. Minetti, J.L. 1999. Atlas Climático del Noroeste Argentino. Laboratorio Climatológico Sudamericano, Tucumán, Argentina. Nelson, R., Kimes, D.S., Salas, W.A., Routhier, M. 2000. Secondary forest age and tropical forest biomass estimation using thematic mapper imagery. Bioscience 50, 419-431.
Nepstad, D., Verissimo, A., Alencart, A., Nobre, C., Lima, E., Lefebvre, P., Schlesinger, P., Potter, C., Moutinho, P., Mendoza, E., Cocrhane, M., Brooks, V. 2003. Large-scale impoverishment of Amazonian forests by logging and fire. Nature 398, 505-5008. Primer Inventario Nacional de Bosques Nativos de Argentina. 2005. Proyecto Bosques Nativos y Áreas Protegidas. Secretaría de Ambiente y Desarrollo Sustentable, Buenos Aires. Purevdorj, T., Tateishi, R.T.I., Honda, Y. 1998. Relationships between percent vegetation cover and vegetation indices. Int. J. Rem. Sens. 19, 3519-3535. SAGPyA (Secretaría de Agricultura Ganadería Pesca y Alimentación). 2007. Registro pluviométricos semanales 1999-2004. http://www.sagpya.mecon.gov.ar/. Sevola, Y. 1975. Cubicación de árboles en el inventario forestal del noroeste argentino. Spessa, A., McBeth, B., Prentice, C. 2005. Relationship among fire frequency, rainfall and vegetation patterns in the wet-dry tropics of northern Australia: an analysis based on NOAAAVHRR data. Global Ecology and Biogeography 14, 439-454. Steininger, M.K. 2000. Satellite estimation of tropical secondary forest above-ground biomass: data from Brazil and Bolivia. Int. J. Rem. Sens. 21, 1139-1157 Tucker, C.J. 1979. Red and photographic infrared linear combinations for monitoring vegetation. Rem. Sens. Environ. 8, 127-150. UMSEF. 2007. Monitoreo de la superficie de bosque nativo de Argentina. www.ambiente.gov.ar/umsef William, M. J., Running, S.W. 2004. Effect of precipitation and soil water potential on drought deciduous phenology in the Kalahari. Global Change Biol.10, 303-308. Williams, R.J., Myers, B.A., Muller, W.J., Duff, G.A., and Eamus, D. 1997. Leaf phenology of woody species in a north Australian tropical savanna. Ecology 78, 2542-2558. Zak M., Cabido, M., Hodgson, J. 2004. Do subtropical seasonal forests in the Gran Chaco, Argentina, have a future? Biol. Cons. 120, 589598.
