Detección de perturbaciones en pinares mediante series temporales Landsat y el algoritmo Edyn.

Autores/as

DOI:

https://doi.org/10.17398/3101-7177.2.171

Palabras clave:

series temporales, claras, defoliación, cambios

Resumen

Los bosques están expuestos a perturbaciones naturales y antrópicas que provocan cambios en la cobertura forestal de distinta duración e intensidad. Estas alteraciones pueden ser desde cambios abruptos hasta procesos graduales de degradación. La detección temprana y caracterización precisa de estos cambios es fundamental para la gestión forestal sostenible. Por otro lado, la teledetección se ha consolidado como una herramienta clave para el análisis de la dinámica forestal. Además, la creciente disponibilidad de series temporales de imágenes satelitales permite obtener una visión histórica coherente de la dinámica de los bosques. Este trabajo evalúa el rendimiento y la sensibilidad del algoritmo Edyn para la detección de perturbaciones en pinares del centro de la península Ibérica mediante el análisis de series temporales de datos Landsat (2014–2024). Para ello se analizaron dos tipos de perturbación: cortas y defoliación por procesionaria del pino (PPM).  El estudio se centró en consolidar una base de datos que integrara los dos tipos de perturbación, así como en identificar el índice espectral más sensible en cada caso, evaluando la magnitud de cambio estimada mediante NDVI, NBR, TCG y SAVI. Los resultados indican que el NDVI es el índice más sensible para la detección de cortas, mientras que el NBR es más sensible a las defoliaciones por PPM. El uso conjunto de índices adecuados y métricas estacionales mejora la identificación de cambios forestales y del agente que los provoca.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

Brooks, E.B., Wynne, R.H., Thomas, V.A., Blinn, C.E., Coulston, J.W., 2014. On-the-Fly Massively Multitemporal Change Detection Using Statistical Quality Control Charts and Landsat Data. IEEE Transactions on Geoscience and Remote Sensing 52, 3316–3332. https://doi.org/10.1109/TGRS.2013.2272545

Brooks, E.B., Yang, Z., Thomas, V.A., Wynne, R.H., 2017. Edyn: Dynamic Signaling of Changes to Forests Using Exponentially Weighted Moving Average Charts. Forests 8, 304. https://doi.org/10.3390/f8090304

Giambelluca, A. L., Hermosilla, T., Álvarez-Mozos, González-Audícana. J. M., 2025. Identifying forest harvesting practices: clear-cutting and thinning in diverse tree species using dense Landsat time series. For. Ecol. Manag., 578 (2025), Article 122442, 10.1016/j.foreco.2024.122442

Hansen, M.C., Stehman, S.V., Potapov, P.V., 2010. Quantification of global gross forest cover loss. Proceedings of the National Academy of Sciences 107, 8650–8655. https://doi.org/10.1073/pnas.0912668107

Hudak, A.T., Bright, B.C., Kennedy, R.E., 2013. Predicting live and dead basal area from LandTrendr variables in beetle-affected forests, in: MultiTemp 2013: 7th International Workshop on the Analysis of Multi-Temporal Remote Sensing Images. Presented at the MultiTemp 2013: 7th International Workshop on the Analysis of Multi-temporal Remote Sensing Images, pp. 1–4. https://doi.org/10.1109/Multi-Temp.2013.6866024

Huete, A.R., 1988. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment 25, 295–309. https://doi.org/10.1016/0034-4257(88)90106-X

Key, C.H., Benson, N.C., 2006. Landscape Assessment (LA).

Miguel S. Miguel, P. Ruiz-Benito, P. Rebollo, A. Viana-Soto, M.C. Mihai, A. García-Martín, M.2024 Tanase Forest disturbance regimes and trends in continental Spain (1985–2023) using dense landsat time series. Environ. Res., 262, Article 119802, 10.1016/j.envres.2024.119802

Montoya, R., Hernández, R., 1998. La procesionaria del pino. Madrid Plagas de Insectos en las Masas Forestales Españolas, Ministerio de Agricultura, Pesca y Alimentación, 67–84

Ramsfield, T.D., Bentz, B.J., Faccoli, M., Jactel, H., Brockerhoff, E.G., 2016. Forest health in a changing world: effects of globalization and climate change on forest insect and pathogen impacts. Forestry: An International Journal of Forest Research 89, 245–252. https://doi.org/10.1093/forestry/cpw018

Tucker, C.J., 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment 8, 127–150. https://doi.org/10.1016/0034-4257(79)90013-0

Zhao, K., Wulder, M.A., Hu, T., Bright, R., Wu, Q., Qin, H., Li, Y., Toman, E., Mallick, B., Zhang, X., Brown, M., 2019. Detecting change-point, trend, and seasonality in satellite time series data to track abrupt changes and nonlinear dynamics: A Bayesian ensemble algorithm. Remote Sensing of Environment 232, 111181. https://doi.org/10.1016/j.rse.2019.04.034

Zhu, Z., 2017. Change detection using landsat time series: A review of frequencies, preprocessing, algorithms, and applications. ISPRS Journal of Photogrammetry and Remote Sensing 130, 370–384

Descargas

Publicado

2026-06-03

Cómo citar

Detección de perturbaciones en pinares mediante series temporales Landsat y el algoritmo Edyn. (2026). Congresos UEx, Actas De Congresos, 2. https://doi.org/10.17398/3101-7177.2.171