- -

Tendencia anual, anomalías y predicción del comportamiento de cobertura de vegetación con imágenes Landsat y MOD13Q1, microcuenca Apacheta, Región Ayacucho

RiuNet: Institutional repository of the Polithecnic University of Valencia

Share/Send to

Cited by

Statistics

Tendencia anual, anomalías y predicción del comportamiento de cobertura de vegetación con imágenes Landsat y MOD13Q1, microcuenca Apacheta, Región Ayacucho

Show full item record

Moncada, W.; Willems, B.; Pereda, A.; Aldana, C.; Gonzales, J. (2022). Tendencia anual, anomalías y predicción del comportamiento de cobertura de vegetación con imágenes Landsat y MOD13Q1, microcuenca Apacheta, Región Ayacucho. Revista de Teledetección. 0(59):73-86. https://doi.org/10.4995/raet.2022.15672

Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/10251/180442

Files in this item

Item Metadata

Title: Tendencia anual, anomalías y predicción del comportamiento de cobertura de vegetación con imágenes Landsat y MOD13Q1, microcuenca Apacheta, Región Ayacucho
Secondary Title: Annual trend, anomalies and prediction of vegetation cover behavior with Landsat and MOD13Q1 images, Apacheta micro-basin, Ayacucho Region
Author: Moncada, Wilmer Willems, Bram Pereda, Alex Aldana, Cristhian Gonzales, Jhony
Issued date:
Abstract:
[EN] Climate variability in the Apacheta micro-basin has an impact on vegetation behavior. The objective is to analyze the annual trend, anomalies and predict the behavior of vegetation cover (CV) with Landsat images and ...[+]


[ES] La variabilidad climática en la microcuenca Apacheta impacta en el comportamiento de la vegetación. El objetivo es analizar la tendencia anual, anomalías y predecir el comportamiento de cobertura de vegetación (CV) ...[+]
Subjects: NDVI , Cobertura de vegetación , Predicción , Tendencia , Anomalías , Vegetation cover , Prediction , Trend , Anomalies
Copyrigths: Reconocimiento - No comercial - Compartir igual (by-nc-sa)
Source:
Revista de Teledetección. (issn: 1133-0953 ) (eissn: 1988-8740 )
DOI: 10.4995/raet.2022.15672
Publisher:
Universitat Politècnica de València
Publisher version: https://doi.org/10.4995/raet.2022.15672
Project ID:
info:eu-repo/grantAgreement/USAID//PGA_084063/Strengthening resilience of Andean river basin headwaters facing global change/
Thanks:
Este trabajo ha sido posible gracias a los proyectos “Strengthening resilience of Andean river basin headwaters facing global change” (PGA_084063), financiado por el Programa PEER de USAID y “Modelado de aguas ...[+]
Type: Artículo

Location


 

References

Abujayyab, S. K., Karaş, İ. R. 2019. Automated Prediction System for Vegetation Cover Based on MODIS-NDVI Satellite Data and Neural Networks. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-4/W19, 9-15. https://doi.org/10.5194/isprs-archives-XLII-4-W19-9-2019

Aguilar, H., Mora, R., Vargas, C. 2014. Metodología para la corrección atmosférica de imágenes Aster, Rapideye, Spot 2 y Landsat 8 con el módulo Flaash del software Envi. Revista Geográfica de América Central, 2(53), 39-59. https://doi.org/10.15359/rgac.2-53.2

Cairns, D. M. 2001. A Comparison of Methods for Predicting Vegetation Type. Plant Ecology, 156(1), 3-18. https://doi.org/10.1023/A:1011975321668 [+]
Abujayyab, S. K., Karaş, İ. R. 2019. Automated Prediction System for Vegetation Cover Based on MODIS-NDVI Satellite Data and Neural Networks. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-4/W19, 9-15. https://doi.org/10.5194/isprs-archives-XLII-4-W19-9-2019

Aguilar, H., Mora, R., Vargas, C. 2014. Metodología para la corrección atmosférica de imágenes Aster, Rapideye, Spot 2 y Landsat 8 con el módulo Flaash del software Envi. Revista Geográfica de América Central, 2(53), 39-59. https://doi.org/10.15359/rgac.2-53.2

Cairns, D. M. 2001. A Comparison of Methods for Predicting Vegetation Type. Plant Ecology, 156(1), 3-18. https://doi.org/10.1023/A:1011975321668

Ceroni, M., Achkar, M., Gazzano, I., Burgeño, J. 2015. Estudio del NDVI mediante análisis multiescalar y series temporales utilizando imágenes SPOT, durante el período 1998-2012 en el Uruguay. Revista de Teledetección. Asociación Española de Teledetección, 43, 31-42. https://doi.org/10.4995/raet.2015.3683

Dallal, G. E., Wilkinson, L. 1986. An Analytic Approximation to the Distribution of Lilliefors's Test Statistic for Normality. The American Statistician, 40(4), 294-296. https://doi.org/10.1080/00031305.1986.10475419

Forzieri, G., Castelli, F., Vivoni, E. R. 2010. A Predictive Multidimensional Model for Vegetation Anomalies Derived From Remote-Sensing Observations. IEEE Transactions on Geoscience and Remote Sensing, 48(4), 1729-1741. https://doi.org/10.1109/TGRS.2009.2035110

Han, J., Huang, Y., Zhang, H., Wu, X. 2019. Characterization of elevation and land cover dependent trends of NDVI variations in the Hexi region, northwest China. Journal of Environmental Management, 232, 1037-1048. https://doi.org/10.1016/j.jenvman.2018.11.069

Hoek van Dijke, A. J., Mallick, K., Teuling, A. J., Schlerf, M., Machwitz, M., Hassler, S.K., Blume, T., Herold, M. 2019. Does the Normalized Difference Vegetation Index explain spatial and temporal variability in sap velocity in temperate forest ecosystems? Hydrology and Earth System Sciences, 23(4), 2077-2091. https://doi.org/10.5194/hess-23-2077-2019

Huete, A., Didan, K., Miura, T., Rodriguez, 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), 195-213. https://doi.org/10.1016/S0034-4257(02)00096-2

Hyndman, R., Athanasopoulos, G., Bergmeir, C., Caceres, G., Petropoulos, F., Chhay, L., O'Hara- Wild, M., Yasmeen, F. 2020. Package «Forecast». Forecasting functions for time series and linear models. https://pkg.robjhyndman.com/forecast/

Hyndman, R. J., Khandakar, Y. 2008. Automatic Time Series Forecasting: The forecast Package for R. Journal of Statistical Software, 27(1), 1-22. https://doi.org/10.18637/jss.v027.i03

ITT Visual Information Solutions. 2009. ENVI Atmospheric Correction Module: QUAC and FLAASH User's Guide, Version 4.7, pp. 44. http://www.harrisgeospatial.com/portals/0/pdfs/envi/ Flaash_Module.pdf

Katchanov, Y. L., Markova, Y. V., Shmatko, N. A. 2019. The distinction machine: Physics journals from the perspective of the Kolmogorov-Smirnov statistic. Journal of Informetrics, 13(4), 100982. https://doi.org/10.1016/j.joi.2019.100982

Lilliefors, H. W. 1967. On the Kolmogorov-Smirnov Test for Normality with Mean and Variance Unknown. Journal of the American Statistical Association, 62(318), 399-402. https://doi.org/10.1080/01621459.1967.10482916

Moncada, W., Willems, B. 2020a. Spatial and temporal analysis of surface temperature in the Apacheta micro-basin using Landsat thermal data. Revista de Teledetección, 0(57), 51-63. https://doi.org/10.4995/raet.2020.13855

Moncada, W, Willems, B. 2020b. Tendencia anual del caudal de salida, en referencia al caudal ecológico en la microcuenca Apacheta / Ayacucho / Perú, del 2000 al 2018. Ecología Aplicada, 19(2), 93-102. https://doi.org/10.21704/rea.v19i2.1560

Moncada, W, Willems, B., Rojas, J. 2020. Estimación de estadíos estacionales a partir de parámetros climáticos medidos en la estación meteorológica de la microcuenca Apacheta, Región Ayacucho, 2000 al 2018. Revista de Investigación de Física. UNMSM, 23(2), 17-25. https://doi.org/10.15381/rif.v23i2.20296

Nanzad, L., Zhang, J., Tuvdendorj, B., Nabil, M., Zhang, S., Bai, Y. 2019. NDVI anomaly for drought monitoring and its correlation with climate factors over Mongolia from 2000 to 2016. Journal of Arid Environments, 164, 69-77. https://doi.org/10.1016/j.jaridenv.2019.01.019

Neinavaz, E., Skidmore, A. K., Darvishzadeh, R. 2020. Effects of prediction accuracy of the proportion of vegetation cover on land surface emissivity and temperature using the NDVI threshold method. International Journal of Applied Earth Observation and Geoinformation, 85, 101984. https://doi.org/10.1016/j.jag.2019.101984

Olivo, A. 2017. Clasificación de la vegetación del Karst de Sierra de las Nieves, utilizando imágenes Landsat (Sierra de las Nieves, Málaga, Andalucía, España) [Masters, E.T.S.I de Minas y Energía]. http://oa.upm.es/48286/

Pereda, A., Moncada, W., Verde, L. 2018. Respuesta nival de la cabecera de cuenca Cachi-Apacheta de Ayacucho: Vol. I. Editorial Académica Española. https://www.morebooks.shop/store/es/book/ respuesta-nival-de-la-cabecera-de-cuenca-cachi- apacheta-de-ayacucho/isbn/978-620-2-12620-5

Qiu, B., Zeng, C., Cheng, C., Tang, Z., Gao, J., Sui, Y. 2014. Characterizing landscape spatial heterogeneity in multisensor images with variogram models. Chinese Geographical Science, 24(3), 317-327. https://doi.org/10.1007/s11769-013-0649-y

Rashmi, M. K., Lele, N. 2010. Spatial modeling and validation of forest cover change in Kanakapura region using GEOMOD. Journal of the Indian Society of Remote Sensing, 38(1), 45-54. https://doi.org/10.1007/s12524-010-0011-0

Sánchez, J. M. 2016. Análisis de Calidad Cartográfica mediante el estudio de la Matriz de Confusión. Pensamiento Matemático, 6(2), 9-26. Disponible en https://dialnet.unirioja.es/servlet/ articulo?codigo=5998855

Spiegel, M., Stephens, L. 2009. Estadística (4a. edición). McGraw-Hill. Interamericana Editores, S.A. https://www.academia.edu/36241872/Estad%C3%ADstica_Serie_Schaum_4ta_edici%C3%B3n_Murray_R_Spiegel_pdf_1_1_

Taylor, S., Letham, B. 2017. Forecasting at scale. PeerJ Preprints 5, 25. https://doi.org/10.7287/peerj.preprints.3190v2

Tornero, J. 2017. Introducción al Forecasting con R Statistics [Estadística]. Doctor Metrics. https://www. doctormetrics.com/introduccion-al-forecasting-con-r-statistics/

Zaraza, M. A., Manrique, L. M. 2019. Generation of change data of land cover in the Bogotá savannah using time series with Landsat images and MODIS-Landsat synthetic images between 2007 and 2013. Revista de Teledetección, 0(54), 41-58. https://doi.org/10.4995/raet.2019.12280

[-]

recommendations

 

This item appears in the following Collection(s)

Show full item record