Articulo

Universidad Del Valle

Ingeniería Topográfica Teledetección Espacial

Mónica Alejandra Musse-0941416 [email protected]

El fitoplancton es el conjunto de microorganismos marinos ubicados en la base de la cadena alimenticia oceánica, realizan el 70% de la fotosíntesis del planeta siendo la fuente de producción de materia orgánica, usan luz solar para convertir nutrientes en plantas, el pigmento de la clorofila presente en estas es el responsable de su color. En este estudio usando sensores capaces de medir la cantidad de energía reflejada de las diferentes longitudes de onda se estima la productividad primaria de materia orgánica en el sector sur de la Costa Pacífica Colombiana a partir del cálculo de la concentración de clorofila procedente del fitoplancton. En esta medida se procesaron en el software ERDAS imágenes Landsat TM y ETM+ de tres épocas diferentes 1986, 1998 y 2001, para manifestar la variabilidad temporal de la producción primaria. El fin de esta investigación es proporcionar una herramienta cartográfica actualizada a la industria pesquera que muestre la localización de las zonas ligadas a una alta productividad evitando perdidas económicas sujetas no solo a la actividad de comercialización sino a los esfuerzos pesqueros en desplazamientos de embarcaciones y despliegue de del arte de pesca en lugares de bajo rendimiento productivo. Como se expresó se obtiene como resultado la concentración de clorofila en el sitio de estudio y la productividad primaria siendo mayor en la zona cercana a la costa y disminuyendo con la distancia a esta, esto se representa en una cartografía con proyección UTM zona 18 n, los datos fueron validados con el producto MODIS nivel 3 de productividad primaria modelo VGPM. De los resultados se pudo concluir la utilidad de los datos obtenidos de sensores remotos para el estudio de diferentes fenómenos en distintas cubiertas de la superficie terrestre, permitiendo estudiar fenómenos físicos siendo indispensable recolectar información in-situ de la cubierta estudiada para lograr una mayor aproximación al fenómeno estudiado.

1.

Colombia como país tropical, tiene una de las mayores biodiversidades del planeta. En la geografía costera del país se mezclan desde zonas áridas en la Guajira hasta selvas tropicales húmedas en el Chocó. Se encuentran bien representados los ecosistemas de estuarios, manglares y lagunas costeras. Las áreas marítimas para Colombia cobran importancia por su biodiversidad, productividad, papel que juegan frente al clima global, y desarrollo de actividades humanas. por tanto desde hace algunos años el país ha establecido el seguimiento y estudio de los procesos marinos, un ejemplo es el IDEAM Instituto de Hidrología, Meteorología y Estudios Ambientales, desarrollando diferentes estudios en Meteorología Marina, examinando el componente biológico marino incorporando la variable clorofila en su modelo conceptual del sistema climático con el fin de relacionar el comportamiento de algunos grupos planctónicos con los parámetros físicos y

químicos que presenta el medio marino, bien sea en condiciones normales o alteradas por diferentes eventos tales como los relacionados con los fenómenos ENOS. De la misma manera existen otras entidades a nivel comercial interesadas en conocer la variación de la productividad primaria, causada por cambios biológico, físicos y climáticos en el entorno marino, obteniendo esta información podrían establecer un mejor manejo de la actividad pesquera y un mayor entendimiento del impacto de fenómenos naturales en la variación de la productividad. [1] Las metodologías usadas para investigar la productividad en el mar implementan mediciones directas en zonas costeras hasta mediciones indirectas con técnicas de teledetección. [2] La teledetección es un conjunto de técnicas que permiten obtener información de un objeto, área o fenómeno, mediante el análisis de los datos obtenidos por un mecanismo que no está en

mailto:[email protected]



contacto físico con el objeto, área o fenómeno que se estudiará. Con esta herramienta se puede monitorear el comportamiento de mares y océanos en procesos físicos y biológicos que desarrollan un papel fundamental en el clima mundial, influyen en el desarrollo de gran parte de las actividades humanas y son importantes para identificar el potencial económico de diferentes regiones del océano. [3] En especial se puede monitorear el comportamiento del fitoplancton productores primarios dominantes dentro ambientes acuáticos. En aguas oceánicas, son la fuente de energía que controla la vida en niveles más altos de la cadena trófica. La producción primaria y biomasa de este microorganismo proveen la entrada local, regional y global para modelos de ciclos bioquímicos aplicados a cambio climático. Las variaciones de la fisiología del fitoplancton, biomasa y productividad primaria se controlan por factores primarios como concentración de pigmentos y luz solar. También por factores secundarios como la temperatura, los nutrientes, estratificación de la mezcla vertical. [4] Los sensores remotos ofrecen el potencial para la observación gráfica, global de los océanos y podría resolver muchas de las incertidumbres actuales de estimaciones primarias de producción. La lectura a distancia con sensores constituye una herramienta valiosa para estudiar el cambio biológico, especialmente dentro de aguas costeras dinámicas en tiempo y espacio en comparación con la información in-situ. Que ha tenido mucho éxito hasta la fecha en determinar la producción primaria pero la metodología está substancialmente limitada para una extensión en pequeña de espacio y tiempo, muchas regiones del océano tienen pocos o ninguno de los datos. La falta de observaciones que los acontecimientos de breve duración no son frecuentemente probados. [5] Aunque los sensores remotos no miden productividad primaria directamente, existen satélites de color que capturan la radiancia a

través de la atmosfera de la tierra en una longitud de onda de absorción alta media y baja del pimento del fitoplancton, adicionalmente existen modelos empíricos pueden ser aplicados para derivarse de las observaciones de radiancia de agua del océano concentraciones de pigmentos especialmente de clorofila tipo a y posteriormente obtener productividad primaria. La información de composición de pigmento del fitoplancton mejora la comprensión de su composición, variabilidad y relación con procesos de fotosíntesis, los cuales están ligados a la capacidad productiva. [6] En este documento se consigna el procedimiento ejecutado para obtener la productividad primaria en el sector sur de la Costa Pacífica Colombiana, usando imágenes procedentes del sensor landsat Tm y Landsat TM+, de los años 1986,1998 y 2001. Primero se realiza un pre procesamiento de las imágenes donde se realiza corrección geométrica y atmosférica. [7] Seguidamente se calcula la radiancia y con esta la reflectancia, posterior a este proceso se computa la concentración de clorofila empleando un polinomio de tercer orden. [8] Por último se calcula la productividad primaria utilizando dos modelos empíricos, el primero OC3M es una función lineal donde requiere solo la concentración de clorofila a lo largo de la zona de estudio, el segundo modelo es conocido como VGPM o producción vertical generalizada, este demanda de una visita a campo ya que emplea no solo la concentración de clorofila y la temperatura superficial, también necesita parámetros como el fotoperiodo del fitoplancton, la profundidad de la zona eufótica, entre otros. [9] Se obtiene la concentración de clorofila y la productividad primaria de materia orgánica a lo largo de la zona de estudio, se generan productos cartográficos, adicionalmente se comprueba que los fenómenos físicos como cambios de temperatura alteran la productividad primaria, por tanto se requiere un monitoreo constante de la productividad primaria en las zonas de pesca por



parte de la industria con el objetivo de evitar pérdidas económicas.

2.

2.1 Zona de estudio

Se estima la variabilidad temporal de la producción primaria del fitoplancton en el sector sur de la Costa Pacífica Colombiana. Desde la longitud 77° 41ʾ 09.64ʾʾW hasta 77° 56 ʾ 24.94ʾʾ W y latitud 2° 40ʾ 58.73ʾʾN hasta 2° 55 ʾ 00.68ʾʾ N. En la figura (1) se observa la zona de estudio.

Figura 1: Zona de estudio.

Se eligió esta zona debido a que es considerada como una región con alta actividad biológica y un sumidero de dióxido de carbón (CO2), junto a la energía proveniente del sol, el agua y los minerales del suelo, el fitoplancton realiza su producción de materia orgánica. Otra razón de importancia son la amplia gama de fenómenos marinos que van desde las mareas, marejadas de tempestad, paso de ondas kelvin costeras, hasta fenómenos de gran escala espacio temporal como el Fenómeno Cálido del Pacifico (Niño). Adicionalmente la costa Pacífica colombiana es susceptible a tsunamis. Los sucesos mencionados propician anomalías en la temperatura superficial y subsuperficial del agua lo cual causa cambios en las condiciones ambientales, por ejemplo en los ciclos del carbono, oxigeno, y otros elementos esenciales para la producción de materia orgánica en el mar y por ende de vida en este. La figura (2) muestra las anomalías en la temperatura y en el nivel medio del mar sufridas en la Costa Pacífica durante el fenómeno del Niño.

Figura 2: Anomalías térmicas en la Costa Pacífica. Fuente: Pabón & Rojas (2000). Se pueden observar anomalías positivas que van por encima del nivel medio del mar y de la temperatura media, anomalías negativas que son los niveles por debajo del nivel medio del mar y de la temperatura media.

2.2 Recolección de datos La teledetección permite cartografiar y evaluar de forma continua y global la distribución espacial y la evolución temporal del fitoplancton, permitiendo calcular la producción primaria oceánica cuando ocurren eventos que causan singularidades, como el caso del fenómeno de ENOS anomalías térmicas por tanto se utilizan imágenes de sensores remotos. El primer paso metodológico consta de la adquisición de los datos satelitales a partir de información de la NASA. Las especificaciones datos requeridos se presentan en la tabla (1) y tabla (2).



Tabla 1: Especificación de los datos empleados.

Tabla 2: Fecha de datos empleados.

1. Imágenes Landsat

Fecha Sensor

02/11/1986 TM

04/02/1998 TM

09/04/2001 ETM+

2. Productos MODIS

Fecha Producto

01/04/2001 VGPM

02/02/1998 VGPM

La información para el procesamiento de la productividad primaria se descarga del portal (http://glcfapp.glcf.umd.edu:8080/esdi/) Earth Science Data Interface (ESDI) de la NASA, para las imágenes Landsat se especificó un row de 58 y un path de 10, de los años 1986,1998 y 2001. La información para validad el proyecto se obtiene del portal MODIS (http://modis.gsfc.nasa.gov/), productividad del océano, productividad primaria modelo VGPM (basado en concentración de clorofila), resolución temporal 8 días, de los años

1998, 2001, coincidiendo los meses de la captura de las imágenes Landsat empleadas.

2.2 Pre-procesamiento Digital

Para el tratamiento digital de las imágenes se empleó el software ERDAS 9.2. Una vez se obtienen los datos se realiza un sondeo preliminar efectuando la composición de las bandas y composiciones en color, para conocer las cubiertas de la imagen e identificar la zona de estudio a trabajar, esta debe tener la menor cantidad de nubes, sombras o de cualquier elemento que origine ruido en el procesamiento. En la figura (3) se muestra a la izquierda la imagen descargada y a la derecha el recorte realizado en esta de la zona de estudio aledaña a la costa.

Figura 3: Zona de estudio composición 4, 3, 2.

Se efectúa la corrección atmosférica para eliminar las distorsiones que la atmósfera introduce en la energía electromagnética que llegan al sensor desde la superficie terrestre, este proceso se lleva a cabo incorporando el algoritmo de valores mínimos del histograma. Este procedimiento consiste en corregir los valores digitales ND de la imagen, obteniendo la máxima correlación entre la señal registrada y las características de la superficie observada, desplazando hacia 0 el histograma de cada banda a través de la ecuación (1).

(1)

Donde i hace referencia a las filas y j a las columnas de la imagen conformando el pixel. Posteriormente en el pre-procesamiento se realizó la corrección geométrica de las imágenes procedentes del sensor TM a partir del sistema de referencia conocido de la imagen obtenida del sensor ETM+ indicando 21 puntos conocidos y

1. Imágenes Landsat TM y ETM+

Cantidad: 3

Fecha: (1986-2001)

Número de Banda

Rango espectral

(micrómetros) Zona del espectro

Resolución Espacial (metros)

1 0.45-0.51 Visible-

azul 30

2 0.52-0.61 Visible-verde 30

3 0.63-0.69 Visible-

rojo 30

4 0.75-0.69 Infrarrojo próximo 30

5 1.55-1.75 Infrarrojo

lejano 30

6 10.40-12.5 Térmico lejano 60

7 2.09-2.35 Térmico Próximo 30

Pancromática 0.52-0.90 Visible 15

2. Producto MODIS color del océano

Sensor AQUA

Nivel 3

Contenido Productividad primaria

modelo VGPM

Resolución Temporal 8 días

http://glcfapp.glcf.umd.edu:8080/esdi/

http://modis.gsfc.nasa.gov/



existentes en estas y realizando una interpolación por el método del vecino más cercano para obtener las coordenadas de toda la extensión de las imágenes que no poseían sistema de referencia. Seguidamente se convierten los valores digitales de la imagen satelital a radiancia con el modelo descrito en la ecuación (2).

= (2)

Donde k hace referencia a las bandas es la radiancia, ND son los niveles digitales, a0 es el sesgo y a1 es la ganancia, estos coeficientes de calibración son definidos en los metadatos para cada banda según el sensor de las imágenes Landsat empleadas. En la tabla (3) se especifica cada uno de estos.

Tabla 3: Coeficientes de ganancia y sesgo. Satélite ETM+ TM

Banda Ganancia Sesgo Ganancia Sesgo

1 0.778740 -6.98 0.7658270 -2.29

2 0.798819 -7.20 1.4481890 -4.29

3 0.621654 -5.62 1.0439760 -2.21

4 0.639764 -5.74 0.8760240 -2.39

5 0.126220 -1.13 0.1203540 -0.49

6 0.037205 3.16 0.0553760 1.18

7 0.043898 -0.39 0.0655510 -0.22

2.3 Procesamiento digital En el fitoplancton se encuentran pigmentos asimiladores como las clorofilas, los carotenoides y las ficobilinas, los cuales absorben la energía lumínica necesaria para foto-sintetizar los compuestos orgánicos a partir de los inorgánicos, proceso denominado “fotosíntesis”, en otras palabras fija el dióxido de carbono (CO2) en materia orgánica. Se considera que la clorofila_a es la más importante debido a que es el pigmento fotosintético fundamental que no falta en ninguna alga ni planta superior. Figura (4) y (5) muestra el comportamiento de absorción y reflectancia de la clorofila en distintas longitudes de onda del espectro electromagnético

Figura 4: Absorción de la clorofila en la cubierta vegetal.

Figura 5: Absorción de la clorofila.

Se puede observar de la figura que la clorofila_a absorbe su energía de las longitudes de onda Violeta –Azul (400 – 500 nm) y Rojo naranja –Naranja (600 – 700 nm), y un poco de las longitudes de onda intermedias (Verde-Amarillo-Naranja (500 – 600nm)); también absorbe en el extremo naranja-rojo del espectro (con longitudes de onda mayores y menor energía). La medición de la clorofila_a se puede realizar mediante la utilización de sensores remotos, los cuales permiten la obtención de datos del color del océano. Con la información de concentración de los pigmentos presentes, se aplican modelos de productividad, para obtener la producción primaria de materia orgánica en el mar. La secuencia de procedimientos para obtener la productividad primaria de materia orgánica a partir de imágenes satelitales se describe a continuación: 2.3.1 Cálculo de Concentración de Clorofila_a A partir de la radiancia computada en el pre-procesamiento se obtiene la reflectancia trasformando los valores, ecuación (3).

(3)

Donde es la reflectancia, es la radiancia espectral, es la irradiancia espectral, d2 es la distancia de corrección de la tierra al sol y es el ángulo del cenit solar. Los



datos de y se obtienen de los metadatos de cada imagen. En la tabla (4) se muestran los valores empleados en este proceso.

Tabla 4: Coeficientes empleados para obtener

reflectancia.

Año 1986 53.0826817 1998 119.331957 2001 79.3630276 TM5 ETM+

BANDA ESUNλ BANDA ESUNλ

1 1983 1 1997

2 1796 2 1812

3 1536 3 1533

4 1031 4 1039

5 220 5 230.8

7 83.44 7 84.9

Utilizando la reflectancia se calcula la concentración de clorofila a partir algoritmo del polinomio de tercer orden ecuación (4). [ ]

(4)

Donde X es la reflectancia, A (0, 1, 2, 3) son coeficientes definidos para la concentración del pigmento tipo clorofila_a, en la tabla (5) se muestran los valores usados.

Tabla 5: Coeficientes utilizados para estimar la concentración de clorofila_a.

Pigmentos λ1/λ2 A0 A1 A2 A3

Grupo_A Pigmentos

TChl_a 490/555 0.025 -3.033 2.096 -1.607

Fuente: Pan et al 2010.

2.3.2.1 Cálculo de la Productividad Primaria OC3M El algoritmo OC3M es un modelo empírico para adquirir la concentración de clorofila, donde se emplea una función lineal, ecuación (5). (5)

Donde PP es la producción primaria y C es la concentracion de clorofila hallada anteriormente.

2.3.2.2 Cálculo de la Productividad Primaria VGPM Se estima la productividad primaria con un segundo modelo generalizado de producción vertical VGPM, este muestra la relación de concentración de clorofila y productividad primaria en la columna de agua de las capas eufóticas. Ecuación (6)

[

]

(6)

Donde E0 es la superficie del mar diaria en la cual la radiación fotosintética es activa PAR, CSAT es la concentración de clorofila de la superficie obtenida con el satélite, Zeu es la profundidad física de la zona eufotica definida como la profundidad donde penetra el 1% de la irradiancia de la superficie, Dirr es el fotoperiodo diario en horas decimales empleado por el fitoplancton para desarrollar la

actividad de fotosíntesis, es la tasa de

fijación del carbón en la columna de agua valorada a partir de la ecuación (7).

(7)

Donde T es la temperatura de la superficie del mar, esta es un parámetro físico calculado a partir de las imágenes de sensores remotos con la ecuación (8).

(

)

(8)

Donde TB es la temperatura de brillo del sensor, longitud de onda media de la banda térmica (11,5*10-6), tiene el valor 1,438*10-2 m*K, procedente de operar las constantes de Planck,

Boltzman y la velocidad de la luz y es la emisividad.

La temperatura de brillo debe ser calculada con la ecuación (9)

(

)

(9)



Donde K1 y K2 son constantes y equivalen a 666.09 Wm2sr-1um-1, 1282.71 K, respectivamente y es la radiancia espectral de la banda térmica, calculada con la ecuación (2) y los coeficientes de la tabla (3).

Para computar la temperatura superficial también se requiere el cálculo de la emisividad y se realiza según la ecuación (10).

(10)

Donde es igual a la emisividad superficial de la

vegetación (0,985), es la emisividad superficial del suelo (0,978) y fv se obtiene a partir de la ecuación (11).

[

]

(11)

Donde es igual a 0.6 y es el valor de orientación de la hoja y NDVI es el índice de vegetación de diferencia normalizado y se halla con la ecuación (12).

(12)

Donde equivale a la reflectancia de la banda

del infrarrojo cercano y es la reflectancia de la banda roja del visible. A continuación en la tabla (6) se muestra el valor empleado para las variables manejadas en el algoritmo VGPM. Tabla 6: Párametros para obtener la productividad

primaria por el modelo VGPM. Autor E0 (m) Zeu (m) Dirr (horas)

Gall & Zeldis(2011) 85 2.6 Pabón & Rojas (2000) 100

2.4 Validación Este es el último procedimiento realizado para verificar la veracidad y precisión de la información hallada en el procesamiento de las imágenes de sensores remotos, para esto se usa el producto MODIS del sensor Aqua nivel 3, que contiene el mapeo de la distribución de productividad primaria por medio del modelo VGPM. Se calcula el error medio cuadrático ecuación (13) y se obtiene el

error en la estimación de la producción primaria de materia orgánica en el sector sur de la Costa Pacífica Colombiana.

√∑

(13)

Donde RMSE es el error medio cuadrático, Yi es el valor de la producción primaria del producto MODIS y yi es la producción primaria estimada con las imágenes en la investigación. 2.5 Mapeo de la Concentración de Clorofila y Productividad Primaria A partir de este proyecto se generan dos productos, el primero es la distribución de concentración de clorofila y el segundo es la distribución de la productividad primaria por medio del modelo VGPM, en el sector sur de la Costa Pacífica Colombiana, con proyección UTM zona 18 norte, datum WGS 84, elipsoide WGS84. Esta cartografía se obtiene a partir de las imágenes procesadas que contienen la concentración de clorofila y la productividad primaria, haciendo una clasificación no supervisada, en el software ERDAS, se generan 5 clases iguales para las dos imágenes y se computa el área que corresponde a cada una de estas. Por último en el software ArcGIS 9.3 se genera la salida gráfica.

3.

3.1 Pre-procesamiento

a) Corrección atmosférica: Esta se realizó en las tres imágenes a procesar pretendiendo disminuir el ruido introducido por la atmósfera mediante fenómenos de dispersión y absorción de la energía electromagnética. Lo que se consigue es reducir los niveles digitales capturados por el sensor de las cubiertas eliminando los valores mínimos del histograma para cada banda, evitando sobreestimar durante el procesamiento digital la información calculada. En la figura (6) se muestran las imágenes logradas después del proceso de corrección atmosférica, los cambios



significativos se cuantifican verificando el valor de los pixeles.

a)

b)

c) Figura 6: Imágenes obtenidas después de la corrección atmosférica,

a) 1986, b) 1998, c) 2001. Composición 5,4, 3.

En estas imágenes se puede valorar previamente los cambios ocurridos en el tiempo, expresadas por ejemplo a través de la distribución de distintas tonalidades de azul del océano, que como primera aproximación hacen referencia a los cambios en variables químicas y físicas como la concentración de clorofila, la temperatura, la salinidad, entre otros. También se observa cerca de la línea de costa de las imágenes de 1986 y 2001 un color magenta para el océano, producto de procesos natural o antrópicos que requieren una visita a la zona de estudio.

b) Corrección Geométrica: Esta se realizó con el objetivo de asignar un sistema de referencia a las imágenes de 1986 y 1998 que no poseían en el momento de la descarga, se ejecutó en el software ERDAS empleando su función de corrección geométrica a partir del sistema de referencia conocido para la imagen del 2001 sensor ETM+. A continuación en la tabla (7) se muestran los resultados logrados.

Tabla 7: Resultados de la corrección geométrica.

Fecha de imágenes

Tipo de proyección asignada

Datum asignado

Esferoide asignado

Error en m

02/11/1986 UTM- zona

18N WGS-84 WGS-84 0.012

04/02/1998 UTM- zona

18N WGS-84 WGS-84 0.010

Se obtuvo un error en la corrección admisible dado la resolución del pixel de las imágenes landsat (30m), este procedimiento es de importancia ya que al tener un error bajo se asegura la precisión de la distribución espacial de la información conseguida en el procesamiento de las imágenes.

3.2 Procesamiento Digital

3.2.1 Distribución de Clorofila

Este procedimiento se efectuó una vez realizada la corrección atmosférica, convirtiendo los valores digitales en radiancia y seguidamente estos a reflectancia. Este es un paso esencial para el cómputo de la productividad primaria ya que el fitoplancton posee muchos pigmentos, dentro de estos la clorofila_a, la cual absorbe la energía lumínica para el proceso de fotosíntesis y producción de materia orgánica. En la figura (7) se muestra la distribución de la clorofila obtenida en el procesamiento en durante 1986,1998 y 2001.

a)

b)

C) Figura 7: Distribución de la concentración de clorofila_a, a) 1986, b) 1998, c) 2001.

LEYENDA

Concentración de Clorofila

Value

Alta

Baja



Se evidencia mayor concentración de clorofila_a cerca a la costa a través de una extensión considerable y disminuye con la distancia existiendo una rebaja paulatina a medida que esta aumenta. Se observa mayor concentración de clorofila_a en los años 1998 y 2001 en comparación a 1986.

Seguidamente la tabla (8) muestra los valores mínimos y máximos obtenidos en la zona de estudio para la concentración de clorofila en las distintas fechas evaluadas.

Tabla 8: Concentración de clorofila

Año Concentración

min mg/m3 Concentración

max mg/m3

Concentración promedio

mg/m3

1986 0.109 1.941 0.228

1998 0.680 2.177 1.050

2001 0.463 2.045 0.969

Con la tabla (8) se puede corroborar que se registraron mayores valores de concentración de clorofila para el año 1998, seguida de valores altos hallados en 2001 y valores inferiores en 1986, que adicionalmente presenta el promedio de concentración más bajo lo que indica una concentración moderada del pigmento en ciertas zonas, con algunos valores altos en otras.

3.2.2.1 Distribución de productividad primaria

modelo OC3M

A partir de la concentración de clorofila se ejecuta el modelo lineal de productividad primaria OC3M para las tres imágenes de la zona de estudio. Figura (8)

a)

b)

c) Figura 8: Productividad primaria modelo OC3M, a) 1986, b) 1998, c)

2001.

La productividad primaria hallada con este modelo se distribuye de la misma manera que la concentración de clorofila, siendo un resultado esperado, puesto que para su cálculo se tuvo en cuenta solo ese parámetro, reflejando la alta correlación existente entre la concentración de clorofila y la productividad primaria. Es decir la productividad primaria es mayor cerca a la costa donde hay mayor concentración de clorofila y disminuye a medida que aumenta la distancia a esta, ya que hay menor concentración de clorofila. A partir de las imágenes se puede inferir la existencia de mayor productividad primaria en el año 1998, seguido del año 2001 y una menor productividad primaria en 1986, donde se presentan productividad primaria con valores moderados en la mayor extensión de la zona de estudio y valores altos solo en la zona noreste. A continuación en la tabla 9 se muestran los valores mínimos, máximos y promedios de productividad primaria obtenidos para las tres imágenes procesadas. Tabla 9: Productividad primaria, método OCM3.

Año PP min mg C/m2*dia

PP max mg C/m2*dia

PP promedio mg C/m2*dia

1986 192.25 984.66 291.04

1998 543.46 1051.00 694.08

2001 436.71 1014.20 662.57

Con estos valores se confirma que hay mayor productividad primaria en el año 1998, presentando el promedio más alto, por otro lado se observa menor productividad primaria en 1986 registrando el valor mínimo más bajo y el menor promedio.

LEYENDA

Productividad primaria

Value

Alta

Baja



3.2.2.2 Distribución de productividad primaria

modelo VGPM

Para este modelo se halló en primer lugar los

valores de temperatura superficial del mar en las

tres fechas y el resultado se muestra en la figura

(9).

a)

b)

c) Figura 9: Temperatura superficial del mar, a) 1986, b) 1998, c) 2001.

En la figura (9) se manifiestan los cambios de temperatura con el paso del tiempo, siendo variable su distribución geográfica en el transcurso de este, se deduce que la mayor temperatura se genera en el suelo y la menor temperatura en el mar, sin embargo en una panorámica multitemporal se puede observar que en la figura (9 b) la temperatura de la línea de costa y de parte del océano se elevó a un grado comparable al suelo, , de la misma manera se puede detallar con menor extensión pero con un grado muy alto la temperatura de la línea de costa en la figura (9a), estos hechos van ligados al fenómeno del Niño que ocurre cuando los vientos alisios se debilitan y desde Indonesia y Australia llegan a Suramérica las aguas cálidas del Pacífico y desplazan las aguas frías de la corriente de Humboldt procedentes del Antártida, hecho ocurrido según la comunidad andina (2009) en los años 1986 y 1998. Por otra parte se pueden inferir menores temperaturas en el año 2001, ya que las mayores

se presentan en el suelo y moderadamente en la línea de costa. Este cambio en la temperatura se genera por el fenómeno de la Niña o enfriamiento de los vientos alisios. La figura (10) presenta un reporte de episodios de fenómeno del niño y la niña elaborado a partir de NOAA.

Figura 10: Índice del Niño Oceánico 1970-2008. Fuente: Comunidad Andina (2009).

Adicionalmente se muestra en la tabla (10) las temperaturas máximas mínimas y promedio halladas a partir del procesamiento.

Tabla 10: Temperatura de la superficie del mar. Temperatura Superficial del mar (TS) en el sector sur de la Costa Pacífica Colombiana

imágen TS max c TS min c Promedio c

1986 12.799 19.672 16.594

1998 10.000 14.329 12.370

2001 14.329 18.213 15.678

A partir de la tabla se puede corroborar la existencia de mayor temperatura en el año 1986, aunque se registra temperatura mayor en el 2001 en comparación a 1998, espacialmente la distribución de esta temperatura alta se da solo en el suelo.

Con la temperatura superficial se computa el modelo de fijación de carbón en la columna vertical de agua y posteriormente se calcula el modelo VGPM, siendo ventajoso puesto que minimiza los efectos de la temperatura en la obtención de la productividad primaria. La figura (11) muestra el resultado de este método.

a)

LEYENDA

Temperatura superficial

Value

Alta

Baja

LEYENDA

Productividad Primaria

Value

Alta

Baja



b)

C) Figura 11: Productividad primaria modelo VGPM. a)1986, b)1998,

c)2001.

Se puede observar espacialmente un comportamiento similar de la productividad primaria comparado con los resultados logrados con el modelo OC3M, es decir una conducta lineal con la concentración de clorofila. Encontrando niveles de productividad de materia orgánica altos cercanos a la costa, donde se hallaba la mayor concentración de clorofila_a.

En la tabla (11) se muestra un reporte de los valores máximos, mínimos y promedios de productividad primaria hallada con el algoritmo VGPM. Tabla 11: Productividad primaria, método VGPM.

Año PP min

mg/m2*dia PP max

mg/m2*dia PP promedio mg/m2*dia

1986 107.68 1920.10 225.23

1998 517.10 1654.70 797.90

2001 439.92 1944.20 921.71

En contraste al modelo OC3M, podemos hallar el valor de productividad primaria más alto registrado en el año 2001, siendo en el año 1998 la productividad primaria máxima más baja, sin embargo esta presenta el valor mínimo más alto y la distribución geográfica de los valores con productividad alta se sostiene cerca de la costa. Puesto que se hallaron diferencias en la productividad primaria arrojada por los algoritmos, estos se sometieron a un proceso de correlación para las tres fechas, figura (12).

a)

b)

c) Figura 12: Correlación de los métodos OCM y VGPM. a) 1986,

b)1998, c) 2001.

Se halló en las tres fechas un coeficiente de correlación positivo y alto, para el cómputo de la productividad primaria con los dos modelos, lo que a su vez indica una relación lineal y proporcional entre los resultados arrojados, no obstante al uso de distintos parámetros y variación en cifras. En conclusión la productividad primaria de los dos modelos varían sistemáticamente con respeto a sus valores homónimos.

Se puede corroborar mediante el análisis de las imágenes procesadas que no existe una relación lineal entre la temperatura y la productividad primaria, ya que no siempre se cumple que a medida que aumenta una aumenta la otra, ni tampoco a medida que disminuye una aumenta la otra, el fenómeno que ocurre es que existe un rengo óptimo para la temperatura en el cual el



fitoplancton puede desarrollar su actividad fotosintética.

3.3 Validación

La validación se implementó desarrollando un

muestreo aleatorio de la productividad primaria a

partir de la línea de la costa, tomando 500 puntos

distribuidos de esta variable en las imágenes

procesadas en el proyecto con el modelo VGPM y

en los productos MODIS de productividad primaria

por el modelo VGPM en dos años, 1998 y 2001 ya

que no existía producto para 1986.

Seguidamente la tabla (12) presenta el error medio cuadrático hallado en el procesamiento.

Tabla 12: Error medio Cuadrático

El error medio cuadrático obtenido en el proyecto es aceptable dado las condiciones en el que se desarrolló, específicamente a la ausencia de información in-situ. Se observa un error similar en el procesamiento de la productividad primaria de los dos años validados, esto es debido al error sistemático equivalente inducido en ambas para la obtención del VGPM.

3.4 Mapeo de Concentración de Clorofila y

Productividad Primaria

Posteriormente a la obtención las imágenes

procesadas con la concentración de clorofila y la

productividad primaria elaborada a partir del

modelo VGPM se realizó una clasificación no

supervisada donde se especificaron cuatro clases

para baja clorofila y productividad, media,

moderada y alta. Los resultados del mapeo de

concentración de clorofila se muestran en la figura

(13) y la productividad primaria en la figura (14).

a)

b)

c) Figura 13: Mapa de concentración de clorofila. a) 1986, b) 1998, c)

2001

. a)

Imágen

Muestras

Yi(modelo)

(mgC/m2*dia)

yi (medida)(mg

C/m2*dia) RSME(mgC/

m2*dia)

1998 500 1200 1500 13.430

2001 500 1540 1820 12.534



b)

c) Figura 14: Mapa de productividad primaria. a) 1986, b) 1998, c)

2001.

Por último la tabla (13) muestra el resumen de la

clasificación realizada en las imágenes, rango de

cada clase según la concentración de clorofila y

productividad primaria adicionado el área

perteneciente para cada clase.

Tabla 13: Productividad primaria, método VGPM y concentración de clorofila.

Estos valores ya habían sido discutidos

anteriormente, por tanto se propone a partir de la

figura (15), hacer un análisis de la productividad y

concentración por área según la clase a la que

pertenecen.

a)

Concentración de clorofila (Tchl_a) y Productividad primaria (pp)

Img Características

Clase1 (baja)

Clase2( media)

Clase3 (moder

ada) Clase4 (alta)

1986

Tchl_a(mg/m3)

0.11-0.56 0.56-1.06

1.06-1.51

1.51-1.94

pp (mgC/ m2*dia)

107.68-560.78

560.78-1013.89

1013.89-

1466.99 1466.9-1920.1

Área (ha) 12774 23757 32551 4655

1998

Tchl_a(mg/m3)

0.68-1.05 1.05-1.42

1.42-1.79

1.79-2.17

pp(mgC/ m2*dia)

517.1-801.5

801.5-1085.90

1085.90-

1370.30 1370.30-1654.7

Área (ha) 15263 21621 22374 14478

2001

Tchl_a(mg/m3)

0.46-0.86 0.86-1.26

1.26-1.66

1.66-2.04

pp (mgC/ m2*dia)

439.92-815.99

815.99-1192.06

1192.06-

1568.13 1568.13-1944.2

Área (ha) 13525 21723 22383 16105



b)

c)

Figura 15: Área de concentración de clorofila según clase. a) 1986,

b) 1998, c) 2001.

Con esta figura se puede concluir claramente que la mayor concentración de clorofila y por ende de productividad primaria se presenta en el 2001 donde el área de la clase 4 que corresponde a alta concentración de clorofila y productividad es mayor a los años anteriores, en tanto en 1986 se muestra un valor bajo para esta clase y a pesar de que en el año 1998 ostenta un valor alto en la clase 4, también se presenta un valor elevado en área en la clase 1 que es la de concentración de clorofila baja. Al concluir que existe mayor productividad primaria en el 2001 se infiere que este hecho está relacionado directamente con las condiciones de temperatura de este año, donde se presentó el fenómeno de la Niña o enfriamiento de los vientos Alisios, que proporcionaron mejores condiciones en esta variable física para la producción de materia orgánica del fitoplancton, contrario a las condiciones de temperatura elevada de 1986 y 1998.

4

La productividad primaria en el sector sur del Océano Pacifico Colombiano ha sido obtenida a través del procesamiento de imágenes del sensor TM y ETM+, analizando las variables concentración de clorofila, temperatura y a través de esta la fijación de carbono en la columna vertical de agua, produciendo al igual que Mishra & Kumar (2010) un mapa de productividad primaria para el pronóstico de pesca. Se inició la metodología con una corrección atmosférica para minimizar los efectos de la absorción y dispersión en el color del océano, se recomienda corregir la cobertura de nubes usando diferentes observaciones desde distintos sensores, ya que al cambiar de posición entre uno y otro se recupera información de la superficie, como lo llevo a cabo Joint & Groom (2000). Es indispensable la corrección de nubes puesto que el algoritmo para detectar la concentración de clorofila diviso valores en zonas con nubes, por tanto estos resultados se catalogaron como ruido. Una vez se corrigen efectos atmosféricos y de nubosidad se calcula la concentración de la clorofila, utilizando el mismo modelo ejecutado por Pan et al (2012), teniendo los agravantes de no efectuar visitas de campo para analizar los pigmentos principales del océano, no se recolectaron los perfiles de reflectancia radiométrica del agua y bióptico, como lo hace el autor anteriormente nombrado, para caracterizar los componentes del fitoplancton y adquirir medidas de luminosidad y brillo, siendo datos necesarios para obtener los coeficientes del modelo polinomial ajustado a las condiciones del microorganismo. Adicionalmente se no se tomaron datos de limnología para comprender la interacción del fitoplancton con su ambiente como lo plantea Matthews et. al. (2010), quienes desarrollaron modelos de calidad de agua que permiten identificar características del medio circundante, tales como sólidos suspendidos, cuales son de tipo orgánico o inorgánico y minimizar su contribución en el error de la concentración de clorofila.



Dado que no se cuenta con información insitu de las condiciones reales del fitoplancton y su entorno para parametrizar el modelo polinomial de tercer orden ejecutado, se incrementa el porcentaje de error en la estimación de la productividad primaria. Sin embargo se propone utilizar otros métodos para determinar clorofila de manera directa a través de imágenes MODIS de color del océano con resolución temporal de 8 días, validando los resultados obtenidos de esta manera con los tomados de estaciones meteorológicas, como lo realiza Kyewalyanga et. al. (2007).

Para adquirir la productividad primaria se desarrollaron dos metodologías, la primera emplea el modelo empírico lineal OC3M , cuya desventaja es que establece una relación específica para la zona de estudio entre concentración de clorofila y producción primaria, requiriendo una gran precisión en la concentración de clorofila hallada y subestima características físicas y químicas no solo del fitoplancton también dl medio donde habita, por tanto Gall & Zeldis (2011) proponen métodos semianalíticos, los cuales se basan en la relación de la fotosíntesis del fitoplancton y la producción pero requieren de datos biológicos que no pueden extraerse con teledetección sino experimentalmente a través de procesos en laboratorio habiendo realizado una visita de campo para recolectar muestras. El segundo método usado para conocer la productividad primaria del fitoplancton es el VGPM el cual tiene la ventaja de reducir el efecto de la

temperatura en la estimación tasa de fijación del

carbón en la columna de agua y por tanto en el

hallazgo de productividad de materia orgánica.

Este modelo conduce a una mejor comprensión y

precisa investigación de la variación espacio-

temporal de la diversidad biológica y la actividad

del ciclo del carbono en relación con los cambios

en la temperatura del agua.

Como lo plantearon Mishra & Kumar (2012), se

requieren mediciones de absorción para aprobar

el comportamiento de la fijación del carbón en el

proceso de fotosíntesis. Con lo que se alcanza la

reducción de la incertidumbre de valoración de la

clorofila.

A pesar de las grandes ventajas del método cabe

mencionar que Kampel et. al. (2009) encontraron

que el modelo VGPM supone una homogeneidad

de concentración de clorofila y de fijación de

carbono en la columna vertical de agua. Por tanto

se reitera la necesidad de muestras de absorción

del fitoplancton.

A través del análisis de los datos obtenidos se aprecia la influencia de la variable temperatura en la productividad primaria, ya que se reconoce mayor valor para esta en el año 2001 en comparación a los años 1986 y 1998 que presentan valores de temperatura mayores en la costa debido al fenómeno del Niño. Por tanto se sugiere de la misma manera que Ling Chen (2000) para esto colectaron muestras en la superficie de la zona de estudio para temperatura para caracterizar la estructura del fitoplancton y su biomasa. 5

En este estudio fueron empleados los modelos de productividad primaria lineal OC3M y el modelo VGPM de producción vertical generalizada. El análisis muestra la correlación alta y positiva entre la concentración de clorofila y el hallazgo de productividad indiferente al modelo usado.

Mediante el desarrollo del modelo VGPM fue posible estimar parámetros bioquímicos y físicos, un ejemplo de los primeros es la fijación de carbón en la columna de agua, profundidad de la zona eufótica, radiación fotosintética activa y fotoperiodo, un ejemplo de los segundos es la temperatura, descubriendo que la productividad primaria va ligada en gran medida a las condiciones generadas en el entorno por esta variable, es decir cuando se eleva la temperatura desciende la productividad primaria, ya que cambian las condiciones del ambiente del



fitoplancton para que realice el proceso de fotosíntesis.

Coincidiendo con los autores citados en la discusión, se hace relevante ingresar a la metodología un paso en el que se realice la visita y colección de datos en la zona de estudio, no solamente requeridos para validar los resultados del procesamiento, también son necesarios en el ajuste de modelos usados para obtener información de manera directa e indirecta del fenómeno estudiado. Es decir es indispensable conocer de primera mano las características del fitoplancton, tales como la absorción lo cual ayudara a conocer la capacidad fijación de carbón en el proceso fotosintético, su fotoperiodo o lapso de tiempo en el que mayor cantidad de proceso fotosintético es realizado, también se requiere conocer variables del entorno del microorganismo tales como la calidad de agua y cantidad de solidos suspendidos, los cuales generen ruido en el cómputo de energía reflejada. A partir del procesamiento y obtención de la productividad primaria empleando dos métodos, se halló que los modelos empíricos como el OC3M que solo emplean el supuesto de la concentración de clorofila en la extensión de la columna vertical de agua como parámetro primario conservan una relación lineal con los modelos semi-empíricos como el VGPM que emplean parámetro bioquímicos como fijación de carbono presente en la fotosíntesis y parámetros físicos como la temperatura. No obstante que el modelo de VGPM puede

causar sobreestimaciones en el valor de fijación

del carbono, es el que expresa mayormente las

variabilidades de productividad primaria causadas

por el cambio de temperatura sufrido en las fechas

evaluadas a causa del fenómeno de ENOS.

Se requiere un método de validación en campo midiendo insitu las características del fitoplancton para hallar la productividad, ya que la técnica empleada no es la adecuada generando un reporte de baja precisión, toda vez que la resolución espacial de las imágenes Landsat es mayor que la resolución de los productos MODIS.

Es decir el valor de productividad primaria para un pixel de MODIS va a cubrir más de un pixel Landsat donde existe la posibilidad de variabilidad de la productividad estudiada. Los productos desarrollados son de utilidad y aplicables a la industria pesquera, reduciendo perdidas en el despliegue del arte de pesca y desplazamiento de embarcaciones a lugares donde se encontrará la rentabilidad de productividad primaria esperada. 6

[1] Jeimmy Melo. (2002). Teledetección aplicada

al estudio de fenómenos oceanográficos

superficiales. ISSN 124-6984.

[2] Chuqun CHEN, Shilin TANG, Qianguo XING,

Jinkun YANG, Haigang ZHAN. (2007). A derivative

spectrum algorithm for determination of

chlorophyll-a concentration in the Pearl River

estuary. Vól 510300.No 4244.Pág. (925-928).

[3] Toru Hirawake, Shintaro Takao, Naho

Horimoto, Takashi Ishimaru, Yukuya Yamaguchi,

Mitsuo Fukuchi. (2011). A phytoplankton

absorption-based primary productivity model for

remote sensing in the Southern Ocean. Vól 10. No

1007. Pág (291-302).

[4] Margareth S. Kyewalyanga, Ravidas Naik,

Sahana Hegde, Mini Raman, Ray Barlow, Mike

Roberts. (2007). Phytoplankton biomass and

primary production in Delagoa Bight Mozambique:

Application of remote sensing. Vol. 74. No. 668.

Pág (429-436).

[5] Mark W. Matthews , Stewart Bernard , Kevin

Winter. (2006). Remote sensing of cyanobacteria-

dominant algal blooms and water quality

parameters in Zeekoevlei, a small hypertrophic

lake, using MERIS. Vo.l 114. No. 770 . Pág

(2070-2087).



[6] Mark Gall & JohnZeldis. (2011). Phytoplankton

biomass and primary production responses

tophysico-chemical forcing across the

northeastern New Zealand continentals helf. Vol.

31. No 8602. Pág(1799–1810).

[7] Ian Joint & Stephen B. Groom.

(2000).Estimation of phytoplankton production

from space: current status and future potential of

satellite remote sensing. Vol. 250. No. 022.Pág

(233–255).

[8] Xiaoju Pan, Antonio Mannino , Mary E. Russ ,

Stanford B. Hooker , Lawrence W. Harding Jr.

(2010). Remote sensing of phytoplankton pigment

distribution in the United States northeast coast.

Vol. 114. No 771 .Pág ( 2403–2416).

[9] A. K. Mishra & Sanjeevan Kumar. (2012). Utility

of Primary Productivity Map for Fishery

Forecasting. Vól 10. No. 1007. Pág (1-14).

Articulo

Documents

Transcript of Articulo