ID. AUTOR: HISA2446PME
Transcript of ID. AUTOR: HISA2446PME
1. Semana LARS - Chile, realizada en Santiago de Chile. 23 y 25 de octubre del año 2013. Salvatierra, H.C.
ID. AUTOR: HISA2446PME
INTEGRACIÓN DE TÉCNICAS DE MODELAMIENTO ESPACIAL Y
ANÁLISIS MULTITEMPORAL PARA EL ESTUDIO DE ÁREAS IDÓNEAS DE
LA SELVA TUCUMANO-BOLIVINANA FRENTE A LA VARIABILIDAD
CLIMÁTICA, CASO: PROVINCIA DE JUJUY ARGENTINA.
H.C.Salvatierrra1; M.M..Herrera
2
Área temática: Procesamiento. Modelado, análisis y aplicaciones de datos espaciales [email protected]
RESUMEN Esta investigación forma parte del resultado final obtenido en el proyecto llevado a cabo dentro de la Red
FORCLIM (Red Iberoamericana para el estudio de los ecosistemas forestales frente al cambio climático global),
programa internacional financiado por el CYTED de España durante el período 2008-2011. El objetivo consistió en integrar técnicas de modelamiento espacial y análisis multitemporal para predecir la distribución actual y
futura de las formaciones boscosas correspondientes a la Selva Tucumano- Boliviana (STB),en la provincia de
Jujuy (Argentina) frente a la variabilidad climática La metodología empleada consistió en el integrar técnicas de procesamiento digital de imágenes de satélite (en el cual se aplicaron Índices normalizados de vegetación-INVD-
, clasificación supervisada y análisis multitemporal de la formaciones vegetales) y técnicas basadas en
modelamiento probabilístico, con fines de evaluar la productividad vegetal y la dinámica de las formaciones boscosas presentes, basado en la búsqueda y recopilación de información climática estandarizada y de libre
acceso (obtenida del servidor mundial WORLCLIM para el cuadrante abarcado por la República Argentina); en
la selección de variables climáticas actuales (19 tipos de bioclimas basados con datos de precipitación,
temperatura máxima y mínima) y en la generación de escenarios futuros (favorables y desfavorables) para las décadas de los años 2020, 2050 y 2080 Los resultados encontrados, desde el punto de vista de la aplicación,
denotaron una pérdida de la superficie para las coberturas vegetativas (92.8% de la superficie inicial
correspondiente al año 1999), en cambio, las ganancias en este periodo están dadas en general, por la gestión del territorio por parte del hombre, aumentando las áreas destinadas a usos agropecuarios (en cubiertas vegetales de
tipo herbáceo) y en los bosques de ribera que mostraron un aumento del casi 300% de la superficie original, lo
que se explica por la fuerte intervención antrópica . En cuanto a la técnica apoyada en la clasificación supervisada, se observó una disminución significativa en la superficie ocupada y en las áreas de mayor impacto
en esta disminución. Se observa que las ganancias en este periodo están dadas (en cubiertas vegetales de tipo
herbáceo), en general, por la gestión del territorio por parte del hombre, aumentando las áreas destinadas a usos
agropecuarios, En cambio, las áreas con evidencia de pérdida, correspondió a aquellos píxeles que denotaban mayor reflectividad en el año 1999 en términos de cobertura vegetal arbórea. Esto se relaciona de manera directa
con el aumento de superficie talada (SAyDS, 2007). Los resultados concernientes a la modelización muestran, en
general, una evidente degradación y pérdida de las principales formaciones debido a las elevadas temperaturas y régimen pluvial presentando reducciones en su superficie final de hasta un en el caso de la Selva de montana del
104,81% (para el escenario B2) y con una distribución espacial en dirección NS de la formación correspondiente
.En el otro extremo ,la formación correspondiente al Bosque de ribera, presentó un incremento en la
Superficie a ocupar de hasta un 248,58% (para el escenario B2) y con una dirección de distribución en sentido O. Esto se explica no solo por la variación de los umbrales de temperatura y precipitación observados en las
variables bioclimáticas utilizadas en el modelo, sino por el análisis multitemporal que indicó una reducción
1 Ing. Forestal. Especialista en sensores remotos y SIG. Docente e investigadora Universidad Nacional de Cuyo y
Universidad Juan Agustín Maza. Mendoza, Argentina 2 Lic. en Geología. Universidad Nacional de San Juan. Universidad Juan Agustín Maza. Mendoza, Argentina
1. Semana LARS - Chile, realizada en Santiago de Chile. 23 y 25 de octubre del año 2013. Salvatierra, H.C.
significativa de la superficie cubierta y de la distribución espacial encontrada así como en la comprobación de la hipótesis planteada, logrando un error promedio de omisión del 0.48%). . Estos resultados fueron
comprobados a través de la técnica de análisis de control de errores, obteniendo un error de omisión promedio de
0,4925. Las conclusiones determinaron la factibilidad de extrapolación de la metodología utilizada, permisible de generar escenarios actuales y futuros de distribución espacial biótica, permitiendo gestionar eficiente y
oportunamente a aquellos ecosistemas naturales de alta fragilidad en torno a un cambio climático que no mengua
Por un lado se demostró la factibilidad de integración de las técnicas utilizadas; la fácil extrapolación de la
metodología utilizada, permisible de generar escenarios actuales y futuros de distribución espacial biótica y de poder transferir y compartir los resultados con organismos de distinta índole interesada en procesos de
simulación sobre la distribución espacial futura de nuestros ecosistemas naturales..
INTRODUCCIÓN
Los bosques tienen en este 2011 su Año Internacional. La Asamblea General de las Naciones Unidas
(Naciones Unidas, 2011) lo decretó así con el objeto de promover actividades tendientes a concientizar
a la sociedad de los problemas que sufren los recursos forestales de todo el planeta y frenar su
deterioro. Cada año desaparecen más de 13 millones de hectáreas de bosques en todo el mundo. En la
Argentina se llegó a varias centenas de miles de hectáreas hasta la sanción de la Ley de Protección de
los Bosques Nativos en el 2007. La Selva Tucumano Boliviana representa un ambiente prioritario de
conservación debido a sus valores biológicos, a su posición estratégica de conectividad y a sus recursos
forestales de alto valor, su superficie ha sufrido fluctuaciones debido a una larga historia de
aprovechamiento y a cambios en las condiciones climáticas. Los datos demuestran que la región del
Noroeste Argentino está inmersa en el fenómeno del cambio climático (Minetti & González, 2006).
En efecto, los datos demuestran que en el período 1914-2000 las precipitaciones en promedio
aumentaron un 25 %. Por otro lado, en período 1881 –2001 se ha verificado un aumento de las
temperaturas mínimas promedios y una disminución en las temperaturas máximas promedios lo
que ha conducido a una disminución de la amplitud térmica Otros fenómenos observados,
consistentes en una disminución de las condiciones de congelamiento, incremento de las
condiciones de nubosidad y disminución de la heliófila, están asociados al calentamiento global. Ya
que la economía del Noroeste Argentino y particularmente en la provincia de Jujuy, depende de las
actividades agrícolas y ganaderas, se formula la hipótesis que el cambio climático podría afectar
fuertemente estas actividades por la irrupción de enfermedades tanto a nivel de cultivos como de
ganadería. Esto representa una oportunidad para la expansión de especies que están adaptadas a una
mayor temperatura y menor luminosidad; se especula que el límite de la puna, en la provincia de
Jujuy, tenderá a extenderse hacia arriba, permitiendo la posibilidad de reocupación de la masa
forestal característica de las Yungas que antes existían en la zona y que, gracias al calentamiento
global, podrían distribuirse hacia latitudes mas extremas y hacia altitudes mayores que en el
presente.
La formación de Yungas, por lo tanto, podría experimentar un crecimiento hacia niveles superiores y
ya no estarán circunscritos exclusivamente a las cejas andinas o los cinturones montañosos en
donde el bosque nublado permanecerá saludable y con mayor vegetación. Debido a las condiciones
climáticas mejoradas, existe la posibilidad de un incremento en el uso agrícola con cultivos no
convencionales en los cerros, lo que a la larga determinaría una homogenización del paisaje rural
de montaña en la región andina en general (Odum y Sarmiento, 1998; Sarmiento, 2000).
OBJETIVOS GENERAL
Integrar técnicas de modelamiento espacial y análisis multitemporal para predecir la distribución actual
y futura de las formaciones boscosas correspondientes a la Selva Tucumano- Boliviana (STB) en la
provincia de Jujuy (Argentina), frente a la variabilidad climática
1. Semana LARS - Chile, realizada en Santiago de Chile. 23 y 25 de octubre del año 2013. Salvatierra, H.C.
OBJETIVOS ESPECÍFICOS
Analizar y adaptar las técnicas de productividad vegetal, clasificación y monitoreo de de
imágenes de satélites relacionadas con metodologías de mapeo de cobertura boscosa en la
provincia de Jujuy. (años 1999 y 2003)
Modelizar de forma probabilística la cobertura boscosa y generación de escenarios predictivos;
Impulsar la transferencia y difusión de conocimientos adquiridos
METODOLOGÍA
Área de estudio
El estudio se enfocó en la provincia de Jujuy, provincia argentina, situada en la Región del Norte
Grande Argentino. Limita al oeste con Chile por la Cordillera de los Andes, al norte con Bolivia, al este
y al sur con la provincia de Salta. Se ubica entre las siguientes coordenadas: 24°10'60"S 65°17'60"O
(figura 1). En la zona correspondiente a las Sierras Subandinas, el clima es cálido y húmedo;
presentando un clima subtropical. Por el contrario en la amplia región de la altiplanicie de la puna
jujeña el clima es extremadamente frío y con escasas precipitaciones en la mayor parte del año,
caracterizándose por sus llanuras y mesetas de altura y las enormes variaciones de temperatura
registradas entre las máximas de verano y mínimas de invierno, de hasta 50 °C. Por consiguiente Jujuy
es una de las provincias con mayor diversidad climática de la argentina ya que posee diversos
ecosistemas (yungas, quebrada, puna y valles), lo que motivó a seleccionar esta provincia como el área
de estudio (Min. de Economía, 2007).
Figura 1. Bosques de Yunga en la provincia de Jujuy, Argentina. Elaboración propia.
En cuanto a las formaciones boscosas de yunga en esta provincia, se destacan áreas de pastizales
funcionan como sistemas interrelacionados con las áreas boscosas. Según la clasificación tradicional de
Cabrera (1976), la Provincia Fitogeográfica de la Yunga, equivalente a la Región Forestal Selva
Tucumano Boliviana, se subdivide en tres distritos: Selvas de Transición, Selvas Montanas y Bosques
Montanos; estos últimos incluyen también a las praderas montanas (SAyDS, 2007). Esta clasificación
incluye a todos los pisos altitudinales, tanto los boscosos como los no boscosos, ya que todos ellos
funcionan como sistemas interrelacionados (figura 2).
1. Semana LARS - Chile, realizada en Santiago de Chile. 23 y 25 de octubre del año 2013. Salvatierra, H.C.
El tipo de vegetación predominante es la selva con árboles de gran porte, abundantes lianas y epífitas y
un estrato inferior muy denso formado por hierbas y arbustos. Además existen bosques xerófilos,
bosques montanos caducifolios, praderas, etc. También se forman zonas ecotono (de transición) con
otras regiones forestales. La vegetación responde a pisos altitudinales y además a un gradiente de
precipitación y a la latitud., lo que representa una composición de especies distintas (Proyungas, 2011).
Figura 2. Gradiente altitufinal de las Yungas. Proyungas (2011)
Materiales
1. Imágenes satelitales Landsat TM (231/077), años 1999 y 2003. Bandas 2,4, y 5. Fuente.
2. Earth Explorer.
3. Mapa digital del STB, en formato vectorial (shapefile) año 2002, escala 1: 1.100.000.Fuente
SAYDS;
4. 19 variables bioclimáticas actuales y futuras (estas últimas correspondientes a los
5. escenarios hdcm3a2_2020, 2050 y 2080). Fuente: Worldclim (Hijmans, 2005);
6. Algoritmo Maxent v.3.3.3.a . Fuente: Steven Phillips, Miro Dudik y Rob Schapire (2006)
7. ArcView versión 3.2. Esri
Método
En la etapa correspondiente al. Procesamiento digital de las imágenes Landsat TM (figura 3), se
realizaron varios procedimientos digitales tendientes a:
1.1 Correcciones radiométricas y geométricas
1.2 realces
1.3 índices de vegetación;
1.4 clasificación supervisada;
1. Semana LARS - Chile, realizada en Santiago de Chile. 23 y 25 de octubre del año 2013. Salvatierra, H.C.
1.5 evaluación de resultados por métodos de comprobación estadística;
1.6 conversión a formatos vectoriales y
1.7 análisis multitemporal.
Figura 3. Flujo metodológico empleado en el procesamiento digital de imágenes. Elaboración propia.
Los principales procesos consistieron en verificar si las imágenes contenían alguna problemática
radiométrica (por ejemplo bruma, ruidos, badlines, etc.) ya que estos defectos impiden un correcto
procesamiento digital. En este caso solo se detectado nubes, por lo cual se prosiguió a la siguiente
etapa correspondiente a la aplicación del algoritmo de realces espectrales, específicamente con índices
de vegetación (Salvatierra y Cepparo, 2008). Este proceso permite resaltar las características de
vigorosidad, expresado por el grado de desarrollo, cobertura del dosel, estado fitosanitario y estrés
hídrico presente al momento de la toma de la imagen. a partir de la aplicación de la siguiente ecuación
(figura 10). El algoritmo que realiza este proceso se refleja en la siguiente ecuación (Lillesand and
Kieffer, 2006):
NDi(x,y) Banda 4 – NDi(x,y) banda 3
El valor del IV varía en función del uso de suelo presente, la estación fenológica al momento de la
toma de la imagen, la situación hídrica del territorio y el ambiente climático de la zona. De acuerdo a
esto, el criterio utilizado para la selección de las imágenes empleadas, fue el de la similitud en el
periodo estacional y por ende, en el estado fenológico de las cubiertas vegetales presentes (Salvatierra,
2011). Los valores resultantes se representan por un umbral que va desde valores -1 hasta valores +1
(los valores superiores a 0 representan aquellos pixeles correspondientes a cubiertas vegetales y los
inferiores a 0 cubiertas distintas a vegetación). El resultado es segmentado posteriormente por grado de
vigorosidad (figura5).
1. Semana LARS - Chile, realizada en Santiago de Chile. 23 y 25 de octubre del año 2013. Salvatierra, H.C.
Figura 5. Correlación entre clases de IV con tipos de formaciones boscosas. Elaboración propia.
De manera paralela se clasificaron cada una de las imágenes de manera supervisada (figura 6), a partir
de la identificación de píxeles con correspondencia con el tipo de formación boscosa a clasificar.
relacionando la estructura externa característica de las mismas con la reflectividad obtenida por el
sensor (Chuvieco, 2006). Es importante resaltar que tanto el tipo dominante de dosel como el estado
estacional y fitosanitario permitieron correlacionar el tipo de formación boscosa (figura 12). La
clasificación ejecutado se apoyó en el método de máxima verosilimilitud (Chuvieco, 2006; Lillesand an
Kieffer, 2006).
Figura 6. Clasificación supervisada. Elaboración propia
Para validar los resultados logrados, se superpuso la capa vectorial de las formaciones suministrada por
el SAyDS (SAyDS, 2007). Una vez verificado estadísticamente el resultado, se ejecutaron procesos de
generalización para que los datos resultantes reflejaran una unidad de superficie mínima (sin un
volumen considerable de pixelamiento), permitiendo su mejor interpretación y representación
cartográfica, lo que permitió proseguir con la secuencia metodológica correspondiente al análisis
multitemporal de imágenes de satélite (AMI).
La técnica AMI sólo es posible efectuarla si las imágenes están georreferenciadas con un error mínimo
en cuanto a la ubicación entre los datos de entrada con los datos referenciales. Los científicos
recomiendan no superar o.5 pixeles de error para evitar evaluaciones equívocas en cuanto al cambio
detectado entre las fechas de interés (Chuvieco, 2006). Por ello, las imágenes fueron
georreferenciadas al Sistema de Posicionamiento Geodésico Argentino Posgar 2004 (Brunini et al.
2001), controlando un error espacial de ajuste entre imágenes (RMS) equivalente a 0,52 píxeles,
precisión suficiente para poder analizarlas multitemporalmente. Una vez finalizado el proceso, se
evaluaron los cambios en cada formación boscosa presente en cuanto al área cubierta y la expansión o
reducción sufrida en la cubierta. Esto se ejecutó con apoyo adicional de algortimos de, los cuales
1. Semana LARS - Chile, realizada en Santiago de Chile. 23 y 25 de octubre del año 2013. Salvatierra, H.C.
calculan la diferencia entre dos imágenes, resaltando los cambios que exceden un umbral determinado
por el usuario (Leyca Geosystgem, 2006). Figura 13 . Algoritmo de diferencias cambio radiométrico. Fuente: Leyca Geosystgem (2006)
Las diferencias encontradas se reflejan en términos de ganancia, pérdida o estabilidad radiométrica
(figura 13), las cuales son evaluadas desde el punto de vista de su direccionamiento espacial y cálculo
de la superficie de cambio. Una vez obtenido los mapas de formaciones boscosas del área de estudio,
se procedió a actualizar loa información vectorial suministrada por la Secretaria de Ambiente y
desarrollo Sustentable (SAyDS, 2007), correspondiente al inventario de bosques del año 2001, con
objeto de modelizar las formaciones boscosas de la STB de la provincia de Jujuy. Esta técnica se
sintetiza en: 1. la búsqueda y recopilación de información climática estandarizada y de libre acceso, la
que fue obtenida del servidor mundial WORLCLIM (Hijmans et.a l, 2005) para el cuadrante abarcado
por la República Argentina; 2. la selección de variables climáticas actuales (19 tipos de bioclimas
basados con datos de precipitación, temperatura máxima y mínima) y 3. la generación de escenarios
futuros (favorables y desfavorables) para las décadas de los años 2020, 2050 y 2080. Este método se
basa en el principio de la Máxima entropía, el cual estima la distribución de probabilidad únicamente a
partir de datos de presencia. Es un método determinístico que no necesita evaluar los resultados
apoyado en datos complementarios de ausencia. Maxent fue originalmente implementado con objeto
del modelado de la distribución geográfica de especies, a partir de algoritmos de actualización-
secuencial, lo que permite manejar un número muy grande de atributos (Philllips et al, 2008). Estima
la probabilidad de ocurrencia de la especie buscando la distribución de máxima entropía, sujeta a la
condición de que el valor esperado de cada variable ambiental coincide con su media empírica. El
resultado del modelo expresa el valor de idoneidad del hábitat para la especie como una función de las
variables ambientales (figura 6). El flujo secuencial que utiliza este algoritmo es el siguiente:
Figura 6.Modelo de distribución probabilística maxent. Adaptado de Aguirre y Chamba (2009)
A través de un modelo conceptual dentro de un ambiente SIG (figura 7), se ejecutó el software
Maxent , destinado a la modelización probabilística. La secuencia empleada consta de:
1. Recuperación, revisión y depuración de los datos de la cobertura boscosa de la selva tucumano-
oranense;
2. Generación del modelo físico a utilizar;
3. Calibración del modelo Maxent;
4. Generación de parámetros de entrada para modelizar;
5. Modelización probabilística de la cobertura boscosa;
6. Análisis estadístico de resultados (control de errores);
Finalmente se implenta el modelo con base a tres fuentes de información:
1. Semana LARS - Chile, realizada en Santiago de Chile. 23 y 25 de octubre del año 2013. Salvatierra, H.C.
- la muestra (datos de presencia a partir de puntos de localización geográfica de las clases a
evaluar);
- las variables bioclimáticas (obtenidas de Worldclim (19 en total) y
- la variable a proyectar (actual)
En esta investigación se utilizó el formato de salida logística ya que proporciona un estimado entre
cero y uno de probabilidad de presencia. Finalmente los resultados fueron evaluados bajo el método
de control de errores basados en el estadístico AUC o área bajo la curva ROC (Receiver Operating
Characteristic). En esta se representa gráficamente la capacidad discriminativa de un determinado
modelo a partir de todos los posibles puntos de corte de las variables predictoras (Vivo Molina,
Sánchez de la Vega y Nicolás, 2004). En el gráfico resultante se representa en el eje de las abscisas,
los valores de especificidad (es decir, la probabilidad de clasificar correctamente a un individuo
cuyo estado real sea el definido como negativo respecto a la condición que estudia la prueba) y en
el de las ordenadas, los valores de la sensibilidad (la probabilidad de clasificar correctamente a un
individuo cuyo estado real sea el definido como positivo). La curva ROC explica que un aumento
de la sensibilidad va en detrimento de la especificidad y viceversa, por lo que la selección del
umbral, si es necesaria, exige un compromiso entre estos dos valores (López de Ullibarri y Pita
Fernández, 1998).
RESULTADOS
Los resultados fueron analizados de acuerdo a la dinámica resultante de los Índices de vegetación
como de la clasificación supervisada. En cuanto al primero, las variaciones en los niveles digitales
encontrados en las imágenes procesadas, evidenciaron diferencias significativas en cuanto a la pérdida
de superficie cubierta por algunas de las formaciones boscosas estudiadas. En la figura 22 se puede
observar espacialmente los cambios sufridos, principalmente en términos de superficie pérdida para las
coberturas vegetativas (pérdidas de hasta el xx% la superficie inicial correspondiente al año 1999 (tabla
1). En la anterior tabla se observa una pérdida de la superficie para las coberturas vegetativas (92.8%
de la superficie inicial correspondiente al año 1999), en cambio, las ganancias en este periodo están
dadas en general, por la gestión del territorio por parte del hombre, aumentando las áreas destinadas a
usos agropecuarios (en cubiertas vegetales de tipo herbáceo) y en los bosques de ribera que mostraron
un aumento del casi 300% de la superficie original, lo que se explica por la influencia que ejerce el
hombre en la gestión de esta zona fluvial (tabla 1).
Tabla 1. Superficie total de cambio (Pcia. de Jujuy). Fuente elaboración propia
En cuanto a la técnica apoyada en la clasificación supervisada, se observó una disminución
significativa en la superficie ocupada y en las áreas de mayor impacto en esta disminución (figura 7).
1. Semana LARS - Chile, realizada en Santiago de Chile. 23 y 25 de octubre del año 2013. Salvatierra, H.C.
Figura 7. Clasificación supervisada (años 1999 y 2003) y Dinámica de cambio. Elaboración propia,
Según estos resultados se evaluó la superficie de las formaciones correspondientes al dato suministrado
por el SAyDS (SAyDS, 2007) y el resultante de este estudio (tabla 2).
Tabla 2. Superficie de cambio de la STB en la Pcia. de Jujuy (ha). Elaboración propia.
Se observa que las ganancias en este periodo están dadas (en cubiertas vegetales de tipo herbáceo), en
general, por la gestión del territorio por parte del hombre, aumentando las áreas destinadas a usos
agropecuarios, En cambio, las áreas con evidencia de pérdida, correspondió a aquellos píxeles que
denotaban mayor reflectividad en el año 1999 en términos de cobertura vegetal arbórea. Esto se
relaciona de manera directa con el aumento de superficie talada (SAyDS, 2007). En cuanto a la
modelización la figura 8, sintetiza los cambios encontrados, mostrando, en general, una evidente
degradación y pérdida de las principales formaciones debido a las elevadas temperaturas y régimen
pluvial.
Figura 8. Modelo de distribución de la formaciones boscosas 2020-2080. Elaboración propia
Finalmente, se logra evidenciar una degradación y pérdida de las principales formaciones debido a las
elevadas temperaturas y régimen pluvial presentando reducciones en su superficie final de hasta un en
el caso de la Selva de montana del 104,81% (para el escenario B2) y con una distribución espacial en
dirección NS de la formación correspondiente .En el otro extremo ,la formación correspondiente al
Bosque de ribera, presentó un incremento en la Superficie a ocupar de hasta un 248,58% (para el
escenario B2) y con una dirección de distribución en sentido O. Esto se explica no solo por la variación
de los umbrales de temperatura y precipitación observados en las variables bioclimáticas utilizadas en
el modelo, sino por el análisis multitemporal que indicó una reducción significativa de la superficie
1. Semana LARS - Chile, realizada en Santiago de Chile. 23 y 25 de octubre del año 2013. Salvatierra, H.C.
cubierta y de la distribución espacial encontrada así como en la comprobación de la hipótesis planteada,
logrando un error promedio de omisión del 0.48%).
CONCLUSIONES
Las conclusiones determinaron la factibilidad de extrapolación de la metodología utilizada, permisible de
generar escenarios actuales y futuros de distribución espacial biótica, permitiendo gestionar eficiente y
oportunamente a aquellos ecosistemas naturales de alta fragilidad en torno a un cambio climático que no mengua Por un lado se demostró la factibilidad de integración de las técnicas utilizadas; la fácil extrapolación
de la metodología utilizada, permisible de generar escenarios actuales y futuros de distribución espacial
biótica y de poder transferir y compartir los resultados con organismos de distinta índole interesada en
procesos de simulación sobre la distribución espacial futura de nuestros ecosistemas naturales.. Con
todos estos resultados, esta investigación permitió difundirlos a través del libro BOSQUES Y
CAMBIO GLOBAL. Volumen 1. Modelos de distribución de especies. Fundamentos IDE – Argentina
(ISBN obra completa 978-84-15482-61-1., editado por el CYTED en Madrid, España..
BIBLIOGRAFIA
AGUIRRE Y CHAMBA (2009). Aplicación de la modelización predictiva de la distribución de
10eEspecies vegetales en el páramo del Parque Nacional Podocarpus..En:
http://www.unl.edu.ec/miccambio/wp- content/uploads/2010/07/Modelizaci%C3%B3n-predictiva-de-
la-distribuci%C3%B3n-de-10-especiesvegetales-en-el-p%C3%A1ramo-del-Parque-Nacional-
Podocarpus1.pdf
BRUNINI, C. et. al, (2001). Posgar. En: http://www.ign.gob.ar/archivos/geodesia/posgar.pdf
CABRERA, ÁL. (1976) Regiones fitogeográficas argentinas. En Kugler WF (Ed.) Enciclopedia
argentina de agricultura y jardinería. Tomo 2. 2a edición. Acme. Buenos Aires. Argentina. Fascículo 1.
pp. 1-85.
CHUVIECO SALINERO, E. (2006). Teledetección ambiental. 2ª. Edición. Editorial Ariel. 552 p.
HIJMANS, R.J., S.E. CAMERON, J.L. PARRA, P.G. JONES AND A. JARVIS, (2005). Very high
resolution interpolated climate surfaces for global land areas. International Journal of Climatology 25:
1965-1978. LEYCA GEOSYSTEM (2006). Imagine user interface. Manuales de uso operativo del
software
Erdas Imagine 9.1 Leica Geosystems Geospatial Imaging, LLC. Copyright © 1982 – 2006. USA
LILLESAND, T.M. y KIEFFER, R.W., (2006). Remote Sensing and image interpretation – fourth
edition. New York. Wiley.
LÓPEZ DE ULLIBARRI GALPARSORO I, PÍTA FERNÁNDEZ, S.. (1998). Unidad de
Epidemiología Clínica y Bioestadística. Complexo Hospitalario Universitario de A Coruña (España).
AD ATEN PRIMARIA; 5 (4): 229-235.
MINETTI, JL & GONZÁLEZ, JA. (2006). El cambio climático en Tucumán. Sus impactos. Serie
Conservación de la Naturaleza Nº 17 – Fundación Miguel Lillo: Tucumán. 28 pp.
ODUM, E. P., SARMIENTO, F. O. 1998. La Ecología: el puente entre ciencia y sociedad.
Editorial. McGraw-Hill Interamericana de México.
PHILLIPS, S.J. AND MIROSLAV DUDI´K (2008). Modeling of species distributions with Maxent:
new extensions and a comprehensive evaluation. Ecography 31: 161_175.
PROYUNGAS (2011). Fundación Proyungas. En: http://www.proyungas.org.ar/yungas/yungas.htm
SALVATIERRA, H.C y CEPPARO, M.E. (2008). Detección de cambios en la frontera agrícola,
pecuaria y forestal en ámbitos con fragilidad socioeconómica. Caso Malargue, Argentina. 4°
Encuentro Internacional E-ICES. Malargüe. Memorias editadas en DVD, con el código de publicación
ISBN: 978-987-1323-11-1.
1. Semana LARS - Chile, realizada en Santiago de Chile. 23 y 25 de octubre del año 2013. Salvatierra, H.C.
SALVATIERRA, H.C. (2011). Análisis espacio-temporal y modelización predictiva de la cobertura
vegetal natural en los ecosistemas del departamento de Malargüe (Mendoza, argentina), frente al
cambio climático global. Capítulo en revisión del libro: Malargüe. Aportes para abordar su
problemática socio-territorial. Editorial Facultad de Filosofía y Letras. UNCuyo. En prensa.
SARMIENTO, F.O. (2000). Human impacts in managed tropandean landscapes: Breaking
mountain paradigms. Ambio 29(7): 423-431.
SAYDS (2007). Primer inventario nacional de Bosques Nativos. Proyecto Bosques Nativos y
Areas Protegidas. Informe regional selva tucumano-boliviana. Presidencia de la república
Argentina. 88 páginas.
SECRETARIA DE MINERÍA DE LA NACIÓN (2007) Provincia de jujuy - clima y meteorología En:
http://www.mineria.gov.ar/estudios/irn/jujuy/y-2.asp
VIVO MOLINA, J.;, SÁNCHEZ DE LA VEGA, M.Y NICOLÁS, M.(2004). Estudio del rendimiento
académico universitario basado en curvas Roc. Revista de investigación educativa. España.