Clasificación multitemporal de usos de la tierra utilizando imágenes landsat en la cuenca del Río Quinindé

Abstract

Esta investigación tuvo como objetivo realizar una clasificación multitemporal de usos y cobertura de la tierra utilizando imágenes Landsat para la cuenca del Río Quinindé, dada la importancia de contar con datos actualizados del uso de suelo de una determinada área para la gestión del recurso hídrico. Se utilizaron imágenes satelitales LANDSAT de los años 1998, 2015 y 2019, y se aplicaron los métodos de distancia mínima y el método ISODATA haciendo uso del software QGIS, que involucró el análisis mediante la clasificación supervisada y no supervisada. Los resultados revelan que la cobertura de nubes tiene un 15,66%; por lo tanto, el año 2015 tiene el mayor porcentaje de nubes. Los pixeles “sin información” (leyenda color negro) tienen un promedio 4,29%; el cuerpo de agua tiene un porcentaje de 0,15% y la cobertura de agrícola (tierra cultivada) tiene un valor promedio 25,78%; la cobertura de conservación y protección (bosque húmedo poco alterado) tiene un valor promedio 21,24%; la cobertura de conservación y producción (vegetación herbácea mediamente alterado) tiene un valor promedio de 32,65%; y la zona poblada tiene un valor promedio de 0,23%. En conclusión, las actividades humanas cambian el uso del suelo en la cuenca, pudiendo causar efectos nocivos como un aumento en la erosión del suelo mediante la escorrentía superficial, acarreando finalmente arrastre de sedimentos. Se recomienda desarrollar planes integrales de gestión para la cuenca.

Full text

Esta obra está bajo una licencia de Creative
Commons Reconocimiento 4.0 Internacional.
Vol. 9, Núm. 2 (1-10): Julio-Diciembre, 2024 DOI: 10.33936/riemat.v9i2.6793
RIEMAT: Revista de Investigaciones de Energía,
Medio Ambiente y Tecnología
e-ISNN 2588-0721
1
RIEMAT
Revista de Investigaciones en Energía,
Medio Ambiente y Tecnología:
Multitemporal lad use classication using Landsat images in
the Quinindé River basin
Clasicación multitemporal de usos de la tierra utilizando
imágenes landsat en la cuenca del Río Quinindé
Citacion sugerida: Bravo-Ferrín, R., Giler-
Ormaza, A., Mogro, Y. & Cusme-Intriago,
R. (2024). Clasificación multitemporal de
usos de la tierra utilizando imágenes landsat
en la cuenca del Río Quinindé. Revista de
investigaciones en energía, medio ambiente
y tecnología. RIEMAT, 9(2), pp. 1–10. https://
doi.org/10.33936/riemat.v9i2.6793
Autores
Recibido:
Aceptado:
Publicado:
04/06/2024
21/06/2024
02/07/2024
1 Universidad Católica del Ecuador Sede
Manabí, Carrera de Ingeniería Hidraúlica.
Portoviejo, Ecuador.
2 Universidad Técnica de Cotopaxi, Carrera
de Ingeniería Hidraúlica. San Jacinto,
Ecuador.
* Autor para correspondencia.
andygiler90@hotmail.com
Resumen
Esta investigación tuvo como objetivo realizar una clasicación multitemporal de
usos y cobertura de la tierra utilizando imágenes Landsat para la cuenca del Río
Quinindé, dada la importancia de contar con datos actualizados del uso de suelo
de una determinada área para la gestión del recurso hídrico. Se utilizaron imágenes
satelitales LANDSAT de los años 1998, 2015 y 2019, y se aplicaron los métodos
de distancia mínima y el método ISODATA haciendo uso del software QGIS, que
involucró el análisis mediante la clasicación supervisada y no supervisada. Los
resultados revelan que la cobertura de nubes tiene un 15,66%; por lo tanto, el año
2015 tiene el mayor porcentaje de nubes. Los pixeles “sin información” (leyenda
color negro) tienen un promedio 4,29%; el cuerpo de agua tiene un porcentaje de
0,15% y la cobertura de agrícola (tierra cultivada) tiene un valor promedio 25,78%;
la cobertura de conservación y protección (bosque húmedo poco alterado) tiene un
valor promedio 21,24%; la cobertura de conservación y producción (vegetación
herbácea mediamente alterado) tiene un valor promedio de 32,65%; y la zona
poblada tiene un valor promedio de 0,23%. En conclusión, las actividades humanas
cambian el uso del suelo en la cuenca, pudiendo causar efectos nocivos como un
aumento en la erosión del suelo mediante la escorrentía supercial, acarreando
nalmente arrastre de sedimentos. Se recomienda desarrollar planes integrales de
gestión para la cuenca.
Palabras clave: Clasicación multitemporal; uso de suelo; cobertura terrestre;
escorrentía; sedimentos.
Abstract
This mixed research study aimed to carry out a multi-temporal Landsat image
classication of land cover/use in the Quinindé River Basin, regarding the
importance of having updated data on the use of land in a given area for water
resource management. Hence, this descriptive research study was conducted
from January to November 2022. Some Landsat satellite images from 1998,
2015 and 2019 were used; the minimum distance method was used, as well as
the ISODATA method using QGIS software, which involved an analysis through
supervised and unsupervised classication. The ndings reveal 15.66% cloud
coverage; therefore, the year 2015 has the highest percentage covered by clouds.
Pixels “without information” (black legend) have an average of 4.29%; the body of
water has 0.15% and agricultural land (cultivated land) has an average of 25.78%;
the coverage of conservation and protection (less disturbed humid forest) has an
average of 21.24%; the coverage of conservation and production (moderately
disturbed herbaceous vegetation) has an average of 32.65%; and the populated area
has an average of 0.23%. In conclusion, human activities aect uses of soil in this
basin, and they may cause damage such as an increase in soil erosion due to surface
runo, transporting this way sediment entrainment. Developing comprehensive
water resources planning activities for this basin is recommended.
Keywords: Multi-temporal classication; land use; land cover; runo; sediments.
Richard Xavier Bravo-Ferrín 1
Andy Miguel Giler-Ormaza 2*
Yenson Vinicio Mogro-Cepeda 2
Rudys Cusme-Intriago 2
https://orcid.org/0000-0002-4088-3034
https://orcid.org/0000-0002-6887-392X
https://orcid.org/0000-0002-4688-0467
https://orcid.org/0009-0006-7882-1206
iD
iD
iD
iD

riemat@utm.edu.ec Vol. 9, Núm. 2 (1-10): Julio-Diciembre, 2024 DOI: 10.33936/riemat.v9i2.67931
2
https://revistas.utm.edu.ec/index.php/riemat
RIEMAT: Revista de Investigaciones de Energía,
Medio Ambiente y Tecnología
e-ISSN 2588-0721
RIEMAT
Revista de Investigaciones en Energía,
Medio Ambiente y Tecnología:
1. Introducción
Es importante resaltar que desde hace mucho tiempo el hombre viene realizando actividades que producen
cambios signicativos en su entorno. De acuerdo con esto es importante resaltar que los desequilibrios
ambientales son varios y que tienen un impacto dentro del sistema en donde se encuentra radicado (Aguirre,
2018). En este sentido se puede explorar de manera amplia que efectos han venido dándose mediante la
aplicación de métodos y técnicas, que corroboren dichas armaciones y que pueden asegurar su necesidad
de análisis (Prieto, et al.,2018).
Para establecer un proceso que permita jar la función de un análisis sobre las problemáticas generadas es
importante seleccionarlo y aplicarlo para la obtención de resultados que describan su estado situacional. Por
una parte, es necesario determinar qué elementos deben emplearse primeramente para el análisis multitemporal
y que de acuerdo con Cabrera (2019), indica que se debe cumplir cuatro condiciones “corrección geométrica,
corrección radiométrica, eliminación de nubes y que correspondan a la misma época” (p.10). De acuerdo
con esto es importante indicar que solo se aplica como metodología de selección en pleno ejercicio para la
función de una clasicación.
“La clasicación es una forma de aprendizaje, un proceso que acumula y concentra experiencias dentro
de modicaciones internas de un sistema; no razona para deducir un resultado o tomar decisiones. Por lo
tanto, la clasicación se limita a agrupar conjuntos de objetos” (Arango et al., 2005, p. 2613). Dentro de los
estudios multitemporales es necesario realizar un análisis sobre el proceso que se desea establecer, y que
funciones necesitan ser comprendidas (Kantakumar & Neelamsett,2015).
Para instituir estos procesos, es importante determinar qué tipo de clasicaciones existen, las cuales se
dividen en dos tipos de clasicaciones, la clasicación supervisada y la no supervisada, siguiendo esta misma
fundamentación de la autora Aguirre et al. (2018); en la clasicación supervisada, se seleccionan muestras
representativas para cada cobertura. Esta clasicación analiza los cuerpos de agua que están presentes en
el desarrollo y proceso dentro de las zonas, coberturas de bosques, vegetaciones secundarias, mosaicos de
pastos y cultivos.
La clasicación multitemporal del uso de la tierra tiene en cuenta la variación estacional del área de estudio,
así como las diferencias estacionales de vegetación, que es muy útil para comprender el impacto de la
dinámica del uso de la tierra en los recursos naturales (Neelamsetti, 2015). En concordancia con este estudio,
el cual fue diseñado con un enfoque híbrido en combinación de técnica de clasicación supervisada de
máxima verosimilitud bajo un contraste del enfoque de árbol de decisión y método de clasicación no
supervisado para derivar la clasicación multitemporal del uso de la tierra de la cuenca de Río Quinindé para
los años 1998, 2015 y 2019.
Los impactos de los cambios en el uso de la tierra sobre la sostenibilidad de los ecosistemas se están
convirtiendo en un problema, los cuales causan afectaciones a nivel mundial, los cuales están siendo
estudiados mediante procesos investigativos. Las acciones humanas parecen conducir a la mayoría de los
cambios que están latentes en la supercie terrestre, mediante las alteraciones que son generadas en cubierta
supercial, y que dan como resultados cambios en el equilibrio de energía, agua, y los ujos geoquímicos a
nivel local, regional y global (Valdivieso y Bosque, 2010).
Dichos cambios inuirán inevitablemente en la sostenibilidad de recursos naturales y actividades
socioeconómicas, con el aumento en el crecimiento de la población, la presión que es una variante ejercida
sobre los recursos naturales, los cuales se encuentran ajustados por las limitaciones dentro de un país y
genera un efecto a los cambios en la cobertura del suelo (Islam et al., 2018).
Los mapas de usos y cobertura de la tierra que se clasican de acuerdo a orden completo, están establecidos
por múltiples fechas temporales únicas, de las cuales a menudo carecen de información de deciencia sobre
el proceso de cambio uso y cobertura de la tierra y sus transformaciones (por ejemplo, su tasa de cambio). Es

Clasificación multitemporal de usos de la tierra utilizando imágenes landsat en la cuenca del Río Quinindé
Bravo-Ferrín, R., Giler-Ormaza, A., Mogro-Cepeda, Y. & Cusme-Intriago, R.
DOI: 10.33936/riemat.v9i2.6793
e-ISNN 2588-0721 Vol. 9, Núm. 2 (1-10): Julio-Diciembre, 2024
3
RIEMAT: Revista de Investigaciones de Energía,
Medio Ambiente y Tecnología
riemat@utm.edu.ec
necesario resaltar que el mapa de uso y cobertura de la tierra multitemporal puede superar estas deciencias
que son aporte signicativo en las investigaciones. De acuerdo con (Sun & Ongsomwang, 2020), es poco
probable que solo haya un método para usos y cobertura de la tierra que ayuden a comprender de mejor
manera la clasicación multitemporal, y con este referente también el uso de los datos satelitales de series
de tiempo.
De acuerdo con lo que sostiene Gómez et al. (2016), hay dos enfoques para generar información de
clasicación multitemporal usos y cobertura de la tierra, a partir de conjuntos de datos de series de tiempo.
Primeramente, se producen mapas usos y cobertura de la tierra independientes para cada intervalo de tiempo
(es decir, para cada mes o año), en segundo lugar, los mapas usos y cobertura de la tierra multitemporales
se crean utilizando un mapa base como condición de referencia con cambiar información para varias fechas
(Sun & Ongsomwang, 2020).
La integración de las nuevas tecnologías de teledetección integradas en unos sistemas de información
geográcos es de vital importancia a la hora de hacer estimaciones multitemporales de uso de suelo. En
una percepción directa que generan los autores Mendoza et al. (2021), en su evaluación de cambios de uso
y cobertura de la tierra a escala de cuenca hidrográca del río Chone, hace referencia a la importancia de
analizar los impactos en el suelo con respecto a las tasas de forestación y destaca la insostenible urbanización
cerca de una cuenca, por su parte Young y sus colaboradores (2017), mencionan y en concordancia con
(Vuolo et al., 2015), que es eciente analizar este impacto por medio imágenes Landsat, ya que estas son
buenas para estimar uso de suelo.
Las necesidades sobre obtener información sobre estos problemas permiten realizar un análisis sobre su
estado situacional, generando y funcionando a la vez un nivel de integración de datos, análisis y percepciones
sobre los datos obtenidos de todos los software, herramientas y funciones que están establecidas dentro de
una investigación (Khatami,et al.,2016). Por los antecedentes mencionados anteriormente es necesario y se
justica la elaboración de este trabajo investigación.
El objetivo general de esta investigación se realizar una clasicación multitemporal de usos y cobertura de
la tierra utilizando imágenes Landsat para la cuenca del Río Quinindé (Ministerio del Ambiente del Ecuador
[MAE], 2012). Los objetivos especícos fueron a) Evaluar sistemáticamente la disponibilidad de imágenes
Landsat para estimar usos y cobertura de suelo en la cuenca de estudio; b) Seleccionar escenas Landsat en
base a las mínimas coberturas de nubes en el área de estudio; c) Realizar el procesamiento para las escenas
seleccionadas y obtener mapas de cobertura del suelo; y d) Llevar a cabo un análisis multitemporal de los
cambios en el usos y cobertura de suelo y su relación con el potencial de afectar la inltración y la escorrentía.
2. Materiales y Métodos
2.1. Área de Estudio
La cuenca del Río Quinindé se encuentra al norte del Ecuador en la provincia de Esmeraldas y tiene una
supercie es de 3672.45 km2 (Changjiang Institute of Survey, Planning, Design and Research [CISPDR],
2016), por lo cual el Instituto Nacional de Meteorología e Hidrológica (INAMHI) que la cuenca tiene una
ubicado de la estación hidrológica H0177.
Para obtener la forma de la cuenca se usó el modelo digital de elevación del terreno (DEM) del proyecto
SRTM de la NASA de resolución tiene 12.5 x 12.5 m a través de la satelital ALOS PALSAR (Turner, 2015),
para la desratización espacial se hará uso de un sistema de investigación geográca con una estimación del
uso de la cuenca en estudio (Pérez et al., 2018; Henriquez, 2012). En complemento se usa el programa QGIS
para procesar la información geográca y hacer delimitación hidrográca de nuestro área de estudio con el
tomado con el punto de cierre la estación hidrológica H0177 (Jorquera, 2012).
A continuación, se presenta en la gura 1 una imagen geográca de la zona de estudio:

riemat@utm.edu.ec Vol. 9, Núm. 2 (1-10): Julio-Diciembre, 2024 DOI: 10.33936/riemat.v9i2.67931
4
https://revistas.utm.edu.ec/index.php/riemat
RIEMAT: Revista de Investigaciones de Energía,
Medio Ambiente y Tecnología
e-ISSN 2588-0721
RIEMAT
Revista de Investigaciones en Energía,
Medio Ambiente y Tecnología:
Figura 1
Área de estudio del Río Quinindé.
Fuente: Los autores
Teledectección
Para comenzar, se obtuvieron los datos necesarios (imágenes satelitales) del “EARTH EXPLORER” de
la NASA para los años 1998, 2015 y 2019. Después, se descomprimieron las bandas y se cargaron en el
software ENVI. Durante el preprocesamiento de las imágenes, se realizaron tres correcciones: radiométrica,
atmosférica y topográca, tal como se presenta en la tabla 1.
Tabla 1
Nomenclatura de las imágenes satelitales LANDSAT.
Satélite Año de obtención
de la información ID de la imagen
LANDSAT 5 TM 1998 LT05_L1TP_011060_19980907_20161222_01_T1
LANDSAT 8 OLI 2015 LC08_L1TP_011060_20150330_20170411_01_T1
LANDSAT 8 OLI 2019 LC08_L1TP_011060_20190715_20190721_01_T1
Fuenta: Elaboración propia
La corrección radiométrica convirtió los números digitales tomados por el satélite en unidades de radiancia,
mientras que la corrección atmosférica eliminó las distorsiones atmosféricas. La corrección topográca se
realizó en QGIS con la herramienta de corrección topográca de SAGA, que utilizó el método MINNAERT
para mitigar el ángulo del sol en diferentes estaciones del año.
La corrección radiométrica convierte los números digitales (DN) que logra registrar las imágenes satélites,
sin embargo, se emplean las herramientas de RADIOMETRIC CORRECTION se encuentra en el software
ENVI, ya que la conguración de este método FLAASH tiene un valor de SCALE FACTOR es de 0,10 es
para la calibración de la radiancia (Aguilar et al., 2014).

Clasificación multitemporal de usos de la tierra utilizando imágenes landsat en la cuenca del Río Quinindé
Bravo-Ferrín, R., Giler-Ormaza, A., Mogro-Cepeda, Y. & Cusme-Intriago, R.
DOI: 10.33936/riemat.v9i2.6793
e-ISNN 2588-0721 Vol. 9, Núm. 2 (1-10): Julio-Diciembre, 2024
5
RIEMAT: Revista de Investigaciones de Energía,
Medio Ambiente y Tecnología
riemat@utm.edu.ec
La corrección atmosférica permite realizar unas imágenes adquiridas por los diferentes sensores o las
distintas fechas (Young et al., 2017). Por lo tanto, el método de la corrección FLAASH es para eliminación
algunos de los efectos atmosféricos causado por la dispersión molecular en la atmosférica.
Para obtener una reectancia de la supercie:
(1)
Donde:
LTOA: resplandor espectral al satélite.
ρSUP: reectancia de la supercial del píxel.
ρe: reectancia de la supercie promedio del píxel de la región circundante.
S: esférico albedo de la atmósfera.
La A y B son los coecientes que dependen de la atmósfera y las condiciones geométricas (Prieto-Amparan
et al., 2018).
En este caso el método que se encuentra en un módulo de ENVI Software. Por otro lado, el preprocesamiento
de las imágenes LANDSAT, a través del PLUGIN SCP que se encuentra en el Software QGIS, por lo que la
corrección atmosférica se realiza mediante a un algoritmo de DOS1 (DarkObjectSubstract 1), en el caso de
la técnica de los objetos sombríos que se detectan automáticamente cuando el valor de reexión de pixeles
es menor o igual a 1.0% (Prieto-Amparan et al., 2018).
La corrección topográca es la que tiene un ángulo de incidencia del aspecto solar; es decir, que es diferente
entre las estaciones del año, esto se produce mediante las regiones oscuras o la mayor iluminación que se
pueden observar de manera más precisa; por lo tanto, la corrección topográca se hace por el método de
MINNAERT. En la siguiente la ecuación es explica cómo se emplea en este caso:
(2)
Donde:
LH: reectancia de la supercie horizontal.
LT: reectancia de la supercie inclinada.
COS z: ángulo cenital solar.
COS i: ángulo de incidencia solar local.
k: constante de MINNAERT.
En este caso método los complementos de SAGA que se encuentra dentro del Software QGIS (Fureder,
2010).
Mapas de usos de la tierra de las imágenes LANDSAT
La clasicación se realizó a través del método de los complementos SCP (SemiAutomatic Classication)
dentro de Software QGIS, sin embargo, la clasicación semi-supervisada, utilizó unos 17 ROI (Region of
Interést) para 7 MacroClass, por lo que se tomaron diferentes combinaciones de bandas que se encuentra
en la tabla 2. Estos muestreos se juntaron con la implementación del algoritmo de Distancia Mínima para
obtener los resultados deseados. Para discriminar la cubierta vegetal resultó útil la combinación de bandas
infrarrojo (Argañaraz & Entraigas, 2011).
Combinaciones de las bandas para las imágenes satelitales que se presentan en la tabla 2.

riemat@utm.edu.ec Vol. 9, Núm. 2 (1-10): Julio-Diciembre, 2024 DOI: 10.33936/riemat.v9i2.67931
6
https://revistas.utm.edu.ec/index.php/riemat
RIEMAT: Revista de Investigaciones de Energía,
Medio Ambiente y Tecnología
e-ISSN 2588-0721
RIEMAT
Revista de Investigaciones en Energía,
Medio Ambiente y Tecnología:
Tabla 2
Combinaciones de las bandas para las imágenes satelitales.
Satélite Tipo de combinación Combinación de bandas
LANDSAT 5 TM Color Natural B3 (Red) – B2 (Green) - B1 (Blue)
Uso de Agrícola B5 (SWIR 1) – B4 (NIR) – B1(Blue)
Color Falso Infrarrojo B4 (NIR) - B3 (Red) – B2 (Green)
LANDSAT 8 OL Color Natural B4 (Red) – B3 (Green) - B2 (Blue)
Uso de Agrícola B6 (SWIR 1) – B5 (NIR) – B2(Blue)
Color Falso Infrarrojo B5 (NIR) – B4 (Red) – B3 (Green)
Fuente: Satélite LANDST 5TM-LANDST 8 OL.
En la tabla 3 se encuentran diferentes combinaciones de las bandas para las imágenes LANDSAT, por lo que
se puede discriminar y clasicar las coberturas de la tierra en función de composición espectral.
Combinación de bandas en imágenes LANDSAT
Tabla 3
Combinación de bandas en imágenes LANDSAT
LANDSAT 5 TM en año 1998 LANDSAT 8 OLI en año 2015 LANDSAT 8 OLI en año 2019
COLOR NATURALCOLOR AGRICOLACOLOR INFRARROJO
Fuente: Los autores.

Clasificación multitemporal de usos de la tierra utilizando imágenes landsat en la cuenca del Río Quinindé
Bravo-Ferrín, R., Giler-Ormaza, A., Mogro-Cepeda, Y. & Cusme-Intriago, R.
DOI: 10.33936/riemat.v9i2.6793
e-ISNN 2588-0721 Vol. 9, Núm. 2 (1-10): Julio-Diciembre, 2024
7
RIEMAT: Revista de Investigaciones de Energía,
Medio Ambiente y Tecnología
riemat@utm.edu.ec
La clasicación se realizó a través del método de los complementos SCP (SemiAutomatic Classication)
dentro de Software QGIS, sin embargo, la clasicación semi-supervisada, utilizó unos 17 ROI (Region of
Interést) para 7 MacroClass, por lo que se tomaron diferentes combinaciones de bandas que se encuentra
en la tabla 2. Estos muestreos se juntaron con la implementación del algoritmo de Distancia Mínima para
obtener los resultados deseados. Para discriminar la cubierta vegetal resultó útil la combinación de bandas
infrarrojo (Argañaraz & Entraigas, 2011), tal como se presenta en la gura 2.
Figura 2
Diagrama de Clasicación de No Supervisada QGIS.
Fuente: Los autores.
3. Resultados y Discusión
3.1. Análisis del Recurso Hidrológico
La estimación del uso de suelo con base en las imágenes LANDSAT para los años 1998, 2015 y 2019 fueron
los siguientes: la cobertura de nubes tiene un 15,66%; por lo tanto, que el año 2015 tiene el mayor porcentaje
de nubes por la imagen de LANDSAT. La clasicación “sin información” por inspiración que se ha tomado
de la nube (leyenda color negro) tiene un promedio 4,29%; el cuerpo de agua tiene iguales porcentaje 0,15%,
la cobertura de Agrícola (tierra cultivadas) tiene un valor promedio 25,78%; la cobertura de conservación y
protección (bosque húmedo poco alterado) tiene un valor promedio 21,24%; la cobertura de conservación y
producción (vegetación herbácea mediamente alterado) tiene un valor promedio de 32.65%; y la cobertura
de antrópico (zona poblada) tiene un valor promedio de 0.23%, tal como se presenta en la tabla 4.
Tabla 4
Comparación multitemporal de los resultados.
1998 2015 2019
Uso de suelos Área (ha) Porcentaje (%) Área (ha) Porcentaje (%) Área (ha) Porcentaje (%)
Cobertura de nubes 39282,36 10,89% 96125,23 26,66% 19213,26 5,33%
Sin información 310,02 0,09% 31239,18 8,66% 14806,33 4,11%
Cuerpos de agua 543,01 0,15% 543,01 0,15% 543,01 0,15%
Agrícola 103095,11 28,59% 73782,70 20,46% 85539,44 23,72%
Conservación y
protección 76943,90 21,34% 120584,80 33,44% 120485,76 33,42%
Conservación y
producción 139483,26 38,68% 37461,61 10,39% 119272,48 33,08%
Antrópico 908,46 0,25% 829,61 0,23% 705,85 0,20%
Totales 360566,13 100,00% 360566,13 100,00% 360566,13 100,00%
Fuente: Los autores.

riemat@utm.edu.ec Vol. 9, Núm. 2 (1-10): Julio-Diciembre, 2024 DOI: 10.33936/riemat.v9i2.67931
8
https://revistas.utm.edu.ec/index.php/riemat
RIEMAT: Revista de Investigaciones de Energía,
Medio Ambiente y Tecnología
e-ISSN 2588-0721
RIEMAT
Revista de Investigaciones en Energía,
Medio Ambiente y Tecnología:
Por ende, la generación de los mapas de cobertura de la tierra con base en las imágenes LANDSAT, la
cobertura de Tierras de Cultivo de Secano disminuyó un 9.99%. La Cubierta Arborea siempre será de color
verde para obtener cerrada para abrir (>15%) se incrementó en 0.37%; la Cubierta de Matorral se incrementó
en 14.75%; las áreas urbanas disminuyeron un 0.16%; áreas desnudas se incrementaron en 1.63%. La
variabilidad de los cuerpos de agua en el año 2019 el 1% ya que en el año 1998 sin cuenta los cuerpos de
agua por lo que la imagen de LANDSAT 5 tuvieron problema con la nubosidad, tiene un valor 16.57%.
Por otra parte, la determinación de los mapas No-Supervisada cobertura de la tierra con la base en las
imágenes LANDSAT: la cobertura de Tierras de Cultivo de Secano disminuyó un 15.24%; la Cubierta
Arbórea siempre será color verde por las hojas anchas para obtener cerrada para abrir (>15%) disminuyó en
0.7%; la Cubierta de Matorral se incrementó en 9.37%; las áreas urbanas que el año 2019 tiene un valor de
3.79% ya que el año 1998 de la LANDSAT 5 hubo problema con la imagen de LANDSAT por la nubosidad;
áreas desnudas disminuyeron en 23.1%, tal como se presenta en la gura 3.
Figura 3
Comparación gráca de los resultados.
Fuente: Los autores
Discusión
Los resultados obtenidos en esta investigación tienen cierto grado de similitud con los reportados por
Ramírez (2021), en su estudio “ Caracterización físico-química del agua y su relación con el uso del suelo
en el Río Teaone, cantón Esmeraldas, año 2019”. Ramírez encontró que los principales cambios en la cuenca
eran de suelos forestales a suelo para cultivos agrícolas y pastizales, y concluyó que estos cambios inuyen
en el azolvamiento de los cauces. Además, menciona que los parámetros físico-químicos demuestran que
en los sistemas agroforestales y bosques nativos se mantiene una buena calidad de agua mientras que en
los usos de suelo de ganadería y urbanos su calidad decrece. Esto se asemeja a lo mostrado en nuestra
investigación, donde se puede ver que los cambios en el uso del suelo en la cuenca del embalse favorecen
la escorrentía. Como es sabido, la escorrentía causa la erosión de sedimentos hacia los cuerpos de agua.
Tabuenca (2016), corrobora lo mencionado Ramírez (2021), ya menciona que los suelos desnudos y de uso
agrícola contribuyen con mayor cantidad de sedimento en comparación con los bosques y matorrales.

Clasificación multitemporal de usos de la tierra utilizando imágenes landsat en la cuenca del Río Quinindé
Bravo-Ferrín, R., Giler-Ormaza, A., Mogro-Cepeda, Y. & Cusme-Intriago, R.
DOI: 10.33936/riemat.v9i2.6793
e-ISNN 2588-0721 Vol. 9, Núm. 2 (1-10): Julio-Diciembre, 2024
9
RIEMAT: Revista de Investigaciones de Energía,
Medio Ambiente y Tecnología
riemat@utm.edu.ec
En nuestra investigación, utilizamos el método FLAASH para las correcciones radiométricas y atmosféricas,
y el método MINNEART para la corrección topográca. Estos métodos demostraron ser prácticos y efectivos
para el procesamiento y corrección de imágenes espectrales. Estas armaciones son respaldadas por Zepeda
(2012), quien utilizó las correcciones de imágenes satelitales Landsat y Spot y obtuvo excelentes resultados.
4. Conclusiones
El uso de imágenes Landsat para realizar análisis de uso de suelo multitemporales han demostrado ser una
fuente de información de mucho valor, dado que su rápida disponibilidad y abundante literatura, hace posible
realizar estudios como el que se llevó a efecto en la presente investigación.
Los cambios en la cobertura del suelo basados en imágenes de Landsat reejan un posible aumento de
escorrentía a lo largo de la cuenca, destacando estos cambios en los tramos medio y bajo, debido al aumento
de la tierra cultivada, la expansión de las áreas urbanas y áreas donde se talan árboles para cultivos y se
convierten en matorrales.
El análisis de los resultados de las clasicaciones supervisadas y no supervisadas, demuestran que hay
cambios resultantes en la parte alta de la cuenca denotan un aumento de la escorrentía supercial. Haciendo
que la cuenca baja sea susceptible a inundaciones debido al cambio en el uso y cobertura de la tierra.
Conictos de interés
Los autores declaran no tener ningún conicto de interés.
Referencias bibliográcas
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 Geográca de
América Central, 53, 39–59. http://dx.doi.org/10.15359/rgac.%5Cnhttp://www.revistas.una.ac.cr/
index.php/geograca/article/view/6609/6743
Aguirre, P. (2018). Análisis multitemporal entre los años 2000 y 2017 de las coberturas de la tierra y
los principales cuerpos de agua en el departamento de atlántico empleando imágenes satelitales
landsat. [Tesis de postgrado, Universidad Militar Nueva Granada]. Bogotá, Colombia. https://
repository.unimilitar.edu.co/bitstream/handle/10654/17630/AguirreMartinezPaulaAndrea2018.
pdf?sequence=3&isAllowed=y
Arango, M., Branch, J y Botero, B. (2005). Clasicación no supervisada de coberturas vegetales sobre
imágenes digitales de sensores remotos: “landsat – etm+”. Rev.Fac. Nal.Agr.Medellín, 58 (1), 2611-
2634. http://www.scielo.org.co/pdf/rfnam/v58n1/a04v58n1.pdf
Argañaraz, J. P., & Entraigas, I. (2011). Análisis comparativo entre las máquinas de vectores soporte y
el clasicador de máxima probabilidad para la discriminación de cubiertas de suelo. Revista de
Teledetección, 36 (Mlc), 26–39. https://acortar.link/zyoTs5
Changjiang Institute of Survey, Planning, Design and Research CISPDR (2016). Plan Hidráulico Regional
de Demarcación Hidrográca Esmeraldas. Esmeraldas: Changjiang Institute of Survey Planning
Design and Research.
Cabrera, G. (2019). Dinámica del cambio de uso del suelo de la cuenca del rio Tomebamba entre los años
2001-2015 y su proyección al año 2030. Tesis de pregrado, Universidad del Azuay. Cuenca, Ecuador.
https://dspace.uazuay.edu.ec/bitstream/datos/9566/5/15200.pdf
Camacho-Sanabria, R., Camacho-Sanabria, J. M., Balderas-Plata, M. Á., & Sánchez-López, M. (2017).
Cambios de cobertura y uso de suelo: Estudio de caso en progreso hidalgo, estado de méxico. Madera
Bosques, 23(3), 39–60. https://doi.org/10.21829/myb.2017.2331516

riemat@utm.edu.ec Vol. 9, Núm. 2 (1-10): Julio-Diciembre, 2024 DOI: 10.33936/riemat.v9i2.67931
10
https://revistas.utm.edu.ec/index.php/riemat
RIEMAT: Revista de Investigaciones de Energía,
Medio Ambiente y Tecnología
e-ISSN 2588-0721
RIEMAT
Revista de Investigaciones en Energía,
Medio Ambiente y Tecnología:
Domínguez, R., & León, M. (2019). Recursos naturales, medio ambiente y sostenibilidad. Santiago:
Comisión Económica para América Latina y el Caribe (CEPAL).
AO. (2015). Evaluación de los recurso forestales mundiales 2015. Organización de las Naciones Unidas
para la Alimentación y la Agricultura. http://www.fao.org/3/a-i4808s.pdf:
Henriquez, D. L. (2012). Escenarios futuros de uso de suelo para el análisis del efecto del cambio global en
los recursos hídricos aplicado al acuífero de la mancha oriental. Universidad Politécnica de Valencia.
https://riunet.upv.es/handle/10251/15479
Jorquera, E. et al. (2012). Revisión del estado del arte en la modelación hidrológica distribuida e integrada.
1° Encuentro de Investigadores En Formación En Recursos Hídricos, October 2014, 18.
Kantakumar, L. N., & Neelamsetti, P. (2015). Multi-temporal land use classication using hybridapproach.
The Egyptian Journal of Remote Sensing and SpaceSciences, 18, 289-295. doi:10.1016/j.
ejrs.2015.09.003
Khatami, R., Mountrakis, G., & Stehman, S. (2016). A meta-analysis of remote sensing research on supervised
pixel-based land-cover image classication processes: General guidelines for practitioners and future
research. Remote Sensing of Environmen, 177, pp 89–100. https://doi.org/10.1016/j.rse2016.02.028
Ministerio del Ambiente del Ecuador MAE. (2012). Línea Base de deforestación del Ecuador Continental.
Quito-Ecuador: Ministerio del Ambiente del Ecuador.
Mendoza, L. H., Chavarría, J., & Giler, O. A. (2021). Evaluación de cambios en uso y cobertura de la
tierra a escala de cuenca hidrográca del río Chone. Revista Dilemas Contemporáneos:
Educación, Política y Valores, Vol 8 (19) . https://www.scielo.org.mx/scielo.php?pid=S2007-
78902021000400019&script=sci_arttext
Pérez, L. R., Cabrera, E. E., Hinostroza, G. M., & Manzaba, C. J. (2018). Climatological Study Régimen
de riego de cultivos en Manabí-Ecuador: estudio climatológico. The Irrigation Regime for Crops
in Manabí, Ecuador, 27(1), 5–12. https://www.redalyc.org/journal/932/93261708006/93261708006.
pdf
Prieto, A. J., Villarreal, G. F., Matinez, S. M., Manjarrez, C., Santellano, E. E., & Pinedo, A. A. (2018).
Atmospheric and Radiometric Correction Algorithms for the Multitemporal Assessment of Grasslands
Productivity. Revista remote sensing, pp 2-23. https://www.mdpi.com/2072-4292/10/2/219
Prieto-Amparan, J. A., Villarreal-Guerrero, F., Martinez-Salvador, M., Manjarrez-Domínguez, C., Santellano-
Estrada, E., & Pinedo-Alvarez, A. (2018). Atmospheric and radiometric correction algorithms for the
multitemporal assessment of grasslands productivity. Remote Sensing, 10(2). https://doi.org/10.3390/
rs10020219
Palazón Tabuenca, L. (2016). Spatio-temporal dynamic of soil erosion and sediment supply in a Pyrenean
catchment: modelling erosion and ngerprinting sediment apportionments.. https://digital.csic.es/
handle/10261/131848
Turner, W. (2015). Free and open-access satellite data are key to biodiversity conservation. 182, pp. 173–
176: Biological Conservation.
Vuolo, F., Mattiuzzi, M., & Atzberger, C. (2015). Comparison of the Landsat Surface Reectance Climate
Data Record (CDR) and manually atmospherically corrected data in a semi-arid European study area.
International Journal of Applied Earth Observation and Geoinformation, 42: pp 1-10. https://www.
sciencedirect.com/science/article/pii/S0303243415001129
Young, N. E., Anderson, R. S., Chignell, S. M., Vorster, A. G., Lawrence, R., & Evangelista, P. H. (2017). A
survival guide to Landsat preprocessing. Ecology, 98(4), 920–932. https://doi.org/10.1002/ecy.1730