CARTOGRAFÍA COMPARADA DE
INUNDACIONES CON IMÁGENES SAR. CASO RÍO SANTA LUCÍA.
Alicia Roxana Blanco [1]
María Mercedes Salvia 2,3
(Manuscrito
recibido el 16 de julio de 2024, en versión final 12 de noviembre de 2024)
Para
citar este documento
Blanco, A.R.&
Salvia, M.M. (2024). Cartografía
Comparada de Inundaciones con Imágenes SAR. Caso Río Santa Lucía. Boletín geográfico, 45, https://id.caicyt.gov.ar/ark:/s2313903x/l2zexfqyq
Resumen
Las
inundaciones se encuentran entre los peligros más frecuentes y extensos a nivel
mundial y se espera un aumento de los eventos en todo el mundo debido al
crecimiento de la población en las áreas expuestas, el crecimiento económico y
el cambio climático (Rojas et al., 2022). El objetivo de este trabajo es
comparar las capacidades de las bandas C y L de imágenes radar de apertura
sintética (SAR, por su sigla en inglés) para cartografiar inundaciones, que
permita, por una parte, el conocimiento y conservación de los humedales
fluviales, y por otra, contribuir al ordenamiento territorial reduciendo la
ocupación urbana en estas zonas expuestas a frecuentes inundaciones. Para ello,
se generaron mapas de clases de cambio del coeficiente σ0 utilizando las imágenes
SAR en dos frecuencias: Banda C y Banda L, en condiciones de no-inundación e
inundación. Luego se analizaron los mecanismos de interacción dominante entre
el coeficiente de retrodispersión σ0 y la vegetación presente que sumado a
criterios estadísticos permitieron generar cartografías de inundaciones.
Utilizando como verdad de campo puntos que reflejaron la extensión de la
inundación en sitios indicados por los pobladores, así como cartografía de
inundación realizada en la zona con anterioridad, se evidenció la superioridad
de la Banda L para detectar la extensión de las inundaciones, sin embargo,
ambos sistemas mostraron una importante sensibilidad a la condición de
inundación.
Palabras
clave: delimitación de inundaciones, Argentina, mecanismos
de interacción, ordenamiento territorial, teledetección
COMPARATIVE
FLOOD MAPPING USING SAR IMAGES: THE SANTA LUCÍA RIVER CASE
Abstract
Floods are among the
most frequent and widespread hazards worldwide. An increase in flood events is anticipated
due to population growth in exposed areas, economic growth
and climate change (Rojas et al., 2022). This study aims to compare the
capabilities of C- and L-band synthetic aperture radar (SAR) images for flood
mapping. This approach provides insight into the conservation of river wetlands
and contributes to land use planning by minimizing urban development in areas prone
to frequent flooding. To achieve this, maps depicting changes in the σ0
coefficient were generated using SAR images captured at two frequencies: C-Band
and L-Band, under both flood and non-flood conditions. Subsequently, dominant
interaction mechanisms between the backscatter coefficient σ0 and the existing vegetation
were analyzed. combined with statistical criteria thee analyses facilitated the
generation of flood maps. Ground truth points reflecting flood extent as reported
by local residents and previously conducted flood
mapping in the area, demonstrated, the superior performance of the L-Band in detecting
flood extent. However, both systems showed significant sensitivity to flood
conditions.
Keywords: flood
delimitation, Argentina, interaction mechanisms, land use planning, remote
sensing
Introducción
La expansión urbana en zonas ribereñas y la
falta de ordenamiento territorial fomentan el uso de estas, incrementando así
la exposición a inundaciones y, por tanto, el riesgo ante ellas. En este
sentido, muchos de los fenómenos naturales amenazantes, como son las
inundaciones, se desencadenan más que por el agua, por el mal manejo que le
damos a ella y al territorio.” Los niveles de crecimiento de la urbanización
costera han alcanzado velocidades y complejidades tales que requieren una
rápida respuesta de planificación del paisaje” (Munizaga et al., 2022,
2). Debido a esto y al cambio climático, se espera un aumento mundial de la
frecuencia de inundaciones. En este sentido, la mayoría de los métodos
utilizados para la identificación de áreas inundadas corresponde a: históricos,
geomorfológicos, hidrológicos e hidráulicos (Pérez Morales 2012; Delgado
Noguera 2019). Además, cada vez es más frecuente el uso de técnicas de
percepción remota, (Flores Lorenzo & Dávila Hernández 2018). Estas últimas se
vuelven especialmente importantes cuando las zonas de inundación son de gran
extensión y de limitada accesibilidad, como ocurre con los humedales en
general. En este sentido, dentro la percepción remota, las técnicas de
teledetección óptica no suelen ser adecuadas debido a que la cobertura nubosa
del área y el dosel de la vegetación (especialmente la arbórea) suelen obstruir
la visión del agua por parte del sensor. Pero a diferencia de éstos, los
radares de apertura sintética (SAR, por sus siglas en inglés), que operan en
las longitudes de onda de las microondas, tienen como una de sus principales
ventajas para mapear las inundaciones, su independencia de las condiciones
atmosféricas, de iluminación y la capacidad de cartografiar las inundaciones en
zonas vegetadas (Arnesen et al., 2013; Rahman &
Thakur 2018; Zozaya et al., 2020; Sevillano et al., 2020). Al
mismo tiempo, ha demostrado ser una eficaz herramienta para detectar
inundaciones bajo el bosque (Hess, et al., 1990; Townsend et al.,
1998). Esto es posible debido a que las ondas más largas se asocian
generalmente con una mayor penetración de doseles forestales, particularmente
cuando las longitudes de onda son mayores que el tamaño de la hoja (Pope, Rey
Benayas & Paris 1994; Townsend & Walsh 1998). Particularmente, en los
humedales como las llanuras de inundación de los ríos, la tecnología SAR ha
demostrado ser capaz de proporcionar información acerca de la estructura de la
vegetación y las condiciones hidrológicas debajo de ellas (Grings
et al., 2006, Munizaga et al., 2022), debido a los cambios en el
coeficiente de retrodispersión en varias frecuencias y polarizaciones para
diferentes tipos de vegetación herbácea en estas zonas (Hess et al.,
1995). Esto se debe a que el coeficiente de retrodispersión medido (σ0,
magnitud física que mide el radar) es sensible tanto a las características de
la vegetación como a la condición de humedad del suelo, por lo que “la
presencia o ausencia de agua (que tiene una constante dieléctrica mucho más
alta que la tierra seca o húmeda) puede alterar apreciablemente el σ0 medido,
dependiendo del tipo de vegetación dominante, su densidad y altura” (Grings 2008, 5-2).
Existen
numerosos trabajos donde se han aplicado datos SAR en distintas partes del
mundo, con diferentes frecuencias y con diversas técnicas, para obtener la
extensión de la inundación. En los trabajos más recientes, los métodos más
utilizados fueron clasificación supervisada a nivel objeto (Donezar
Hoyos et al., 2017; Sevillano Rodriguez et
al., 2020, Munizaga et al., 2022) técnicas de segmentación por
umbrales óptimos y clasificación (San Martín et al., 2015; Berezowski et al., 2020) y segmentación por umbrales
(Rahman & Thakur 2018; Sánchez Sánchez et al.,
2019).
En
este contexto, el objetivo de este trabajo es obtener la delimitación
cartográfica de las inundaciones utilizando imágenes SAR en banda C y banda L
en la llanura de inundación de un tramo del río Santa Lucía. La importancia de
delimitar estas áreas radica en que la delimitación contribuye a su buena
gestión debido a que son espacios necesarios para soportar adecuadamente las
inundaciones, sin que se produzcan degradaciones del sistema ambiental y la
vida humana sea sometida a riesgo (Mas 2013). Al mismo tiempo, la cobertura
vegetal presente en estas zonas funciona como regulador de los flujos de agua,
sedimentos y nutrientes (Vich 1996). Su función reguladora, hace que sea
importante su conservación, debido a que la ausencia de estos incrementa la
escorrentía superficial, incrementa la erosión del suelo y el transporte de los
sedimentos erosionados al curso fluvial.
Área de Estudio
Para
la cartografía de inundación del río Santa Lucía de la provincia de Corrientes,
se eligió una zona próxima a la ciudad de San Roque, localizada geográficamente
entre los 28°37'28" y los 28°26'35” Latitud Sur y los 58°49'20” y
58°35'37" Longitud Oeste (Figura 1), este río geomorfológicamente integra
la cuenca del Río Paraná (Currie & Giménez 1998)
y en la cuenca del Paraná medio, es uno de sus afluentes más importantes,
debido a su extensión y a su importancia socioeconómica.
Figura 1. Zona
de estudio. Datos: elaborado a partir de mapas bases de servidor web de QGIS y
capas vectoriales de elaboración propia y del Instituto Geográfico Nacional (https://www.ign.gob.ar/NuestrasActividades/InformacionGeoespacial/CapasSIG ).
Metodología
Datos satelitales
utilizados.
Las imágenes utilizadas corresponden a los
sensores SENTINEL 1 y ALOS PALSAR 2. Para los mapas de cambio confeccionados
con Banda C y Banda L, se utilizaron imágenes en condiciones no-inundado e
inundado. Las alturas hidrométricas fueron obtenidas de la estación N° 3835 del Departamento de San Roque, de la provincia de
Corrientes. Asimismo, para considerar una situación de inundación y en
consecuencia obtener una imagen que refleje dicha situación, se tomó un umbral
de nivel hidrométrico de 40,39 m.s.n.m., correspondiente al nivel de evacuación
en la zona. Las fechas de adquisición de las imágenes y alturas hidrométricas
observadas esos días se resumen en la Tabla 1. Los pares de imágenes SAR
utilizadas se eligieron en función de la disponibilidad y con las siguientes
condiciones:
1. La imagen de situación no inundada sea de
similar día del año o muy cercana a la fecha de inundación, pero de un año
antes o después de la inundación.
2. Ambas escenas deben tener condiciones
hidrológicas distintas.
3. Ambas escenas deben corresponder a la
misma estación del año para evitar el efecto de cambios fenológicos de la
vegetación en las imágenes.
4. Con la misma dirección de pasada
(descendente), ya que la mayoría de los objetos de la superficie terrestre no
son isotrópicos, por lo tanto, responderán distinto según sean observados en
una u otra dirección.
5. Corresponden al mismo sistema SAR, para
tener mismo ángulo de observación, igual resolución espacial y tamaño del
píxel, igual resolución radiométrica y la misma polarización.
Estas condiciones se consideraron necesarias
en este trabajo para evitar incertidumbres relacionadas a las características
de los sensores (diferentes resoluciones, diferentes direcciones de pasadas,
diferentes ángulos de observación, polarización, etc.) o imprecisiones
relacionadas a las diferencias fenológicas que influyen en el coeficiente de
retrodispersión de las áreas vegetadas. Para evitar ruidos de los procesos
relacionados con las estaciones de cultivos, se aplicó una máscara con el fin
de separar las zonas agrícolas de las zonas de vegetación natural.
Preprocesamiento.
Las escenas SENTINEL 1 correspondientes a
situaciones “no inundado” e “inundado”, fueron descargadas del sitio web https://search.asf.alaska.edu/#/,
en modo TOPSAR, IW (Interferometric Wide Swath), en Nivel 1 de procesamiento de tipo GRD de alta
resolución espacial (resolución rango x azimuth:
20x22 m, espaciado de píxeles range x azimuth: 10x10 m, nº looks: 5x1). Las escenas ALOS PALSAR 2, fueron adquiridas a
través del proyecto "RA-6 nro 3343: Satellite Estimation Of Flooded Area
And River Water Level Dynamics: Development Of Multisensor Strategies", en modo ScanSar,
WBDR1,5G y nivel de procesamiento 1,5. Las imágenes se procesaron utilizando el
programa SNAP de la Agencia Espacial Europea (ESA, European
Space Agency).
|
RADAR |
NO INUNDADO fecha/ altura hidrométrica (ms.n.m.) |
INUNDADO fecha/ altura hidrométrica (ms.n.m.) |
|
SENTINEL
1 |
04-01-2018/36,99 |
11-01-2019/41,21 |
|
ALOS
PALSAR 2 |
14-01-2018/37,09 |
13-01-2019/41,19 |
Tabla 1.
Fechas de las imágenes adquiridas no inundación y de inundación y las alturas
hidrométricas correspondientes. Datos: Elaborado en base a las fechas de
adquisición de las imágenes y datos hidrométricos.
Las imágenes de ambos sistemas fueron
calibradas radiométricamente. A las escenas SENTINEL 1, se les aplicaron
correcciones por el archivo de órbita, corrección del ruido térmico y luego
calibración radiométrica propiamente dicha. Por último, se efectuó la
corrección geométrica con rango de altura promedio (Average
Height Range- Doppler). Las
escenas ALOS PALSAR 2, se reciben con las siguientes correcciones: corrección
por pérdida debido al rango, corrección por ganancia de patrón de antena y
corrección por ángulo de incidencia local. Debido a esto, las imágenes solo
fueron calibradas radiométricamente. Estas escenas, en el nivel adquirido, se
encuentran georreferenciadas. Para una correcta superposición de las imágenes,
se generó una registración imagen a imagen tomando una como base.
Para la reducción del ruido Speckle, para ambas imágenes RADAR, se analizaron distintos
filtros adaptativos: Lee, Gamma Map, con ventanas 3x3
y 5x5 e IDAN con 9 vecinos. Para elegir el filtro más conveniente, primero se
realizó una comparación visual de las imágenes con los distintos filtros
aplicados. Luego, se digitalizaron muestras de cuatro ambientes (agua, bosque,
bañados con arbustos y pastos altos con arbustos) y se calculó para estos
sitios los estadísticos media y desvío estándar, el Número Equivalente de Looks
(ENL) a partir de la siguiente fórmula: ENL = (media/desvío estándar)2 y la incerteza
radiométrica para intervalos de confianza de 50%, 90% y 95%. De todos los
filtros comparados, se decidió aplicar el filtro IDAN porque en general
conserva el valor de la media en todos los ambientes observados además de
proporcionar un buen valor de ENL (con relación a conservar una buena
resolución radiométrica) pero, sobre todo, arrojaba mejores resultados
visuales, lo que implica una mejor conservación de los bordes entre objetos
presentes en las escenas.
Procesamiento.
Mapas de cambio.
Para obtener la cartografía de la zona de
inundación, primero se generaron mapas de cambio del σ0 utilizando las imágenes
SENTINEL 1 y ALOS PALSAR 2, en condiciones de no-inundación e inundación. Luego
se generó un stack con las imágenes en condiciones de
no inundación e inundación (para cada uno de los satélites por separado). Para
cada satélite se obtuvo una imagen de cambio en dB, donde en cada píxel el
valor corresponde al cambio debido a la diferencia del valor de σ0 encontrado
entre las dos imágenes utilizadas. Para esto, las imágenes de cambio generadas
con imágenes SENTINEL y ALOS se segmentaron en 3 intervalos de cambio que
cubrían todos los valores resultantes de la diferencia de imágenes realizada:
1) zonas que produjeron disminución en la señal, 2) zonas que no produjeron
cambios en la señal y 3) zonas que generaron aumento en la señal. Los criterios
para seleccionar los intervalos fueron estadísticos y físicos. Para seleccionar
los intervalos utilizando los primeros, se consideraron los valores de
incerteza radiométrica en dB de las muestras de distintos tipos de vegetación
presentes en las zonas de estudio (agua, bosque, bañados con arbustos, etc.)
para un intervalo de confianza del 95%. El criterio físico utilizado se basó en
analizar los distintos intervalos de cambios en el σ0 producidos por el evento
de inundación en función de la verdad terrena. Los tres principales mecanismos
de interacción son reflexión especular, dispersión en volumen y dispersión
doble rebote. La prevalencia de cada uno de estos mecanismos depende de las
características de la vegetación, la humedad del suelo, y de la frecuencia y
polarización de la onda.
Mapas de inundación.
A partir de los mapas de cambio con cada
sistema satelital, se obtuvieron los mapas de inundación. Estos se generaron
bajo la premisa de que todas las áreas que sufrieron un cambio en el
coeficiente de retrodispersión habían sido afectadas por la inundación. Para validar los mapas de áreas inundadas, se
utilizaron puntos de apoyo medidos con equipo GPS en sitios indicados por los
pobladores que reflejaron la extensión de la inundación ocurrida en 2019 así como cartografía de riesgo de inundaciones realizado
por Odriozola y Contreras (2018). Se adquirieron 45
puntos de GPS y se tomaron al azar en la zona de estudio 34 puntos del mapa de Ordizola y Contreras, y se generó la matriz de errores, a
partir de la cual se calcularon métricas por clase y métricas generales.
En
el caso de las métricas por clase, se calculó la exactitud del productor y la
exactitud del usuario tanto para la clase inundado como para la clase no
inundado. Dado que nuestro caso es binario (inundado – no inundado), y si
tomamos como foco de nuestro interés la clase inundado, la exactitud del
productor para dicha clase suele llamarse también exhaustividad o recall y nos indica el porcentaje de los puntos que
correspondían a inundaciones reales que fueron etiquetados en el mapa como
inundados. Por su parte, la exactitud del usuario para la clase inundado es
también conocida como precisión y nos indica el porcentaje de los puntos
etiquetados en el mapa como inundaciones que verdaderamente fueron
inundaciones.
En
el caso de las métricas generales se calculó la exactitud general de la
clasificación, el índice Kappa y el valor F (F-Score, media armónica entre
precisión y exhaustividad: 2*precisión*exhaustividad/ (precisión +
exhaustividad).
Cartografía
de la extensión de la inundación.
Por último, para generar la cartografía de
delimitación de la zona de inundación, se utilizó el mapa de inundación
generado con la imagen en Banda L que, si bien tiene una resolución espacial
más baja (25x25m), sus resultados son más confiables radiométricamente. Para
reducir los efectos residuales del Speckle y
facilitar la delimitación, se aplicó sobre el mapa de inundación un filtro de
mayoría, con ventana 3x3 y fue apoyado en cartografía auxiliar, MDE y puntos
GPS en sitios indicados por los pobladores que conocen la dinámica del evento
fluvial.
Resultados
Mapas de cambio.
Como resultado del procesamiento de las
imágenes de radar en condiciones de inundación y no inundación, se obtuvieron
mapas de cambios, donde cada intervalo de cambio representa diferencias del
coeficiente de retrodispersión σ0, en dB (Figuras 2 y 3). Como resultado se
obtuvieron intervalos de dB diferentes para los pares de imágenes ALOS PALSAR 2
y SENTINEL 1, debido a las distintas resoluciones radiométricas de las imágenes
utilizadas y configuración del trabajo al 95% de incerteza. De esta manera,
para SENTINEL, se eligió -3,20 a 3,20 dB para intervalo de no cambio; y -1,10 a
1,10 dB para ALOS PALSAR. Estos intervalos fueron analizados visualmente en
toda la cartografía realizada con el fin de descartar valores incoherentes o
incorrectos. La Figura 2, corresponde al mapa de los cambios detectados en la
imagen de radar con Banda C. En el mismo puede observarse: a) zonas sin cambios
(-3,20 a +3,20 dB), que corresponde principalmente a unidades de paisajes como
bosques densos, bosques de palmas y arbustos; b) zonas de disminución de la
señal (-24,89 a -3,20 dB), donde el cambio predominante es la aparición o
aumento en el protagonismo del mecanismo de interacción conocido como reflexión
especular. Estas zonas pueden verse en la parte central del área de estudio,
próximas al curso principal, representada por las unidades de paisajes bañados
de pastos cortos, con presencia de arbustos aislados y zonas herbáceas. La
respuesta especular que genera una disminución en la señal captada por el
sensor, es producto de la presencia de agua calma (con poca rugosidad
superficial) en la superficie, por sobre la respuesta de la vegetación- suelo
en condición normal; c) zonas de aumento de la señal (+3,20 a +11,96 dB)
corresponde a la clase de cambio con menor frecuencia. Los ambientes presentes
en estas áreas son principalmente bosques pluriespecíficos,
bosques de sauces y bañados de arbusto, para los cuales el aumento de la señal
está dado por el cambio del mecanismo de interacción: de dispersión en volumen
del dosel al doble rebote agua-tronco.
Figura
2.
Mapa de cambio para la zona de estudio con Banda C. Datos: elaborado a partir
de imágenes SENTINEL en condición no inundado e inundado.
En la Figura 3, correspondiente al mapa de
cambio generada con imágenes en Banda L, el intervalo de no cambio es de -1,10
a +1,10 dB. En este mapa se observa menor cantidad de áreas que no presentaron
cambios, restringidas únicamente a zonas de bosques muy densos. Al igual que el
mapa generado con Banda C, las clases correspondientes a la disminución de la
señal (-17,06 a -1,10 dB) corresponden a unidades de paisaje como bañados de
pastos cortos, con presencia de arbustos aislados y zonas herbáceas. Las zonas
que presentaron un aumento de la señal (+1,10 a +4,81 dB) se encuentran
principalmente en las zonas de bosques pluriespecíficos,
bosques de una especie y bañados de arbustos.
Figura
3. Mapa
de cambio para la zona de estudio con Banda L. Datos: elaborado a partir de
imágenes ALOS en condición no inundado e inundado.
Mapas de inundación.
Considerando los mecanismos de interacción
presentes en los mapas de cambio (Figuras 4 y 5) de acuerdo a la distribución y
características de la vegetación en la zona de estudio, la determinación del
área inundada fue generada considerando que: a) todos los valores comprendidos
entre -3,20 y +3,20 dB (mapa generado con Banda C) y los valores comprendidos
entre -1,10 y +1,10 dB (mapa generado con Banda L) no indican cambios
sustanciales, es decir que no puede afirmarse que estas zonas se hayan visto
afectadas por la inundación, b) todas las diferencias en valor absoluto por
fuera del intervalo de no cambio definido para cada banda (ya sea aumento o
disminución) corresponden a zonas inundadas por la crecida del río Santa Lucía.
Teniendo en cuenta estos criterios se agrupan las clases de cambio
correspondientes para generar un mapa de áreas inundadas para cada sistema
satelital. La figura 4 corresponde al mapa de inundación con imagen en Banda C,
para la zona de estudio.
Figura
4.
Mapa de inundación con imagen en Banda C. Datos: elaborado en base a mapa de
cambio para la zona de estudio con Banda C.
Asimismo, la Figura 5 corresponde al mapa de
inundación con imagen en Banda L, para la zona de estudio.
Figura
5.
Mapa de inundación con imagen en Banda L. Datos: elaborado en base a mapa de
cambio para la zona de estudio con Banda L.
La zona de estudio cuenta con un área total
de 10308,83 ha. Con el método empleado, el mapa de inundación con Banda C para
el día 11/01/2019 (Figura 4) arrojó un área inundada de 5631,98 ha, lo que
representa el 54,63% del área estudiada. Sin embargo, el mapeo de la inundación
con Banda L para el día 13/01/2019 (Figura 5), arrojó un área inundada de
6196,98 ha, que corresponde al 60,11% del área de estudio. La matriz de
errores, la exactitud del productor y del usuario para cada clase, la exactitud
general, el índice Kappa, y el valor-F pueden verse en las Tablas 2 y 3.
|
Evaluación de exactitud con SENTINEL |
Referencia |
Exactitud para el usuario (%) |
Error por comisión (%) |
||
|
Áreas inundadas |
Áreas no inundadas |
||||
|
Mapas de áreas inundadas |
Áreas inundadas |
27 |
9 |
75 |
25 |
|
Áreas no inundadas |
25 |
18 |
43 |
58 |
|
|
Exactitud del productor (%) |
52 |
66 |
Exactitud General: 57% |
||
|
Índice Kappa:
0,16 |
|||||
|
Error por omisión (%) |
48 |
34 |
Valor-F: 0,61 |
||
Tabla
2.
Evaluación de la exactitud del mapa de áreas inundadas con banda C
Datos:
obtenido de la comparación entre el mapa elaborado con banda C y puntos medidos
en la zona de estudio y obtenidos de la cartografía elaborada por Odriozola y
Contreras (2018).
|
Evaluación de exactitud con ALOS |
Referencia |
Exactitud para el usuario (%) |
Error por comisión (%) |
||
|
Áreas Inundadas |
Áreas no inundadas |
||||
|
Mapas de áreas inundadas |
Áreas inundadas |
36 |
8 |
82 |
18 |
|
Áreas no inundadas |
15 |
20 |
57 |
43 |
|
|
Exactitud del productor (%) |
70 |
71 |
Exactitud General: 71% |
||
|
Índice Kappa:
0,40 |
|||||
|
Error por omisión (%) |
30 |
29 |
Valor-F: 0,76 |
||
Tabla
3.
Evaluación de la exactitud del mapa de áreas inundadas con banda L
Datos:
obtenido de la comparación entre el mapa elaborado con Banda L y puntos medidos
en la zona de estudio y obtenidos de la cartografía elaborada por Odriozola y
Contreras (2018).
La matriz de errores elaborada para el mapa
realizado a partir de imágenes SAR en Banda C (Tabla 2) arroja una exactitud
general del 57%, que puede ser considerada como moderada y significa que el 57%
de los píxeles fueron clasificados correctamente según los datos de
referencia. La clase “inundado” muestra
una buena exactitud para el usuario o precisión (75%), lo que refleja que
fueron pocos los sitios se etiquetaron falsamente como inundados, en este
sentido las áreas clasificadas como “inundadas” en el mapa generado son
confiables. Por su parte, la clase “no inundado” muestra una baja exactitud
para el usuario (42%). Por otra parte, la clase “inundado” arroja una moderada
exactitud para el productor o exhaustividad (52%), lo que indica que hubo una
cantidad significativa de puntos inundados que no se clasificaron como tal y la
clase “no inundado” presenta una moderada exactitud para el mismo (66%). Por
otro lado, el Índice Kappa, al tener en cuenta las coincidencias por efecto del
azar a través de la multiplicación de los totales marginales, indica una
concordancia leve (0,16) entre el mapa de inundación y los puntos de
referencia, lo que indicaría que cerca de un 40% de los aciertos habría sido
por azar. Sin embargo, el valor-F, que también toma en cuenta los totales
marginales, aunque a través de la media armónica de las exactitudes del
productor del usuario, da un valor de 0,61, lo que puede considerarse un
resultado moderado a bueno. Por último, observando detalladamente la matriz de
errores se observa que habría un importante número de puntos o sitios de
referencia designados como inundados y que en el mapa producido con datos de
microondas con Banda C se clasifican como no inundados. Al menos parte de este
error arrojado por los mapas generados con Banda C pueden ser atribuidos a la
baja capacidad de penetración de la onda de radar en sitios con doseles denso.
La matriz de errores realizada para el mapa
generado a partir de imágenes SAR en Banda L (Tabla 3), muestra una buena
exactitud general (71%), una concordancia regular de acuerdo
al índice Kappa (0,40), y un muy buen valor-F (0,76). A su vez, para el
usuario, la clase “inundado” tiene una muy buena exactitud (precisión del 82%),
mientras que la clase “no inundado” tiene una exactitud moderada (57%). En
cuanto a la exactitud para el productor, ambas clases presentan una buena
exactitud, para la clase “inundado” (exhaustividad) es del 70%, mientras que
para la clase “no inundado” es de 71%. La exactitud moderada del 57% en la
clase “no inundado” para el usuario implica que habría un número de puntos o
sitios de referencia designados como inundados y que en el mapa producido con
datos de microondas con Banda L se clasifican como no inundados. Esto se debe a
los puntos que fueron tomados del mapa de inundación generados con MDE y cuyo
resultado arrojan un área de inundación mayor al mapeado con imágenes RADAR. En
este caso, el error se asocia a puntos que fueron catalogados como no
inundados, y que en el mapa producido por Odriozola y Contreras (2018) están clasificados
como inundados.
Cartografía de la extensión
de la inundación.
Para delimitar el área de inundación (Figura
6), la cartografía de inundación utilizada fue la generada con Banda L, por
resultar más confiable considerando la resolución radiométrica y mayor
exactitud en la validación efectuada. El criterio para definir el área inundada
por desbordamiento del río fue delimitar la zona contigua que se inunda desde
el río hacia afuera. Este criterio permite separar con seguridad de otras zonas
contiguas inundadas, donde la presencia de agua puede deberse a anegamientos debido a lluvias locales.
Figura
6.
Cartografía de inundación para la zona de San Roque. Datos: obtenido en base al
mapa de inundación con banda L.
Discusión
Una inundación puede causar tanto un aumento
como una disminución de la señal retrodispersada,
dependiendo del mecanismo de interacción dominante resultado de la interacción
de la señal del radar con el tipo de cobertura vegetal, y la altura de agua que
la inundación produzca. Por lo tanto, las diferencias encontradas en los mapas
elaborados con Banda C y Banda L en este trabajo, se deberán a la combinación
de características de la vegetación, el tamaño de los pixeles (10 x 10 m
SENTINEL 1 y 25 x 25 m ALOS) y características de los sensores relacionadas con
la frecuencia (5,60 GHz en Banda C y 1,27 GHz en Banda L) y polarización (VV,
VH en SENTINEL y HH, HV en ALOS PALSAR 2).
Pero, además, las diferencias encontradas en los resultados también se
deben a factores que influyen en la inundación como ser la situación
hidrológica existente los días de adquisición de las imágenes: el día de la
adquisición de la imagen SENTINEL 1, sobre el área de estudio se registró una
precipitación acumulada de 105 mm, debido a esto, la imagen en Banda C fue
adquirida en fecha posterior a la de ocurrencia de una importante precipitación
en la zona. Esto podría implicar una mayor cantidad de agua superficial en la
imagen de inundación en Banda C. Sin embargo, al poseer SENTINEL una mayor
incerteza radiométrica que ALOS, se definió un intervalo de no cambio mayor, lo
que no permitió registrar el alcance de esta importante precipitación.
En coincidencia con otros autores, en los
mapas producidos se evidenció que los sensores SAR son sensibles a los
fenómenos de inundación, y la distribución heterogénea de las clases de cambio
en toda la zona de estudio muestra que existen desiguales condiciones de
inundación que el radar es capaz de distinguir en función de los mecanismos de
interacción dominantes al incidir la señal del RADAR sobre la vegetación
presente en la llanura de inundación. La Figura 7 ilustra una muestra de los
resultados obtenidos en los mapas de cambios, donde puede verse la diferencia
en las respuestas de un mismo ambiente con Banda C o Banda L. Se observa que
algunas zonas herbáceas en Banda C producen un aumento en la señal mientras que
en Banda L produce una disminución. Esto se debe a que, en banda C, y
especialmente para la polarización VV, la vegetación herbácea produce cierta
atenuación de la señal que la atraviesa. Por lo tanto, al subir el nivel del
agua, disminuye la altura emergida de la vegetación provocando que la señal
atraviese menos cantidad de vegetación, y por lo tanto sea menos atenuada,
generando que aún sin cambiar el mecanismo de interacción, la respuesta del
doble rebote agua-tallo tenga mayor intensidad. Esto ocurrirá hasta que el
nivel del agua sea tal que el mecanismo de interacción de reflexión especular
gane protagonismo y la señal medida empiece a disminuir. En Banda L, sin
embargo, la atenuación por la vegetación herbácea es muy baja, por lo que un
aumento en la altura del agua provoca directamente una disminución en la
retrodispersión por el aumento en la reflexión especular en desmedro del doble
rebote agua-tallo (Salvia 2010).
Por su parte, en la muestra de bosques, en el
mapeo realizado con Banda L aparecen con aumento de la señal muchas de las
zonas que aparecen sin cambio en Banda C. Esto puede deberse a la mayor
capacidad de los sistemas SAR en Banda L para penetrar la vegetación en zonas
densas y detectar la presencia de la lámina de agua debajo de ella (Hess et
al., 1990).
Figura
7.
Comparación de respuestas en Banda C y Banda L para vegetación herbáceas y
bosques. Figura a) imagen satelital de la zona de estudio. Figura b) Mapa de
cambio con banda C. Figura c) Mapa de cambio con banda L. Datos: Elaborado a
partir de los mapas de cambio con banda C y Banda L.
Al respecto, en la Figura 8 se esquematizan
estas situaciones: a) cuando no hay inundación el mecanismo de interacción
dominante en el caso de vegetación herbácea con estructura vertical o casi
vertical, cuando posee algunos centímetros de agua sobre el suelo, es el doble
rebote agua-tallo, y b) en el caso de los pajonales, o especies
estructuralmente similares a Scirpus giganteus o Panicum prionites, es la dispersión en volumen. Pero en ambos
casos, al ir aumentando la altura del agua, cambia el mecanismo de interacción
por la reflexión especular. Por ende, la disminución de la señal retrodispersada observada en los mapas producidos se debe a
un importante aumento en la altura del agua sobre el suelo en estos ambientes.
En el caso de los paisajes con bosques, habitualmente con suelo seco, el
aumento en la señal registrada se debe a la aparición agua sobre el suelo, que
provoca un cambio en el mecanismo de interacción dominante, de dispersión en
volumen del dosel a doble rebote agua-tronco, tanto para el caso de la banda C
como para la banda L (Hess et al., 1990).
Figura 8. Esquema de los cambios en
los mecanismos de interacción de acuerdo a la condición hidrológica para
vegetación arbórea y herbácea. Fuente: Salvia (2010, 102).
Por su parte, para los mapas de inundación,
en este trabajo se utilizó el criterio de que las zonas donde se registró un
aumento o disminución significativos en la señal estaban inundadas. Este mismo
criterio fue utilizado por Pope et al. (1997) para definir las zonas
inundadas en los humedales de la Península de Yucatán, donde la inundación
mostró: 1) un aumento en la magnitud de la retrodispersión en las zonas con
cubierta alta y densa; 2) una disminución en la magnitud de la retrodispersión
en áreas con cobertura escasa y corta. Por su parte, Salvia (2010) utilizó el
mismo criterio en el mapeo de inundaciones en el Delta del Paraná, observando
los mismos resultados en la interacción de la señal del radar con los
diferentes tipos de vegetación inundada.
Por otra parte, las diferencias obtenidas
respecto a las áreas de inundación: con banda L se obtuvo un área inundada de
6196,98 ha y con banda C, se obtuvo un área inundada de 5631,98 ha; lo que
representa una diferencia de 565 ha. Cabe preguntarse entonces: ¿esa diferencia
se debe a las capacidades diferentes de los sensores utilizados para detectar áreas
inundadas?, ¿hubo algún otro factor influyendo en esta diferencia?
En primer lugar, esta diferencia se debe a
las distintas capacidades para detectar inundación en zonas vegetadas con
longitudes de onda correspondientes a Banda C y Banda L. Del análisis
exhaustivo de los mapas en este trabajo, puede verse que, la banda L tuvo una
mayor penetración en el dosel de los bosques.
En este sentido, en trabajos anteriores se ha demostrado que las ondas
más largas se asocian generalmente con una mayor penetración de doseles
forestales, particularmente cuando las longitudes de onda son mayores que el
tamaño de la hoja (Pope et al., 1994; Townsend et al., 1998). En
coincidencia con estos resultados, San Martín et al. (2015) han señalado
la utilidad de las imágenes SAR en Banda L para la identificación e
inventariado de humedales, debido a su mayor capacidad de detectar el agua
debajo de la vegetación. Todo esto, implica una mayor exactitud espacial de la
extensión de las inundaciones y por consiguiente mapas más exactos que permitan
una mejor planificación territorial y gestión del riesgo de inundación. También
es importante considerar la mayor incerteza radiométrica de las imágenes
SENTINEL, que lleva a tener un rango amplio para la clase de no cambio en
valores similares a los que dieron en banda L, lo que enmascara los cambios que
puedan haber ocurrido.
Por otra parte, es necesario tener en cuenta
las diferencias de fechas en que fueron adquiridas las imágenes y por lo tanto
la situación hidrológica existente. Las imágenes de condición inundada fueron
adquiridas con dos días de diferencia, el producto SENTINEL 1 se generó el
11/01/2019 a las 10:55 a.m. (imagen en Banda C), y la Banda L, al 13/01/2019 a
las 3:25 p.m. Conjuntamente, entre las 9 am del día 10/01 y las 9 am del
día 11/01 sobre el área de estudio se registró una precipitación acumulada de
105 mm, según datos obtenidos de la Estación meteorológica de Santa Lucía ( https://snih.hidricosargentina.gob.ar/ ),
que junto a las precipitaciones acumuladas a la fecha, marcó en el hidrómetro
una altura de 41,21 m.s.n.m. Cuando se obtuvo la imagen de Banda L (13/01/2019
a las 3:25 p.m), sobre el área de estudio se registró
una precipitación acumulada de 20 mm entre las 9 am del día 12/01 y las 9 am
del día 13/01 y una altura hidrométrica de 41,19 m.s.n.m. Según estos
datos, la imagen en Banda C fue adquirida en fecha posterior a la de ocurrencia
de una importante precipitación en la zona. Esto podría implicar una mayor
cantidad de agua superficial en la imagen de inundación en Banda C. Sin
embargo, si bien SENTINEL tiene una mejor resolución espacial, tiene mayor
incerteza radiométrica a diferencia de ALOS, lo que conlleva a definir
distintos intervalos de no cambio, siendo el de SENTINEL mucho mayor. Esto
último, reduce la posibilidad de SENTINEL para detectar mejor las inundaciones.
Sin embargo, estos factores son inherentes a las características de las
imágenes, y el proceso que se realiza para mejorar los resultados de las
imágenes es aplicar filtros Speckle.
Por último, se ha comprobado en otros
estudios la influencia de la polarización utilizada para detectar inundaciones,
en el caso de las imágenes SENTINEL, para la zona de estudio solo se encuentran
disponibles las polarizaciones VV y VH. Por lo tanto, y dado que la vegetación
tiene una mayor presencia de componentes de orientación vertical, la atenuación
es mayor para estas imágenes, no solo por la frecuencia sino también por la
polarización involucrada; en cambio, las imágenes ALOS PALSAR2 en el modo usado
son adquiridas en polarizaciones HH y HV. Al respecto, en otros estudios se ha
demostrado que los datos VH son menos adecuados para el mapeo de extensión de
inundación que los datos VV. Uno de los trabajos más recientes es el de
Berezowski et al. (2020), quienes utilizaron imágenes SENTINEL, en
polarizaciones VV y VH para el mapeo de la extensión de inundación en la cuenca
baja del río Bígaraen, al noreste de Polonia. Dichos
autores llegaron a la conclusión de que ninguna de las polarizaciones
analizadas fue capaz de identificar la inundación debajo de los árboles o la
vegetación densa. A diferencia de esto, existen trabajos donde se evidenció que
la polarización Horizontal-Horizontal (HH) es más adecuada para la detección de
agua (Hess et al. 1995; Henry 2006). En suma, las escenas ALOS PALSAR 2
utilizadas en este trabajo fueron en modo ScanSar,
obteniendo buenos resultados en el mapeo de las inundaciones. Este mismo tipo
de imágenes fue utilizado por Arnesen et al.
(2013) en la planicie de inundación del río Amazonas, con el fin de obtener la
extensión de la inundación, obteniendo una muy buena precisión del mapeo de la
inundación. Por otra parte, Hess et al. (1995) delinearon con precisión
la inundación de la planicie aluvial y la vegetación a lo largo de los ríos
Negro y Amazonas, cerca de Manaos, Brasil, utilizando datos polarimétricos de
radar de apertura sintética (SAR). En este trabajo, se ha realizado la
cartografía de delimitación de la inundación con similares resultados a los
obtenidos por Hess et al. (1995), siendo uno de los principales desafíos
durante la inundación obtener una visión general del evento con la extensión
precisa de la zona afectada (Rahman & Thakur, 2018), debido a que es
imprescindible evaluar la extensión máxima de la lámina de agua producida por
estas crecidas para determinar la zona inundada.
Sin
embargo, estas discrepancias pueden deberse a errores provenientes de los datos
tomados de referencias, principalmente cartografía elaborada por Odriozola y
Contreras (2018). Este mapa fue generado utilizando MDE generado a partir de la
imagen Shuttle Radar Topography
Mission (SRTM) con resolución de 90 m y curvas de
nivel generadas con una equidistancia de 1 m. El método de evaluación
utilizando mapas de comparación no es el ideal, ya que el mapa usado tiene su
propio error, y puede haberse generado a partir de eventos de inundación de
distinta magnitud y por ende de distinta extensión, pero en muchos casos es la
única opción viable, esto puede verse en la exactitud del productor, métrica
que indica la probabilidad de que una muestra de referencia esté correctamente
clasificada. Sumado a esto, la evaluación de la exactitud mediante datos de
campo no se realizó con más puntos tomados en campo debido a la situación de
pandemia que atravesamos a nivel mundial y las restricciones sanitarias que
limitaron la movilización de una ciudad a otra.
Por
lo tanto, se sugiere para futuros trabajos, realizar la validación con un mayor
número de puntos, principalmente obtenidos en campo y reducir la utilización de
otras cartografías debido a la fuerte influencia de los propios errores que
pudieran tener y los distintos métodos con que se obtiene la extensión de las
inundaciones como en este caso. Debido principalmente a que esto implica una
evaluación errónea del riesgo y en la divulgación de la cartografía.
La exactitud de los mapas
de inundación, particularmente la mayor exhaustividad del mapa realizado con
banda L, puede relacionarse a la mayor capacidad de esta banda, para penetrar
en los doseles forestales, lo que se traduce a un cambio en el mecanismo de
interacción de dispersión en volumen del dosel a doble rebote agua-tronco, lo
que genera un cambio en el valor del coeficiente de retrodispersión y por lo tanto, es considerado en este trabajo
como inundación.
. En
resumen, las imágenes RADAR resultan ser idóneas y de bajo costo para mapear
humedales (Munizaga et al., 2022) y en las cuales las masas de agua
pueden verse incluso con cobertura nubosa y debajo del dosel de la vegetación.
En coincidencia con otros autores, la tecnología SAR es óptima para
cartografiar áreas afectadas por la inundación bajo condiciones meteorológicas
adversas dando respuesta al monitoreo de emergencias hidrológicas, y
prevaleciendo potencialmente sobre otros sensores (espectro visible) los cuales
están condicionados por la falta de visibilidad. Han demostrado ser los únicos
sensores capaces de monitorear sistemáticamente el nivel y alcance del agua a
escala regional.
Cabe aclarar que el monitoreo de emergencias
hidrológicas utilizando sistemas SAR, es posible gracias a que Argentina forma
parte de la Carta Internacional “El Espacio y las Grandes Catástrofes” (https://www.argentina.gob.ar/aplicaciones-de-la-informacion-satelital/carta-internacional-el-espacio-y-las-grandes-catastrofes, , https://disasterschahttps://disasterscharter.org/rter.org/ ),
a través de la cual, al momento de ocurrir una emergencia, la CONAE (Comisión
Nacional de Actividades Espaciales) puede solicitar la activación del mecanismo
por el cual todas las agencias espaciales integrantes ponen en máxima prioridad
la cobertura del área afectada, redireccionando las antenas de los sensores SAR
para obtener una mayor frecuencia de adquisición de imágenes de dicha área.
Generalmente la activación de la Carta puede durar varias semanas, de acuerdo a
la magnitud de la emergencia monitoreada, lo que garantiza la posibilidad de
seguimiento. En este contexto, el hecho de que los sistemas SAR puedan adquirir
imágenes a través de las nubes resulta en que muchas de las emergencias
hidrológicas que implican la activación de la Carta, sean monitoreadas
principalmente por sistemas SAR.
Por otra parte, las inundaciones se
encuentran entre los peligros más frecuentes y extensos a nivel mundial. En
este sentido, se ha reconocido que existe la necesidad de estudios científicos
para apoyar la protección y restauración de los humedales y comprender su papel
en las inundaciones (Liu et al., 2018; Pattison Williams et al.,
2018; Rojas et al., 2022). El mapeo del evento de inundación con
imágenes RADAR realizado en este trabajo constituye una base fundamental para:
a) el conocimiento de los humedales fluviales debido a que nos permite conocer
la extensión de los mismos y b) el monitoreo de los eventos de inundación en
estas zonas. De esta manera constituye, además, una base de datos con
información actualizada, con las mejores técnicas de teledetección para el
mapeo de las inundaciones.
Conclusiones
Para realizar la delimitación de las zonas
inundadas por desborde del río, se generaron mapas de clases de cambio de
valores de sigma 0. A partir de dos de estos sistemas con distintas
frecuencias: en Banda C el sistema europeo SENTINEL 1 (5,6 GHz), y en Banda L
el sistema japonés ALOS PALSAR 2 (1,27 GHz). Se utilizaron dos fechas de
distinta condición hidrológica: inundado (evento de inundación del año 2019) y
no inundado (2018), consiguiendo que las imágenes correspondientes a la
condición inundada solo difieran en 2 días (lo que no siempre es posible de
acuerdo a las restricciones orbitales de los distintos sistemas satelitales
utilizados). Luego, considerando las unidades de paisaje presentes en la
llanura de inundación y los mapas de cambios de valores de sigma 0, se observó
el comportamiento de la señal registrada en base a el mecanismo de interacción
dominante y el tipo fisonómico de vegetación. Posteriormente, en base a los
mapas de cambios para las dos frecuencias analizadas, se generaron mapas de inundación
para las zonas de estudio. Por último, utilizando los mapas producidos con
Banda L, por resultar los mapas más confiables radiométricamente y con mejor
exactitud, y apoyados en datos auxiliares, se delimitó la zona de inundación
por el desborde del río, a través de la vectorización manual.
Este trabajo corresponde al primer mapeo de
inundaciones realizado con sistema SAR sobre el río Santa Lucía. Si bien se
delimitó la zona inundada para el evento de inundación 2019, el siguiente paso
sería realizar la determinación de las zonas de inundación durante otros
eventos posteriores, y de esta forma obtener un monitoreo actualizado de las
inundaciones, necesario debido al comportamiento hidrodinámico del río en la
planicie de inundación que caracteriza estos eventos. Los cuales deben ser
monitoreados sistemáticamente ya que su intensidad cambia con la estación del
año e incluso con ciclos de periodos más grandes (Ej,
los fenómenos de “El Niño”) (Grings, 2008).
Referencias
Arnesen, A.S., Silva, T.S.F., Hess, L.L., Novo, E.M.L.M., Rudorff, C.M., Chapman, B.D., McDonald, K.C. (2013)
Monitoring flood extent in the lower Amazon River floodplain using ALOS/PALSAR ScanSAR images. Remote Sensing of Environment, 130:
52-61.
Berezowski, T., Bielinski, T. &
Series Using River Gauge Observations. (2020) IEEE Journal of Selected
Topics in Applied Earth Observations and Remote Sensing 13: 2626-2638.
Bruniard, E. D. (1966) Bases Fisiográficas para
una división regional de la provincia de Corrientes. Resistencia, Chaco: Revista
Nordeste, 8, 7–80..
Carnevali, R. (1994) Fitogeografía de la Provincia de
Corrientes. Provincia de Corrientes - República Argentina: Gobierno de la
Provincia de Corrientes - Instituto Nacional de Tecnología Agropecuaria.
Currie, H. M., & Gimenez,
J. E. (1998), Las Cuencas Hídricas de la Provincia de Corrientes potencial y
recursos (recopilación). Corrientes: Cátedra de Hidrología Agricola Facultad de Ciencias Agrarias - UNNE,.
Delgado
Noguera, J. G. (2019). Zonificación del riesgo por inundación como aporte a la
prevención, en el puerto - Laguna de la Cocha- Colombia. Revista Novedades
Colombianas, 14(1), 27–47. https://doi.org/10.47374/novcol.2019.v14.1432
Donezar-Hoyos, U.; Larrañaga Urien, A.; Tamés-Noriega, A.; Sánchez-Gil, C.; Albizua-Huarte, L.;
Ciriza-Labiano, R.,& Del
Barrio-Arellano, F. (2017). Aplicación de imágenes Sentinel-1 y Sentinel-2 en
la detección y delineación de información de crisis de desastres naturales en
el marco de los servicios Copernicus EMS. Revista
de Teledetección. (50):49-57. https://doi.org/10.4995/raet.2017.8896
Grings, F. M. (2008) Extracción de información
ambiental a partir de imágenes de radar utilizando modelos de interacción
onda-blanco. Universidad de Buenos Aires: Tesis doctoral.
Grings, F., Ferrazzoli,
P., Jacobo-berlles, J., Karszenbaum,
H., Tiffenberg, J., Pratolongo,
P. & Kandus, P. (2006). Monitoring
flood condition in marshes using EM models and Envisat ASAR observations. IEEE
Transactions on. Geoscience and Remote Sensing, 44. 936 - 942.
10.1109/TGRS.2005.863482.
Henry, J. B. (2006). Envisat multi-polarized ASAR data
for flood mapping. International Journal of Remote Sensing, 10(27),
1921-1929.
Hess, L. L., Melack, J. M., Filoso, S., & Wang, Y. (1995). Delineation of inundated
area and vegetation along the Amazon floodplain with the SIR-C synthetic
aperture radar. IEEE Transactions on Geoscience and Remote Sensing,
33(4).
Hess, L. L., Melack, J. M.,
& Simonett, D. S. (1990). Radar detection of
flooding beneath the forest canopy: A review. International Journal of
Remote Sensing, 11(7), 1313-1325.
Liu, Z., Zhao, L., Xu, T., Bu, F., Liu, X., &
Zhou, D. (2018). Quantification of potential flood inundation areas in the
marsh wetland of Honghe National Natural Reserve,
Northeast China. Ecohydrology & Hydrobiology, 18(4), 355-364.
Mas,
F. M. (2013). Las riberas fluviales. Ambienta, 90-101.
Munizaga,
J., Garcia, M., Ureta, F., Novoa, V., Rojas, O.,
& Rojas, C. (2022). Mapping coastal wetlands
using satellite imagery and machine learning in a highly urbanized landscape. Sustainability, 14, 5700.
Odriozola,
M. P., & Contreras, F. I. (2018). Cartografías de riesgos de inundaciones y
anegamientos en la provincia de Corrientes (Argentina). Universidad de San Martín: UNSAM.
Oliver, C., & Quegan, S.
(2004). Understanding synthetic aperture radar images. SciTech
Publishing.
Pattison, J. K. W., Pomeroy, J. W., Badiou, P., & Gabor, S. (2018). Wetlands, flood
control, and ecosystem services in the Smith Creek drainage basin: A case study
in Saskatchewan, Canada. Ecological Economics, 147, 36-47.
Pérez
Morales, A. (2012). Estado actual de la cartografía de los riesgos de
inundación y su aplicación en la ordenación del territorio: El caso de la
región de Murcia. Boletín de la Asociación de Geógrafos Españoles, (58),
57-81.
Pope,
K. O., Rejmankova, E., Paris, F. F., & Woodruff, R. (1997). Detecting
seasonal flooding cycles in marshes of the Yucatan Peninsula with SIR-C
polarimetric radar imagery. Remote Sensing of Environment, 157-166.
Pope, K. O., Rey Benayas, J.
M., & Paris, J. F. (1994). Radar remote sensing of forest and wetland
ecosystems in the Central American tropics. Remote Sensing of Environment,
48, 205-219.
Rahman, R. M., & Thakur, P. K. (2018). Detecting,
mapping, and analyzing flood water propagation using synthetic aperture radar
(SAR) satellite data and GIS: A case study from the Kendrapara
District of Orissa State of India. The Egyptian Journal of Remote Sensing
and Space Sciences, 21, 37-41.
Rojas, O., Soto, E., Rojas, C., & López, J. J.
(2022). Assessment of the flood mitigation ecosystem service in a coastal
wetland and potential impact of future urban development in Chile. Habitat International, 123.
Salvia,
M. M. (2010). Aporte de la teledetección al estudio del funcionamiento del
macrosistema Delta del Paraná: Análisis de series de tiempo y eventos extremos.
Biblioteca Digital-Facultad de Ciencias Exactas y Naturales, Universidad de
Buenos Aires.
San
Martín, L., Morandeira, N., Grimson,
R., & Kandus, P. (2015). Uso de imágenes
ALOS/PALSAR-1 para la clasificación e inventario de humedales en la Llanura
Costera de Ajó (Buenos Aires, Argentina). Teledetección: Humedales y
Espacios Protegidos, XVI Congreso de la Asociación Española de Teledetección,
583-586.
Sánchez
Sánchez, Y., Quirós, E., Durán Barroso, P., &
Martínez Graña, A. (2019). Selección del umbral óptimo para la separación de la
lámina de agua del embalse Jerte-Plasencia a partir de Sentinel-1. Teledetección:
Hacia una visión global del cambio climático, 501-504.
Sevillano
Rodriguez, M. E., Bravo Peña, L. C., Alatorre Cejudo,
L. C., & Salcedo Hurtado, E. de J. (2020). Identificación de zonas de
inundación a partir de imágenes (SAR) y de eventos históricos de inundación:
Caso de estudio Santiago de Cali, Colombia. Cuadernos Geográficos, 59(2), 308-329.
Townsend, P. A., & Walsh, S. J. (1998). Modeling
floodplain inundation using an integrated GIS with radar and optical remote
sensing. Geomorphology, 21, 295-312.
Vich,
A. J. (1996). Aguas continentales: Formas y procesos. Mendoza: Centro de
Economía, Legislación y Administración del Agua.
Zozaya,
A., & Del Pino, P. (2020). Design of an antenna
array for an LFM-CW synthetic aperture radar prototype. DYNA, 87(212),
96-101.