INTRODUCCIÓN

El presente trabajo de investigación se enmarca dentro del proyecto FONARSEC N°19―Desarrollo e implementación de sistemas automáticos de alerta de inundaciones y sequías en el área sur de la cuenca del río Salado, provincia de Buenos Aires‖. El proyecto consiste en la fabricación de estaciones de monitoreo de inundaciones y sequías. Éste es la resultante de una asociación estratégica entre un grupo de investigación (Instituto de Hidrología de Llanuras), una empresa con capacidad de fabricar equipos electrónicos (REDIMEC SRL) y el demandante de la gestión del agua (Autoridad del Agua de la provincia de Buenos Aires) (www.ihreda.com.ar). Los equipos brindarán un conjunto de variantes en la transmisión de la información ambiental garantizando su disponibilidad ante eventos climáticos extremos. Además de la fabricación, el proyecto, contempla los aspectos técnicos y científicos para la ubicación apropiada de las estaciones y la publicación de los resultados ante instituciones públicas y privadas. De este modo se espera responder a las necesidades actuales y futuras en cuanto a la disponibilidad de equipos para monitorear cuencas hidrológicas. El objetivo final es tener una red de redes operando en la vertiente sur de la cuenca del río Salado (3,9 millones de hectáreas) que brindará información a 500.000 habitantes y será fundamental en la planificación agroproductiva e industrial del área.

Para llevar adelante la implementación de la red, además de tener en cuenta los criterios hidrológicos y ambientales, se identificaron zonas no anegadas como potenciales sitios de instalación de las estaciones, disminuyendo el riesgo de que estas se inunden generando inconvenientes en los registros de los sensores.

La red de monitoreo contará con estaciones de: monitoreo meteorológicas (EMM), monitoreo freatimétrico (EMF, medición del nivel de agua en acuífero), monitoreo de balance de energía (EMBE), monitoreo limnigráfico (EML, medición del nivel de agua en arroyo) y monitoreo químico (EMQ), estas últimas dos quedan excluidas del análisis que se va a realizar a lo largo del trabajo debido que son instaladas en las cercanías de los cursos de agua.

Marco teórico

La teledetección espacial permite la observación y caracterización de la superficie terrestre. Para que la observación remota sea posible es necesario que exista una interacción entre los objetos y el sensor, dicha interacción se debe al flujo energético procedente de una fuente de radiación electromagnética, en este caso, el sol. De la energía solar que alcanza la superficie terrestre, una parte es reflejada, devuelta al espacio, y el resto es absorbida o transmitida. La porción de energía devuelta al espacio es definida como la reflectividad, 𝜌, y es la relación entre el flujo de la energía reflejada, ϕ𝑟, y el flujo de la energía incidente, ϕ𝑖:

La variación de la reflectividad en función de la longitud de onda define las firmas espectrales. Si se utiliza la ecuación 1 en diferentes anchos de longitudes de onda (lo cual se corresponde con las bandas de las imágenes de satélite) es posible obtener la medida cuantitativa del objeto en una o varias bandas espectrales. Por ejemplo, el agua clara casi no se refleja en la gama del infrarrojo cercano y medio, distinguiéndose muy bien de otras superficies, como suelos y vegetación, principal diferencia utilizada para la caracterización de zonas anegadas y no anegadas (Chuvieco, 2002;Sobrino et al., 2000).

Las imágenes seleccionadas para realizar el análisis espacial de la cuenca son las obtenidas por los satélites Landsat 7 y 8, los cuales tienen a bordo los sensores ETM+ (Enhanced Thematic Mapper Plus) y OLI (Operational Land Imager), respectivamente (Tabla 1). Su mantenimiento y operación están a cargo de la Administración de la Aeronáutica y del Espacio (NASA) y la producción y comercialización de las imágenes del Servicio Geológico de los Estados Unidos (USGS) (Landsat Missions, USGS, 2016).

El objetivo del presente trabajo es, mediante el estudio de los registros de precipitaciones diarias (2000-2014), de cinco estaciones del Servicio Meteorológico Nacional (SMN) ubicadas en la cuenca, identificar eventos de máximo ingreso de agua al sistema hidrológico, realizando de este modo la selección de imágenes satelitales, sobre las cuales aplicar diversos métodos de teledetección para poder localizar regiones no anegables (en una situación extrema) como potenciales sitios de instalación de las estaciones de monitoreo ambiental. Los métodos de teledetección a aplicar son: Índice de Agua de Diferencia Normalizada (NDWI_gao) (Gao, 1996), Índice de Agua de Diferencia Normalizada Modificado (NDWI_Xu) (Xu, 2006), análisis del histograma de la banda infrarroja media (MIR) (Bustamante et al., 2005;Hernández et al. 2009), Transformación de Tasseled Cap (TTC) (Kauth et al., 1976;Crist et al 1986), clasificación de imágenes supervisadas (máxima verosimilitud) y clasificación de imágenes no supervisada (ISODATA) (OCW, UM 2017).

Si bien a lo largo de la investigación se analizaron imágenes Landsat 7 y 8, se expondrán en el presente trabajo los resultados obtenidos de las imágenes Landsat 8.

MATERIALES Y MÉTODOS

Área de estudio

La cuenca del río Salado es una región hídrica que se encuentra ubicada en el centro de la provincia de Buenos Aires (Figura 1). La forman una serie de arroyos que corren de sur a noreste por una planicie de escasa pendiente donde diferentes canales ayudan a que las aguas alcancen la bahía de Samborombón. Se la considera de vertiente atlántica por tener obras artificiales que sustituyen la escorrentía natural y le permiten comunicarse con el mar (Ministerio del Interior, 2016).

La región presenta características propias de la llanura donde las pendientes son casi nulas y los micro relieves adquieren importancia, en zonas más bajas se acumula el agua y constituyen bañados, lagunas; es una zona deprimida con deficiente evacuación hídrica donde abundan sistemas de lagunas y hay muy pocos cauces de gran caudal.

La cuenca forma parte de la Región Pampeana, la cual a su vez se puede zonificar en diferentes regiones según su régimen pluviométrico. En este caso, el área de estudio se encuentra ubicada en la zona definida como moderadamente húmeda, con precipitaciones anuales que van desde los 1100 a los 900 mm (Aliaga et al., 2016 a; Aliaga et al., 2016 b).

Registro de precipitaciones

Para el periodo 2000-2014 se obtuvieron los datos de precipitaciones diarias (milímetros) de las estaciones de las ciudades de Las Flores, Azul, Olavarría, Tandil y Dolores, pertenecientes a la cuenca del río Salado, para identificar extremos hídricos con condiciones de máxima área anegada. Los datos meteorológicos utilizados, fueron brindados por el SMN. La Tabla 2 muestra la información de cada una de las estaciones y su ubicación geográfica se presenta en la Figura 1.

Datos de satélite y técnicas utilizadas

Se seleccionaron cuatro imágenes Landsat correspondientes a las escenas 224/85, 224/86, 225/85 y 225/86 del World-wide Reference System, que cubren la totalidad de la cuenca, descargadas desde el servidor de la ESPA Ordering Interface (USGS, http://glovis.usgs.gov/). A partir de estas imágenes se elaboró un mosaico, sobre el cual, con la ayuda de un vector, se recortó el área de estudio.

Sobre este área de estudio se aplicaron seis métodos de teledetección, utilizando el software ENVI classic 5.3. La consistencia de los métodos se realizó estudiando el resultado de las binarizaciones (píxel negro: zona con agua en superficie, píxel blanco: zona sin agua en superficie), junto con: información suplementaria de Google Earth, vectores de cursos y cuerpos de agua permanente provistos por el IGN y de la imagen de falso color compuesto de las bandas de reflectividad de OLI. Dicha imagen se obtiene asignándole al color rojo la banda 5, al verde la banda 4 y al azul la banda 3 (RGB: 543), de modo que: la vegetación se aprecia en tonos rojos; los suelos desnudos, secos o áreas rocosas en celeste; en azul oscuro a negro se observa el agua clara; y, colores verdes a verde-azulado corresponden a parcelas aradas o suelos descubiertos con diferente contenido de humedad.

Para la obtención del índice NDWI_gao se combinó la banda del infrarrojo cercano (NIR) con la banda del infrarrojo medio (MIR) según Gao (1996) [Ec. 2], resaltando la baja reflectividad que presenta el agua para NIR, el rango de este índice está normalizado entre -1 y 1, donde los cuerpos de agua tendrán valores positivos cercanos a 1.

𝐵5 es la banda correspondiente a NIR y 𝐵6 a MIR del sensor OLI

Para el NDWIXu se combinó la banda MIR con la banda verde según Xu (2006) [Ec. 3]; al igual que el índice anterior, sus valores están normalizados entre -1 y 1, siendo los valores positivos los que caracterizan zonas con agua.

3 es la banda verde del sensor OLI

En lo que respecta al análisis del histograma de la banda infrarroja media (MIR), se tiene que la reflectividad de los cuerpos de agua varía con la profundidad, la composición del fondo, la turbidez, entre otras. Sin embargo, en todos los casos, existe un alto porcentaje de absorción en el espectro infrarrojo medio, siendo la reflectividad muy baja, en comparación con los suelos y la vegetación. Por esta razón la banda 6 del sensor OLI, fue seleccionada para estudiar la firma espectral del agua. A su vez es la menos sensible a la carga de sedimentos del agua y por lo tanto la que tiene una mejor capacidad para delinear el límite agua-suelo en aguas turbias (Bustamante et al., 2005).

Tanto a esta imagen, como a las obtenidas por la aplicación de los índices, se les realizó un suavizado para una mejor interpretación de los resultados, donde se aplicó un filtro de convolución de paso bajo; este consiste en producir una imagen de salida en la que el número digital (ND) de un píxel dado sea función de una media ponderada de los ND de los píxeles vecinos, en este caso de una matriz de 5x5 (Della Vedova, 2013).

Mediante la generación de una máscara, se realizó la binarización de las imágenes para los distintos métodos. Dicha binarización consistió en destacar las zonas anegadas de color negro (valores de ND = 0) y las zonas no anegadas de color blanco (valores de ND = 1).

La TTC, consiste en la obtención de nuevas bandas mediante la combinación lineal de las originales, resaltando el comportamiento espectral de la vegetación y el suelo. Las bandas resultantes se denominan brillo, verdor y humedad y se obtuvieron tras la aplicación de los coeficientes expuestos en la Tabla 3, derivados estadísticamente a partir de imágenes y de observaciones empíricas, siendo los ND de sus píxeles adimensionales (Muhammad et al., 2014).La banda que resulta de mayor interés es la de humedad, la cual contrasta la suma de las bandas del visible e infrarrojo cercano, con la suma de las bandas del infrarrojo lejano (Crist et al., 1984).

En primera instancia se analizó la dirección en que la humedad desciende en el plano humedad–brillo, explicado en Crist (1984), realizando un gráfico de dispersión donde en el eje y se representó la banda de humedad mientras que en el eje x la de brillo. Luego, al igual que en los anteriores métodos, se aplicó un filtro de convolución de paso bajo a la banda de humedad y con el análisis del gráfico de dispersión, junto con el análisis del histograma de esta banda, se realizó la binarización del método definiéndose los límites para los cuales los valores de la banda de humedad representan zonas no anegadas.

La clasificación digital de imágenes consta en, bajo cierto criterio de similitud, agrupar los píxeles, dando como resultado una nueva imagen que condensa la información digital contenida en las la diversas bandas espectrales que conforman imagen original.

Para la clasificación no supervisada no se establece ninguna clase a priori, aunque es necesario determinar el número de clases que se quiere obtener, y se deja que las defina un procedimiento estadístico, debiendo luego un operador identificar a que clases informacionales corresponden. Para el método de ISODATA se seleccionó un intervalo de dos a cuatro clases, con seis iteraciones del método. Para la binarización de la imagen clasificada se seleccionó la clase correspondiente a lagunas y cuerpos de agua permanente como clase 1, información contrastada con Google Earth, y las restantes tres clases (no agua) como clase 2.

La clasificación supervisada se basa en la disponibilidad de áreas de entrenamiento, conociéndose a priori la clase a la que pertenecen, de modo que mediante un criterio específico de selección se asigna cada píxel a una clase, en este caso al tratarse del método de Máxima Verosimilitud, el criterio es el de la máxima probabilidad de pertenecer el píxel a esa clase.

Para este método, primero se definieron áreas de entrenamiento. Utilizando una composición RGB: 543, se seleccionaron las Regiones de Interés (ROI) a lo largo de toda la cuenca, diferenciando de este modo cuatro tipos de clases: agua, vegetación sana, vegetación enferma o con estrés hídrico y suelo seco. Una vez identificadas las áreas de entrenamiento se aplicó la clasificación y el resultado de este fue binarizado al igual que en el caso de ISODATA.

Ambas clasificaciones se aplicaron a las bandas 2 a 7 del sensor OLI.

Seguidos los pasos anteriores se obtuvo como resultado final seis imágenes que muestran las zonas anegadas y no anegadas, con sus respectivos porcentajes. Por último se seleccionaron los dos métodos que brindaron mejores resultados para realizar un mapa de estado hídrico de la cuenca. La metodología propuesta se sintetiza en el siguiente diagrama de flujo (Figura 2).

RESULTADOS Y DISCUSIÓN

Análisis de precipitaciones y selección de imágenes

Se calculó la precipitación anual promedio teniendo en cuenta las cinco estaciones, destacándose los tres años con mayores registros pluviométricos (2002, 2012 y 2014, Tabla 4). Con las precipitaciones diarias se realizó, para cada uno de esos años, una distribución mensual para las cinco ciudades, seleccionando de este modo los períodos que tuvieron mayores ingresos de agua al sistema hidrológico.

Si bien en el trabajo de investigación se analizaron imágenes provenientes de los tres años, en este trabajo se presentan sólo los resultados de los métodos para las imágenes Landsat 8, por lo que nos centraremos en el análisis del 2014.

La distribución mensual de las precipitaciones para el 2014, denota en líneas generales, una distribución homogénea (Figura 3). Si bien se observa un leve aumento de los registros para los meses de otoño y primavera, se decidió trabajar con los meses otoñales debido a que en este período se centran las situaciones críticas. Esto se debe a que los procesos que más condicionan la salida del agua del sistema son los de evapotranspiración (más del 80% del agua que sale del sistema es a través de este proceso) y debido a la baja radiación para abril-julio en promedio se tiene una evapotranspiración de 1,5 mm por día (Vazquez et al., 2007).

Para el año 2014 se descargaron imágenes pertenecientes a junio. Para la pasada 224 filas 85-86 las imágenes pertenecían al 19/06 y para la pasada 225 fila 85-86 al 10/06 (ESPA, USGS 2016).

Análisis de los métodos aplicados

Es importante indicar que los símbolos cartográficos fueron excluidos en las Figuras presentadas en el siguiente apartado ya que el análisis se sustenta en los resultados numéricos y en la visualización de las diferentes binarizaciones; sin embargo, la orientación de la cuenca se mantiene en la misma posición de la Figura 1 (norte hacia arriba).

Índice de Agua de Diferencia Normalizada, NDWI_gao

Buscando realzar los valores positivos cercanos a 1 que identifiquen sólo regiones con agua, sobre la imagen se aplicaron los vectores del IGN, y se fueron variando los límites del histograma, aplicando un ajuste lineal permitiendo la fácil diferenciación visual de las zonas anegadas de las no anegadas.

Se tomó como límite para realizar la binarización del NDWIgao el valor de 0,4, de modo que valores mayores a este son referidos como zonas anegadas (Figura 4). Si bien no se lograron identificar todos los cursos de agua obtenidos a través de los vectores del IGN, si se corría ese límite a valores de NDWI_gao menores, comenzaban a visualizarse superficies que no presentaban zonas anegadas, como parcelas con vegetación (identificadas en la imagen RGB543), mientras que aún había cuerpos de agua que no quedaban caracterizados como tales. El método demostró tener limitaciones para identificar zonas anegadas.

Índice de Agua de Diferencia Normalizada Modificado, NDWI_Xu

Los valores de NDWIXu positivos identifican regiones con presencia de agua [Xu, 2006;Campos et al., 2012]. La binarización se realizó previa aplicación del filtro de convolución de paso bajo, al igual que en el método anterior, y se definieron las zonas anegadas para los valores de NDWIXu≥0 (Figura 5). Como resultado se pudo observar que los cuerpos de agua quedaron caracterizados de forma consistente, mientras que los cursos de agua no se lograron visualizar de forma certera.

Banda infrarroja media, MIR

Teniendo en cuenta la firma espectral del agua, se fueron considerando distintos intervalos, de bajas reflectividades, en el histograma de la banda 6 realizando un ajuste lineal, identificando regiones con presencia de agua.

Considerando que las regiones anegadas tienen píxeles mixtos de vegetación y agua, o píxeles con agua encharcada en superficie y materiales en suspensión, se va a tener una reflectividad mayor en contraste a cuerpos de agua profundos y agua clara. Por esta razón, se decidió considerar para la binarización todos los ND≤0,1 como zona anegada (Figura 6).

Con este análisis se lograron visualizar no solo los cuerpos, sino también los cursos de agua y zonas que, en la composición RGB543, eran caracterizadas por un color oscuro, indicando presencia de agua en superficie, dando como resultado mayores áreas anegadas.

Banda de humedad de la Transformación de Tasseled Cap, TTC

Una vez obtenidas las bandas de brillo, verdor y humedad, se realizó una composición RGB (rojo: brillo, verde: verdor, azul: humedad) en donde se pudieron observar las superficies con presencia de agua en tonalidades azules (Figura 7). Luego, se analizó el gráfico de dispersión (eje x: brillo, eje y: humedad) en distintas zonas de la cuenca que presentaban diversas superficies (ciudades, vegetación, suelo seco, zonas inundadas, cuerpos de agua). Se fueron identificando regiones con agua teniendo en cuenta la dirección en que disminuye la humedad en el plano del suelo (Figura 8) (Crist et al., 1984).

De este modo se obtuvieron valores tentativos de la banda de humedad sobre la cual realizar la binarización. Con esos valores se estudió el histograma de la banda de humedad (una vez aplicado el filtro de paso bajo), realizando distintas mascaras binarias, las cuales fueron aplicadas a la composición de falso color compuesto, analizando la relación de las áreas identificadas como zonas anegadas, con las áreas de color azul oscuro a negro. De este modo, se definió que los valores de ND≥-100 representaban zonas anegadas (Figura 9), ya que valores menores a -100 identificaban regiones que no tenían presencia de agua en superficie.

No obstante se pudo apreciar que parcelas de un color rojo intenso, que caracterizan parcelas con una vegetación frondosa o elevada humedad, quedaban identificadas como zonas anegadas (Figura 10). Sin embargo, no se pudieron aumentar los valores de ND debido a que dejaban de identificar conocidas superficies con presencia de agua, por ejemplo, en el Google Earth.

Clasificación de Imágenes

En lo que respecta a la clasificación no supervisada (método de ISODATA) aplicado a las bandas 2 a 7 de OLI, una vez identificada la clase perteneciente a agua (color rojo en Figura 11 A) las otras tres clases fueron reclasificadas como zonas sin agua (parcelas con vegetación, distintos tipos de suelos, edificaciones, entre otros), obteniéndose la binarización del método (Figura 11 B).

En cuanto a la clasificación supervisada, luego de definir las áreas de estudio en la composición RGB543, se aplicó el método de Máxima Verosimilitud (bandas 2 a 7 de OLI), obteniendo como resultado final cuatro clases: agua (azul), vegetación (verde), vegetación con menor humedad (amarillo) y suelo seco (rojo) (Figura 12 A). Del mismo modo que para ISODATA, las últimas tres clases se reagruparon como zonas no anegadas, obteniéndose la binarización del método (Figura 12 B).

Es de fácil apreciación que el método de ISODATA brindó mayor porcentaje de áreas anegadas que el de Máxima Verosimilitud.

En la Tabla 5, se pueden ver los porcentajes de zonas anegadas y no anegadas obtenidas para cada binarización de los métodos estudiados.

Obtención del mapa de estado hídrico

Las binarizaciones del NDWIgao y NDWIXu se despreciaron debido a sus limitaciones para identificar las zonas anegadas y brindar resultados por debajo de los otros métodos.

En lo que respecta a los métodos de clasificación de imágenes, al realizar la suma de ambas binarizaciones, se encontró que las áreas anegadas identificadas por ISODATA expandían las obtenidas en la clasificación supervisada. Considerando que se busca resguardar a las estaciones de monitoreo de posibles inundaciones que discontinúen sus mediciones, la clasificación supervisada fue despreciada.

Para realizar una comparación de los dos métodos que mayores porcentajes de zonas anegadas presentaron (TTC e ISODATA), se seleccionaron cuatro regiones de la cuenca sobre las cuales se aplicaron las binarizaciones a la imagen de falso color compuesto (Figura 13).

En la Figura 14 se aprecian zonas anegadas ubicadas en las mismas regiones con ambos métodos donde, en algunos casos, se observa que el área obtenida por el método de TTC es mayor. Sin embargo, las parcelas de un color rojo intenso bajo la TTC fueron definidas como zonas anegadas, mientras que con ISODATA se definieron como no anegadas. El color rojo intenso de la imagen de falso color compuesto, pudo deberse a que la vegetación presentaba una elevada humedad o que existía un encharcamiento por debajo de esta. Debido a que no se pudo saber con certeza cuál era la característica de estas superficies, se decidió seleccionar el método de ISODATA que las definía como zonas no anegadas, despreciando los resultados de la TTC ya que probablemente sobreestima la binarización de la banda de humedad.

El tercer método que arrojó mayores porcentajes de zonas anegadas (Tabla 5) fue el análisis de la banda infrarroja media, en la cual al existir una diferencia significativa entre los valores de reflectividad para zonas con vegetación, suelo, edificaciones y agua, el error de identificar una región con agua ―siendo que no es agua‖ es menor que en el resto de los métodos.

Una vez analizado cada método, buscando integrar la información brindada por los dos métodos más confiables (ISODATA y MIR), se realizó el mapa de estado hídrico de la cuenca sumando ambas imágenes.

En la Figura 15 se aprecia el mapa final de estado hídrico de la cuenca para el 2014 junto con la ubicación de las distintas estaciones de monitoreo ambiental, donde en color blanco se identifican las zonas no anegadas y en color verde las zonas anegadas.

Para la ubicación final de las estaciones se tuvieron en cuenta la posible instalación en las áreas blancas del mapa y a su vez, en lugares que cumplieran los criterios hidrológicos y ambientales necesarios requeridos en un sistema de monitoreo. En el caso que alguna de las estaciones corra riesgo de anegamiento por encontrarse cerca de arroyos, como lo pueden ser las estaciones de monitoreo freatimétricos 7 y 8, se tomarán los recaudos constructivos al momento de la ejecución de la obra civil.

CONCLUSIONES

Se concluyó que los índices NDWI y MNDWI no son los adecuados para los objetivos del trabajo realizado, debido a las dificultades de establecer límites numéricos de referencia a partir de los histogramas de frecuencia.

Los métodos que arrojaron mejores resultados, por considerar un área elevada de zonas anegadas y al mismo tiempo no sobreestimar estos resultados, fueron la clasificación no supervisada (ISODATA) y el análisis de la banda infrarroja media (MIR).

Si bien se concluyó que la binarización de la banda de humedad de la Transformación de Tasseled Cap sobreestimaba las regiones anegadas (incorporando áreas vegetadas como anegadas), se pudo concluir que es una técnica consistente al momento de analizar eventos extremos en áreas puntuales (áreas próximas a ciudades, caminos, parcelas en campos, entre otras) y de combinarse con otros métodos.

Se lograron definir los sitios potenciales de instalación para la red de monitoreo ambiental y se dejó un registro de distintas técnicas de teledetección que no solo brindan información en lo que respecta a la detección de agua en superficie, sino que también pueden ser utilizadas para la identificación de distintos tipos de suelos. Esta combinación de información (satelital y de terreno por las estaciones de monitoreo) permite la caracterización y seguimiento de fenómenos naturales de una forma más completa.

Agradecimientos

Este trabajo es el resultado final de la investigación llevada a delante como Trabajo Final de la Lic. en Tecnología Ambiental. Se realizó en parte bajo el financiamiento de la Beca de Estímulo de las Vocaciones Científicas otorgada por el Consejo Interuniversitario Nacional (EVC-CIN), en el 2015, y en marco del proyecto FONARSEC N°19, trabajando en conjunto con el grupo de Teledetección del IHLLA, sede Tandil.

Al Servicio Meteorológico Nacional por los datos de las precipitaciones diarias de sus estaciones en las ciudades Las Flores, Azul, Olavarría, Tandil y Dolores.

BIBLIOGRAFÍA

Aliaga, V. S., Ferrelli, F., Alberdi-Algañaraz, E. D., Bohn, V. Y., Piccolo, M. C. (2016 a). Distribución y variabilidad de la precipitación en la Región Pampeana, Argentina. Cuadernos de investigación Geográfica, 42 (1), 261-280. Disponible en: https://dialnet.unirioja.es/servlet/articulocodigo=5607402. Fecha de consulta: Julio 2017

Aliaga, V. S., Ferrelli, F., Bohn, V. Y., Piccolo, M. C. (2016 b). Utilización de imágenes satelitales para comprender la dinámica lagunar de la Región Pampeana. Revista de Teledetección, 46, 1-14. Disponible en: http://ri.conicet.gov.ar/handle/11336/21356. Fecha de consulta: Julio 2017

Bustamante, J., Díaz-Delgado, R., Aragonés, D. (2005). Determinación de las características de masas de aguas someras en las marismas de Doñana mediante teledetección. Revista de Teledetección, 24, 107-111. Disponible en: http://www.aet.org.es/revistas/revista24/AET24-19.pdf. Fecha de consulta: Julio 2017

Campos, J. C., Sillero, N., Brito, J. C. (2012). Normalized difference water indexes have dissimilar performances in detecting seasonal and permanent water in the Sahara-Sahel transition zone. Journal of Hydrology, 464-465, 438-446. Disponible en: http://www.sciencedirect.com/science/article/pii/S0022169412006592. Fecha de consulta: Julio 2017

Chuvieco, E. (2002). Teledetección ambiental, la observación de la Tierra desde el Espacio. Ariel S.A. (Ed).

Crist, E. P, Cicone, R. D. (1984). A Physically-Based Transformation of Thematic Mapper Data-The TM Tasseled Cap. IEEE Transactions on Geosciencie and Remote Sensing, 22 (3), 256-263. Disponible en: http://www.geo.umass.edu/courses/geo594q/Crist1984IEEETasseledCap. pdf. Fecha de consulta: Julio 2017

Crist, E.P., Kauth, R. J. (1986). The Tasseled Cap De-Mystified. Photogrammetric Engineering and Remote Sensing, 52 (1), 81-86. Disponible en https://www.asprs.org/wpcontent/uploads/pers/1986journal/jan/1986_jan_81-86.pdf. Fecha de consulta: Julio 2017

Della Vedova, M. (2013). Filtros y técnicas de clasificación en imágenes de teledetección. Trabajo Especial de Licenciatura en Ciencias de la Computación. Facultad de Matemática, Astronomía y Física Universidad Nacional de Córdoba. Córdoba, 138 páginas.

ESPA, USGS. 2016. United States Geological Survey USGS, sección: Earth Resources Observation and Science (EROS) Center Science Processing Architecture (ESPA) On Demand Interface. Disponible en: https://espa.cr.usgs.gov/login?next=http%3A%2F%2Fespa.cr.usgs.gov%2F. Fecha de consulta: 10/05/2016.

Gao, B. (1996). NDWI—a normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environmental, 58, 256– 266.

Hernández, H. J., Montaner, D. (2009). Patrones de Respuesta Espectral. En: Tecnologías Geoespaciales: Experiencias Aplicadas al Estudio y Gestión del Territorio. Carlos Mena (Ed.) ISBN: 978-956-7717-14-7. Disponible en: http://www.gep.uchile.cl/Publicaciones_gep.html. Fecha de consulta: enero 2017.

Kauth, R. J., Thomas, G. S. (1976). The Tasselled Cap-A Graphic Description of the Spectral-Temporal Development of Agricultural Crops as Seen by LANDSAT. LARS Symposia. Paper 159. Disponible en: http://docs.lib.purdue.edu/lars_symp/159/. Fecha de consulta: Julio 2017

Landsat Missions, USGS 2016. United States Geological Survey USGS, sección: About Landsat. Disponible en: https://landsat.usgs.gov/. Fecha de consulta: diciembre 2016.

Ministerio del Interior, 2016. Disponible en: http://www.mininterior.gov.ar/obraspublicas/pdf/49.pdf. Fecha de consulta: abril 2016.

Muhammad Hasan, A. B., Zhang, L., Shuai, T., Tong, Q. (2014). Derivation of a tasseled cap transformation based on Landsat 8 at-satellite reflectance. Remote Sensing Letter, 5 (5), 423-431.

OCW, UM 2017. Open Course Ware, Universidad de Murcia. Sección: lista de cursos, Ciencias, material de clases. Disponible en: http://ocw.um.es/ciencias/herramientas-de-teledeteccion-aplicadas-a-la/material-de-clase . Fecha de consulta: enero 2017.

Sobrino, J. A., Raissouni, N., Kerr, Y., Olioso, A., López-García, M. J., Belaid, A., El Kharraz, M. H., Cuenca, J., Dempere, L. (2000). Teledetección. J. A. Sobrino (Ed), Servicio de Publicaciones, Universidad de Valencia, Valencia (España).

Vazquez, P., Masuelli, S., Platzeck, G., Boolsen, O. (2007). Recurrencia de anegamiento en la depresión del río Salado: subcuenca B4. TELEDETECCIÓN – Hacia un mejor entendimiento de la dinámica global y regional. Martin (Ed), 171-178. Disponible en: http://dns2.aet.org.es/congresos/xii/arg22.pdf. Fecha de consulta: Julio 2017

Xu, H. (2006). Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 27 (14), 3025-3033.

Información adicional

AGRADECIMIENTOS: Este trabajo es el resultado final de la investigación llevada a delante como Trabajo Final de la Lic. en Tecnología Ambiental. Se realizó en parte bajo el financiamiento de la Beca de Estímulo de las Vocaciones Científicas otorgada por el Consejo Interuniversitario Nacional (EVC-CIN), en el 2015, y en marco del proyecto FONARSEC N°19, trabajando en conjunto con el grupo de Teledetección del IHLLA, sede Tandil. Al Servicio Meteorológico Nacional por los datos de las precipitaciones diarias de sus estaciones en las ciudades Las Flores, Azul, Olavarría, Tandil y Dolores.