Análisis espacio-temporal de florecimientos algales nocivos en un lago-cráter tropical usando datos MODIS (2003-2020)
-
Published:2023-07-28
Issue:62
Volume:
Page:39-55
-
ISSN:1988-8740
-
Container-title:Revista de Teledetección
-
language:
-
Short-container-title:Rev. Teledetec.
Author:
Cortés-Macías Lizette Zareh, Rivera-Caicedo Juan PabloORCID, Cepeda-Morales JushiroORCID, Hernández-Almeida Óscar UbishaORCID, García-Morales RicardoORCID, Velarde-Alvarado PabloORCID
Abstract
El lago-cráter de Santa María del Oro en el estado de Nayarit, México, presenta Florecimientos Algales (FA) de manera cíclica anual, el florecimiento y posterior decaimiento de estas poblaciones de crea cambios de color en el agua, generalmente en la primera mitad del año. Este trabajo evalúo algoritmos de clasificación supervisada que permitan identificar estos cambios usando datos de los productos MOD09GQ y MYD09GQ del sensor MODIS en el período de enero 2003 a diciembre 2020. A partir de una revisión de FA registrados en la literatura y análisis estadísticos de gráficos de dispersión, se construyó una base de datos de información espectral y etiquetas del estado de color del lago para evaluar los diferentes algoritmos de clasificación. El mejor clasificador fue Random Forest con una precisión de 87.1 %, El análisis temporal y la evaluación espacial de la incidencia de los florecimientos mostraron que mayo, abril y marzo son los meses con mayor presencia de cambios de color en el lago relacionados a FA. En el análisis espacial se encontró que la mayor incidencia de florecimientos se da en la región sureste del lago y las mayores cantidades de eventos ocurrieron en los años 2011, 2008 y 2012 respectivamente. Se determina la influencia del fenómeno El Niño- Oscilación del Sur (ENSO) en la incidencia de florecimientos algales en el lago-cráter debido al patrón temporal entre las anomalías en los FA y el índice multivariado de El Niño-Oscilación del Sur, donde el mayor número de eventos de FA se presentaron en las fases frías del ENSO.
Publisher
Universitat Politecnica de Valencia
Subject
Earth and Planetary Sciences (miscellaneous),Geography, Planning and Development
Reference62 articles.
1. Aghababaei, M., Ebrahimi, A., Naghipour, A.A., Asadi, E., Pérez-Suay, A., Morata, M., & Verrelst, J. 2022. Introducing artmo's machine-learning classification algorithms toolbox: Application to plant-type detection in a semi-steppe iranian landscape. Remote Sensing, 14(18), 4452. https://doi.org/10.3390/rs14184452 2. Ananias, P.H.M., Negri, R.G., Dias, M.A., Silva, E.A., & Casaca, W. 2022. A fully unsupervised machine learning framework for algal bloom forecasting in inland waters using modis time series and climatic products. Remote Sensing, 14(17), 4283 https://doi.org/10.3390/rs14174283 3. Armienta, M.A., Vilaclara, G., De la Cruz-Reyna, S., Ramos, S., Ceniceros, N., Cruz, O.,Arcega-Cabrera, F. 2008. Water chemistry of lakes related to active and inactive mexican volcanoes. Journal of Volcanology and Geothermal Research, 178(2), 249-258. https://doi.org/10.1016/j.jvolgeores.2008.06.019 4. Breiman, L. 2001. Random forests. Machine learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324 5. Caicedo, J.P.R., Verrelst, J., Muñoz-Marí, J., Moreno, J., & Camps-Valls, G. 2014. Towarda semiautomatic machine learning retrieval of biophysical parameters. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(4), 1249-1259. https://doi.org/10.1109/JSTARS.2014.2298752
|
|