INTRODUCCIÓN

Aproximadamente 75% de la superficie terrestre está cubierta por el océano, sólo 0.26% es agua dulce (^{Rajagopal y Brands, 2017}). Este recurso es fundamental para la salud humana, los medios de vida, la producción de alimentos, la industrialización y el desarrollo económico (^{UNESCO, 2006}). La presencia de agua contribuye a preservar la biodiversidad en los ecosistemas ribereños o de humedales al proporcionar hábitats a una gran cantidad de flora y fauna (^{Vörösmarty et al., 2010}), por lo que mapear, monitorear y delinear la distribución espacial de las aguas superficiales tiene gran importancia para comprender los procesos hidrológicos y gestionar los recursos hídricos (^{Papa et al., 2008}).

Los métodos tradicionales in situ usados para cuantificar y caracterizar los cuerpos de agua superficiales son demasiado costosos, por lo que actualmente se utilizan técnicas de percepción remota, ya que proporcionan mapas con cobertura sinóptica de forma rápida y con bajo costo (^{Yang et al., 2017}). Para la detección de cuerpos de agua se utilizaron imágenes satelitales de baja resolución espacial, por ejemplo, MODIS (^{Sharma et al., 2015}; ^{Lu et al., 2016}) o imágenes de muy alta resolución espacial, como Ikonos y QuickBird (^{Sarp, 2014}; ^{Huang et al., 2015}), imágenes Lidar (^{Canaz et al., 2015}), o bien imágenes de satélites de radar de apertura sintética (SAR) (^{Klemenjak et al., 2012}; ^{Brisco et al., 2009}).

A la fecha se han desarrollado varios índices para el mapeo de cuerpos de agua derivados de las imágenes de satélite; entre los más utilizados se encuentran el NDWI, propuesto por ^{McFeeters (1996)}, que utiliza la banda del verde (SWIR) y el infrarrojo cercano (NIR); el Índice de Agua de Diferencia Normalizada Modificada (MNDWI, por sus siglas en inglés) (^{Xu, 2006}), y el Índice de Vegetación de Diferencia Normalizada (NDVI, por sus siglas en inglés), usado para detectar cuerpos de agua en zonas áridas (^{Aguilar et al., 2012}; ^{Escobar-Flores et al., 2019}). Entre los satélites más mencionados para calcular este índice están SPOT y Landsat, como satélites de resolución moderada (20 y 30 m) y de alta resolución (1 y 10 m) se han utilizado IKONOS y Sentinel-2 para la detección de cuerpos de agua menores a 3 m² (^{Klemas y Pieterse, 2015}).

Esta investigación se realizó en la SMO, cadena montañosa que representa una sexta parte del territorio nacional. Ésta fue el centro de la actividad minera y actualmente es la principal fuente de agua para el norte del país (^{Descroix, González y Estrada-Ávalos, 2004}).

Los objetivos de esta investigación fueron: 1) la detección de cuerpos de agua en la Sierra Madre Occidental, y 2) realizar un inventario de los cuerpos de agua en diferentes tipos de vegetación.

METODOLOGÍA

Área de estudio

La Sierra Madre Occidental constituye el macizo de riolita más grande del mundo, se extiende por casi 1 200 km, se localiza en el noreste de México y abarca los estados de Chihuahua, Sonora, Sinaloa, Durango, Jalisco, Nayarit y Zacatecas, desde el no- reste de Sonora (30° 35’ N) hasta el norte de Jalisco (2° 00’ N). Cubre una extensión de 289 000 km2 y representa la sexta parte de México (Figura 1). La vegetación predominante en la vertiente oriental son bosques bajos abiertos y chaparral hasta 2 300 metros; en las partes más altas dominan los bosques de pino y encino, y en las vertientes orientadas al Pacífico, desde 0 hasta 1500 m, predominan comunidades vegetales de selva baja caducifolia (^{González-Elizondo et al., 2012}).

Fuente: ^{González-Elizondo et al. (2012)}.

Figura 1 Sierra Madre Occidental México y sus límites.  

RESULTADOS

Un total de 120 imágenes satelitales Sentinel-2 fueron procesadas para obtener un cubrimiento sinóptico de la Sierra Madre Occidental. En el área de estudio se detectaron un total de 26 394 cuerpos de agua (Anexo 1), y 16% de éstos fueron sombras (Figura 2; Apéndice I). Los cuerpos de agua detectados tuvieron una superficie de entre 64 m2 y 43 km2. Los cuerpos de agua de mayor superficie fueron las presas. Los valores de los píxeles a partir del NDWI encontrados en los cuerpos de agua oscilaron entre 0.1 a 0.8, con una mediana cercana a 0.3, y los cuartiles, entre 0.2 y 0.4.

Fuente: Elaboración propia.

Figura 2 Cuerpos de agua detectados en la Sierra Madre Occidental. 

Los tipos de vegetación con más cuerpos detectados fueron los bosques, con 12 369, seguidos del pastizal, con 5 667, y el bosque con vegetación secundaria, con 4 096. En cuanto a la precisión de la detección de cuerpos agua, en todos ellos los valores de Kappa indicaban acuerdos buenos y excelentes (Tabla 1); los tipos de vegetación de bosque de pino-encino y mesófilo presentaron el menor valor: K = 0.62, lo que también se relacionó con sombras que se confundieron con cuerpos de agua (251 sombras), mientras que el mayor valor de Kappa se obtuvo en los pastizales, con K = 0.91, donde se detectaron muy pocas sombras que se confundieron con cuerpos de agua (13 sombras).

Los tipos de vegetación con mayor superficie de cuerpos de agua fueron la clase bosques, con 12 393 ha ± 59.19, y con una proporción de área mapeada de Wi = 0.3587; seguido por la clase selvas, con 10 292 ha ± 76.6, y cuya proporción de área mapeada fue de Wi = 0.2977; la clase bosques con vegetación secundaria obtuvo 4 4242 ha ± 75.38 y un valor de Wi = 0.1255, mientras que las clases con menor superficie de cuerpos de agua fueron el matorral y el chaparral (Tabla 2).

La precisión global fue de 0.738, y en la matriz de error se encontró que la clase que presentó mayores errores de comisión fue el pastizal, con un valor de exactitud de usuario de 0.227. Otra clase que tuvo una mayor omisión fue el matorral, con un valor de exactitud del productor de 0.351. Las otras clases tuvieron valores bajos en los errores de comisión y omisión (Tabla 3).

DISCUSIÓN

La detección de cuerpos de agua en la SMO fue viable por medio del NDWI derivado de imágenes satelitales Sentinel-2. La delimitación de ~26 000 cuerpos de agua contribuye sustancialmente a los 800 cuerpos de agua reportados previamente para la SMO en la Serie VI del uso del suelo y vegetación (^{INEGI, 2016}). La metodología de esta investigación para la detección y delineación de cuerpos de agua es más sencilla que la descrita por ^{Singh et al. (2019)}, quienes proponen la combinación de cuatro índices espectrales para la delimitación de cuerpos de agua, lo cual implica un mayor tiempo de procesamiento, además de que estos procesos son realizados en imágenes Landsat 8-OLI. Sin embargo, la aplicación del NDWI puede tener limitaciones, principalmente en cuerpos de agua poco profundos (menores de 0.5 m), lo cual provoca efectos de atenuación múltiple que producen superficies borrosas causados por el efecto del fondo y los componentes de la columna del agua (Singh et al., 2019. Para el caso de la SMO, los tipos de vegetación que presentan estos cuerpos de agua poco profundos fueron el matorral y el chaparral. Los valores de NDWI en los cuerpos de agua detectados oscilaron entre 0.1 y 0.8; se ha reportado que esta variación tiene relación con la profundidad, la cantidad de sólidos disueltos y la presencia de materia orgánica en los cuerpos de agua (^{Rokni et al., 2014}; ^{Yang et al., 2017}). En cuanto a la precisión en la detección de los cuerpos de agua, en general se encontró que 16% del total en realidad fueron sombras; esto se determinó porque al extraer los valores de los píxeles, en promedio fueron menores a 0, lo cual se asocia con superficies oscuras que no son agua (^{McFeeters, 1996}). Para el caso de la SMO hay dos posibilidades de que el algoritmo de NDWI no encuentre agua, o bien se confunda por: 1) la presencia de superficies rocas de riolita y basaltos desprovistos de vegetación. Este tipo de rocas tiene un comportamiento espectral similar a los cuerpos de agua que oscila entre 1400 nm y 1500 nm de longitud de onda (^{Rivard et al., 2009}); estos afloramientos rocosos son comunes en vegetación de matorral en la SMO (^{Descroix, González y Estrada-Ávalos, 2004}), y 2) el tamaño del cuerpo de agua, por ejemplo, en sitios con una cobertura vegetal mayor a 80%, como en el caso del bosque mesófilo, donde la vegetación cubre en su totalidad el cuerpo de agua y, por lo tanto, no es posible detectarlo. También existe la posibilidad de no detectar cuerpos de agua menores a 50 m², lo cual representa menos de la mitad del tamaño mínimo del píxel para imágenes Sentinel-2, que es de 100 m² (^{Toming et al., 2016}).

Lo anterior fue evidente porque el cuerpo de agua de menor superficie detectado y que se pudo delinear fue de 64 m², mejorando lo reportado por ^{Bolanos et al. (2016)}, quienes utilizaron el sensor RadarSat-2 y detectaron cuerpos de agua con una superficie mínima de 100 m²; sin embargo, nuestros resultados contrastan con cuerpos de agua detectados, con superficies de 10 m², pero en vegetación desértica o de matorral (^{Xu, 2006}; ^{Escobar-Flores et al., 2019}).

La concordancia medida por el coeficiente de Kappa en la detección de cuerpos de agua en todos los tipos de vegetación fue de sustancial a buena, y coincidió con lo reportado por ^{Du et al. (2016)} y ^{Escobar-Flores et al. (2019)}, al utilizar el mismo algoritmo de NDWI derivado de imágenes Sentinel-2. El valor de Kappa más bajo se obtuvo en vegetación de bosque (Tabla 1), lo que posible- mente se relaciona con el dosel de los bosques que cubre los cuerpos de agua y con el uso de imágenes de satélite provenientes de sensores pasivos la detección disminuye (^{Chuvieco, 2010}).

Los tipos de vegetación que tuvieron valores de Kappa mayores fueron el pastizal y las selvas (Tabla 1), lo cual se esperaba. En el caso de los pastizales es vegetación abierta y de un tamaño que no obstruye la visibilidad de los cuerpos de agua, y en las selvas la mayoría de los cuerpos de agua se localizan en arroyos de primer y segundo orden, los cuales llegan a tener dimensiones mayores a 100 km de longitud, lo cual facilitó su detección (^{Descroix, González y Estrada-Ávalos, 2004}).

Sin embargo, los valores de Kappa no fueron confiables para evaluar la precisión de la clasificación, por ejemplo, en la clase matorral se obtuvo k= 0.71, pero la exactitud del usuario y de productor fueron las más erróneas (Tabla 3), lo que contrasta con la clase bosque, en la cual se obtuvo k = 0.61, que fue la más baja para todas las clases, pero que en la matriz de errores obtuvo los mejores valores de precisión (usuario = 0.937, productor = 0.991), lo que ayudó a llevar a cabo una mejor estimación de la superficie que representan los cuerpos de agua para ese tipo de vegetación. Estas inconsistencias ya han sido reportadas por ^{Pontius y Millones (2011)}, motivo por el cual estos autores recomiendan la validez de la clasificación mediante una matriz de errores, como también sugieren ^{Olofsson et al. (2013)}.

CONCLUSIONES

La detección y el monitoreo de cuerpos de agua es vital para estudiar los procesos ecológicos e hidrológicos. En los últimos años se dispone de imágenes de satélite con alta resolución espacial de adquisición libre, por lo que se pueden abarcar grandes áreas de estudio, como fue el caso de la SMO. El método llevado a cabo es de fácil aplicación y de bajo costo, pero se recomienda un monitoreo de estos cuerpos de agua durante época de secas para encontrar diferencias y hacer un inventario de cuerpos de agua permanentes o temporales, y así relacionar la variación y el tamaño de los cuerpos de agua con condiciones climáticas. Se recomienda que la técnica de detección de cuerpos de agua se considere en los inventarios realizados por el Inegi, los ejidos y la propiedad privada. Mediante esta metodología fue posible delinear cuerpos de agua con una superficie mayor a 64 m².