Annual trend, anomalies and prediction of vegetation cover behavior with Landsat and MOD13Q1 images, Apacheta micro-basin, Ayacucho Region

[EN] Climate variability in the Apacheta micro-basin has an impact on vegetation behavior. The objective is to analyze the annual trend, anomalies and predict the behavior of vegetation cover (CV) with Landsat images and the MOD13Q1 product in the Apacheta micro-basin of the Ayacucho Region. For this purpose, the CV was classified and validated with the Kappa index (p-value=0,032; <0.05), obtaining a good agreement between the values observed in situ and the estimated in the Landsat images. The CV data were subjected to the Lilliefors normality test (p-value=0,0014; <0,05) indicating that they do not come from a normal distribution. CV forecasting was performed with the auto.arima, forecast and prophet packages, in R, according to the Box-Jenkins and ARIMA approaches, whose two-year future scenario is acceptable, but with higher bias. The results show an anual increasing CV trend of 3,378.96 ha with Landsat imagery and 3,451.95 ha with the MOD13Q1 product, by the end of 2020. The anomalies and the CV forecast also show a significant increase in the last 9 years, becoming higher in the forecasted years, 2021 and 2022.[ES] La variabilidad climática en la microcuenca Apacheta impacta en el comportamiento de la vegetación. El objetivo es analizar la tendencia anual, anomalías y predecir el comportamiento de cobertura de vegetación (CV) con imágenes Landsat y el producto MOD13Q1 en la microcuenca Apacheta de la Región Ayacucho. Para ello, se clasificó la CV, que se validó con el índice Kappa (p-valor=0,032; <0,05) obteniéndose una buena concordancia entre los valores observados in situ y los estimados en las imágenes Landsat. Los datos de CV se sometieron a la prueba de normalidad Lilliefors (p-valor=0,0014; <0,05) indicando que no provienen de una distribución normal. El pronóstico de CV se realizó con los paquetes auto.arima, forecast y prophet, en R, según el enfoque de Box-Jenkins y ARIMA, cuyo escenario futuro de dos años es aceptable, pero con mayor sesgo. Los resultados muestran una tendencia anual de CV creciente de 3.378,96 ha con imágenes Landsat y de 3.451,95 ha con el producto MOD13Q1, para finales del 2020. Las anomalías y el pronóstico de CV también evidencian un significativo incremento en los últimos 9 años, llegando a ser superiores en los años pronosticados, 2021 y 2022. Este trabajo ha sido posible gracias a los proyectos “Strengthening resilience of Andean river basin headwaters facing global change” (PGA_084063), financiado por el Programa PEER de USAID y “Modelado de aguas subterráneas en los ecosistemas de humedales de la microcuenca Apacheta”, financiado por FOCAM de la Universidad Nacional de San Cristóbal de Huamanga. Los autores también agradecen a la Universidad Nacional de Frontera por su apoyo incondicional.Moncada, W.; Willems, B.; Pereda, A.; Aldana, C.; Gonzales, J. (2022). Tendencia anual, anomalías y predicción del comportamiento de cobertura de vegetación con imágenes Landsat y MOD13Q1, microcuenca Apacheta, Región Ayacucho. Revista de Teledetección. 0(59):73-86. https://doi.org/10.4995/raet.2022.156727386059Abujayyab, S. K., Karaş, İ. R. 2019. Automated Prediction System for Vegetation Cover Based on MODIS-NDVI Satellite Data and Neural Networks. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-4/W19, 9-15. https://doi.org/10.5194/isprs-archives-XLII-4-W19-9-2019Aguilar, H., Mora, R., Vargas, C. 2014. Metodología para la corrección atmosférica de imágenes Aster, Rapideye, Spot 2 y Landsat 8 con el módulo Flaash del software Envi. Revista Geográfica de América Central, 2(53), 39-59. https://doi.org/10.15359/rgac.2-53.2Cairns, D. M. 2001. A Comparison of Methods for Predicting Vegetation Type. Plant Ecology, 156(1), 3-18. https://doi.org/10.1023/A:1011975321668Ceroni, M., Achkar, M., Gazzano, I., Burgeño, J. 2015. Estudio del NDVI mediante análisis multiescalar y series temporales utilizando imágenes SPOT, durante el período 1998-2012 en el Uruguay. Revista de Teledetección. Asociación Española de Teledetección, 43, 31-42. https://doi.org/10.4995/raet.2015.3683Dallal, G. E., Wilkinson, L. 1986. An Analytic Approximation to the Distribution of Lilliefors's Test Statistic for Normality. The American Statistician, 40(4), 294-296. https://doi.org/10.1080/00031305.1986.10475419Forzieri, G., Castelli, F., Vivoni, E. R. 2010. A Predictive Multidimensional Model for Vegetation Anomalies Derived From Remote-Sensing Observations. IEEE Transactions on Geoscience and Remote Sensing, 48(4), 1729-1741. https://doi.org/10.1109/TGRS.2009.2035110Han, J., Huang, Y., Zhang, H., Wu, X. 2019. Characterization of elevation and land cover dependent trends of NDVI variations in the Hexi region, northwest China. Journal of Environmental Management, 232, 1037-1048. https://doi.org/10.1016/j.jenvman.2018.11.069Hoek van Dijke, A. J., Mallick, K., Teuling, A. J., Schlerf, M., Machwitz, M., Hassler, S.K., Blume, T., Herold, M. 2019. Does the Normalized Difference Vegetation Index explain spatial and temporal variability in sap velocity in temperate forest ecosystems? Hydrology and Earth System Sciences, 23(4), 2077-2091. https://doi.org/10.5194/hess-23-2077-2019Huete, A., Didan, K., Miura, T., Rodriguez, E. P., Gao, X., Ferreira, L. G. 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83(1), 195-213. https://doi.org/10.1016/S0034-4257(02)00096-2Hyndman, R., Athanasopoulos, G., Bergmeir, C., Caceres, G., Petropoulos, F., Chhay, L., O'Hara- Wild, M., Yasmeen, F. 2020. Package «Forecast». Forecasting functions for time series and linear models. https://pkg.robjhyndman.com/forecast/Hyndman, R. J., Khandakar, Y. 2008. Automatic Time Series Forecasting: The forecast Package for R. Journal of Statistical Software, 27(1), 1-22. https://doi.org/10.18637/jss.v027.i03ITT Visual Information Solutions. 2009. ENVI Atmospheric Correction Module: QUAC and FLAASH User's Guide, Version 4.7, pp. 44. http://www.harrisgeospatial.com/portals/0/pdfs/envi/ Flaash_Module.pdfKatchanov, Y. L., Markova, Y. V., Shmatko, N. A. 2019. The distinction machine: Physics journals from the perspective of the Kolmogorov-Smirnov statistic. Journal of Informetrics, 13(4), 100982. https://doi.org/10.1016/j.joi.2019.100982Lilliefors, H. W. 1967. On the Kolmogorov-Smirnov Test for Normality with Mean and Variance Unknown. Journal of the American Statistical Association, 62(318), 399-402. https://doi.org/10.1080/01621459.1967.10482916Moncada, W., Willems, B. 2020a. Spatial and temporal analysis of surface temperature in the Apacheta micro-basin using Landsat thermal data. Revista de Teledetección, 0(57), 51-63. https://doi.org/10.4995/raet.2020.13855Moncada, W, Willems, B. 2020b. Tendencia anual del caudal de salida, en referencia al caudal ecológico en la microcuenca Apacheta / Ayacucho / Perú, del 2000 al 2018. Ecología Aplicada, 19(2), 93-102. https://doi.org/10.21704/rea.v19i2.1560Moncada, W, Willems, B., Rojas, J. 2020. Estimación de estadíos estacionales a partir de parámetros climáticos medidos en la estación meteorológica de la microcuenca Apacheta, Región Ayacucho, 2000 al 2018. Revista de Investigación de Física. UNMSM, 23(2), 17-25. https://doi.org/10.15381/rif.v23i2.20296Nanzad, L., Zhang, J., Tuvdendorj, B., Nabil, M., Zhang, S., Bai, Y. 2019. NDVI anomaly for drought monitoring and its correlation with climate factors over Mongolia from 2000 to 2016. Journal of Arid Environments, 164, 69-77. https://doi.org/10.1016/j.jaridenv.2019.01.019Neinavaz, E., Skidmore, A. K., Darvishzadeh, R. 2020. Effects of prediction accuracy of the proportion of vegetation cover on land surface emissivity and temperature using the NDVI threshold method. International Journal of Applied Earth Observation and Geoinformation, 85, 101984. https://doi.org/10.1016/j.jag.2019.101984Olivo, A. 2017. Clasificación de la vegetación del Karst de Sierra de las Nieves, utilizando imágenes Landsat (Sierra de las Nieves, Málaga, Andalucía, España) [Masters, E.T.S.I de Minas y Energía]. http://oa.upm.es/48286/Pereda, A., Moncada, W., Verde, L. 2018. Respuesta nival de la cabecera de cuenca Cachi-Apacheta de Ayacucho: Vol. I. Editorial Académica Española. https://www.morebooks.shop/store/es/book/ respuesta-nival-de-la-cabecera-de-cuenca-cachi- apacheta-de-ayacucho/isbn/978-620-2-12620-5Qiu, B., Zeng, C., Cheng, C., Tang, Z., Gao, J., Sui, Y. 2014. Characterizing landscape spatial heterogeneity in multisensor images with variogram models. Chinese Geographical Science, 24(3), 317-327. https://doi.org/10.1007/s11769-013-0649-yRashmi, M. K., Lele, N. 2010. Spatial modeling and validation of forest cover change in Kanakapura region using GEOMOD. Journal of the Indian Society of Remote Sensing, 38(1), 45-54. https://doi.org/10.1007/s12524-010-0011-0Sánchez, J. M. 2016. Análisis de Calidad Cartográfica mediante el estudio de la Matriz de Confusión. Pensamiento Matemático, 6(2), 9-26. Disponible en https://dialnet.unirioja.es/servlet/ articulo?codigo=5998855Spiegel, M., Stephens, L. 2009. Estadística (4a. edición). McGraw-Hill. Interamericana Editores, S.A. https://www.academia.edu/36241872/Estad%C3%ADstica_Serie_Schaum_4ta_edici%C3%B3n_Murray_R_Spiegel_pdf_1_1_Taylor, S., Letham, B. 2017. Forecasting at scale. PeerJ Preprints 5, 25. https://doi.org/10.7287/peerj.preprints.3190v2Tornero, J. 2017. Introducción al Forecasting con R Statistics [Estadística]. Doctor Metrics. https://www. doctormetrics.com/introduccion-al-forecasting-con-r-statistics/Zaraza, M. A., Manrique, L. M. 2019. Generation of change data of land cover in the Bogotá savannah using time series with Landsat images and MODIS-Landsat synthetic images between 2007 and 2013. Revista de Teledetección, 0(54), 41-58. https://doi.org/10.4995/raet.2019.1228