Recibido: 04/01/2016 REVISTA DE TELEDETECCIÓN

Aceptado: 20/05/2016 Asociación Española de Teledetección

(2016) 46, 57-72
ISSN 1133-0953
EISSN 1988-8740
http://dx.doi.org/10.4995/raet.2016.4482

Identificación y caracterización litológica mediante el uso del

sensor ETM+ (Landsat 7). Caso de estudio: entorno del glaciar
Upsala, Argentina
Lo Vecchio, A.1*, Lenzano, M.G.2, Richiano, S.3, Lenzano, L.E.1
1
Dpto. Geomática. Instituto Argentino de Nivología, Glaciología y Ciencias Ambientales (IANIGLA)-CONICET, Mendoza, Argentina.
2
Universidad Nacional de Cuyo (UNCuyo)-CONICET, Mendoza, Argentina.
3
Centro de Investigaciones Geológicas, Universidad Nacional de La Plata (UNLP), Buenos Aires, Argentina.

Resumen: El objetivo del presente estudio se enfoca en evaluar y analizar técnicas de procesado digital de imágenes
aplicadas al sensor Enhanced Thematic Mapper Plus (ETM+), a fin de demarcar y caracterizar las litologías que afloran
en la cuenca del glaciar Upsala, Santa Cruz, República Argentina. El prolífico desarrollo tecnológico-espacial experi-
mentado en las últimas décadas ha dado lugar a la generación, sin precedentes, de sensores remotos capaces de
capturar información de la superficie terrestre y a la mejora de las técnicas de procesado digital de imágenes, entre
las que destacan las posibilidades en la detección y diferenciación de diversas cubiertas presentes en la superficie
terrestre como glaciares, volcanes, vegetación, suelos, agua, tipos de rocas que afloran, etc. Esta situación ha coad-
yuvado y posibilitado obtener promisorios avances en el mapeo y monitoreo de fenómenos naturales en el campo de
las ciencias de La Tierra. La metodología propuesta, incluye correcciones radiométricas; eliminación de coberturas
no deseadas; evaluación estadística de la combinación de bandas óptima; aplicación del índice Z; discretización de
la serie estadística mediante una clasificación no supervisada; tareas de vinculación de la clasificación espectral con
muestras litológicas y un posterior muestreo de validación. A través del procesado digital de imágenes, se obtuvieron
resultados que fueron validados y arrojaron un 82% de fiabilidad en la clasificación propuesta, lo cual resulta adecua-
do teniendo en cuenta la diversidad de cubiertas presentes y la heterogeneidad litológica que compone a cada píxel
(30 m). Además, los resultados fueron validados con mapas geológicos pre-existentes obteniendo buena concordan-
cia.
Palabras clave: Sensor ETM+, clasificación no supervisada, sensores remotos, detección de litologías, índice Z.

Lithologic identification and characterization using ETM+ (Landsat 7). Study case of the Upsala
glacier basin, Argentine
Abstract: The object of this study aims to evaluate and analyze digital image processing techniques applied to the En-
hanced Thematic Mapper Plus (ETM+), in order to demark and characterize the outcropping lithologies on the Upsala
Glacier basin, Santa Cruz, Argentine Republic. The prolific technological and spatial development experienced in the
last decades has given place to the generation, without precedents, of multiple remote sensors capable of capturing
information of the terrestrial surface and also the improvement of digital image processing techniques and software;
amongst them, the amazing possibilities in the detection and differentiation of diverse covers present on the terrestrial
surface can be highlighted, such as glaciers, volcanoes, vegetation, soils, water, types of rock outcrops, etc. This situa-
tion improves mapping and monitoring of natural phenomenon in the Earth Sciences field. The proposed methodology

*
Autor para la correspondencia: [email protected]
Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) 57
 Lo Vecchio et al.

includes radiometric corrections, elimination of unwanted covers, statistical evaluation in the combination of the most
appropriate bands, application of the Z index, discretization of the statistical series, entailing tasks of spectral clas-
sification with field samples and a later validation. Valuable results were obtained by means of digital processing of
images, that were validated yielding a 82% of accuracy in the proposed classification, which are good results taking
into account the diversity of covers present and the lithological heterogeneity that makes up each pixel (30m). These
results were also validated with existing geological maps, obtaining a good agreement.
Key words: ETM+ sensor, unsupervised classification, remote sensors, detection of lithologies, Z index.

1. Introducción geológicos preexistentes (Marchionni y Tessone,

2009; Mazzoni y Rabassa, 2010); resultan indis-
Los avances tecnológicos-espaciales han dado pensables para la planificación de inversiones
lugar a un gran auge de plataformas satelitales y mineras, planificación urbana, gestión del hídrica,
sensores aerotransportados que de modo continuo planificación ambiental y gestión del riesgo, entre
registran información proveniente de la superficie otras.
terrestre. Estos sensores satelitales han facilitado
El desarrollo y mejora de metodologías especí-
avances extraordinarios en el modelado, mapeo
ficas son cada vez más necesarios, sobre todo
y en la comprensión de ambientes marinos y
si se tiene en cuenta la diversidad de sensores y
terrestres. El uso de imágenes satelitales en el
datos disponibles, ya que dan lugar a la posibili-
campo de las ciencias de La Tierra, es cada vez
dad de la optimización de soluciones y por ende
más generalizado, en particular, por la continuidad
de los resultados. Entre las diversas técnicas
espacio-temporal de los datos y la posibilidad de
disponibles para el tratamiento de la información
trabajar en distintos rangos del espectro electro-
satelital, existe una poderosa herramienta que
magnético. Otro aspecto favorable tiene que ver
permite clasificar miles y millones de píxeles de
con la posibilidad de conocer, explorar e investigar
forma automatizada. En caso de que los píxeles
sitios de acceso remoto y/o con climas extremos:
sean derivados a una u otra clase a partir de clases
tal es así que reconocidos programas de monitoreo
patrones conocidas, el procedimiento se denomina
atmosférico, inventario de glaciares, seguimiento
clasificación supervisada. Por el contrario, si las
de erupciones volcánicas, entre otros, tienen como
clases estadísticas tienen origen en el comporta-
base de estudio los datos provenientes de sensores
miento reflectivo de cada píxel sin tener en cuenta
a bordo de plataformas satelitales. A su vez, el
clases modelos, la clasificación se denomina no
desarrollo de los sensores ha estado acompasado
supervisada. Además, existen índices normaliza-
por mejoras en las técnicas de extracción y geo-
dos y cocientes de bandas que facilitan el proceso
procesado de los datos, lo cual ha sido un factor
de clasificación al permitir detectar la presencia
clave para la maximización en el aprovechamiento
o ausencia de una determinada cobertura según
del flujo de datos disponible.
el valor adquirido por el píxel (Tucker y Sellers,
En términos generales, los sensores capaces de 1986).
captar la reflectancia de la superficie terrestre en
Existen numerosos estudios realizados a partir de
diversas longitudes de ondas (o bandas) se deno-
imágenes satelitales como medio para detectar
minan multiespectrales o hiperespectrales, según
diversas cubiertas en superficie (Pérez-González
la cantidad de bandas que contengan. El disímil
et al., 2003; Noyola et al., 2005; Marchionni y
comportamiento espectral de las cubiertas en las
Tessone, 2009; Pérez et al., 2010; Bindschadler
distintas bandas del espectro electromagnético
et al., 2010; Tamouk et al., 2013, entre otros), dan-
(Rejas-Ayuga, 2008), ha permitido avanzar en
do lugar a posteriores y profundas interpretaciones
estudios e interpretaciones antes omitidas por
geoambientales. Así, por ejemplo, la detección y
las imposibilidades de las técnicas tradicionales.
caracterización de litologías en ambientes glacia-
Diversas aplicaciones en el campo de las ciencias
les resulta de gran utilidad como consecuencia del
de La Tierra como, por ejemplo, la detección de mi-
diferencial trabajo erosivo generado sobre el lecho
nerales de interés comercial (Noyola et al., 2005;
rocoso, forjando diversos tipos de geoformas gla-
Pérez et al., 2010), relevamiento de cubiertas de
ciales (Warren y Greene, 1995).
la superficie terrestre y mejora de levantamientos

58 REVISTA DE TELEDETECCIÓN (2016) 46, 57-72

 Identificación y caracterización litológica mediante el uso del sensor ETM+ (Landsat 7). Caso de estudio: entorno […]

El objetivo del presente estudio consiste en la 1.1. Área de estudio

aplicación, análisis y evaluación de técnicas de
El área de estudio se sitúa próxima al extremo
procesado digital de imágenes, aplicadas al sen-
austral del continente Sudamericano y comprende
sor Enhanced Thematic Mapper Plus (ETM+), a
parte de la vertiente atlántica del Campo de Hielo
fin de demarcar y caracterizar las litologías que
Patagónico Sur (CHPS), potente cuenca glaciar
afloran en el entorno del glaciar Upsala, Santa
situada en los Andes Patagónicos Australes. La
Cruz, República Argentina. En una primera etapa
zona limita al norte con el glaciar Viedma, al este
se presenta el procesado digital de la imagen,
con la cuenca alta del río Guanacos, al sur con la
definido por la selección y acondicionamiento de
Península Herminita y al oeste con las cumbres de
las bandas a utilizar; la integración de éstas en un
los cerros Bertacchi, Cono y Murallón (Figura 1).
indicador de desigualdad y finalmente su discreti-
Esta área presenta una historia geológica muy
zación mediante una clasificación no supervisada
rica, caracterizada por la presencia de un com-
definida por el método de cortes naturales. La
plejo vulcano-sedimentario del Jurásico medio
segunda etapa del proceso se caracteriza por a)
en interacción con lutitas y areniscas Cretácicas
la toma de muestras litológicas en campo para
correspondientes a la Cuenca Austral (Kraemer
la vinculación con la clasificación digital; y b)
y Riccardi, 1997). Luego, durante el Mioceno, la
el proceso de validación de la asociación previa
apertura del pasaje de Drake y el emplazamiento
mediante un nuevo muestreo litológico.

Figura 1. El área de estudio (línea sólida color naranja) comprende parte de la vertiente atlántica del Campo de Hielo
Patagónico Sur (CHPS), con límite norte el glaciar Viedma, límite este la cuenca alta del río Guanacos o cordón Masters,
límite sur Península Herminita y oeste las cumbres de los cerros Bertacchi, Cono y Murallón.

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 59

 Lo Vecchio et al.

de la corriente circumpolar (~22 Ma), sumado La escena utilizada (ID: LE72310952001079EDC02; día

al realzamiento final de la cordillera Patagónica 20-03-2001) fue seleccionada teniendo en cuenta
(Rabassa, 1999), se habrían conjugado para dar los siguientes condicionantes: a) la ausencia de
lugar a la génesis del ambiente glaciar patagónico cobertura nubosa y b) que la escena no estuviera
andino. afectada por nevadas recientes que pudieran cubrir
afloramientos rocosos normalmente descubiertos.
Por su parte, el glaciar Upsala es un glaciar de
calving y hielo templado que, en ocasiones, su
frente ingresa en flotación sobre el brazo Upsala 2.2.  Procesado y análisis espectral de
(extremo norte del lago Argentino). Esta circuns- las imágenes
tancia es causa fundamental de su gran retracción,
Para el procesado de los datos se creó un Sistema
con una tasa media de 400 m por año (Skvarca
de Información Geográfica (SIG), el cual permitió
et al., 1995). Como señalan Warren y Greene
procesar en un ámbito virtual georreferenciado. Los
(1995), la geometría del lecho glaciar es clave
softwares utilizados son de dominio libre: gvSIG,
para entender la dinámica y producción de tém-
Quantum GIS y SoPI (www.gvsig.com/es; www.
panos por parte del glaciar. En términos generales,
qgis.org/es/site/ y https://sopi.conae.gov.ar/). El
la tasa de témpanos producidos por el glaciar está
esquema metodológico propuesto de procesado de
en relación directa y lineal con la profundidad del
los datos se detalla en la Figura 2.
cuerpo de agua justo debajo del frente flotante
(Skvarca et al., 2002). La morfometría del actual Selección imagen satelital Muestreo litológico
brazo Upsala se debe fundamentalmente al gran en campo

trabajo erosivo generado antaño por el gran glaciar Correcciones radiométricas

(ND, a RD. CA. CR)
Upsala (que se desarrollaba hacia la zona extra-
andina) sobre litologías comparativamente débiles Eliminación de coberturas sin interés
como las pizarras dominantes en este ámbito.
Índice de Factor Óptimo

2. Datos y Métodos Índice Z

Muestreo Índice Z y clasificación no

2.1. Sensor satelital supervisada

Muestreo litológico y
La familia de satélites Landsat, denominada así a vinculación

partir del segundo lanzamiento en 1975, ha cons-

VALIDACIÓN
tituido el proyecto más fructífero de teledetección
espacial desarrollado hasta el momento (NASA, Figura 2. Esquema metodológico propuesto, donde ND
2015). Las ventajas de la resolución temporal y corresponde a Niveles Digitales, RD a Radiancia, CA a Co-
espacial, ideal para monitorización ambiental a rrecciones Atmosféricas y CR a Reflectancia. Referencias:
escala regional, explican su profuso empleo por rectángulo con vértices curvos hace referencia al inicio de
expertos de en variados campos de aplicación actividades, el punto de partida. Rectángulo con vértices
(Ojeda-Zújar et al., 1994 y González et al., 2007, rectos se refiere a procesos ejecutados, y óvalo: supervisión
del proceso.
entre otros) (Tabla 1).

Tabla 1. Valores de irradiancia solar tomados de Price (1987), tabla adaptada de NASA (2015).
Landsat 7 ETM+
Banda Tipo Resolución (m) E0, k (Wm sr µm )
–2 –1 –1
a0, k a1, k
1 Visible 30 1957 –6.2 0.786
2 30 1829 –6 0.817
3 30 1557 –4.5 0.639
4 IC 30 1047 –4.5 0.635
5 IM 30 219,3 –1 0.128
7 IM 30 74,52 –0,35 0.044

60 REVISTA DE TELEDETECCIÓN (2016) 46, 57-72

 Identificación y caracterización litológica mediante el uso del sensor ETM+ (Landsat 7). Caso de estudio: entorno […]

2.2.1. Correcciones radiométricas Donde: D es el factor corrector de la distancia

Tierra-Sol, Lsen1,k corresponde a los valores de
El objetivo de estas correcciones es convertir los
radiancia corregidos de atmósfera, E0,k es la irra-
valores de Niveles Digitales (ND) a valores de
diancia solar en el techo de la atmósfera para esa
reflectancia, definida como la relación existente
banda del espectro (Tabla 1) y θi el ángulo cenital
entre la energía reflejada e incidente. El primer
del flujo incidente, entre la normal y los rayos
paso consiste en convertir los ND a valores de
solares.
radiancia mediante la ecuación 1:
Lsen,k=a0,k+a1,k×NDk(1) 2.2.2. Eliminación de coberturas sin interés

Donde: Lsen,k corresponde a la radiancia espec- Cada banda de una imagen satelital multi o
tral recibida por el sensor en la banda k (en hiperespectral puede involucrarse en cálculos
Wm–2sr–1µm–1); a0, k y a1, k son los coeficientes de matemáticos con otras semejantes. Desde una
calibración para esa banda (Tabla 1), y NDk se re- perspectiva estadística, valores extremos en una
fiere al ND del píxel de interés de una determinada serie de datos –máximos y mínimos– pueden
banda. generar sesgos o cambios en las medidas de ten-
dencia central y dispersión (Ebdon, 1982). En este
El segundo paso consiste en realizar las correccio-
estudio, superficies como nieve, hielo y agua, en-
nes atmosféricas, debido a que la señal reflejada por
tre otras, abarcan los extremos de reflectancia en
la superficie en cuestión es modificada, en mayor
las bandas analizadas, por lo tanto, pueden generar
o menor medida, al viajar a través de la atmósfera
sesgos estadísticos. Dado que se desea resaltar las
terrestre hacia el sensor. El grado de alteración de
diferencias y similitudes radiométricas existentes
la señal tendrá que ver con las propiedades de la
entre afloramientos, se propone eliminar de la
atmósfera en el momento de la captura. Existen
serie de datos todo valor que no sea de interés
diversos modos de corregir las influencias atmos-
y fundamentalmente que distorsione la serie. Es
féricas de acuerdo a Chuvieco (2007) a saber: a)
por ello que en esta etapa, mediante el uso de
aquellos realizados a partir de medidas in situ, b) a
índices de bandas se detectan superficies no de-
partir de imágenes de otros sensores, c) mediante
seadas (nieve, hielo, agua y vegetación) para ser
modelos físicos de transferencia radiativa y d) a
eliminadas del análisis (Tabla 2 y Figura 3). Otra
partir de datos de la propia imagen. Respecto de
componente eliminada del análisis corresponde a
este último, una posibilidad de conocer la influen-
las zonas con sombra, producto de la interacción
cia o ruido atmosférico es a partir de cubiertas que
de la topografía con la posición del sol en el mo-
deberían presentar una reflectividad nula (métodos
mento de la captura. La distribución de las zonas
basados en el “objeto oscuro”) (Chavez, 1988). El
en sombra se determinó a partir de una simulación
punto de partida del método consiste en suponer
de luminosidad (hillshade) mediante un Modelo
que las áreas cubiertas con materiales de fuerte
Digital del Terreno (SRTM 30 m, http://www2.
absortividad (agua y zonas de sombra) deberían
jpl.nasa.gov/srtm/) y las coordenadas solares del
presentar una radiancia espectral muy próxima a
momento de la captura.
cero. En la práctica, el histograma de los ND de
la imagen siempre presenta un mínimo superior a Tabla 2. Índices y cocientes de bandas utilizados para la
ese valor, el cual es atribuido al efecto de disper- detección y realce de superficies no deseadas. Donde ρirc
sión atmosférica. Por lo tanto, un modo posible de corresponde a los valores de reflectancia en el infrarrojo
corregir las distorsiones causadas por los efectos cercano y ρr a los valores de reflectancia en el rojo; b2, b4
y b5 se refieren a las bandas 2, 4 y 5 de la escena.
atmosféricos es restar a todos los ND de cada
banda el mínimo de esa misma banda, situando el Índice o
origen del histograma en cero. cociente Umbral utili-
de bandas Expresión algebraica zado
Por último, se procede al cálculo de reflectivida- NDVI NDVI= (ρirc-ρr)/ >0,45
des de acuerdo a la ecuación 2: (ρirc+ρr)
D $ r $ L sen1, k NDSI NDSI=(b2–b5)/(b2+b5) 0,3< NDSI <0,9
t$k = (2)
E 0, k $ cos i i NDWI NDWI=(b2–b4)/(b2+b4) 0,4< NDWI
<0,8

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 61

 Lo Vecchio et al.

El principio fundamental que sustenta la discri- mayor en el espectro visible respecto del infrarro-
minación de cubiertas en superficie respecto de jo cercano y medio (Vargas-Gonzáles et al., 2009).
otras es la reflectancia de cada una de éstas en las Ejemplos del uso del NDSI y NDWI pueden en-
diferentes ventanas del espectro electromagnético. contrarse en Dozier (1985) y Jackson et al. (2004)
La integración del comportamiento caracterís- respectivamente. En resumen, la particular reflec-
tico en cada banda define la firma espectral de tividad de cada cubierta en las distintas fracciones
cada cubierta. La identificación de superficies del espectro electromagnético, permite obtener
vegetadas, mediante el Índice de Vegetación de un comportamiento tipo para cada una, haciendo
Diferencia Normalizada (NDVI), está basada en la posible discriminar, identificar y clasificar super-
disímil respuesta de la vegetación sana en el azul ficies (FAO, 2015) (Figura 4).
y el rojo respecto del infrarrojo cercano (IC). En
el azul y el rojo la clorofila es la responsable de 2.2.3. Índice de Factor Óptimo (FIO)
la alta absortividad, mientras que, en el IC es la
En imágenes satelitales de tres o más canales es-
estructura interna de la hoja quien refleja la mayor
pectrales, como es el caso del sensor ETM+, se
parte de la energía (Tucker y Sellers, 1986). Del
pueden realizar combinaciones RGB (Red Green
mismo modo, el Índice de Nieve de Diferencia
Blue) asignando los diferentes canales a los co-
Normalizada (NDSI) y el Índice de Agua de
lores rojo, verde y azul, generando imágenes en
Diferencia Normalizada (NDWI) se sustentan en
color natural y en falso color. Cada composición
el mismo principio espectral que el NDVI. La
mostrará una coloración distinta, la cual está re-
nieve y el hielo presentan una alta reflectividad en
lacionada a la respuesta de la superficie en cada
el rojo (espectro visible) y una alta absortividad
ventana espectral que constituye la composición.
en el infrarrojo cercano y medio. Por su parte, el
Las ternas que se pueden establecer es un pro-
agua muestra una reflectividad comparativamente
blema de análisis combinatorio (Baldor, 1966).

Figura 3. A) Escena Landsat 7 ETM+ clasificada según cubiertas presentes; B) Composición color de la escena.

62 REVISTA DE TELEDETECCIÓN (2016) 46, 57-72

 Identificación y caracterización litológica mediante el uso del sensor ETM+ (Landsat 7). Caso de estudio: entorno […]

Figura 4. Particular comportamiento de las distintas superficies según la fracción del espectro en la que se la analiza. El
círculo discontinuo de color rojo refleja el salto de reflectividad existente entre el espectro visible y el infrarrojo cercano.
Figura extraída de (FAO, 2015).

Diversos estudios geológicos han utilizado la al menos una banda, corresponde a 20 (Noyola-
combinación de bandas en busca de interpreta- Medrano et al., 2005).
ciones, por ejemplo, en el Macizo del Deseado
(Marchionni et al., 2009), Provincia de San Juan 2.2.4. Cálculo Índice Z (IZ)
(Pérez et al., 2010) y México (Mazzoni y Rabassa,
Este índice es un indicador de desigualdad y
2010), entre otros. En gran parte de los casos, la
jerarquización, sin limitación temática y que
selección de bandas se realiza por pruebas empí-
permite integrar los valores de reflectancia de las
ricas o por recomendaciones en publicaciones de
tres bandas seleccionadas por FIO en una sola. La
referencia. Sin embargo, existen procedimientos
utilización de índices para clasificar información
estadísticos (basados en la varianza y coeficiente
radica en la posibilidad de reducir el volumen de
de correlación) capaces de identificar las compo-
datos, trabajar con cifras sintéticas y, además, faci-
siciones de bandas de mayores contrastes. Uno de
litar las comparaciones en el tiempo y el espacio. A
ellos es el que se conoce como Índice de Factor
continuación, se detallan los pasos metodológicos
Óptimo (FIO) (Chávez et al., 1982) y se calcula
de acuerdo a lo establecido por Del Canto-Fresno
mediante la ecuación 3:
(1988):
v 1 + v 2 + v3
FIO = (3)
r(1, 2) + r(1, 3) + r(2, 3) a) Selección de las variables a analizar: las tres
bandas seleccionadas a partir de FIO.
b) Cálculo de la media aritmética y la desviación
Donde: σ1, σ2, σ3 corresponden a la desviación estándar de cada variable.
estándar de cada banda, y r(i, j) al coeficiente de x-x
c) Normalización de las variables: Z = v r
correlación entre las bandas i y j.
Donde: x es el valor de cada píxel, x la media
El valor numérico de FIO nos indicará la calidad
aritmética, y σ la desviación estándar.
de la información entregada por la composición
(Tamouk et al., 2013): mientras mayor sea el valor, d) Evaluación del sentido de la relación de cada
mayor será la cantidad de información disponible. variable: en caso que la variable fuese inversa
En este trabajo, se utilizaron las bandas 1, 2, 3, al tema general considerado debe invertirse
4, 5 y 7, por lo que el número de combinaciones el signo de los resultados de esa variable. Por
C que se pueden formar a partir de las 6 bandas ejemplo, si se estuviera aplicando el índice Z en
incluidas (tomadas en grupos de 3) y asegurando busca de un indicador de Salud estructural de
que todas las combinaciones se diferencien en un glaciar, y una de las variables incorporadas

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 63

 Lo Vecchio et al.

fuese la temperatura superficial de éste, se su- imagen un área compuesta por 25 o más píxeles. A
pone que a mayores temperaturas (próximas al continuación, se geoposicionaron los afloramien-
punto de fusión) menor será la salud estructural tos muestreados respecto del IZ, lo que permitió
del glaciar. Así, a los valores de temperatura conocer el rango de IZ en el que cada tipología de
obtenidos una vez normalizados, se le debiera roca aparece y ajustar la clasificación inicial.
anteponer el signo negativo. Para este caso en
Una vez ajustado el modelo de distribución de
particular las relaciones son positivas por lo
litologías se procedió a su validación mediante
que los valores obtenidos permanecen sin mo-
un nuevo muestreo litológico, en 16 nuevos
dificaciones de signo.
afloramientos, bajo idénticas condiciones del
e) Suma algebraica de los valores normalizados caso anterior (Figura 5). Cada muestra lítica fue
correspondientes a cada unidad de análisis o posicionada espacialmente en el SIG, evaluando
píxel (µ). el grado de coincidencia entre lo predicho por el
modelo de distribución de litologías y la realidad.
f) Cálculo del Índice Z: Ind Z=μ·n–1
La Figura 5 muestra la distribución de los puntos
Donde: µ corresponde a la sumatoria de los va-
de muestreo para la asociación IZ-litologías y
lores normalizados para cada píxel y n equivale
para el proceso de validación. La mayor parte se
al número de variables consideradas, es decir 3.
realizaron en las proximidades del glaciar Upsala
2.2.5. Muestreo del índice Z y clasificación no debido al principal interés por este sector: diversos
supervisada estudios planteados a futuro buscan arrojar luz
sobre las causas de la dinámica particular de éste
Una vez obtenida la imagen IZ se le aplicó un glaciar. No obstante, a fin de ampliar el área de
muestreo puntual y aleatorio, en 408 sitios, a fin análisis se decidió incluir algunos sitios próximos
de construir un histograma que refleje los valores al glaciar Viedma, sobre todo por la gran exten-
adoptados por cada uno de los píxeles revisados. sión de ciertos afloramientos.
La clasificación no supervisada se realizó me-
diante el método de cortes naturales o algoritmo 3. Resultados
de Jenks (Jenks, 1967). Éste, permite establecer
las zonas de corte a partir de los saltos gráficos
3.1. Eliminación de coberturas sin
existentes (Ebdon, 1982), íntimamente vinculados
al comportamiento espectral de cada cubierta.
interés

2.2.6. Muestreo litológico en campo, vinculación La eliminación de las coberturas sin interés se ve

y validación reflejada en términos estadísticos: la Figura 6 com-
para las bandas originales (incluye cubiertas no
Esta etapa del proceso resulta significativa debi- deseadas) con las bandas modificadas, exponiendo
do a que se produce la vinculación de los datos que los valores medios originales tienden a ser su-
IZ con los levantamientos litológicos de campo, periores a los respectivos de las bandas trabajadas;
lo cual da lugar a la construcción del modelo de esto último vinculado a la presencia de valores
distribución de litologías. Otro aspecto importante extremos en reflectancia (nieve y hielo; agua y
de esta etapa es la evaluación de confiabilidad de sombras) que influyen el valor final de ésta. Otro
la clasificación: la precisión de un proceso de cla- aspecto a resaltar, es el que tiene que ver con la
sificación se refiere al grado de concordancia entre desviación estándar: en las bandas recortadas los
las clases de la imagen y un conjunto de datos de valores asumidos por la desviación son comparati-
referencia (Congalton y Green, 1999). vamente menores (en ocasiones hasta 2 veces más
pequeños) respecto de los originales; estas meno-
El trabajo de vinculación de la clasificación no
res variaciones de la muestra entorno a la media
supervisada y las litologías reconocidas en campo
permite lograr una mayor expansión del contraste
se realizó mediante un muestreo de 10 afloramien-
al momento de la visualización en un ambiente
tos rocosos, bajo la condición de que tuvieran una
SIG, por lo tanto una mejor discriminación gráfica
superficie mayor o igual a 22,5 km2, es decir, que
de diferencias espectrales menores.
cada afloramiento relevado en campo significara en

64 REVISTA DE TELEDETECCIÓN (2016) 46, 57-72

 Identificación y caracterización litológica mediante el uso del sensor ETM+ (Landsat 7). Caso de estudio: entorno […]

Figura 5. A) Relevamiento de campo de 10 afloramientos utilizados para vincularlos con la clasificación no supervisada,
B) relevamiento de campo de 16 nuevos afloramientos destinados a valorar la precisión de la clasificación; y C) vulcanitas
estratificadas exponentes del Complejo El Quemado.

3.2. Índice FIO
La aplicación del índice FIO arrojó que la
composición 541 es la que mayor información
aporta; mientras que en segundo y tercer lugar
se encuentran las combinaciones 542 y 543, res-
pectivamente. El binomio banda 5 - banda 4 es
constante en las tres composiciones líderes,
variando únicamente la banda asociada al es-
pectro visible (Tabla 3). En sentido opuesto, la
composición 321 (composición color) es la menos
informativa. En esta última composición las tres
Figura 6. Comparación en términos estadísticos entre ban- bandas en cuestión corresponden al espectro vi-
das originales y bandas con sustracción de superficies no sible, lo cual difiere notablemente respecto de las
deseadas. Línea sólida de color negro (Media) correspon- combinaciones mejor posicionadas que tienen una
de a los valores medios en las bandas originales, la línea dominancia de bandas en el infrarrojo cercano y
discontinua de color negro (Desv. Est.) a la desviación es-
tándar para cada banda original, la línea sólida de color
de medio. Esto sugiere que es en esta fracción del
gris (Media R.) a los valores medios en las recortadas y, espectro donde mayores contrastes, por lo tanto
finalmente, la línea discontinua de color gris (Desv. Est. R) información útil, existen para este caso. En térmi-
correspondiente a la desviación estándar para las bandas nos comparativos y según los resultados del índice
recortadas

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 65

 Lo Vecchio et al.

Tabla 3. Ranking de combinaciones –más informativas– a las cuales dan cuenta de la presencia de diversas
partir del índice FIO. La composición 541 es la que mayor superficies reflectoras. El procedimiento de cortes
información aporta, por lo tanto, corresponde al 100%. Así, naturales como método de discretización de la
el valor de índice FIO obtenido por cada composición se
compara con la composición líder (541) a fin de obtener sus
información aseguró una buena homogeneidad
valores relativos respecto de ésta. al interior de cada clase y heterogeneidad entre
Orden Composición FIO % clases. Así, la clasificación de la serie estadística
1 541 0.15476564 100 incorporó todos aquellos quiebres gráficos re-
2 542 0.15422859 99.65 presentativos, dando lugar a la discriminación de
3 543 0.15319568 98.99 9 clases espectrales (Tabla 4).
4 754 0.14108946 91.16
Tabla 4. Clases espectrales generadas a partir del procedi-
5 531 0.13859795 89.55 miento de cortes naturales.
6 532 0.13846947 89.47
Clase Intervalo
7 521 0.13820546 89.3
1 [–1,28702 - –0,86414)
8 741 0.13632403 88.08
2 [–0,86414 - –0,72960)
9 752 0.13621103 88.01
3 [–0,72960 - –0,41265)
10 742 0.13618345 87.99
4 [–0,41265 - –0,2503)
11 751 0.13593754 87.83
5 [–0,2503 - 0,01884)
12 743 0.13563915 87.64
6 [0,01884 - 0,58424)
13 753 0.13447597 86.89 7 [0,58424 - 1,47684)
14 732 0.11875546 76.73 8 [1,47684 - 2,12864)
15 731 0.11854532 76.6 9 [2,12864 - 3,2498)
16 721 0.11784622 76.14
17 432 0.11188516 72.29
18 431 0.08998959 58.15
19 421 0.08892718 57.46 3.4. Muestreo litológico en campo y
20 321 0.07346577 47.47
vinculación

El contraste entre las clases por cortes naturales

FIO para este estudio, la composición 321 aporta
y la distribución espacial de las muestras litoló-
menos del 50% de la información que puede entre-
gicas sugirió unificar clases iniciales a causa de
gar la composición 541.
que idénticas muestras litológicas se correspon-
dían con una o dos clases del IZ. De este modo,
3.3. Índice Z y clasificación no se reclasificó la serie y se llegó a cuatro grandes
supervisada clases: A, B, C y D (Tabla 5) (Figura 8). En efecto:
A) Pizarras 1: originalmente pelitas de color gris
La integración de los valores de reflectancia de
oscuro, masivas, con alternancias de areniscas
las tres bandas utilizadas en un solo indicador
gris verdoso (Formación Cerro Toro). En ellas
permitió trabajar con una serie estadística de única
se han identificado varios niveles portadores de
dimensión capaz de mostrar los saltos espectrales
fauna asignados al Cretácico superior (Kraemer
existentes. La Figura 7A ilustra los resultados tras
y Riccardi, 1997); B) Pizarras 2: inicialmente
aplicar el índice Z, observándose un claro predo-
minio de valores de índice menores a 2, indicando,
a priori, la supremacía de una tipología lítica. La
Tabla 5. Asociaciones entre clases espectrales y muestreo
Figura 7B muestra los 408 puntos de muestreo del de campo.
índice Z utilizados para la posterior construcción
del histograma. Una vez extraídos los datos del Asociación espectral y muestras de campo
índice en forma puntual, fueron ordenados en Clasif. No
sentido creciente a fin de segmentar la imagen y supervisada Reclasificación Litología
agrupar los píxeles con comportamiento similar. 1y2 A Pizarras 1
3y4 B Pizarras 2
Un primer análisis del histograma (Figura 8) 5y6 C Vulcanitas
muestra diferencias de valores y tasas de variación, 7, 8 y 9 D Vulcano-Sedimentarias

66 REVISTA DE TELEDETECCIÓN (2016) 46, 57-72

 Identificación y caracterización litológica mediante el uso del sensor ETM+ (Landsat 7). Caso de estudio: entorno […]

Figura 7. A) Resultados obtenidos al aplicar el Índice Z a la composición 541. Posteriormente, B) se realizó un muestreo
aleatorio en imagen de 408 puntos.

pelitas laminadas de color gris oscuro a negro con

fisilidad marcada y abundantes bancos calcáreos
intercalados de color pardo rojizo. Además, se
caracterizan por presentar una abundante fauna
de cefalópodos correspondientes a distintos pi-
sos del Cretácico inferior, siendo la Formación
de referencia Río Mayer (Kraemer y Riccardi,
1997) (Richiano et al., 2012). Con el comienzo
–a estas latitudes– de la subducción en el margen
occidental de la placa Sudamericana, tanto A
como B comenzaron a sufrir la acción de fuerzas
de compresión que las condujeron a una paulatina Figura 8. Distribución de los valores adoptados por los
metamorfización de bajo grado. píxeles muestreados. Para el correcto análisis se ordena-
ron de forma creciente de modo de agrupar todos aquellos
Por otro lado, Riccardi (1971) y Nullo et al.
píxeles con similar comportamiento. Una vez hecho esto,
(1978) reconocen dos subunidades o miembros se procedió a la clasificación no supervisada mediante el
informales del Complejo vulcano-sedimentario procedimiento de cortes naturales, el cual arrojó 9 clases
El Quemado C) subunidad inferior de naturaleza iniciales (línea punteada). Posteriormente, una nueva cla-
volcánica compuesta de andesitas, dacitas y rioda- sificación derivada de la vinculación con muestras litológi-
citas, aglomerados volcánicos andesíticos y tobas cas de campo arrojó 4 clases generales: A, B, C y D (línea
discontinua).

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 67

 Lo Vecchio et al.

mesosilicicas y D) subunidad superior piroclástica 3.5. Validación

compuesta de areniscas volcánicas y tufáceas,
El uso de clasificaciones no supervisadas en
tobas vítreas y cristalovítreas, tufitas e ignimbritas
busca de diferencias espectrales requiere de un
dacitas de tonos claros, pardo amarillento blan-
suficiente trabajo de campo a fin de ajustar lo
quecino (Kraemer y Riccardi, 1997).
mejor posible el modelo de distribución espectral
con la realidad. Del total de los 16 afloramientos
En términos espectrales las clases A y B poseen
muestreados para la validación de la clasificación,
mucha similitud, al punto de confundirse en
se obtuvo que 13 de ellos se correspondieron con
algunos sitios. Esto se debe fundamentalmente
la clasificación propuesta, es decir, un 81.25%
al parecido composicional y granulométrico, a
(Tabla 6). Como bien sugieren los resultados,
excepción de las areniscas grisáceas presentes
existe un porcentaje de error lo cual es lógico si
en aquellas vinculadas a la Formación Cerro
se contempla que la clasificación espectral estu-
Toro. Por su parte, las clases C y D, asociadas al
vo basada en el uso de tres bandas, dejando así
Complejo El Quemado, muestran un rango en el
grandes segmentos del espectro sin cubrir, por lo
índice Z mayor que el de cualquier otra clase, esto
tanto, con incertidumbre. Además, otra fuente de
tiene que ver con la diversidad en composición de
ambigüedad se debe a que distintas Formaciones
las litologías presentes (Figura 9).
geológicas están compuestas por litologías si-
milares (composición, textura, color, etc.) y por

Figura 9. Litologías detectadas en superficie.

68 REVISTA DE TELEDETECCIÓN (2016) 46, 57-72

 Identificación y caracterización litológica mediante el uso del sensor ETM+ (Landsat 7). Caso de estudio: entorno […]

ende con un comportamiento espectral similar. validación de estos estudios a partir de toma de
Por último, otro elemento capaz de introducir datos en terreno.
incertidumbre tiene que ver con la resolución es-
La metodología propuesta para la detección de li-
pacial de las imágenes (30 m), en donde el valor
tologías, a través del análisis digital de imágenes,
adoptado por cada píxel es consecuencia de la
proveyó de valiosos resultados. El uso del índice
reflectancia de las distintas superficies captadas
FIO resulta muy útil para poder seleccionar la
por cada píxel. Por lo tanto, en zonas donde hay
combinación de bandas óptima con un criterio
heterogeneidad de superficies, la clasificación
estadístico. Una elección inadecuada puede
puede mostrar distorsiones.
conducir a una pérdida considerable de la infor-
Tabla 6. Resultados del cruce de datos entre el muestreo mación obtenida (Tamouk et al., 2013), pudiendo
de validación (columnas) y la clasificación propuesta. Del alcanzar hasta un 50% menos de información
total de los 16 afloramientos muestreados para la valida- provista por una combinación respecto de otra.
ción de la clasificación se obtuvo que 13 de ellos se corres- La posterior aplicación del Índice Z dio la oportu-
ponden con la clasificación propuesta, es decir, un 81,25%.
nidad de integrar diversas dimensiones en un solo
Vulcano-sedi- valor, a la vez que permite involucrar al análisis,
  Pizarras 1 Pizarras 2 Vulcanitas mentarias si así fuera necesario, tantas bandas como se
A 5 1     deseen, lo cual lo diferencia notablemente de las
B 1 3     tradicionales composiciones RGB constituidas
C     4   por 3 bandas.
D     1 1
Los mayores desafíos surgieron por la diversidad
La Tabla 6 es el resultado del cruce de datos de cubiertas presentes más allá de las litologías
entre el muestro en campo (columnas) y la cla- (nieve y hielo, agua, bosque, estepa arbustiva).
sificación propuesta (filas). De este modo, 5  de La heterogeneidad de cubiertas en una superficie
las 6 muestras tomadas en campo de Pizarras pequeña puede distorsionar los valores adopta-
1  se corresponden cartográficamente con la cla- dos por cada píxel, como así también afectar la
se A; por su parte, de las 4 muestras de campo reflectancia de los píxeles vecinos (Paruelo et al.,
de Pizarras 2, 3 se corresponden correctamente 2014). En términos estadísticos, los resultados
con la clase B, mientras que las muestras de son más fiables en sectores donde una misma cu-
vulcanitas se corresponden en 4 de 5 muestras. bierta se extiende en una superficie considerable,
Por último, la toma correspondiente a litologías ya que la muestra tiende a normalizarse. Según
vulcano-sedimentarias se asoció adecuadamente Noyola-Medrano et al. (2005) estas desviaciones
con la clase D. derivadas de la heterogeneidad de superficies
disminuyen considerablemente en regiones áridas
4. Discusión y Conclusiones donde las cubiertas vegetales, nivales y glaciales
pueden ser escasas o nulas.
El uso de imágenes satelitales para la identifica-
La fase de validación de la clasificación arroja
ción de superficies es, sin duda, una herramienta
un 82% de fiabilidad, lo cual resulta alentador te-
con un gran presente y un futuro prometedor. La
niendo en cuenta la fiabilidad obtenida en trabajos
posibilidad de la observación remota en distintas
como el de Noyola-Medrano et al. (2005) con el
frecuencias, permite distinguir con gran precisión
79% y Arango-Gutiérrez et al. (2005) con el 91%.
las diversas cubiertas presentes en la superficie
A su vez, estas comparaciones también resultan
terrestre, analizar la variabilidad temporal de los
relativas, debido a que en los tres trabajos en
parámetros espectrales y generar bancos de datos
cuestión las características ambientales y por lo
para trabajos futuros.
tanto de coberturas presentes son distintas. Por
En términos de escala espacial, las imágenes otro lado, la fiabilidad de la distribución espacial
Landsat 7 resultan útiles para mapeos o moni- de las litologías detectadas con estas técnicas se
toreos regionales. Además, la escala de trabajo reconfirma por la similitud existente con el mapa
y la resolución espacial provista por este sensor geológico confeccionado por Kraemer y Riccardi
mejora cualquier muestreo de campo posible. (1997) mediante trabajo de campo y perfiles
Resulta necesario destacar la importancia de la sísmicos.

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 69

 Lo Vecchio et al.

En términos ambientales, los resultados muestran Congalton, R.G., Gree, K. 1999. Assessing the Accuracy
la gran dominancia de pizarras en el entorno del of Remotely Sensed Data: Principles and Practices.
glaciar Upsala en detrimento de otras litologías. Boca Raton, FL: Lewis Publishers, pp. 160.
Esta situación es un elemento clave para entender Coronato, A., Borromei, A., Rabassa, J. 2014.
la geomorfología actual del área bajo estudio. La Paleoclimas y Paleoescenarios en la Patagonia
baja dureza y la fácil remoción de las pizarras ha Austral y en Tierra del Fuego durante el Cuaternario.
dado lugar a un amplio valle glacial, el cual se ha- Boletín Geográfico-Universidad Nacional del
bría ensanchado hasta tanto no se hizo presente el Comahue, 30, 18-28.
cordón subandino al este (Figura 1), caracterizado Del Canto-Fresno, C. 1988. Trabajos prácticos de
geografía humana. En C. Del Canto-Fresno,
por la alta frecuencia de vulcanitas del Complejo
Trabajos prácticos de geografía humana (págs. 29-
de El Quemado (CEQ). Finalmente aclarar que 39; 140-146). Editorial Sintesis.
la concentración de vulcanitas en los faldeos de
los cerros Bertacchi, Cono y Murallón deriva de Dozier, J. (1984). Snow reflectance from Landsat-4
depósitos glacigénicos. thematic mapper. Geoscience and Remote Sensing,
IEEE Transactions on, 22(3), 323-328. http://
dx.doi.org/10.1109/TGRS.1984.350628
Agradecimientos Ebdon, D. 1982. Estadística para Geógrafos.
Se agradece el apoyo y soporte de Adalberto Barcelona: Oikos-tau.
Ferlito, Esteban Lannutti, Marcelo Durand, FAO. 2015. Food And Agriculture Organization of the
Roberto Bruce y Daniel Falaschi. También, United Nations. Recuperado el 30 de Junio de 2015,
a Parque Nacional “Los glaciares”, seccional de Food And Agriculture Organization of the United
Nations: http://www.fao.org/docrep/003/t0446s/
Punta Bandera y Chaltén por su buena voluntad
T0446S04.htm
para colaborar en trabajos de campo y gestión
Feruglio, E. 1938. El Cretácico superior del Lago San
de permisos. El estudio fue financiado mediante Martín (Patagonia) y de las regiones adyacentes.
los proyectos de AGENCIA PICT2921-2012  y Physis, 12, 293-349.
PICT1995-2013.
Folguera, A., Ramos, V. 2002. Los efectos producidos
por la aproximación, colisión y subducción de
Referencias dorsales pacíficas en los Andes Patagónicos. Acta
geológica hispánica, 37, 329-353.
Arango-Gutiérrez, M., Branch-Bedoya, J., Botero-
Fernández, V. 2005. Clasificación no supervisada González, M., Carreño-Conde, F., De Pablo, M.A.
de coberturas vegetales sobre imágenes digitales 2007. Aplicación de imágenes Landsat (tm y etm+)
de sensores remotos: Landsat-ETM+. Revista en estudios geoestructurales en el NO del macizo
Facultad Nacional de Agronomía Medellín. 58(1), ibérico. Cuadernos Lab. Xeolóxico de Laxe Coruña,
2611-2634. 32, 47-62.
Baldor, A. 1966. Álgebra. Madrid: Mediterráneo. Jackson, T., Chen, D., Cosh, M., Li, F., Anderson, M.,
Walthall, C., Doriaswamy, P., Hunt, E.R. 2004.
Bindschadler, R., Scambos, A., Choi, H., Haran, T.M.
Vegetation water content mapping using Landsat
2010. Ice sheet change detection by satellite image
differencing. Remote Sensing of Environment, data derived normalized difference water index for
114, 1353-1362. http://dx.doi.org/10.1016/j. corn and soybeans. Remote Sensing of Environment
rse.2010.01.014 92(4), 475-482. http://dx.doi.org/10.1016/j.
Chavez, P. S., Berlin, G. L., Sowers, L. B. 1982. rse.2003.10.021
Statistical method for selecting Landsat Jenks, G. F. 1967. The Data Model Concept in Statistical
MSS ratios. Journal of applied photographic Mapping. International Yearbook of Cartography,
engineering,8(1), 23-30. 7, 186-190.
Chavez, P. 1988. An improved dark-object subtraction Kraemer, P.E., Riccardi, A.C. 1997. Estratigrafía de
technique for atmospheric scattering correction of la región comprendida entre los lagos Argentino
multispectral data. Remote Sensing of Environment, y Viedma (49° 40’-50° 10’ lat. S), Provincia de
24(3), 459-479. http://dx.doi.org/10.1016/0034- Santa Cruz. Revista de la Asociación Geológica
4257(88)90019-3 Argentina, 52(3), 333-360.
Chuvieco, E. 2007. Teledetección Ambiental. La Lencinas, J., Siebert, A. 2009. Relevamiento de bosques
observación de la Tierra desde el espacio. con información satelital: Resolución espacial y
Barcelona: Ariel. escala. Quebracho, 17(1,2), 101-105.

70 REVISTA DE TELEDETECCIÓN (2016) 46, 57-72

 Identificación y caracterización litológica mediante el uso del sensor ETM+ (Landsat 7). Caso de estudio: entorno […]

Lenzano, M. G., Lannutti, E., Toth, C., Lenzano, Pérez, D., D’Odorico-Benites, P., Godeas, M. 2010.
L., Lo Vecchio, A. 2014. Assessment of ice-dam Reconocimiento de alteración hidrotermal con el
collapse by time-lapse photos at the Perito Moreno sensor Aster, en el curso medio del río Santa Cruz
glacier, Argentina. ISPRS Technical Commission (31°40’S), Provincia de San Juan. Revista de la
I Symposium, Sustaining Land Imaging: UAVs to Asociación Geológica Argentina, 623-633.
Satellites. Denver, Colorado. Ponce, J., Rabassa, J., Serrat, D., Martínez, O. 2013.
Marchionni, D., Tessone, M. 2009. Cartografía El campo de Drumlins, Flutes y Megaflutes de lago
geológica y reconocimiento de áreas de alteración Viedma, Pleistoceno tardío, Provincia de Santa
hidrotermal con imágenes LANDSAT-TM en el área Cruz. Revista de la Asociación Geológica Argentina,
de La Manchuria, Macizo del Deseado, Patagonia 70(1), 115-127.
Argentina. Anais XIV Simpósio Brasileiro de Rabassa, J. 1999. Cuaternario de la Cordillera
Sensoriamento Remoto, 3269-3276. Natal, Brasil. Patagónica y Tierra del Fuego. En R. Caminos,
Mazzoni, E., Rabassa, J. 2010. Inventario y clasificación Geología Argentina (pp. 710-714). Buenos Aires:
de manifestaciones basálticas de Patagonia mediante Servicio Geológico Minero Argentino.
imágenes satelitales y sig, Provincia de Santa Cruz.
Ramos, V. 1981. Descripción Geológica de la hoja 47
Revista de la Asociación Geológica Argentina,
a b, Lago Fontana, Provincia del Chubut. Boletín
66(4), 608-618.
Servicio Geológico Nacional, 183.
Mpodozis, C., Ramos, V. 2008. Tectónica jurásica en
Argentina y Chile: extensión, subducción oblicua, Rejas-Ayuga, J. 2008. Módulo VII: Sistemas de
rifting, deriva y colisiones?. Revista de la Asociación Información Geográfica y Teledetección. Master en
Geológica Argentina, 63(4), 481-497. Ingeniería Medioambiental y gestión del agua. EOI
Escuela de Negocios. 1-34.
Naruse, R., Skvarca, P. 2012. Processes of failure and
collapse of an ice-dam at Glaciar Perito Moreno, Riccardi, A. C. (1971). Estratigrafía en el oriente de la
Patagonia, in March 2004. Glaciological and Bahía de la Lancha, lago San Martín, Santa Cruz,
Geomorphological Researches in Patagonia: 2003- Argentina. Universidad Nacional de La Plata.
2009, 175-179. Richiano, S., Varela, A., Cereceda, A., Poiré, D. 2012.
National Aeronautics and Space Administration
Evolución Paleoambiental de la formación Río
(NASA). 2015. Landsat 7 Science Data Users
Mayer, Cretácico Inferior, Cuenca Austral, Provincia
Handbook. Recuperado de: http://landsathandbook.
de Santa Cruz, Argentina. Latin American Journal
gsfc.nasa.gov/pdfs/Landsat7_Handbook.pdf
Sedimentology and Basin Analysis , 19(1), 3-26.
Noyola-Medrano, M. C., Hinojosa-Corona, A., Barajas, Skvarca, P., Satow, K., Naruse, R., Leiva, J. 1995.
A. M. 2005. Caracterización litológica de regiones Recent thinning, retreat and flow of Upsala Glacier,
desérticas mediante técnicas de percepción remota: Patagonia. Bulletin of Glacier Research, 13, 11-20.
un ejemplo en la franja costera central de baja
Skvarca, P., De Angelis, H., Naruse, R., Warren, C.
California, México. Revista mexicana de Ciencias
Aniya, M. 2002. Calving rates in fresh water:
Geológicas, 22, 229-245.
new data from southern Patagonia. Annals
Nullo, F., Panza, J. L., Blasco, G. 1999. Geología
of Glaciology, 34(1), 379-384. http://dx.doi.
Argentina. 530. Buenos Aires: Servicio Geológico
org/10.3189/172756402781817806
Minero Argentino.
Suárez, M., De la Cruz, R. 2001. Jurassic to Miocene
Ojeda-Zújar, J., Fernández-Palacios Carmona, A., K-Ar dates from eastern central Patagonian
Moreira-Madueño, J. M. Sánchez-Rodríguez, E. Cordillera plutons, Chile (45°-48°S). Geological
1994. Programa de seguimiento de la calidad y Magazine, 138(1), 53-66. http://dx.doi.org/10.1017/
dinámica del espacio marino y litoral a través de S0016756801004903
imágenes de satélite. Revista de Teledetección, 3, Tamouk, J., Lotfi, N., Farmanbar, M. 2013. Satellite
1-7. image classification methods and Landsat 5TM
Paruelo, J. M., Di Bella, C., Mikovic, M. 2014. Bands. arXiv preprint, arXiv:1308.1801.
Percepción remota y sistemas de información
Thomas, C. R. 1949. Geology and Petroleum
geográfica. Sus aplicaciones en Agronomía y
Exploration in Magallanes Province, Chile.
Ciencias Ambientales. Ciudad autónoma de Buenos
American Association Petroleum Geologists , 33(9),
Aires: Hemisferio Sur S.A.
1553-1578.
Pérez-González, M., García-Rodríguez, P., Guerra-
Zaballos, A. 2003. Análisis del clima urbano a partir Tucker, C. J., Sellers, P. J. 1986. Satellite remote sensing
de imágenes de satélite en el centro peninsular of primary production. International Journal of
español. Anales de Geografía de la Universidad Remote Sensing, 7(11), 1395-1416. http://dx.doi.
Complutense, 23, 187-206. org/10.1080/01431168608948944

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 71

 Lo Vecchio et al.

Vargas-Gonzáles, C., Villon-Reinoso, C., Pasapera-

Gonzáles, J. 2009. Comparación de Técnicas para
el Mapeo de Cobertura Glaciar con Imágenes
LANDSAT y ASTER en la Cordillera Blanca,
Ancash, Perú. Anais XIV Simpósio Brasilleiro de
Sensoramento Remoto (pp. 25-30). Natal: INPE.
Warren, C., Greene, D. 1995. Glaciar Upsala, Patagonia:
rapid calving retreat in fresh water. Annals of
Glaciology, 21, 1-6.
Willis, M., Melkonian, A., Pritchard, M., Rivera, A.
2012. Ice loss from the Southern Patagonian Ice
Field, South America, between 2000 and 2012.
Geophysical research letters, 39(17), 1-6. http://
dx.doi.org/10.1029/2012GL053136

72 REVISTA DE TELEDETECCIÓN (2016) 46, 57-72