CAPTULO X

ESPIANDO LAGUNAS CON SATLITES. LOS

COLORES DELATAN SU ESTRUCTURA
ROSANA FERRATI, ROSANA CEPEDA , CLAUDIA MARINELLI, FEDERICO DUKATZ
Y G RACIELA CANZIANI

1. Introduccin
El estado trfico de las lagunas pampeanas es naturalmente eutrfico y estara
potenciado por el aporte de nutrientes provenientes del uso del suelo en las cuencas
rurales y de vuelcos cloacales e industriales sin tratamiento, en las cuencas urbanas.
Sumado al aporte extra de nutrientes, las lagunas estn afectadas por periodos
de inundaciones y sequas que afectan el volumen de agua y por la accin de
mezclado del sedimento provocado por el viento, lo cual deriva en variaciones
bruscas de concentracin de sales, disminucin en la penetracin de la luz por
turbidez y reduccin de oxgeno en la columna de agua. Dentro de esta generalidad,
las lagunas presentan estadios de aguas claras y turbias, en funcin del
contenido de biomasa fitoplanctnica, presencia de macrfitas y concentracin
de slidos inorgnicos en suspensin (Scheffer, 2004).
Se denominan lagunas claras o lagunas en estadio de aguas claras a las que
poseen mayor transparencia y, por ende, mayor profundidad en la penetracin de
la luz, lo cual permite el desarrollo de macrfitas sumergidas en gran parte o toda
su cubeta, en desmedro de la biomasa algal. Se observa en estas lagunas una
dominancia de peces relacionados con el bafon, comunidad de plantas sumergidas,
que facilita la accin de predadores visuales.
Las lagunas turbias o lagunas en estadios de aguas turbias, se caracterizan
por el aumento de biomasa de todas las comunidades pelgicas (Quirs, 2002)
debido a una mayor disponibilidad de nutrientes que son captados por el
fitoplancton en detrimento de las macrfitas.
Sumado a lo anterior, se observan diferentes estados trficos en funcin de la
relacin de concentraciones de material orgnico e inorgnico en suspensin. Por
ello se consideran lagunas verdes y lagunas marrones. En las denominadas lagunas
verdes, la turbidez del agua es ocasionada principalmente por la presencia de
biomasa fitoplanctnica, en tanto las llamadas lagunas marrones son aquellas
que se caracterizan por una mayor concentracin de partculas inorgnicas en
suspensin provenientes del sedimento por accin del viento o del suelo
circundante por razones naturales o debido al manejo de la cuenca.
En el presente captulo se plantean diferentes mtodos y tcnicas que permiten
clasificar las lagunas en funcin de su estado de turbidez, que a su vez define
distintas cadenas trofodinmicas, tal lo presentado en el captulo I. El anlisis
estadstico realizado en el captulo III permiti establecer una categorizacin de las
lagunas a partir de los datos obtenidos en las campaas; en este captulo se
implementan diferentes mtodos para poder clasificar los cuerpos de agua
continentales utilizando informacin slo proveniente de imgenes de satlites (Brivio
et al., 2001; Pozdnyakov et al., 2003; Nelson et al., 2003; Chipman et al., 2004).
El empleo de los modelos propuestos, Spectral Unmixing y Red Neuronal
Artificial, permite obtener dos clasificaciones de las lagunas que brindan

129
Espejos en la Llanura. Nuestras lagunas de la Regin Pampeana, C APTULO X, ROSANA FERRATI ET AL., 2008

informacin cualitativa y cuantitativa, as como un sistema que posibilita el

seguimiento en el tiempo de caractersticas de inters de los ambientes acuticos.

2. Clasificacin de las lagunas empleando imgenes satelitales

2.1. Tcnica Spectral Unmixing

A travs de la Comisin Nacional de Actividades Espaciales (CONAE) se
obtuvieron 16 imgenes satelitales que incluyen las 10 lagunas seleccionadas
mencionadas en el captulo II y que coinciden con el perodo de toma de muestras
y anlisis de laboratorio.
Sobre las imgenes de reflectancia en superficie obtenidas, se recortaron los
cuerpos de agua usando la metodologa descripta en el captulo anterior. Se obtuvo
la firma espectral de cada una de las lagunas para cada fecha (figura X.1), logrando
en total una muestra de 33 casos. En esta figura, la firma espectral resaltada en
color negro con mayor grosor, corresponde a la laguna La Brava, considerada
clara por sus valores mnimos de slidos y clorofila-a y mximo de lectura de
disco de Secchi; las resaltadas en lneas punteadas corresponden a la laguna Del
Estado, en condiciones mximas de concentracin de clorofila-a y slidos y con
valores mnimos de distancia de disco de Secchi.
Las mayores diferencias observadas se encuentran en las bandas 2 y 4,
correspondiendo la primera al espectro visible y la segunda al infrarrojo cercano.
Con estas bandas como datos de entrada, se aplic el mtodo Spectral Unmixing
el cual, a partir de firmas espectrales caractersticas de cada uno de los objetos
que se quiere clasificar, encuentra el porcentaje de presencia de cada uno en el
pxel analizado. Este mtodo, sustentado matemticamente, toma en este caso
las firmas espectrales de las lagunas consideradas extremas y permite separar en
porcentajes de turbidez el resto de las lagunas analizadas (Svab et al., 2005; Tyler
et al., 2006).
Se realiz sobre los resultados mencionados una distribucin de frecuencias
obtenindose cuatro categoras numeradas de 1 a 4 en orden creciente de turbidez
(tabla X.1, columna 4).

Figura X.1. Firmas espectrales de las lagunas La Barrancosa, Quilla Lauquen, San Antonio, La Salada,
El Chifle, Del Estado, La Brava y El Paraso de cada fecha de muestreo.

130
 Espiando lagunas con satlites. Los colores delatan su estructura

LAGUNA FECHA CLASIFICACIN

dd-m-ao
% Turbidez Clase segn Clase segn
utilizando datos de las datos de
bandas 2 y 4 imgenes campo
Del Estado 04-03-05 0,792 4 3 (3V)
Del Estado 07-05-05 0,877 4 4 (3MV)
Del Estado 08-06-05 0,924 4 4 (3MV)
Del Estado 12-09-05 0,832 4 4 (3MV)
Del Estado 14-10-05 0,866 4 4 (3MV)
El Chifle 22-04-05 0,589 2 2 (2MV)
El Chifle 11-07-05 0,628 3 3 (2MV)
El Chifle 13-09-05 0,637 3 3 (3V)
El Chifle 15-10-05 0,422 1 2 (2MV)
El Paraso 04-03-05 0,739 3 3 (3V)
El Paraso 07-05-05 0,754 3 3 (3V)
El Paraso 08-06-05 0,781 4 3 (3V)
El Paraso 12-09-05 0,717 3 3 (3V)
El Paraso 14-10-05 0,743 3 3 (3V)
La Barrancosa 04-03-05 0,615 2 2 (2M)
La Barrancosa 13-03-05 0,559 2 2 (2MV)
La Barrancosa 22-04-05 0,550 2 2 (2M)
La Barrancosa 11-07-05 0,545 2 2 (2MV)
La Barrancosa 12-09-05 0,570 2 2 (2MV)
La Barrancosa 14-10-05 0,521 2 2 (2M)
La Barrancosa 26-01-06 0,449 1 2 (2V)
La Brava 02-02-05 0,324 1 1 (Clara)
La Salada 22-04-05 0,501 2 2 (2V)
La Salada 11-07-05 0,481 2 2 (2V)
La Salada 13-09-05 0,512 2 2 (2V)
La Salada 15-10-05 0,414 1 2 (2V)
Quilla Lauquen 08-06-05 0,541 2 2 (2V)
Quilla Lauquen 14-10-05 0,486 2 1 (Clara)
San Antonio 13-03-05 0,549 2 2 (2M)
San Antonio 22-04-05 0,501 2 2 (2M)
San Antonio 11-07-05 0,517 2 2 (2MV)
San Antonio 13-09-05 0,482 2 2 (2M)
San Antonio 15-10-05 0,324 1 2 (2MV)

Tabla X.1. Resultados de la clasificacin segn turbidez en banda 2 y 4 (columna 4) considerando el

rango de 4 (mayor turbidez) a 1 (menor turbidez) y segn los datos obtenidos a campo (columna 5)
indicando estados de lagunas Claras, Verdes (V) y Marrones (M), ordenados por laguna y fecha.

2.1.1. Validacin de la tcnica utilizada

Dado que existe un nmero muy grande de lagunas en la regin pampeana,
sera de gran utilidad contar con una herramienta que permita determinar el
estado de turbidez de las mismas a partir de la informacin recibida de los sensores
satelitales. Para ello es necesario comparar los resultados obtenidos de la
clasificacin a partir de los datos de campo presentada en los captulos III y IV
(tabla X.1, columna 5) y aquellos provenientes de las imgenes satelitales (tabla
X.1, columna 4). Se analiza entonces, si son equivalentes las dos categorizaciones
obtenidas.
Para poder explicar las categorizaciones propuestas, es importante analizar la
asociacin entre variables. Un anlisis de componentes principales (ACP) (Gower,
1987; Johnson y Wichern, 1992) permite explorar grficamente el grado de
asociacin entre variables, ya que si las bandas 2 y 4 describen la misma

131
Espejos en la Llanura. Nuestras lagunas de la Regin Pampeana, C APTULO X, ROSANA FERRATI ET AL., 2008

Son equivalentes las dos clasificaciones obtenidas?

Para analizar la hiptesis de concordancia entre las dos categorizaciones (Agresti, 1990) se calcula
el ndice Kappa, a partir de la tabla de contingencia (tabla X.2). Esta ltima, ordena cada una de
las lagunas, en cada fecha, en ambas clasificaciones, la obtenida de los datos de campo y la
proveniente de las imgenes, e indica el nmero de casos en los cuales hay coincidencia.
En este caso, el ndice mencionado es de 0,619, que indica una buena concordancia entre la
informacin proveniente de las imgenes y del muestreo.

Categoras Categora bandas

datos de campo
1 2 3 4 Total

1 1 1 0 0 2
2 4 15 1 0 20
3 0 0 5 2 7
4 0 0 0 4 4
Total 5 16 6 6 33

Tabla X.2. Doble clasificacin de lagunas.

informacin que las variables de campo (clorofila-a, slidos totales, slidos fijos,
slidos disueltos y profundidad del disco Secchi), el ACP lo mostrar en sus
resultados.
En la tabla X.3 se pueden observar las correlaciones entre variables medidas
y las dos primeras componentes principales.

Variable Comp. 1 Comp. 2 % de reconstruccin

decada variable en el plano

Banda 2 - 0,699 0,183 52,31

Banda 4 0,735 - 0,169 57,04
Clorofila-a. 0,897 - 0,222 85,53
Slidos Totales 0,934 0,203 91,41
Slidos Fijos 0,896 0,210 84,86
Prof. del disco Secchi - 0,795 0,427 81,55

Tabla X.3. Resultados del anlisis de componentes principales.

La mayor variacin puede definirse a partir de la banda 4, clorofila, slidos totales, slidos fijos en
sentido positivo y la banda 2 y profundidad del disco Secchi en sentido negativo.

Los resultados obtenidos tanto del anlisis de concordancia (tabla X.2), como
el de ACP (tabla X.3), permiten poner a prueba la hiptesis de que las bandas 2 y
4 podran explicar la variacin de las observaciones respecto a la concentracin
de clorofila-a, slidos y profundidad del disco Secchi.
Esto motiv realizar un anlisis de correlacin cannica (Mardia et al., 1979) y
de redundancia (Johnson y Wichern, 1992), puesto que permite estudiar la
asociacin entre dos grupos de variables y analizar causaefecto.

132
 Espiando lagunas con satlites. Los colores delatan su estructura

Cmo se analiza causaefecto?

La redundancia o cantidad en promedio de variacin de un grupo explicado por el otro es
importante ya que en ambos grupos supera el 50%. Esto quiere decir que si se toma como respuesta
el grupo de variables de bandas, la variacin de ste es explicada en un 63,93% por la informacin
rescatada en el campo. Y si se toma como respuesta las variables de campo, las mismas estn
explicadas en un 51,6% por la informacin registrada por las bandas 2 y 4 (tabla X.4).

Var. bandas Variables de campo

Cantidad de variables 2 5
Varianza extrada 100 % 63,54 %
Redundancia Total 63,93 % 51,60 %

Tabla X.4. Anlisis de Correlacin Cannica y Redundancia

Las tcnicas estadsticas utilizadas corroboran la hiptesis planteada, con

una significancia de 0,01, lo cual permite afirmar que el conjunto de bandas 2 y
4 explican significativamente la concentracin de clorofila-a y slidos en las fechas
de muestreo, permitiendo obtener informacin a tiempo real del estado trfico de
las lagunas.

2.2. Modelo de Red Neuronal Artificial

Otra herramienta computacional desarrollada para analizar automticamente
la informacin recibida desde los sensores remotos fue un modelo de Red Neuronal
Artificial (RNA), llamado as porque intenta copiar el modo de aprendizaje del
cerebro humano. Esos modelos se encuentran dentro del campo de la inteligencia
computacional o artificial. Los primeros copian el proceso fsico que ocurre en el
cerebro durante el aprendizaje, por ejemplo redes neuronales artificiales, la lgica
difusa y los algoritmos genticos. En el caso de modelos de inteligencia artificial
se copia el proceso lgico de aprendizaje de los seres humanos como los sistemas
expertos, los agentes y el razonamiento basado en casos.

Un modelo de Red Neuronal Artificial imita el proceso fsico de aprendizaje del cerebro humano.
Este modelo est compuesto por neuronas artificiales, que emulan a las neuronas biolgicas y las
conexiones sinpticas entre ellas, regulndolas en el proceso de resolucin de un problema. No
presenta inconvenientes si existe un gran nmero de variables en juego y su no linealidad le
permite analizar sistemas complejos. Una vez que el sistema est entrenado, la red permite
procesar informacin imprecisa, generalizar respuestas conocidas a situaciones nuevas y predecir
resultados.
Copiando el modo de aprendizaje de una persona, para que la red conozca las conexiones correctas,
debe entrenarse con un gran nmero de ejemplos. Para ello se le entregan grupos de datos de
entrada acompaados de los datos de salida esperados. Las vinculaciones con las neuronas
ubicadas en la denomina capa oculta de neuronas van tomando diferentes pesos y van
educndose en funcin de la salida que se les pide, modelando relaciones complejas entre
variables. El sistema es de ida y vuelta, para permitir realmente que se eduque la red. La
visualizacin de dicha etapa se logra mediante el anlisis del error. Si este se hace asinttico y
cada vez ms pequeo, la red estar lista para introducirle nuevos datos de entrada y obtener
predicciones respecto de las salidas.

133
Espejos en la Llanura. Nuestras lagunas de la Regin Pampeana, C APTULO X, ROSANA FERRATI ET AL., 2008

Figura X.3. Clasificacin a partir de datos

obtenidos a campo (lnea punteada y negra) y
Figura X.2. Modelo de Red Neuronal Artificial corrida del modelo de RNA (lnea llena gris) para la
utilizado. etapa de entrenamiento y prediccin.

En este trabajo se utiliz una RNA con alimentacin hacia delante denominada
Perceptrn Multicapa y la misma fue entrenada con el algoritmo llamado Back
Propagation, el cual se basa en un procedimiento de aprendizaje supervisado.
Siguiendo la clasificacin obtenida de las lagunas a partir de las imgenes
satelitales, se educ a la RNA considerando como datos de entrada las bandas 2
y 4 de las imgenes LandSat 5 y 7, y como dato de salida los valores de clasificacin
obtenidos con los datos a campo. Se prob la red con diferentes cantidades de
etapas de aprendizaje, denominadas pocas, diferentes tasas de aprendizaje y
diferentes nmeros de neuronas en la capa oculta. La mejor arquitectura de Red
se logr con tres neuronas en la capa oculta (figura X.2) y los mejores resultados
con 1.000.000 pocas y tasa de aprendizaje 0,00001.
A partir de la aplicacin del modelo se obtuvo la aproximacin que se observa
en la figura X.3, donde se grafican los valores reales y los obtenidos mediante la
Red utilizando un 80% de los datos para el aprendizaje y un 20% para predecir.
La lnea vertical indica la separacin de datos entre entrenamiento y prediccin.
Los resultados obtenidos fueron analizados contrastando los valores calculados
por la Red y aquellos propuestos por los datos obtenidos a campo. El anlisis del
error cuadrtico medio de aprendizaje y de prediccin se observa asinttico a los
valores 0,203 y 0,098 respectivamente (figura X.4), correspondientes a valores de
porcentaje de error respecto de los valores enteros de clasificacin propuestos.

2.2.1. Un paso ms all, es posible determinar las concentraciones de slidos

totales y clorofila-a en las lagunas desde las imgenes?
La determinacin de concentracin de slidos y clorofila-a utilizando
informacin proveniente de imgenes satelitales ser un gran aporte para conocer
el estado de la laguna y consecuentemente para su gestin. Utilizando las
herramientas computacionales desarrolladas, se intent este paso por su
relevancia, dado que su aplicacin permitira reducir las costosas mediciones a
campo y sera posible extrapolar resultados y cotejarlos en otras de las miles de
lagunas pampeanas.
Con este objetivo se construyeron dos nuevas redes neuronales, alimentadas
con los valores de reflectancia provenientes de las bandas 2 y 4 de las imgenes
LandSat 5 y LandSat 7. Se educ una de las redes utilizando 35 datos de entrada

134
 Espiando lagunas con satlites. Los colores delatan su estructura

Figura X.4. Errores de aprendizaje (izquierda) y prediccin (derecha) para la RNA propuesta.

de los cuales el 80 % se destin al aprendizaje y el 20% restante para prediccin.

Se corrieron 1.000.000 de pocas con una tasa de aprendizaje de 0,000001 y se
vari el nmero de neuronas ocultas hasta obtener la mejor configuracin. Los

Fecha Laguna ST ST Clorofila-a Clorofila-a

medido calculado medida calculada
02-02-05 La Brava 507,0 557,7 45,3 42,0
04-03-05 La Barrancosa 1474,0 1562,9 89,1 183,1
04-03-05 El Paraso 1498,0 1380,3 340,4 322,3
04-03-05 Del Estado 1788,0 2040,4 325,3 422,8
13-03-05 San Antonio 1296,0 1464,2 50,4 136,9
13-03-05 La Barrancosa 1565,0 1482,0 155,4 143,4
22-04-05 La Salada 1184,0 1209,7 133,9 101,5
22-04-05 San Antonio 1376,0 1275,0 65,1 104,6
22-04-05 La Barrancosa 1636,0 1360,6 95,7 130,2
22-04-05 El Chifle 1756,0 1354,4 209,3 151,0
07-05-05 El Paraso 1706,0 1836,1 384,5 340,3
07-05-05 Del Estado 2522,0 2259,1 600,8 577,4
08-06-05 Quilla Lauquen 806,0 1481,6 122,1 135,3
08-06-05 El Paraso 1686,0 1887,3 369,0 379,8
08-06-05 Del Estado 2347,0 2478,6 667,0 697,0
11-07-05 La Salada 1251,0 1508,0 260,2 123,1
11-07-05 San Antonio 1397,0 1490,8 179,8 146,6
11-07-05 La Barrancosa 1629,0 1538,5 153,5 148,7
11-07-05 El Chifle 1942,0 1598,4 120,9 201,2
12-09-05 La Barrancosa 1624,0 1341,7 115,2 139,4
12-09-05 El Paraso 1700,0 1728,6 371,9 284,3
12-09-05 Del Estado 2653,0 2505,0 533,3 544,4
13-09-05 La Salada 1284,0 1490,7 112,0 125,0
13-09-05 San Antonio 1418,0 1459,8 94,0 111,2
13-09-05 El Chifle 1736,0 1574,6 249,9 198,8
14-10-05 Quilla Lauquen 812,0 1040,2 76,3 89,6
14-10-05 La Barrancosa 1659,0 1477,2 93,2 126,8
14-10-05 El Paraso 1830,0 1774,3 303,5 319,4
14-10-05 Del Estado 2881,0 2759,6 671,2 625,2
15-10-05 La Salada 1246,0 1449,2 130,6 91,6
15-10-05 San Antonio 1396,0 1398,4 117,5 68,9
15-10-05 El Chifle 1953,0 1411,6 222,2 89,4
26-01-06 La Barrancosa 1327,0 1235,8 71,3 85,6

Tabla X.5. Concentraciones de clorofila-a (mg/m3) y Slidos Totales (mg/L) medidos y calculados para
las lagunas y fechas indicadas.

135
Espejos en la Llanura. Nuestras lagunas de la Regin Pampeana, C APTULO X, ROSANA FERRATI ET AL., 2008

Figura X.5. Concentraciones de Slidos Totales Figura X.7. Concentraciones de clorof ila-a
(1/1000 mg/L) medidos (negro punteado) y medidos (punteado negro) y obtenidos del modelo
obtenidos del modelo de RNA (gris lleno) para la de RNA (gris lleno) para la etapa de entrenamiento
etapa de entrenamiento y prediccin. y prediccin.

resultados obtenidos se graficaron conjuntamente con los valores medidos de

Slidos Totales (figura X.5).
Los errores de prediccin y de aprendizaje, expresados como el mximo mdulo
de las diferencias absolutas y, en este caso, dividido por 10.000, fueron asintticos
(figura X.6).

Figura X.6. Errores de aprendizaje (izquierda) y prediccin (derecha) para la RNA propuesta para
determinar concentracin de slidos totales.

Figura X.8. Errores de aprendizaje (izquierda) y prediccin (derecha) para la RNA propuesta para
determinar concentracin de clorofila-a.

136
 Espiando lagunas con satlites. Los colores delatan su estructura

El error de aprendizaje muestra una tendencia decreciente. El error de prediccin

muestra un mnimo local en 800.000 pocas, valor para el cual se obtuvieron las
predicciones.
La segunda red fue configurada para simular y predecir valores de con-
centracin de clorofila-a en los cuerpos de agua. La figura X.7 muestra los valores
medidos y obtenidos mediante la red, y la figura X.8 los correspondientes errores
de aprendizaje y prediccin. Se observa que el error de prediccin muestra una
tendencia a aumentar con el nmero de pocas, lo cual indica que la red no
predice correctamente. La tabla X.5, columna 6 presenta los resultados calculados.

2.2.2. Validacin del modelo de Red Neuronal Artificial

La pregunta que surge es: los valores obtenidos, son estadsticamente
significativos? Con este objetivo, se realiz un diagrama de dispersin que permiti
analizar el comportamiento de las variables ST medido y ST calculado con los
datos disponibles, exceptuando los valores que distorsionan la muestra. La figura

Figura X.9. Slidos totales medidos y calculados a travs de la RNA elaborada (izquierda) y rectas de
ajuste con las bandas de confianza y prediccin (derecha).

X.9 muestra una tendencia positiva y una fuerte asociacin entre las variables
mencionadas. Para darle valores a esta tendencia se realiz un anlisis de regresin
lineal simple tomando como variable respuesta ST medidos.
A partir de un anlisis de regresin se obtiene un coeficiente de determinacin
R = 0,9 y una recta de ajuste ST medido = 1,04 ST calculado (p < 0,0001).
El anlisis de residuales indic independencia, normalidad y homogeneidad
de la varianza, lo cual permite aseverar que el modelo de regresin es vlido y que
el 90% de la variacin de ST medido es explicable a travs de ST calculados. En el
anlisis de regresin propuesto para los valores medidos y calculados de clorofila-
a, no se cumplieron los supuestos necesarios para aceptar el ajuste.

3. Conclusiones
El empleo de informacin proveniente de sensores remotos es de gran utilidad
cuando es necesario trabajar con reas extensas. Por esta razn es de inters la
aplicacin de tcnicas adecuadas para el anlisis del territorio bajo estudio y el
desarrollo de una herramienta para la toma de decisiones a nivel regional.

137
Espejos en la Llanura. Nuestras lagunas de la Regin Pampeana, C APTULO X, ROSANA FERRATI ET AL., 2008

El uso de imgenes satelitales para la determinacin de turbidez en cuerpos

de agua continentales ha dado muy buenos resultados aplicando tanto la tcnica
de Spectral Unmixing como el modelo de Red Neuronal Artificial. Estos resultados
permitirn extrapolar el conocimiento adquirido a otros cuerpos de agua regionales.
Incluso la clasificacin de lagunas obtenida podra visualizarse utilizando la
herramienta de grafos descripta y probada en el capitulo anterior con la variable
superficie.
La determinacin de concentraciones de slidos totales ha dado resultados
satisfactorios, lo cual permitir crear una herramienta de decisin para las lagunas
de tipo hipertrficas que caracterizan la regin pampeana. La determinacin de
concentracin de clorofila-a no muestra aun resultados adecuados, debido
seguramente a los altos valores que alcanza, conjuntamente con altos valores de
slidos inorgnicos. Este tipo de ambiente acutico ha sido analizado con diferentes
tcnicas en numerosos trabajos previos, tanto nacionales como internacionales,
no logrando an resultados adecuados para concentraciones de clorofila-a
superiores a 200 mg/m3 , valor superado frecuentemente en la base de datos
empleada de las lagunas pampeanas.

4. Bibliografa assessment of lake water clarity using satellite

Agresti, A. 1990. Categorical data analysis. Ed.
John Wiley, New York, 557p.
Brivio, P. A.; C. Giardino y E. Zilioli. 2001.
Determination of chlorophyll concentration
changes in Lake Garda using an image-based
radiative transfer code for Landsat TM images.
Int. J. Remote Sensing 22(2-3):487-502.
Chipman, J. W.; T. Lillesand; J. Schmaltz; J.
Leale y R. Goldmann. 2004. Mapping lake
water clarity with landsat images in Win-
consin, USA, special issue on Remote Sensing
and Resources Management in Nearshore
and Inland Waters. Canadian J. Remote
Sensing 30(1):1-7.
Gower, J. C. 1987. Introduction to ordination
techniques. In: P. Legendre y L. Legendre
(Eds.). Development in Numerical Ecology. Ed.
Springer-Verlag, Berlin, 3-64p.
Johnson, R. A. y D. Wichern. 1992. Applied
Multivariate Statistical Analysis. Third edition.
Ed. Prentice-Hall, Inc. New Jersey (USA), 642p.
Mardia, K.; J. Kent y J. Bibby. 1979. Multivariate
Analysis. Ed. Academic Press.
Nelson, S. A. C.; A. Soranno ; K. Cheruvelil; A.
Batzli y D. L. Skole. 2003. Re gional
remote sensing. J. Limnology 62(1): 27-32.
Pozdnyakov, D.; A. Korosov; R. Shuchman y
R. Edson. 2003. Development of a tool for
the assessment of water quality from visible
satellite imagery taken over turbid inland
waters (with Lake Michigan as an example).
Geoscience and Remote Sensing Symposium
IGARSS (2): 746-748.
Quirs, R.; A. Renella; M. Boveri; J. Rosso y A.
Sosnovsky. 2002. Factores que afectan la
estructura y funcionamiento de las lagunas
pampeanas. Ecologa Austral 12:175-185.
Scheffer, M. 2004. Ecology of Shallow Lakes. Ed.
Kluwer Academic Publishers, 357p.
Svab, E.; A. Tyler; T. Preston; M. Prsing y K.
Balogh. 2005. Characterizing the spectral
reflectance of algae in lake waters with high
suspended sediment concentrations. Int. J.
Remote Sensing 26(5):919-928.
Tyler, A. N.; E. Svab; T. Preston; M. Prsing y
W. A. Kovcs. 2006. Remote sensing of the
water quality of shallow lakes: A mixture
modelling approach to quantifying phyto-
plankton in water characterized by high-
suspended sediment. Int. J. Remote Sensing
27(8): 1521-1537.

138