INNOVARE. Revista de Ciencia y Tecnología. Vol. 12, No. 2, 2023
INNOVARE
Revista de Ciencia y Tecnología
Disponible en CAMJOL - Sitio web: www.unitec.edu/innovare/
1
Autor corresponsal: yefrin.cruz@uph.edu.hn, Universidad Politécnica de Honduras, Danlí, Honduras
Disponible en: http://dx.doi.org/10.5377/innovare.v12i2.16605
© 2023 Autores. Este es un artículo de acceso abierto publicado por UNITEC bajo la licencia https://creativecommons.org/licenses/by-nc/4.0/
Artículo Original
Variaciones estacionales en la vegetación riparia de la subcuenca “La
Mula”, Norte de Costa Rica
Seasonal variations in the riparian vegetation of the sub-basin “La Mula”, North of Costa Rica
Yefrin Valladares
a,b,1
,
Laura Benegas
b
, William Jefferson Watler Reyes
b
, Claudia Sepulveda
b
, Néstor Valladares
c
a
Facultad de Ingeniería, Universidad Politécnica de Honduras, Danlí, Honduras
b
Escuela de Posgrado, Centro Agronómico Tropical de Investigación y Enseñanza, Turrialba, Costa Rica
c
Escuela de Biología, Universidad Nacional Autónoma de Honduras, UNAH, Tegucigalpa, Honduras
Historia del artículo:
Recibido: 22 junio 2023
Revisado: 29 junio 2023
Aceptado: 8 agosto 2023
Publicado: 30 agosto 2023
Palabras clave
Clima
Cultivos
Medio ambiente
Uso de la tierra
Keywords
Climate
Crops
Environment
Land use
RESUMEN. Introducción. Las actividades agropecuarias y las anomalías atmosféricas representan un alto porcentaje
de alteraciones en ecosistemas riparios, modificando rápidamente servicios ecosistémicos, como la pérdida de la
calidad del entorno. Esta investigación midió el efecto de variaciones climáticas sobre el uso del suelo agropecuarios
asociados a la zona riparia. Métodos. Con imágenes Lansat 8 y el preprocesamiento de estas en SAGA GIS, se realizó
la extracción de datos del Índice de Diferencia de Vegetación Normalizada (NDVI, por sus siglas en inglés) por mes
durante el 2022. Se procedió a realizar análisis estadísticos en RStudio para test Kruskal Wallis (KW). Dentro del
método se analizaron los tipos de correlaciones existentes entre los datos atmosféricos y los NDVI. Resultados. La
dispersión de los datos en usos de suelo y vegetación adyacente (Va) presentaron valores similares a lo largo del año,
considerando que esta última (Va) mostraron valores asociados a vegetación media. Datos del test KW indicaron un p
= 0.0016 refutando la existencia de diferencias entre los usos del suelo y la Va. Posteriormente el test post hoc indicó
que estadísticamente las diferencias únicamente fueron Vegetación adyacente a Ganadería (Va-G)/ Caña (C), Va-G/
Sandía (S) y Ganadería (G) /C. Por otra parte, el NDVI en G fue inversamente proporcional a la temperatura (rho= -
0.62, valor de la correlación negativa entre el uso del suelo y la temperatura). Conclusión. En muchos de los casos, la
Va a usos de suelo como Pastizales (P), S y C no presentó diferencias significativas. Un análisis comparativo entre el
conjunto de datos indicó que G y Va-G fueron suelos con mejor estado de la vegetación en la subcuenca La Mula.
ABSTRACT. Introduction. Agricultural activities and atmospheric anomalies represent a high percentage of
alterations in riparian ecosystems, rapidly modifying ecosystem services, such as the loss of environmental quality.
This research measured the effect of climatic variations on the use of agricultural land use associated with the riparian
zone. Methods: With the use of Lansat 8 images and their preprocessing in SAGA GIS, data extraction from the
Normalized Vegetation Difference Index (NDVI) per month was performed in 2022. Statistical analyses were done in
RStudio for Kruskal Wallis (KW) test. Within the method, the types of correlations between atmospheric data and
NDVI were analyzed. Results. The dispersion of the data in land uses and adjacent vegetation (Va) presented similar
values throughout the year, considering that the latter (Va) showed values associated with average vegetation. Data
from the KW test indicated a p = 0.0016 refuting the existence of differences between land uses and Va. A Post hoc
test indicated statistically differences were only Vegetation adjacent to Livestock (Va-G) / Cane (C), Va-G /
Watermelon (S) and Livestock (G) / C. On the other hand, NDVI in G was inversely proportional to temperature (rho
= -0.62, value of the negative correlation between land use and temperature). Conclusion: In many cases, the Va to
land uses such as Grasslands (P), S and C did not present significant differences. A comparative analysis between the
dataset indicated that G and Va-G were soils with better vegetation status in the La Mula sub-basin.
1. Introducción
La cuenca hidrográfica es una unidad de planificación
y gestión, con múltiples microecosistemas (Pinedo-
Álvarez et al., 2011). Las regiones de transición entre el
medio edáfico e hídrico son conocidas como zona riparia
y son las primeras en ser afectadas por cambios alóctonos.
Dichas zonas son caracterizadas por su bosque, cuya
composición está influenciada directamente por el uso del
suelo y de la cual poco se ha estudiado (Fu & Burgher,
2015). Tut Si (2016) menciona que, el deterioro de esta
zona se da por sustitución del bosque de galería,
agricultura, ganadería y los asentamientos urbanos.
Y. Valladares, et al.
INNOVARE. Revista de Ciencia y Tecnología. Vol. 12, No. 2, 2023
2
Desde finales del siglo XX, se ha buscado una forma
de monitoreo que permita establecer mecanismos de
protección en zonas riparias. Gamon et al. (1995) describe
que las herramientas de sensoramiento remotos permitirán
a corto y largo plazo la comprensión del medio terrestre.
En la actualidad, se ha vuelto una herramienta en el
análisis de la vegetación a partir de imágenes satelitales
del entorno biofísico (Woodcock et al., 2001).
Estas imágenes satelitales miden la degradación del
uso de los suelos y el crecimiento de la vegetación, entre
otros (Jiang et al., 2021). La sistematización de
información espacial puede medirse a partir de índices
(Vega-Araya & Alvarado-Barrantes, 2019) como el
Normalized Difference Vegetation Index (NDVI) que
estima el ascenso/descenso cíclico de la vegetación
(Lemenkova, 2021) mediante la reflectancia del dosel
usando R-Band 4 y NIR-Band 5 del satélite Lansat 8
(Olivares & López-Beltrán, 2019).
La región Norte de Costa Rica es una de las áreas en
donde la vegetación nativa ha sufrido cambios (Vargas
Ulate, 2011). Sitios como el cantón de Bagaces ha tenido
el 70% de su superficie a la disposición del uso del suelo
en actividades agropecuarias desde los años setenta. Esto
ha representado cambios en el paisaje (Spielmann, 1972).
Por ejemplo, el Distrito de Riego Arenal-Tempisque
(DRAT), en la cual se encuentra parte de la subcuenca La
Mula, tiene un uso del suelo agropecuario, pues casi la
mitad del territorio está ocupado por agricultura,
pastizales naturales y ganadería (Ministerio de
Agricultura y Ganadería de Costa Rica, 2020).
Según Alfaro (2014) la subcuenca La Mula se
encuentra dentro de la zona de vida del bosque húmedo
premontano de transición a basal (bh-P6) de clima seco.
Entre los meses de diciembre a abril, se presentan
precipitaciones de 50mm y entre los meses de mayo a
noviembre de hasta 315mm. Todo esto bajo el régimen de
precipitaciones del Pacífico Norte costarricense donde las
temperaturas son entre 27ºC ± 1ºC (Instituto Nacional
Meteorológico de Costa Rica [IMN], 2011).
Autores como Soria Bances & Quevedo (2019) han
estudiado las zonas aledañas y consideran importantes los
análisis temporales basados en los servicios ecosistémicos
que provee la vegetación. El objetivo de esta investigación
fue medir el efecto de los usos del suelo agropecuarios en
la vegetación riparia y como las variables atmosféricas
influyen sobre los mismos.
2. Métodos
2.1. Área de estudio
La subcuenca La Mula se ubica a 10.40º39´40´´N y
85.30º83´05´´O, al sur del cantón Bagaces, Guanacaste
(Figura 1a). Esta se extiende a lo largo de 5,443.95 ha
donde su cauce principal cubre 13.51 km de largo, y se
origina a 60 m.s.n.m. al Norte de la subcuenca, dentro de
los límites de la Reserva Biológica (RB) Lomas Barbudal
y finaliza al Sur de esta, a 5 m. s.n.m. en el Parque
Nacional (PN) Palo Verde (Valladares, 2022).
2.2. Recolección de datos
2.2.1. Sitios de muestreo
Se seleccionaron cuatro usos del suelo agropecuarios a
lo largo del cauce principal de la subcuenca como:
ganadería (G), cultivos de caña (C), sandía (S) y pastizales
(P). También se consideraron, como sitios de muestreo, la
vegetación adyacente (Va) al uso del suelo agropecuario.
Dicha vegetación se encuentra opuesta a la zona riparia
donde predomina los cuatro usos del suelo mencionados
inicialmente. Posteriormente, se realizó la verificación de
campo en la subcuenca La Mula con el objetivo de
georreferenciar un área de 120 m de largo y 30 m de
anchos (Figura 1b). Desde la interfaz agua/suelo de la
zona riparia, se extrajeron los pixeles y su información
mediante los puntos en SAGA GIS v7.8.2.
Se descargaron 8 imágenes satelitales por meses
durante todo 2022, con la información de las bandas 4 y 5
provistas por el satélite Lansat 8. Con las imágenes
obtenidas, se realizó el preprocesamiento y corte por
mascara en SAGA GIS de las imágenes. Durante este
proceso, se realizó la homogenización que según Watler
(2018) es importante para evitar errores posteriores.
Figura 1. a) Mapa de ubicación de la subcuenca La Mula y b)
esquema de toma de datos de NDVI en los sitios de muestreo.
68
Y. Valladares, et al.
INNOVARE. Revista de Ciencia y Tecnología. Vol. 12, No. 2, 2023
3
2.2.2. Extracción de información espacial
En este apartado, se procedió a la utilización de
RStudio v4.2.3 y los paquetes raster, sf, ggplot2 y
gridExtra que permite la visualización y a posteriori
calcular el NDVI el cual fue: ndvi <- (nir-red) /(nir+red).
Esto se realizó en cada paquete de imágenes por mes.
Luego, se procedió a la superposición de la malla de 32
puntos aleatorios sobre el área establecida en la
georreferenciación de los usos del suelo (Figura 1b), con
la finalidad de extraer los valores de NDVI. Se destacó la
selección únicamente de 8 puntos por imagen, donde los
que presentan interferencia por nubes fueron eliminados
para considerar otro punto en la malla (Vicente Serrano et
al., 2013).
Además, se utilizaron los datos de los últimos 10 años
(2012-2022) de precipitación, temperatura y humedad
relativa de la subcuenca La Mula, obtenidos a través de
Prediction of Worldwide Energy Resource (POWER
v2.0.8) que es manejado por la Administración Nacional
de Aeronáutica y el Espacio (NASA por sus siglas en
inglés) y que proporciona datos atmosféricos mundiales
que serán evaluados en conjunto con los NDVI mediante
correlaciones Spearman.
2.3. Análisis estadístico
Con los datos de anomalías atmosféricas (Figuras 2a,
2b y 2c) y NDVI (Figuras 3a, 3b y 3c) se realizó un
análisis descriptivo usando promedios para los datos
mensuales. Posteriormente, se realizó un análisis de
varianza no paramétrico de Kruskal-Wallis que permitió
establecer las diferencias significativas entre las varianzas
de los usos de suelo y los valores de NDVI. Dicho análisis
fue complementado con test post hoc de la prueba de
Dunn usando el método de Bonferroni que mostró donde
se encontraron las diferencias entre los usos del suelo y la
vegetación adyacente (Serrano et al., 2022). Ambos
análisis estuvieron bajo un nivel de significancia de p
value<0.05 (Cuadro 1).
Por último, se aplicó el análisis de correlación de
Spearman para observar el tipo de relaciones positivas
(+1) o negativas (-1) que existieron entre los valores
promedios atmosféricos y el mes para cada uso del suelo
según su NDVI (Figura 4).
3. Resultados
En la subcuenca La Mula, los acumulados mensuales
en precipitaciones o lluvias mostraron un marcado
aumento de las lluvias entre los primeros días de mayo con
264.23mm hasta los 330.47mm de precipitación a finales
de junio, seguido de una disminución temporal entre julio,
agosto y septiembre de 174.42mm±49.92mm (Figura 2a).
Sin embargo, un segundo período de ascenso en las
precipitaciones apareció de octubre a noviembre de hasta
501.28mm. Durante el último mes del año, el descenso
marcó 18mm, pasando un punto crítico en enero con
0.77mm.
Figura 2. Promedios atmosféricos donde: a) acumulado de precipitación, b) temperatura y c) humedad relativa durante los años de 2012 a
2022 de la subcuenca La Mula.
69
Y. Valladares, et al.
INNOVARE. Revista de Ciencia y Tecnología. Vol. 12, No. 2, 2023
4
La Figura 2b muestra la variación mensual de
temperaturas (ºC). Su incremento se observó claramente
en los primeros meses del año, siendo abril el mes más
cálido con una temperatura promedio de 29.49ºC. Sin
embrago, al final de este mismo mes, inició el descenso
abrupto hasta junio de 26.01ºC; con leves variaciones
entre los meses julio a noviembre entre los 0.01±0.76
grados. La humedad relativa se acrecentó en los primeros
días del mes de febrero hasta junio llegando a un
porcentaje de 86.98% y manteniéndose con variaciones de
±2% hasta noviembre donde a mediados del mismo llegó
al 88.16% y disminuyó a finales de este mes (Figura 2c).
En contraste, el promedio más bajo de humedad relativa
fue de 59.77% obtenidos a finales del mes de enero.
La Figura 3a indica que el uso de suelo G mantuvo
valores máximos del NDVI del 0.45 para junio y una
mínima en abril de 0.27; mientras que los P, durante el
mes de octubre incrementaron hasta el 0.42, y su valor
más bajo se ubicó en 0.25 en los meses de abril y agosto.
Además, el uso de suelo S se encontró más cercano al
valor máximo que presentaron G y P con 0.40; llagando a
su punto máximo en septiembre y teniendo una mínima de
0.20 durante dos meses del año (abril y noviembre).
Asimismo, el cultivo de caña mantuvo un valor máximo
de 0.38 en junio, y presentó un descenso de 0.13 durante
el inicio de octubre.
En contraste, la Figura 3b muestra los datos de NDVI
de la vegetación adyacente al uso del suelo agropecuario.
La Va-G tuvo el NDVI más alto de todos para estos sitios
muestreados con 0.47 durante el mes de junio y su registro
mínima fue de 0.31 en agosto. Mientras que Va-S
mantuvieron máximos NDVI entre 0.41±0.01 durante
octubre y junio. Para el caso de Va-P, el valor mayor de
NDVI se presentó en junio y octubre con 0.40 y múltiples
registros bajos entre 0.24±0.02 para el primer cuatrimestre
del año y septiembre. Por último, Va-C mantuvo una
tendencia similar a Va-P y Va-S en cuanto a sus valores
máximo de NDVI con 0.39 en mayo, junio y julio,
mientras su valor más bajo para este índice fue de 0.13 en
agosto.
La Figura 3c muestra que G y Va-G presentaron
medianas muy similares de NDVI con 0.39 y 0.40, pero
diferencias en la dispersión de estos para G, donde 50%
estuvo debajo de la mínima de Va-G que fue de 0.35. Caso
similar, se encontró entre S y Va-S, ya que las medianas
en NDVI fueron similares con 0.29 y 0.30, manteniendo
diferencias en la distribución de sus datos. En el caso de P
y Va-P, la mediana de sus datos presentaron diferencias
con 0.37 y 0.30, pero con similitud en la distribución de
los datos ya que, ambas se encontraron en el rango NDVI
de 0.40-0.24. C y Va-C no tuvieron diferencias marcadas
en sus medianas, pero se marcó una dispersión de sus
datos donde más del 60% del NDVI de C se encontraron
por debajo de la mínima de Va-C de 0.27.
Figura 3. NDVI de la zona riparia donde: a) usos de suelo, b) vegetación adyacente y c) la tendencia de los datos para cada uso del suelo.
70
Y. Valladares, et al.
INNOVARE. Revista de Ciencia y Tecnología. Vol. 12, No. 2, 2023
5
Cuadro 1
Test Kruskal-Wallis y post hoc Dunn mediante método de Bonferroni.
*Valores con significancia para la prueba post hoc bajo el método de Bonferroni (p value>0.05/2).
Luego del análisis descriptivo de los datos
atmosféricos y NDVI se realizó una prueba de hipótesis,
la cual fue verificada mediante análisis no paramétrico,
resultando del análisis un p-value = 0.001647, lo que
validó la hipótesis de investigación para las diferencias
entre NDVI y el uso del suelo. Además, la prueba Dunn
test mediante el método de Bonferroni, indicó diferencias
significativas entre Va-G y C, Va-G y S, así como
diferencias entre usos del suelo G y C. Datos que se
pueden observar en el Cuadro 1.
Según correlaciones de Spearman, la Figura 4 muestra
que los promedios de temperatura para G, P y Va-G
mantuvieron una correlación negativa ya que, sus valores
se encontraron más cercanos a -1 siendo estos entre -0.57
y -0.62. Adicionalmente, se observó un valor de
significancia de 0.0328 en G y 0.474 Va-G. Por el
contrario, las precipitaciones tuvieron influencia positiva
que indicó su cercanía a 1. Estos valores estuvieron en el
rango de 0.56 a 0.72 para G, P, Va-G y Va-P. Sin
embargo, la significancia únicamente se estableció en G y
Va-G.
También se observó un comportamiento positivo para
la variable de humedad relativa en usos de suelo como G,
P, Va-G y Va-P entre 0.61 y 0.83 donde P presentó la
relación positiva más elevada, esto sumado a la existencia
de significancia para cada uno de los usos de suelo antes
mencionados. La evolución temporal del NDVI de manera
positiva se observó en P con un 0.60 y una significancia
0.0461 lo que mostró las variaciones que tuvo este uso de
suelo a lo largo de los 12 meses del año.
Figura 4. Mapa de correlación de Spearman entre los usos del
suelo y parámetros asociados a la evolución del NDVI.
4. Discusión
Hubo diferencias en las variables atmosféricas y sus
tendencias sinérgicas debido al aumento temporal de la
precipitación y humedad relativa, comparado con la
disminución de la temperatura. Dicho patrón es
característico de la época lluviosa que define Vega-Araya
& Alvarado-Barrantes (2019), como eventos cíclicos en la
región de Guanacaste, Costa Rica. Por otro lado, a pesar
de que el NDVI se vio claramente influenciado por
factores atmosféricos, Olivares et al. (2015) menciona que
los valores de estos están asociados al clima cálido que
predomina en estas zonas, donde la vegetación es
arbustiva cercana a los cauces. Claramente, los usos del
suelo destinados al desarrollo humano tienen efectos
Kruskal-Wallis
Chi
2
=23.085
df=7
p-value=0.001647
Usos
Va-C
Va-G
Va-P
Va-S
C
G
P
Va-G
-2.73322
-
-
-
-
-
-
0.0784
Va-P
-0.16121
2.572006
-
-
-
-
-
1.00000
0.11.63
Va-S
-0.11724
2.615972
0.043965
-
-
-
-
0.9067
0.1068
0.4825
C
1.201735
3.93495
1.362943
1.318977
-
-
-
1.00000
0.0012*
1.00000
1.00000
G
-1.94183
0.791386
-1.78062
-1.82459
-3.14356
-
-
0.5216
1.00000
0.6373
0.6126
0.0217*
P
-0.74009
1.993122
-0.57888
-0.62285
-1.94183
1.20174
-
1.00000
0.4856
1.00000
1.00000
0.4955
1.00000
S
0.505608
3.238823
0.666816
0.62285
-0.69613
2.44744
1.245701
1.00000
0.0162*
1.00000
1.00000
1.00000
0.1583
1.00000
71
Y. Valladares, et al.
INNOVARE. Revista de Ciencia y Tecnología. Vol. 12, No. 2, 2023
6
directos sobre este índice. Además, entre julio, agosto y
septiembre se observa una anomalía atmosférica llamada
veranillo o canícula según Alfaro (2014). Para la región
donde se ubica la subcuenca La Mula, este fenómeno
tiende a ser severo durante El Niño-Oscilación del Sur
(ENOS).
Por el contrario, la disminución en la lluvia y las altas
temperaturas son indicadores del inicio de la temporada
seca, la cual estimula la eliminación de partículas de agua
troposférica, provocando la disminución de punto de
rocío, humedad relativa y aire más seco (Tejeda-Martínez
et al., 2018). El riguroso análisis de las correlaciones de
Spearman mostró que los usos de suelos como G, P y Va-
G fueron inversamente proporcionales a la temperatura ya
que, al aumento de la misma, el NDVI descendió. Sin
embargo, las precipitaciones y la humedad relativa
mostraron un comportamiento directamente proporcional.
Analógicamente Saiz Rodríguez et al. (2017) han indicado
que la temperatura es un factor clave en la disminución
del NDVI y que tiene efectos directos sobre la
disminución del dosel.
Un análisis íntegro de los valores de NDVI en usos del
suelo como C presentó valores de 0.19 hasta 0.32 que son
similares a los obtenidos por Aguilar et al. (2010) durante
estrés hídrico producidos por períodos de sequía. Mientras
que el Sugar Research and Development Organization
(2007) indica que un buen dosel de cultivo de caña tiene
un NDVI entre 0.7 y 0.8, lo que claramente fue diferente
a lo obtenido durante el mayor punto de desarrollo de los
cultivos en la subcuenca La Mula. En cambio, S presentó
valores promedio superior que C; llegando a valores
máximos de hasta 0.41 muy similares a los promedios
obtenidos por Rodríguez et al. (2011) para este cultivo
durante los meses de septiembre a noviembre. Durante
esta época es cuando se puede observar un incremento en
el NDVI de la subcuenca para este uso.
Del mismo modo, P es un ecosistema natural con
gramíneas y matorrales que no exceden los 1.50m de
altura. Este presentó valores de NDVI superiores a los
usos de suelo anteriores. Claramente, este suelo no tiene
actualmente un sistema agroeconómico asociado ya que,
visitas de campo al área de estudio confirman que se
encuentra dentro de la clasificación de usos de la tierra
establecida por United States Department of Agriculture
[USDA] (2014) como suelos susceptibles a inundaciones.
Además, se encuentra dentro de los límites de un estero
donde la subcuenca se infiltra, lo que la define como
cuenca arreica. Los usos de suelo destinado a la crianza de
ganado (G) en la subcuenca La Mula mostró valores de
NDVI mayores que C, S y P, únicamente igualado durante
la segunda época lluviosa por P. Esta diferencia es gracias
a sistemas silvopastoriles donde se incorporan arboles
dentro de los potreros de crianza, con beneficios para los
ganaderos y el ambiente (Moukrim et al., 2021).
Un análisis comparativo usando la clasificación hecha
por Chuvieco et al. (1999), donde categoriza los valores
NDVI, se pudo definir que S y C tienen suelo con poca
vegetación (NDVI<0.4), mientras que P y G son suelos
con vegetación media (NDVI entre 0.4-0.6). Sumado a
esto, todos los valores de NDVI de la vegetación
adyacente mantuvieron valores de vegetación media. Es
conveniente verificar si la hipótesis de la investigación, al
tener la incertidumbre de los datos de manera descriptiva,
las diferencias significativas únicamente se ven claras
entre G/C, Va-G/S y Va-G/C, ya que presentaron una
significancia menor de 0.05. Millano-Tudare et al. (2017)
asume la presencia de diferencias entre usos de suelo y su
vegetación adyacente podría ser por los fenológicos de la
eco-región donde el bosque es disperso y muchos arbustos
caducifolios (Hidalgo & Rodríguez Quirós, 2010).
5. Conclusión
Considerando el análisis descriptivo de los datos
atmosféricos y sus correlaciones, se mostró la influencia
que tiene las anomalías atmosféricas para la evolución del
NDVI. En la época seca y lluviosa, las diferencias fueron
sustanciales. Si bien factores como la temperatura
redujeron este índice de vegetación, las precipitaciones y
la humedad relativas generaron un efecto contrario
provocando mayor NDVI en sitos donde se midió la
vegetación adyacente y el uso del suelo. Además, la
región agroclimática de la zona donde se ubica la
subcuenca La Mula debe considerarse entre las
limitaciones para los valores, ya que estos se encuentran
en la parte baja del rango de clasificación de suelo con
vegetación media.
Existen algunas variaciones entre los usos de suelo y
su vegetación adyacente. Sin embargo, el análisis
estadístico mostró que la vegetación adyacente asociado
particularmente al uso del suelo comparativos, presentó
valores muy similares donde la significancia no se hizo
presente, pero si mostró diferencias en la dispersión de los
datos por la vegetación adyacente asociada a la categoría
de suelo con vegetación media. Dichas diferencias
influenciadas claramente por el desarrollo agrícola de la
zona. Además, el uso del suelo ganadero (G) con sistema
agroecológico de manejo o también conocidos como
sistemas silvopastoril presentó NDVI superiores a la
media de estudios basados en muestreo de la vegetación
de estos agroecosistemas. Para este estudio, fueron
mayores que los obtenidos en pastizales naturales (P)
donde la influencia agropecuaria fue casi nula.
6. Contribución de los Autores
YV, LB, WW y CS conceptualizaron el estudio,
mientras que YV, WW y NV contribuyeron a su
metodología. YV, LB, WW y NV realizaron los análisis
de la investigación. YV, LB, WW y CS escribieron el
manuscrito. Todos los autores leyeron y aprobaron la
última versión del mismo.
72
Y. Valladares, et al.
INNOVARE. Revista de Ciencia y Tecnología. Vol. 12, No. 2, 2023
7
7. Financiamiento
Gobierno de la República de Honduras.
8. Conflictos de Interés
Los autores declaran no tener ningún conflicto de
interés.
9. Referencias Bibliográficas
Aguilar, N., Galindo, G., Fortanelli, J., & Contreras, C. (2010). Índice
normalizado de vegetación en caña de azúcar en la Huasteca Potosina.
Avances en Investigación Agropecuaria, 14(2), 49-65.
http://ww.ucol.mx/revaia/anteriores.php?id=60
Alfaro, E. J. (2014). Characterization of the mid summer drought in two
Pacific slope river basins of Costa Rica. Revista de Biología Tropical,
62(S4), 1-15. https://dx.doi.org/10.15517/rbt.v62i4.20010
Chuvieco, E., Deshayes, M., Stach, N., Cocero, D., & Riaño, D. (1999).
Short-term fire risk: foliage moisture content estimation from
satellite data. En Remote sensing of large wildfires (pp. 17-38).
Springer.
Fu, B., & Burgher, I. (2015). Riparian vegetation NDVI dynamics and
its relationship with climate, surface water and groundwater. Journal
of Arid Environments, 113, 59-68.
https://dx.doi.org/10.1016/j.jaridenv.2014.09.010
Gamon, J. A., Field, C. B., Goulden, M. L., Griffin, K. L., Hartley, E.,
Joel, G., Penuelas, J., & Valentini, R. (1995). Relationships between
NDVI, canopy structure and photosynthesis in three Californian
vegetation types. Ecological Applications, 5(1), 28-41.
https://dx.doi.org/10.2307/1942049
Hidalgo, D. M., & Rodríguez Quirós, R. (2010). Caracterización
biofísica de las zonas definidas para la implementación de las
opciones de cosecha de agua. Cemede-SRCH.
Instituto Nacional Meteorológico de Costa Rica [IMN]. (2011). Cuenca
del río Tempisque.
http://cglobal.imn.ac.cr/documentos/publicaciones/EstudioCuencas/
EstudioCuencas-cuencaRioTempisque.pdf
Jiang, L., Liu, Y., Wu, S., & Yang, C. (2021). Analyzing ecological
environment change and associated driving factors in China based
on NDVI time series data. Ecological Indicators, 129.
https://dx.doi.org/10.1016/j.ecolind.2021.107933
Lemenkova, P. (2021). SAGA GIS for computing multispectral
vegetation indices by Landsat TM for mapping vegetation greenness.
Contemporary Agriculture, 70(1-2), 67-75.
https://dx.doi.org/10.2478/contagri-2021-0011
Millano-Tudare, J. L., Paredes-Trejo, F. J., Jaimes, E., Pineda, N.,
Mendoza, J. G., Garcés, Y., & Pineda, I. (2017). Patrones
fenológicos de cinco tipos de cobertura en bosque seco tropical, Sur-
Cojedes, Venzuela. Revista Agrollania, 14, 106-112.
http://revistas.unellez.edu.ve/index.php/agrollania/article/view/558
Ministerio de Agricultura y Ganadería de Costa Rica. (2020).
Caracterización del área de influencia de la agencia de extensión
agropecuaria de San Isidro de El General.
Moukrim, S., Lahssini, S., Naggar, M., Menzou, K., Mharzi-Alaoui, H.,
Labbaci, A., & Rhazi, L. (2021). Assessing the impacts of different
initiatives on the rehabilitation of pastoral and silvopastoral
ecosystems: big data oriented approach. UKnowledge, 6.
https://uknowledge.uky.edu/cgi/viewcontent.cgi?article=4371&cont
ext=igc
Olivares, B. O., & López-Beltrán, M. A. (2019). Normalized Difference
Vegetation Index (NDVI) applied to the agricultural indigenous
territory of Kashaama, Venezuela. UNED Research Journal, 11(2),
112-121. https://dx.doi.org/10.22458/urj.v11i2.2299
Olivares, B. O., Rodríguez, M. F., Cortez, A., Lobo, D., & Rey, J. C.
(2015). Caracterización físico natural de la Comunidad Indígena de
Kashaama con fines de manejo sostenible de la Tierra. Acta Nova,
7(2), 143-164.
Pinedo-Álvarez, C., Salas-Aguilar, V. M., Viramontes-Olivas, O. A.,
Báez-González, A. D., & Quintana-Martínez, R. M. (2011).
Morfometría de la cuenca del río Nazas-Rodeo en Durango, México,
aplicando tecnología geoespacial. Tecnociencia Chihuahua, 5(1),
34-42.
https://vocero.uach.mx/index.php/tecnociencia/article/view/705
Saiz Rodríguez, R., Aguirre López, G. L., Rodríguez, J. C., Watts Thorp,
C. J., Saiz Rodríguez, J. A., Ochoa Granillo, A., & Saiz Hernández,
J. A. (2017). Estimates of evapotranspiration with PROBA-V images
in a crop field on the coast of Hermosillo, Sonora, Mexico. Terra
Latinoamericana, 35(4), 301-308.
https://dx.doi.org/10.28940/terra.v35i4.307
Serrano, J., Shahidian, S., Paixão, L., Marques da Silva, J., & Moral, F.
(2022). Management zones in pastures based on soil apparent
electrical conductivity and altitude: NDVI, soil and biomass
sampling validation. Agronomy, 12(4).
https://dx.doi.org/10.3390/agronomy12040778
Soria Bances, M. G., & Quevedo, J. (2019). Estado ecológico de franjas
ribereñas e indicadores biológicos de calidad de agua en la subcuenca
del río Hato. Revista Yu’am, 3(5), 4-20.
https://www.revistayuam.com/estado-ecologico-de-franjas-
riberenas-e-indicadores-biologicos-de-calidad-de-agua-en-la-
subcuenca-del-rio-hato/
Spielmann, H. O. (1972). La expansión ganadera en Costa Rica:
problemas de desarrollo agropecuario. Revista Geográfica, 77, 57-
84.
Sugar Research and Development Corporation. (2007). Precision
agriculture options for the Australian sugarcane industry. Australian
Government.
Tejeda-Martínez, A., Méndez Pérez, I. R., Rodríguez, N. C., & Tejada-
Zacarías, E. (2018). La humedad en la atmósfera. Bases físicas,
instrumentos y aplicaciones. Universidad de Colima.
http://ww.ucol.mx/content/publicacionesenlinea/adjuntos/La-
humedad-en-la-atmosfera_466.pdf
Tut Si, M. O. (2016). Influencia de la franja ribereña en la calidad del
agua y percepción local sobre su estado y manejo en la subcuenca
del río Quiscab, cuenca del Lago Atitlán, Guatemala. CATIE.
https://repositorio.catie.ac.cr/handle/11554/8607?locale-attribute=fr
United States Department of Agriculture [USDA]. (2014). Keys to soil
taxonomy (12° ed.).
http://www.nrcs.usda.gov/Internet/FSE_DOCUMENTS/nrcs142p2
_051546.pdf
Valladares, Y. (2022). Análisis del ambiente físico (agua y suelos) en
función de los usos del suelo asociados a franjas ribereñas bajo el
enfoque de Una salud (One Health), en la subcuenca de la quebrada
La Mula, distrito de riego Arenal-Tempisque (DRAT), Costa Rica.
CATIE.
https://repositorio.catie.ac.cr/bitstream/handle/11554/249/BCO2211
8379e.pdf?sequence=1&isAllowed=y
Vargas Ulate, G. (2011). Estudio cartográfico de los cambios de la
vegetación de sabana en el parque nacional Santa Rosa, Guanacaste,
Costa Rica, 1985 - 2009. Geográfica de América Central, 2(47), 71-
96.
https://www.revistas.una.ac.cr/index.php/geografica/article/view/41
10
Vega-Araya, M., & Alvarado-Barrantes, R. (2019). Análisis de las series
de tiempo de variables biofísicas para cuatro ecorregiones de
73
Y. Valladares, et al.
INNOVARE. Revista de Ciencia y Tecnología. Vol. 12, No. 2, 2023
8
Guanacaste, Costa Rica. Revista de Ciencias Ambientales, 53(2), 60-
96. https://dx.doi.org/10.15359/rca.53-2.4
Vicente Serrano, S. M., Lasanta, T., & Romo, A. (2013). Spatial
differences in the evolution of NDVI in the high river basin of the
Aragón: effect of the changes of land uses. Cuadernos de
Investigación Geográfica, 29, 51-66.
https://dx.doi.org/10.18172/cig.1058
Watler, W. (2018). Descarga y procesamiento de datos de suelos (mapa
de textura), usando la plataforma SoildGrid y el lenguaje de
programación R.
Woodcock, C. E., Macomber, S. A., Pax-Lenney, M., & Cohen, W. B.
(2001). Monitoring large areas for forest change using Landsat:
generalization across space, time and Landsat sensors. Remote
Sensing of Environment, 78(1-2), 194-203.
https://dx.doi.org/10.1016/S0034-4257(01)00259-0
74
