ppi 201502ZU4659
Esta publicación cientíca en formato digital es
continuidad de la revista impresa
ISSN 0254-0770 / Depósito legal pp 197802ZU38
UNIVERSIDAD DEL ZULIA
Una Revista Internacional Arbitrada
que está indizada en las publicaciones
de referencia y comentarios:
• SCOPUS
• Compendex
• Chemical Abstracts
• Metal Abstracts
• World Aluminium Abstracts
• Mathematical Reviews
• Petroleum Abstracts
• Current Mathematical Publications
• MathSci
• Revencyt
• Materials Information
• Periódica
• Actualidad Iberoamericana
DE LA FACULTAD DE INGENIERÍA
REVISTA TÉCNICAREVISTA TÉCNICA
“Buscar la verdad y aanzar
los valores transcendentales”,
misión de las universidades en
su artículo primero, inspirado
en los principios humanísticos.
Ley de Universidades 8 de
septiembre de 1970.
“Buscar la verdad y aanzar
los valores transcendentales”,
misión de las universidades en
su artículo primero, inspirado
en los principios humanísticos.
Ley de Universidades 8 de
septiembre de 1970.
VOLUMEN ESPECIAL 2020 No.2
Rev. Téc. Ing. Univ. Zulia. Volumen Especial, 2020, No. 2, pp. 04-110
Rev. Téc. Ing. Univ. Zulia. Volumen Especial, 2020, No. 2, 69-75
RUSLE Factor C estimation in the Lodana River micro-basin
using Sentinel 2 satellite images
Ángel Claudio Ruiz Vélez1* , Henry Antonio Pacheco Gil2
1Estudiante de la Maestría en Ingeniería Agrícola, Instituto de Postgrado, Universidad Técnica de Manabí.
2Facultad de Ingeniería Agrícola de la Universidad Técnica de Manabí.
*Autor de correspondencia: angel92_18@hotmail.com; aruiz3161@utm.edu.ec
https://doi.org/10.22209/rt.ve2020n2a10
Recepción: 19/05/2020 | Aceptación: 02/06/2020 | Publicación: 31/07/2020
Abstract
Water erosion is the loss of soil due to the action of water and currently is a worldwide problem that affects
food production. This erosion depends on erosivity, erodability, inclination, slope length, cover, and soil management and
conservation support practices. The objective of this research was to determine the RUSLE C Factor, which is related to the
protection of soil by plant cover. The methodology consisted of calculating the C Factor based on spectral data obtained from
Sentinel satellite images. The images were downloaded in the geospatial platform of the European Union’s Earth Observation
Program Copernicus, with a 2B processing level and a 10 m resolution, images were selected in different years to analyze
their variability and the NDVI was calculated with equations proposed in the literature. The results indicate adjustments of
different equations for dry and rainy seasons. Most of the coverage corresponded to forest, crops, and grasslands, with low
C Factor and good soil protection by vegetation. The lowest coverage corresponded to bare soil with high C Factor and low
protection snow in the basin.
Keywords: soil erosion; geographic information systems; NDVI.
Estimación del Factor C de la RUSLE en la microcuenca del
rio Lodana, Ecuador, usando imágenes del satélite Sentinel 2
Resumen
La erosión hídrica actualmente es un problema de orden mundial que afecta la producción de alimentos. Esta
erosión depende de erosividad, erodabilidad, inclinación, longitud de la pendiente, cubierta y manejo del suelo, conservación
y prácticas de apoyo de conservación. El objetivo del trabajo fue determinar el Factor C de la RUSLE, el cual está relacionado
con la protección del suelo por la cobertura vegetal. La metodología consistió en calcular el Factor C a partir de datos
espectrales obtenidos de imágenes del satélite Sentinel. Las imágenes se descargaron de la plataforma geoespacial Copernicus
del Programa de Observación de la tierra de la Unión Europea, con un nivel de procesamiento 2B, que se caracteriza por su
nítidez sin neblina y una resolución de 10 m, se seleccionó imágenes en el periodo 2016-2019 para analizar su variabilidad y
se calculó el Indice Normalizado de Diferencia de Vegetacion (NDVI). Los resultados indican ajustes de diferentes ecuaciones
para las épocas secas y lluviosas. La mayor cobertura se correspondió con bosque, cultivos y pastizales, con bajo Factor C y
buena protección del suelo por vegetación. La menor cobertura le correspondió al suelo desnudo con Factor C elevado y bajo
nivel de protección en la cuenca.
Palabras clave: erosión hidrica; cobertura vegetal; datos espectrales; NDVI.
Rev. Téc. Ing. Univ. Zulia. Volumen Especial, 2020, No. 2, pp. 04-110
70 Ruiz y Pacheco
Introducción
A escala mundial se presenta la degradación del
suelo como un problema de graves impactos ambientales
y grandes costos económicos, con desbastadores efectos
sobre la agricultura y otras áreas productivas [1].
La parte del suelo que se pierde por la erosión
hídrica generalmente es la más fértil, la que contiene la
mayor concentración de nutrientes para las plantas, el
humus, los abonos y correctivos que el agricultor haya
aplicado [2, 3]. Ante esta problemática se han propuesto
diversas alternativas de restauración [4] y prácticas de
conservación sostenible [5].
Las pérdidas de suelo conducen a la degradación
de la tierra a escala planetaria y resultan potenciadas,
estas pérdidas, por eventos climáticos y geomorfológicos
como sequias, inundaciones, deslizamientos de tierra u
otros desastres [6, 7].
Se han desarrollado modelos para calcular
la pérdida de suelo por erosión hídrica y los mismos se
pueden dividir en empíricos, conceptuales y los basados
en procesos [8, 9]. Estos modelos se constituyen en
herramientas que promueven el uso concreto y desarrollo
de competencias tecnológicas aplicadas a la Ingeniería.
En Latinoamérica se han reportado afectaciones
de suelos por erosión entre 14 y 26 %, en América del sur el
agotamiento de sustancias nutritivas en el suelo perjudicó
a 68,2 millones de hectáreas en 1980. Actualmente más
la erosión: 100 millones de hectáreas de tierras fueron
degradadas por la deforestación y 70 millones debido al
sobrepastoreo [10]. En el Ecuador el 25% de los suelos
en la sierra y el 15% en la región costa, se encuentran en
procesos de erosión. Se calcula que alrededor del 48%
erosión [11].
Un estudio en la subcuenca del Rio Portoviejo[12],
en la región central de la costa ecuatoriana, determinó
la erosión hídrica en los cantones Portoviejo, 24 de
Mayo y Santa Ana, con pendientes entre 30% y 45% de
inclinación. Las pérdidas de suelo se estiman entre 50
y 100 ton/ha*año, equivalente al 0,11% del total de la
que los rangos con valores de pendientes mayores a 45%
presentaron pérdidas de suelo entre 100 - 200 ton/ha*año
con un valor del 0,21% del total del área de estudio.
En los últimos años se ha usado la Ecuación
Universal de Perdida de Suelo Revisada (RUSLE) [13] para
los enormes avances en tecnologías geoespaciales como
Factor C y los índices espectrales que incluyen el Indice
Normalizado de Diferencia de Vegetación (NDVI, por sus
siglas en ingles) y otros relacionados, son ahora preferidos
sobre técnicas convencionales debido a su objetividad,
bajo costo y análisis de datos relativamente precisos [14,
15].
El procesamiento de imágenes satelitales
erosión es muy severa. El Factor C es un parámetro
importante para evaluar la proporción de perdida de suelo
y prácticas de manejo en el suelo,
sobre las tazas de erosión en tierras agrícolas. Los valores
estacionales del Factor C dependen de muchos factores
como lluvia, la práctica de la agricultura, tipo de cultivos,
entre otros [16].
El método del Factor C tiene un impacto
relativamente amplio en el cálculo de erosión, al utilizar
datos digitales de teledetección, y se puede derivar a
través del análisis de NDVI [17].
de suelo mediante el modelo RUSLE. El Factor C está entre
los primeros en importancia para estimar el riesgo de la
erosión interurbana y se recomienda para estudios micro
(factor LS)[18], con lo cual se induce una mayor
variabilidad en términos de datos de entrada, generando
posibilidades de gestión, para reducir los procesos de
erosión, por ser el factor que más fácil cambia por las
actividades humanas [19, 20, 21].
Este estudio pretende, mediante información
extraida de imágenes satelitales y procesada en sistemas
perspectiva del impacto erosivo y procesos de degradación
de suelos y su distribución espacial y temporal en la
microcuenca del río Lodana, calculando el Factor C de la
RUSLE a partir del NDVI.
Metodología
Obtención y procesamiento de las imágenes satelitales
Las imágenes satelitales se obtuvieron del
geoportal Copernicus del satélite Sentinel, de la Agencia
Espacial Europea [22]. Se descargaron imágenes con
un nivel de procesamiento 2B, el cual se caracterizan
por su nitidez con carencia de neblina, con correcciones
atmosféricas y geométricas y una resolución de 10 m,
para el periodo 2016-2019. Se procedió a realizar las
respectivas correcciones geométricas y atmosféricas en las
imágenes con la herramienta Sen2Cor [23] de Sentinel en
entorno GIS, para garantizar la precisión de los resultados
en las operaciones de algebra de mapas. Se realizó una
extracción por mascara, eliminando de esta forma zonas
con cobertura de nubes.
Rev. Téc. Ing. Univ. Zulia. Volumen Especial, 2020, No. 2, pp. 04-110
71
Factor C de la RUSLE usando imágenes satelitales
Las operaciones de algebra de mapas para el
cálculo del NDVI propuesto por Rouse et al. (1974) [24],
se hicieron sobre las bandas espectrales de la imagen
Sentinel, las cuales presentan diferentes utilidades [25].
Se calculó El NDVI, para cada imagen seleccionada, usando
las bandas 8 y 4 del satélite Sentinel 2, de acuerdo con la
ecuación 1.
Donde:
NDVI= Índice normalizado de diferencia de vegetación
NIR= Banda infrarrojo cercano
RED= Banda roja visible
Cálculo del Factor C
El Factor C se calculó con base en el NDVI, usando
las ecuaciones 2 y 3, propuestas por Van der Knijff et al.
(1999) [26] y Carvalho et al. (2014) [20]. Se determinó
cual de estas ecuaciones se ajusta mejor, según la época
del año, comparando los resultados con la cobertura real
e interpretación visual de la imagen ráster.
Donde:
FCVK = Factor C Van der Knijff et al. (1999)
exp = Función exponencial
= Alfa (2)
= Beta (1)
NDVI= Indice normalizado de diferencia de vegetación
Donde:
FCVK = Factor C Carvalho D. F.et al. (2014)
NDVI= Indice normalizado de diferencia de vegetación
Resultados y Discusión
Combinación y Comprensión visual de la imagen
Sentinel
En las imágenes de los años 2016, 2018 y 2019 se
muestra la combinación de bandas 8,4,3 (RGB). Se observa
una coloración rojo intenso hacia el norte y gran parte del
suroeste de la microcuenca, la cual es una zona de bosque
con árboles como; guaje (Leucaenaleucocephala), amarillo
(Tabebuiachrysantha), laurel (Laurusnobilis), guachapelí
(Albiziaguachapele), tagua (Phytelephasaequatorialis), tilo
(Tilia plantyphyllos), cedro (Cedrelaodorata), algarrobo
(Ceratoniasiliqua), samán (Samaneasaman), balsa
(1)
(2)
(Ochromapyramidale), caña guadua (Guadua angustifolia),
Fernán Sánchez (Triplariscumingiana), entre otros [27]. En
rojizas correspondientes a pastizales, así como también
suelo descubierto o con poca vegetación en tonalidades
marrón claro-oscuro. La imagen del año 2017, tomada en
época lluviosa, presentó colores rojos intensos en toda la
microcuenca a excepción de los poblados y ciudades con
color blanco azulado, se observaron picos marrones en
las zonas altas y laderas hacia el sur este, posiblemente a
causa de la erosión(Figura 1).
Figura 1. Combinación en Falso Color 8,4,3 en el periodo
2016-2019.
La Figura 2,se corresponde con la combinación
de bandas 11, 8A, 2 (RGB) para los años 2016, 2018 y
2019, donde se muestran elementos relacionados con
verde brillantes sobre zonas agrícolas productivas de
manera aleatoria en diferentes sectores. Por otro lado, se
observa un color plomo moteado a las áreas en descanso,
posiblemente descubiertas de vegetación producto de
la quema del barbecho; existen áreas de color amarillo
pálido que representan pastizales, la combinación permite
agua. Por su parte, los poblados y ciudades se observan
en colores morado magenta y para vialidad color marrón
claro. En el 2017, se nota un color verde brillante en gran
parte de la microcuenca y sus alrededores, sin embargo,
existen zonas descubiertas de pequeñas dimensiones,
posiblemente sean cárcavas producto de una erosión
hídrica, ubicadas en el suroeste y noreste de la cuenca.
Rev. Téc. Ing. Univ. Zulia. Volumen Especial, 2020, No. 2, pp. 04-110
72 Ruiz y Pacheco
Figura 2. Usos Agrícolas combinación 11, 8A, 2 en el
periodo 2016-2019.
Índice Normalizado de Diferencia de Vegetación
(NDVI)
valores mínimos de -0,117 y máximos de 0,769 con una
media de 0,352. Para el año 2017 el mínimo fue de 0,008
y valores máximos de 0,632 con una media de 0,473.
En el año 2018, se obtuvieron mínimos y máximos de
-0,221 y 0,828, respectivamente con una media de 0,439.
Finalmente, para el año 2019, los valores mínimos fueron
de -0,156 y valores máximos de 0,999 con una media de
0,478.
Los valores de NDVI (Tabla 1 y Figura 3), menores
a cero representan zonas sin vegetación, mientras que
los mayores a 0,6 indican zonas con presencia de espesa
cobertura vegetal [28]. Se aprecia como los valores
de NDVI presenta variabilidad espacial y temporal en
distintas regiones de la cuenca.
En la imagen del año 2017 los valores no presentan
magnitudes negativas, lo cual evidencia una buena
en la cual se tomó la imagen. Para este año se repotó
incrementos de precipitación 46,2 %, en el mes defebrero,
respecto al promedio histórico con intensidad máximade
60 mm/h, [29].
Estudios similares de NDVI en el período 2000-2014,
fueron un indicador de la degradación de tierras en
Argentina, mostrando así, un patrón con una marcada
heterogeneidad espacial, existiendo tendencias positivas
y negativas en la actividad de la vegetación, el estudio
demostró que, para gestionar la problemática se requiere
sistemas de monitoreo que permitan detectar su tendencia
y proporcionen alertas tempranas, desarrollando
metodologías de monitoreo basados en índices de
imágenes satelitales [30]. En Cuetzalan, Mexico, estudios
de NDVI en el periodo1994-2005, demostraron variación
en la densidad de vegetación[31], siendo incididos en la
topografía, cambio climático e impacto humano[32].
Tabla 1. Valores de NDVI calculados para diferentes años en la microcuenca del rio Lodana.
NDVI Descripción Cobertura Vegetal
Año 2016 Año 2017 Año 2018 Año 2019
** (km2) (%) (km2) (%) (km2) (%) (km2) (%)
<0 SinV. 0,05 0,02 0 0 0,06 0,03 0,02 0,01
0 - 0,2 V. ME 33,43 14,91 1,03 0,46 12,74 5,68 9,12 4,07
0,2 - 0,35 V. Media 81,44 36,32 8,92 3,98 55,34 24,68 40,31 17,98
0,35 – 0,6 V. Densa 99,5 44,38 214,24 95,55 115,34 51,44 113,88 50,79
>0,6 V. MD 9,81 4,37 0,04 0,02 40,74 18,17 60,91 27,16
Total 224,23 100 224,23 100 224,23 100 224,23 100
V. = Vegetación; ME = Muy Escasa; MD = Muy Densa
Rev. Téc. Ing. Univ. Zulia. Volumen Especial, 2020, No. 2, pp. 04-110
73
Factor C de la RUSLE usando imágenes satelitales
Figura 3. Índice Normalizado de Diferencia de
Vegetación (NDVI) calculados para los años 2016, 2017,
2018 y 2019 en la microcuenca del rio Lodana.
Factor C, Uso y cobertura del suelo
El métodode Van der Knijffet al. (1999) [26] se
adaptó mejor a la época seca y presentan sus resultados
para los años 2016, 2018 y 2019; mientras que la
metodología de Carvalhoet al. (2014) [20]mostró mejores
resultados para el año 2017 correspondiente a la época
lluviosa (Tabla 2).
Tabla 2. Valores de Factor C calculados para los años 2016, 2017, 2018 y 2019
Factor C Clase Descripción Cobertura Vegetal
Año 2016 Año 2017 Año 2018 Año 2019
** (km2)(%) (km2) (%) (km2) (%) (km2) (%)
< 0,1 1 B 28,13 12,54 34,41 15,35 71,21 31,76 94,25 42,03
0,1 - 0,2 2 B, C y P 35,23 15,71 130,73 58,3 40,05 17,86 40,47 18,05
0,2 - 0,3 3 M y P 32,71 14,59 42,28 18,86 32,32 14,42 29,64 13,22
0,3 - 0,4 4 C y P. 33,67 15,01 10,65 4,75 28,75 12,82 23,14 10,32
0,4 - 0,5 5 C y A 34,04 15,18 3,37 1,5 22,84 10,19 16,69 7,44
0,5 - 0,6 6 V. Escasa 25,29 11,28 1,61 0,72 15,32 6,83 10,27 4,58
0,6 - 0,9 7 V. Semi 33,38 14,89 1,18 0,53 13,18 5,88 9,61 4,29
> 0,9 8 S. Desnudo 1,78 0,8 0,00 0,00 0,54 0,24 0,16 0,07
Total 224,23 100 224,23 100 224,23 100 224,23 100
** B = Bosque; C = Cultivo; P = Pastizales; A = Arbustales; V. = Vegetación; S = Suelo
El área de mayor cobertura en el 2016, se
corresponde con bosque, cultivos y pastizales con 35,23
km2, equivalente al 15,71% con un Factor C entre 0,1-0,2.
La menor cobertura le correspondió al suelo desnudo con
1,78 km2, con un porcentaje de 0,80% y con un Factor C >
0,9.
En el 2017 (Figura 4), el área de mayor cobertura
fue de bosque, cultivos y pastizales con 130,73 km2,
equivalente al 58,30 % representado por la clase 2 y un
fue la vegetación semiárida con 1,18 km2, equivalente al
0,53 %, situada en la clase 7 y Factor C entre 0,6-0,9.
En el 2018, los valores de mayor cobertura
fueron de bosque con 71,21 km2, equivalente al 31,76%
representado por la clase 1 y un Factor C <-0,1 y la
0,54 km2, equivalente al 0,24%, situada en la clase 8 y
Factor C >0,9.
Para el 2019, los valores con mayor área se
situaron en la cobertura de bosque con 94,25 km2,
equivalente al 42,03 % representado por la clase 1 y un
suelo desnudo con 0,16 km2, equivalente al 0,07%, situada
en la clase 8 y Factor C >0,9.
Los valores de Factor C calculados muestran
ciertos cambios positivos en relación al tiempo,
donde se evidencia el incremento de la cobertura, sin
embargo, existe presencia de escasa vegetación y suelos
descubiertos, lo cual se considera como un problema que
Rev. Téc. Ing. Univ. Zulia. Volumen Especial, 2020, No. 2, pp. 04-110
74 Ruiz y Pacheco
involucra la escasa protección de la cobertura vegetal,
natural o por intervención antrópica.
Figura 4. Mapa de Factor C en la microcuenca del rio
Lodana en el periodo 2016-2018
La escasa protección de la cobertura vegetal,
encontrada para el área de estudio, es consistente con
los resultados reportados en ecosistemas adyacentes. Por
ejemplo, Montilla y Col. [33], en el bosque de Pacoche, al
suroeste del área de estudio, encontraron disminución
de 6,5 % en de
2014-2018, por deforestación atribuida al pastoreo,
agricultura y ocupación humana. Adicionalmente [34],
reportaron para la misma zona deforestación de bosque
a razón de 16,15 ha/año para el perido 1990-2008.
Recientemente [13], encontraron relaciones altamente
expansión del área cultivada, lo cual también pudiera ser
el caso para el área de estudio en esta investigación.
Conclusiones
Las imágenes satelitales Sentinel 2 usadas
demuestran buena resolución y gran calidad en la
combinación de bandas, discriminando muy bien el uso y
cobertura del suelo.
Los valores del NDVI resultan en un buen
estimador de la cobertura, notándose un incremento en
sus magnitudes durante la época húmeda.
El Factor C de la RUSLE en la microcuenca de
estudio presentó oscilaciones, consistentes con la realidad,
dependiendo de la época del año y el tipo de cobertura de
suelo en diferentes partes de la cuenca.
Se evidenció la persistencia de elevada magnitud
del Factor C en diversas regiones de la cuenca para todos
los años.
Se recomienda implementar actividades de
asesoría técnica en buenas practicas agrícolas como la
siembra en contorno a la pendiente, rotación y asociación
de cultivos, aprovechamiento de residuos de cosecha,
pastoreo programado, entreo otras.
Referencias Bibliográficas
[1] Nájera, O., Bojórquez, J., Flores, F., Murray, R. and
García, A.: “Riesgo de Erosión Hídrica y Estimación
de Perdida de Suelo en Paisajes Geomorfológicos
Volcánicos en México”. Cultivos Tropicales., Vol. 37,
N° 2, (2016) 45-55.
[2] Arciniegas S., et al.: “Propuesta metodológica para
evaluación del riesgo de erosión hídrica, utilizando
-
ción, Cantón Cayambe”. Perspectiva., Vol. 3, N°18,
(2017)275-281.
[3] Ganasri B. P. and RameshH.: “Assessment of soil
erosion by RUSLE model using remote sensing and
GIS - A case study of Nethravathi Basin”. Geosci-
enceFrontier., (2015)1-9.
[4] Bohre P. B. and ChaubeyO.P.: “Restoration of De-
graded Lands through Plantation Forests”. Global
Journal Inc., Vol. 14. N° 1, (2014)19-27.
[5] Pacheco H. A., Cevallos R.X. y Vinces C.J.: “Cálculo
del factor C de la RUSLE, en la cuenca del río Car-
ache, Trujillo-Venezuela usando imágenes del Sa-
télite Miranda VRSS-1”. Rev. ESPACIOS., Vol. 40,
N°3, (2019) 6.
[6] Zhou L., Wang X., Wang Z., Zhang X., Chen C. and Liu
H.: “The Challenge of Soil Loss Control and Vegeta-
tion Restoration in the Karst Area of Southwestern
China”. International Soil and Water Conservation
Research, Vol. 8, N° 1, (2020)26-34.
[7] Gaitán J., Navarro M., VuegenL., PizarroM., Carfag-
no P. y Rigo S.: “Estimación de la pérdida de suelo
por erosión hídrica en la República Argentina”. In-
stituto de Suelos – Centro de Investigación de Re-
cursos Naturales y Centro Nacional de Investiga-
ciones Agropecuarias., (2017) 1-41.
[8] Durigon V. L., CarvalhoD.F., AntunesM.A.,
OliveiraP.T. and FernandesM.M.: “NDVI time series
for monitoring RUSLE cover management factor in
a tropical watershed”. International JournalofRe-
moteSensing., Vol. 35, N°2, (2014)441-453.
[9] Duran U. P. y RodríguezL.A.: “Asistencia de Soft-
wares Matemáticos en el cálculo diferencial en es-
tudiantes de Ingeniería”. Revista Bases de la Cien-
cia., Vol. 3, N°2, (2018)61-76.
[10] Milesi O. y Jarroud M.: “Degradación de los suelos
amenaza nutrición en América Latina. IPS”. Inter
Press Service., (2016) 1-3.
[11] CLIRSEN, SIGAGRO, y MAGAP.: “Amenaza a Erosión
Hídrica”. Proyecto de generación de geoinfor-
mación para la gestión del territorio a nivel nacio-
Rev. Téc. Ing. Univ. Zulia. Volumen Especial, 2020, No. 2, pp. 04-110
75
Factor C de la RUSLE usando imágenes satelitales
nal., (2011)1-40.
[12] Jaramillo J. J.: “Estudio Del Riesgo Por Erosión Hí-
drica Del Suelo Utilizando El Modelo U.S.L.E, Medi-
ante Herramientas S.I.G, Aplicado En La Subcuenca
Río Portoviejo, Provincia De Manabí.” Universidad
Central del Ecuador., (2015) 1-108.
[13] Anseyee A. B., Elias E., Soromessa T. and Feyisa
G.L.: “Land use/land cover change effect on soil
erosion and sedimentdelivery in the Winike wa-
tershed, Omo Gibe Basin, Ethiopia”. Science of The
Total Environment. Volume 728, (2020)1-52.
[14] Phinzi k. and Silas N.: “The assessment of water-
borne erosion at catchment level using GIS-based
RUSLE and remote sensing: A review”. Interna-
tional Soil and Water Conservation Research., Vol.
7, (2019)27-46.
[15] Holly E. and Jeffrey L.: “Application of airborne Li-
DAR and GIS in modeling trail erosion along the Ap-
palachian Trail in New Hampshire, USA.”Landscape
and UrbanPlanning., (2020)1-9.
[16] Riveros C. and Nijimbere G.: “Assessment of soil
erosion of Burundi using remote sensing and GIS
by RUSLE model”. RUDN Journal of Ecology and
Life Safety., Vol. 27, N° 1, (2019)17-28.
[17] Bambang S.: “The effect of choosing three differ-
ent C factor formulae derived from NDVI on a fully
raster-based erosion modelling”. IOP ebooksEarth
and EnvironmentalScience., Vol. 47, (2016) 1-10.
[18] Renard K.G., Yoder D.C., Lightle D.T. and Dabney
S.M.: “Universal soil loss equation and revised
universal soil loss equation”. Handbook of erosion
modelling., Vol. 8, (2011) 135-167.
Factor from Usle Model sing certain sets of classi-
cal and satelite data in Nw Romania.” Seria Geogra-
[20] Carvalho D.F., Durigon V.L., Antunes M.A., Almeida
W.S. and Oliveira P.T.: “Predictingsoilerosionus-
ingRusle and NDVI time series from TM Landsat
5”.Pesquisa Agropecuaria Brasileira., Vol. 49, N°3,
(2014) 215-224.
[21] Patil R. J. and Sharma S. K.: “Remote Sensing and
GIS based modeling of crop/cover management
factor (C) of USLE inShakker river watershed”.Ag-
ricultural and Medical Sciences., (2013)1-4.
[22] ESA, EUMETSAT, ECMWF and UE.: “European
Union’s Earth Observation Programme”. Coperni-
cus., (2014).
[23] Padró J. C., Muñoz, F. J., Ávila L.Á., PesquerL., Pons
X.: “Radiometric Correction of Landsat-8 and Sen-
tinel-2A Scenes Using Drone Imagery in Synergy
with Field Spectroradiometry”. RemoteSens., Vol.
10, N° 11, (2018) 1-26.
[24] Rouse, et al.: “Monitoring the vernal advancement
and retrogradation (green wave effect) of natural
vegetation”. Texas A&M Univ.; Remote Sensing Cen-
ter.; College Station, TX, NASA., N° 73,(1974) 1-93.
[25] Alonso D.: “Combinación de bandas en imágenes
de satélite Landsat y Sentinel”. Sentinel-2 -Resolu-
ción espacial –MappingGIS., (2020).
[26] Van der Knijff, et al.: “Soil Erosion Risk Assessment
in Europe”. European Soil Data Centre., (1999)
1-34.
[27] León S.Y., Valencia R., Pitman N., Endara L., Ulloa
C.U. y Navarrete H.: “Libro Rojo de las Plantas
Endémicas del Ecuador”.Publicaciones Herbario
Quito, (2011).
[28] Pacheco H. A., ZamoraE.L. yJarreE.C.: “Variaciones
de la cobertura vegetal empleando el índice nor-
malizado de diferencia de vegetación para moni-
torear ODS en Manabí – Ecuador.” Rev. Téc. Ing.
Univ. Zulia., N° 2, (2020).
[29] Pacheco H., Montilla A., Menendez W., Delgado M.
y Zambrano D.: “Causas y consecuencias de las llu-
vias extraordinarias de 2017 en la Costa Ecuatori-
ana: el caso de la provincia de Manabí”. INVEMAR.,
Vol. 48, N° 2, (2019) 45-70.
[30] Gaitán J.J., Donaldo D.E. y Azcona C.: “Tendencia del
NDVI en el período 2000-2014 como indicador de
la degradación de tierras en Argentina: ventajas y
limitaciones”. AGRISCIENTIA., Vol. 32, N°2, (2015)
83-93.
[31] Torres E., Linares G., Tenorio M., Peña R., Cas-
telán R. y Rodríguez A.: “Índices de vegetación y
Uso de Suelo en la Región Terrestre Prioritaria
105: Cuetzalan, México”.Rev. Iberoamericana de
Ciencias., Vol. 1, N° 3, (2014) 102-112.
[32] Paula A.P., Zambrano L. y Paula P.: “Análisis Mul-
titemporal de los cambios de la vegetación, en
la Reserva de Producción de Fauna Chimborazo
como consecuencia del cambio climático”. Enfoque
UTE., Vol. 9, N° 2, (2018) 125-137.
[33] Montilla A.P., Reyes A.R. y Agüero E.C.: “Análisis
de Deforestación en Ecosistemas Boscosos del
Refugio de Vida Silvestre Pacoche, Manabí Manta,
Ecuador”.Revista de Investigación., Vol. 41, N° 92,
(2017) 74-94.
[34] Cartaya S.R. y Zurita S.A.: “Determinación de la
deforestación total y la tasa porcentual de cambio
en la Reserva Natural de Pacoche y una zona no
protegida en el centro-norte de Manabí”. Revista la
Técnica., N°14, (2015) 72-79.
REVISTA TECNICA
DE LA FACULTAD DE INGENIERIA
UNIVERSIDAD DEL ZULIA
www.luz.edu.ve
www.serbi.luz.edu.ve
www.produccioncientica.org
Esta revista fue editada en formato digital y publicada
en Julio de 2020, por el Fondo Editorial Serbiluz,
Universidad del Zulia. Maracaibo-Venezuela
Volumen Especial, 2020, No. 2, pp. 04 - 110________________
