INVESTIGACION

UNIVERSIDAD NACIONAL AGRARIA
LA MOLINA
ESCUELA DE POSGRADO
MAESTRÍA EN RECURSOS HÍDRICOS
“ESTIMACIÓN DE ÍNDICES DE SEQUÍA MEDIANTE

SENSORAMIENTO REMOTO INTEGRANDO MODIS Y
TRMM EN LA CUENCA ANDINO - AMAZÓNICA, PERÚ”
Presentada por:
OMAR EFRAIN GUTIERREZ CORI
TESIS PARA OPTAR EL GRADO DE

MAGISTER SCIENTIAE EN RECURSOS HÍDRICOS
Lima - Perú
2018
UNIVERSIDAD NACIONAL AGRARIA
LA MOLINA
ESCUELA DE POSGRADO
MAESTRÍA EN RECURSOS HÍDRICOS
“ESTIMACIÓN DE ÍNDICES DE SEQUÍA MEDIANTE

SENSORAMIENTO REMOTO INTEGRANDO MODIS Y TRMM
EN LA CUENCA ANDINO - AMAZÓNICA, PERÚ”
TESIS PARA OPTAR EL GRADO DE

MAGISTER SCIENTIAE EN RECURSOS HÍDRICOS
Presentada por:
OMAR EFRAIN GUTIERREZ CORI
Sustentada y aprobada ante el siguiente jurado:
______________________________ ____________________________
Dra. Lia Ramos Fernández Ph.D. Jhan Carlo Espinoza Villar
PRESIDENTE PATROCINADOR
______________________________
Ph.D. Waldo Lavado Casimiro
CO-PATROCINADOR
______________________________ ____________________________
Ph.D. Eduardo Chávarri Velarde Dr. Néstor Montalvo Arquiñigo
MIEMBRO MIEMBRO
DEDICATORIA
A mis amados padres Mercedes y Eusebio,

por todo el apoyo, el sacrificio y alentarme siempre a seguir mis sueños.
Son mi mayor motivación.
AGRADECIMIENTOS
Esta investigación ha sido desarrollada en el marco del observatorio SO-HYBAM y gracias

al proyecto N°397-PNICP-PIAP-2014 financiado por INNOVATE-PERU, IGP e IRD.
Agradezco al grupo de investigadores del SO-HYBAM (IRD, UNALM, e IGP) por su
apoyo durante todo el desarrollo de la tesis. Agradecer también al FONDECYT e
INNOVATE-PERU por haber financiado mi participación en congresos científicos
nacionales e internacionales.
Mis agradecimientos al Dr. Jhan Carlo Espinoza patrocinador de la tesis, por todo su
apoyo, por la oportunidad y la confianza. Sus conocimientos, orientaciones y paciencia han
sido fundamentales para mi formación.
Al Dr. Waldo Lavado co-patrocinador de la tesis, por todo el apoyo brindado, las críticas y
el interés mostrado antes y durante todo el proceso de mi investigación.
Al Dr. Raul Espinoza por todo el interés mostrado en mi trabajo, el apoyo incondicional y
el tiempo para las charlas sobre sensoramiento remoto.
A Hans Segura por todas las críticas, observaciones, por el apoyo en el procesamiento de
datos y la iniciación en programación con MATLAB.
A mis Padres Mercedes y Eusebio, a mis hermanos Jimena y Henry, quienes estuvieron al
pendiente de todas las dificultades que he podido pasar durante todo este tiempo lejos de
casa.
A mis tíos Mery y Ernesto, a mis primos Dennis, Kevin y Maylen, por su compañía
durante todos estos años. Sin su apoyo hubiese sido imposible culminar este trabajo.
A todos mis amigos de la “casita verde”, del Instituto Geofísico del Perú y del post-grado.
A la Univeriadad Nacional Agraria la Molina y a la maestría en Recursos Hídricos.
A todos y cada uno de ustede mi mayor gratitud.

ÍNDICE GENERAL
I. INTRODUCCIÓN ............................................................................................................... 1
II. REVISIÓN DE LITERATURA........................................................................................... 5
2.1. DEFINICIÓN DE SEQUÍA .................................................................................................. 5
2.2. CLASIFICACIÓN DE SEQUÍA .......................................................................................... 5
2.2.1. SEQUÍA METEOROLÓGICA................................................................................... 6
2.2.2. SEQUÍA AGRÍCOLA ................................................................................................ 6
2.2.3. SEQUÍA HIDROLÓGICA ......................................................................................... 6
2.2.4. SEQUÍA SOCIOECONÓMICA ................................................................................ 7
2.3. PRINICIPALES MÉTODOS DE CUANTIFICACIÓN DE SEQUÍAS ............................... 7
2.4. ESPECTRORADIÓMETRO PARA IMÁGENES DE RESOLUCIÓN MODERADA
(MODIS) EN EL ESTUDIO DE SEQUÍAS......................................................................... 8
2.4.1. ANTECEDENTES...................................................................................................... 8
2.4.2. PROGRAMA EOS ..................................................................................................... 9
2.4.3. SENSOR MODIS ..................................................................................................... 10
2.4.4. NIVELES DE PROCESAMIENTO ......................................................................... 12
2.4.5. LOS PRODUCTOS MODLAND ............................................................................. 13
2.4.6. PRODUCTOS MOD11 Y MOD13 .......................................................................... 14
2.4.7. ORGANIZACIÓN DE LOS PRODUCTOS MODLAND ....................................... 15
2.5. TROPICAL RAINFALL MEASURING MISSION - TRMM ........................................... 17
2.6. INDICADORES DE SEQUÍAS DERIVADOS DE SENSORAMIENTO REMOTO ....... 20
2.6.1. NDVI (NORMALIZED DIFFERENCE VEGETATION INDEX) ......................... 20
2.6.2. TVDI (TEMPERATURE VEGETATION DRYNESS INDEX) ............................. 20
2.6.3. VTCI (VEGETATION TEMPERATURE CONDITION INDEX) ......................... 21
2.6.4. WDI (WATER DEFICIT INDEX) ........................................................................... 21
2.7. SEQUÍAS EN LA CUENCA AMAZÓNICA ..................................................................... 21
2.8. SEQUÍAS EXTREMAS Y LA VEGETACIÓN AMAZÓNICA........................................ 22
2.9. INTENSIFICACIÓN DE LAS SEQUÍAS Y SUS IMPACTOS EN LA VEGETACIÓN .. 23
2.10. ALARGAMIENTO DE LA ESTACIÓN SECA EN LA CUENCA AMAZÓNICA ........ 26
2.11. LA DEFORESTACIÓN Y EL CLIMA REGIONAL ....................................................... 26
2.12. SEQUÍAS EXTREMAS, VEGETACIÓN E INCENDIOS .............................................. 27
2.13. EQUILIBRIO VEGETACIÓN-CLIMA Y PERSPECTIVAS FUTURAS DE LOS
BOSQUES AMAZÓNICOS .............................................................................................. 28
III. MATERIALES Y MÉTODOS .......................................................................................... 30
3.1. CARACTERÍSTICAS GENERALES DEL ÁREA DE ESTUDIO.................................... 30
3.2. DATOS ............................................................................................................................... 33
3.2.1. DATOS DEL SENSOR MODIS .............................................................................. 33
3.2.2. DATOS DE PRECIPITACIÓN – TRMM ................................................................ 38
3.2.3. DATOS DE PRECIPITACIÓN DIARIA BASADOS EN OBSERVACIONES
(HOP) .................................................................................................................................. 39
3.3. METODOLOGÍA ............................................................................................................... 40
3.3.1. PRE PROCESAMIENTO DE DATOS .................................................................... 41
3.3.2. ANÁLISIS ESPACIO TEMPORAL DE LOS DATOS ........................................... 43
3.3.3. ESTIMACIÓN DE ÍNDICES DE SEQUÍA ............................................................. 44
3.3.4. ESTIMACIÓN DE ÍNDICES DE LA FRECUENCIA DE DÍAS SECOS (DDF) .. 46
IV. RESULTADOS Y DISCUSIÓN ....................................................................................... 47

4.1. PROCESAMIENTO DE LA INFORMACIÓN DE TEMPERATURA DE SUPERFICIE
DE SUELO, VEGETACIÓN Y PRECIPITACIÓN ........................................................... 47
4.1.1. ANÁLISIS ALTITUDINAL DE LAS VARIABLES .............................................. 47
4.1.2. ANÁLISIS DEL GRADIENTE ANDINO-AMAZÓNICO DE LA VEGETACIÓN
Y LA TEMPERATURA DE SUPERFICIE DE SUELO ................................................... 48
4.2. ANÁLISIS DEL CICLO ANUAL DE LA TEMPERATURA DE SUPERFICIE DE
SUELO, VEGETACIÓN Y PRECIPITACIÓN A NIVEL DE LA CUENCA DE
TABATINGA .................................................................................................................... 53
4.2.1. TEMPERATURA DE SUPERFICIE DE SUELO CADA 8 DÍAS.......................... 53
4.2.2. ÍNDICE DE VEGETACIÓN DE DIFERENCIA NORMALIZADA CADA 16
DÍAS ................................................................................................................................... 53
4.2.3. PRECIPITACIÓN DIARIA – TRMM .................................................................... 53
4.3. EL CICLO ANUAL A ESCALA DE SUB-CUENCAS ..................................................... 56
4.3.1. CICLO ANUAL DE LST POR SUB-CUENCAS .................................................... 56
4.3.2. CICLO ANUAL DE LAS CONDICIONES DE VEGETACIÓN POR SUB-
CUENCAS .......................................................................................................................... 56
4.3.3. REGÍMENES DE PRECIPITACIONES POR SUB-CUENCAS ............................ 58
4.4. VARIABILIDAD INTERANUAL DE LA TEMPERATURA DE SUPERFICIE,
VEGETACIÓN Y PRECIPITACIÓN ............................................................................... 60
4.5. ANÁLISIS DE LOS AÑOS DE SEQUÍAS EXTREMAS ................................................. 61
4.6. PATRONES ESPACIALES DE SEQUÍAS MEDIANTE ÍNDICES DE
SENSORAMIENTO REMOTO (SR) ............................................................................... 63
4.6.1. CONDICIONES TÉRMICAS Y LAS SEQUÍAS .................................................... 64
4.6.2. CONDICIONES DE VEGETACIÓN Y LAS SEQUÍAS ........................................ 64
4.6.3. CONDICIONES DE PRECIPITACIÓN Y LAS SEQUÍAS .................................... 64
4.7. VARIABILIDAD INTERANUAL DE LAS ESTIMACIONES DE LLUVIA Y LA
VEGETACIÓN .................................................................................................................. 70
4.7.1. VARIABILIDAD INTERANUAL DE LAS LLUVIAS ESTIMADAS DE
SENSORES REMOTOS (SR) Y OBSERVADOS (HOP) ................................................. 70
4.7.2. RELACIÓN ENTRE LA LLUVIA ACUMULADA Y LA VEGETACIÓN .......... 71
4.8. RELACIÓN ENTRE LA FRECUENCIA DE DÍAS SECOS (DDF) Y LA
VEGETACIÓN ................................................................................................................................... 72
4.8.1. DDFs A PARTIR DE DATOS OBSERVADOS HYBAM (HOP) .......................... 73
4.8.2. DDFs A PARTIR DE DATOS TRMM 3B42 .......................................................... 75
4.8.3. DDFs A PARTIR DE DATOS TRMM 3B42-RT (EN TIEMPO REAL) ................ 77
4.9. COMPARACIÓN DE LA FRECUENCIA DE DÍAS SECOS CON DIFERENTES BASES
DE DATOS .......................................................................................................................................... 79
4.10. FRECUENCIA DE DÍAS SECOS PARA EL MONITOREO DE SEQUÍAS Y SUS
IMPACTOS ......................................................................................................................................... 82
V. CONCLUSIONES ............................................................................................................. 86
VI. RECOMENDACIONES .................................................................................................... 91
VII. REFERENCIAS BIBLIOGRÁFICAS ............................................................................... 93
VIII. ANEXOS ........................................................................................................................ 111
ÍNDICE DE CUADROS
Cuadro 1: Sistema Internacional Observación de la Tierra (International Earth Observing

System, IEOS). ................................................................................................... 9
Cuadro 2: Características de las bandas espectrales del sensor MODIS ............................ 13
Cuadro 3: Categorización de Sequías. Modificado de Kogan (1999). ............................... 45
Cuadro 4: Porcentaje de área con sequías extremas basadas en el TCI durante los años
2005 y 2010 ...................................................................................................... 68
Cuadro 5: Porcentaje de área con sequías extremas basadas en el VCI durante los años
2005 y 2010 ...................................................................................................... 68
Cuadro 6: Porcentaje de área con sequías extremas basadas en el PCI durante los años
2005 y 2010 ...................................................................................................... 68
ÍNDICE DE FIGURAS
Figura 1: Caudal medio de marzo a mayo (azul), de septiembre a agosto (negro) y agosto a
octubre (rojo) medido en la estación de Tamshiyacu período 1970-2014.. .......... 3
Figura 2: Esquema del cubrimiento de la tierra por el sensor MODIS. .............................. 11
Figura 3: Longitudes de onda de las 7 primeras bandas del sensor MODIS. ...................... 11
Figura 4: Organización de los productos MODLAND en tiles en proyecciones sinusoidales

(SIN). .................................................................................................................. 16
Figura 5: Nomenclatura utilizada para los nombres de los productos MODIS de nivel 2G o
superior. .............................................................................................................. 16
Figura 6: Flujo de procesamiento de productos del satélite TRMM. .................................. 18
Figura 7: Precipitación acumulada en mm.dia-1 (3B42-RT) para el período 01 a 04 de junio

del 2005. .............................................................................................................. 19
Figura 8: Anomalías de TSM y de flujos de vapor de agua entre el suelo y 300 hPa durante
el año hidrológico 2010 ..................................................................................... 24
Figura 9: Distribución espacial de anomalías estandarizadas del índice de vegetación de

diferencia normalizada (NDVI) y del índice de vegetación mejorado (EVI)
durante el 2010. ................................................................................................... 24
Figura 10: Distribución espacial de anomalías de precipitación calculada a partir de datos

TRMM durante las sequías del 2005 (A) y 2010 (B). En C y D se muestra el
máximo déficit de agua (MCWD), medida alternativa de la intensidad de la
sequía durante los años 2005 y 2010. ............................................................... 25
Figura 11: Sistema vegetación-atmósfera en equilibrio (a). Pérdida de bosque provocada

por la disminución de flujo de humedad (b). El régimen de lluvias se altera,
dando lugar a una mayor pérdida de bosques y reducción en el transporte de
humedad (c).. .................................................................................................... 25
Figura 12: Ubicación geográfica de la cuenca amazónica delimitada hasta la estación

hidrométrica de Tabatinga. El gradiente altitudinal se muestra a partir del
modelo digital de elevación del SRTM a 90m de resolución.. ......................... 31
Figura 13: Régimen de lluvia para 8 estaciones de la cuenca amazónica peruana
ecuatoriana.. ...................................................................................................... 32
Figura 14: Producto MOD11 – Temperatura de Superficie de Suelo en proyecciones

sinusoidales.. ..................................................................................................... 34
Figura 15: Producto MOD13 – Índice de Vegetación de Diferencia Normalizada en

proyecciones sinusoidales................................................................................. 34
Figura 16: Temperatura promedio anual de la superficie de suelo (LST) de la cuenca

Amazónica calculado a partir del producto MOD11 considerando el periodo
2001-2015.. ....................................................................................................... 37
Figura 17: Flujo de procesamiento para la obtención del producto MOD13C1. Datos de
1km de buena calidad, con nubosidad y mixtos como valores de entrada.. ..... 37
Figura 18: Promedio anual de los valores de NDVI de la cuenca amazónica calculado a
partir del producto MOD13 considerando el periodo 2001-2015. ................... 38
Figura 19: Distribución espacial de la precipitación media anual de la cuenca amazónica

calculado a partir del producto diario TRMM 3B42 V7. ................................. 39
Figura 20: Distribución espacial de la precipitación media anual para toda la cuenca
amazónica calculados a partir de los datos diarios del SO- HYBAM. ............. 40
Figura 21: Esquema metodológico a fin de desarrollar indicadores para el monitoreo y

previsión de sequías y sus impactos en la vegetación en la cuenca andino-
amazónica. ........................................................................................................ 42
Figura 22: Comportamiento de la temperatura de superficie de suelo (A), NDVI (B) y

precipitación (C) diferenciando las región andina (>500 msnm) y amazónica
(<500msnm)...................................................................................................... 49
Figura 23: Comportamiento y variabilidad de NDVI promedio anual respecto al gradiente

altitudinal.. ........................................................................................................ 51
Figura 24: Comportamiento y variabilidad de la temperatura de superficie de suelo

respecto al gradiente altitudinal. ....................................................................... 52
Figura 25: Series históricas de temperatura de superficie de suelo (LST) de 8 días (A),
valores históricos de NDVI de 16 días (B) y valores de lluvia diaria estimada
por el TRMM (C).............................................................................................. 54
Figura 26: Regímenes anuales de temperatura de superficie de suelo (A), condición de
vegetación (B) y precipitación (C) para toda la cuenca de Tabatinga . ............ 55
Figura 27: Regímenes anuales de temperatura de superficie de suelo a nivel de sub-

cuencas.. ............................................................................................................ 57
Figura 28: Regímenes anuales del comportamiento de la vegetación a nivel de sub-

cuencas. ............................................................................................................. 58
Figura 29: Regímenes anuales de las precipitaciones a nivel de sub-cuencas ................... 59
Figura 30: Variabilidad interanual de la temperatura de superficie de suelo (A),

condiciones de vegetación (B) precipitación total (C). Los años de sequía
extrema son señalados. Diagrama de dispersión de anomalías estandarizadas de
precipitación, vegetación y temperatura de superficie de suelo (D, E y F). ..... 61
Figura 31: Valores de temperatura de superficie de suelo por encima del tercer cuartil
durante los años 2005 y 2010 desde enero (1) a diciembre (12). ..................... 62
Figura 32: Valores de NDVI por debajo del primer cuartil durante los años 2005 y 2010
desde enero (1) a diciembre (12). Condiciones de sequías severas en la
vegetación se presentaron durante los meses de agosto a octubre.................... 62
Figura 33: Valores de precipitación por debajo la media climática y por debajo del primer
cuartil durante los años 2005 y 2010 desde enero (1) a diciembre (12). ......... 63
Figura 34: Variaciones interanuales a escala de sub-cuencas del Índice de Condición de

Temperatura (TCI) para el periodo 2001-2015 respecto al porcentaje de área
en condiciones de sequía y condiciones húmedas.. .......................................... 65

Vegetación (VCI) para el periodo 2001-2015 respecto al porcentaje de área en
condiciones de sequía y condiciones húmedas. ................................................ 66

Precipitación (PCI) para el periodo 2001-2015 respecto al porcentaje de área en
condiciones de sequía y condiciones húmedas.. ............................................... 67
Figura 37: Variabilidad interanual de las condiciones de vegetación (NDVI) de enero a

diciembre (A). Se considera para el periodo seco de agosto a octubre (B). ..... 69
Figura 38: Relación entre la lluvia acumulada (Ene a Sep) de TRMM, TRMM-RT e
HYBAM para la cuenca de Marañón (A), Ucayali (B) y Tabatinga (C) durante
el 2001 a 2016 para datos TRMM y 2001 a 2009 para datos HOP. ................. 71
Figura 39: Diagrama de dispersión entre las lluvia acumulada TRMM 3B42 (periodo Ene a
Sep) y las condiciones de vegetación (NDVI) del periodo seco (A-S-O) para
toda la cuenca de Tabatinga. Periodo 2001-2016. ............................................ 72
Figura 40: Correlación entre el NDVI (A-S-O) y la Frecuencia de Días secos (DDFs HOP)
menores a 1mm (A), menores a 2mm (B) y menores a 3mm (C), obtenidos a
partir de datos HOP para todo Tabatinga. ........................................................ 74
Figura 41: Correlación entre el NDVI (A-S-O) y Frecuencia de Días secos (DDFs HOP)
menores a 1mm, 2mm y 3mm a escala de sub-cuencas (Tabatinga, Marañón y
Ucayali). La línea roja representa el valor de r crítico al 95 por ciento de
significancia. ..................................................................................................... 74
Figura 42: Correlación entre el NDVI (A-S-O) y Frecuencia de Días secos (DDFs)
partir de datos TRMM 3B42 para todo Tabatinga............................................ 76
significancia. ..................................................................................................... 76
Figura 44: Correlación entre el NDVI (A-S-O) y Frecuencia de Días secos RT (DDFs RT)
partir de datos TRMM 3B42-RT para todo Tabatinga. .................................... 78
Figura 45: Correlación entre el NDVI (A-S-O) y Frecuencia de Días secos (DDFs RT)
significancia. ..................................................................................................... 78
Figura 46: Relación entre la Frecuencia de Días Secos (Ene a Sep) 3B42, 3B42-RT e
HYBAM para la cuenca de Marañón (A), Ucayali (B) y Tabatinga (C). Periodo
2001-2016 para datos TRMM, y 2001-2009 para datos HOP. ......................... 80
Figura 47: Correlación por punto de grilla entre valores de NDVI y serie DDFs de datos
HOP (A), TRMM 3B42 (B) y 3B42-RT (C). Los puntos localizan
correlaciones significativas al 95 por ciento. La línea roja indica el límite a los
6°S. ................................................................................................................... 81
Figura 48: Dinámica espacial de la Frecuencia de Días Secos (en días) para toda la cuenca
amazónica, considerando el periodo de 01 de enero hasta el 30 de septiembre
para los años 2005 (B), 2010 (C) y 2016 (D). El promedio climatológico de
DDFs se muestra (A). ....................................................................................... 82
Figura 49: Anomalías de la Frecuencia de Días Secos (en días) para toda la cuenca
Amazónica considerando el periodo de 01 de enero hasta el 30 de septiembre,
para los años 2005 (B), 2010 (C) y 2016 (D). El promedio climatológico de
DDFs se muestra (A). ....................................................................................... 83
Figura 50: Evolución temporal del número de días secos (DDF) para la cuenca del
Amazonas (Tabatinga). En gris se muestra los umbrales máximo y mínimo,
línea azul muestra el comportamiento durante el 2005, en rojo para el 2010 y
en verde para el 2016. ....................................................................................... 84
Figura 51: Evolución temporal y monitoreo del número de días secos (DDF) para la cuenca
de Marañón (San Regis). En gris se muestra los umbrales máximo y mínimo,
en verde para el 2016. ....................................................................................... 84
de Ucayali (Requena). En gris se muestra los umbrales máximo y mínimo,
en verde para el 2016. ....................................................................................... 85
ÍNDICE DE ANEXOS
Anexo 1: Distribución espacial del ciclo anual del índice de vegetación de diferencia
normalizada (NDVI) de enero a diciembre para toda la cuenca amazónica. .... 111
Anexo 2: Distribución espacial de la Frecuencia de Días Secos (DDFs) para toda la cuenca
amazónica, calculados a partir de datos 3B42-RT para los años 2001 a 2008. 112
Anexo 3: Distribución espacial de la Frecuencia de Días Secos (DDFs) para toda la cuenca
amazónica, calculados a partir de datos 3B42-RT para los años 2009 a 2016. 113
Anexo 4: Distribución espacial de anomalías (en días) de la Frecuencia de Días Secos

(DDFs) para toda la cuenca amazónica, calculados a partir de datos 3B42-RT
para los años 2001 a 2008. ................................................................................ 114
Anexo 5: Distribución espacial de anomalías (en días) de la Frecuencia de Días Secos

(DDFs) para toda la cuenca amazónica, calculados a partir de datos 3B42-RT
para los años 2009 a 2016. ................................................................................ 115
RESUMEN
Esta investigación analiza la variabilidad espacial y temporal de indicadores de sequías

extremas en la cuenca andino-amazónica peruana obtenidos mediante sensores remotos
durante el período 2001-2016. Para ello se utilizaron datos del satélite TERRA que
proporciona información de temperatura de superficie de suelo (LST) e índices de
vegetación (NDVI): productos MOD11 y MOD13. Adicionalmente, se empleó
información del satélite TRMM que proporciona precipitación diaria: productos 3B42 y
3B42-RT. Además, se empleó información de precipitación observada y grillada del
observatorio HYBAM (HOP). Basado en sensoramiento remoto se desarrollaron tres
índices para caracterizar el comportamiento interanual de las sequías en la cuenca: el
Índice de Condición de Temperatura (TCI), el Índice de Condición de Vegetación (VCI) y
el Índice de condición de Precipitación (PCI). En base a estos índices se categorizaron
niveles de la intensidad de la sequía como leve, moderada, severa y extrema. Mediante un
análisis a escala de cuenca, los índices muestran que los años 2005 y 2010 fueron años de
sequías de categoría extrema con +-30 por ciento de área de la cuenca afectada durante el
2005 y un +-50 por ciento durante la sequía del 2010. Por otro lado, se analizó la relación
entre las precipitaciones y la vegetación, encontrando así que el volumen de precipitación
acumulado explica moderadamente el desarrollo de la vegetación andino-amazónica (r =
0.34). Sin embargo, la Frecuencia de Días Secos (DDF) y los valores de NDVI sí se
encuentran significativamente relacionados (r = -0.86 para datos HOP, r = -0.75 para datos
3B42 y r = -0.68 para datos 3B42-RT). Esto muestra que valores altos de DDF involucra
una disminución en las condiciones de vegetación. Esta relación es particularmente
significativa al sur de los 6˚S, lo que sugiere que la vegetación en gran parte de la
Amazonía peruana se encuentra limitada por factores hídricos. Finalmente, utilizando
estimaciones de precipitación a tiempo real (TRMM 3B42-RT) se desarrolló un indicador
(la Frecuencia de Días Secos - DDF) para el monitoreo continuo de las sequías extremas
con posibles impactos en la vegetación de la cuenca andino-amazónica.
Palabras clave: Indicadores de Sequías, Cuenca andino-amazónica, Frecuencia de Días

Secos, Sensoramiento Remoto.
ABSTRACT
This research analyzes the spatial and temporal variability of extreme drought indicators in
the Peruvian Andean-Amazon basin obtained by remote sensors during the period 2001-
2016. Data from the TERRA satellite were used to provide Land Surface Temperature
(LST) and vegetation index (NDVI) data: products MOD11 and MOD13. Additionally,
was used information from the TRMM satellite that provided daily precipitation: products
3B42 and 3B42-RT. In addition, was used observed and gridded precipitation information
from the HYBAM observatory (HOP). Based on remote sensing, three indices were
developed to characterize the interannual behavior of droughts in the basin: the
Temperature Condition Index (TCI), the Vegetation Condition Index (VCI) and the
Precipitation Condition Index (PCI). Based on these indices, levels of drought intensity
were categorized as mild, moderate, severe and extreme. Through a basin-scale analysis,
the indices show that the years 2005 and 2010 were years of extreme category droughts
with +-30 percent of the basin area affected during 2005 and +-50 percent during the
drought of 2010. On the other hand, the relationship between rainfall and vegetation was
analyzed, and the volume of cumulated precipitation explains moderately the development
of Andean-Amazonian vegetation (r = 0.34). However, the Dry Days Frequency (DDF)
and NDVI values are significantly correlated (r = -0.86 for HOP data, r = -0.75 for 3B42
data and r = -0.68 for 3B42-RT data). This shows that high DDF values involve a decrease
in vegetation conditions. This relationship is particularly significant in the south of the 6°S,
which suggests that the vegetation in much of the Peruvian Amazon is limited by water
factors. Finally, using a real-time precipitation estimation (TRMM 3B42-RT), an indicator
(Dry Days Frequency - DDF) was developed for the continuous monitoring of extreme
droughts with possible impacts on the vegetation of the Andean-Amazon basin.
Keywords: Drought Indicators, Andean-Amazon Basin, Dry Days Frequency, Remote

Sensing.
I. INTRODUCCIÓN
Debido a su considerable extensión meridional y orografía prominente, el Perú presenta

diversos patrones de tiempo y clima, incluyendo características tropicales, subtropicales y
extratropicales (Garreaud et al., 2008). La cordillera de los Andes representa un formidable
obstáculo para la circulación de la humedad atmosférica proveniente principalmente del
Atlántico Tropical y la Amazonía, permitiendo así condiciones húmedas al este (vertiente
del Amazonas) y condiciones secas al oeste (vertiente del Pacífico) y sobre la región
Andina (Garreaud et al., 2003).
EL 16 por ciento del territorio peruano hace parte de la cuenca hidrográfica del Amazonas,
la cual es la mayor cuenca del mundo, abarca alrededor de 6 000 000 km2 y su caudal
medio es el más grande en el mundo con 210 000 m3/s (Callède et al., 2010).
Recientemente, se ha documentado una intensificación de los eventos extremos ocurridos
en la cuenca (Marengo y Espinoza, 2015), como fue el caso de inundaciones registradas en
el 2006, 2009 y 2012 (Marengo et al., 2011; Espinoza et al., 2012; Espinoza et al., 2013;
Marengo et al., 2013). Pero también se han evidenciado sequías extremas ocurridos
durante el 2005 y 2010 (Zeng et al., 2008; Marengo et al., 2008; Espinoza et al., 2011;
Marengo et al., 2011). Estos últimos han sido reconocidos como las sequías más severas y
extensas de los últimos años que provocaron la mortalidad de árboles y la pérdida del
bosque en hasta 2.5 millones de km2 de la cuenca durante el 2005 y alrededor de 3.2
millones de km2 durante la sequía del 2010 (Lewis et al., 2011).
Científicos de diferentes centros de investigación del clima en el mundo han sugerido que
es muy probable que la causa principal de la sequía del 2005 en la Amazonía corresponda a
un aumento de la temperatura superficial del océano Atlántico tropical Norte (Marengo et
al., 2008). Además, El Niño ha sido frecuentemente reconocido como una causa de eventos
de sequía en la Amazonía (Marengo y Espinoza, 2015). En efecto, la sequía del 2010, la
más severa que se haya registrado en la Amazonía peruana, comenzó a principios de
verano austral durante un evento El Niño y se intensificó como consecuencia del
1
calentamiento del Atlántico tropical Norte (Espinoza et al., 2011). Es necesario entender
que tanto las sequías y las inundaciones corresponden a eventos que se producen como
parte de la variabilidad natural del clima. Sin embargo, las sequías ocurridas durante las
últimas décadas en la Amazonía fueron de carácter recurrente y se prevé que en el marco
del calentamiento global estos eventos serán aún más frecuentes y de mayor intensidad
para finales del siglo 21 (IPCC 2013; Guimberteau et al., 2013; Boisier et al., 2015). Este
escenario traería consigo impactos severos en la sociedad y en el bioma amazónico.
Las sequías extremas en la Amazonía tienen el potencial para incrementar

significativamente la mortalidad de cubiertas vegetales mediante la intensificación de los
incendios (Brienen et al., 2015; Nobre et al., 2016). Adicionalmente, recientes estudios han
puesto en evidencia el rol fundamental del reciclaje de humedad del bosque amazónico
como fuente de humedad relevante en gran parte de América del Sur, incluyendo la región
Andina (Lejeune et al., 2015; Zemp et al., 2017).
Durante los últimos años se han desarrollado varios estudios para una mejor comprensión
de los impactos de las sequías en los bosques tropicales. Sin embargo, aún persisten
procesos que no están claros en relación a los impactos que estas sequías producen en la
vegetación. Durante las recientes sequías se ha reportado la pérdida de bosques,
alcanzándose tasas de incendios forestales de hasta 400 por ciento más que durante años
normales (Betts et al., 2004; Davidson et al., 2012; Brando et al 2014). En relación a ello,
recientes estudios muestran que la respuesta del bosque amazónico ante un escenario de
sequías extremas, se manifiesta con la interrupción en el crecimiento y la mortalidad de
algunas especies si el evento es prolongado (Nepstad et al., 2007; Brando et al., 2008;
Phillips et al., 2009; Samanta et al., 2010). Sin embargo, las interacciones lluvia-
vegetación involucran procesos complejos y no lineales que todavía están poco
representados por modelos (Scheffer et al., 2005; Van nes et al., 2014).
Según recientes investigaciones, los impactos de las sequías podrían ser lo suficientemente
perjudicial para el mantenimiento y la integridad del ecosistema amazónico. De hecho,
escenarios futuros en el marco del cambio climático plantean que los disturbios en el clima
podrían tener el potencial para amplificar e intensificar fuertemente los impactos en el
bosque, provocando incluso el colapso del ecosistema amazónico (Cox et al., 2000; Cox et
2
al., 2004) y su transformación en un bioma de sabana o bosque estacional (Nobre et al.,
1991; Oyama et al., 2003; Nobre et al., 2016).
En la región andino-amazónica del Perú, las sequías se han convertido en uno de los
desastres naturales más graves que han causado daños significativos a la sociedad (Federal
Emergency Management Agency, 1995; National Climatic Data Center, 2003). Se han
documentado investigaciones científicas que evidencian la ocurrencia de sequias extremas
también en esta región, las que han ido en aumento desde finales de la década de los 80
(Espinoza et al., 2009a y b), como es el caso de los ocurridos en los años de 1998, 2005 y
2010, y que resultaron muy perjudiciales para la agricultura y los ecosistemas andino-
amazónicos (Marengo, 2008; Marengo, 2011; Xu et al., 2011; Espinoza et al., 2012;
Espinoza et al., 2013; Marengo et al., 2013; Marengo y Espinoza, 2015).
Figura 1: Caudal medio de marzo a mayo (azul), de septiembre a agosto (negro) y agosto a
octubre (rojo) medido en la estación de Tamshiyacu para el período 1970-2014. Los años
con sequía e inundaciones están indicados con líneas discontinuas.
Fuente: Marengo y Espinoza, 2015.
Así también se reportaron incendios forestales ocurridos a finales del 2016 en las regiones
de Cajamarca, Pasco, Lambayeque, Áncash, Ayacucho y Huancavelica (El Comercio
2016). Los que se intensificaron debido a las condiciones más secas de lo normal en la
cubierta vegetal, acelerando la expansión del fuego (La Amazonía se hace humo, Caaap
2016).
Bajo este contexto, la presente investigación aporta en la consolidación y entendimiento de

los procesos de sequías en la Amazonía peruana, integrando varias fuentes de información
de sensoramiento remoto. Asimismo, este trabajo pretende desarrollar indicadores de
3
sequía en sus condiciones más extremas que sean útiles, sencillos y de fácil aplicabilidad
para el monitoreo y previsión de posibles impactos en la vegetación. Para ello se han
desarrollado los siguientes objetivos:
Objetivo general
- Analizar espacial y temporalmente las sequías en la cuenca amazónica del Perú y sus
impactos en la vegetación mediante el desarrollo de índices derivados de
sensoramiento remoto.
Objetivos específicos
- Analizar la variabilidad espacial de la temperatura de superficie de suelo, vegetación y

precipitación en la cuenca andino-amazónica considerando el periodo 2001-2016
mediante sensoramiento remoto.
- Caracterizar los regímenes anuales del comportamiento de la temperatura de superficie

de suelo, vegetación y precipitación para el área de estudio y a nivel de las principales
sub cuencas de la vertiente amazónica.
- Desarrollar índices de sequía basados en sensoramiento remoto para evaluar los

impactos de las sequías en la cuenca amazónica peruana y a nivel de las principales
sub cuencas durante el periodo 2001-2016.
- Analizar la relación entre la precipitación y las condiciones de vegetación andino-

amazónica durante años de sequías extremas.
- Desarrollar un indicador para el monitoreo en tiempo real de las sequías en la cuenca

andino-amazónica y sus posibles impactos en la vegetación.
4
II. REVISIÓN DE LITERATURA
2.1. DEFINICIÓN DE SEQUÍA
La definición por lo general corresponde a un período de déficit en las precipitaciones con

impacto en la agricultura, los recursos hídricos y los ecosistemas naturales (Beguería et al.,
2010). Sin embargo, no existe una única definición de sequía ya que corresponde a un
fenómeno complejo que el grupo American Meteorological Society lo clasifica en cuatro
categorías: sequía meteorológica, agrícola, hidrológica y socioeconómica (Richard y Heim,
2002). La sequía meteorológica se caracteriza por un déficit en las precipitaciones, la
sequía agrícola por el déficit de humedad de suelo, la sequía hidrológica por la escasez de
agua en los ríos y la sequía socioeconómica por la escasez de algunos bienes económicos
afectados por las sequías (Keyantash y Dracup, 2002).
Una sequía se produce por la disminución de las precipitaciones durante largos periodos de
tiempo, generando un déficit en la disponibilidad de agua en los estados del ciclo
hidrológico. Sin embargo, sus efectos pueden ser amplificados por los niveles de
evaporación (dependerá de la radiación solar, la temperatura, viento, etc.), las
características del suelo y el tipo de cobertura vegetal (Kundzewicz et al., 1993).
Las sequías difieren de otros riesgos naturales ya que tiene la particularidad de ser de lento
desarrollo temporal y amplia cobertura espacial, lo que hace difícil precisar con exactitud
su duración y extensión (Beran y Rodier, 1985).
2.2. CLASIFICACIÓN DE SEQUÍA
Wilhite y Glantz (1985) encontraron más de 150 definiciones de sequía, categorizándolas

en cuatro grupos según la disciplina científica, mencionados anteriormente (sequía
meteorológica, hidrológica, agrícola y socioeconómica). Sin embargo, existen
clasificaciones más simples como la de SUDENE (1999), que prescinde del tipo
meteorológico y divide las sequías en hidrológicas, agrícolas y efectivas (estos últimos
equivalentes a las socioeconómicas). Una definición más detallada, como la de
Subrahmanyam (1967), distingue hasta seis tipos de sequía (meteorológica, climática,
atmosférica, agrícola, hidrológica y de gestión hídrica). Sin embargo, ninguna de estas
aporta información conceptualmente mejor sustentada que la propuesta por Wilhite y
Glantz (Valiente, 2001).
2.2.1. SEQUÍA METEOROLÓGICA
Basada en datos climáticos, es una expresión de la desviación de la precipitación respecto a

la media durante un período de tiempo determinado. Palmer (1965) define la sequía
meteorológica como el intervalo de tiempo, meses o años, durante el cual el aporte de
humedad en un determinado lugar disminuye consistentemente respecto a la normal.
Mientras que Russell et al. (1970) lo define de una forma más concisa: Déficit prolongado
de precipitación inferior a la media.
2.2.2. SEQUÍA AGRÍCOLA
La agricultura es el primer sector económico que resulta afectado por la escasez de

precipitaciones, por ello adquiere una especial relevancia en relación con las sequías. Así,
una sequía agrícola se produce cuando no hay suficiente humedad en el suelo para permitir
el desarrollo de un determinado cultivo. Kulik (1962) define la sequía agrícola como el
período durante el cual sólo hay 19 mm de agua disponible en los primeros 20 cm de suelo.
Corresponde al período de tiempo durante el cual la humedad en el suelo es insuficiente
para garantizar el establecimiento de un cultivo y/o su desarrollo o producción. Este tipo de
sequía depende de las condiciones meteorológicas, del tipo de cultivo y las propiedades del
suelo (Valiente, 2001).
2.2.3. SEQUÍA HIDROLÓGICA
Hace referencia a una deficiencia en el caudal o volumen de aguas superficiales o

subterráneas (ríos, embalses, lagos, etc.). Al producirse un desfase entre la escasez de
lluvias y la reducción del caudal de ríos o el nivel de lagos y embalses (tiempo de
6
concentración), las mediciones hidrológicas no pueden ser utilizadas como un indicador
del inicio de la sequía, pero sí de su intensidad (Valiente, 2001).
Linsley et al. (1975) toman en consideración estos aspectos al definir sequía hidrológica
como el período durante el cual los caudales son inadecuados para satisfacer los usos
establecidos bajo un determinado sistema de gestión de aguas.
2.2.4. SEQUÍA SOCIOECONÓMICA
Se produce cuando la disponibilidad de agua disminuye hasta el punto de producir

impactos económicos en la población de la zona afectada por la escasez de lluvias. No es
necesario que se produzca una restricción en el suministro de agua, basta con que algún
sector económico se vea afectado por la escasez hídrica para una sequía socioeconómica
(Valiente, 2001).
2.3. PRINICIPALES MÉTODOS DE CUANTIFICACIÓN DE SEQUÍAS
Se han deducido muchos indicadores para caracterizar cuantitativa y cualitativamente los

efectos de las sequías a partir de información hidrometeorológica (Mayorga et al., 2005).
Los indicadores corresponden a parámetros utilizados para describir la gravedad de las
sequías durante un período determinado. La gravedad está referida a la desviación de la
normalidad de un índice (Cadena, 2006).
Un índice de sequía es definido como aquel valor que permite cuantificar y categorizar
mediante rangos el grado de afectación de la ocurrencia de una sequía. Los índices resultan
útiles en la toma de decisiones (Hurtado, 1986; Cadena, 2006).
Dentro de los índices más utilizados calculados a partir de datos observacionales se

encuentra el Índice Estandarizado de Precipitación (SPI, por sus siglas en inglés),
destacado por la sencillez y facilidad de cálculo (McKee et al., 1993). Se basa en ajustar
una serie histórica de precipitación a una función de Distribución Gamma y estandarizar
los datos a una función de distribución normal (Penalba y Rivera, 2016). El índice de
7
Severidad de la Sequía de Palmer (PDSI), ampliamente utilizado para medir las
condiciones de humedad (Palmer, 1965). El Índice Hidrológico de Sequía de Palmer
(PHDI), que surge de introducir modificaciones al PDSI, utilizado para detectar las
anomalías de humedad que afectan el flujo de agua superficial, la disponibilidad de agua en
el suelo y el nivel de agua en lagos o embalses (Valiente, 2001).
Tanto el índice de severidad de la sequía de Palmer como el índice estandarizado de

precipitación han sido ampliamente utilizado para el monitoreo de sequías (Palmer, 1965;
McKee et al., 1993; McKee et al., 1995). Sin embargo, el uso de estos para la vigilancia y
monitoreo resulta costoso debido a que los datos meteorológicos (observados) para una
región extensa por lo general son escasos y dispersos (Unganai y Kogan, 1998). Debido a
ello, en las últimas décadas el uso de la información satelital para el seguimiento espacio-
temporal de las sequías y sus impactos ha sido reconocida como una herramienta útil y
eficaz para la vigilancia de las sequias (Wagner et al., 1999).
2.4. ESPECTRORADIÓMETRO PARA IMÁGENES DE RESOLUCIÓN

MODERADA (MODIS) EN EL ESTUDIO DE SEQUÍAS
2.4.1. ANTECEDENTES
En la Convención de Estocolmo de 1972 dedicada al Medio Ambiente se involucraron a

políticos y científicos de varias partes del mundo. En esta convención se puso de
manifiesto que las actividades humanas podrían modificar el clima y los diferentes
ecosistemas, provocando alteraciones ecológicas y ambientales a escala global (Rudorff et
al., 2007).
En 1986 Estados Unidos, Europa, Japón y Canadá formaron el Grupo de Trabajo de

Coordinación Internacional Observación de la Tierra (Earth Observation International
Coordination Working Group, EO-ICWG) para coordinar planes de observación y
monitoreo de la Tierra (Sadeh, 2002).
Con una serie de acuerdos el EO-ICWG expandió su propuesta y en 1988 estableció una
misión de órbita polar llamada Sistema Internacional de Observación de la Tierra
8
(International Earth Observing System, IEOS). De acuerdo con Sadeh (2002), esta misión
tiene como principal objetivo monitorear de forma constante la totalidad de la superficie
terrestre para poder determinar los factores del cambio de uso de suelo y sus
consecuencias. En la tabla 1 se aprecian las diferentes misiones del IEOS.
Existen otras misiones fuera del contexto del IEOS, complementarios a la observación de
la Tierra como el Radiómetro de Exploración en el Sentido de la Trayectoria (Along Track
Scanning Radiometer, ATSR), Espectrómetro de Imágenes de Media Resolución (Medium
Resolution Imaging Spectrometer, MERIS), y el Satélite de la Tierra (Land Remote-
Sensing Satellite, Landsat) (Kaufman et al., 1998).
Cuadro 1: Sistema Internacional Observación de la Tierra (International Earth Observing

System, IEOS).
PAÍS O REGIÓN AGENCIA MISIÓN
EOS-AM (Terra), EOS-PM (Aqua) y EOS-CHEM

Estados Unidos NASA
(Aura)
Polar-Orbiting Operational Environmental Satellite

Estados Unidos NOAA
(POES NOAA-N series)
Europa ESA Environmental Satellite (Envisat)

Europa EUMESAT Meteorological Operational Platform (METOP)
Japón JAXA Advanced Earth Observing Satellite (ADEOS)
Japón y Estados Unidos JAXA Y NASA TRMM (Tropical Rainfall Measuring Mission)
Canadá CSA Contribuciones a Terra y a Envisat
Otro proyecto más reciente para generar una base de datos a escala mundial lo desarrolló la
ESA (Agencia Espacial Europea) y es el llamado Cobertura de la Superficie Terrestre
2000. Este proyecto está basado en los productos diarios del SPOT 4 VEGETATION de
1km de resolución espacial (Bartholomé y Belward, 2005).
2.4.2. PROGRAMA EOS
Uno de los acuerdos del EO-ICWG fue la creación de una misión espacial denominada
Sistema de Observación de la Tierra (Earth Observing System, EOS). Poner en órbita tres
plataformas: EOS-AM (Terra), EOS-PM (Aqua) y EOS-CHEM (Aura) para el estudio de
los cambios globales. Esta misión es desarrollada por la NASA.
9
El EOS marcó el desarrollo de la ciencia y la tecnología con la creación de plataformas
orbitales con varios sensores a bordo para colectar diferentes tipos de datos relacionados al
medio ambiente. Estas plataformas fueron desarrolladas para operar por un largo período
de tiempo (Rudorff et al., 2007).
Dentro del proyecto EOS sobresale el sensor denominado MODIS (Moderate Resolution
Imaging Spectroradiometer) a bordo de dos plataformas, que por sus características
espaciales y espectrales es uno de los más importantes para el monitoreo de los procesos de
cambio en la tierra (Rudorff et al., 2007). MODIS fue diseñado por un equipo
interdisciplinario de científicos y trabajó por cerca de 10 años para finalmente definir los
requisitos para la toma, calibración y procesamiento de los datos (Xiong, 2008).
2.4.3. SENSOR MODIS
El sensor espectroradiómetro para imágenes de resolución moderada (Moderate Resolution

Imaging Spectroradiometer - MODIS), se encuentra a bordo de los satélites Terra o EOS-
AM (lanzado en diciembre de 1999) y Aqua o EOS-PM (lanzado en mayo de 2002). La
órbita de ambas plataformas es helio-sincrónica cuasi-polar con una inclinación de 98.2º y
98º, con una altitud media de 708 y 705 km respectivamente (NASA MODIS Web, 2008).
Terra está programada para pasar de norte a sur cruzando el ecuador a las 10:30 AM en su
órbita descendente, mientras que Aqua pasa de sur a norte sobre el ecuador a las 1:30 PM.
Las primeras imágenes captadas por Terra se obtuvieron en febrero del año 2000 (Mas,
2011).
MODIS cuenta con una alta sensibilidad radiométrica (12 bit) en 36 bandas espectrales, en
un rango de longitud de onda que va de los 0.4μm a los 14.4μm (Ver tabla 2). Las primeras
19 bandas están posicionadas en la región del espectro electromagnético situado entre
0.405nm y 2.155nm. Las bandas de la 1 a la 7 son útiles para las aplicaciones terrestres
(Figura 3); las bandas 8 a la 16 para las observaciones oceánicas y las bandas 17 a 19 para
las mediciones atmosféricas. Las bandas 20 a la 36, cubren la porción del infrarrojo
térmico del espectro de (3660-14385nm) (NASA, 2008).
10
Figura 2: Esquema del cubrimiento de la tierra por el sensor MODIS.
Fuente: http://earthobservatory.nasa.gov/Features/OrbitsManeuver/
Figura 3: Longitudes de onda de las 7 primeras bandas del sensor MODIS.
11
2.4.4. NIVELES DE PROCESAMIENTO
Los productos MODIS son divididos en cinco niveles (0 a 4) en función del grado de
procesamiento (Mas, 2011):
- Nivel 0: Datos brutos sin ningún tratamiento.
- Nivel 1: Datos de geolocalización (identificados como MOD03) que contiene coordenadas

geodésicas, información sobre la elevación del terreno, máscara de tierra/agua, ángulo de
elevación, cenit y azimut del satélite y del sol.
- Nivel 1A: Productos utilizados para la geolocalización, la calibración y el procesamiento.

Contienen los niveles de radiancia (MOD01) de las 36 bandas.
- Nivel 1B: Son los productos que contienen las radiancias calibradas y con geolocalización
(MOD02) para las 36 bandas generadas por el nivel 1A. Es por lo tanto una imagen
radiométricamente corregida y calibrada a unidades físicas Datos adicionales incluyen
estimaciones de calidad, del error y datos de calibración.
- Nivel 2: Productos que contienen variables geofísicas. Estos productos se generan a partir
del producto nivel L1B aplicando correcciones atmosféricas.
- Nivel 2G: Productos que contienen variables geofísicas proyectadas en una malla
uniforme. Los datos se adquieren durante un periodo fijo de tiempo (12 o 24 horas).
- Nivel 3: Son productos de valor agregado que describen variables biofísicas. En algunos
casos, se realiza un remuestreo a una menor resolución espacial que las bandas originales y
se elaboran compuestos de intervalos de tiempo establecidos (1, 8, 16 y 30 días).
- Nivel 4: Productos generados por la incorporación de los datos MODIS en modelos para
así estimar variables biofísicas (NASA MODIS Web, 2008).
12
Cuadro 2: Características de las bandas espectrales del sensor MODIS
Uso principal Banda Ancho de banda1
1 620 - 670
Limites de Tierra/Nubes/aerosoles
2 841 - 876
3 459 - 479
4 545 - 565
Propiedades de Tierra/Nubes/aerosoles 5 1230 - 1250
6 1628 - 1652
7 2105 - 2155
8 405 - 420
9 438 - 448
10 483 - 493
11 526 - 536
Color del océano /fitoplancton/bioquímica 12 546 - 556
13 662 - 672
14 673 - 683
15 743 - 753
16 862 - 877
17 890 - 920
Atmosférica Vapor de agua 18 931 - 941
19 915 - 965
Temperatura de la Superficie/nubes 20 3.660 - 3.840
21 3.929 - 3.989
22 3.929 - 3.989
Temperatura Atmosférica
23 4.020 - 4.080
24 4.433 - 4.498
25 4.482 - 4.549
Nubes Cirrus Vapor de agua
26 1.360 - 1.390
27 6.535 - 6.895
Propiedades de las nubes 28 7.175 - 7.475
29 8.400 - 8.700
Ozono 30 9.580 - 9.880
31 10.780 - 11.280
Temperatura de la Superficie/nubes
32 11.770 - 12.270
33 13.185 - 13.485
34 13.485 - 13.785
Altitud de las nubes
35 13.785 - 14.085
36 14.085 - 14.385
1
Bandas de la 1 a la 19 se expresan en nm; Bandas de la 20 a la 36 en µm
2.4.5. LOS PRODUCTOS MODLAND
Con base en los datos MODIS, se elabora una gran variedad de productos enfocados al
estudio de los océanos (MOCEAN), la atmósfera (MODIS Atmosphere), la criósfera y las
cubiertas terrestres (MODLAND). Estos son elaborados por un grupo de científicos
encargados de producir los datos enfocados a la investigación del complejo terrestre y el
cambio global (Justice et al., 2002).
13
Los productos MODIS pueden dividirse en tres grandes grupos (Morisette et al., 2002):
- Variables relacionadas con el balance de energía: la reflectancia de la superficie

(MOD09), la cobertura de nieve (MOD10), la temperatura y la emisividad de la
superficie terrestre (MOD11), el albedo y la función de la distribución de la
reflectancia bidireccional (MOD43).
- Variables biofísicas relacionadas con la vegetación: índices de vegetación (MOD13),

el índice de área foliar o LAI por sus siglas en inglés y la fracción de radiación activa
fotosintética FPAR (MOD15) y la producción primaria (MOD17).
- Características de la cobertura terrestre: coberturas del suelo (MOD12), puntos de

calor e incendios (MOD14), conversión de la cobertura vegetal y fracción de
vegetación (MOD44) y finalmente áreas quemadas (MCD45).
2.4.6. PRODUCTOS MOD11 Y MOD13
Los productos MOD11 proporcionan estimaciones de la temperatura diurna y nocturna de

las cubiertas terrestres (Land Surface Temperature - LST) medido en grados Kelvin al
contacto entre la cobertura y la atmósfera utilizando un algoritmo desarrollado por Wan y
Dozier (1996). Son producidos a una resolución espacial de 1000 m para datos diarios y de
8 días (MOD11A1 y MOD11A2, respectivamente). Existen también productos con
resolución de 6000 m (MOD11B1) y 0.05° (MOD11C1 y MOD11C2) (Mas, 2011).
Los productos MOD13 proporcionan información de índices de vegetación (Normalized

Difference Vegetation Index – NDVI). Obtenidos en base a los valores de reflectancia.
Diseñados específicamente para el monitoreo de la vegetación, incorporando una
corrección atmosférica, reducción en las distorsiones geométricas y mejoras en la
sensibilidad radiométrica (Huete et al., 2002).
Cabe indicar que desde finales de la década de los 1980, se llevaron a cabo proyectos para
el monitoreo y mapeo de las coberturas terrestres utilizando datos del sensor Advanced
Very High Resolution Radiometer (AVHRR) a bordo de los satélites de la serie NOAA
14
(National Oceanic and Atmospheric Administration), proporcionando así información de
NDVI (Cihlar, 2000). Sin embargo, los datos AVHRR no fueron los más idóneos para
estudios de las coberturas, porque presentan una baja resolución espacial, un ángulo de
barrido muy amplio, problemas geométricos y radiométricos en las imágenes resultantes,
además de problemas de contaminación atmosférica de los pixeles (Chuvieco, 1995).
Cuentan con una baja resolución espectral y una alta predisposición a la saturación (Ichoku
et al., 2003).
Los índices de vegetación MOD13 se producen como compuestos de 16 días y mensuales

de manera global a resoluciones de 250, 500, 1000 metros y 0.05º. Los compuestos de 16
días derivados de Terra y de Aqua presentan un desfase de 8 días, permitiendo la
generación de series de tiempo con observaciones cada 8 días, siempre y cuando la
calibración entre los sensores de las dos plataformas permita obtener datos totalmente
compatibles.
2.4.7. ORGANIZACIÓN DE LOS PRODUCTOS MODLAND
La mayoría de los productos de MODLAND son del nivel 2G, 3 y 4 y están organizados en
una retícula de 1200 x 1200km (10° por 10° al ecuador) en proyección sinusoidal (SIN)
(Figura 4). Cada cuadro, llamado tile, se localiza por un número de columna (h) y fila (v).
Algunos productos llamados Malla de Modelado Climático (Climate Modeling Grid, CMG
por sus siglas en inglés), representan toda la superficie terrestre a una resolución espacial
baja (0.05º que corresponden a 5600 m aproximadamente) en proyección geográfica.
La información de los productos MODLAND se encuentran en el formato Hierarchical

Data Format (HDF), desarrollado por el Centro Nacional de Aplicaciones de
Supercomputación (NCSA) (Fishtaler, 1998).
15
Los productos MODIS se nombran a través de la convención adoptada por la NASA. Las
diferentes porciones del nombre del archivo permiten conocer la plataforma, el nombre del
producto, su fecha de adquisición, versión y localización (Figura 5).
Figura 4: Organización de los productos MODLAND en tiles en proyecciones sinusoidales

(SIN).
Figura 5: Nomenclatura utilizada para los nombres de los productos MODIS de nivel 2G o
superior. Modificado de Mas, 2011.
1: Las tres primeras letras hacen referencia a la plataforma: MOD para Terra, MYD para
Aqua y MCD para datos combinados Terra/Aqua. El número se refiere al tipo de producto.
CMG indica el producto global “Climate Modeling Grid”.
16
2: Después de la letra A aparece la fecha de adquisición (año y día juliano en los cuatro
primeros y tres últimos dígitos respectivamente). Por ejemplo, A2007364 indica el año
2007, día juliano 364 (29 de diciembre).
3a: En los productos en gránulos (nivel 2) sigue la hora (hora, minutos) del inicio de la
colecta de datos.
3b: En los productos organizados en tiles aparece las coordenadas h y v del tile. Por
ejemplo, h08v07 indica la retícula 08 es el horizontal y 07 en la vertical. Este campo no
existe para los productos CMG.
4: Sigue la versión de procesamiento o colección, en los ejemplos de la Figura 5

corresponde a la versión cinco.
6: Finalmente aparece la fecha de procesamiento (año, día juliano, hora, minuto y

segundo): 2008182172646 indica: Año 2008, día juliano 182 (30 de junio), 17 horas, 26
minutos y 46 segundos.
2.5. TROPICAL RAINFALL MEASURING MISSION - TRMM
La misión de medición de lluvias tropicales (TRMM, por sus siglas en inglés), es un

esfuerzo conjunto entre National Aeronautics and Space Administration (Administración
Nacional Aeronáutica y del Espacio - NASA) de los Estados Unidos y National Space
Development Agency (Agencia Nacional de Desarrollo Espacial - JAXA) de Japón. El
satélite TRMM fue lanzado al espacio el 27 de noviembre de 1997 y diseñado para el
estudio de las precipitaciones en la región tropical (Kummerow y Barnes, 1997).
El satélite TRMM cuenta con tres instrumentos: sensor de microondas pasivo (TRMM-
TMI), Radar de Precipitación (PR) y escáner infrarrojo visible (VIRS). Los datos del PR-
TRMM se agrupan en niveles, distinguidos por el procesamiento en las mediciones. Los
productos del nivel 3 (3B42-3B43) ofrecen estimaciones de precipitación diaria y mensual
con resolución de 0.25° (Figura 6).
17
Los productos TRMM Análisis de precipitación multi-satélite (TMPA), con base diaria
(3B42 V7) y estimaciones de lluvia en tiempo real (3B42-RT), corresponden a datos de
estimaciones de lluvia más utilizados en el mundo, con una cobertura casi global (50° N y
50° S). Combinan estimaciones de precipitación de varios sistemas satelitales, además
calibrada con datos de precipitación observados en tierra con el objetivo de proporcionar la
mejor estimación posible (Huffman et al., 2007; Huffman et al., 2010).
Figura 6: Flujo de procesamiento de productos del satélite TRMM (Chiu et al., 2006a).
El algoritmo TMPA 3B42 ha evolucionado enormemente durante los últimos años

mediante la combinación de una variedad de información de otros satélites y observaciones
en tierra para producir datos de alta resolución espacial (0.25° x 0.25°) y temporal con un
18
mayor grado de precisión (Huffman et al., 2007; Milewski et al., 2015). Ambas versiones
de los productos se han extendido durante un periodo suficientemente largo, lo que ha
permitido desarrollar diversas aplicaciones y estudios de validación que emplean una o
ambas versiones (Huffman et al., 2010).
Los datos TMPA han sido ampliamente utilizados en investigaciones amazónicas, y es que
la variabilidad espacio-temporal de las lluvias están pobremente representadas en estas
regiones (Collischonn et al., 2008), con una baja densidad en la red de pluviómetros para
una región donde la precipitación convectiva es espacialmente muy variable (Paiva et al.,
2011a). En consecuencia, el entendimiento de los procesos hidrológicos en esta región se
torna complicado (Coe et al., 2008; Collischonn et al., 2008; Buarque et al., 2011; Getirana
et al., 2012).
Figura 7: Precipitación acumulada en mm.dia-1 (3B42-RT) para el período 01 a 04 de junio

del 2005. Fuente: Huffman et al., 2007.
En las regiones andinas y amazónicas, se evaluaron las estimaciones de precipitación de

satélites mediante la comparación respecto a las tasas de precipitación con observaciones
in situ (Buarque et al., 2011; Scheel et al., 2011; Condom et al., 2011). Encontrando así, en
la región amazónica, errores en las estimaciones de lluvia para productos TMPA 3B42 V6,
debido en general a la mala calidad del conjunto de datos de precipitación en estas regiones
(Quiroz et al., 2011; Paiva et al., 2013).
19
Sin embargo, en los últimos años, estos productos satélites han facilitado cada vez más la
estimación de precipitaciones en gran parte del mundo y se han convertido en una
alternativa complementaria para investigaciones y aplicaciones hidrometeorológicas,
además de estudios sobre clima en las regiones con escaza o nula información de
pluviómetros (Zubieta et al., 2015).
2.6. INDICADORES DE SEQUÍAS DERIVADOS DE SENSORAMIENTO

REMOTO
2.6.1. NDVI (NORMALIZED DIFFERENCE VEGETATION INDEX)
Es un indicador del estado de la vegetación obtenido a partir de medidas espectrales. El

NDVI es ampliamente utilizado para el monitoreo del vigor de la vegetación terrestre y las
sequías (Liu y Juárez, 2001). Se define como el cociente entre la suma y las diferencias de
la Banda Roja e Infrarroja cercana.
𝑹𝑰𝑹𝑪 − 𝑹𝑹
𝑵𝑫𝑽𝑰 = [1]
𝑹𝑰𝑹𝑪 + 𝑹𝑹
Dónde:
RIRC y RR corresponden a los valores de reflectancia de la superficie para las bandas del
infrarrojo cercano y rojo (Tucker, 1979).
2.6.2. TVDI (TEMPERATURE VEGETATION DRYNESS INDEX)
El Índice de Sequedad Temperatura-Vegetación (TVDI, Temperature Vegetation Dryness

Index) es inversamente correlacionado con las condiciones de humedad del suelo
(Sandholt et al., 2002). Se expresa como:
∆𝑳𝑺𝑻𝑵𝑫𝑽𝑰𝒊 − ∆𝑳𝑺𝑻𝑵𝑫𝑽𝑰𝒊.𝒎𝒊𝒏
𝑻𝑽𝑫𝑰 = [2]
∆𝑳𝑺𝑻𝑵𝑫𝑽𝑰𝒊.𝒎𝒂𝒙 − ∆𝑳𝑺𝑻𝑵𝑫𝑽𝑰𝒊.𝒎𝒊𝒏
Dónde:
LSTNDVIi.max = a + bNDVIi (Referida a la mínima ETP real en zonas húmedas).

LSTNDVIi.min = a’ + b’NDVIi (Referida a la máxima ETP real en zonas secas).
20
2.6.3. VTCI (VEGETATION TEMPERATURE CONDITION INDEX)
El Índice de Condición Temperatura-Vegetación (VTCI, Vegetation Temperature

Condition Index) es propuesto por Wang et al. (2001), y aplicado ampliamente por Wan et
al. (2004) para el seguimiento de sequías. Se define como:
∆𝑳𝑺𝑻𝑵𝑫𝑽𝑰𝒊.𝒎𝒂𝒙 − ∆𝑳𝑺𝑻𝑵𝑫𝑽𝑰𝒊
𝑽𝑻𝑪𝑰 = [3]
∆𝑳𝑺𝑻𝑵𝑫𝑽𝑰𝒊.𝒎𝒂𝒙 − ∆𝑳𝑺𝑻𝑵𝑫𝑽𝑰𝒊.𝒎𝒊𝒏
2.6.4. WDI (WATER DEFICIT INDEX)
El índice de déficit hídrico (WDI, Water Deficit Index), es propuesto por Moran et al.,
(1994) y puede aplicarse en zonas semiáridas cubiertas por superficies mixtas (vegetación
y suelo desnudo). El WDI cuantifica la tasa de evapotranspiración, presentando valor 0
para superficies completamente húmedas y 1 para superficies secas donde no existe flujo
de calor latente (Verstraeten et al., 2001).
∆𝑳𝑺𝑻𝑵𝑫𝑽𝑰𝒊.𝒎𝒊𝒏 − ∆𝑳𝑺𝑻𝑵𝑫𝑽𝑰𝒊
𝑾𝑫𝑰 = [4]
∆𝑳𝑺𝑻𝑵𝑫𝑽𝑰𝒊.𝒎𝒊𝒏 − ∆𝑳𝑺𝑻𝑵𝑫𝑽𝑰.𝒎𝒂𝒙
Se han desarrollado varios índices basados en observaciones de satélites, y estos utilizados

para detectar y monitorear de manera efectiva las sequías (Rouse et al., 1974). Sin
embargo, estos índices se aplican a menudo para regiones áridas o semiáridas, y su uso en
las regiones húmedas y semi húmedas es limitada (Rhee et al., 2010).
2.7. SEQUÍAS EN LA CUENCA AMAZÓNICA
La ocurrencia de sequías extremas en la cuenca del río Amazonas son más frecuentes
durante los últimos años, en particular desde los años 1980s (Espinoza et al., 2009a y b;
Espinoza et al., 2011; Espinoza et al., 2016), perjudicando a la agricultura y a los
ecosistemas amazónicos (Phillips et al., 2009; Asner y Alencar 2010; Lewis 2011; Xu et al.
2011). Estos eventos en general ocurren por la variabilidad natural del clima. Sin embargo,
en esta región las sequías extremas de los años 2005 y 2010 fueron acontecimientos
inusuales con impactos severos en ecosistemas amazónicos (Nobre et al., 2016).
21
La sequía del 2010 es considerada una de las más devastadoras a sólo 5 años después de la
sequía del 2005 que fue descrito previamente como el evento del siglo (Marengo et al.,
2008; Lewis et al., 2011). La sequía del 2010 fue acompañada por el aumento de las tasas
de incendios, disminución en la productividad de la vegetación y un incremento sustancial
en la mortalidad de árboles (Lewis et al., 2011; Xu et al., 2011; Brando et al., 2014).
Recientes estudios han mostrado evidencias de que las sequías del 2005 y 2010, en general,
se asocian a anomalías positivas de la temperatura superficial del mar en el Atlántico
tropical Norte (Figura 8) y a eventos El Niño (Marengo y Espinoza, 2015). Es así que la
sequía del 2010, comenzó a principios de verano austral durante un evento El Niño y se
intensificó como consecuencia del calentamiento del Atlántico tropical Norte (Espinoza et
al., 2011; Marengo et al., 2011).
2.8. SEQUÍAS EXTREMAS Y LA VEGETACIÓN AMAZÓNICA
A pesar de los avances en las investigaciones de los últimos años, las interacciones lluvia-
vegetación siguen siendo complejas y no lineales. Entender los efectos de cambio en las
precipitaciones en el bosque amazónico es todo un desafío (Asner y Alencar, 2010). Por
ello, artículos recientes ilustran las diversas complejidades referida a la respuesta y
vulnerabilidad de la vegetación amazónica a las sequías, siendo objeto de intenso estudio a
la actualidad (Phillips et al., 2009; Samanta et al., 2010a y 2010b; Brando et al. 2010;
Anderson et al. 2010; Espinoza et al., 2016).
La sequía ocurrida durante el 2010 impactó en casi toda la región tropical de América del
Sur. A diferencia de la sequía del 2005, que afectó prioritariamente al suroeste de la
Amazonía (Xu et al., 2011). Durante el 2010, alrededor del 41 por ciento del área en la
región 10°N-20°S y 45°W- 80°W presentó anomalías negativas en la vegetación (4.94
millones de km2) en comparación con el 25 por ciento durante el 2005 (3.0 millones de
km2) (Xu et al., 2011) (Figura 9). Además, se presentaron incendios de alta intensidad en 5
por ciento de los bosques del sudeste del Amazonas durante la sequía del 2010 (Brando et
al., 2014).
22
Además, basándose en el área que afectaron las anomalías negativas de precipitación, la
sequía del 2010 fue más grande que la sequía del 2005, y se estima que la selva amazónica
perdió aproximadamente 38 por ciento más biomasa durante la sequía 2010 que durante el
2005 debido a los incendios forestales ocurridos durante esos años (Lewis et al., 2011)
(Figura 10).
2.9. INTENSIFICACIÓN DE LAS SEQUÍAS Y SUS IMPACTOS EN LA

VEGETACIÓN
En un escenario de cambio climático se prevé que las sequías aumentarían en frecuencia,

extensión e intensidad (Williams et al., 2007; Malhi et al., 2009). Las sequías tendrán un
impacto importante en el funcionamiento de la biosfera, la biodiversidad y la pérdida de
bosques debido al fuerte acoplamiento de la vegetación y el clima regional, siendo el
bosque de la Amazonía importante en el ciclo hidrológico (Meir et al., 2008; Loarie et al.,
2009; Zemp et al., 2017).
El estado de la vegetación amazónica depende en gran medida del régimen de lluvias

(Malhi et al., 2009; Hirota et al., 2011). Con la disminución de la precipitación y las
sequías extremas, se incrementan los incendios forestales y la resistencia de los bosques
disminuye (Verbesselt et al., 2016; Poorter et al., 2016), provocando que la vegetación
amazónica cambie de un bosque amazónico a bosque estacional o sabana (Salazar et al.,
2007; Staver et al., 2011; Hirota et al., 2011; Xu et al., 2016; Nobre et al., 2016).
Por otro lado, la pérdida de bosques amplifica e intensifica las sequías (Spracklen et al.,
2012; Bagley et al., 2014), debilitando el reciclaje de humedad en un 25-50 por ciento de la
precipitación total en la cuenca amazónica (Zemp et al., 2014). Como consecuencia, una
disminución en el flujo de entrada de humedad oceánica podría conducir a la pérdida de
bosques amazónico, lo cual completa un ciclo de retroalimentación positiva entre sequías,
pérdida del bosque, intensificación de sequías, pérdida del bosque, etc (Zemp et al., 2017).
23
Figura 8: Anomalías de TSM (en °C, a la izquierda) y de flujos de vapor de agua (kg m -1
día-1) entre el suelo y 300 hPa (derecha) durante el año hidrológico 2010 de octubre a
diciembre (Figuras 8A y 8E), de enero a marzo (8B y 8F), de mayo a junio (8C y 8G) y de
julio a septiembre (8D y 8D).
Fuente: Espinoza et al., 2011.
Figura 9: Distribución espacial de anomalías estandarizadas del índice de vegetación de

diferencia normalizada (NDVI) y del índice de vegetación mejorado (EVI) durante el 2010
para el periodo seco (julio a septiembre).
Fuente: Xu et al., 2011.
24
Figura 10: Distribución espacial de anomalías de precipitación calculada a partir de datos
TRMM durante las sequías del 2005 (A) y 2010 (B). En C y D se muestra el máximo
déficit de agua (MCWD), medida alternativa de la intensidad de la sequía durante los años
2005 y 2010 respectivamente. Fuente: Lewis et al., 2011. Editado por UNEP/GRID.
Figura 11: Sistema esquemático de la relación vegetación-atmósfera en equilibrio (a).

Pérdida de bosque inicial provocada por la disminución de flujo de humedad proveniente
del océano (b). Como resultado, el régimen de lluvias se altera, dando lugar a una mayor
pérdida de bosques y reducción en el transporte de humedad en la cuenca (c). Fuente:
Zemp et al., 2017.
25
2.10. ALARGAMIENTO DE LA ESTACIÓN SECA EN LA CUENCA
AMAZÓNICA
En la cuenca amazónica existe una importante diferencia entre la época seca y la sequía
propiamente debido a la geografía y la persistencia de déficit de precipitaciones (Asner y
Alencar, 2010). Típicamente, hay una estación seca que dura entre 4 a 5 meses (cuando las
precipitaciones son <100mm por mes) sobre gran parte de la cuenca (Marengo et al.,
1998). Durante la estación seca se producen cambios de estructura, fisiología y fenología
en la vegetación (Dantas y Phillipson, 1989; Meir et al., 2009).
Un aspecto importante del funcionamiento y mantenimiento de la selva amazónica es la

duración de la estación seca. Existe una creciente evidencia del alargamiento de la estación
seca en la cuenca amazónica (Marengo et al., 2012; Dubreuil et al., 2012; Fu et al., 2013;
Arias et al., 2015). Las razones de este alargamiento todavía no son claras. Se ha sugerido
que la influencia en gran medida corresponde a los gradientes de TSM del Atlántico Norte
y Sur (Marengo et al., 2001; Marengo et al., 2012; Arias et al., 2015) o una fuerte
influencia de la evapotranspiración durante la estación seca (Fu y Li 2004; Li et al., 2006),
en respuesta a un incremento estacional de la radiación solar (Myneni et al., 2007).
Además, Investigaciones recientes ponen en evidencia que la variabilidad del número de
días secos se correlaciona positivamente con la temperatura de superficie sobre el Atlántico
Tropical Norte durante el periodo de abril-agosto (Espinoza et al., 2016).
2.11. LA DEFORESTACIÓN Y EL CLIMA REGIONAL
Los estudios de modelos sugieren que una disminución en las tasas de evapotranspiración
y un aumento en la temperatura fueron causados por la sustitución a gran escala de los
bosques del Amazonas por pastos (Nobre et al., 1991; Sampaio et al., 2007; Costa et al.,
2007). La deforestación de pequeña escala puede conducir a un aumento en la
precipitación local por el denominado “efecto del viento” (Roy y Avissar, 2002; Da Silva
et al., 2008). Sin embargo, la deforestación a gran escala puede actuar para disminuir las
tasas de precipitación a escala regional.
26
El impacto del cambio de uso del suelo en la precipitación se produce principalmente
durante la estación seca (Lee et al., 2011). Reducir la deforestación puede ayudar a
aumentar la resistencia de los bosques en un clima cambiante. La posibilidad de que el
patrón de intensas sequías en la Amazonía continúe, significaría que una gran parte de la
selva desaparezca en las próximas décadas convirtiéndose en un ecosistema de Sabana
(Nepstad, 2008). Los cambios en el alargamiento de la estación seca, sequías intensas, el
calentamiento global y la deforestación podrían causar estragos en la estabilidad de los
ecosistemas tropicales y cambios que serían irreversibles (Nobre et al., 2016).
2.12. SEQUÍAS EXTREMAS, VEGETACIÓN E INCENDIOS
Se han realizado un gran número de estudios para comprender mejor los impactos de las
sequías extremas en los bosques tropicales. Sin embargo, las preguntas importantes todavía
permanecen. Las observaciones in situ de los efectos de la sequía extremas “naturales” y
las sequías inducidas artificialmente demostraron que los bosques responden con la
interrupción del crecimiento y la mortalidad de algunas especies durante una sequía
prolongada (Nepstad et al., 2007; Brando et al., 2008; Phillips et al., 2009). Los resultados
de las sequías inducidas artificialmente y naturales han demostrado que los árboles más
grandes, junto con lianas, son los más vulnerables (Nepstad et al., 2007) debido a una
exposición significativa a la radiación solar durante las sequías extremas (Rowland et al.,
2015). Ello indicaría que las sequías pueden actuar de forma selectiva, poniendo en peligro
la biodiversidad local (Phillips et al., 2009).
Los eventos extremos y la deforestación pueden actuar sinérgicamente: Las áreas

deforestadas pueden afectar el clima regional y local, a su vez, pueden amplificar el
impacto de la deforestación mediante el aumento de la mortalidad de árboles. En ambas
situaciones, la ocurrencia de incendios se amplifica enormemente (Nobre et al., 2016). La
asociación entre un ambiente de bosque seco (suelo y hojarasca) y las fuentes de ignición
de las actividades antrópicas (prácticas agrícolas, tala y quema), promueve la fuga de
incendios hacia áreas forestales intactas. La ausencia de precipitaciones, típico de los años
de sequía extrema, facilita la propagación del fuego (Laurance et al., 1998; Aragão et al.,
2007; Aragão et al., 2008).
27
En condiciones normales de precipitación y humedad atmosférica, la aparición espontánea
de fuego en el bosque tropical es bastante inusual (Ray et al., 2005). Las zonas forestales
sometidas a sucesivos incendios experimentan un cambio en la prevalencia de la
vegetación secundaria y la aparición de especies de ciclo vegetativo estacional (Barlow y
Peres, 2008). Esta transición es más recurrente en zonas donde las perturbaciones son
frecuentes y la estación seca es más larga (> 4 a 5 meses) (Brando et al., 2014). En otras
palabras, en regiones al sur de la cuenca amazónica, donde el crecimiento de la vegetación
es limitadada por el agua (Espinoza et al., 2016; Nobre et al., 2016).
2.13. EQUILIBRIO VEGETACIÓN-CLIMA Y PERSPECTIVAS FUTURAS DE

LOS BOSQUES AMAZÓNICOS
Por sí sola, las sequías podrían ser lo suficientemente perjudicial para el mantenimiento y
la integridad del ecosistema. Su acción conjunta y los efectos sinérgicos con otros
conductores antropogénicos como la deforestación y los incendios tienen el potencial para
amplificar estos impactos provocando el colapso del bosque (Cox et al., 2000; Cox et al.,
2004) y su transformación en un bioma de sabana, seco y pobre (Nobre et al., 1991;
Oyama y Nobre, 2003). Dependiendo de la escala, estos cambios podrían conducir a que el
clima local cambie, acelerando la ruptura del ecosistema (Scheffer et al., 2001).
La Amazonía ha sufrido una sucesión de fenómenos climáticos extremos desde los años
1990s y un aumento de la frecuencia de incendios durante las sequías, que causan estragos
a la capacidad de recuperación de la Amazonía (Nobre y Borma, 2009). Esto es apoyado
por una tendencia al aumento de la mortalidad de árboles (Brienen et al., 2015) junto al
hecho de que las frecuencias de incendios no han disminuido (Alencar et al., 2015).
La región amazónica ha experimentado un aumento de temperatura de cerca de 1°C (IPCC

2013; Victoria et al., 1998), debido al calentamiento global. Se estima que 3.5°C de
calentamiento global (que corresponde a alrededor de 4°C de aumento de la temperatura en
la Amazonía) podría perturbar el equilibrio vegetación-clima, lo que lleva a una pérdida
sustancial en el bosque tropical (Salazar y Nobre 2010; Salazar et al., 2007). Además, hay
evidencia observacional de un alargamiento de la estación seca, que conduciría la
28
transición de bosque tropical a sabana, conocido como el proceso de “sabanización”
(Nobre et al., 1991).
Se analizaron modelos climáticos para cuantificar el impacto de los cambios en el clima

regional en la vegetación debido al calentamiento global. Teniendo en cuenta el efecto
combinado de los escenarios de cambio climático, cambios en el clima regional, la
deforestación a gran escala y los incendios forestales, se estima una reducción de más del
60 por ciento en el área de bosque en la Amazonía para el 2050. La mayor parte de los
cambios de tipo de bioma se concentran sobre la Amazonía oriental y meridional, con el
reemplazo de bosques tropicales por un bosque estacional y sabana tropical (Nobre et al.,
2016).
Este escenario es alarmante dato que el bosque amazónico ejerce un rol determinante para
la estabilidad del clima local, regional y global. Los cambios en las condiciones
vegetativas debido a la deforestación y la variabilidad climática potencializan la pérdida
del bosque y su capacidad regenerativa. Acelerando la deforestación y rebasando el punto
de no retorno, se estima que en pocas décadas el clima cambie (Coe et al., 2013). Es
necesario intensificar la investigación en estos temas debido al alto impacto que estos
cambios podrían conllevar en un futuro no muy lejano.
29
III. MATERIALES Y MÉTODOS
3.1. CARACTERÍSTICAS GENERALES DEL ÁREA DE ESTUDIO
La cuenca del Amazonas es la más grande cuenca del planeta, se extiende desde los Andes
orientales hasta el Océano Atlántico (5° N y 20° S) (Espinoza et al., 2009a), con un área de
drenaje más de 6 000 000 km2 y con una descarga media anual de 206 000 m3/s (Callède et
al., 2010). Se divide en tres grandes unidades morfológicas: el 44 por ciento de su
superficie pertenece a los escudos geológicos guyanés y brasilero, el 45 por ciento en la
llanura amazónica, y el 11 por ciento en los Andes. Esta cuenca cubre siete países: Brasil
(63 por ciento), Perú (16 por ciento), Bolivia (12 por ciento), Colombia (6 por ciento),
Ecuador (2 por ciento), Venezuela y Guyana (1 por ciento) (Espinoza et al., 2009a).
El área de estudio corresponde a la cuenca de la Amazonía peruano - ecuatoriana

delimitada hasta la estación hidrométrica de Tabatinga (Brasil) cerca de la triple frontera
entre Perú, Colombia y Brasil. Dentro de la cuenca amazónica, la cuenca andino-
amazónica del Perú y Ecuador, ocupa el 14 por ciento de la superficie y está ubicada en la
parte oeste de la misma, en donde se distinguen dos regiones naturales: la primera región
consiste en planicies de tierras bajas, mientras que la segunda, corresponde a la región
andina que es una de las más pronunciadas y elevadas cadenas de montañas de la tierra
después del Himalaya. Naturalmente, cada una de estas regiones están influenciadas entre
sí, dado que hacen parte de la misma cuenca hidrográfica, están interrelacionadas por un
conjunto de parámetros físicos, geoquímicos y biológicos (ACTO, 2005).
En la Figura 12 se muestra la ubicación geográfica del área de estudio, se detalla la red

hídrica con los principales ríos, las estaciones hidrométricas de las sub-cuencas de interés
en el estudio son nombrados y el contraste orográfico de la región andino-amazónica.
Figura 12: Ubicación geográfica de la cuenca amazónica delimitada hasta la estación
hidrométrica de Tabatinga. El gradiente altitudinal se muestra a partir del modelo digital de
elevación del SRTM a 90m de resolución. Se muestra la red de drenaje, las estaciones
hidrométricas de las sub-cuencas de interés y la línea de los 500m como inicio de los
Andes del Este.
Fuente: Elaboración propia
En esta región, el agua y los recursos acuáticos en general proporcionan servicios

esenciales a la población, siendo además la región con la mayor biodiversidad en el mundo
(Myers et al., 2000). La pesca de la región proporciona una gran cantidad de proteínas
consumidas por la población. Los ríos y lagos satisfacen casi todas las necesidades de
abastecimiento de los pueblos amazónicos como bebida, cocina, baño y la eliminación de
desechos (Lavado et al., 2011). Sin embargo, una pequeña parte del agua es dedicada a la
irrigación. Los ríos y lagunas constituyen una de las principales vías de transporte y
también proporciona oportunidades para la navegación (McClain, 2001). La cuenca
amazónica del Perú y Ecuador, corresponde a una región de contrastes únicos en la que se
experimenta una alta variabilidad espacial de regímenes anuales de precipitación debido a
su extensión latitudinal y la presencia de los Andes (Espinoza et al., 2009a).
31
Las zonas de mayores precipitaciones son encontradas en regiones ecuatoriales. Los
regímenes de precipitación evidencian la fuerte oposición entre las regiones tropicales
norte y sur, como consecuencia del calentamiento alterno de cada hemisferio y del monzón
Sudamericano. Las máximas precipitaciones en marzo, abril mayo y las mínimas en
septiembre, octubre y noviembre están asociadas con la migración estacional de la Zona de
convergencia intertropical (Espinoza et al., 2009a).
La parte sur de la cuenca muestra un claro régimen tropical con un ciclo anual que en
general inicia en agosto, un periodo de lluvias de diciembre a marzo y una estación seca de
mayo a septiembre (Figura 13a y 13b). En el norte, en la parte alta del río Marañón (Figura
13d) se observa un régimen intermedio entre tropical sur y ecuatorial con un período muy
lluvioso de enero a abril.
Figura 13: Régimen de lluvia para 8 estaciones de la cuenca amazónica peruana

ecuatoriana. Cada figura corresponde a un régimen de enero=1 a diciembre=12 (en el eje
X) en mm/mes (en Y). Los principales ríos son nombrados.
Fuente: Espinoza et al. (2009a).
32
En las regiones cerca de la línea ecuatorial, se observan períodos de lluvias más
prolongados, como en la estación de Gualaquiza (Figura 13e), que registra un período de
lluvias durante febrero a julio y sin período seco. Hacia el este, en Iquitos (Figura 13f), se
describe un típico régimen ecuatorial, con lluvias durante casi todo el año. Un tipo de
régimen bimodal se muestra en la Figura 13g, con dos periodos de lluvias comprendidos
durante los meses de febrero a mayo y septiembre a noviembre.
3.2. DATOS
Para la presente investigación se integraron varios tipos de información, los cuales pueden
clasificarse en datos provenientes de sensores remotos (MODIS y TRMM): 1) datos de
índices de vegetación, 2) Temperatura de Superficie del Suelo, y 3) datos de precipitación
estimada TRMM con base diaria (V7) y a tiempo real (RT). Por otro lado, se usaron datos
de precipitación diaria basada en observaciones provenientes del observatorio SO-
HYBAM.
3.2.1. DATOS DEL SENSOR MODIS
Los productos MODIS, de acuerdo al grado de procesamiento, se dividen en cinco niveles

(0 a 4). Para este estudio se utilizaron productos de nivel-3, que corresponden a productos
con valor agregado derivados de variables geofísicas mapeadas, que para algunos casos
cuentan con un remuestreo a una menor resolución espacial que los datos originales y son
elaborados en compuestos de intervalos de tiempo de 1, 8, 16 y 30 días (Mas, 2011).
Se utilizaron los productos MOD11 (Temperatura de Superficie de Suelo) (Figura 14) y

MOD13 (Normalized Difference Vegetation Index) (Figura 15), que corresponden a
productos enfocados al estudio de las cubiertas terrestres (MODLAND) obtenidos con el
satélite Terra. Estos productos han sido previamente utilizados para el monitoreo de la
cuenca amazónica brasileña en Huete et al., 2006; Samanta et al., 2010; Xu et al., 2011;
Maeda et al., 2014, entre otros.
33
Figura 14: Producto MOD11 – Temperatura de Superficie de Suelo en proyecciones
sinusoidales. Los valores muestran la temperatura media anual de la superficie del globo
terrestre medida en kelvin.
Fuente: Elaboración propia.
Figura 15: Producto MOD13 – Índice de Vegetación de Diferencia Normalizada en

proyecciones sinusoidales. Los valores muestran las condiciones medias de la vegetación
del globo terrestre.
34
a. Temperatura de Superficie de Suelo (MOD11)
El algoritmo utilizado permite estimar la emisividad y la temperatura a partir de un par de

imágenes diurnas y nocturnas tomadas en condiciones de cielo despejado utilizando 7
bandas del infrarrojo medio y térmico (bandas 20, 22, 23, 29 y 31-33) en cualquier tipo de
cobertura de suelo (Wan y Li, 1997). Se llevaron a cabo campañas de validación en la
estimación de temperaturas en áreas homogéneas en diferentes tipos de coberturas y
mostraron un buen ajuste, con diferencia de menos de un grado para temperaturas entre -
10 y 50º C (Wan et al., 2004).
Para el caso de estudio se ha utilizado los productos MOD11A2 de 1km de resolución

espacial. Información cada 8 días y con un remuestreo a 0.25° para el periodo de 2001-
2015. Cada valor de píxel de los productos MOD11A2 corresponden a un promedio simple
de todos los píxeles correspondientes a MOD11A1 (diarios) tomados dentro de ese periodo
de 8 días (Wan et al., 2015).
En la Figura 16 se presenta el promedio anual de la temperatura de superficie de suelo (en

Kelvin) a nivel de toda la cuenca amazónica calculados a partir del producto MOD11.
b. Índice de Vegetación (MOD13)
Los productos MOD13 del sensor MODIS proporcionan información de NDVI

(Normalized Difference Vegetation Index), el cual es un índice que permite estimar la
cantidad, calidad y desarrollo de la vegetación en base a mediciones de sensores remotos,
además depende de factores climáticos, como la precipitación y la temperatura, y es
ampliamente utilizado para el monitoreo del vigor de la vegetación terrestre y las sequías
(Liu y Juárez, 2001).
Para los datos de NDVI de esta investigación, se ha utilizado el producto MOD13C1 del
sensor MODIS. El producto MOD13C1 corresponde a datos globales que cubren toda la
superficie terrestre (Climate Modeling Grid, CMG por sus siglas en inglés) de 0.05° de
resolución espacial, datos de nivel-3, desarrollado a partir de promedios espaciales de los
35
compuestos de 16 días del producto MOD13A2 de 1km de resolución (Solano et al., 2010).
El producto MOD13C1 es considerado de mayor calidad, ya que utiliza un algoritmo que
elimina pixeles contaminados por presencia de nubosidad mediante un remuestreo espacial
de los píxeles de mejor calidad y de un proceso de llenado de datos vacíos, basado en los
registros históricos, teniendo como resultado un producto continuo (Mas, 2011).
El algoritmo minimiza la presencia de nubes en el producto de salida, ya que es calculado a

partir de los valores de reflectancia de buena calidad remuestreados a 0.05° de resolución
espacial, usando un esquema de filtrado que remueve los pixeles contaminados por nubes
(Figura 17).
El algoritmo funciona de la siguiente manera: Si todos los píxeles de entrada son de buena
calidad, todos se promedian para producir un valor de salida; Si todos los píxeles de
entrada son contaminados, el valor de salida es obtenida a partir del valor climático de la
base histórica; y, si los píxeles de entrada son mixtos, sólo los píxeles de buena calidad son
considerados y se promedian para producir el valor de salida (Solano et al., 2010).
MOD13C1 utiliza todo el registro histórico de datos MODIS para calcular un valor de
relleno fiable si es que no existiesen algunos valores de entrada o se encuentren con
presencia de nubosidad. El valor de relleno es calculado a partir del promedio de datos de
buena calidad de años anteriores para producir información fiable (Figura 18).
36
Figura 16: Temperatura promedio anual de la superficie de suelo (LST) de la cuenca
Amazónica calculado a partir del producto MOD11 considerando el periodo 2001-2015.
Los valores reflejan las condiciones térmicas de la superficie de suelo medidos en Kelvin.
Figura 17: Flujo de procesamiento para la obtención del producto MOD13C1. Datos de
1km de buena calidad, con nubosidad y mixtos como valores de entrada. Filtro de calidad
(QA) a nivel de pixel, remuestreo a 0.05° y llenado de datos vacíos con promedios
climatológicos.
Fuente: Solano et al., 2010.
37
Figura 18: Promedio anual de los valores de NDVI de la cuenca amazónica calculado a
partir del producto MOD13 considerando el periodo 2001-2015. Los valores reflejan
condiciones de escaza vegetación (cercanos a cero) y condiciones de mayor vegetación
(valores cercanos a 1).
3.2.2. DATOS DE PRECIPITACIÓN – TRMM
Para esta investigación se ha utilizado información del producto TRMM Análisis de

precipitación multi-satélite (TMPA), con base diaria (3B42 V7) y estimaciones de lluvia en
tiempo real (3B42-RT).
El producto TMPA 3B42-RT, proporciona datos cada 3 horas, a 0.25 ° de resolución

espacial, y disponible a partir de 01 de marzo del 2000 hasta la actualidad (Huffman et al.,
2010; Chen et al., 2016). Este producto de precipitaciones en tiempo real, ha sido
ampliamente utilizado en numerosas investigaciones debido a su disponibilidad y el
periodo de registro de información.
En la Figura 19 se muestra el comportamiento promedio de la precipitación total anual

calculado a partir del producto diario TRMM - 3B42 V7.
38
Figura 19: Distribución espacial de la precipitación media anual (en mm/año) de la cuenca
amazónica calculado a partir del producto diario TRMM 3B42 V7 para el periodo 2001-
2015.
3.2.3. DATOS DE PRECIPITACIÓN DIARIA BASADOS EN OBSERVACIONES

(HOP)
Se ha utilizado datos grillados de precipitación diaria provenientes del observatorio

HYBAM (http://www.so-hybam.org/). Estos datos se basan en 752 estaciones
pluviométricas distribuidas a nivel de toda la cuenca amazónica, cuidadosamente
seleccionadas de un total de 1488 estaciones mediante un control de calidad basado en el
Método de Vector regional (Espinoza et al., 2009a). La información de precipitación diaria
ha sido espacialmente interpolada a una grilla de 1°x1°, utilizando el método de kriging
ordinario, para así generar un conjunto de datos grillados de lluvia observada para el
periodo de 1980 - 2009 (Guimberteau et al., 2012; Zubieta et al., 2015; Espinoza et al.,
2016). Los datos grillados HYBAM proporciona una mejor representación de las lluvias
diarias sobre la cuenca Amazónica en comparación a otros datos observados (Guimberteau
et al., 2012; Zubieta et al., 2015; Getirana et al., 2014).
39
En la Figura 20 se presenta el comportamiento promedio de la precipitación total anual,
calculado a partir de los datos HYBAM considerando todo el periodo de registro de la
información (1980 – 2009). La información fue obtenida en http://www.so-hybam.org/.
Figura 20: Distribución espacial de la precipitación media anual (en mm/año) para toda la
cuenca amazónica. Periodo 1980-2009. Calculados a partir de los datos diarios del SO-
HYBAM (http://www.so-hybam.org/).
Fuente: Elaboración propia
3.3. METODOLOGÍA
La metodología desarrollada para la presente investigación se detalla en la Figura 21.

Agrupándose principalmente en las etapas siguientes: Preparación de datos, Análisis
espacio temporal de las variables, estimación de Índices de Sequía, Análisis del número de
días secos y su relación con la vegetación y el análisis de número de días secos a tiempo
real como indicador para el monitoreo de sequías.
40
3.3.1. PRE PROCESAMIENTO DE DATOS
a. Datos de LST
La información utilizada en la presente investigación corresponde al producto MOD11A1,

datos de temperatura de superficie de suelo, con una resolución temporal de 8 días y una
resolución espacial de 1 km, durante el periodo del 2001 a 2015.
Al tener información cada 8 días, se hicieron promedios para obtener datos mensuales.
Además de un remuestreo (resample) de 1 km a 0.25° para homogeneizar la resolución
espacial a la de los datos TRMM.
Investigaciones sobre la utilización de datos LST en la Amazonía es relativamente escaza.

Sin embargo, se han realizado algunos trabajos como el de Van Leeuwen et al. (2011); en
el que analizaron las maneras de utilizar los datos LST para relacionar y detectar los
cambios en la cubierta de la foresta tropical en la región de Mato Grosso Brasil. Así
mismo, Jiménez-Muñoz et al. (2013), analizaron las condiciones secas en la cuenca
amazónica a partir de datos de LST MODIS durante los años 2000-2012, con un enfoque
particular en los años 2005 y 2010. Jiménez-Muñoz et al. (2015), desarrollaron una
plataforma web para difundir el monitoreo mensual de anomalías térmicas en la cuenca
amazónica, en el que se incluye los mapas digitales para ser visualizados. Gomis-Cebolla
et al. (2016) se enfocaron en la corrección de los datos LST con diferentes algoritmos de
enmascaramiento debido a la alta persistencia de la cobertura de nubes en regiones
amazónicas.
b. Datos de NDVI
Los datos de NDVI utilizados, corresponde al producto MOD13C1, datos globales de

mayor calidad, con una resolución temporal de 16 días y 0.05° de resolución espacial. Los
datos fueron remuestreados a 0.25° (resolución de TRMM), considerando el periodo del
2001 a 2015.
41
MOD 11A1 MOD 13C1 TRMM 3B42
LST NDVI
Preparación Land Surface Índice de
Lluvia diaria a
de Datos Temperature a 1km Vegetación a 5km
0.25°
8 dias 16 dias
Compuesto mensual MVC mensual Lluvia acumulada
Resample a 0.25° Resample a 0.25° mensual
Variabiliad espacio Variabiliad espacio Variabiliad espacio

- temporal LST - temporal del NDVI - temporal de las
Altitudinal Altitudinal lluvias Altitudinal
El Ciclo Anual El Ciclo Anual El Ciclo Anual
Análisis y estimación de
Interanual Interanual Interanual
Índices
ÍNDICE DE CONDICIÓN DE ÍNDICE DE CONDICIÓN DE ÍNDICE DE CONDICIÓN DE

TEMPERATURA (TCI) VEGETACIÓN (VCI) PRECIPITACIÓN (PCI)
Análisis del número

FRECUENCIA DE DÍAS SECOS FRECUENCIA DE DÍAS SECOS
de días secos
(DDFs) - HOP (DDFs) - TRMM
Datos grillados
HyBAM menores a 1 mm menores a 1 mm
menores a 2 mm menores a 2 mm
Lluvia observada
diaria e interpolada menores a 3 mm menores a 3 mm
a 1°x 1°
DDFs Y LAS CONDICIONES DE
VEGETACIÓN Monitoreo de
TRMM 3B42 -
Sequías
RT
Lluvia diaria en FRECUENCIA DE DÍAS SECOS MONITOREO DE DDFs PARA LA

tiempo real a 0.25° (DDFs) - RT PREVISIÓN DE SEQUÍAS
Figura 21: Esquema metodológico de la investigación a fin de desarrollar indicadores para

el monitoreo y previsión de sequías y sus impactos en la vegetación en la cuenca andino-
amazónica.
Para reducir distorsiones por nubosidad y mejorar la calidad de los datos MOD13C1, y
tener información cada 16 días, se elaboraron compuestos multitemporales (MVC)
mensuales, que básicamente realiza una selección de las mejores observaciones de cada
píxel en el mes; de forma que, al perder resolución temporal, se incrementa la calidad
global de los datos a escala mensual (Holben, 1986). También se implementó un método
simple pero robusto basado en el filtro temporal propuesto por Zavitsky y Golay (1964) a
nivel de pixel, para suavizar las distorsiones y el ruido en los datos de NDVI causados por
la contaminación de las imágenes principalmente por presencia de nubes y la variabilidad
atmosférica presente aun en las imágenes (Chen et al., 2004).
El Filtro Zavitsky-Golay es un método de ajuste de funciones polinómicas basado en una

regresión de mínimos cuadrados ponderados (Ecuación N° 2). Este enfoque tiende a
preservar características del conjunto de datos tales como valores máximos y mínimos. El
42
filtro podría verse como uno de media móvil ponderada o como un polinomio de cierto
grado. Este filtro puede aplicarse a cualquier serie de datos consecutivos cuando los puntos
de datos están situados a intervalos fijos y uniformes. La curva formada por la
representación gráfica de los puntos debe ser continua y más o menos lisa. En este estudio,
los puntos consecutivos fueron valores de NDVI a intervalos mensuales en un pixel dado.
El algoritmo es el siguiente:
𝒊=𝒎
∑ (𝑪𝒊 ∗ 𝒀𝒋+𝒊 )
𝒊=−𝒎
𝒀𝒋 = [5]
𝑵
Dónde:
Y es el valor de NDVI original, Yj es el valor NDVI filtrado, Ci es el coeficiente para el

valor i del filtro (ventana de suavizado) y N es el número convoluciones, que es igual al
tamaño de la ventana de suavizado (2m + 1). El índice j es un índice que verifica el orden
de los datos originales. La matriz de ajuste (tamaño del filtro) consta de 2m + 1 puntos,
donde m es la mitad de ancho de la ventana de suavizado. Un valor mayor de m produce un
resultado más suave, aplanando picos agudos.
Posterior a ello se hiso un remuestreo de 0.05° a 0.25°, a fin de homogeneizar la

información a la resolución espacial de los datos TRMM.
3.3.2. ANÁLISIS ESPACIO TEMPORAL DE LOS DATOS
Se generaron series temporales de las variables de todo el periodo de registro y se analizó

el contraste temporal con la finalidad de identificar ciclos. Además del contraste altitudinal
de las condiciones de vegetación y temperatura de superficie de suelo, considerando la
región Andina y Amazónica por encima y por debajo de los 500m de altitud.
Se determinó el comportamiento del ciclo anual de las condiciones de temperatura de

superficie, vegetación y precipitación a nivel de toda la cuenca de Tabatinga y a escala de
sub-cuencas para poder caracterizar la dinámica de las variables durante un año común.
Las variables fueron analizadas respecto a la variabilidad interanual para poder identificar
su comportamiento durante los años de sequías extremas.
43
3.3.3. ESTIMACIÓN DE ÍNDICES DE SEQUÍA
Se han desarrollado y adaptado tres índices de sequía interanual a partir de las condiciones
de vegetación, temperatura de superficie de suelo y precipitación del TRMM, con la
finalidad de caracterizar el porcentaje de área en condiciones secas y condiciones húmedas
durante años de sequias extremas.
a. Índice de Condición de Vegetación (VCI)
Una sequía extrema debilita el crecimiento de la vegetación y da lugar a un NDVI bajo;

por otro lado, un NDVI alto representa una alta actividad fotosintética de la vegetación,
existiendo condiciones ambientales favorables para su crecimiento. Desarrollado por
Kogan (1999), el VCI es un mejor indicador de estrés hídrico que se basa en las
mediciones de NDVI y se define de la siguiente manera:
𝑵𝑫𝑽𝑰−𝑵𝑫𝑽𝑰𝒎𝒊𝒏
𝑽𝑪𝑰 = [6]
𝑵𝑫𝑽𝑰𝒎𝒂𝒙 −𝑵𝑫𝑽𝑰𝒎𝒊𝒏
Dónde:
NDVI, NDVImin y NDVImax corresponden al valor del mes, el mínimo y máximo valor
climatológico. El VCI varía de 0 a 1. Un valor de 0 representa condiciones de estrés
(sequía) en la vegetación. Un valor de 1 indica óptimo desarrollo de la vegetación debido a
condiciones climáticas favorables. Un VCI de entre 0.4 y 0.6 refleja condiciones de
vegetación intermedia.
b. Índice de Condición de Temperatura (TCI)
Este índice asume que, en un evento de sequía, la humedad del suelo disminuye y causa un
estrés térmico en la superficie terrestre (Du et al., 2013). El algoritmo de TCI es similar al
VCI; sin embargo, a diferencia del NDVI, altas temperaturas de superficie indican
condiciones de sequía debido a un déficit en el contenido de humedad del suelo; y bajas
temperaturas indican condiciones húmedas en el suelo (Singh et al., 2003). Por lo tanto, la
ecuación del TCI se modifica de la siguiente manera:
44
𝑳𝑺𝑻𝒎𝒂𝒙−𝑳𝑺𝑻
𝑻𝑪𝑰 = [7]
𝑳𝑺𝑻𝒎𝒂𝒙 −𝑳𝑺𝑻𝒎𝒊𝒏
Dónde:
LST, LSTmax y LSTmin corresponden al valor del mes, el mínimo y máximo valor
climatológico. El TCI varía de 0 a 1, que corresponden a los cambios de temperatura desde
extremadamente altas, relacionadas con el menor contenido de humedad en el suelo; y
condiciones de bajas temperaturas que indican condiciones húmedas en el suelo.
c. Índice de Condición de Precipitación (PCI)
La información del TRMM 3B43 proporciona una estimación de la precipitación mensual

y de ella se puede calcular la precipitación total anual. Para esta investigación, el índice de
condición de la precipitación (PCI) se normaliza usando un algoritmo similar al del VCI:
𝑻𝑹𝑴𝑴−𝑻𝑹𝑴𝑴𝒎𝒊𝒏
𝑷𝑪𝑰 = [8]
𝑻𝑹𝑴𝑴𝒎𝒂𝒙 −𝑻𝑹𝑴𝑴𝒎𝒊𝒏
Dónde:
TRMM, TRMMmax y TRMMmin corresponden al valor del mes, el mínimo y máximo

valor climatológico. El PCI varía de 0 a 1. Un valor de 0 representa condiciones de déficit
en las precipitaciones. Un valor de 1 representa condiciones de lluvias intensas.
Cuadro 3: Categorización de Sequías. Modificado de Kogan (1999).
VCI/TCI/PCI Clase
0.0 - 0.1 Sequía Extrema
0.1 - 0.2 Sequía Severa
0.2 - 0.3 Sequía Moderada
0.3 - 0.4 Sequía Leve
0.4 - 0.6 No es Sequía
0.6 - 0.7 Humedad Leve
0.7 - 0.8 Humedad Moderada
0.8 - 0.9 Humedad Severa
0.9 - 1.0 Humedad Extrema
45
3.3.4. ESTIMACIÓN DE ÍNDICES DE LA FRECUENCIA DE DÍAS SECOS (DDF)
Para desarrollar un indicador de las sequías en la cuenca andino-amazónica y con impactos

en la vegetación, se determinaron números de días secos (Frecuencia de Días Secos, DDF
en inglés) a partir de datos diarios grillados de precipitación del observatorio HYBAM,
estimaciones de lluvia diaria de TRMM 3B42 y TRMM 3B42-RT en tiempo real. Se
consideraron, para todos los casos umbrales de días con precipitaciones menores a 1mm,
días con precipitaciones menores a 2mm y días con precipitaciones menores a 3mm en
promedio a nivel de cuencas: Marañón, Ucayali y Tabatinga.
Se evaluaron la respuesta de las condiciones promedio de vegetación (cuencas) a la

cantidad de lluvia y al número de días secos de acuerdo a los umbrales de 1mm, 2mm y
3mm. La metodología y el análisis referente a DDFs y vegetación es descrito en Espinoza
et al., 2016.
46
IV. RESULTADOS Y DISCUSIÓN
4.1. PROCESAMIENTO DE LA INFORMACIÓN DE TEMPERATURA DE

SUPERFICIE DE SUELO, VEGETACIÓN Y PRECIPITACIÓN
Debido a la variedad de datos de sensoramiento remoto que son utilizados en esta

investigación y la diferencia espacio-temporal existente entre las variables de temperatura
de superficie de suelo (LST), condiciones de vegetación (NDVI) y precipitación, fue
necesario analizar y acondicionar la información de manera independiente para el
entendimiento del comportamiento de las variables en la cuenca andino-amazónica. Este
análisis se realizó en 3 etapas, las que incluyen el análisis del contraste de las variables
respecto a la altitud y dinámica de vegetación y LST respecto a la orografía del área de
estudio.
4.1.1. ANÁLISIS ALTITUDINAL DE LAS VARIABLES
Se generaron series temporales a escala mensual de las variables mediante un promedio de

los datos cada 8 días de LST, máximo valor compuesto y filtrado de datos mensuales de
NDVI, y el acumulado mensual para la precipitación. Este proceso permitió analizar el
comportamiento de las variables durante los diferentes meses del periodo de datos
disponible (2000 – 2016), en diferentes condiciones altitudinales: por debajo de los
500msnm (región Amazónica) y por encima de los 500msnm (región Andina).
Respecto a LST, las mayores temperaturas del suelo se concentran en altitudes por debajo
de los 500m (región Amazónica), con valores casi uniformes que varían en promedio desde
los 296 a 300 K. Los valores bajos con una alta variabilidad y marcada estacionalidad se
presentan en altitudes por encima de los 500m (región Andina) con valores que varían en
promedio desde los 290 a 298 K (Figura 22A).
Como es bien sabido, existe una notable diferencia entre las condiciones de vegetación de
la región andina y las condiciones de vegetación de la región amazónica. Condiciones de
vegetación uniformes se concentran en regiones con altitudes por debajo de los 500m
(bosque amazónico) con los valores más altos de NDVI (por encima de 0.8). En la región
andina, las condiciones de vegetación son más estacionales y con valores bajos de NDVI,
los que varían de entre 0.58 (durante los meses de agosto a octubre) a 0.7 (durante los
meses de enero a abril) (Figura 22B).
Respecto a las precipitaciones, estas presentan un comportamiento más variable y

estacional tanto para la región amazónica como para la región andina. Las mayores
precipitaciones se registran en la región amazónica con valores que varían desde los 150 a
350 mm/mes y menores precipitaciones se registran en la región andina con valores que
varían de 50 a 250mm/mes. Esto es coherente con los resultados mostrados en Espinoza et
al., 2009a. Sin embargo, a diferencia de la vegetación y la temperatura de superficie de
suelo, no existe una clara relación entre la cantidad de lluvia y la altitud, como se explica
también en Espinoza et al., 2009a y Espinoza et al., 2015.
Para ambas regiones las mayores precipitaciones se dan durante los meses de diciembre a
febrero y las precipitaciones son menores durante los meses de junio a agosto (Figura
22C). Estos procesos han sido ampliamente estudiados en investigaciones anteriores como
el realizado por Espinoza et al., 2009a.
4.1.2. ANÁLISIS DEL GRADIENTE ANDINO-AMAZÓNICO DE LA

VEGETACIÓN Y LA TEMPERATURA DE SUPERFICIE DE SUELO
Con el objetivo de conocer la variabilidad y el comportamiento de la vegetación y la

temperatura de la superficie del suelo respecto al gradiente altitudinal de la cuenca andino-
amazónica se generaron perfiles transversales latitudinalmente equidistantes en los 3°S,
7.5°S y 12°S, respectivamente. Para ello se utilizaron el modelo digital de elevación del
SRTM de 90m con un remuestreo a 0.05° y el promedio anual de NDVI y de temperatura
de superficie de suelo (LST).
48
Figura 22: Comportamiento de la temperatura de superficie de suelo (A), NDVI (B) y
precipitación mensual (C) diferenciando las región andina (>500 msnm) y amazónica
(<500msnm). Se muestra el Modelo digital de elevación SRTM90m y la línea de 500m (en
verde) como inicio de los andes del este.
49
a. NDVI y el gradiente altitudinal
En la latitud 3°S (sección A1–A2) el gradiente altitudinal varía desde los 0 a 3500m,
encontrando así que a medida que se incrementa en altitud, los valores de NDVI
disminuyen. Por lo tanto, valores altos de NDVI se concentran en altitudes por debajo de
los 1000m y valores bajos de NDVI se concentran en altitudes por encima de los 1000m
(Figura 23C). A lo largo de la sección se muestra 2 puntos de caída abrupta en los valores
de NDVI, lo que corresponden a cuerpos de agua de los ríos Pastaza y Napo (círculos rojos
en la Figura 23). En el punto 7.5°S (B1–B2), el gradiente altitudinal varía de los 0 a 4000m
(Figura 23D). En el punto 12°S (C1–C2), la sección respecto a la longitud disminuye aún
más y el gradiente altitudinal varía desde los 500 a 4500m (Figura 23E). Para las tres
secciones existe un claro contraste entre la altitud y la vegetación, y es que a medida que se
incrementa en altitud, las condiciones de vegetación tienden a disminuir, siendo el
contraste máximo entre los 2000 a 3000 m debido a la exposición de los vientos húmedos
del este, principalmente.
b. Temperatura de superficie y el gradiente altitudinal
En la sección A1–A2, se observa temperaturas uniformes en el llano amazónico y que

disminuyen a medida que se incrementa la elevación desde los 2000m (Figura 24C). En
general tanto para la sección B1–B2 (Figura 24D) y C1–C2 (Figura 24E), la temperatura
de superficie disminuye a medida que se incrementa la altitud, siendo las condiciones
térmicas constantes en la amazonia baja y más variable a medida que se incrementa en
altitud, con un contraste máximo que varía entre los 2000 y 3000 m.
50
Figura 23: Comportamiento y variabilidad de NDVI promedio anual respecto al gradiente
altitudinal. En A se muestra el modelo digital de elevación, en B se muestra la distribución
espacial de NDVI promedio anual, en C, D y E se muestran el contraste Altitud-NDVI en
diferentes secciones transversales. Los círculos rojos representan puntos correspondientes a
cuerpos de agua (ríos) en el transecto.
51
Figura 24: Comportamiento y variabilidad de la temperatura de superficie de suelo
respecto al gradiente altitudinal. En A se muestra el modelo digital de elevación, en B se
muestra la distribución espacial de LST promedio anual, en C, D y E se muestran el
contraste Altitud-LST en diferentes secciones transversales.
52
4.2. ANÁLISIS DEL CICLO ANUAL DE LA TEMPERATURA DE SUPERFICIE
DE SUELO, VEGETACIÓN Y PRECIPITACIÓN A NIVEL DE LA CUENCA DE
TABATINGA
Se realizó un análisis de series temporales para cada una de las variables utilizadas. Los
datos involucran información cada 8 días de LST, información cada 16 días de NDVI y
datos de precipitación diaria correspondientes a la información proporcionada por TRMM.
El análisis permitió conocer la variabilidad de los datos respecto a la información histórica,
conocer el comportamiento estacional de las variables durante los meses de avenidas
(periodos de aguas altas) de diciembre a abril y meses de estiajes (periodos de aguas bajas)
de junio a octubre, principalmente.
4.2.1. TEMPERATURA DE SUPERFICIE DE SUELO CADA 8 DÍAS
Los datos de temperatura de superficie de suelo (LST) muestran una clara estacionalidad
para toda la cuenca de Tabatinga, en el que los máximos de temperatura de superficie para
datos cada 8 das, se dan durante los días correspondientes a los meses de agosto a octubre
debido a la escaza nubosidad presente durante ese periodo, mientras que los valores más
bajos se concentran durante los días de los meses de enero a marzo debido a la presencia de
nubosidad y las precipitaciones que se presentan durante ese periodo (Figura 25A).
4.2.2. ÍNDICE DE VEGETACIÓN DE DIFERENCIA NORMALIZADA CADA 16

DÍAS
El comportamiento temporal de las condiciones de NDVI cada 16 días para toda la cuenca
de Tabatinga, muestra un panorama similar a las condiciones de LST, pero de manera
opuesta, donde los mínimos valores de NDVI se concentran durante los meses de agosto a
octubre y los valores más altos se concentran durante los meses de febrero a abril,
principalmente (Figura 25B).
4.2.3. PRECIPITACIÓN DIARIA – TRMM
La información de precipitación proporcionada por TRMM, muestra condiciones

estacionales en las lluvias para toda la cuenca de Tabatinga, pudiendo diferenciar así los
53
periodos secos y los periodos húmedos, ya que las mayores precipitaciones se concentran
durante los meses de diciembre a febrero y las menores precipitaciones se concentran
durante los meses de junio a agosto (Figura 25C). Esto es coherente con los resultados de
Espinoza et al., 2009a.
Figura 25: Series de valores históricos de temperatura de superficie de suelo (LST) cada 8
días (A), valores históricos de NDVI cada 16 días (B) y valores históricos de lluvia diaria
estimada por el TRMM (C) para toda la cuenca andino-amazónica delimitada hasta
Tabatinga.
Para una mayor comprensión del comportamiento del ciclo anual y regímenes de las
precipitaciones, la vegetación y la temperatura de superficie de suelo a nivel de toda la
cuenca andino-amazónica, se determinaron valores medios mensuales multianuales de
LST, NDVI y precipitación, considerando información del periodo de registro desde el
2001 a 2015.
54
La temperatura de superficie (Figura 26A), muestra una marcada estacionalidad, con bajas
temperaturas durante los meses de febrero a mayo (FMAM) y valores altos durante los
meses de septiembre a noviembre (SON). La vegetación muestra aún un mayor contraste y
marcada estacionalidad, aunque de manera opuesta a la temperatura de superficie,
diferenciando claramente los periodos secos y húmedos (Figura 26B), encontrando así los
valores altos de NDVI durante los meses de enero a abril (EFMA) y valores bajos de
NDVI durante los meses de agosto a octubre (ASO). En la precipitación, existe un
contraste entre periodos secos y húmedos, mostrando así una clara estacionalidad (Figura
26C), con altas precipitaciones durante los meses de diciembre a marzo (DEFM) y bajas
precipitaciones durante los meses de junio a septiembre (JJAS). Este análisis es coherente
con lo descrito en investigaciones previas realizados por Espinoza et al., 2009a y Lavado et
al., 2012.
Figura 26: Regímenes anuales de temperatura de superficie de suelo (A), condición de

vegetación (B) y precipitación (C) para toda la cuenca de Tabatinga de enero (1) a
diciembre (12).
55
4.3. EL CICLO ANUAL A ESCALA DE SUB-CUENCAS
Se hiso un análisis del ciclo anual de LST, vegetación y precipitación a nivel de las
principales sub-cuencas del área de estudio: Bella Vista, San Regis (Bajo Marañón), Borja
(Alto Marañón), Chazuta (Alto Marañón), Requena (Bajo Ucayali), Puerto Inca (Alto
Ucayali) y Lagarto (Alto Ucayali). Calculando así, para todas las variables, valores medios
mensuales multianuales para un periodo de registro desde el 2001 a 2015.
4.3.1. CICLO ANUAL DE LST POR SUB-CUENCAS
En la Figura 27 se muestra el ciclo anual de LST por sub-cuencas, en el que la temperatura

superficial presenta un comportamiento relativamente uniforme durante casi todo el año y
con coeficiente de variabilidad por debajo de los 0.40 por ciento en cuencas
predominantemente Amazónicas, las que corresponden a Bella vista (CV=0.37 por ciento),
Bajo Marañón (CV=0.36 por ciento) y Bajo Ucayali (CV=0.36 por ciento).
En cuencas predominantemente andinas, el comportamiento de la temperatura de superficie

de suelo es más estacional, con un rango de valores que van desde los 288 a 298 kelvin
durante todo el año, y con un coeficiente de variabilidad superior a 0.40 por ciento, las que
corresponden a Borja (CV=0.62 por ciento), Chazuta (CV=0.42 por ciento), Puerto Inca
Ucayali (CV=0.40 por ciento) y Lagarto (CV=1.12 por ciento) (Figura 27).
4.3.2. CICLO ANUAL DE LAS CONDICIONES DE VEGETACIÓN POR SUB-

CUENCAS
En la Figura 28 se presenta el ciclo anual de las condiciones de vegetación (NDVI) por

sub-cuencas, en el que la vegetación muestra un comportamiento uniforme durante casi
todo el año y con coeficiente de variabilidad por debajo de los 0.70 por ciento en cuencas
predominantemente Amazónicas, las que corresponden a Bella vista (CV=0.61 por ciento),
Bajo Marañón (CV=0.44 por ciento) y Bajo Ucayali (CV=0.54 por ciento).
56
En cuencas andinas, el comportamiento de la vegetación es estacional (marcada
estacionalidad) durante todo el año, con información más dispersa y con un coeficiente de
variabilidad superior a 0.80 por ciento, las que corresponden a Borja (CV=4.21 por ciento),
Chazuta (CV=1.63 por ciento), Puerto Inca Ucayali (CV=0.81 por ciento) y Lagarto
(CV=8.62 por ciento).
Figura 27: Regímenes anuales de temperatura de superficie de suelo a nivel de sub-cuencas

de enero (1) a diciembre (12). Se muestra el coeficiente de variabilidad y las barras de error
correspondiente a la desviación estándar. El nombre de cada sub cuenca es descrita
(nombre de red hidrométrica). Se muestra la ubicación y límite de cada sub cuenca.
57
Figura 28: Regímenes anuales del comportamiento de la vegetación a nivel de sub-cuencas
de enero (1) a diciembre (2). Se muestra el coeficiente de variabilidad y las barras de error
4.3.3. REGÍMENES DE PRECIPITACIONES POR SUB-CUENCAS
En la figura 29 se presenta los regímenes de precipitación por sub-cuencas, mostrando

cierta diferencia respecto a su posición latitudinal principalmente, en el que las cuencas
cercanas a la línea ecuatorial, como Bella Vista y bajo Marañón, las precipitaciones son
más uniformes a lo largo de todo el año con un bajo coeficiente de variabilidad (CV=16.31
por ciento para Bella Vista y CV=17.87 por ciento para Bajo Marañón).
Más hacia el sur, las precipitaciones tienen un comportamiento del régimen tipo tropical
sur (marcada estacionalidad diferenciando los periodos secos y húmedos), información
más dispersa y con un coeficiente de variabilidad elevado, las que corresponden a Borja
58
(CV=26.17 por ciento), Chazuta (CV=39.33 por ciento), Puerto Inca Ucayali (CV=50.07
por ciento), Lagarto (CV=63.82 por ciento) y Bajo Ucayali (CV=34.74 por ciento).
Si bien el análisis realizado es a nivel de sub-cuencas, nuestros resultados se contrasta con

el trabajo realizado por Espinoza et al., 2009a, en el que determinó el régimen anual de
precipitaciones considerando información observada de estaciones pluviométricas
localizadas geográficamente en zonas de predominancia andina y zonas de predominancia
amazónica.
Figura 29: Regímenes anuales de las precipitaciones a nivel de sub-cuencas de enero (1) a
diciembre (12). Se muestra el coeficiente de variabilidad y las barras de error
59
El coeficiente de variabilidad (CV) es una medida de dispersión. Tener un CV de 50 por
ciento significaría que los datos muestran un comportamiento relativamente homogéneo,
que, a diferencia de un CV del 100 por ciento, significaría que los datos son
completamente heterogéneos y con una alta variabilidad.
4.4. VARIABILIDAD INTERANUAL DE LA TEMPERATURA DE SUPERFICIE,

VEGETACIÓN Y PRECIPITACIÓN
Para entender el comportamiento y la variabilidad interanual de LST, condiciones de

vegetación y precipitación en la cuenca andino-amazónica, se determinaron promedios
anuales de LST y NDVI, además de valores totales anuales para las precipitaciones,
considerando información de un periodo de registro desde el 2001 a 2015. Además de
anomalías interanuales y una comparación entre las variables.
En la Figura 30 se muestra el comportamiento de la variabilidad interanual de las

condiciones de temperatura de superficie de suelo (Figura 30A), vegetación (Figura 30B) y
precipitación (Figura 30C), comprendidos entre los años 2001 a 2015. Los años 2005 y
2010 muestran condiciones de sequía con un incremento notable en la temperatura de
superficie, una clara disminución en las condiciones de vegetación y disminución en las
precipitaciones, lo cual es coherente con las condiciones hidroclimáticas reportadas en
investigaciones realizadas respecto a la ocurrencia de sequías durante esos años (Espinoza
et al., 2011).
En el gráfico de dispersión de la Figura 30D, se muestra el comparativo de las anomalías

estandarizadas de LST y las anomalías estandarizadas de precipitación para cada año, en el
que la relación es de manera opuesta, aunque no es clara (r=-0.40). Sin embargo, se ha
encontrado una relación significativa entre las anomalías de vegetación y temperatura de
superficie (r=-0.79; Figura 30E), siendo esta de manera opuesta.
No existe una relación entre las anomalías de precipitación y vegetación (r=0.12; Figura
30F), ya que la respuesta de la vegetación estaría relacionado principalmente al contenido
de agua en el suelo que a la cantidad misma de las lluvias (Huete et al., 2006, Saleska et
al., 2007; Espinoza et al., 2016).
60
Figura 30: Variabilidad interanual de la temperatura de superficie de suelo (A),
condiciones de vegetación (B) precipitación total (C). Los años de sequía extrema son
señalados. Diagrama de dispersión de anomalías estandarizadas de precipitación,
vegetación y temperatura de superficie de suelo (D, E y F).
4.5. ANÁLISIS DE LOS AÑOS DE SEQUÍAS EXTREMAS
Analizando más profundamente las variables en relación a los años de sequías extremas de
enero a diciembre (años 2005 y 2010), la Figuras 31 muestra valores de LST por encima
del tercer cuartil durante esos años, siendo aún más intensas durante los meses de agosto a
noviembre en el 2010.
61
Figura 31: Valores de temperatura de superficie de suelo por encima del tercer cuartil
durante los años 2005 y 2010 desde enero (1) a diciembre (12).
La Figura 32 muestra el comportamiento de las condiciones de vegetación durante los años

2005 y 2010, predominando condiciones secas (valores de NDVI por debajo del primer
cuartil) y que se intensificaron durante los meses de agosto a octubre principalmente. Se
evidencia que las sequías de esos años tuvieron sus impactos severos no a lo largo del año,
sino únicamente durante la estación seca de la vegetación (agosto a octubre).
Figura 32: Valores de NDVI por debajo del primer cuartil durante los años 2005 y 2010
desde enero (1) a diciembre (12). Condiciones de sequías severas en la vegetación se
presentaron durante los meses de agosto a octubre.
62
Así mismo se observa una clara disminución en las precipitaciones durante los años 2005 y
2010 (Figura 33), ya que fueron relativamente bajos respecto a la media climática y a otros
años, aunque no es muy clara, pudiendo variar durante los diferentes meses del año. El
déficit inicia en enero para el 2010 y en mayo para el 2005 (coherente con Marengo et al.,
2011). El análisis respecto al comportamiento de las lluvias durante los años 2005 y 2010,
fueron ampliamente estudiado en investigaciones anteriores como Marengo et al., 2008 y
Espinoza et al., 2011.
Figura 33: Valores de precipitación por debajo la media climática y por debajo del primer
cuartil durante los años 2005 y 2010 desde enero (1) a diciembre (12).
4.6. PATRONES ESPACIALES DE SEQUÍAS MEDIANTE ÍNDICES DE

SENSORAMIENTO REMOTO (SR)
Para determinar patrones espaciales de sequías, se desarrollaron y determinaron Índices en

base a la temperatura de superficie de suelo (Índice de Condición de Temperatura - TCI),
en base a las condiciones de vegetación del periodo seco (Índice de Condición de
Vegetación - VCI) y en base a la precipitación (Índice de Condición de Precipitación -
PCI) (ver sección 3.3.3. de la Metodología). Para los tres casos, los índices son
estandarizados, tomando valores que van desde 0 a 1, dando una clasificación desde una
sequía extrema hasta condiciones húmedas (ver Tabla 1), lo que facilita una comparación
entre los diferentes indicadores.
63
4.6.1. CONDICIONES TÉRMICAS Y LAS SEQUÍAS
El Índice de Condición de Temperatura, mediante un análisis a escala de sub-cuencas y en

términos de LST, muestran claramente que los años 2005 y 2010 ocurrieron sequías
severas en la cuenca andino-amazónica, dando evidencia de que más del 50 por ciento del
área total de las diferentes sub-cuencas se encontraron en condiciones de sequías extremas
(Figura 34).
4.6.2. CONDICIONES DE VEGETACIÓN Y LAS SEQUÍAS
El Índice de Condición de Vegetación calculado únicamente para la estación seca, muestra

un resultado similar al TCI en cuanto al porcentaje de áreas en condiciones húmedas y
condiciones secas para los años 2005 y 2010, evidenciando que más del 50 por ciento del
área total de las diferentes sub-cuencas se encontraron en condiciones de sequías extremas,
siendo un patrón común para las sub-cuendas para esos años (Figura 35).
4.6.3. CONDICIONES DE PRECIPITACIÓN Y LAS SEQUÍAS
La variabilidad interanual para el Índice de Condición de Precipitación es espacialmente

heterogénea respecto al porcentaje de área (Figura 36), pero en la mayoría de sub-cuencas
resalta las sequías de los años 2005 y 2010. Así, más del 50 por ciento de la superficie de
la cuenca analizada presenta condiciones de sequías extremas durante el 2010.
Tanto el TCI, VCI y el PCI, muestran claramente que los años 2005 y 2010 fueron años de
sequías extremas para la cuenca amazónica peruana en términos de porcentajes
considerando las condiciones de temperatura de superficie, vegetación y precipitación. Una
descripción más detallada del análisis se muestra en la Tabla 4 (para el TCI), Tabla 5 (para
el PCI) y Tabla 6 (para el PCI), a nivel de las diferentes sub-cuencas analizadas, con
énfasis en los años 2005 y 2010, encontrando para este último el mayor porcentaje de área
en condiciones de sequías extremas tanto para el TCI, VCI y PCI.
64
Figura 34:Variaciones interanuales a escala de sub-cuencas del Índice de Condición de Temperatura (TCI) para el periodo 2001-2015 respecto al
porcentaje de área en condiciones de sequía y condiciones húmedas. Se evidencia sequías extremas durante los años 2005 y 2010.
65
Figura 35: Variaciones interanuales a escala de sub-cuencas del Índice de Condición de Vegetación (VCI) para el periodo 2001-2015 respecto al
porcentaje de área en condiciones de sequía y condiciones húmedas. Se evidencia sequías extremas durante los años 2005 y 2010.
66
Figura 36: Variaciones interanuales a escala de sub-cuencas del Índice de Condición de Precipitación (PCI) para el periodo 2001-2015 respecto
al porcentaje de área en condiciones de sequía y condiciones húmedas. Se evidencia sequías extremas durante los años 2005 y 2010.
67
Cuadro 4: Porcentaje de área con sequías extremas basadas en el TCI durante los años
2005 y 2010
% AREA SEQUÍAS - TCI

Sub Cuencas Año 2005 Año 2010
Bella Vista 20.17 35.15
San Regis (Bajo Marañón) 12.32 38.1
Borja (Alto Marañon) 29.14 37.42
Chazuta (Huallaga) 18.98 49.95
Requena (Bajo Ucayali) 12.15 52.11
Puerto Inca (Alto Ucayali) 3.57 50.18
Lagarto (Alto Ucayali) 55.42 24.3
Cuadro 5: Porcentaje de área con sequías extremas basadas en el VCI durante los años
2005 y 2010
% AREA SEQUÍAS - VCI

Chazuta (Huallaga) 38.75 75.64
Cuadro 6: Porcentaje de área con sequías extremas basadas en el PCI durante los años
2005 y 2010
% AREA SEQUÍAS - PCI

Chazuta (Huallaga) 0 34.65
68
Se analizó el comportamiento interanual de las condiciones de vegetación a partir de la
información de NDVI, pero considerando únicamente el periodo seco, comprendido entre
los meses de agosto a octubre durante el 2001 a 2015.
En la Figura 37 se muestra un comparativo del comportamiento interanual de las

condiciones de vegetación. Considerando el periodo de enero a diciembre (Figura 37A), es
clara la disminución de la vegetación durante los años 2005 y 2010. Sin embargo, esta
disminución es aún más notoria y severa si se considera únicamente comportamiento
interanual del periodo de agosto a octubre (Figura 37B), siendo así, las sequías del 2010
aún más severas que la del 2005 en la vegetación. Esto quiere decir que las condiciones
secas (sequías) en la vegetación no se presentan durante todo el año, sino que son más
severos durante los meses de agosto a octubre.
Figura 37: Variabilidad interanual de las condiciones de vegetación (NDVI) de enero a

diciembre (A). Se considera para el periodo seco de agosto a octubre (B). Para ambos
casos se identifican los años 2005 y 2010 como años de sequías extremas, siendo más
severas durante la estación seca.
69
4.7. VARIABILIDAD INTERANUAL DE LAS ESTIMACIONES DE LLUVIA Y LA
VEGETACIÓN
Identificando el periodo seco de la vegetación y evidenciando que las sequias tienen sus
impactos directos sobre las mismas durante este periodo (agosto a octubre), se trató de
identificar si las lluvias para la cuenca andino-amazónica explicarían las condiciones de
disminución o incremento en la vegetación durante el periodo de agosto a octubre.
4.7.1. VARIABILIDAD INTERANUAL DE LAS LLUVIAS ESTIMADAS DE

SENSORES REMOTOS (SR) Y OBSERVADOS (HOP)
Un análisis preliminar corresponde a un comparativo de la lluvia total estimada y

observada durante el periodo de enero a septiembre, utilizando para ello información del
TRMM y TRMM-RT (en tiempo real), además de información de precipitación observada
y grillada del observatorio HYBAM (HOP).
En la Figura 38 se muestra el comparativo temporal de la lluvia acumulada a partir de

datos de SR y observados para la cuenca del Marañón (Figura 38A), Ucayali (Figura 38B)
y Tabatinga (Figura 38C) durante el periodo de enero a septiembre, en el que para todos
los casos se observa que la información estimada por satélite sobreestima la precipitación
respecto a los datos observados, siendo aún mayor para los datos TRMM-RT. Sin
embargo, se encontró correlaciones significativas entre los diferentes datos para las
diferentes cuencas analizadas.
70
Figura 38: Relación entre la lluvia acumulada (Ene a Sep) de TRMM, TRMM-RT e
HYBAM para la cuenca de Marañón (A), Ucayali (B) y Tabatinga (C) durante el 2001 a
2016 para datos TRMM y 2001 a 2009 para datos HOP.
4.7.2. RELACIÓN ENTRE LA LLUVIA ACUMULADA Y LA VEGETACIÓN
Se relacionó la cantidad de lluvia durante el periodo de enero a septiembre estimados por

TRMM y las condiciones de vegetación del periodo seco para toda la cuenca de Tabatinga
durante el periodo del 2001 a 2016. Se encontró que, la cantidad de lluvia no
necesariamente explicaría ni sería determinante en las condiciones de vegetación en la
cuenca andino-amazónica, tal como se muestra en la Figura 39. La relación no es
significativa al 90 por ciento con un coeficiente de correlación de 0.34 entre ambas
variables (r=0.34; p<0.1). Por ende, determinar un indicador de sequía relacionado a la
vegetación basado en la cantidad o volúmenes de lluvia registrada durante un periodo
dado, no sería el adecuado ya que las condiciones de vegetación no responden
directamente a las cantidades de agua precipitada, habiendo procesos y mecanismos mucho
71
más complejos que condicionan las condiciones de vegetación como la disponibilidad y
retención de agua en el sub suelo y la evapotranspiración (mecanismos fisiológicos de la
vegetación ante situaciones de estrés hídrica).
Figura 39: Diagrama de dispersión entre las lluvia acumulada TRMM 3B42 (periodo Ene a
Sep) y las condiciones de vegetación (NDVI) del periodo seco (A-S-O) para toda la cuenca
de Tabatinga. Periodo 2001-2016.
4.8. RELACIÓN ENTRE LA FRECUENCIA DE DÍAS SECOS (DDF) Y LA

VEGETACIÓN
Un análisis realizado respecto al número de días secos (Frecuencia de Días Secos, DDF en
inglés) a nivel de sub-cuencas, muestra que las condiciones de vegetación inferida
mediante el NDVI, tiene una respuesta directa ante esta variable. Es decir, con un mayor
número de días secos se esperarían impactos en las condiciones de vegetación.
La frecuencia de días secos (DDF) se define para esta investigación como el número de
días con lluvias inferiores a 1 mm, 2 mm y 3 mm, considerando para todos los casos el
periodo de enero a septiembre. El DDF es desarrollado y evaluado a partir de la
información de la precipitación media diaria a nivel de cuenca.
72
4.8.1. DDFs A PARTIR DE DATOS OBSERVADOS HYBAM (HOP)
A partir de datos HOP (Hybam Observation Precipitation), datos observados y grillados

proporcionados por el observatorio ORE-HYBAM, se determinaron y calcularon el
número de días secos registrados durante los meses de enero a septiembre, considerando la
información para el periodo común (2001-2009).
Considerando la precipitación diaria promedio por cuenca, se establecieron valores de

número de días secos en cuenca con precipitaciones menores a 1 mm (DDF <1mm),
número de días secos en cuenca con precipitaciones menores a 2 mm (DDF <2mm) y
número de días secos en cuenca con precipitaciones menores a 3 mm (DDF <3mm) como
umbrales para evaluar la respuesta de las condiciones de vegetación durante los meses de
agosto a octubre (A-S-O, periodo seco de la vegetación).
Los resultados muestran que, para toda la cuenca de Tabatinga, la vegetación tiene una
respuesta significativa ante el número de días secos calculados a partir de datos
observados. Se determinó un r=-0.86 para DDF menores a 1 mm (Figura 40A), r=-0.81
para DDFs menores a 2 mm (Figura 40B) y una correlación r=-0.84 para DDF menores a
3mm (Figura 40C).
Se realizó un análisis por sub-cuencas para evaluar la respuesta de la vegetación respecto a

los DDFs calculados con datos HOP considerando los diferentes umbrales establecidos
(1mm, 2mm y 3 mm). En general la respuesta de la vegetación por sub-cuenca a los DDF
de datos HOP es bastante alta para todos los umbrales establecidos. Sin embargo, las
mejores correlaciones y más significativas corresponden a los DDFs < a 1mm, siendo
mejores para la cuenca del Ucayali y todo Tabatinga (Figura 41).
73
Figura 40: Correlación entre el NDVI (A-S-O) y la Frecuencia de Días secos (DDFs HOP)
menores a 1mm (A), menores a 2mm (B) y menores a 3mm (C), obtenidos a partir de datos
HOP para todo Tabatinga.
Figura 41: Correlación entre el NDVI (A-S-O) y Frecuencia de Días secos (DDFs HOP)
menores a 1mm, 2mm y 3mm a escala de sub-cuencas (Tabatinga, Marañón y Ucayali). La
línea roja representa el valor de r crítico al 95 por ciento de significancia.
74
4.8.2. DDFs A PARTIR DE DATOS TRMM 3B42
A partir de las estimaciones de lluvia diaria del producto TRMM 3B42 se determinaron y
calcularon el número de días secos registrados durante los meses de enero a septiembre,
considerando la información desde el 2001 a 2015.
Caso similar a los datos HOP, se determinaron valores de número de días secos con
precipitaciones menores a 1 mm (HOP DDF <1mm), número de días secos con
precipitaciones menores a 2 mm (HOP DDF <1mm) y número de días secos con
precipitaciones menores a 3 mm (HOP DDF <3mm) como umbrales para evaluar la
respuesta de las condiciones de vegetación durante los meses de agosto a octubre (A-S- O).
Los resultados de este análisis, al igual que los datos HOP muestran que para toda la
cuenca de Tabatinga la vegetación tiene una respuesta significativa ante el número de días
secos tal como se muestra en la Figura 42, con un r=-0.75 para los DDF menores a 1 mm
(Figura 42A), r=-0.65 para DDFs menores a 2 mm (Figura 42B) y una correlación r=-0.54
para los DDF menores a 3mm (Figura 42C). Sin embargo, estas correlaciones en general
no se comparan a las obtenidas con los datos HOP, siendo estas últimas mucho más
significativas.
Se realizó un análisis por sub-cuencas para evaluar la respuesta de la vegetación respecto a

los DDFs, encontrando así las correlaciones más significativas para los DDFs con
precipitaciones menores a 1 mm (DDF < 1mm), siendo aún mejores para la cuenca del
Marañón y todo Tabatinga (Figura 43).
75
TRMM 3B42 para todo Tabatinga.
76
4.8.3. DDFs A PARTIR DE DATOS TRMM 3B42-RT (EN TIEMPO REAL)
Teniendo en cuenta los anteriores análisis respecto a DDFs, y encontrando correlaciones

significativas utilizando datos HOP y TRMM, a partir de datos diarios RT se calcularon el
número de días secos registrados durante los meses de enero a septiembre, considerando la
información para el periodo común del 2001 a 2005 y evaluar su utilidad como un
indicador para el monitoreo. Esta información resulta atractiva ya que es proporcionada en
tiempo real y permitiría un monitoreo continuo.
Se evaluaron los números de días secos con precipitaciones menores a 1 mm (DDF RT

<1mm), menores a 2 mm (DDF RT <1mm) y menores a 3 mm (DDF RT <3mm) como
umbrales para evaluar la respuesta de las condiciones de vegetación durante los meses del
periodo seco.
En la Figura 44 se muestra la relación entre los DDFs y los valores de NDVI para toda la
cuenca de Tabatinga, en el que la vegetación tiene una respuesta significativa ante el
número de días secos calculados a partir de datos RT, con un r=-0.68 para los DDF
menores a 1 mm (Figura 44A), r=-0.53 para DDFs menores a 2 mm (Figura 44B) y una
correlación r=-0.40 para los DDF menores a 3mm (Figura 44C).
Como en los casos anteriores, se realizó un análisis por sub-cuencas para evaluar la
respuesta de la vegetación respecto a los DDFs en tiempo real (RT), encontrando
correlaciones más significativas para los DDFs con precipitaciones menores a 1 mm (DDF
< 1mm), siendo mejores para la cuenca del Marañón y todo Tabatinga (Figura 45).
A diferencia de la relación conseguida con HOP y TRMM, 3B42-RT muestra

correlaciones más significativas en las cuencas de Marañón y Tabatinga.
77
Figura 44: Correlación entre el NDVI (A-S-O) y Frecuencia de Días secos RT (DDFs RT)
TRMM 3B42-RT para todo Tabatinga.
Figura 45: Correlación entre el NDVI (A-S-O) y Frecuencia de Días secos (DDFs RT)
78
4.9. COMPARACIÓN DE LA FRECUENCIA DE DÍAS SECOS CON
DIFERENTES BASES DE DATOS
Se realizó una comparación temporal de la Frecuencia de Días Secos (DDF) para las
cuencas de Marañón, Ucayali y Tabatinga, considerando el periodo de enero a septiembre
durante los años 2001 a 2016 para los datos TRMM 3B42 y 3B42-RT, y los años 2001 a
2009 para datos HOP. El umbral de días secos es equivalente a precipitaciones < 1mm.
El resultado se muestra en la Figura 46, en el que para la cuenca de Marañón (Figura 46A),
las series resultan coherentes entre el número de días secos calculados a partir de datos
3B42 y 3B42-RT, siendo estos valores sobre estimados respecto al número de días secos
de los datos HOP. Sin embargo, las correlaciones entre los diferentes DDFs son
significativas.
Respecto al número de días secos para la cuenca de Ucayali (Figura 46B), los valores
calculados para los datos 3B42, 3B42-RT y datos HOP resultan coherentes ya que las
correlaciones son significativas y superiores a 0.80.
Respecto al número de días secos para la cuenca de Tabatinga (Figura 46C), un panorama
similar que para la cuenca de Marañón. Las series resultan coherentes y con correlaciones
altas entre el número de días secos calculados a partir de datos 3B42 y 3B42-RT, y sobre
estimado respecto al número de días secos calculados con los datos HOP.
79
Figura 46: Relación entre la Frecuencia de Días Secos (Ene a Sep) 3B42, 3B42-RT e
HYBAM para la cuenca de Marañón (A), Ucayali (B) y Tabatinga (C). Periodo 2001-2016
para datos TRMM, y 2001-2009 para datos HOP.
A partir de los análisis previos, se realizó una correlación espacial por punto de grilla de
los datos interanuales de NDVI durante el periodo seco respecto a los DDFs con
precipitaciones menores a 1mm. Mostrando en general que existen correlaciones
significativas al 95 por ciento a nivel de toda la cuenca andino-amazónica, prioritariamente
al sur de los 6°S (Figura 47).
80
A B C
Figura 47: Correlación por punto de grilla entre valores de NDVI y serie DDFs de datos HOP (A), TRMM 3B42 (B) y 3B42-RT (C). Los puntos
localizan correlaciones significativas al 95 por ciento. La línea roja indica el límite a los 6°S.
81
4.10. FRECUENCIA DE DÍAS SECOS PARA EL MONITOREO DE SEQUÍAS Y
SUS IMPACTOS
Teniendo en consideración que las condiciones de vegetación responden adecuadamente

las frecuencias de días secos (a mayor número de días secos, disminución en las
condiciones de vegetación), a partir de datos RT se determinó el comportamiento espacial
de DDFs durante los años 2005, 2010 y 2016. Analizar el comportamiento de la frecuencia
de días secos de los años 2005, 2010 y 2016 es importante ya que durante esos años se
presentaron sequías extremas, las del 2010 y 2016 relacionadas al evento El Niño central.
En la Figura 48 se muestra la climatología del número de días secos (2001-2015) (Figura

48A), los días secos de los años 2005 (Figura 48B), 2010 (Figura 48C) y 2016 (Figura
48D) en la cuenca Amazónica. Se evidencia las condiciones secas de los años 2005 y 2010.
Un mayor número de días secos se presentaron en el alto Marañón durante el 2016.
Figura 48: Dinámica espacial de la Frecuencia de Días Secos (en días) para toda la cuenca
amazónica, considerando el periodo de 01 de enero hasta el 30 de septiembre para los años
2005 (B), 2010 (C) y 2016 (D). El promedio climatológico de DDFs se muestra (A).
82
En la Figura 49 se muestra el número de días secos climatológico (2001-2015) (Figura
49A) y las anomalías de número de días secos de los años 2005 (Figura 49B), 2010 (Figura
49C) y 2016 (Figura 49D). Se presentaron un mayor número de días secos respecto a la
normal durante el 2016, aunque no tan elevados como los años extremos 2005 y 2010.
Durante el 2016, en la región de alto Marañón se presentaron anomalías positivas y muy

intensas de DDF lo que resulta coherente con la ocurrencia de incendios forestales de
grandes magnitudes.
Figura 49: Anomalías de la Frecuencia de Días Secos (en días) para toda la cuenca
Amazónica considerando el periodo de 01 de enero hasta el 30 de septiembre, para los años
2005 (B), 2010 (C) y 2016 (D). El promedio climatológico de DDFs se muestra (A).
83
En las Figuras 50, 51 y 52 se presentan la evolución temporal de la frecuencia de días
secos (DDF) calculados con información TRMM en tiempo real para las cuencas de
Tabatinga, Marañón y Ucayali, respectivamente. Se establecen umbrales de DDF máximo
y mínimo durante el periodo. Además de un comparativo de la evolución de los DDF del
2016 respecto al 2005 y 2010. Mayor número de días secos se ven reflejados en la cuenca
de Ucayali con valores similares al de los años 2005 y 2010.
Figura 50: Evolución temporal del número de días secos (DDF) para la cuenca del
Amazonas (Tabatinga). En gris se muestra los umbrales máximo y mínimo, línea azul
muestra el comportamiento durante el 2005, en rojo para el 2010 y en verde para el 2016.
de Marañón (San Regis). En gris se muestra los umbrales máximo y mínimo, línea azul
84
de Ucayali (Requena). En gris se muestra los umbrales máximo y mínimo, línea azul
El monitoreo de la evolución de la frecuencia de días secos (DDF) resulta práctico para

inferir sobre posibles impactos en las condiciones de vegetación e incendios forestales,
para ello utilizando herramientas e información en tiempo real.
85
V. CONCLUSIONES
En la cuenca Amazónica se han evidenciado y documentado la ocurrencia de sequías

extremas durante los últimos años con severos impactos en los recursos naturales y el
bosque amazónico principalmente. Este escenario ha generado en consecuencia, problemas
en los ámbitos económicos, sociales y medio ambientales.
Mediante la presente investigación se pudo concluir que basados en datos provenientes de

sensoramiento remoto, los años 2005 y 2010 fueron años de sequías extremas con valores
de temperatura de superficie de suelo (LST) por encima de lo normal, déficit en las
precipitaciones y disminución en las condiciones de vegetación (NDVI). Analizando las
lluvias y la vegetación del periodo seco, se concluye que la vegetación en la Amazonía
peruana no responde directamente a la cantidad de lluvia, sino a la extensión del periodo
seco. Es decir, las condiciones de la vegetación dependerán mayoritariamente a la
frecuencia de días sin lluvia. Este análisis permitió desarrollar un indicador (Frecuencia de
Días Secos - DDF, por sus siglas en inglés) para el monitoreo de sequías y la previsión de
sus impactos en la vegetación.
El desarrollo de esta investigación se organizó en cinco objetivos específicos, cuyas

conclusiones son las siguientes:
Análisis de la variabilidad espacial de la temperatura de superficie de suelo,

vegetación y precipitación en la cuenca andino-amazónica considerando el periodo
2001 - 2016 mediante sensoramiento remoto
Se pudo caracterizar los contrastes existentes en el comportamiento de la temperatura de

superficie de suelo (LST), la vegetación (NDVI) y las precipitaciones en la región andina
(por encima de los 500 m.s.n.m.) y región amazónica (por debajo de los 500 m.s.n.m.) del
área de estudio.
86
Respecto a LST, se observó que la región amazónica (<500m) presenta temperaturas
uniformes que varían de los 296 a 300 K. En los Andes (> 500m) se observan valores con
una marcada estacionalidad, con valores que oscilan entre los 290 a 298 K. En la
vegetación, condiciones más uniformes se concentran en regiones por debajo de los 500m
de altitud (bosque amazónico), alcanzando valores superiores a 0.8 de NDVI. En la región
andina, la vegetación muestra una fuerte estacionalidad con valores bajos de NDVI de 0.58
durante los meses de agosto a octubre y de 0.7 durante los meses de enero a abril
principalmente. En la precipitación, el producto satelital TRMM 3B42 v7 muestra que en
la región amazónica los valores de precipitación estimada varían desde los 150 a 350
mm/mes. En los Andes, los valores varían de 50 a 250mm/mes respectivamente. Estos
valores son coherentes a los encontrados en la literatura científica usando datos
observacionales (Espinoza et al., 2009a, 2015; Lavado et al., 2012).
Caracterización de los regímenes anuales del comportamiento de la temperatura de

superficie de suelo, vegetación y precipitación para el área de estudio y a nivel de las
principales sub-cuencas de la vertiente amazónica
El ciclo anual de la temperatura de superficie de suelo (LST) en la cuenca andino

amazónica, tiene un comportamiento estacional con un coeficiente de variabilidad de 0.58
por ciento (CV = 0.58%). Valores de temperatura de hasta 296 K se registran durante los
meses de febrero a mayo (FMAM) y temperaturas superiores a los 300 K durante los
meses de septiembre a noviembre (SON) principalmente. La vegetación muestra un mayor
contraste estacional con un coeficiente de variabilidad de 2.58 por ciento (CV = 2.58%). Se
diferencian los meses secos y húmedos, encontrando valores de NDVI de 0.76 durante los
meses de enero a abril (EFMA) y de 0.72 durante los meses de agosto a octubre (ASO)
Mediante un análisis de las variables a nivel de las principales sub-cuencas del área de
estudio: Bella Vista (Napo), San Regis (Bajo Marañón), Requena (Bajo Ucayali), Borja
(Alto Marañón), Chazuta (Huallaga), Puerto Inca (Alto Ucayali) y Lagarto (Alto Ucayali),
se concluye que la temperatura superficial presenta un coeficiente de variabilidad por
debajo de los 0.40 por ciento (CV < 0.40%) en cuencas predominantemente amazónicas
(Bella Vista, San Regis y Requena). En cuencas predominantemente andinas (Borja,
Huallaga, Puerto Inca y Lagarto), el comportamiento de la LST es predominantemente
87
estacional, con un coeficiente de variabilidad superior a los 0.40 por ciento (CV > 0.40%).
Respecto a la vegetación, se determinó una débil estacionalidad con un coeficiente de
variabilidad inferior a los 0.70 por ciento (CV < 0.70%) en cuencas predominantemente
amazónicas, cuyos valores de NDVI superan los 0.8. En cuencas andinas, el
comportamiento de la vegetación muestra una marcada estacionalidad con un coeficiente
de variabilidad superior a 0.80 por ciento (CV > 0.80%).
Desarrollo de índices de sequía basados en sensoramiento remoto para evaluar los

impactos de las sequías en la cuenca amazónica peruana y a nivel de las principales
sub-cuencas durante el periodo 2001 – 2016
Los años de sequía extrema 2005 y 2010 fueron años caracterizados por un incremento
notable en la temperatura de superficie, una clara disminución en las condiciones de
vegetación y disminución de la precipitación. Ello resulta coherente con las condiciones
hidroclimáticas reportadas en Espinoza et al. (2011) respecto a la ocurrencia de sequías
extremas durante esos años.
Las anomalías interanuales de las variables evidencian una asociación negativa entre LST
y la precipitación. Es decir, un déficit de precipitaciones involucra condiciones térmicas
superiores a la normal en la superficie de suelo (r = -0.40, no significativo). Respecto a la
relación entre las anomalías de NDVI y LST se ha encontrado una relación significativa y
negativa entre las condiciones vegetativas y la temperatura (r = -0.79; p < 0.01). Es decir,
anomalías positivas de LST corresponden a anomalías negativas de NDVI. La relación
entre las anomalías de precipitación y NDVI no es clara (r = 0.12), evidenciando que la
vegetación no dependería directamente de la cantidad de lluvia.
El desarrollo de índices en base a LST (Índice de Condición de Temperatura - TCI), NDVI

(Índice de Condición de Vegetación - VCI) y precipitación (Índice de Condición de
Precipitación - PCI) permitió determinar patrones espaciales de las condiciones secas a
nivel de sub-cuencas. El TCI y el VCI muestran que los años 2005 y 2010 ocurrieron
sequías en el rango de severas en la cuenca andino-amazónica desde un punto de vista
térmico e impactos en la vegetación. Respecto al PCI, este mostró un comportamiento
relativamente heterogéneo, pero en la mayoría de sub-cuencas resalta las sequías de los
88
años 2005 y 2010. Así, más del 50 por ciento del área total de las diferentes sub-cuencas se
encontraron en condiciones de sequías extremas durante los años 2005 y 2010 respecto al
TCI, VCI y PCI. Los índices desarrollados resultan útiles para caracterizar y categorizar
condiciones de sequía extrema en un año específico.
Análisis de la relación entre la precipitación y las condiciones de vegetación andino-

amazónica durante años de sequías extremas
La relación entre la cantidad de lluvia precipitada estimada mediante sensoramiento rmoto

y las condiciones de vegetación del periodo seco (ASO), no es significativa (r = 0.34; no
significativo). Inclusive para periodos de junio-septiembre (JJAS) y agosto-octubre (ASO)
para la precipitación, debido a que la cantidad de lluvia no es determinante en el desarrollo
de la vegetación de la cuenca andino-amazónica. Por ello, desarrollar un indicador de
sequía basado en la cantidad de lluvia durante un periodo dado, no es lo adecuado para
monitorear posibles impactos en las condiciones de vegetación ya que existen procesos
mucho más complejos que limitan el mayor o menor desarrollo de la vegetación, tales
como la disponibilidad y retención de agua en el sub suelo, la evapotranspiración, etc.
Desarrollo de un indicador para el monitoreo en tiempo real de las sequías en la

cuenca andino-amazónica y sus posibles impactos en la vegetación
El número de días secos o la frecuencia de días secos (Dry Day Frequency – DDF)
calculado para el periodo de enero a septiembre, se relaciona significativamente con las
condiciones de vegetación (NDVI) del periodo seco (ASO), calculados a partir de los datos
HOP (r = -0.86, p < 0.01), 3B42 (r = -0.75, p < 0.01) y 3B42-RT (r = -0.68, p<0.01)
respectivamente. Las correlaciones negativamente más significativas corresponden a los
días con lluvias menores a 1mm (DDF<1mm), considerando así el umbral para caracterizar
sequías con impactos en la vegetación. Las condiciones secas durante los años 2005 y 2010
mostraron una considerable disminución en la vegetación y un DDF superior a los 40 días.
Respecto la correlación espacial entre las condiciones de NDVI del periodo seco y los
valores de DDF calculados con HOP, 3B42 y 3B42-RT, se encontró que las correlaciones
negativamente más altas y significativas (p<0.05) se concentran en cuencas ubicadas al sur
89
de 6°S (Borja, Chazuta, Requena y Lagarto). Esto debido a que el comportamiento de la
vegetación en estas regiones tiene un comportamiento aún más estacional que en latitudes
al norte de los 6°S. Es decir, un marcado contraste entre el periodo seco y húmedo en la
vegetación se encuentran en latitudes inferiores a los 6°S.
Finalmente, este trabajo muestra que es posible calcular valores de DDF en tiempo real
(diariamente) en la cuenca andino-amazónica usando el producto satelital 3B42-RT. Esto
ha permitido el monitoreo de la variable DDF en la Amazonía peruana tanto en términos
de su evolución temporal y evolución espacial. Esta variable es por lo tanto un buen
indicador para la previsión y alerta en tiempo real ante la ocurrencia de sequías extremas
en la Amazonía, y poder ser utilizada para monitorear posibles incendios forestales en la
región andino-amazónica, además de proporcionar una herramienta útil para la toma de
decisión ante los impactos socio-económicos (producción de castañas en Madre de Díos
como ejemplo).
90
VI. RECOMENDACIONES
En este estudio se ha analizado la dinámica de temperatura de superficie de suelo, lluvia y

vegetación, además del desarrollo de un indicador de sequías a escala de cuenca y sub-
cuencas en la región andino-amazónica. A continuación, se presenta los alcances de la
investigación y perspectivas futuras.
El periodo de análisis de la presente investigación corresponde al periodo 2001-2016,

debido a que la información para los productos enfocados al estudio de las cubiertas
terrestres (MODLAND) del sensor Modis, NDVI y temperatura de superficie de suelo
(LST), está disponibles a partir de febrero del 2000 a la actualidad. La información de las
estimaciones de precipitación de los productos TRMM 3B42 y 3B42-RT se encuentran
disponibles a partir de los años 1998 y 2000 respectivamente. Sin embargo, a pesar de que
nuestros resultados son consistentes, sería recomendable considerar un periodo de análisis
mayor, disponiendo de información con un registro histórico y más largo para un mejor
análisis a fin de proporcionar una mayor consistencia y una mayor robustez en los
resultados.
Los datos HOP cuentan con un registro más largo, proporcionando información a partir de
1980 al 2009. Sin embargo, se tuvo que considerar la información correspondiente al
periodo común que inicia a partir del 2001. Sería necesario actualizar la información
observada considerando estaciones pluviométricas in-situ del área de estudio para un
análisis más consistente.
Es importante señalar que el área de estudio y las sub-cuencas analizadas en esta

investigación son relativamente extensas, por lo que sería interesante realizar un análisis a
escala local. Para ello será necesario considerar información a una menor resolución
espacial ya que los datos TRMM utilizados cuentan con una resolución de 0.25° (~25km),
los datos HOP cuentan con una resolución de 1° (~100km) y los datos de NDVI (0.05°) y
LST (1km) remuestreados a 0.25°
.
Una alternativa como información de precipitación para el cálculo de DDFs a escala local
sería probablemente los datos GPM-IMERG (Global Precipitation Measurement), que
cuentan con una resolución espacial de 0.1° (~10km). Aunque el periodo de registro de
información es corto (disponibles a partir de marzo del 2015 a la actualidad).
Otra alternativa para el cálculo de DDFs es utilizar la base de datos de precipitación

grillada PISCO (Peruvian Interpolated data of the SENAMHI’s Climatological and
hydrological Observations). Información de precipitación diaria y de alta calidad, con una
resolución espacial de 0.05° (~5km) y disponible para el periodo 1981- 2016. En general
los DDFs podrían estar disponibles en una plataforma web para el monitoreo en tiempo
real (http://intranet.igp.gob.pe/eventos-extremos-amazonia-peruana/), como aporte y de
utilidad para la previsión y la toma de decisiones ante condiciones de sequías extremas en
la Amazonía peruana.
Un aspecto importante que no ha sido analizado es entender a profundidad el rol que

desempeña la del bosque amazónico en los procesos de reciclaje de la humedad y la
relación lluvia-vegetación. Si bien corresponden a procesos complejos, no han sido
estudiados a profundidad a pesar de su importancia en el balance hídrico. Actualmente, no
se conoce completamente la influencia de la vegetación en los procesos atmosféricos, el
reciclaje y transporte de humedad. Entender mejor estos procesos es de prioridad teniendo
en cuenta que gran parte de los recursos hídricos que dispone el Perú tienen como fuente
de humedad el bosque amazónico.
Por otro lado, las sequías extremas e incendios forestales se han intensificado durante los
últimos años, lo que sin duda es perjudicial para la integridad de los ecosistemas
amazónicos. De hecho, existe un riesgo potencial en el remplazo del bosque tropical por un
ecosistema de sabana que provocaría incluso un potencial colapso del ecosistema
amazónico, afectando el balance y la disponibilidad de los recursos hídricos del Perú.
92
VII. REFERENCIAS BIBLIOGRÁFICAS
ACTO. 2005. A proposal for defining the geographical boundaries of Amazonia. In

Synthesis of the results from an Expert Consultation Workshop organized by the European
Commission in collaboration with the Amazon Cooperation Treaty Organization—JRC
Ispra, 7–8 June 2005, Eva HD, Huber O (eds) Office for Official Publications of the
European Communities: Luxembourg.
Alencar, AA; Brando, PM; Asner, GP; Putz, FE. 2015. Landscape fragmentation, severe
drought, and the new Amazon forest fire regime. Ecological applications, 25(6), 1493-
1505.
Anderson, L; Y. Malhi, L; Aragao, R. Ladle, E. Arai, N. Barbier, and O. Phillips. 2010.

Remote sensing detection of droughts in Amazonian forest canopies, New Phytol., 187(3),
733–750, doi:10.1111/j.1469-8137.2010.03355.x.
Aragão, L. E. O., Malhi, Y., Barbier, N., Lima, A., Shimabukuro, Y., Anderson, L., &
Saatchi, S. (2008). Interactions between rainfall, deforestation and fires during recent years
in the Brazilian Amazonia. Philosophical Transactions of the Royal Society of London B:
Biological Sciences, 363(1498), 1779-1785.
Arias, P. A., Fu, R., Vera, C., & Rojas, M. 2015. A correlated shortening of the North and
South American monsoon seasons in the past few decades. Climate dynamics, 45(11-12),
3183.
Asner, G.P. & Alencar, A. 2010. Drought impacts on the Amazon forest: the remote
sensing perspective. New Phytol., 187, 569–578.
Bagley, J. E., Desai, A. R., Harding, K. J., Snyder, P. K. & Foley, J. A. 2014. Drought and
deforestation: has land cover change influenced recent precipitation extremes in the
Amazon? J. Clim. 27, 345–361.
Barlow, J., & Peres, C. A. 2004. Ecological responses to El Niño–induced surface fires in
central Brazilian Amazonia: management implications for flammable tropical forests.
Philosophical Transactions of the Royal Society of London B: Biological Sciences,
359(1443), 367-380.
Bartholomé, E., y A. S. Belward. 2005. “GLC2000: A new Approach to Global Land

Cover Mapping from Earth Observation Data”. International Journal of Remote Sensing.
Vol. 26, núm. 9, pp. 1959-1977.
Beguería, S; Vicente-Serrano, SM; Martínez, A. 2010. A multiscalar global drought

dataset: the SPEIbase – a new gridded product for the analysis of drought variability and
impacts. Bulletin of the American Meteorological Society 91 (10), 1351–1356.
Betts, R.A.; Cox, P.M.; Collins, M.; Harris, P.P.; Huntingford, C.; Jones, C.D. 2004. The
role of ecosystem-atmosphere interactions in simulated Amazonian precipitation decrease
and forest dieback under global climate warming. Theoretical and Applied Climatology,
78: 157-175.
Beran, MA; Rodier, JA. 1985. Hydrological aspects of droughts. Studies and reports in
hydrology, N39. Unesco, WMO.
Boisier, J. P., P. Ciais, A. Ducharne, and Guimberteau M. 2015, Projected strengthening

of Amazonian dry season by constrained climate model simulations, Nat. Clim. Change,
5(7), 656–660.
Brando, P.M., Nepstad, D.C., Davidson, E.A., Trumbore, S.E., Ray, D., & Camargo, P.
2008. Drought effects on litterfall, wood production and belowground carbon cycling in an
Amazon forest: results of a throughfall reduction experiment. Philosophical Transactions
of the Royal Society of London B: Biological Sciences, 363(1498), 1839-1848.
Brando, P. M., S. J. Goetz, A. Baccini, D. C. Nepstad, P. S. A. Beck, and M. C. Christman

2010. Seasonal and interannual variability of climate and vegetation indices across the
Amazon, Proc. Natl. Acad. Sci. U. S. A., 107(33), 14,685–14,690,
doi:10.1073/pnas.0908741107.
Brando PM, Balch JK, Nepstad DC, Morton DC, Putz FE, Coe MT, Silverio D, Macedo
MN, Davidson EA, Nobrega CC, Alencar A, Soares-Filho BS. 2014. Abrupt increases in
Amazonian tree mortality due to drought fire interactions. Proc. Natl. Acad. Sci. U.S.A.
111: 6347–6352, doi: 10.1073/pnas.1305499111.
94
Brienen, R. J. W., Phillips, O. L., Feldpausch, T. R., Gloor, E., Baker, T. R., Lloyd, J., ... &
Martinez, R. V. 2015. Long-term decline of the Amazon carbon sink. Nature, 519(7543),
344-348.
Buarque, D.C., de Paiva, R.C.D., Clarke, R.T., Mendes, C.A.B., 2011. A comparison of
Amazon rainfall characteristics derived from TRMM, CMORPH and the Brazilian national
rain gauge network. J. Geophys. Res. 116, D19105. http://dx.doi.org/
10.1029/2011JD016060.
Cadena, M. 2006. Estudio de diversos índices de sequía para la región Caribe Colombiana,
Tesis para optar el título de Magister en Ciencias – Meteorología, Facultad de Ciencias,
Departamento de Geociencias, Universidad Nacional de Colombia. Bogotá. pp. 115.
Calléde, J; Cochonneau, G; Ronchail, J; Alves, FV; Guyot, JL; Guimarães, VS; Oliveira,
E. 2010. Les apports en eau de l’Amazone `a l’Ocèan Atlantique. Revue des sciences
del’eau/Journal of Water Science 23(3): 247–273.
Centro amazónico de antropología y aplicación práctica CAAAP 2016. La Amazonía se

hace humo. http://www.caaap.org.pe/website/2016/08/31/la-amazonia-se-hace-humo/.
Chen, J., Jönsson, P., Tamura, M., Gu, Z., Matsushita, B., Eklundh, L. 2004. A simple
method for reconstructing a high-quality NDVI time-series data set based on the Savitzky–
Golay filter. Remote Sensing of Environment 91 (3–4), 332–344.
Chen, F., & Li, X. 2016. Evaluation of IMERG and TRMM 3B43 monthly precipitation
products over mainland China. Remote Sensing, 8(6), 472.
Chiu, L., Z. Liu, H. Rui, and W. Teng, 2006a: TRMM data and access tools. Earth Science
Satellite Remote Sensing, II, J. Qu et al., Eds., Springer and Tsinghua University Press,
202–219.
Chuvieco, E. 1995. Teledetección ambiental: La observación de la Tierra desde el Espacio.

Ariel Ciencia. Barcelona España. 586 pp.
Cihlar, J., 2000. Land cover mapping of large areas from satellites: Status and research
priorities. International Journal of Remote Sensing. 21(6): 1093-1114.
95
Coe, M.T., Costa, M.H., Howard, E.A., 2008. Simulating the surface waters of the Amazon
River basin: impacts of new river geomorphic and flow parameterizations. Hydrol.
Process. 22 (14), 2542–2553. http://dx.doi.org/10.1002/hyp.6850.
Coe, M. T., Marthews, T. R., Costa, M. H., Galbraith, D. R., Greenglass, N. L., Imbuzeiro,
H. M., ... & Powell, T. L. 2013. Deforestation and climate feedbacks threaten the
ecological integrity of south–southeastern Amazonia. Phil. Trans. R. Soc. B, 368(1619),
20120155.
Collischonn, B., Collischonn, W., Tucci, C.E.M., 2008. Daily hydrological modeling in the
Amazon basin using TRMM rainfall estimates. J. Hydrol. 360 (1–4), 207–216.
http://dx.doi.org/10.1016/j.jhydrol.2008.07.032.
Condom, T., Rau, P., Espinoza, J.C., 2011. Correction of the TRMM 3B43 monthly
precipitation data over the mountainous areas of Peru during the period 1998– 2007.
Hydrol. Process. http://dx.doi.org/10.1002/hyp.7949.
Costa, M. H., Yanagi, S. N., Souza, P. J., Ribeiro, A., & Rocha, E. J. 2007. Climate change
in Amazonia caused by soybean cropland expansion, as compared to caused by pastureland
expansion. Geophysical Research Letters, 34(7).
Cox, P., R. Betts, C. Jones, S. Spall, and I. Totterdell 2000. Acceleration of global
warming due to carbon-cycle feedbacks in a coupled climate model, Nature, 408, 184–187,
doi:10.1038/35041539.
Cox, P., R. Betts, M. Collins, P. Harris, C. Huntingford, and C. Jones 2004. Amazonian
forest dieback under climate-carbon cycle projections for the 21st century, Theor. Appl.
Climatol., 78(1–3), 137–156, doi:10.1007/s00704-004-0049-4.
Da Silva R, Werth D, Avissar R 2008. Regional impacts of future land-cover changes on

the Amazon Basin wet-season climate. J Climate 21:1153–1170
Dantas, M., & Phillipson, J. 1989. Litterfall and litter nutrient content in primary and
secondary Amazonian ‘terra firme’rain forest. Journal of Tropical Ecology, 5(1), 27-36.
Davidson EA, de Araújo AC, Artaxo P, Balch JK, Brown IF, Busta- mante MMC, Coe
MT, DeFries RS, Keller M, Longo M, Munger JW, Schroeder W, Soares-Filho BS, Souza
96
CM Jr, Wofsy SC. 2012. The Amazon basin in transition. Nature 481: 321–328, doi:
10.1038/nature10717.
Du, L; Tian, Q; Yu, T; Meng, Q; Jancso, T; Udvardy, P; Huang, Y. 2013. A

comprehensive drought monitoring method integrating MODIS and TRMM data. Applied
Earth Observation and Geoinformation 23: 245-253.
Dubreuil V, Debortoli N, Funatsu B, Nédélec V, Durieux L. 2012. Impact of land-cover

change in the southern Amazonia climate: A case study for the region of Alta Floresta,
Mato Grosso, Brazil. Environ Monit Assess 184(2):877–891.
El Comercio 2016. Incendios forestales afectan a 10 regiones en solo una semana Noticia:
http://elcomercio.pe/peru/incendios-forestales-afectan-10-regiones-semana-149552
Espinoza, JC; Ronchail, J; Guyot, JL; Cocheneau, G; Filizola, N; Lavado, W; de Oliveira,

E; Pombosa, R; Vauchel, P. 2009a. Spatio-Temporal rainfall variability in the Amazon
Basin Countries (Brazil, Peru, Bolivia, Colombia and Ecuador). International Journal of
Climatology, 29: 1574–1594.
Espinoza, JC; Guyot, JL; Ronchail, J; Cochonneau, G; Filizola, N; Fraizy, P; Labat, D; de

Oliveira, E; Ordonez, J; Vauchel, P. 2009b. Contrasting regional discharge evolutions in
the Amazon basin (1974-2004). Journal of Hydrology, 375: 297-311.
Espinoza, JC; Ronchail, J; Guyot, JL; Junquas, C; Vauchel, P; Lavado, W; Drapeau, G;

Pombosa, R. 2011. Climate variability and extreme drought in the upper Solimoes River
(Western Amazon Basin): Understanding the exceptional 2010 drought. Geophysical
Research Letters. 13p.
Espinoza, JC; Ronchail, J; Guyot, JL; Junquas, C; Drapeau, G; Martinez, J; Santini, W;

Vauchel, P; Lavado, W; Ordoñez, J; Espinoza, R. 2012. From drought to flooding:
understanding the abrupt 2010 – 11 hydrological annual cycle in the Amazon River and
tributaries. Environmental Research Letters 7 (2012) 7p.
Espinoza, JC; Ronchail, J; Frappart, F; Lavado, W; Santini, W; Guyot, JL. 2013. The
major floods in the Amazon River and tributaries (Western Amazon basin) during the 1970
– 2012 period: A focus in the 2012 flood. J. Hydrometeor, 14, 1000 – 1008.
97
Espinoza JC; Segura H; Ronchail J; Drapeau G; Gutierrez-Cori O. 2016. Evolution of wet-
and dry-day frequency in the western Amazon basin: Relationship with the atmospheric
circulation and impacts on the vegetation. Water Resources Research. doi:
10.1002/2016WR019305.
Federal Emergency Management Agency. 1995. National Mitigation Strategy: Partnerships

for Building Safer Communities. FEMA Mitigation Directorate. 40p.
Fishtahler, L. 1998. Concept for an HDF-EOS image data construct, Geoscience and
Remote Sensing Symposium Proceedings, 1998. IGARSS 98. 1998 IEEE International,
vol. 1, pp.307-308.
Fu, R., & Li, W. 2004. The influence of the land surface on the transition from dry to wet
season in Amazonia. Theoretical and applied climatology, 78(1), 97-110.
Fu, R., Yin, L., Li, W., Arias, P. A., Dickinson, R. E., Huang, L., & Myneni, R. B. 2013.
Increased dry-season length over southern Amazonia in recent decades and its implication
for future climate projection. Proceedings of the National Academy of Sciences, 110(45),
18110-18115.
Garreaud, R.; Vuille, M; Clement, A. 2003. The climate of the Altiplano: observed current
conditions and mechanism of past changes. Palaeogeography, Palaeoclimatology,
Palaeoecology. 194 (3054), 1–18.
Garreaud, R; Vuille, M; Compagnucci, R; Marengo, J. 2008. Present-day South American

climate. Palaeogeography, Palaeoclimatology, Palaeoecology, (04830), 1 -16.
Getirana, A.C.V., Boone, A., Yamazaki, D., Decharme, B., Papa, F., Mognard, N., 2012.
The hydrological modeling and analysis platform (HyMAP). Evaluation in the Amazon
basin. J. Hydrometeorol. 13, 1641–1665.
Getirana, A.C.V., Dutra, E., Guimberteau, M., Kam, J., Li, H., Decharme, B., Zhang, Z.,
Ducharne, A., Boone, A., Balsamo, G., Rodell, M., Toure, A.M., Xue, Y., Drapeau, G.,
Arsenault, K., Kumar, S.V., Leung, L.R., Peters-Lidard, C., Ronchail, J., Sheffield, J.,
2014. Water balance in the Amazon basin from a land surface model ensemble. J.
Hydrometeorol. 15, 2586–2614. http://dx.doi.org/10.1175/JHM-D-14-0068.1.
98
Gomis-Cebolla, J., Jiménez-Muñoz, J. C., & Sobrino, J. A. 2016. Extreme thermal
episodes analyzed with MODIS products during the boreal winter (2000-2016). Revista de
Teledetección, (46), 19-30.
Guimberteau, M., Drapeau, G., Ronchail, J., Sultan, B., Polcher, J., Martinez, J.M.,
Prigent, C., Guyot, J.L., Cochonneau, G., Espinoza, J.C., Filizola, N., Fraizy, P., Lavado,
W., De Oliveira, E., Pombosa, R., Noriega, L., Vauchel, P., 2012. Discharge simulation in
the sub-basins of the Amazon using ORCHIDEE forced by new datasets. Hydrol. Earth
Syst. Sci. 16, 911–935.
Guimberteau, M., J. Ronchail, J. C. Espinoza, M. Lengaigne, B. Sultan, J. Polcher, G.

Drapeau, J. L. Guyot, A. Ducharne, and P. Cialis. 2013. Future changes in precipitation
and impacts on extreme stream-flow over Amazonian sub-basins, Environ. Res. Lett., 8,
014035, doi: 10.1088/1748-9326/8/1/014035.
Hirota, M., Holmgren, M., van Nes, E. H. & Scheffer, M. 2011. Global resilience of
tropical forest and savanna to critical transitions. Science 334, 232–235.
Holben, B. 1986. Characteristics of maximum-value composite images from temporal

AVHRR data. International Journal of Remote Sensing, 7: 1417-1434.
Huete, A., Didan, K., Miura, T., Rodriguez, E. P., Gao, X., & Ferreira, L. G. 2002.
Overview of the radiometric and biophysical performance of the MODIS vegetation
indices. Remote Sensing of Environment, 83, 195–213.
Huete, A. R., K. Didan, Y. E. Shimabukuro, P. Ratana, S. R. Saleska, L. R. Hutyra, W.

Yang, R. R. Nemani, and R. Myneni 2006. Amazon rainforests green-up with sunlight in
dry season, Geophys. Res. Lett., 33, L06405, doi:10.1029/2005GL025583
Huffman, G. J., Bolvin, D. T., Nelkin, E. J., Wolff, D. B., Adler, R. F., Gu, G., ... &
Stocker, E. F. 2007. The TRMM multisatellite precipitation analysis (TMPA): Quasi-
global, multiyear, combined-sensor precipitation estimates at fine scales. Journal of
hydrometeorology, 8(1), 38-55.
Huffman, G. J., Adler, R. F., Bolvin, D. T., & Nelkin, E. J. 2010. The TRMM multi-
satellite precipitation analysis (TMPA). In Satellite rainfall applications for surface
hydrology (pp. 3-22). Springer Netherlands.
99
Hurtado, G. 1986. Índices de Sequía y su aplicación operativa en Colombia, Bogotá.
Atmósfera, No. 5. pp. 7-17.
Ichoku C., Y. J. Kaufman, L. Giglio, Z. Li, R. H. Fraser, J.-Z. Jin And W. M. Park, 2003.
Comparative analysis of daytime fire detection algorithms using AVHRR data for the 1995
fire season in Canada: perspective for MODIS. International Journal of Remote Sensing 24
(8): 1669–1690p.
Intergovernmental Panel on Climate Change, 2013. The Physical Science Basis.

Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental
Panel on Climate Change, eds Stocker TF, et al. (Cambridge Univ Press, Cambridge, UK).
Jiménez‐Muñoz, J. C., Sobrino, J. A., Mattar, C., & Malhi, Y. 2013. Spatial and temporal
patterns of the recent warming of the Amazon forest. Journal of Geophysical Research:
Atmospheres, 118(11), 5204-5215.
Jiménez-Muñoz, J. C., Mattar, C., Sobrino, J. A., & Malhi, Y. 2015. A database for the
monitoring of thermal anomalies over the Amazon forest and adjacent intertropical oceans.
Scientific data, 2.
Justice C., L. Giglio, S. Korontzi, J. Owens, J.T. Morisette, D. Roy, J. Descloitres, S.

Alleaume, F. Petitcolin, Y. Kaufman, 2002. The MODIS Fire Products, Remote Sensing of
Environment 83: 244-262.
Kaufman, J. Y., D. D. Herring, K.J. Ranson y G. J. Collatz. 1998. “Earth Observing

System AM-1 Mission to Earth”. IEEE Transactions on Geoscience and Remote Sensing.
Vol. 36, núm. 4, pp. 1045-1055.
Keyantash, J; Dracup, JA. 2002. The quantification of drought: an evaluation of drought

indices, Bulletin of the American Meteorological Society, Vol. 83, pp. 1167–1180.
Kulik, MS. 1962. Agroclimatic indices of drought. En: DAVIDAYA, F.F. y KULIK, M.S.
(Eds.): Compendium of abridged reports to the Second Session of CagM (WMO).
Hydrometeorological Publishing. Moscú. (pp. 75-81).
Kummerow, C. y W. Barnes, 1997. The Tropical Rainfall Measuring Mission (TRMM)

Senson Package. Journal of atmospheric and oceanic technology, Vol 15, pags 809- 817.
100
Kundzewicz, ZW; Rosbjerg, D; Simonovic, SP; Takeuchi, K. 1993. Extreme hydrological
events in perspective, Extreme hydrological events: Precipitation, Floods and Drought.
Laurance, W. F., Ferreira, L. V., Rankin-de Merona, J. M., & Laurance, S. G. 1998. Rain
forest fragmentation and the dynamics of Amazonian tree communities. Ecology, 79(6),
2032-2040.
Lavado, W; Labat, D; Guyot, JL; Ardoin-Bardin, S. 2011. Assessment of climate change

impacts on the hydrology of the Peruvian Amazon–Andes basin Hydrol. Process. 25 3721–
34.
Lavado, W; Labat, D., Ronchail, J., Espinoza, J. C., & Guyot, J. L. 2012. Trends in rainfall
and temperature in the Peruvian Amazon–Andes basin over the last 40 years (1965–2007).
Hydrological Processes, 27(20), 2944-2957.
Lee, J.E., Lintner, B. R., Boyce, C. K., & Lawrence, P. J. 2011. Land use change
exacerbates tropical South American drought by sea surface temperature variability.
Geophysical Research Letters, 38(19).
Lejeune, Q., Davin, E. L., Guillod, B. P. & Seneviratne, S. I. 2015. Influence of

Amazonian deforestation on the future evolution of regional surface fluxes, circulation,
surface temperature and precipitation. Clim. Dyn. 44, 2769–2786.
Lewis, SL; Brando, PM; Phillips, OL; van der Heijden, GMF; Nepstad, D. 2011. The 2010
Amazon drought. Science, 331: 554. doi:10.1126/science.1200807.
Li, W., Fu, R., & Dickinson, R. E. 2006. Rainfall and its seasonality over the Amazon in
the 21st century as assessed by the coupled models for the IPCC AR4. Journal of
Geophysical Research: Atmospheres, 111(D2).
Linsley JR; R.K; Kohler, MA; Paulhus, JCH. 1975. Hydrology for engine-ers (segunda
edición). McGraw Hill. New York.
Liu, WT; Juarez, RIN. 2001. ENSO drought onset prediction in northeast Brazil using
NDVI. International Journal of Remote Sensing 22 (17), 3483–3501.
Loarie SR, Duffy PB, Hamilton H, Asner GP, Field CB, Ackerly DD. 2009. The velocity
of climate change. Nature 462: 1052–1057.
101
Maeda, E. E., Heiskanen, J., Aragão, L. E., & Rinne, J. 2014. Can MODIS EVI monitor
ecosystem productivity in the Amazon rainforest?. Geophysical Research Letters, 41(20),
7176-7183.
Malhi, Y., Aragão, L., Galbraith, D., Huntingford, C., Fisher, R., Zelazowski, P., Sitch, S.,
Mcsweeney, C., Meir, P., 2009. Exploring the likelihood and mechanism of a climate-
change-induced dieback of the Amazon rainforest. Proc. Natl. Acad. Sci. U. S. A. 106,
20610–20615.
Marengo, J. A., Tomasella, J., & Uvo, C. R. 1998. Trends in streamflow and rainfall in
tropical South America: Amazonia, eastern Brazil, and northwestern Peru. Journal of
Geophysical Research: Atmospheres, 103(D2), 1775-1783.
Marengo, J. A., Liebmann, B., Kousky, V. E., Filizola, N. P., & Wainer, I. C. 2001. Onset
and end of the rainy season in the Brazilian Amazon Basin. Journal of Climate, 14(5), 833-
852.
Marengo, J. A., C. A. Nobre, J. Tomasella, M. D. Oyama, G. S. De Oliveira, R. De

Oliveira, H. Camargo, L. M. Alves, and I. F. Brown 2008, The drought of Amazonia in
2005, J. Clim., 21(3), 495–516, doi:10.1175/2007JCLI1600.1.
Marengo, J; Tomasella, J; Alves, L; Soares, W; Rodriguez, D. 2011. The drought of 2010

in the context of historical droughts in the Amazon region. Geophysical Research Letters
Vol. 38 L12703.
Marengo, J. A., Tomasella, J., Soares, W. R., Alves, L. M., & Nobre, C. A. 2012. Extreme
climatic events in the Amazon basin. Theoretical and Applied Climatology, 107(1), 73-85.
Marengo, J. A; Borma, L; Rodriguez, D; Pinho, P; Soares, W; Alves, L. 2013. Recent

extremes of drought and flooding in Amazonia: Vulnerabilities and human adaptation.
American Journal of Climate Change, 2013, 2, 87 – 96.
Marengo, J. A. and Espinoza, J. C., 2015. Extreme seasonal droughts and floods in
Amazonia: causes, trends and impacts. International Journal of Climatology. DOI:
10.1002/joc.4420.
Mas, J. 2011. Aplicaciones del sensor MODIS para el monitoreo del territorio, 1st ed,
books.google.com. Instituto Nacional de Ecología, México, D.F.
102
Mayorga, M. Hurtado, G. 2006. La sequía en Colombia. Instituto de hidrología,
meteorología y estudios ambientales - IDEAM, Subdirección de Meteorología. Nota
técnica del IDEAM.
McClain, ME. 2001. The Relevance of Biogeochemistry to Amazon Development and

Conservation. In The Biogeochemistry of the Amazon Basin, McClain ME, Victoria RL,
Richey JE (eds). Oxford University Press: London.
Meir P, Brando PM, Nepstad D, Vasconcelos S, Costa ACL, Davidson E, Almeida S,

Fisher R, Sotta ED, Zarin DJ et al. 2009. The effects of drought on Amazonian rain forests.
In: KellerM, BustamanteM, GashJ, Silva DiasP, eds. Amazonia and global change.
Washington, DC, USA: American Geophysical Union, 429–449.
McKee, TB; Doesken, NJ; Kleist, J. 1993. The relationship of drought frequency and
duration to time scales. In: Proceedings of Eighth Conference on Applied Climatology,
Anaheim, CA. American Meteorological Society, Boston, MA, pp. 179–184.
McKee, TB; Doesken, NJ; Kleist, J. 1995. Drought monitoring with multiple time scales.
In: Proceedings of the Ninth Conference on Applied Climatology. American
Meteorological Society, Boston, MA, pp. 233–236.
Meir P, Metcalfe DB, Costa ACL, Fisher RA. 2008. The fate of assimilated carbon during
drought: impacts on respiration in Amazon rainforests. Philosophical Transactions of the
Royal Society B–Biological Sciences 363: 1849–1855.
Milewski, A., Elkadiri, R., & Durham, M. 2015. Assessment and comparison of TMPA
satellite precipitation products in varying climatic and topographic regimes in Morocco.
Remote Sensing, 7(5), 5697-5717.
Moran M.S., Clarke T.R., Inoue Y., Vidal A., 1994. Estimating crop water deficit using the
relation between surface air temperature and spectral vegetation index. Remote Sens.
Environ., 49, 246-263.
Morisette, J., Privette, J., & Justice, C., 2002. A framework for the validation of MODIS
Land products, Remote Sensing of Environment, 83:77-96.
Myers, N., Mittermeier, R. A., Mittermeier, C. G., Da Fonseca, G. A., & Kent, J. 2000.
Biodiversity hotspots for conservation priorities. Nature, 403(6772), 853-858.
103
Myneni, R. B., Yang, W., Nemani, R. R., Huete, A. R., Dickinson, R. E., Knyazikhin, Y.,...
& Hashimoto, H. 2007. Large seasonal swings in leaf area of Amazon rainforests.
Proceedings of the National Academy of Sciences, 104(12), 4820-4823.
NASA MODIS Web, 2008. The Moderate Resolution Imaging Spectroradiometer website
that houses all central information on the MODIS project: Disponible en línea en:
http://modis.gsfc.nasa.gov/.
National Climatic Data Center, 2003. Coop summary of the day-CDMP-Pre, Data
documentation for data set 3206 (DSI-3206). 18p.
Nepstad DC, Tohver IM, Ray D, Moutinho P, Cardinot G. 2007. Mortality of large trees
and lianas following experimental drought in an Amazon forest. Ecology 88(9): 2259–
2269.
Nepstad DC. 2008. The Amazon’s Vicious Cycles (World Wide Fund Nat, Gland,
Switzerland).
Nobre, C. A., Sellers, P. J., & Shukla, J. 1991. Amazonian deforestation and regional
climate change. Journal of Climate, 4(10), 957-988.
Nobre, C. A., & Borma, L. D. S. 2009. ‘Tipping points’ for the Amazon forest. Current
Opinion in Environmental Sustainability, 1(1), 28-36.
Nobre, C. A., Sampaio, G., Borma, L. S., Castilla-rubio, J. C., Silva, J. S., & Cardoso, M.
2016. Land-use and climate change risks in the Amazon and the need of a novel
sustainable development paradigm, 113(39), 10759–10768. http://doi.org/10.1073/ pnas.
1605516113.
Oyama, M. D., & Nobre, C. A. 2003. A new climate‐vegetation equilibrium state for
tropical South America. Geophysical research letters, 30(23).
Paiva, R.C.D., Costa Buarque, D., Clarke, R.T., Collischonn, W., Allasia, D.G., 2011a.
Reduced precipitation over large water bodies in the Brazilian Amazon shown from
TRMM data. Geophys. Res. Lett. 38, L04406. http://dx.doi.org/10.1029/ 2010GL045277.
104
Paiva, R.C.D., Buarque, D.C., Collischonn, W., Bonnet, M.P., Frappart, F., Calmant, S.,
Mendes, C.A.B., 2013. Largescale hydrologic and hydrodynamic modeling of the Amazon
River basin. Water Resour. Res. 49, 1226–1243. http://dx.doi.org/ 10.1002/wrcr.20067.
Palmer, WC. 1965. Meteorological drought. Research Paper N. 45, U.S. Department of
Commerce Weather Bureau, Washington DC. 58p.
Penalba, O. C. and Rivera, J. A 2016. Precipitation response to El Niño/La Niña events in

Southern South America – emphasis in regional drought occurrences, Adv. Geosci., 42, 1-
14, https://doi.org/10.5194/adgeo-42-1-2016.
Phillips OL, et al. 2009. Drought sensitivity of the Amazon rainforest. Science
323(5919):1344–1347.
Poorter, L., Bongers, F., Aide, T. M., Zambrano, A. M. A., Balvanera, P., Becknell, J. M.,
& Craven, D. 2016. Biomass resilience of Neotropical secondary forests. Nature,
530(7589), 211-214.
Quiroz, K., Collischonn, W., Lavado, C., 2011. Modelización hidrológica usando
estimaciones de lluvia por satélite en la cuenca del río Huallaga, Perú. Revista Peruana
Geo-Atmosférica RPGA 3, 51–62.
Ray, D., Nepstad, D., & Moutinho, P. 2005. Micrometeorological and canopy controls of
fire susceptibility in a forested Amazon landscape. Ecological Applications, 15(5), 1664-
1678.
Rhee, J; Im, J; Carbone, GJ. 2010. Monitoring agricultural drought for arid and humid
regions using multi-sensor remote sensing data. Remote Sensing of Environment 114,
2875–2887.
Richard, R; Heim, Jr. 2002. A review of twentieth-century drought indices used in the
United States, Bulletin of the American Meteorological Society, Vol. 83, No. 8, pp. 1149–
1166.
Rouse, JW; Hass, RH; Schell, JA; Deering, DW. 1974. Monitoring vegetation systems in
the Great Plains with ERTS. In: The 3rd Earth Resources Technology Satellite-1
Symposium, Greenbelt, MD, p. 309–17.
105
Rowland, L., da Costa, A. C. L., Galbraith, D. R., Oliveira, R. S., Binks, O. J., Oliveira, A.
A. R., ... & Ferreira, L. V. 2015. Death from drought in tropical forests is triggered by
hydraulics not carbon starvation. Nature, 528(7580), 119-122.
Roy SB & Avissar R. 2002. Impact of land use/land cover change on regional
hydrometeorology in Amazonia. J Geophys Res 107(D20):1–12.
Rudorff, B.F.T., Y. E. Shimabukuro y J. C. Ceballos. 2007. “O Sensor MODIS e sus

Aplicaçōes Ambientais No Brasil”. São José dos Campos S.P. Brasil. Editorial Parentese,
pp. 428.
Rusell, CS; Arey, DG; Kates, RW. 1970. Drought and water supply. Johns Hopkins
University Press. Baltimore (EE.UU.). 232p.
Sadeh, M. 2002. “A failure of International Space Cooperation: the International Earth

Observing System”. IEEE Transactions on Geoscience and Remote Sensing. Vol. 20, núm.
2, pp. 45-53.
Salazar, L. F., Nobre, C. A., & Oyama, M. D. 2007. Climate change consequences on the
biome distribution in tropical South America. Geophysical Research Letters, 34(9).
Salazar, L. F., & Nobre, C. A. 2010. Climate change and thresholds of biome shifts in
Amazonia. Geophysical Research Letters, 37(17).
Saleska, S. R., Didan, K., Huete, A. R., & Da Rocha, H. R. 2007. Amazon forests green-up
during 2005 drought. Science, 318(5850), 612-612.
Sampaio, G., Nobre, C., Costa, M. H., Satyamurty, P., Soares‐Filho, B. S., & Cardoso, M.
2007. Regional climate change over eastern Amazonia caused by pasture and soybean
cropland expansion. Geophysical Research Letters, 34(17).
Samanta, A., S. Ganguly, and R. B. Myneni. 2010a. MODIS enhanced vegetation index
data do not show greening of Amazon forests during the 2005 drought, New Phytol.,
189(1), 12–15.
Samanta, A., S. Ganguly, H. Hashimoto, S. Devadiga, E. Vermote, Y. Knyazikhin, R. R.

Nemani, and R. B. Myneni 2010b. Amazon forests did not green-up during the 2005
drought, Geophys. Res. Lett., 37, L05401, doi:10.1029/2009GL042154.
106
Sandholt, I., Rasmussen, K. y Andersen, J. 2002. A simple interpretation of the
surfacetemperature/vegetation index space for as-sessment of surface moisture status.
Remote Sensing of Environment, 79 (2-3): 213-224.
Scheffer, M., Carpenter, S., Foley, J. A., Folke, C., & Walker, B. 2001. Catastrophic shifts
in ecosystems. Nature, 413(6856), 591-596.
Scheffer, M., Holmgren, M., Brovkin, V., & Claussen, M. 2005. Synergy between small‐
and large‐scale feedbacks of vegetation on the water cycle. Global change biology, 11(7),
1003-1012.
Scheel, M.L.M., Rohrer, M., Huggel, Ch., Santos Villar, D., Silvestre, E., Huffman, G.J.,
2011. Evaluation of TRMM Multi-satellite Precipitation Analysis (TMPA) performance in
the Central Andes region and its dependency on spatial and temporal resolution. Hydrol.
Earth Syst. Sci. 15, 2649–2663. http://dx.doi.org/10.5194/hess-15-2649.
Singh, R. P., Roy, S., & Kogan, F. 2003. Vegetation and temperature condition indices
from NOAA AVHRR data for drought monitoring over India. International Journal of
Remote Sensing, 24(22), 4393-4402.
Solano, R., Didan, K., Jacobson, A., & Huete, A. 2010. MODIS Vegetation Indices
(MOD13) C5 user's guide. Available at: http://tbrs.arizona.edu/project/MODIS/
UsersGuide.pdf.
Spracklen, D., Arnold, S. & Taylor, C. 2012. Observations of increased tropical rainfall
preceded by air passage over forests. Nature 489, 282–285.
Staver, A. C., Archibald, S., & Levin, S. A. 2011. The global extent and determinants of
savanna and forest as alternative biome states. Science, 334(6053), 230-232.
Subrahmanyam, VP. 1967. Incidence and spread of continental drought. (WMO/IHD

Report 2). Organización Meteorológica Mundial. Ginebra.
Sudene, 1999. O fenômeno das secas. [En línea]. Página web, Recife: Superintendencia do
Desenvolvimento do Nordeste. http://www.sudene.gov.br/nordeste/Seca.html [Consulta,
14 de enero de 2016].
107
Tucker, C.J. 1979. Red and photographic infrared linear combinations for monitoring
vegetation. Remote Sensing of Environment, 8:127-150.
Unganai, LS; Kogan, FN. 1998. Drought monitoring and corn yield estimation in Southern
Africa from AVHRR data. Remote Sensing of Environment 63, 219–232.
Valiente, OM. 2001. Sequias, definiciones, tipologías y métodos de cuantificación.
Van Leeuwen, T. T., Frank, A. J., Jin, Y., Smyth, P., Goulden, M. L., van der Werf, G. R.,
& Randerson, J. T. 2011. Optimal use of land surface temperature data to detect changes in
tropical forest cover. Journal of Geophysical Research: Biogeosciences, 116(G2).
Van nes, E. H., Hirota, M., Holmgren, M. & Scheffer, M. 2014. Tipping points in tropical
tree cover: linking theory to data. Glob. Change Biol. 20, 1016–1021.
Verstraeten, W.W., Veroustreaete, F., and Feyen, J. 2001. Monitoring water limited carbon
mass fluxes over Europe using NOAA AVHRR imagery and an adapted PEM Model C-
FIX.
Verbesselt, J.; Umlauf, N.; Hirota, M.; Holmgren, M.; Van Nes, E.H.; Herold, M.; Zeileis,
A.; Scheffer, M. 2016. Remotely sensed resilience of tropical forests. Nat. Clim. Chang. 1,
1–5.
Victoria, R.L., Martinelli, L. A., Moraes, J. M., Ballester, M. V., Krusche, A. V.,
Pellegrino, G., ... & Richey, J. E. 1998. Surface air temperature variations in the Amazon
region and its borders during this century. Journal of Climate, 11(5), 1105-1110.
Wagner, W; Lemoine, G; Borgeaud, M; Rott, H. 1999. A study of vegetation cover effects

on ERS scatterometer data. IEEE Trans Geosci Remote Sens 37(2):938–948.
Wan, Z; Dozier, J. 1996. A generalized split-window algorithm for retrieving landsurface

temperature from space. IEEE Transactions on Geoscience and Remote Sensing 34 (4),
892–905.
Wan, Z. & Z.L. Li, 2008, Radiance-based validation of the MODIS land-surface
temperature product, International Journal of Remote Sensing, 29: 5373-5395.
108
Wan, Z., Wang, P. and Li, X., 2004. Using MO-DIS Land Surface Temperature and
Norma-lized Difference Vegetation Index productsfor monitoring drought in the southern
GreatPlains, USA. International Journal of Remo-te Sensing, 25(1): 61-72.
Wan, Z., Hook, S., & Hulley, G. 2015. MOD11A2 MODIS/Terra Land Surface
Temperature/Emissivity 8-Day L3 Global 1 km SIN Grid V006. NASA EOSDIS Land
Processes DAAC, USGS Earth Resources Observation and Science (EROS) Center.
https://lpdaac. usgs. gov (accessed 16 June 2016): Sioux Falls, SD, doi, 10.
Wan, Z., Y. Zhang, Q. Zhang, and Z.-L. Li, 2004, Quality assessment and validation of the
MODIS land surface temperature”, International Journal of Remote Sensing, 25: 261-274.
Wang, J; Price, KP; Rich, PM. 2001. Spatial patterns of NDVI in response to precipitation
and temperature in the central Great Plains. International Journal of Remote Sensing 22
(18), 3827–3844.
Wilhite, DA; Glantz, MH. 1985. Understanding the drought phenomenon: the role of
definitions. Water International, vol. 10: 111-120.
Williams JW, Jackson ST, Kutzbach JE. 2007. Projected distributions of novel and
disappearing climates by 2100 AD. Proceedings of the National Academy of Sciences,
USA 104: 5738–5742
Xiong J. 2008. MCST Calibration Information, URL: http://www.mcst.ssai.biz/mcst-

web/calib/calibration.html (Última fecha de acceso: 28 de septiembre de 2008).
Xu, L; Samanta, A; Costa, M; Ganguly, S; Nemani, R; Maynei, R. 2011. Windespread

decline in greenness of Amazonian Vegetation Due to the 2010 drought. Geophysical
Research Letters 38 L07402.
Xu, C., Hantson, S., Holmgren, M., Nes, E. H., Staal, A., & Scheffer, M. (2016). Remotely
sensed canopy height reveals three pantropical ecosystem states. Ecology, 97(9), 2518-
2521.
Zemp, D. C., Schleussner, C. F., Barbosa, H. M. J., Van der Ent, R. J., Donges, J. F.,
Heinke, J., & Rammig, A. (2014). On the importance of cascading moisture recycling in
South America. Atmospheric Chemistry and Physics, 14(23), 13337-13359.
109
Zemp, D. C., Schleussner, C.F., Barbosa, H. M., Hirota, M., Montade, V., Sampaio, G.,
Staal, A., Wang-Erlandsson, L., and Rammig, A. 2017. Self-amplified Amazon forest loss
due to vegetation-atmosphere feedbacks, Nature Communications, 8, 14 681.
Zeng, N; Yoon, JH.; Marengo, J; Subramaniam, A; Nobre, C; Mariotti, A; Neelin, D. 2008.

Causes and impacts of the 2005 Amazon drught. Environmental Research Letters 3 (2008)
9p.
Zubieta, R., Getirana, A., Espinoza, J. C., & Lavado, W. 2015. Impacts of satellite-based
precipitation datasets on rainfall–runoff modeling of the Western Amazon basin of Peru
and Ecuador. Journal of Hydrology, 528, 599-612.
110
VIII. ANEXOS
Anexo 1: Distribución espacial del ciclo anual del índice de vegetación de diferencia normalizada (NDVI) de enero a diciembre para toda la
cuenca amazónica.
Anexo 2: Distribución espacial de la Frecuencia de Días Secos (DDFs) para toda la cuenca amazónica, calculados a partir de datos 3B42-RT para
los años 2001 a 2008.
112
Anexo 3: Distribución espacial de la Frecuencia de Días Secos (DDFs) para toda la cuenca amazónica, calculados a partir de datos 3B42-RT para
los años 2009 a 2016.
113
Anexo 4: Distribución espacial de anomalías (en días) de la Frecuencia de Días Secos (DDFs) para toda la cuenca amazónica, calculados a partir
de datos 3B42-RT para los años 2001 a 2008.
114
Anexo 5: Distribución espacial de anomalías (en días) de la Frecuencia de Días Secos (DDFs) para toda la cuenca amazónica, calculados a partir
de datos 3B42-RT para los años 2009 a 2016.
115

INVESTIGACION

Cargado por

Copyright:

Formatos disponibles

INVESTIGACION

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

INVESTIGACION

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL AGRARIA

“ESTIMACIÓN DE ÍNDICES DE SEQUÍA MEDIANTE

TESIS PARA OPTAR EL GRADO DE

“ESTIMACIÓN DE ÍNDICES DE SEQUÍA MEDIANTE

TESIS PARA OPTAR EL GRADO DE

Sustentada y aprobada ante el siguiente jurado:

A mis amados padres Mercedes y Eusebio,

Esta investigación ha sido desarrollada en el marco del observatorio SO-HYBAM y gracias

A todos y cada uno de ustede mi mayor gratitud.

IV. RESULTADOS Y DISCUSIÓN ....................................................................................... 47

Cuadro 1: Sistema Internacional Observación de la Tierra (International Earth Observing

Figura 2: Esquema del cubrimiento de la tierra por el sensor MODIS. .............................. 11

Figura 4: Organización de los productos MODLAND en tiles en proyecciones sinusoidales

Figura 6: Flujo de procesamiento de productos del satélite TRMM. .................................. 18

Figura 7: Precipitación acumulada en mm.dia-1 (3B42-RT) para el período 01 a 04 de junio

Figura 9: Distribución espacial de anomalías estandarizadas del índice de vegetación de

Figura 10: Distribución espacial de anomalías de precipitación calculada a partir de datos

Figura 11: Sistema vegetación-atmósfera en equilibrio (a). Pérdida de bosque provocada

Figura 12: Ubicación geográfica de la cuenca amazónica delimitada hasta la estación

Figura 14: Producto MOD11 – Temperatura de Superficie de Suelo en proyecciones

Figura 15: Producto MOD13 – Índice de Vegetación de Diferencia Normalizada en

Figura 16: Temperatura promedio anual de la superficie de suelo (LST) de la cuenca

Figura 19: Distribución espacial de la precipitación media anual de la cuenca amazónica

Figura 21: Esquema metodológico a fin de desarrollar indicadores para el monitoreo y

Figura 22: Comportamiento de la temperatura de superficie de suelo (A), NDVI (B) y

Figura 23: Comportamiento y variabilidad de NDVI promedio anual respecto al gradiente

Figura 24: Comportamiento y variabilidad de la temperatura de superficie de suelo

Figura 27: Regímenes anuales de temperatura de superficie de suelo a nivel de sub-

Figura 28: Regímenes anuales del comportamiento de la vegetación a nivel de sub-

Figura 29: Regímenes anuales de las precipitaciones a nivel de sub-cuencas ................... 59

Figura 30: Variabilidad interanual de la temperatura de superficie de suelo (A),

Figura 34: Variaciones interanuales a escala de sub-cuencas del Índice de Condición de

Figura 35: Variaciones interanuales a escala de sub-cuencas del Índice de Condición de

Figura 36: Variaciones interanuales a escala de sub-cuencas del Índice de Condición de

Figura 37: Variabilidad interanual de las condiciones de vegetación (NDVI) de enero a

Anexo 4: Distribución espacial de anomalías (en días) de la Frecuencia de Días Secos

Anexo 5: Distribución espacial de anomalías (en días) de la Frecuencia de Días Secos

Esta investigación analiza la variabilidad espacial y temporal de indicadores de sequías

Palabras clave: Indicadores de Sequías, Cuenca andino-amazónica, Frecuencia de Días

Keywords: Drought Indicators, Andean-Amazon Basin, Dry Days Frequency, Remote

Debido a su considerable extensión meridional y orografía prominente, el Perú presenta

Las sequías extremas en la Amazonía tienen el potencial para incrementar

Bajo este contexto, la presente investigación aporta en la consolidación y entendimiento de

- Analizar la variabilidad espacial de la temperatura de superficie de suelo, vegetación y

- Caracterizar los regímenes anuales del comportamiento de la temperatura de superficie

- Desarrollar índices de sequía basados en sensoramiento remoto para evaluar los

- Analizar la relación entre la precipitación y las condiciones de vegetación andino-

- Desarrollar un indicador para el monitoreo en tiempo real de las sequías en la cuenca

2.1. DEFINICIÓN DE SEQUÍA

La definición por lo general corresponde a un período de déficit en las precipitaciones con

2.2. CLASIFICACIÓN DE SEQUÍA

Wilhite y Glantz (1985) encontraron más de 150 definiciones de sequía, categorizándolas

2.2.1. SEQUÍA METEOROLÓGICA

Basada en datos climáticos, es una expresión de la desviación de la precipitación respecto a

2.2.2. SEQUÍA AGRÍCOLA

La agricultura es el primer sector económico que resulta afectado por la escasez de

2.2.3. SEQUÍA HIDROLÓGICA

Hace referencia a una deficiencia en el caudal o volumen de aguas superficiales o

2.2.4. SEQUÍA SOCIOECONÓMICA

Se produce cuando la disponibilidad de agua disminuye hasta el punto de producir