12 Electrónica - UNMSM, N.

º 21 julio 2008

Modelo de la Sequía en la Costa Norte de Perú

usando los Índices ENOS y las Imágenes NDVI
del Sensor AVHRR a Bordo del Satélite NOAA
Joel Rojas Acuña1, Eleazar Rufasto Campos2, José Carlos Eche Llenque1, Flavio Carrillo Gomero3

Facultad de Ciencias Físicas, Universidad Nacional Mayor de San Marcos, Lima - Perú
1

2
Facultad de Agronomía, Universidad Nacional Pedro Ruiz Gallo, Lambayeque - Perú
3
Facultad de Ingeniería Electrónica y Eléctrica, Universidad Nacional Mayor de San Marcos, Lima - Perú

Resumen. Se propone un modelo de predicción del inicio de I. Introducción

E
la sequía en la costa norte de Perú utilizando la serie de
tiempo de los promedios mensuales de las imágenes índi- n la actualidad, la sequía es un fenómeno cli-
ce de vegetación de diferencia normalizada (NDVI) de los mático normal, recurrente, difícil de definir por
sensores AVHRR a bordo de la serie de satélite NOAA, los depender de condiciones físicas-ambientales,
índices El Niño Oscilación Sur (ENOS), y la técnica de re- necesidades sociales locales, y de las perspectivas
gresión lineal múltiple. Se obtuvieron la serie de tiempo de meteorológicas, hidrológicas, agrícolas y socioeconó-
los promedios mensuales de las anomalías estandarizadas micas. Por consiguiente, predecir una sequía es difícil
de los índices NDVI y ENOS en el periodo de julio 1981 a debido a su gran complejidad. Por una parte tiene diver-
diciembre 2003. La evolución mensual del NDVI en el año
sas facetas –climática, hidrológica, edáfica, etc.– que
2000 en todo Perú muestra que los meses de sequía comien-
zan en agosto y terminan en diciembre. El NDVI promedio
pueden no coexistir temporal y/o espacialmente. Por
de todo Perú varía de 0.0 (suelo desnudo) a 0.7 (suelo vege- otro lado, su ocurrencia no depende sólo del compor-
tado). La desviación estándar del NDVI muestra que en la tamiento de la naturaleza sino que en ella influyen, de
costa norte varía menos en comparación con la sierra y la forma decisiva, factores humanos y socio-económicos.
selva. El modelo aplicado a la costa norte concuerda aproxi- Es la sociedad la que, con su organización y gestión
madamente con los datos medidos por satélite. de recursos, delimita su umbral de sensibilidad a la se-
quía. Conceptualmente, la sequía puede definirse como
Palabras clave: NDVI, NOAA, sequía, Índices ENOS. el tiempo prolongado en el que se observa un déficit
hídrico inusual, que altera sensiblemente el desarrollo
Abstract: It proposes a model for predicting the onset of droug- normal de la vida colectiva y del ambiente natural de
ht on the North Coast of Peru using the time series of average
una región o localidad. La implicancia de este concepto
monthly of Normalized Difference Vegetation Index (NDVI) of
the AVHRR sensor images on NOAA satellite series, the El Niño
varía, dependiendo de las características climáticas y
Southern Oscillation indexes (ENSO), and the multiple linear de las necesidades de cada región, por lo que es im-
regression technique. We obtained the time series of average posible establecer una definición precisa de carácter
monthly of time series of standardized anomalies about NDVI universal. La escasez de precipitación –sequía meteo-
and ENSO in the period since 1981 to 2003. The evolution of rológica/climática– provoca la carencia de recursos hí-
the NDVI monthly in 2000 throughout Peru shows that the mon- dricos (sequedad prolongada) –sequía hidrológica (de-
ths of drought began in August and ending in December in all ficiencia de agua en ríos, lagos, reservorios, subsuelo,
the country. The NDVI average throughout Peru varies from etc.)– ocasiona daños económicos graves en el sector
0.0 (bare soil) to 0.7 (ground vegetation). The NDVI standard agrícola, que pueden trasmitirse a todo el conjunto de
deviation shows that on the coast is lower than the mountain
actividades socio-económicas. Desde este punto de vis-
and jungle. The model is applied to the North Coast that is con-
sistent approximately with the satellite data measures.
ta, resulta necesario implementar en el país un sistema
de vigilancia de la sequía. El gobierno peruano, a través
1 Joel Rojas Acuña, e-mail: [email protected].
José Carlos Eche Llenque, e-mail: [email protected].
2 Eleazar Rufasto Campos, e-mail: [email protected]
3 Flavio Carrillo Gomero, e-mail: [email protected].
Electrónica - UNMSM, N.º 21 julio 2008 13

del Instituto de Defensa Civil, ha propiciado un Pro- Perú y Ecuador del Océano Pacifico. Mientras que El
yecto Nacional del Sistema de Vigilancia de la Sequía Fenómeno “La Niña” es definido como la fase fría del
en todo el Perú [21]. En dicho proyecto se identificó ENOS y está caracterizado por un enfriamiento de la
indicadores de peligro e indicadores de impacto. Uno TSM en la misma región [23].
de estos indicadores de peligro, desarrollado en la UN- El principal objetivo de este artículo es contribuir
MSM, es el uso de los datos NDVI del sensor AVHRR. al desarrollo e implementación de un procedimiento de
Este indicador se aplicará al territorio peruano para el predicción de periodos de sequía para la región Cos-
período 1981-2003 [21]. ta Norte (Lambayeque, Piura y Tumbes) usando las
Los avances en el uso de los datos de satélite para vi- imágenes NDVI–AVHRR mensual en el periodo julio
gilar las condiciones de la vegetación de la superficie de 1981 hasta diciembre 2003, los datos TSM in situ de
la Tierra hacen posible investigar la evolución espacial y las Regiones Oceánicas 1, 2, 3, y 4, y los datos IOS
temporal de la sequía desde el espacio en una escala glo- (oscilación de la presión atmosférica) similares a los
bal y regional. Desde 1981 los datos colectados por el propuestos por Liu y Negron [16][1].
sensor AVHRR (Advanced Very High Resolution) han
sido utilizados para generar índices tales como el NDVI.
II. Datos Imágenes
Este índice ha sido aplicado exitosamente para clasificar
los tipos de vegetación [24], [17] y vigilar las condiciones
A. Datos imágenes NDVI - AVHRR - NOAA
de crecimiento de la vegetación [12], [19]. El NDVI ha
sido usado para hacer el seguimiento del estado fenológico El conjunto de datos GIMMS (Global Inventory
del crecimiento de la vegetación a una escala regional [9], Modeling and Mapping Studies) [7] es un producto
para vigilar la evolución de la sequía [10], [14] y estimar denominado índice de vegetación de diferencia nor-
la productividad de las cosechas [19]. Liu y Ferreira [15] malizada (Normalized Difference Vegetation Index,
reportaron una buena correlación entre la precipitación NDVI) disponible (acceso libre) por un periodo de 22
total mensual y el NDVI mensual acumulado. Di et al. años desde 1981 a 2003 (ver Fig. 1). Este conjunto de
[6], a través de una simulación numérica, encontraron una datos es obtenido de las imágenes procedentes del ins-
buena correlación entre la precipitación y el NDVI diarios. trumento Advanced Very High Resolution Radiometer
Por lo tanto, el NDVI puede ser utilizado apropiadamente (AVHRR) a bordo de la serie de satélites NOAA 7, 9,
para inferir la sequía como un resultado de la escasez de 11, 14, y 16. El conjunto de datos NDVI han sido corre-
precipitación. Los datos de precipitación colectados por gidos por calibración, visión geométrica, aerosoles de
estaciones de observación a menudo poseen una pobre re- los volcanes y otros efectos no relacionados al cambio
solución espacial, especialmente, en regiones remotas de de vegetación. El NDVI, en general, es una medida del
difícil acceso, por consiguiente, el NDVI proporciona una estado hídrico de la vegetación y es usado en modelos
valiosa fuente de información para vigilar la sequía con climáticos para calcular fotosíntesis, el intercambio de
una alta resolución espacial [8][11]. CO2 entre la atmósfera y la superficie del suelo, eva-
Los patrones de variabilidad climática en los tró- potranspiración y la absorción y emisor de energía por
picos están teleconectados a las anomalías del calen- la superficie del suelo. Los datos GIMMS fueron ori-
tamiento del agua en el Océano Pacifico Oriental y ginalmente generados para caracterizar cambios biofí-
Central, a los cambios en el sistema de circulación de sicos definidos en el proyecto ISLSCP (International
la celda de Walker, etc. El término “El Niño” fue usa- Satellite Land Surface Climatology Project) [27].
do originalmente por los pobladores de la costa norte
peruana para describir el lento calentamiento anual de
la corriente oceánica en el Océano Pacifico Tropical
cerca del ecuador y a lo largo de la costa de Perú y
Ecuador próximo a la Navidad de cada año [23]. La
componente atmosférica usada para investigar el Fe-
nómeno El Niño es denominado “Oscilación Sur” (la
oscilación del sur se refiere a la variación de la presión
atmosférica). Los científicos han llamado “El Niño Os-
cilación Sur (ENOS) al fenómeno que involucra am-
bas componentes: atmósfera y océano. El Fenómeno
El Niño es definido como la fase de calentamiento del
ENOS y está caracterizado por el aumento de Tempe- Figura 1. NDVI de Sudamérica procedente del sensor AVHRR a
ratura de la Superficie del Mar (TSM) en las costas de bordo del satélite NOAA (julio 1981).
14 Electrónica - UNMSM, N.º 21 julio 2008

B. Datos índices ENOS donde ρ1 es el valor de la reflectancia de la banda 1,

ρ2 es el valor de la reflectancia de la banda 2. El ran-
Los datos usados en este trabajo denominados índi-
go de variación del NDVI es de –1 a +1. La serie de
ces ENOS son las anomalías estandarizadas de la tempe-
tiempo de los datos NDVI usados en este estudio son
ratura de superficie del mar para diferentes regiones El
los valores promedios de todos los píxeles de 8km x 8
Niño y los Índices de Oscilación Sur (IOS). Estos datos
km de la áreas de estudio (costa norte y Loreto). Estos
han sido obtenidos de la página Web de la NOAA [4].
datos son usados para calcular los datos de la anomalía
de NDVI. Wilks [27] sugirió que, debido a la variación
estacional de los eventos climáticos el uso de datos de
anomalía estandarizada en lugar de valores promedio
es más conveniente para investigar la diferencia NDVI
anual de la normal. La anomalía estandarizada, z, es
calculada con la siguiente ecuación:

x − xp
Figura 2. Regiones El Niño [4]. z=
σ
1) Temperatura de la Superficie del Mar
donde z es la anomalía estandarizada, x es el dato
En este estudio se han utilizado los datos de la Tem-
NDVI, xp es promedio muestral y σ es la desviación
peratura de la Superficie del Mar de diferentes regiones
estándar.
El Niño. La Figura 2 muestra la ubicación de las regiones
El Niño. La Temperatura de la Superficie del Mar en las
regiones oceánicas 1,2 y 3,4 se muestran en la Figura 3 y
son obtenidos del Centro de Predicción del Clima [4].

Figura 4. Presión de Tahití en el periodo 1981 a 2007 [4].

Figura 3.Temperatura de la Superficie del Mar en las regiones oceá- 1) Área de Estudio
nicas 1,2 (líneas de color negro) y 3,4 (líneas de color azul) [4]. El área de estudio comprende las regiones políticas
2) El Índice de Oscilación Sur (IOS) Tumbes-Piura-Lambayeque y Loreto (ver Figura 5). Se
determinara las anomalías NDVI de esas dos regiones
El Índice de Oscilación Sur (IOS) es definido como y se correlacionará con las anomalías estandarizadas
la diferencia de presión del nivel del mar estandarizado TSM (ver Figura 6) y IOS (ver Figura 7) en el mismo
entre Papeete, Tahití (149ºW, 17ºS) y Darwin, Australia período.
(131ºE, 12ºS). La presión de Tahití se muestra en la
Figura 4 en el periodo 1981 a 2007.
C. Temperatura de la superficie del mar y anoma-
lías de índices de temperatura y presión ENOS
II. Metodología
El Índice de Oscilación Sur (IOS) es definido
A. Anomalía Estandarizada del NDVI como la diferencia de presión del nivel del mar estan-
darizado entre las estaciones Papeete, Tahití (149ºW,
El NDVI ha sido calculado utilizando la banda
17ºS) y Darwin, Australia (131ºE, 12ºS) [7]. En la
1 (0.58 – 0.68 µm) y la banda 2 (0.725 – 1.10 µm) del
literatura, existen varias definiciones del índice El
sensor AVHRR de la serie de satélites NOAA, utilizan-
Niño basados en los datos TSM o Anomalías IOS,
do la siguiente ecuación:
por ejemplo:
ρ 2 − ρ1
NDVI =
ρ 2 + ρ1
Electrónica - UNMSM, N.º 21 julio 2008 15

En este estudio, utilizamos datos TSM de dos regio-

Región Loreto
nes oceánicas 3,4 (5º N – 5º S y 120º W – 170º W) y
1,2 (0-10° S y 90° W - 80° W) (Figura 2).

Costa Norte

LABTEL-UNMSM

Figura 5. Mapa del Perú con las ubicaciones de las áreas en estudio.

Figura 7b. Anomalía estandarizada IOS de varias regiones [4].

2) Anomalía estandarizada IOS

Las anomalías IOS son desviaciones del período
Figura 6. Anomalía estandarizada de la Temperatura Superficial base considerado. La desviación estándar para Tahití es
del Mar para las regiones oceánicas 1,2 y 3,4 [7]. dado por la siguiente ecuación:

∑ (x − x Darwin )
2

σ Darwin =
Darwin

. N

Donde
N = número de meses.
x Darwin = valor actual de Tahití
x Darwin = valor promedio de Tahití

Así, x Darwin − x Darwin

z Darwin =
σ Darwin
Figura 7a. Anomalía estandarizada del Índice de Oscilación Sur
(IOS) [7]. es el valor estandarizado de Tahití. Similarmente, la
a) correlacionada con los valores negativos de IOS desviación estándar para Darwin es dado por la si-
[26] [22][20]. guiente ecuación:

b) correlacionada con la TSM [5] —El evento El Niño ∑ (x − x Darwin )

2

σ Darwin =
Darwin
está caracterizado por un aumento de la TSM más . N
alto que 2°C por un periodo de 12 meses que resulta Donde
en una anomalía de TSM en al menos 1°C por al N = número de meses.
menos tres meses;
x Darwin = valor actual de Darwin
c) para la región oceánica 3-4, Trenberth [23] definió
que el episodio ENOS ocurre mientras que el va- x Darwin = valor promedio de Darwin
lor de la anomalía TSM es más alto que 0.4°C (El
Niño) y también mientras que el valor de la anoma- z Darwin =
x Darwin − x Darwin
lía es más bajo que -0.4°C (La Niña). Así, σ Darwin
16 Electrónica - UNMSM, N.º 21 julio 2008

Para calcular la desviación estándar mensual NDVI mensuales de Perú para el período de un año
se usa la siguiente ecuación: (enero – diciembre 2000). La escala de colores indica
los valores del NDVI, aumentando desde cero, color
∑ (σ − σ Darwin ) marrón en la izquierda, hasta más alto que 0.7, color
2

σ mensual =
Tahiti

N azul oscuro en la derecha. Las áreas grandes en rojo y

Finalmente, la ecuación IOS será como sigue: naranja, que corresponden a valores NDVI más bajos
que 0.3, aparecieron en agosto a diciembre, indicando
σ Tahiti − σ Darwin que la estación seca está centrada en esos 5 meses. Por
IOS =
σ mensual lo tanto la iniciación y magnitud de la anomalía NDVI
negativa dentro de esos cinco meses fue usado para ca-
racterizar el comienzo e intensidad de la sequía.
III. Resultados
C. Anomalías estandarizadas de NDVI, IOS y TSM
A. Mapas del Perú: Promedio y Desviación Están- Los datos de anomalía estandarizada mensual de los
dar del NDVI índices NDVI, IOS y TSM de enero 1981 a diciembre
En la Figura 8 se muestra la distribución del NDVI 2003 serán usados para desarrollar un procedimiento
promedio (8a) y su correspondiente desviación estándar de predicción de la sequía en tres regiones (costa norte,
(8b) de todo Perú para la serie de tiempo que corresponde Loreto y Perú). En la Figura 10 a 15, se muestran los
a julio 1981 –diciembre 2003 del AVHRR- NOAA para gráficos de la serie de tiempo de las anomalías estanda-
píxeles espaciales de 8 x 8 km. En la Figura (8a) se observa rizada NDVI de la Costa Norte y Loreto versus la ano-
que el NDVI varía de 0.0 a 0.7. En la región geográfica malía estandarizada de IOS y TSM para la región oceá-
costa, el promedio es cerca de cero. La región sierra, esta nica 1,2 y 3,4. Según la comparación de la evolución
dividida en dos subregiones, en la del norte el NDVI (0.4- dinámica del NDVI de la costa norte versus la TSM
0.5) es mayor que en la parte sur (0.1-0.3). En la región de la región oceánica Niño 3,4 (ver Fig. 10) fue obser-
selva el NDVI es mayor que en las regiones costa y sierra vado que, en general, los valores de anomalía NDVI
(0.5-0.7). La desviación estándar (DE) del NDVI, Figura responden positivamente a los valores de la anomalía
(8b), muestra que en la costa su DE es muy pequeño, cerca de la TSM de las regiones oceánicas 3,4, especialmente
de 0.0. En la sierra varia de norte a sur desde 0.05 a 0.2. durante los eventos El Niño de 1982/1983, 1986/1987,
En la selva la DE es mayor y varia desde 0.15 a 0.3. Am- 1992/1993, 1997/1998 y 2002/2003, donde fueron ob-
bas Figuras delimitan muy bien las tres regiones geográfi- servados que los picos no son opuestos y en los even-
cas peruanas. En la Figura 8, se presenta los límites de las tos La Niña de 1984/1985, 1988/1989 y 1999/2000,
principales zonas ecológicas de Brack [2] sobrepuestas en donde fueron claramente observados que los picos son
el mapa del NDVI para el período julio 1981 - diciembre opuestos. En la Figura 12, se muestra los gráficos de la
2003. La heterogeneidad del patrón del NDVI al norte del serie de tiempo de las anomalías estandarizada NDVI
paralelo 9ºS se refleja en la multiplicidad de zonas eco- de la región Loreto versus la anomalía IOS y la TSM
lógicas tipificadas por Brack. Por otro lado, las ecozonas para la región oceánica 3,4. Según la comparación de
siguen el patrón de los Andes en la parte central y sur del la evolución dinámica del NDVI de la región Loreto
país. Es evidente que el mapa del NDVI contiene infor- versus la TSM de la región oceánica Niño 3,4, fue ob-
mación valiosa para afinar la posición de los límites de las servado que, en general, los valores de anomalía NDVI
zonas ecológicas pro-puestas por Brack, en particular, los responden positivamente a los valores de la anomalía
límites de la Selva Alta y Selva Baja, y las zonas al norte de la TSM de las regiones oceánicas 3,4 especialmente
del paralelo 9.5º S. La Figura 8b muestra los límites de las durante los eventos El Niño de 1982/1983, 1986/1987,
zonas ecológicas de Brack sobre el mapa de la desviación 1992/1993, 1997/1998 y 2002/2003, donde fueron ob-
estándar (DE) del NDVI. La desviación cero corresponde servados que los picos están en la misma dirección y
a los desiertos, éstos están bien delimitados por el límite en los eventos La Niña de 1984/1985, 1988/1989 y
de la zona del Desierto del Pacífico. La Puna y la Serranía 1999/2000, donde fueron claramente observados que
Esteparia muestran baja variabilidad. La más alta variabili- los picos son opuestos. Para la anomalía NDVI en la
dad se da en las zonas de selva [18]. región de Loreto la amplitud es mas pequeña que en
la costa norte. Las Figuras 11 y 13 muestran la serie
B. Evolución mensual del NDVI en el Perú. de tiempo de las anomalías estandarizada NDVI de la
Los datos NDVI mensuales del Perú fueron pro- costa norte y Loreto, respectivamente, versus las ano-
cesados para el período julio 1981 a diciembre 2003. malías estandarizada IOS para el período julio 1981 a
En la Figura 9, se muestra un ejemplo de las imágenes diciembre 2003. En ambos, la anomalía NDVI responde
Electrónica - UNMSM, N.º 21 julio 2008 17

negativamente a los valores IOS, especial-mente durante

los eventos El Niño 1982/1983, 1986/1987, 1992/1993,
1997/1998, donde fueron observados que los picos están
en dirección opuesta. Las Figuras 14 y 15 muestran las
anomalías estandarizadas NDVI versus las anomalías es-
tandarizadas TSM para las regiones oceánicas Niño 1+2
que se encuentran en las costas de Perú. Los picos de las
anomalías NDVI de la costa norte y la TSM de la región
Niño 1+2 coinciden en todos los años Niños pero la ano-
malía NDVI de Loreto no coinciden y es muy baja su
señal para comparar con la TSM.
Según un análisis de la respuesta del NDVI a la TSM
de la región oceánica Niño 3,4 y IOS, fue observado que
el NDVI correlaciona muy bien con los índices ENOS
en muchos casos. Sin embargo, hubo algunos casos en la
cual solo una débil o ninguna correlación fue encontra-
da. Por lo tanto, una buena correlación entre la anomalía
estandarizada NDVI de la costa norte y Loreto y cada
anomalía estandarizada de cada índice ENOS es difícil
de encontrar. En la Tabla 1 se muestran los coeficien-
tes de correlación del NDVI y los índices ENOS para la
región Costa Norte, en el periodo 1981 – 2003. Muchos
investigadores han considerado que el Clima en la Costa (a)
Norte de Perú está influenciado por varios sistemas de
circulación atmosférica aumentado por la TSM en varias
regiones y originadas desde el Océano Pacifico. Estos sis-
temas influenciadotes son a menudo cuantificados por los
índices ENOS. Por lo tanto, en este estudio, los índices
ENOS con un valor r más alto que 0.2 fue seleccionado
como un factor del comienzo de la sequía para la cons-
trucción del modelo. De acuerdo a la Tabla 1, los índices
ENOS, incluidos TSM de la región oceánica Niño 3,4 y
IOS fueron usados para desarrollar los modelos del co-
mienzo de la sequía ENOS. Con la finalidad de verificar
que las series de tiempo de cada variable presentan un
patrón distinto de variación anual cíclica o no, los valores
de la autocorrelación (r) y los limites de control de las va-
riables han sido obtenidos a partir del análisis de autoco-
rrelación de las series de tiempo. En la Tabla 2 se muestra
el análisis de autocorrelación de las series de tiempo, en
comparación con los coeficientes de correlación (r) y los
límites de control (±CL) del NDVI, TSM en las regiones
oceánicas Niño 1+2, Niño 3, Niño 4 y Niño 3,4; TSM
en el Atlántico Norte (NATL), TSM en el Atlántico Sur
(SATL), TSM en el Trópico (TROP), Índice de Oscila-
ción Sur (IOS), TSM en la Trayectoria 1 (SHIP 1), TSM
en Dipolo 1 (NATL – SATL) y dipolo 2 (SATL, NATL).
La Tabla 2 muestra que todas las variables selecciona- (b)
das tienen valores de r mayores que el valor del límite
Figura 8. (a) NDVI promedio: período julio 1981 – diciembre
de control (Control Limit - CL) al menos con cinco me- 2003. (b) Desviación Estándar de la serie temporal de NDVI:
ses de desfase en el tiempo (ver filas de Lag 1 – 5). Esto periodo julio 1981 – diciembre 2003, superpuestas a estas Fi-
demuestra que todas estas variables de serie de tiempo guras (a y b) están los límites de las zonas ecológicas de Brack
tienen un cierto patrón de variación cíclico predecible. [2] [18].
18 Electrónica - UNMSM, N.º 21 julio 2008

Enero Febrero Marzo

Abril Mayo Junio

Julio Agosto Septiembre

Octubre Noviembre Diciembre

Figura 9. Evolución temporal del NDVI del Perú para el periodo Enero – Diciembre 2000
Electrónica - UNMSM, N.º 21 julio 2008 19

Figura 15. Comparación de la anomalía del NDVI de la región

Figura 10. Anomalía estandarizada del NDVI para la costa norte
Loreto y la anomalía de la TSM de la región oceánica Niño 1+2.
de Perú y la anomalía estandarizada de la TSM de la región oceáni-
ca 3.4 para el período julio 1981 a diciembre 2003. B. Modelo de Sequía ENOS
En este trabajo estamos considerando que las ano-
malías negativas del NDVI infieren sequía como una
función del tiempo y de los índices ENOS. Los índices
ENOS con un coeficiente de correlación (r) mayores que
0.2 han sido seleccionados como variables independien-
tes. El proceso de correlación fue realizado, primero,
usando el mismo mes de NDVI e índice ENOS y luego
por dislocación el NDVI con un desfase de tiempo de
Figura 11. Anomalía estandarizada del NDVI de la costa norte de un mes con la finalidad de elegir el correcto desfase de
Perú y la anomalía IOS (1981-2003). tiempo para producir el más alto coeficiente de correla-
ción. Siguiendo este proceso un conjunto de coeficien-
tes de correlación fueron obtenidos mientras las series
de tiempo de anomalías de los índices ENOS de julio
1981 a diciembre 2003 se correlacionaron con la serie
de las anomalías del NDVI de julio 1981 a diciembre de
2003. Los resultados muestran que los valores de r para
NDVI/TSM (Niño1+2), NDVI/TSM(NATL), NDVI/
TSM(SHIP-1) y NDVI/TSM(TROP) fueron 0.317,
0.316, 0.244 y 0.323 respectivamente.
Figura 12. Anomalía NDVI de la región Loreto de Perú y la ano-
malía de la TSM de la región oceánica 3,4 (1981-2003). 1. Modelo 1
El primer modelo ha sido construido usando los da-
tos de la anomalía estandarizada del NDVI de la costa
norte de Perú como variable dependiente y las anoma-
lías estandarizadas de la TSM de las regiones Niño1+2,
SHIP1 y TROP (Figura 16) como variables indepen-
dientes. Los datos usados han sido el NDVI de cuatro
meses (Julio a diciembre en el periodo 1981-1988).
Este modelo muestra un coeficiente de regresión (R2)
Figura13. Anomalía NDVI para la región Loreto de Perú y la ano-
de 0.264 a un nivel de significancia de 1%.
malía SOI (1981- 2003). 2. Modelo 2
El segundo modelo ha sido construido usando los
datos de la anomalía estandarizada del NDVI de la
Costa Norte como variable dependiente y la anomalía
estandarizada de los índices de la TSM de las regiones
Niño1+2, SHIP1, TROP y NATL como variables inde-
pendiente. Los datos usados han sido el NDVI de seis
meses (Julio a diciembre en el periodo 1981 – 1988).
Este modelo muestra un coeficiente de regresión (R2)
Figura 14. Comparación de la anomalía del NDVI de la costa norte de 0.35 a un nivel de significancia de 1%. La Figura 17
y la anomalía de la TSM de la región oceánica Niño 1+2. muestra el modelo observado y el simulado.
20 Electrónica - UNMSM, N.º 21 julio 2008

Tabla 1. Matriz de correlación para la región Costa Norte. Los valores en negrita son
significativamente diferentes de 0 con un nivel de significación α=0.05

Variables NDVI TSM de las regiones oceánicas

Costa
Regiones Niño1,2 Niño 3 Niño 4 Niño3.4 NATL SATL TROP SOI SHIP1 DIP1 DIP2
Norte
NDVI Norte 1 0.252 0.158 0.000 0.091 0.153 0.042 0.243 -0.125 0.255 0.083 -0.083
Niño1+2 0.252 1 0.821 0.393 0.642 0.219 -0.192 0.716 -0.494 0.974 0.312 -0.312
Niño 3 0.158 0.821 1 0.704 0.942 0.141 -0.144 0.871 -0.695 0.781 0.216 -0.216

Niño 4 0.000 0.393 0.704 1 0.867 0.110 -0.222 0.734 -0.667 0.382 0.253 -0.253

Niño3.4 0.091 0.642 0.942 0.867 1 0.087 -0.163 0.844 -0.762 0.620 0.190 -0.190

NATL 0.153 0.219 0.141 0.110 0.087 1 0.131 0.420 0.052 0.200 0.652 -0.652
TSM de las
regiones SATL 0.042 -0.192 -0.144 -0.222 -0.163 0.131 1 0.064 0.181 -0.216 -0.666 0.666
oceánicas
TROP 0.243 0.716 0.871 0.734 0.844 0.420 0.064 1 -0.579 0.674 0.267 -0.267

SOI -0.125 -0.494 -0.695 -0.667 -0.762 0.052 0.181 -0.579 1 -0.511 -0.099 0.099

SHIP1 0.255 0.974 0.781 0.382 0.620 0.200 -0.216 0.674 -0.511 1 0.316 -0.316

DIP1 0.083 0.312 0.216 0.253 0.190 0.652 -0.666 0.267 -0.099 0.316 1 -1.000

DIP2 -0.083 -0.312 -0.216 -0.253 -0.190 -0.652 0.666 -0.267 0.099 -0.316 -1.000 1

Tabla 2A. Análisis de autocorrelación por comparación del NDVI y los índices ENOS.

NDVI TSM de Regiones Oceánicas

Niño 1+2 Niño 3 Niño 4 Niño 3.4 IOS
Lag r ±CL r ±CL r ±CL r ±CL r ±CL r ±CL
1 0.575 0.119 0.930 0.119 0.945 0.119 0.958 0.119 0.955 0.119 0.712 0.119
2 0.488 0.154 0.822 0.197 0.851 0.199 0.897 0.201 0.875 0.200 0.619 0.169
3 0.346 0.174 0.714 0.241 0.749 0.245 0.828 0.252 0.775 0.249 0.540 0.199
4 0.329 0.184 0.612 0.269 0.645 0.276 0.748 0.288 0.665 0.281 0.446 0.219
5 0.221 0.192 0.520 0.289 0.533 0.297 0.661 0.314 0.548 0.303 0.366 0.231
6 0.181 0.196 0.433 0.302 0.419 0.310 0.579 0.333 0.426 0.317 0.297 0.239
7 0.098 0.198 0.347 0.310 0.304 0.318 0.505 0.347 0.309 0.325 0.224 0.245
8 0.061 0.199 0.257 0.316 0.190 0.322 0.430 0.358 0.198 0.329 0.147 0.248
9 0.015 0.199 0.171 0.319 0.088 0.324 0.359 0.365 0.101 0.331 0.113 0.249
10 -0.054 0.199 0.098 0.320 0.005 0.324 0.293 0.370 0.027 0.331 0.048 0.249

Tabla 2b. Análisis de autocorrelación por comparación del NDVI y los índices ENOS.

NDVI TSM de Regiones Oceánicas

NATL SATL TROP SHIP 1 DIP 1 DIP 2

Lag r ±CL r ±CL r ±CL r ±CL r ±CL R ±CL r ±CL

1 0.575 0.119 0.875 0.119 0.868 0.119 0.948 0.119 0.921 0.119 0.865 0.119 0.865 0.119

2 0.488 0.154 0.745 0.190 0.699 0.189 0.866 0.200 0.812 0.196 0.703 0.188 0.703 0.188

3 0.346 0.174 0.617 0.228 0.534 0.223 0.776 0.247 0.709 0.239 0.543 0.223 0.543 0.223

4 0.329 0.184 0.505 0.250 0.394 0.240 0.688 0.280 0.613 0.267 0.399 0.241 0.399 0.241

5 0.221 0.192 0.406 0.264 0.284 0.249 0.596 0.303 0.525 0.287 0.268 0.250 0.268 0.250

6 0.181 0.196 0.322 0.273 0.190 0.254 0.507 0.319 0.438 0.300 0.168 0.254 0.168 0.254

7 0.098 0.198 0.272 0.278 0.119 0.256 0.411 0.330 0.341 0.309 0.106 0.256 0.106 0.256

8 0.061 0.199 0.236 0.282 0.034 0.257 0.303 0.338 0.239 0.314 0.067 0.256 0.067 0.256

9 0.015 0.199 0.208 0.285 -0.029 0.257 0.195 0.342 0.146 0.317 0.058 0.257 0.058 0.257

10 -0.054 0.199 0.163 0.287 -0.057 0.257 0.099 0.343 0.073 0.318 0.053 0.257 0.053 0.257
Electrónica - UNMSM, N.º 21 julio 2008 21

Figura 16. Modelo 1 de predicción del inicio de la sequía en la 3. Modelo 3

Costa Norte.
El modelo 3 ha sido construido usando los datos de la
anomalía estandarizada del NDVI de la Costa Norte
como variable dependiente y la anomalía estandariza-
da de los índices de la TSM de las regiones Niño1+2,
SHIP1 y NATL como variable independiente. Los datos
usados han sido el NDVI de seis meses (Julio a diciem-
bre en el periodo 1981-1988). Este modelo muestra
un coeficiente de regresión (R2) de 0.35 a un nivel de
significancia de 1%. La Figura 18 muestra el modelo
observado y el simulado.

La ecuación del Modelo 1 está dada por: Tabla 4a - Parámetros del Modelo 2
NDVI = -0.146 - 0.551 × TSM(R-Niño1+2) + 0.596 × Desviación
Límite Límite
TSM(R-SHIP1) + 0.22 × TSM(R-TROP) Fuente COEFI
típica
t Pr > |t| Inferior
(95%)
Superior
(95%)

Intersección -0.123 0.040 -3.066 0.004 -0.204 -0.042

Tabla 3a - Parámetros del Modelo 1. Niño1+2 -0.578 0.163 -3.554 0.001 -0.906 -0.250

Des- Límite Límite SHIP1 0.664 0.159 4.182 0.000 0.344 0.984
Fuente Valor viación t Pr > |t| inferior superior TROP -0.007 0.215 -0.033 0.974 -0.441 0.427
típica (95%) (95%)
NATL 0.332 0.139 2.380 0.022 0.051 0.613
Intersec-
-0.146 0.041 -3.576 0.001 -0.229 -0.064
ción

Niño1+2 -0.551 0.171 -3.227 0.002 -0.895 -0.207

Tabla 4b - Análisis de la Varianza
Suma de Media de
SHIP1 0.596 0.164 3.627 0.001 0.265 0.927 Fuente GDL cuadrados cuadrados F Pr > F

Modelo 2 4 1.601 0.400 5.788 0.001

TROP 0.220 0.203 1.086 0.283 -0.189 0.629 Error 43 2.974 0.069

Total corregido 47 4.575

Tabla 3b - Análisis de la varianza. Calculado contra el modelo Y=Media(Y)

Suma de Media de
Fuente GDL F Pr > F
cuadrados cuadrados
Modelo 1 3 1.210 0.403 5.271 0.003
Error 44 3.366 0.076
Total corregido 47 4.575
Calculado contra el modelo Y=Media(Y)

Figura 18. Modelo 3 de predicción de la sequía en la Costa Norte.

La ecuación del Modelo 3 está dada por:

NDVI = -0.123 - 0.580 × TSM(R-Niño1+2)
+ 0.665 × TSM(R-SHIP1) + 0.33 × TSM(R-NATL)

Tabla 5a - Parámetros del Modelo 3.

Límite Límite
Fig. 17. Modelo 2 de predicción de la sequía en la Costa Norte. Fuente Valor
Desviación
t Pr > |t| inferior Superior
típica
(95%) (95%)

Intersección -0.123 0.039 -3.196 0.003 -0.201 -0.046

La ecuación del Modelo 2 está dada por:
Niño1+2 -0.580 0.149 -3.888 0.000 -0.881 -0.279
NDVI = -0.123 - 0.578 × TSM(R-Niño1+2) + 0.664 ×
SHIP1 0.665 0.155 4.290 < 0.0001 0.353 0.977
TSM(R-SHIP1)- 0.007 × TSM(R-TROP) + 0.332 ×
NATL 0.330 0.124 2.670 0.011 0.081 0.579
TSM(R-NATL)
22 Electrónica - UNMSM, N.º 21 julio 2008

Tabla 5b - Análisis de la varianza [3] Cane, M., Zebiak, S., and Dolan, S., (1986). Ex-
Fuente GDL
Suma Media
F Pr > F perimental forecast of El Niño. Nature, 321, 827–
de los cuadrados de los cuadrados
832.
Modelo 3 3 1.601 0.534 7.897 0.000

Error 44 2.974 0.068

[4] CPC-NOAA (2008) - http://www.cpc.noaa.gov/
Total corregido 47 4.575 [5] Cane, M.A., S.E. Zebiak, and S.C. Dolan, 1986:
Calculado contra el modelo Y=Media(Y) Experimental forecasts of El Niño. Nature, 321,
827-832.
IV. Conclusiones [6] Di, L., Rundquist, D. C., and Han, L., (1994). Mo-
deling relationship between NDVI and precipita-
El NDVI promedio, de todos los píxel de 8 x 8 km2, tion during vegetative growth cycles. International
de todo Perú varía de 0.0 a 0.7 (Figura 8a). En la costa Journal of Remote Sensing, 15, 2121–2136.
el promedio, es muy bajo: cerca de cero. La sierra, esta
dividida en dos sub-regiones: la parte norte: el NDVI es [7] GLCF, (2008) - http://glcf.umiacs.umd.edu/data/
mayor (cerca de 0.4), la parte sur el NDVI es menor (cer- gimms/
ca de 0.1). En la selva peruana el NDVI es mayor que en [8] Justiniano, H., y J. Luna. (2005). “Análisis de
las regiones costa y sierra (de 0.5 a 0.7). La desviación sequías aplicación a la cuenca del Lago Poopo,
estándar (DE) del NDVI (Figura 8b) muestra que en la Bolivia-Oruro”. Tesis de Licenciado en Ingenie-
costa el DE es muy pequeño, cerca de 0.0. En la sierra ría Civil. Universidad Mayor de San Andrés, 143
varía de norte a sur desde 0.05 a 0.2. En la selva la DE pág.
es mayor y varía desde 0.15 a 0.3. La evolución mensual
del NDVI (Figura 9) del año 2000 en todo Perú presentó [9] Justice, C. O., Townshend, J. R., Holben, B. N.,
baja variabilidad durante todo el año en la costa. En la and Tucker, C. J., (1985). Analysis of the phenolo-
sierra, el NDVI en el norte varió desde 0.4 a 0.5 y en el gy of global vegetation using meteorological sate-
sur varió desde 0.1 a 0.3. Finalmente, el NDVI de la sel- llite data. International Journal of Remote Sensing,
va varió entre 0.5-0.7. Los valores NDVI simulados con- 6, 1271–1318.
cuerdan muy bien con los valores observados de 1981 a [10] Kogan, F., and Sullivan, J., (1993). Development of
1989 para todos los tres modelos. global droughts-watch system using NOAA/AVH-
RR data. Advanced Space Research, 13, 219–222.
Agradecimientos [11] Kogan, F.N., (1997). Global drought watch from
Este trabajo ha sido financiado por el Vicerrectorado space. Bulletin of the American Meteorological
de Investigación de la UNMSM en el año 2006 y por Society, 78:621–636.
INCAGRO en el año 2007. Por la sugerencia del mode- [12] Kogan, F., (1990). Remote sensing of weather im-
lo y su aplicación a Perú con imágenes NDVI- AVHRR pacts on vegetation in non-homogeneous areas. In-
- NOAA se agradece al Dr. Robinson Negrón (quien ternational Journal of Remote Sensing, 11, 1405–
fue egresado de esta facultad y realizó sus estudios de 1419.
postgrado en la Universidad de Sao Paulo en Brasil y
[13] Liu, W., Massambani, O., and Nobre, C., (1994).
ahora trabaja en la Universidad de Tulane en Estados
Satellite recorded vegetation response to drought
Unidos). Por la iniciativa de trabajar en eventos extre-
in Brazil. International Journal of Climatology, 14,
mos se agradece al Dr. Leonidas Ocola, profesor prin-
343–354.
cipal de la Facultad de Ciencias Físicas e investigador
del Instituto Geofísico del Perú. [14] Liu, W., and Kogan, F., (1996). Monitoring regio-
nal drought using the Vegetation Condition In-
dex. International Journal of Remote Sensing, 17,
Referencias 2761–2782.
[1] Anyamba, A., and Eastman, J., (1996). Interannual [15] Liu, W. T., and Ferreira, A., (1991). Monitoring
variability of NDVI over Africa and its relation to crop production regions in the Sao Paulo State of
El Niño / Southern Oscillation. International Jour- Brazil using normalized difference vegetation in-
nal of Remote Sensing, 17, 2533–2548. dex. Proceeding of the 24th International Sympo-
[2] Brack, A. (2004). Ecología. Enciclopedia Temática del sium on Remote Sensing of Environment, Rio de
Perú. Editora El Comercio, Lima, Perú. Pp 190. weather. Janeiro, 27–31 May, Vol. 2 (Chicago: ERIM), pp.
Memo Indian Meteorology Department, 24, 75–131. 447–455.
Electrónica - UNMSM, N.º 21 julio 2008 23

[16] Liu W.T. y Negron R. I. (2001). ENOS drought on- [22] Stoeckenius, T., (1981) Interannual variations of
set prediction in northeast Brazil using NDVI. Int. tropical precipitation patterns. Monthly Weather
J. Remote Sensing, 2001, vol. 22, no. 17, 3483– Review, 109, 1233–1247.
3501.
[23] Trenberth, K, (1997). The definition of El Niño.
[17] Menenti, M., Azzali, S., Verhoef, W., and Van Bulletin of American Meteorology Society, 78,
Swol, R., (1993). Mapping agroecological zones 2771–2777.
and time lag in vegetation growth by means of
[24] Tucker, C. J., Townshend, J. R., and Goff, T. R.,
Fourier analysis of time series of NDVI images.
(1985). African land- cover classification using sa-
Advanced Space Research, 13, 233–237.
tellite data. Science, 227, 369–375.
[18] Ocola, L. (2007). Comunicación personal.
[25] Tucker, C.J., J.E. Pinzon, and M.E. Brown (2004),
[19] Prince, S. D., (1991). Satellite remote sensing of Global Inventory Modeling and Mapping Studies,
primary production: comparison of results for Sa- NA94apr15b.n11-VIg, 2.0, Global Land Cover
helian grassland 1981–1988. International Journal Facility, University of Maryland, College Park,
of Remote Sensing, 12, 1301–1312. Maryland, 04/15/1994.
[20] Rasmusson, E. J., and Wallance, J.M., (1983). Me- [26] Walker, G. T., (1923). Correlation in seasonal va-
teorological aspects of the El Niño/Southern Os- riations of eather, VIII. A preliminary study of
cillation. Science, 112, 1195–1202. world
[21] Rojas, J., M. Sullón y J. Salas (2005). Sistema de [27] Wilks, D. S., (1995). Statistical methods in the at-
Vigilancia de la Sequía – Primer y Segundo Produc- mospheric Sciences. International Geophysics Se-
to. Informe presentado a OXFAM – Internacional. ries, Vol. 59 (New York: Academic).