Artículo científico: Evaluación Espacio temporal de la cobertura vegetal mediante imágenes satelitales landsat 8
en la Universidad Técnica de Cotopaxi, Campus Salache entre los Años 2015 al 2024
Publicación Semestral. Vol. 4, No. 1, enero - junio 2025, Ecuador (p. 131-151)
131
Publicación Semestral. Vol. 4, No. 1, enero - junio 2025, Ecuador (p. 131-151). Edición continua
EVALUACIÓN ESPACIO TEMPORAL DE LA COBERTURA VEGETAL MEDIANTE IMÁGENES
SATELITALES LANDSAT 8 EN LA UNIVERSIDAD TÉCNICA DE COTOPAXI, CAMPUS
SALACHE ENTRE LOS AÑOS 2015 AL 2024
Alex Mauricio Chicaiza Tipanguano1*, David Santiago Carrera Molina1
1Universidad Técnica de Cotopaxi, Facultad de CAREN, Ingeniería Agronómica, Latacunga, Cotopaxi,
Ecuador.
*Dirección para correspondencia: alex.chicaiza5769@utc.edu.ec
Fecha de Recepción: 10/12/2024 Fecha de Aceptación: 15/01/2025 Fecha de Publicación: 31/01/2025
Resumen
El presente artículo tiene como objetivo evaluar la evolución de la cobertura vegetal en el Campus Salache,
utilizando el Índice de Vegetación de Diferencia Normalizada (NDVI) mediante imágenes satelitales Landsat 8.
La metodología incluyó la delimitación del área de estudio siendo un total de 89.43 hectáreas, la descarga y
procesamiento de las imágenes fueron desde el 2015 hasta el 2024, además se procedió hacer el cálculo del NDVI
para identificar la salud y la productividad de los cultivos. Se aplicaron técnicas como la extracción por máscara
y clasificación supervisada, asimismo se analizó los cambios en la cobertura vegetal. Los resultados mostraron
que el área de infraestructura aumentó de 1.130 ha en el 2015 a 1.477 ha en el 2024, lo que representa un
incremento de 0.347 ha, mientras que el área de cultivo disminuyó de 4.359 ha a 4.012 ha, evidenciando una
reducción de 0.347 ha. El análisis de tendencias reveló que, algunas zonas mostraron mejoras en la salud de la
cobertura vegetal, las áreas más altas enfrentaron un aumento en el suelo desnudo y plantas enfermas. En
conclusión, la investigación destacó la efectividad de las intervenciones de conservación en ciertas áreas, pero
también subrayó la necesidad de un manejo adaptativo para abordar los problemas en las zonas más vulnerables.
La evaluación del NDVI y el análisis de tendencias nos resalta la importancia de continuar con estrategias de
gestión sostenible para mitigar la pérdida por lo que es fundamental dar un monitoreo para ajustar las prácticas
que favorecen los ecosistemas agrícolas.
Palabras claves: Análisis de trend, Bandas espectrales, NDVI, Proyección Ráster
Chicaiza A., Carrera D.
132
SPATIOTEMPORAL EVALUATION OF VEGETATION COVER USING LANDSAT
8 SATELLITE IMAGES AT THE TECHNICAL UNIVERSITY OF COTOPAXI,
SALACHE CAMPUS BETWEEN 2015 AND 2024
Abstract
The objective of this article is to evaluate the evolution of vegetation cover in the Salache Campus, using the
Normalized Difference Vegetation Index (NDVI) using Landsat 8 satellite images. The methodology included the
delimitation of the study area being a total of 89.43 hectares, the download and processing of the images were
from 2015 to 2024, in addition to the calculation of the NDVI to identify the health and productivity of the crops.
Techniques such as mask extraction and supervised classification were applied, and changes in vegetation cover
were analyzed. The results showed that the infrastructure area increased from 1,130 ha in 2015 to 1,477 ha in
2024, which represents an increase of 0.347 ha, while the cultivation area decreased from 4,359 ha to 4,012 ha,
evidencing a reduction of 0.347 ha. The trend analysis revealed that some areas showed improvements in
vegetation cover health, with higher areas facing an increase in bare soil and diseased plants. In conclusion, the
research highlighted the effectiveness of conservation interventions in certain areas, but also underscored the need
for adaptive management to address problems in the most vulnerable areas. The evaluation of the NDVI and the
analysis of trends highlights the importance of continuing with sustainable management strategies to mitigate loss,
so it is essential to monitor to adjust the practices that favor agricultural ecosystems.
Keywords: Trend Analysis, Spectral Bands, NDVI, Raster Projection
Recursos Naturales Producción y Sostenibilidad
Artículo científico: Evaluación Espacio temporal de la cobertura vegetal mediante imágenes satelitales landsat 8
en la Universidad Técnica de Cotopaxi, Campus Salache entre los Años 2015 al 2024
Publicación Semestral. Vol. 4, No 1, enero – junio 2025, Ecuador (p. 131-151)
133
1. INTRODUCCIÓN
El Índice de Vegetación de Diferencia Normalizada (NDVI), ha marcado un avance
significativo en la gestión y monitoreo de los cultivos (Newete et al., 2024), mediante la
reflectancia de la luz a diferentes longitudes de onda (Saha et al., 2024); es decir, las plantas
sanas reflejan más luz en el espectro cercano al infrarrojo y menos en el espectro visible rojo
(Zhang et al., 2024; Tian et al., 2021). El NDVI provee un valor de la densidad y condición del
estado del cultivo (Zhihao & Wei, 2024). Esto permite la detección temprana de problemas
como enfermedades (Lee et al., 2022), deficiencias nutricionales (Martins et al., 2023) y estrés
hídrico (Sapkota et al., 2024). Esto a su vez la toma decisiones adecuadas y oportunas para
mitigar estos problemas (Sandonís-Pozo et al., 2024). El NDVI, también, mejoran la eficiencia
del uso de recursos agrícolas, al optimizar prácticas como la fertilización y el riego (Sharma et
al., 2024). Esta herramienta impulsa avances en la productividad y resiliencia de los cultivos
frente a los desafíos ambientales actuales ( He. et al., 2021).
El NDVI fue utilizado para la evolución de crecimiento del cultivo de girasol, un cultivo que
se ha desarrollado bajo la aplicación de fertilizantes (Centorame et al., 2024). Estos fertilizantes
juegan un papel primordial, ya que fomentan un crecimiento idóneo (Khosravi et al., 2024),
además de que contribuyen al aumento de rendimiento del cultivo en escala global y regional
de Italia, en la región de Molise (Marino, 2023). Mediante un proceso de aumento de
rendimientos del cultivo, se identificaron las brechas de rendimiento y mediante un monitoreo
constante, estas brechas pueden ser cerradas (RYU et al., 2021). De este modo no solo se ha
probado en el cultivo de girasol, ya que hay otro estudio que demuestra el crecimiento de
cultivos del mismo modo (Alicia Arcos et al., 2024). De la misma manera, otro estudio que
permite tiene un impacto positivo por medio de la utilización de imágenes satelitales y Landsat
(Abdul Athick et al., 2020), para monitorear el estado vegetativo en otros cultivos (Qiao et al.,
2024). Con este enfoque se pueden facilitar simulaciones en los rendimientos de cultivos,
contribuyendo a la toma de decisiones en la agricultura (Ibarra-Bonilla et al., 2024). Este
estudio se realizó en E.E.U.U. en la región Delta del Mississippi (Shammi & Meng, 2021),
donde la gestión de recursos y el monitoreo de cultivos son esenciales para maximizar la
producción agrícola (Gaso et al., 2024).
A nivel de Ecuador se ha hecho otro estudio en el cual se ha utilizado el NDVI en los cultivos
de arroz y maíz (Recuero et al., 2023), los cereales más consumidos y cultivados por el país
Chicaiza A., Carrera D.
134
(Debie, 2024), con el fin de enfrentar la falta de rendimiento de granos, mediante la utilización
de imágenes satelitales y la tecnología de Landsat (Guo et al., 2024), para un mapeo en las
zonas de campos cultivados, permitiendo evaluar el número de picos anuales en las series
temporales de índices de vegetación (Mu et al., 2024). Esto no solo permite detectar zonas con
un desempeño insuficiente, sino que también ayuda a la planificación agrícola con información
precisa (Yao et al., 2024). Asimismo, permite monitorear la salud y vigor de los cultivos,
proporcionando información que los agricultores puedan manejar en el momento adecuado
para aplicar insumos y realizar cosechas (Liu et al., 2023). Por lo tanto, este artículo va a
abordar tres objetivos que son fundamentales para comprender la evolución de la cobertura
vegetal en el área de estudio. Primero, se busca identificar las áreas que son de conservación y
analizar su proceso evolutivo durante el periodo del 2015 al 2024. En segundo lugar, evaluar
el NDVI (Índice de Vegetación Normalizada) de las parcelas de la Universidad Técnica de
Cotopaxi, Campus Salache, en el mismo periodo, con el fin de obtener datos sobre la salud y
productividad de los cultivos. Finalmente, se observó el proceso evolutivo de la cobertura
vegetal a lo largo de los últimos diez años (2015-2024), proporcionando así una perspectiva
que contribuya a la gestión sostenible de los recursos naturales y a la mejora de las prácticas
agrícolas.
2. METODOLOGÍA
2.1 Área de Estudio
La investigación se realizó en un área de 89.43 hectáreas y una altitud que fluctúa entre 2705-
2984 msnm, Campus Salache, Cantón Pujilí-Ecuador. Entre las coordenadas geográficas de
00°59'57'' Sur y 78°37'14'' Oeste. La temperatura media en esta zona varía entre 10°C y 18°C,
mientras que la precipitación es bimodal con una mayor concentración entre febrero y mayo,
alcanza aproximadamente 662 mm/año (Ilbay-Yupa et al., 2021). El suelo predominante en la
parte baja corresponde a la textura franco arenoso y en la montaña existe presencia de caliza.
La zona de estudio se caracteriza por la diversidad de coberturas de uso del suelo: el 75%
corresponde a vegetación natural, 20% cultivo (pastos, hortalizas, arboles), 2 % infraestructura
(Laboratorios, Facultades, Domo, Centro de investigación), 1 % invernaderos, 2 % Estadios y
canchas (Ver figura 1). En el área de los cultivos se destaca las hortalizas y árboles frutales
(guabas, acacias, peras) y especies forestal.
Recursos Naturales Producción y Sostenibilidad
Artículo científico: Evaluación Espacio temporal de la cobertura vegetal mediante imágenes satelitales landsat 8
en la Universidad Técnica de Cotopaxi, Campus Salache entre los Años 2015 al 2024
Publicación Semestral. Vol. 4, No 1, enero – junio 2025, Ecuador (p. 131-151)
135
Figura 1. Campus Salache Universidad Técnica de Cotopaxi.
2.2 Proceso metodológico de la Investigación
El proceso metodológico se desarrolla en procesos que se resumen en la Fig. 2; el primero con
la delimitación de una zona de estudio definida por un Path y Row específicos. Luego, se realiza
la descarga de imágenes Landsat 8 para el periodo 2015 al 2024, en una resolución de 1°x1°.
Las imágenes se obtienen utilizando la plataforma earthexplorer y se procesan mediante una
proyección Raster al sistema WGS_1984_UTM_Zone_17S. Posteriormente, se calcula el
NDVI (Índice de Vegetación de Diferencia Normalizada) utilizando las bandas NIR y Red de
las imágenes. El NDVI se utiliza para identificar las áreas de cobertura vegetal, y se compara
con datos extraídos de la zona de estudio mediante Arcgis con la herramienta extract by mask
para determinar la precisión del cálculo. Finalmente, se realiza una validación e análisis de
tendencia en Trends del proceso con datos de espectros electromagnéticos, lo que permite
clasificar la vegetación en diferentes categorías: planta muerta, planta enferma, planta
medianamente sana y planta muy sana.
Chicaiza A., Carrera D.
136
Figura 2 Proceso Metodológico de la investigación.
2.3 Selección de imágenes satelitales
Se descargo imágenes satelitales landsat 8 de la de la plataforma EarthExplorer de la USGS a
una resolución de 30 metros disponible https://earthexplorer.usgs.gov/; las imágenes
seleccionadas corresponden a un análisis preliminar en función de su calidad y claridad
(Trevisiol et al., 2024); es decir, los criterios de selección de imágenes para esta investigación
se basaron en la priorizaron de las imágenes de alta resolución, con un porcentaje de cobertura
de nubes < 20% (Barbosa et al., 2020). Además, se tomó en cuenta la disponibilidad de
imágenes para el periodo 2015-2024. Este análisis garantizó que las imágenes escogidas fueran
representativas y útiles para el análisis de cambios en la cobertura vegetal (Hu et al., 2024).
2.4 Proyección Ráster
Esta técnica permitió representar la información en formato de celdas o píxeles, facilitando el
manejo y el procesamiento de los datos anuales (Sayre et al., 2024). En la proyección ráster,
cada celda contenía un valor que representaba una parte de la superficie terrestre, en este caso,
la cobertura vegetal (Panhelleux léa et al., 2023). La elección de la proyección ráster resultó
esencial para realizar los análisis, ya que facilitó la información, como la reflectancia de las
bandas, y la realización de cálculos vinculados con la vegetación (He et al., 2024).
Recursos Naturales Producción y Sostenibilidad
Artículo científico: Evaluación Espacio temporal de la cobertura vegetal mediante imágenes satelitales landsat 8
en la Universidad Técnica de Cotopaxi, Campus Salache entre los Años 2015 al 2024
Publicación Semestral. Vol. 4, No 1, enero – junio 2025, Ecuador (p. 131-151)
137
2.5 Cálculo NDVI
El cálculo del NDVI se realizó como una herramienta para evaluar la salud y el desarrollo de
la cobertura vegetal durante una década. (Milella & Reina, 2024). El NDVI se calculó
empleando las bandas de reflectancia del infrarrojo cercano (NIR) y del rojo (RED) de las
imágenes satelitales de Landsat 8, siguiendo la fórmula (Diykh et al., 2024a).
𝑁𝐷𝑉𝐼 = (𝑁𝐼𝑅 − 𝑅𝑜𝑗𝑜)
(𝑁𝐼𝑅 + 𝑅𝑜𝑗𝑜) =(𝐵𝑎𝑛𝑑𝑎 5 − 𝐵𝑎𝑛𝑑𝑎 4)
(𝐵𝑎𝑛𝑑𝑎 5 + 𝐵𝑎𝑛𝑑𝑎 4)
Este índice ofreció valores que fluctuaban entre -1 y 1; los valores próximos a 1 señalaron una
elevada densidad de vegetación, mientras que los valores negativos mostraron superficies como
zonas sin vegetación (Xu et al., 2024). Durante el periodo de estudio, se realizó el cálculo del
NDVI para cada imagen satelital escogida, que comprendió desde 2015 hasta 2024 (Wu et al.,
2024). Para manipular las imágenes, se empleó un programa dedicado al análisis geoespacial,
asegurando así una adecuada implementación de la fórmula y una interpretación apropiada de
los resultados (Diykh et al., 2024b). ¡Este método facilitó la elaboración de mapas de NDVI
que mostraron las fluctuaciones en la cobertura vegetal! Por lo tanto, se simplificaron los
procesos para identificar tendencias y patrones en la salud vegetal (Yang et al., 2024).
2.6 Extracción por mascara
El procedimiento de extracción por máscara resultó ser fundamental en el procesamiento de las
imágenes satelitales de Landsat 8 (Caruso et al., 2023). Esta técnica permitió distinguir áreas
específicas de interés en una imagen, lo que facilitó un análisis más detallado de la cobertura
vegetal (Ren et al., 2023). Para realizar la extracción por máscara, se utilizó un polígono que
cubría el campus Salache, lo que posibilitó enfocar el análisis exclusivamente en dichas áreas.
Se desarrolló una máscara fundamentada en la delimitación geográfica del campus, que se
aplicó a las imágenes de NDVI que se habían estimado anteriormente (Khormizi et al., 2023).
Este procedimiento garantizó que se lograran y examinaran los valores del índice en las áreas
deseadas, suprimiendo información que podría haber alterado los resultados, como la
infraestructura (Sorkhabi, 2024).
2.7 Análisis de cobertura vegetal
Esta investigación se enfocó en reconocer los diferentes tipos de cobertura presentes en el área
de estudio a través del tiempo, lo que facilitó la adquisición de un entendimiento más detallado
Chicaiza A., Carrera D.
138
de las dinámicas vegetales entre 2015 y 2024. Se emplearon métodos de procesamiento digital
de imágenes para identificar alteraciones en la cobertura vegetal, lo que resultó esencial para
evaluar la salud y la extensión de la vegetación (Hasan et al., 2024).
2.8 Clasificación de Imágenes
Para realizar el estudio de la cobertura vegetal, se utilizó una clasificación fundamentada en el
método de clasificación supervisada (Wang et al., 2023). Este método requirió la utilización de
muestras, en las que se escogieron las zonas basándose en imágenes satelitales (Li et al., 2022).
A través de algoritmos de clasificación, se asignaron categorías concretas respecto a la imagen,
lo que facilitó la identificación de la cobertura vegetal (Qian et al., 2024). La categorización
fundamentada se refiere al espectro electromagnético desempeñó un papel esencial en la
categorización de las imágenes. (Chu et al., 2022). Landsat 8 ofreció una variedad de bandas
espectrales, entre las que se incluyen, infrarrojo cercano e infrarrojo de onda corta, que se
volvieron fundamentales para distinguir los diferentes tipos de cobertura vegetal (Illán-
Fernández et al., 2024). El uso de estas bandas posibilitó resaltar las características espectrales
de la vegetación, lo que incrementó la exactitud en la clasificación, (Cantini et al., 2023). Se
utilizaron métodos de análisis espectral para perfeccionar las clases de cobertura, lo que
contribuyó a producir resultados significativos y fiables en la investigación de la cobertura
vegetal en el campus Salache (Roznik et al., 2022).
El primer método para categorizar los mapas consistió en reconocer las zonas con vegetación
muerta o terreno desnudo, que se mostraron con color rojo; esto señaló áreas con una cobertura
de vegetación deteriorada (Pérez-García et al., 2024). Estas condiciones pudieron ser el
resultado de factores ambientales adversos, como sequías o contaminación, que afectaron la
salud de la vegetación (Li et al., 2024). La detección de estas áreas fue vital para implementar
estrategias de recuperación y restauración del ecosistema (Karalasingham et al., 2024).
Asimismo, se prestó atención a las plantas enfermas o de menor densidad clasificándolas de un
color tomate y amarillo (Puttipipatkajorn & Puttipipatkajorn, 2024) . Esta categoría se refirió a
zonas donde la vegetación presentó signos de estrés, lo que pudo ser indicativo de problemas
como plagas, enfermedades o deficiencias nutricionales (Zhao et al., 2024). Mediante la
monitorización de estas áreas, se facilitó la toma de decisiones para el manejo y la intervención
en la salud de la vegetación (Botella-Campos et al., 2025).
Recursos Naturales Producción y Sostenibilidad
Artículo científico: Evaluación Espacio temporal de la cobertura vegetal mediante imágenes satelitales landsat 8
en la Universidad Técnica de Cotopaxi, Campus Salache entre los Años 2015 al 2024
Publicación Semestral. Vol. 4, No 1, enero – junio 2025, Ecuador (p. 131-151)
139
Finalmente, se detectaron plantas con un estado de salud medio con una tonalidad de color
verde, lo que simbolizó un estado intermedio de la cobertura vegetal (Galaszkiewicz et al.,
2024). A pesar de que estas plantas no estaban en su estado más óptimo, su presencia indicó la
oportunidad de recuperación y mejora con las intervenciones correctas (Niu et al., 2024). La
clasificación de esta categoría resultó esencial para conocer el potencial de rehabilitación de
las zonas afectadas, lo que facilitó la identificación de oportunidades para la intervención y el
mejoramiento (Imtiaz et al., 2024).
2.9 Análisis de Trends
El análisis de tendencias, también llamado análisis Trend, se empleó como un instrumento
esencial para interpretar las variaciones en la cobertura vegetal durante el periodo comprendido
entre 2015 y 2024 (Rahman et al., 2025). Este método posibilitó reconocer patrones y cambios
importantes en la utilización del suelo y la vegetación, lo que facilitó un entendimiento más
detallado de las dinámicas del entorno (Ilbay et al., 2021). Para llevar a cabo el análisis Trend,
las imágenes satelitales previamente escogidas fueron procesadas utilizando métodos de
análisis de datos que destacaron las tendencias en los índices de vegetación para un p<0.05,
empleando el método de Mann-Kendall (Mann & Kendall, 1945)
3. RESULTADOS Y DISCUSIÓN
3.1 Clasificación de la salud y crecimiento de la cobertura vegetal
En esta parte, se mostraron los mapas de cobertura vegetal obtenidos mediante el análisis de
imágenes satelitales de Landsat 8 durante un lapso de 10 años. Al inicio de esta etapa, se realizó
un seguimiento de la salud y el crecimiento vegetativo, notándose que el 75% de la cobertura
de vegetación se relacionaba con las zonas altas del campus. En estas áreas, la proporción de
suelo desnudo era significativa y las plantas enfermas se encontraban en niveles mínimos. Las
zonas bajas, que representaron un 20% de la cobertura, se caracterizaban por un estado de salud
moderado, siendo especialmente notables los cultivos de pastos y hortalizas. Este análisis
inicial correspondiente a la cobertura vegetal sugiere que las zonas altas son cruciales para la
salud en general del ecosistema. La escasez de plantas enfermas en estas zonas sugiere una
gestión eficaz, no obstante, la existencia de suelo desnudo subraya la necesidad de acciones
para incrementar la cobertura de vegetación y evitar su deterioro. De este modo el punto de
Chicaiza A., Carrera D.
140
vista que se tiene adoptada, establece las variaciones en la salud y crecimiento de la vegetación
en los años siguientes (Martin et al., 2021).
A medida que avanzamos hacia el siguiente año, se registraron cambios significativos. En la
zona alta, una porción que antes era suelo desnudo pasó a estar cubierta por plantas con salud
moderada y algunas enfermas, alcanzando aproximadamente el 75%. Sin embargo, las zonas
baja y media experimentaron un deterioro en la salud de algunas plantas, que evolucionaron de
un estado moderadamente sano a enfermo. Pese a las variaciones detectadas, los cultivos en la
zona baja conservaron su condición previa. Las fluctuaciones en la salud de la cobertura vegetal
evidencian el impacto de varios factores ambientales. La capacidad de las zonas bajas para
mantener su salud indica que las estrategias de gestión aplicadas habían resultado eficaces; no
obstante, se requería un seguimiento constante para tratar el declive en la zona media y alta
(Dembélé et al., 2024).
Durante el tercer año, se demostró que cerca del 10% de la cobertura de vegetal estaba
impactada por suelo desnudo, lo que señalaba que algunas zonas se encontraban afectadas por
diversos factores como la degradación del suelo o la falta de agua. Además, cerca del 50% de
la vegetación fue categorizada como enferma, lidiando con dificultades vinculadas a plagas y
condiciones ambientales desfavorables. A pesar de estas adversidades, las zonas bajas
continuaron mostrando un 20% de cultivos en estado moderado, lo que indica una respuesta
positiva a las prácticas de manejo implementadas. La influencia sobre la cobertura vegetal en
este año resalta la vulnerabilidad del ecosistema a factores externos, la persistencia de un 20%
en cultivos en estado moderado en las zonas bajas sugiere que las intervenciones de manejo
han sido efectivas, pero también subraya la necesidad de abordar los problemas de salud en las
áreas afectadas (Laroche-Pinel et al., 2024).
El año siguiente mostró una ligera mejora en comparación con el anterior, el 9% de la cobertura
vegetal estaba en estado crítico. Esto representa una reducción con respecto al 10% del año
anterior, sugiriendo que las estrategias implementadas comenzaron a tener un efecto positivo.
Sin embargo, el 48% de la cobertura vegetal seguía mostrando signos de enfermedad. Aunque
hubo una ligera disminución en comparación con el año anterior, estos resultados subrayan la
necesidad continua de intervenciones para mejorar la salud vegetal. La ligera mejora en la salud
vegetal es un indicativo positivo, pero el porcentaje aún elevado de plantas enfermas sugiere
que las estrategias de manejo deben ser revisadas. Sin embargo, es primordial mantener un
Recursos Naturales Producción y Sostenibilidad
Artículo científico: Evaluación Espacio temporal de la cobertura vegetal mediante imágenes satelitales landsat 8
en la Universidad Técnica de Cotopaxi, Campus Salache entre los Años 2015 al 2024
Publicación Semestral. Vol. 4, No 1, enero – junio 2025, Ecuador (p. 131-151)
141
enfoque proactivo para abordar los problemas persistentes en la salud de la vegetación (Annan
et al., 2024).
Oportunamente, para el año 2019, se mantuvo un 8% de cobertura vegetal afectada por suelo
desnudo. Sin embargo, se observó una disminución en el porcentaje de plantas enfermas al
45%, lo que sugiere mejoras en las estrategias de manejo. Las zonas bajas continuaron
mostrando un estado saludable moderadamente sano, reflejando así el buen cuidado que
recibían. La reducción en el porcentaje de plantas enfermas es un indicador alentador de que
las estrategias de manejo están dando resultados, por lo que la estabilidad en la salud de las
zonas bajas sugiere que las prácticas de conservación están siendo efectivas (Gemeda et al.,
2024).
El impacto negativo del COVID-19 fue evidente en 2020, donde el porcentaje de plantas
muertas o suelo desnudo aumentó al 10%, similar a cifras anteriores, pero con un leve aumento
respecto al año anterior. A pesar del retroceso observado debido a la pandemia, muchas áreas
continuaron mostrando un estado relativamente saludable. Este fenómeno resalta cómo los
distintos factores externos pueden influir drásticamente en la salud del ecosistema. La
pandemia ha tenido un efecto adverso en la salud vegetal, lo que subraya la vulnerabilidad del
ecosistema a factores externos. No obstante, la capacidad de algunas áreas para mantener un
estado saludable indica que las intervenciones previas han creado una capacidad de adaptación
que puede ser clave para la recuperación (Miah et al., 2024).
Para el año siguiente, se observó una ligera mejora en la salud vegetal; sin embargo, el estado
moderadamente sano se mantuvo, mientras que las áreas amarillas disminuyeron al 30%. En
comparación con años anteriores, en las zonas más altas aumentó el porcentaje de plantas
enfermas o suelo desnudo, alcanzando un 25%. La mejora en la salud vegetal es un signo
positivo, pero el aumento de plantas enfermas en las zonas altas sugiere que se deben
implementar medidas adicionales, además es esencial dar un enfoque adaptativo que responda
a las condiciones del ecosistema (Sotille et al., 2020).
En el año 2022, gracias a las medidas que se tomaron para recuperar las zonas altas, el suelo
desnudo se redujo al 10%. A pesar del aumento en el porcentaje de plantas enfermas, las zonas
bajas lograron recuperarse significativamente. Este resultado demuestra cómo las
intervenciones adecuadas pueden revertir tendencias negativas y mejorar la salud general del
Chicaiza A., Carrera D.
142
ecosistema. La reducción del suelo desnudo es un logro importante ya que la recuperación de
las zonas bajas resalta la efectividad de las intervenciones. Sin embargo, el aumento en el
número de plantas enfermas subrayaba la necesidad de adoptar un enfoque estratégico para
garantizar la salud a largo plazo (Qu et al., 2021).
Para el año 2023, las observaciones revelaron una mejora en la salud de la vegetación,
indicando que un 7% provenía de las zonas críticas y un 40% correspondía a plantas
clasificadas como enfermas. Este hallazgo indicaba que, aunque se había logrado cierto
progreso, aún persistían desafíos en las zonas más vulnerables. El avance en la salud vegetal
era un indicio positivo, pero el elevado porcentaje de plantas enfermas destacaba la urgencia
de seguir implementando intervenciones (Alemu et al., 2024).
En este último año se observó una tendencia favorable en la salud de la vegetación en las zonas
altas, donde se observó un progreso constante, a pesar del incremento en las zonas enfermas.
Las zonas bajas lograron recuperarse, evidenciando que las medidas de conservación y cuidado
estaban dando resultados. No obstante, resultaba importante mantener una perspectiva
sostenible para garantizar la salud del ecosistema en el futuro. La tendencia positiva indica que
las estrategias implementadas comenzaron a generar resultados sostenibles, pero la situación
de las plantas enfermas en las zonas altas resalta que las intervenciones deben ser estratégicas
y adaptativas. La evolución de la salud vegetal a lo largo de los años muestra la complejidad y
la necesidad de un manejo adaptativo. Las intervenciones deben ser continuas y ajustadas a las
condiciones cambiantes para asegurar la resiliencia y sostenibilidad en el futuro (Ahmed et al.,
2023).
Recursos Naturales Producción y Sostenibilidad
Artículo científico: Evaluación Espacio temporal de la cobertura vegetal mediante imágenes satelitales landsat 8
en la Universidad Técnica de Cotopaxi, Campus Salache entre los Años 2015 al 2024
Publicación Semestral. Vol. 4, No 1, enero – junio 2025, Ecuador (p. 131-151)
143
Figura 3 Evolución del desarrollo de la Cobertura Vegetal en una Década.
3.2 Análisis de tendencias
El análisis de tendencias en la salud y crecimiento de las plantas de las diferentes zonas de la
cobertura vegetal en el campus Salache entre los años 2015 y 2024 evidenció cambios
significativos en varias áreas que presentaban una tendencia positiva en la cobertura vegetal,
alcanzando niveles de significancia (p<0.05 y p<0.01). Las zonas que mostraron un incremento
en la vegetación sana estaban relacionadas con un manejo efectivo de los recursos y la
implementación exitosa de prácticas de conservación en los lotes de pastos, en los terrenos con
sembríos de hortalizas, las cuales tuvo mayor significancia al p<0.01 y otras zonas como donde
actualmente es la clínica veterinaria donde tenemos una significancia negativa por la
infraestructura, pero en comparación a otros años esa zona tenía una significancia del p<0.05.
Además, el aumento en la cobertura vegetal indicó un incremento del 25% en las áreas
saludables, lo que evidencia la eficacia de las estrategias de gestión ambiental aplicadas en la
última década.
En contraste con el 2015, estas áreas como las zonas altas, experimentaron una reducción del
15% en su cobertura, lo que subraya la necesidad de enfocarse en prácticas sostenibles que
puedan revertir esta tendencia. El análisis de tendencias no solo puso de relieve las áreas con
Chicaiza A., Carrera D.
144
potencial de mejora como los lotes de pastos, las cuales ciertas áreas no presentaron ni mejora,
ni reducción, sino que hay que mejorar su manejo para ver cambios significativos. Las zonas
que mostraron tendencias con p<0.05 las cuales son las terrazas de la universidad y otras zonas
medias del campus, tienden a tener una pronta recuperación de la vegetación en estas áreas.
Además, el análisis de tendencias indicó un aumento en las zonas con vegetación en estado
moderadamente sano.
Figura 4 Distribución espacial de cambios de la salud y crecimiento de la cobertura vegetal
periodo 2015 – 2024.
3.3 Cambios de uso de suelo
El cambio del uso del suelo entre los años 2015 y 2024 revela cambios significativos en la
cobertura vegetal, especialmente en las áreas de infraestructura y zonas de cultivos; además, se
puede observar de manera evidente qué áreas han cambiado con el pasar del tiempo. Entre 2015
y 2024, se observó un aumento en el área de infraestructura del Campus Salache, y este
crecimiento se atribuyó a la expansión de las instalaciones educativas, como en el caso actual
de la clínica veterinaria, que en 2015 era un área de cultivos. Así, disminuyó el área de cultivo
para dar paso a la infraestructura en 2024. Por otro lado, las zonas de cultivo en la misma área
mostraron una tendencia a la disminución durante 2024 debido a la infraestructura ya realizada.
Esta acción reflejó una serie de factores, entre los cuales destacó el cambio en las prioridades
del uso del suelo, donde la infraestructura reemplazó a las tierras agrícolas.
Recursos Naturales Producción y Sostenibilidad
Artículo científico: Evaluación Espacio temporal de la cobertura vegetal mediante imágenes satelitales landsat 8
en la Universidad Técnica de Cotopaxi, Campus Salache entre los Años 2015 al 2024
Publicación Semestral. Vol. 4, No 1, enero – junio 2025, Ecuador (p. 131-151)
145
Tabla 1. Área y extensión de Cambios de la cobertura vegetal en las distintas zonas del
campus Salache
Cobertura Vegetal
2015
2024
Cambios
Vías
1.911 km
1.911 km
-
Edificaciones
1.130 ha
1.477 ha
0.347 ha
Lote de Pastos
8.054 ha
8.054 ha
-
Lotes de Cultivos
4.359 ha
4.012 ha
0.347 ha
Terrazas
0.578 ha
0.578 ha
-
Estadio
0.748 ha
0.748 ha
-
Invernaderos
0.164 ha
0.164 ha
-
Laguna
0.236 ha
0.236 ha
-
Entre 2015 y 2024, se observó un aumento en el área de infraestructura del Campus Salache.
Este crecimiento se atribuyó a la expansión de las instalaciones educativas, como en el caso de
la clínica veterinaria, que en 2015 era un área de cultivos. En 2015, la zona de infraestructura
era de 1.130 ha, mientras que en 2024 se incrementó a un total de 1.477 ha, lo que representa
un aumento de 0.347 ha. Por otro lado, las zonas de cultivo en la misma área mostraron una
tendencia a la disminución durante 2024; en 2015, el área de cultivo era de 4.359 ha, y en 2024
cuenta con un área de 4.012 ha, lo que indica un decremento de 0.347 ha. Esta acción reflejó
una serie de factores, entre los cuales destacó el cambio en las prioridades del uso del suelo,
donde la infraestructura reemplazó a las tierras agrícolas.
4. CONCLUSIONES
Mediante el análisis de las imágenes satelitales de Landsat 8, se lograron identificar algunas
zonas con alta y mediana densidad de vegetación en el período 2015-2024 revelando una
tendencia a la disminución de la cobertura vegetal en áreas como los lotes de cultivo que
en el 2015 se tenía una zona de 4.359 ha y que para el 2024 se tiene de 4.012 ha lo que
quiere decir que hubo un decremento de 0.347 ha esto es porque esa zona se destinó para
infraestructura lo que hoy es la clínica veterinaria. No obstante, también se detectaron
sectores con un incremento de la vegetación, lo que sugiere la efectividad de la restauración
e implementación de proyectos de conservación.
La evaluación del NDVI por medio del análisis de las imágenes del satélite Landsat 8 a lo
largo de una década reveló cambios dinámicos en la salud y el crecimiento de la vegetación
dentro del campus. Al principio, las zonas más elevadas presentaban un buen estado de
Chicaiza A., Carrera D.
146
salud, con un mínimo de plantas enfermas y una gran cantidad de suelo desnudo. Por el
contrario, las zonas más bajas, como los lotes de pastos y zonas de cultivos, mostraban un
estado de salud moderado. Aunque se observaron mejoras en algunas zonas, sobre todo en
las más bajas, donde las intervenciones de gestión dieron resultados positivos, las regiones
más altas se enfrentaron a problemas, sobre todo un aumento de las plantas enfermas y del
suelo desnudo.
El análisis de tendencias en el 2015 muestra que la mayor parte de la zona muestra una
tendencia positiva (0,01 a 0,05), indicando una tendencia positiva mayor que se encuentra
en la parte noroeste de la zona y se extiende hacia el sur. Hay zonas más pequeñas con
tendencias positivas dispersas por el mapa. Sin embargo, hay dos regiones que en la
actualidad muestran una tendencia negativa (-0,01 y -0,05). La región con una tendencia
negativa de -0,01 y -0,05 se encuentra en la parte central derecha de la zona la cual se
encuentra la clínica veterinaria actualmente y anteriormente esa zona se destinaba para
cultivos.
Agradecimientos. - Quiero expresar mi más sincero agradecimiento a mis padres, cuyo apoyo
incondicional y aliento constante han sido fundamentales en mi desarrollo personal y
académico. El amor y la dedicación de las personas que me supieron motivar a seguir mis
sueños y a enfrentar los desafíos. Del mismo modo quiero agradecer a los ingenieros de la
Universidad Técnica de Cotopaxi, quienes me supieron brindar su orientación y compartir los
conocimientos. Es por ello que les puedo decir que les estoy eternamente agradecido.
Contribución de los autores. – El autor y el coautor realizaron su respectivo trabajo de forma
independiente, cumpliendo con los objetivos establecidos y siguiendo las pautas
proporcionadas. La colaboración se basó en un intercambio de ideas y orientaciones, sin haber
ningún tipo de problema que pudieran afectar los resultados del estudio. Así, se logró realizar
la investigación con total transparencia y objetividad.
Financiación. - No se recibió ningún fondo.
Conflicto de intereses. – No se tuvo conflicto alguno.
Recursos Naturales Producción y Sostenibilidad
Artículo científico: Evaluación Espacio temporal de la cobertura vegetal mediante imágenes satelitales landsat 8
en la Universidad Técnica de Cotopaxi, Campus Salache entre los Años 2015 al 2024
Publicación Semestral. Vol. 4, No 1, enero – junio 2025, Ecuador (p. 131-151)
147
5. REFERENCIAS
Abdul Athick, A. S. M., Shankar, K., & Naqvi, H. R. (2020). Data on time series analysis of land surface
temperature variation in response to vegetation indices in twelve Wereda of Ethiopia using mono window,
split window algorithm and spectral radiance model. Data in Brief, 27.
https://doi.org/10.1016/j.dib.2019.104773
Ahmed, Z., Nalley, L., Brye, K., Steven Green, V., Popp, M., Shew, A. M., & Connor, L. (2023). Winter-time
cover crop identification: A remote sensing-based methodological framework for new and rapid data
generation. International Journal of Applied Earth Observation and Geoinformation, 125.
https://doi.org/10.1016/j.jag.2023.103564
Alemu, M., Warkineh, B., Lulekal, E., & Asfaw, Z. (2024). Analysis of land use land cover change dynamics in
Habru District, Amhara Region, Ethiopia. Heliyon, 10(19). https://doi.org/10.1016/j.heliyon.2024.e38971
Alicia Arcos, M., Balaguer-Beser, Á., & Ángel Ruiz, L. (2024). Evaluating the performance of spectral indices
and meteorological variables as indicators of live fuel moisture content in Mediterranean shrublands.
Ecological Indicators, 169. https://doi.org/10.1016/j.ecolind.2024.112894
Annan, E., Amponsah, W., Adjei, K. A., Disse, M., Hounkpè, J., Biney, E., Agbenorhevi, A. E., & Agyare, W.
A. (2024). Spatio-temporal land use and land cover change assessment: Insights from the Ouémé River
Basin. Scientific African, 25. https://doi.org/10.1016/j.sciaf.2024.e02262
Barbosa, H. A., Lakshmi Kumar, T. V., Paredes, F., Elliott, S., & Ayuga, J. G. (2020). Assessment of Caatinga
response to drought using Meteosat-SEVIRI Normalized Difference Vegetation Index (2008–2016). ISPRS
Journal of Photogrammetry and Remote Sensing, 148, 235–252.
https://doi.org/10.1016/j.isprsjprs.2018.12.014
Botella-Campos, M., Romero-Huedo, J., Mora, J., & Ortega, B. (2025). Convergent optical fronthaul link for
wireless access over different spectral bands. Optical Fiber Technology, 90.
https://doi.org/10.1016/j.yofte.2024.104114
Cantini, C., Nepi, P. E., Giovanni Avola, & Riggi, E. (2023). Direct and indirect ground estimation of leaf area
index to support interpretation of NDVI data from satellite images in hedgerow olive orchards. Smart
Agricultural Technology, 5. https://doi.org/10.1016/j.atech.2023.100267
Caruso, G., Palai, G., Tozzini, L., D’Onofrio, C., & Gucci, R. (2023). The role of LAI and leaf chlorophyll on
NDVI estimated by UAV in grapevine canopies. Scientia Horticulturae, 322.
https://doi.org/10.1016/j.scienta.2023.112398
Centorame, L., Ilari, A., Del Gatto, A., & Foppa Pedretti, E. (2024). A systematic review on precision agriculture
applied to sunflowers, the role of hyperspectral imaging. In Computers and Electronics in Agriculture (Vol.
222). Elsevier B.V. https://doi.org/10.1016/j.compag.2024.109097
Chu, D., Shen, H., Guan, X., & Li, X. (2022). An L1-regularized variational approach for NDVI time-series
reconstruction considering inter-annual seasonal similarity. International Journal of Applied Earth
Observation and Geoinformation, 114. https://doi.org/10.1016/j.jag.2022.103021
Debie, E. (2024). Analysis of the decision to convert croplands into E. Camaldulensis woodlot and its impact on
income diversification in Mecha district, Northwest Ethiopia. Trees, Forests and People, 17.
https://doi.org/10.1016/j.tfp.2024.100636
Dembélé, F., Guuroh, R. T., Ansah, P. B., Asare, D. C. B. M., Da, S. S., Aryee, J. N. A., & Adu-Bredu, S. (2024).
Land use land cover change and intensity analysis of land transformation in and around a moist semi-
deciduous forest in Ghana. Trees, Forests and People, 15. https://doi.org/10.1016/j.tfp.2024.100507
Diykh, M., Ali, M., Jamei, M., Abdulla, S., Uddin, M. P., Farooque, A. A., Labban, A. H., & Alabdally, H.
(2024a). Empirical curvelet transform based deep DenseNet model to predict NDVI using RGB drone
imagery data. Computers and Electronics in Agriculture, 221.
https://doi.org/10.1016/j.compag.2024.108964
Chicaiza A., Carrera D.
148
Diykh, M., Ali, M., Jamei, M., Abdulla, S., Uddin, M. P., Farooque, A. A., Labban, A. H., & Alabdally, H.
(2024b). Empirical curvelet transform based deep DenseNet model to predict NDVI using RGB drone
imagery data. Computers and Electronics in Agriculture, 221.
https://doi.org/10.1016/j.compag.2024.108964
Galaszkiewicz, A., Delaney, K. B., & Steelman, C. M. (2024). Identifying sulphurous water discharge from legacy
oil and gas wells using spectral band analysis of aerial and satellite imagery. Geomatica, 76(2).
https://doi.org/10.1016/j.geomat.2024.100024
Gaso, D. V., Paudel, D., de Wit, A., Puntel, L. A., Mullissa, A., & Kooistra, L. (2024). Beyond assimilation of
leaf area index: Leveraging additional spectral information using machine learning for site-specific soybean
yield prediction. Agricultural and Forest Meteorology, 351.
https://doi.org/10.1016/j.agrformet.2024.110022
Gemeda, D. O., Kenea, G., Teshome, B., Daba, G. L., Argu, W., & Roba, Z. R. (2024). Impact of land use and
land cover change on land surface temperature: Comparative studies in four cities in southwestern Ethiopia.
Environmental Challenges, 16. https://doi.org/10.1016/j.envc.2024.101002
Guo, Y., Fu, Y. H., Chen, S., Hao, F., Zhang, X., de Beurs, K., & He, Y. (2024). Predicting grain yield of maize
using a new multispectral-based canopy volumetric vegetation index. Ecological Indicators, 166.
https://doi.org/10.1016/j.ecolind.2024.112295
Hasan, I., Dey, J., Munna, M. M. R., Preya, A., Nisanur, T. B., Memy, M. J., & Zeba, M. Z. S. (2024).
Morphological changes of river Bank Erosion and channel shifting assessment on Arial Khan River of
Bangladesh using Landsat satellite time series images. Progress in Disaster Science, 24.
https://doi.org/10.1016/j.pdisas.2024.100381
He, H., Fischer, C., Darsow, U., Aguirre, J., & Ntziachristos, V. (2024). Quality control in clinical raster-scan
optoacoustic mesoscopy. Photoacoustics, 35. https://doi.org/10.1016/j.pacs.2023.100582
He, P., Xu, L., Liu, Z., Jing, Y., & Zhu, W. (2021). Dynamics of NDVI and its influencing factors in the Chinese
Loess Plateau during 2002–2018. Regional Sustainability, 2(1), 36–46.
https://doi.org/10.1016/j.regsus.2021.01.002
Hu, P., Zheng, B., Chen, Q., Grunefeld, S., Choudhury, M. R., Fernandez, J., Potgieter, A., & Chapman, S. C.
(2024). Estimating aboveground biomass dynamics of wheat at small spatial scale by integrating crop
growth and radiative transfer models with satellite remote sensing data. Remote Sensing of Environment,
311. https://doi.org/10.1016/j.rse.2024.114277
Ibarra-Bonilla, J. S., Pinedo-Alvarez, A., Prieto-Amparán, J. A., Siller-Clavel, P., Santellano-Estrada, E., Álvarez-
Holguín, A., & Villarreal-Guerrero, F. (2024). Post-fire vegetation dynamics of a temperate mixed forest:
An assessment based on the variability of Landsat spectral indices. Trees, Forests and People, 17.
https://doi.org/10.1016/j.tfp.2024.100648
Ilbay, M., Ruiz, J., Cueva, E., Ortiz, V., & Morales, D. (2021). Empirical Model for Estimating the Ecological
Footprint in Ecuador Based on Demographic, Economic and Environmental Indicators. Journal of
Ecological Engineering, 22(5), 59–67. https://doi.org/10.12911/22998993/135868
Ilbay-Yupa, M., Lavado-Casimiro, W., Rau, P., Zubieta, R., & Castillón, F. (2021). Updating regionalization of
precipitation in Ecuador. https://doi.org/10.1007/s00704-020-03476-x/Published
Illán-Fernández, E. J., Tiede, D., & Sudmanns, M. (2024). Consistent land use and land cover classification across
20 years of various high-resolution images for detecting soil sealing in murcia, Spain. Remote Sensing
Applications: Society and Environment, 35. https://doi.org/10.1016/j.rsase.2024.101223
Imtiaz, F., Farooque, A. A., Randhawa, G. S., Wang, X., Esau, T. J., Acharya, B., & Hashemi Garmdareh, S. E.
(2024). An inclusive approach to crop soil moisture estimation: Leveraging satellite thermal infrared bands
and vegetation indices on Google Earth engine. Agricultural Water Management, 306.
https://doi.org/10.1016/j.agwat.2024.109172
Karalasingham, S., Deo, R. C., Casillas-Pérez, D., Raj, N., & Salcedo-Sanz, S. (2024). Wavelet-fusion image
super-resolution model with deep learning for downscaling remotely-sensed, multi-band spectral albedo
imagery. Remote Sensing Applications: Society and Environment, 36.
https://doi.org/10.1016/j.rsase.2024.101333
Recursos Naturales Producción y Sostenibilidad
Artículo científico: Evaluación Espacio temporal de la cobertura vegetal mediante imágenes satelitales landsat 8
en la Universidad Técnica de Cotopaxi, Campus Salache entre los Años 2015 al 2024
Publicación Semestral. Vol. 4, No 1, enero – junio 2025, Ecuador (p. 131-151)
149
Khormizi, H. Z., Ghafarian Malamiri, H. R., Alian, S., Stein, A., Kalantari, Z., & Ferreira, C. S. S. (2023). Proof
of evidence of changes in global terrestrial biomes using historic and recent NDVI time series. Heliyon,
9(8). https://doi.org/10.1016/j.heliyon.2023.e18686
Khosravi, Y., Homayouni, S., & Ouarda, T. B. M. J. (2024). Spatio-temporal evaluation of MODIS temperature
vegetation dryness index in the Middle East. Ecological Informatics, 84.
https://doi.org/10.1016/j.ecoinf.2024.102894
Laroche-Pinel, E., Cianciola, V., Singh, K., Vivaldi, G. A., & Brillante, L. (2024). Assessing the spatial-temporal
performance of machine learning in predicting grapevine water status from Landsat 8 imagery via block-
out and date-out cross-validation. Agricultural Water Management, 306.
https://doi.org/10.1016/j.agwat.2024.109163
Lee, C. C., Koo, V. C., Lim, T. S., Lee, Y. P., & Abidin, H. (2022). A multi-layer perceptron-based approach for
early detection of BSR disease in oil palm trees using hyperspectral images. Heliyon, 8(4).
https://doi.org/10.1016/j.heliyon.2022.e09252
Li, J., Li, C., Xu, W., Feng, H., Zhao, F., Long, H., Meng, Y., Chen, W., Yang, H., & Yang, G. (2022). Fusion of
optical and SAR images based on deep learning to reconstruct vegetation NDVI time series in cloud-prone
regions. International Journal of Applied Earth Observation and Geoinformation, 112.
https://doi.org/10.1016/j.jag.2022.102818
Li, P., Li, W., Shi, D., & Nath, A. J. (2024). Normalized Difference Red-NIR-SWIR: A new Sentinel-2 three-
band spectral index for mapping freshly-opened swiddens in the tropics. Ecological Informatics, 82.
https://doi.org/10.1016/j.ecoinf.2024.102775
Liu, Q., Yao, F., Garcia-Garcia, A., Zhang, J., Li, J., Ma, S., Li, S., & Peng, J. (2023). The response and sensitivity
of global vegetation to water stress: A comparison of different satellite-based NDVI products. International
Journal of Applied Earth Observation and Geoinformation, 120. https://doi.org/10.1016/j.jag.2023.103341
Mann, & Kendall. (1945). Combination of modified Mann-Kendall method and Şen innovative trend analysis.
Econometrica
Marino, S. (2023). Understanding the spatio-temporal behaviour of the sunflower crop for subfield areas
delineation using Sentinel‐2 NDVI time-series images in an organic farming system. Heliyon, 9(9).
https://doi.org/10.1016/j.heliyon.2023.e19507
Martin, E. R., Godwin, I. A., Cooper, R. I., Aryal, N., Reba, M. L., & Bouldin, J. L. (2021). Assessing the impact
of vegetative cover within Northeast Arkansas agricultural ditches on sediment and nutrient loads.
Agriculture, Ecosystems and Environment, 320. https://doi.org/10.1016/j.agee.2021.107613
Martins, G. D., Sousa Santos, L. C., dos Santos Carmo, G. J., da Silva Neto, O. F., Castoldi, R., Machado, A. I.
M. R., & de Oliveira Charlo, H. C. (2023). Multispectral images for estimating morphophysiological and
nutritional parameters in cabbage seedlings. Smart Agricultural Technology, 4.
https://doi.org/10.1016/j.atech.2023.100211
Miah, M. T., Fariha, J. N., Kafy, A. Al, Islam, R., Biswas, N., Duti, B. M., Fattah, M. A., Alsulamy, S., Khedher,
K. M., & Salem, M. A. (2024). Exploring the nexus between land cover change dynamics and spatial
heterogeneity of demographic trajectories in rapidly growing ecosystems of south Asian cities. Ecological
Indicators, 158. https://doi.org/10.1016/j.ecolind.2023.111299
Milella, A., & Reina, G. (2024). Consumer-grade imaging system for NDVI measurement at plant scale by a
farmer robot. Measurement: Journal of the International Measurement Confederation, 234.
https://doi.org/10.1016/j.measurement.2024.114817
Mu, X., Yang, Y., Xu, H., Guo, Y., Lai, Y., McVicar, T. R., Xie, D., & Yan, G. (2024). Improvement of NDVI
mixture model for fractional vegetation cover estimation with consideration of shaded vegetation and soil
components. Remote Sensing of Environment, 314. https://doi.org/10.1016/j.rse.2024.114409
Newete, S. W., Abutaleb, K., Chirima, G. J., Dabrowska-Zielinska, K., & Gurdak, R. (2024). Phenology-based
winter wheat classification for crop growth monitoring using multi-temporal sentinel-2 satellite data.
Egyptian Journal of Remote Sensing and Space Science, 27(4), 695–704.
https://doi.org/10.1016/j.ejrs.2024.10.001
Chicaiza A., Carrera D.
150
Niu, T., Hou, Z., Yu, J., Lu, J., Yu, Q., Yang, L., Ma, J., Liu, Y., Shi, H., & Jin, X. (2024). Construction of
prediction model for water retention of forest ecosystem in alpine region based on vegetation spectral
features. Ecological Indicators, 169. https://doi.org/10.1016/j.ecolind.2024.112889
Panhelleux léa, Rapinel Sébastien, & Humbert-Moy Laurence. (2023). Specification Table.
https://doi.org/10.5281/zenodo.7895449
Pérez-García, Á., van Emmerik, T. H. M., Mata, A., Tasseron, P. F., & López, J. F. (2024). Efficient plastic
detection in coastal areas with selected spectral bands. Marine Pollution Bulletin, 207.
https://doi.org/10.1016/j.marpolbul.2024.116914
Puttipipatkajorn, A., & Puttipipatkajorn, A. (2024). Development of low-cost portable spectrometer equipped with
18-band spectral sensors using deep learning model for evaluating moisture content of rubber sheets. Smart
Agricultural Technology, 9. https://doi.org/10.1016/j.atech.2024.100562
Qian, H., Bao, N., Meng, D., Zhou, B., Lei, H., & Li, H. (2024). Mapping and classification of Liao River Delta
coastal wetland based on time series and multi-source GaoFen images using stacking ensemble model.
Ecological Informatics, 80. https://doi.org/10.1016/j.ecoinf.2024.102488
Qiao, K., Zhu, W., Xie, Z., Wu, S., & Li, S. (2024). New three red-edge vegetation index (VI3RE) for crop
seasonal LAI prediction using Sentinel-2 data. International Journal of Applied Earth Observation and
Geoinformation, 130. https://doi.org/10.1016/j.jag.2024.103894
Qu, C., Li, P., & Zhang, C. (2021). A spectral index for winter wheat mapping using multi-temporal Landsat
NDVI data of key growth stages. ISPRS Journal of Photogrammetry and Remote Sensing, 175, 431–447.
https://doi.org/10.1016/j.isprsjprs.2021.03.015
Rahman, G., Kim, J. Y., Kim, T. W., Park, M., & Kwon, H. H. (2025). Spatial and temporal variations in
temperature and precipitation trends in South Korea over the past half-century (1974–2023) using
innovative trend analysis. Journal of Hydro-Environment Research, 58, 1–18.
https://doi.org/10.1016/j.jher.2024.11.002
Recuero, L., Maila, L., Cicuéndez, V., Sáenz, C., Litago, J., Tornos, L., Merino-de-Miguel, S., & Palacios-Orueta,
A. (2023). Mapping Cropland Intensification in Ecuador through Spectral Analysis of MODIS NDVI Time
Series. Agronomy, 13(9). https://doi.org/10.3390/agronomy13092329
Ren, Y., Zhang, F., Zhao, C., & Cheng, Z. (2023). Attribution of climate change and human activities to vegetation
NDVI in Jilin Province, China during 1998–2020. Ecological Indicators, 153.
https://doi.org/10.1016/j.ecolind.2023.110415
Roznik, M., Boyd, M., & Porth, L. (2022). Improving crop yield estimation by applying higher resolution satellite
NDVI imagery and high-resolution cropland masks. Remote Sensing Applications: Society and
Environment, 25. https://doi.org/10.1016/j.rsase.2022.100693
RYU, J. H., OH, D., & CHO, J. (2021). Simple method for extracting the seasonal signals of photochemical
reflectance index and normalized difference vegetation index measured using a spectral reflectance sensor.
Journal of Integrative Agriculture, 20(7), 1969–1986. https://doi.org/10.1016/S2095-3119(20)63410-4
Saha, K. K., Weltzien, C., Bookhagen, B., & Zude-Sasse, M. (2024). Chlorophyll content estimation and ripeness
detection in tomato fruit based on NDVI from dual wavelength LiDAR point cloud data. Journal of Food
Engineering, 383. https://doi.org/10.1016/j.jfoodeng.2024.112218
Sandonís-Pozo, L., Oger, B., Tisseyre, B., Llorens, J., Escolà, A., Pascual, M., & Martínez-Casasnovas, J. A.
(2024). Leafiness-LiDAR index and NDVI for identification of temporal patterns in super-intensive almond
orchards as response to different management strategies. European Journal of Agronomy, 159.
https://doi.org/10.1016/j.eja.2024.127278
Sapkota, A., Roby, M., Peddinti, S. R., Fulton, A., & Kisekka, I. (2024). Comparative analysis of
evapotranspiration (ET), crop water stress index (CWSI), and normalized difference vegetation index
(NDVI) to delineate site-specific irrigation management zones in almond orchards. Scientia Horticulturae,
339. https://doi.org/10.1016/j.scienta.2024.113860
Sayre, R., Frye, C., Breyer, S., Roehrdanz, P. R., Elsen, P. R., Butler, K., Brown, C., Cress, J., Karagulle, D.,
Martin, M., Sangermano, F., Smyth, R. L., Sohl, T. L., Wolff, N. H., Wright, D. J., & Wu, Z. (2024).
Potential 2050 Distributions of World Terrestrial Ecosystems from Projections of Changes in World Climate
Regions and Global Land Cover. Global Ecology and Conservation, e03370.
https://doi.org/10.1016/j.gecco.2024.e03370
Recursos Naturales Producción y Sostenibilidad
Artículo científico: Evaluación Espacio temporal de la cobertura vegetal mediante imágenes satelitales landsat 8
en la Universidad Técnica de Cotopaxi, Campus Salache entre los Años 2015 al 2024
Publicación Semestral. Vol. 4, No 1, enero – junio 2025, Ecuador (p. 131-151)
151
Shammi, S. A., & Meng, Q. (2021). Use time series NDVI and EVI to develop dynamic crop growth metrics for
yield modeling. Ecological Indicators, 121. https://doi.org/10.1016/j.ecolind.2020.107124
Sharma, N., Bhattacharjee, S., Garg, R. D., Sharma, K., & Salim, M. (2024). Sustainable management and
agriculture resource technology system using remote sensing descriptors and IoT. Geomatica, 76(2).
https://doi.org/10.1016/j.geomat.2024.100040
Sorkhabi, O. M. (2024). An LSTM deep learning framework for history-based tornado prediction using
meteorological data and damage assessment using NDVI anomalies. Results in Earth Sciences, 2, 100040.
https://doi.org/10.1016/j.rines.2024.100040
Sotille, M. E., Bremer, U. F., Vieira, G., Velho, L. F., Petsch, C., & Simões, J. C. (2020). Evaluation of UAV and
satellite-derived NDVI to map maritime Antarctic vegetation. Applied Geography, 125.
https://doi.org/10.1016/j.apgeog.2020.102322
Tian, J., Su, S., Tian, Q., Zhan, W., Xi, Y., & Wang, N. (2021). A novel spectral index for estimating fractional
cover of non-photosynthetic vegetation using near-infrared bands of Sentinel satellite. International Journal
of Applied Earth Observation and Geoinformation, 101. https://doi.org/10.1016/j.jag.2021.102361
Trevisiol, F., Mandanici, E., Pagliarani, A., & Bitelli, G. (2024). Evaluation of Landsat-9 interoperability with
Sentinel-2 and Landsat-8 over Europe and local comparison with field surveys. ISPRS Journal of
Photogrammetry and Remote Sensing, 210, 55–68. https://doi.org/10.1016/j.isprsjprs.2024.02.021
Wang, Z., Wang, Y., Liu, Y., Wang, F., Deng, W., & Rao, P. (2023). Spatiotemporal characteristics and natural
forces of grassland NDVI changes in Qilian Mountains from a sub-basin perspective. Ecological Indicators,
157. https://doi.org/10.1016/j.ecolind.2023.111186
Wu, S., Zhang, Y., & Kang, W. (2024). Employing NDVI as vegetation correction variable to improve soil
moisture measurements of mobile cosmic-ray neutron sensor near the Qilian Mountains. Geoderma, 441.
https://doi.org/10.1016/j.geoderma.2023.116764
Xu, Y., Dai, Q. Y., Lu, Y. G., Zhao, C., Huang, W. T., Xu, M., & Feng, Y. X. (2024). Identification of ecologically
sensitive zones affected by climate change and anthropogenic activities in Southwest China through a
NDVI-based spatial-temporal model. Ecological Indicators, 158.
https://doi.org/10.1016/j.ecolind.2023.111482
Yang, J., Yan, D., Yu, Z., Wu, Z., Wang, H., Liu, W., Liu, S., & Yuan, Z. (2024). NDVI variations of different
terrestrial ecosystems and their response to major driving factors on two side regions of the Hu-Line.
Ecological Indicators, 159. https://doi.org/10.1016/j.ecolind.2024.111667
Yao, B., Gong, X., Li, Y., Li, Y., Lian, J., & Wang, X. (2024). Spatiotemporal variation and GeoDetector analysis
of NDVI at the northern foothills of the Yinshan Mountains in Inner Mongolia over the past 40 years.
Heliyon, 10(20). https://doi.org/10.1016/j.heliyon.2024.e39309
Zhang, K., Zhu, C., Li, J., Shi, K., & Zhang, X. (2024). Reconstruction of dense time series high spatial resolution
NDVI data using a spatiotemporal optimal weighted combination estimation model based on Sentinel-2 and
MODIS. Ecological Informatics, 82. https://doi.org/10.1016/j.ecoinf.2024.102725
Zhao, C., Pan, Y., Ren, S., Gao, Y., Wu, H., & Ma, G. (2024). Accurate vegetation destruction detection using
remote sensing imagery based on the three-band difference vegetation index (TBDVI) and dual-temporal
detection method. International Journal of Applied Earth Observation and Geoinformation, 127.
https://doi.org/10.1016/j.jag.2024.103669
Zhihao, W., & Wei, F. (2024). UV-NDVI for real-time crop health monitoring in vertical farms. Smart
Agricultural Technology, 8. https://doi.org/10.1016/j.atech.2024.100462
