https://doi.org/10.61236/renpys.v4i1.1037
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. 75-88)
Publicación Semestral. Vol. 4, No. 1, enero - junio 2025, Ecuador (p. 75-88). 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
1
Universidad 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
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
IDs Orcid:
Alex Mauricio Chicaiza Tipanguano: https://orcid.org/0009-0005-1157-2930
David Santiago Carrera Molina: https://orcid.org/0000-0002-4808-7358
75
Chicaiza A., Carrera D.
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
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
(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.
76
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. 75-88)
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 y 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.
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);
77
Chicaiza A., Carrera D.
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).
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 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
78
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. 75-88)
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).
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 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 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).
79
Chicaiza A., Carrera D.
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 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 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).
80
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. 75-88)
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 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.
81
Chicaiza A., Carrera D.
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.
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
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,
82
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. 75-88)
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 actual 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.
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
83
Chicaiza A., Carrera D.
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
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.2024.1100
22
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,
84
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. 75-88)
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
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
85
Chicaiza A., Carrera D.
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.2024.114
817
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
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.2024.11691
4
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
86
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. 75-88)
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
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 systems 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 sensors near the Qilian
Mountains. Geoderma, 441.
https://doi.org/10.1016/j.geoderma.2023.1167
64
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
87
Chicaiza A., Carrera D.
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
88
