APLICACIÓN DE LAS IMÁGENES IRS-WiFS AL ANÁLISIS Y EVALUACIÓN DE DAÑOS PRODUCIDOS POR LA PROCESIONARIA DEL PINO (THAUMATOPOEA PYTOCAMPA DEN. & SCHIFF) EN LOS PINARES DE ANDALUCÍA ORIENTAL

I. INTRODUCCIÓN. Durante la década de los 70 empezó a registrarse un proceso de degradación de los bosques europeos, cuyo origen es aún incierto. Esta situación se agravó a partir de 1990, cuando se inició un proceso de decaimiento generalizado. Las masas de coníferas parecen haber acusado más este fenómeno, mientras que las masas de frondosas no mostraron inicialmente síntomas tan evidentes. No obstante, en ambos casos este fenómeno de debilitación de la vegetación acaba propiciando la entrada posterior de plagas, enfermedades u otros agentes que pueden desequilibrar el ecosistema forestal. A partir de 1990 el proceso de decaimiento ha sido continuo, y desde 1993 la tendencia al empeoramiento fue más acusada, alcanzándose el máximo deterioro en 1995, con una grave incidencia tanto sobre frondosas como coníferas, y empezando un lento proceso de recuperación en 1996. El proceso de degradación detectado presenta como características comunes las siguientes (Dgcona, 1996): Su aparición en zonas de muy diferentes condiciones geográficas y ecológicas. Una sintomatología común no muy clara, denominada genéricamente en la actualidad como decaimiento de masas forestales, que lleva asociada la presencia de defoliaciones y cambios de color en las hojas en la mayoría de las ocasiones, y la proliferación de agentes patógenos considerados como saprófitos o semisaprófitos. Respecto a los factores que desencadenan el proceso de decaimiento son numerosas las hipótesis aportadas por diversos estudios (Fernández Cancio, 1999; Navarro et al., 2000). Se puede afirmar que el decaimiento de las masas forestales no se puede atribuir a una sola causa, y son muchos los factores que intervienen en mayor o menor grado dependiendo de cada sitio. Entre las causas desencadenantes de los procesos de seca se encuentran factores bióticos, abióticos y antrópicos. Las alteraciones sufridas por el clima en los últimos años (largos periodos de sequía y aumento de la temperatura estival), con un claro reflejo en el empeoramiento del estado de las coberturas vegetales, parecen ser importantes indicios de la existencia de un cambio climático. Autores como Ruíz del Castillo (1995), Allué (1995), Camara (1996), Pita (1995), y Fernández-Cancio (1999) han analizado la evolución del clima a lo largo de la historia con la intención de comprobar esta afirmación, ya que puede que sólo nos encontremos ante anomalías climáticas normales dentro de la variabilidad climática general (Núñez, 1994). Sin embargo, la cada vez más generalizada opinión de que estamos ante un cambio climático, debe hacernos pensar que la situación futura en muchas áreas de nuestro país tendrán una tendencia al aumento de la aridez, acompañada de una mayor irregularidad climática (Allué, 1995; Camara, 1996; Fernandéz-Cancio, 1999). Esta situación parece confirmarse por la evolución del clima en las últimas décadas, dándose una alternancia de sequías (1980-1982/1990-1995), y periodos de precipitaciones abundantes y concentradas (1989/1996-1998). Todo lo anterior puede hacernos pensar que en los próximos años asistiremos a eventos de sequía mas o menos prolongados que pueden actuar como nuevos detonantes del proceso de seca del arbolado. La Red Europea de seguimiento de daños en los bosques (Montoya, 1995; OAPN 1998) controla los daños en los montes españoles, su importancia desde 1994 en nuestras masas forestales, daños que van desde el debilitamiento a la muerte de la vegetación (más del 50% de parcelas afectadas del total de puntos considerados). En 1995 se registraron daños aún más acusados que en el año anterior (debido a la persistencia de la sequía), como demuestra el trabajo de la Unión Europea (1996) sobre el estado de los bosques en Europa. Todos estos trabajos parecen confirmar que la sequía es el agente detonador más importante dentro del proceso de decaimiento que ha venido sufriendo el arbolado en España. La situación general del arbolado hace que los bosques sean especialmente sensibles al ataque de plagas y enfermedades. El mal estado de la masa, acompañado de un debilitamiento generalizado (estrés hídrico, pérdida de masa foliar, colapso de los tejidos conductores, etc.) reduce la capacidad de defensa de las plantas, y crea unas condiciones óptimas para el acceso de agentes ejecutores a muchas de ellas. En el caso concreto de las masas de coníferas se conoce desde hace tiempo la incidencia de numerosas plagas que de forma periódica producen daños generalizados. En Andalucía la plaga que presenta una mayor incidencia sobre coníferas es la procesionaria del pino (Thaumetopoea pityocampa Den. & Schiff.). La importancia que han adquirido los problemas de decaimiento de masas forestales en Andalucía, tanto en masas de frondosas (Quercus spp), como de coníferas (Pinus spp), justifican la necesidad de elaborar procedimientos de evaluación del estado sanitario de las masas de forma sistemática basados en la Teledetección y en los Sistemas de Información Geográfica. El potencial de estos medios permite obtener una información que hace posible un análisis global de los procesos de decaimiento recurrentes sobre grandes superficies forestales. II. ANTECEDENTES Son numerosos los estudios en los que se analiza el empleo de imágenes de satélite en la evaluación y seguimiento de los procesos de decaimiento, simplemente mediante la interpretación visual de las mismas (Ciesla et al. 1989) o buscando una relación entre la respuesta espectral de la vegetación y el grado de afectación (que se manifiesta a través de los grados de decoloración o defoliación) (Hagner & Rigina, 1998, Price et al 1998). Dentro del área mediterránea la defoliación tiene un valor más indicativo del estado de salud de la masa forestal que la decoloración, la cual se encuentra afectada en multitud de ocasiones por las propias condiciones de estación. Aceptando que la defoliación es el parámetro más adecuado para el seguimiento del decaimiento de las masas forestales, es necesario establecer un índice radiométrico que pueda caracterizar adecuadamente este fenómeno. Varios autores han estudiado los efectos espectrales del decaimiento de masas forestales. Generalmente, el efecto difiere considerablemente entre los tres espectros dominantes de interés, que son el visible (400-700 nm), el infrarrojo cercano (700-1300 nm), y el de onda corta (1300-2500 nm). En el espectro visible la mayor parte de la radiación es absorbida por los pigmentos de las hojas, tales como la clorofila, xantofila, caroténidos y antocianinas (Guyot et al 1989, Blackburn, 1998). El efecto de una disminución en el contenido de clorofila de las hojas (clorosis), es por tanto bastante evidente. Sin embargo, solo el 10% de la radiación visible es reflejada por las hojas, lo cual implica que cuando hay una variación de color en las hojas, la disminución en radiación absorbida es también pequeña. Esto hace que las variaciones de radicación visible absorbida/reflejada debida a la decoloración puedan contrarrestarse con cambios en otras características, como las condiciones del sensor, los cambios fenológicos, etc. Si ocurre una clorosis, el efecto puede ser más evidente en la zona azul y roja del espectro (Ekstrand, 1990, Koch et al 1990), traduciéndose en un incremento de la radiación visible reflejada en el azul, una disminución en el verde, y un incremento pronunciado en el rojo, tal y como ha sido observado por varios autores (Rock et al 1986; Hoque et al, 1988; Koch et al 1990; Hagner y Rigina, 1998). Por otro lado, numerosos trabajos con información procedente de satélites, sensores aerotransportados, fotogrametría y trabajos de campo han mostrado que los valores de radiación infrarroja cercana (NIR) disminuyen con una defoliación elevada (Koch et al 1990). Aproximadamente el 50% de la radiación NIR incidente es reflejada por las hojas, lo cual significa que una perdida de hojas tiene un efecto bastante importante sobre los valores de radiación. De todo lo anterior puede deducirse que el único efecto consistente del decaimiento de masas forestales, en aquellos casos donde la clorosis no es evidente, es la caída de la reflectividad en la región NIR. Hay que tener presente una serie de características de las masas forestales que pueden influir significativamente en la reflectividad de una forma equivalente, o incluso mayor que una defoliación moderada; por ejemplo: la especie, la densidad, el sotobosque o la edad (Leckie,1987): 1. En masas continuas de coníferas, las condiciones de estructura y composición pueden caracterizarse como un continuo que evoluciona fundamentalmente con la edad de la masa. Igual ocurre en masas forestales con una estructura simple, y que tengan un dosel homogéneo. Por el contrario, las masas mixtas de frondosas suelen tener, por su origen y su estado actual, estructuras mucho más complejas, donde el área basimétrica, la densidad, o la fracción de cabida cubierta son mucho más variables. 2. Un segundo factor importante a considerar es la presencia de sotobosque. El efecto puede ser bastante importante no sólo cuando tenemos masas huecas, sino también cuando los valores de fcc se encuentran en porcentajes medios, 30-70%. 3. El efecto de la edad también desempeña un papel importante que ha sido indicado por varios autores (Koch et al 1990), lo que supone que los estudios de decaimiento deben tener en cuenta una estimación de la edad de las masas. No obstante, debe tenerse en cuenta que la edad afecta fundamentalmente a través de las variaciones en la estructura. 4. Finalmente, las prácticas culturales también pueden dar lugar a interpretaciones erróneas de las variaciones de reflectividad, por lo que un adecuado control de dichas variaciones puede ayudar a interpretar mejor los resultados obtenidos. Fig. 1: Distribución de los rodales de procesionaria Andalucia oriental con indicación del nivel de daños (fuente: CMA - Tragsatec, 1999). Respecto a la época más adecuada para discriminar características de la vegetación a partir de información procedente de imágenes de satélite, ésta suele coincidir con las fechas del verano, dado que es entonces cuando las masa pueden presentar una mayor variación de la superficie foliar, debida a cambios en su estado sanitario o de vigor y no a cambios fenológicos importantes (Curran et al 1992; Ekstrand, 1990; Ekstrand 1994, Fassnacht et al 1997). Sin embargo, esto no es así en el caso de las masas afectadas por procesionaria, ya que los daños se concentran fundamentalmente durante el final del invierno (enero a marzo), aconsejando la utilización de imágenes correspondientes a estas fechas para el caso particular de esta aplicación. Sobre la base de estos antecedentes, el objetivo general del presente trabajo es conocer la distribución espacial y la evolución temporal del estado sanitario de los ecosistemas forestales dominados por especies del genero Pinus de Andalucía oriental, mediante el empleo de información procedente de imágenes del satélite IRS - WiFS. IV. MATERIAL Y MÉTODOS 4.1. Inventario de daños de procesionaria en Andalucía. La información básica de los daños producidos por la procesionaria en Andalucía se han obtenido del Plan de Lucha Integrada Contra la Procesionaria del pino realizado por la Consejería de Medio Ambiente de la Junta de Andalucía (Carrasco, 1999). El Plan dio comienzo en el año 1991 en los espacios protegidos y desde el año 1994 en todas las masas de pinar gestionadas por la CMA. El objetivo fundamental de este Plan es establecer una sistemática en todo el proceso de seguimiento y control de la plaga de procesionaria, que permita una planificación lo mas correcta posible de los tratamientos. Para establecer la sistemática en la toma de datos y en la precisión de los tratamientos, se apoya en una unidad básica denominada rodal de procesionaria, que se define como la zona del territorio donde la procesionaria se comporta de manera uniforme y cuya dinámica se diferencia de poblaciones vecinas. El número total de rodales en que esta dividida la superficie de pinar en Andalucía es de 3217 (Figura 1). En 1999 se han tomado datos sobre 3157 rodales. Tabla 1. Niveles de infestación con arreglo a la clasificación de Montoya et al, 1998. De cada uno de los rodales de procesionaria se toman los siguientes bloques de información: datos del ecosistema tales como los parámetros de identificación, datos selvícolas, datos fisiográficos, y datos de la población de procesionaria (se toman anualmente datos del grado de infestación en cada uno de los rodales, Tabla 1). Desde la puesta en marcha del Plan de Lucha se mantienen los siguientes resultados: Zonificación de todas las masas de pinar de la Comunidad Autónoma, conociendo el estado actual de la plaga y su evolución desde 1992. Propuestas de tratamiento desde el año 1993 y obtención de cartografía a escala 1:50.000 de toda la superficie de pinar de Andalucía, que recogen información sobre el estado de la plaga y los tratamientos efectuados. En 1999 se han recogido datos de daños sobre un total de 631.029 ha de pinar, que revelan que más de un 75% de la superficie se encuentra en niveles de infestación 1. El porcentaje ocupado por el grado de infestación 2 representa un 12% del total, así mismo resulta significativo el porcentaje de superficie ocupado por el nivel 3 que supone el 7%. Los niveles de infestación 4 y 5 representan un porcentaje elevado pues la superficie ocupada por ambos supone un 5% respecto del total. La estimación de daños reales (verdad terreno) se ha realizado mediante la digitalización de cada rodal de procesionaria sobre la cartografía 1:50.000. De esta manera para cada parcela inventariada se ha obtenido una representación georreferenciada lo más correcta posible, asociada a la cartografía básica en el ámbito andaluz. Esta información se ha incorporado a un SIG (Arc/Info), lo que permite, una vez asociada la representación cartográfica a las bases de datos, tratar y clasificar las imágenes de satélite. 4.2.Aplicación de imágenes IRS-WiFS al análisis y evaluación de los daños producidos por la procesionaria del pino. La fuente de información espectral corresponde a una imagen de marzo del sensor WiFS. Las características espectrales y espaciales de las imágenes proporcionadas por el satélite indio IRS-1C son de especial interés para estudios sobre vegetación a escala regional: ancho de exploración (810 km), resolución espacial (180 m) y espectral, con dos bandas, centradas en el rojo (R: 0.62-0.68 nm) y en el infrarrojo cercano (NIR: 0.77-0.86 nm). A partir de la información de los daños producidos se ha procedido a una clasificación supervisada de la zona de interés, obtenida a partir de una máscara de las masas de pinar de Andalucía oriental derivada del Mapa Forestal de España (Ruíz de la Torre, 1990). La opción del método supervisado responde a la existencia de un detallado trabajo de campo para la zona de estudio, y por situarse la misma en un medio mediterráneo que por su variabilidad, podría llevar, en el caso de optar por el método no supervisado, a multitud de clases espectrales que complicarían notablemente la fase de asignación. Conviene tener en cuenta el tamaño y la distribución más idónea de la muestra. En cuanto al tamaño de la muestra se ha seguido el criterio de diversos autores que recomiendan un número de pixeles entre 10 N y 100 N por categoría, siendo "N" el número de bandas utilizadas en la clasificación. Se optó por elegir distintas zonas de entrenamiento de pequeño tamaño y distribución homogénea por clases, teniendo en cuenta la variabilidad espacial de cada categoría. Siguiendo estas recomendaciones se ha optado por un tamaño mínimo de 1 hectárea para cada uno de los polígonos de entrenamiento, según la metodología propuesta por San Miguel y Biging (1996). Antes de abordar el proceso de clasificación propiamente dicho, se ha evaluado la viabilidad de las categorías seleccionadas para clasificar. Para este propósito se ha recurrido a los criterios numéricos, que mediante criterios cuantitativos permiten evaluar la posibilidad de discriminar las distintas categorías. Estos mismos criterios se emplean, además, como medidas para seleccionar la combinación de bandas que ofrece una separabilidad global óptima. Para nuestro trabajo se ha utilizado como índice de separabilidad estadística la Distancia de Jeffries-Matusita (JM), aprovechando que las fórmulas utilizadas para calcular la separabilidad de estos índices están orientadas al Clasificador de Máxima Probabilidad (Maximum Likelihood Clasifier), que ha sido el método elegido para llevar a cabo las asignaciones (Chuvieco, 1990) donde cada uno de los píxeles de la imagen es adscrito a una de las clases de la leyenda de trabajo. Según lo expuesto, estos índices proporcionan una idea de la precisión de la clasificación a realizar dependiendo de las bandas seleccionadas. El clasificador de Máxima Probabilidad es el que proporciona mayor robustez y ajuste a la disposición original de los datos. Se trata de un método paramétrico, pues considera que los histogramas de cada clase se ajustan a una distribución normal, permitiendo describir cada categoría por una función de probabilidad a partir de su vector de medias y su matriz de varianza-covarianza. Para esta experiencia se ha trabajado con la banda del rojo, la del infrarrojo y con el Índice de Vegetación Normalizado NDVI (NIR–R / NIR+R), de modo independiente con la intención de identificar que región del espectro explorada por este sensor se muestra más sensible en este tipo de aplicación. El producto final de la clasificación será un mapa temático donde la zona de estudio se encuentra dividida en unidades espaciales coherentes con la leyenda de trabajo. Asumir que el producto obtenido es completamente fiable sería una equivocación, pues a toda clasificación va ligada a un cierto error en función de la calidad de los datos o de lo riguroso del método empleado. Por ello es obligado aplicar algún método verificador que permita valorar la calidad final del trabajo y las posibilidades reales de aplicación. Se ha estimado la exactitud alcanzada con la clasificación comparando los mapas temáticos obtenidos con los generados a partir del trabajo de campo. La comparación entre la cobertura real (puntos de control no coincidentes con las áreas de entrenamiento) y la deducida de la clasificación se ha hecho a través de la Matriz de Error o Matriz de Confusión, asignando la fiabilidad a partir de la fiabilidad global, la fiabilidad del usuario y del productor, y del índice Kappa (k). V. RESULTADOS Y DISCUSIÓN Los resultados de este trabajo permiten analizar la valía de la banda NIR, superior al rojo y al ndvi en las distintas clasificaciones realizadas, en la discriminación y evaluación de daños producidos por procesionaria, así como estudiar la fiabilidad de las cartografías de daños generadas. Tabla 2. Descripción estadística del proceso de clasificación digital para 6 clases. Tabla 3. Indice de separabilidad estadística interclase JM (0-1414). Media = 405 El NIR presenta una buena evolución en el patrón de distribución de los valores centrales por clase, observándose una progresiva disminución a medida que aumenta el nivel de infestación con la excepción de los dos primeros niveles, donde se invierte la relación (Tabla 2). Atendiendo a los valores de dispersión, se observa que las categorías se solapan entre ellas, sin que el índice de separabilidad estadística JM indique una capacidad para distinguir adecuadamente los niveles de daño (Tabla 3). Este índice presenta resultados análogos a los obtenidos en otros trabajos previos (Ekstrand, 1994), por lo que se ha procedido a una agrupación de categorías en tres clases con objeto de mejorar la separabilidad interclase: afectación baja (nivel de infestación 0, 1 y 2), afectación media (nivel de infestación 3) y afectación alta (nivel de infestación 4 y 5). Para esta clasificación, el NIR mejora el patrón de distribución de valores, observándose una progresiva disminución del valor a medida que aumenta el nivel de infestación (Tabla 4). Observando los valores de dispersión, se ve que sigue existiendo solapamiento entre categorías, a la vez que mejora el índice de separabilidad estadística JM (Tabla 5). Tabla 4. Descripción estadística del proceso de clasificación digital para 3 clases. Tabla 5. Indice de separabilidad estadística interclase JM (0-1414). Media = 495. Los resultados de este primer análisis parecen indicar la validez del NIR para el seguimiento del decaimiento de masas de coníferas afectadas de procesionaria. Sin embargo, parece difícil que se pueda discriminar entre todas las categorías consideradas (Montoya et al, 1998), dada la indefinición de los niveles de infestación bajos (nivel 1 y nivel 2), donde todavía los daños tienen patrones de distribución periféricos a la masa, sin producir grandes defoliaciones, aunque sí parece que hay una variación, mínima, en la respuesta espectral. Utilizando la banda del NIR, a partir de sus signaturas espectrales para 6 y 3 niveles de infestación, se ha procedido a generar la cartografía de infestación del conjunto de los pinares de la zona oriental de Andalucía (Figura 2 y Figura 3). Figura 2: Clasificación Supervisada para 6 niveles de infestación de los pinares de Andalucía oriental. Figura 3: Clasificación Supervisada para 3 niveles de infestación de los pinares de Andalucía oriental. La validación de esta cartografía se ha realizado a partir de un conjunto de puntos seleccionados al azar. Como se observa en la matriz, la Fiabilidad Global de la clasificación considerando todas las categorías de daños es del 30,00%, por lo que se puede afirmar que la cartografía obtenida es poco fiable (Tabla 6). Esta fiabilidad aumenta al 50,00 % con la reducción de clases a tres, que aunque mejora la clasificación anterior sigue siendo insuficiente (Tabla 7). En la tabla 6 y 7 se observa que los resultados más pobres de Fu y Fp (Fiabilidad del Usuario y del Productor) corresponden a las clases que presentan mayores problemas en la discriminación o con una representación superficial relativa muy pequeña, en particular con seis clases. Con el objetivo de analizar las múltiples relaciones entre las distintas clases, se ha utilizado el índice Kappa (k) de análisis categórico multivariante. Este índice calcula la diferencia entre el acuerdo mapa-realidad observado y el que cabría esperar simplemente por azar. Esto es, intenta delimitar el grado de ajuste debido sólo a la exactitud de la clasificación; prescindiendo del causado por efectos aleatorios. Valores de k próximos a 1 indican un acuerdo pleno entre la realidad y el mapa, mientras que los cercanos a 0 sugieren que dicho acuerdo es puramente debido al azar. Podemos afirmar que la cartografía generada tiene un bajo grado de acuerdo al terreno (k = 0.1716, y k = 0,2647). Los resultados ponen de manifiesto la dificultad de discriminar entre seis niveles de infestación, obteniéndose fiabilidades del usuario muy bajas en prácticamente todas las categorías (precisión global 30%, k = 0,1716). Al simplificar a tres categorías se logra un incremento notable de la precisión, logrando un valor de precisión global del 50,00% (k = 0,2647). Los resultados refuerzan el valor del NIR para el seguimiento del estado fitosanitario de masas forestales, en particular si se trabaja con niveles de infestación que homogeneicen categorías de daños que tengan un mayor reflejo en la defoliación de la masa. Tabla 6. Precisión total de la clasificación y estadístico Kappa para 6 clases NOTA: 40 puntos de control de distribución aleatoria por estratos. Tabla 7. Precisión total de la clasificación y estadístico Kappa para 3 clases NOTA: 40 puntos de control de distribución aleatoria por estratos. Las causas que dan lugar a la pérdida de fiabilidad y, por tanto, orientan en las posibles mejoras, pueden agruparse en tres tipos: Errores cometidos en el trabajo de campo, dada la dificultad de identificar con precisión los rodales de procesionaria (escala de referencia 1:50.000), al interior de los cuales la distribución de daños tampoco es homogénea. Esta situación da lugar a una gran dispersión de los valores obtenidos en las áreas de entrenamiento. En próximas campañas debería trabajarse con puntos de control de menor entidad superficial, que presenten una gran homogeneidad de daños y que estén georreferenciadas con mayor precisión (escala de referencia 1:10.000 y uso de GPS). 1.Errores cometidos por el enfoque global del problema que afecta a las distintas formaciones de pinar, sin considerar un tratamiento individualizado según masas monoespecíficas (P. halepensis, P. pinaster, P. pinea, P. sylvestris y P. nigra) e incluso mixtas, que por sus diferentes características estructurales (tanto horizontal como vertical) presentan distintos patrones de respuesta espectral, añadiendo un extra de confusión espectral a la causada por una leyenda que no permite una discriminación óptima según niveles de infestación. 2.Tratamiento insuficiente de la imagen, debido a la normalización de las mismas, o bien por la ausencia de correcciones previas recomendadas en la literatura. La transformación de la imágenes a reflectividad y la consideración del factor de corrección topográfico (Ekstrand, 1994) posiblemente mejoren la precisión de las clasificaciones, siempre que se mantenga un nivel mínimo de agrupación de las mismas. A modo de conclusión, puede derivarse de este trabajo la adecuación de las imágenes IRS-WiFS como una fuente de información útil para el seguimiento del estado fitosanitario de los ecosistemas dominados por coníferas en Andalucía, en particular la banda del infrarrojo próximo (NIR). La simplificación de las categorías de infestación, un trabajo más preciso de asignación de las áreas de entrenamiento, la corrección de las imágenes, así como un posible seguimiento multitemporal del fenómeno (2 ó 3 fechas) según distintas metodologías en detección de cambios (Häme y San Miguel-Ayanz, 1998) como los producidos por plagas y enfermedades en masas forestales, puede permitir obtener valores de precisión adecuados para la planificación de actuaciones selvícolas y de control fitosanitario necesarios para mejorar el estado forestal de las masas. AGRADECIMIENTOS Este trabajo ha sido posible gracias al Convenio Desarrollo de modelos de evaluación de la regeneración para cubiertas de vegetación después de un incendio. Análisis y evaluación del estado fitosanitario de la vegetación natural mediante sensores remotos, entre la Consejería de Medio Ambiente de la Junta de Andalucía (Servicio de Evaluación de Recursos Naturales y Servicio de Gestión del Medio Natural) y E.T.S.I. Agrónomos y Montes de la Universidad de Córdoba (Dpto. de Ing. Rural-Unidad de Silvopascicultura y Restauración de Ecosistemas) para la aplicación de imágenes Irs-Wifs en la estimación de daños producidos por agentes fitopatológicos, con el fin de facilitar la evaluación del nivel de afectación y la evolución de los daños. BIBLIOGRAFIA Allué, J.L.. 1995. El cambio climático y los montes españoles. Cuadernos de la SECF 2 : (35-74). Blackburn, G. 1998. Spectral indices for estimating photosynthetic pigment concentrations using a test senectent tree leaves. International Journal of Remote Sensing, Vol. 19, Nº 4: (657-675). Camara, A.. 1996. Comportamiento y posibles aplicaciones de Pinus halepensis Mill en España, frente al cambio climático. Cuadernos de la SECF. Carrasco, 1999. Informe de la situación de la procesionaria del pino (Thaumatopoea pytocampa Den. & Schiff.) en Andalucía. XVI Reunión del grupo de trabajo fitosanitario de forestales, parques y jardines. Consejería de Agricultura y Pesca. Junta de Andalucía. Ciesla, W.M., Dull C.W., y Acciavati, R.E. 1989. Interpretation of SPOT-1 Color Composites for Mapping Defoliation on Hardwood Forests by Gypsy Moth. Photogrammetric Engineering and Remote Sensing Vol.55, No 10, October 1989, pp 1465-1470. Curran, P.J., Dungan, J.L., y Ghol, H.L. 1.992. Seasonal LAI in Slash Pine Estimated with Landsat TM. Remote sensing of environment 39: (3-13). Chuvieco, E. 1990. Fundamentos de teledetección espacial. Ediciones RIALP. Madrid, 453pp. Dgcona 1996. Inventario UE-ECE de daños forestales (IFD) en España. Red Europea de daños en bosques Nivel I. Resultado del muestreo de 1996. Ecología Nº 10 (185-208). Ekstrand, S. 1990. Detection of moderate damage on Norway spruce using LANDSAT TM and digital data. IEEE Transactions on. Geoscience and Remote Sensing 28: (685-692). Ekstrand, S. 1994. Assessment of forest damage with LANDSAT-TM: correction for varying forest stand characterstics. Remote Sensing of Environment 47: (291-302). Fassnatch, K.S. et al., 1997. Estimating the Leaf Area Index of North Central Wisconsin Forest Using the landsat Thematic Mapper Remote Sensing of Environment. 61: (229-245). Fernández Cancio, A. 1999. Informe sobre la seca en 1999. Informe INIA remitido al MAPA. 20 pp. Guyot, G., Guyon, D. y Riom, J. 1989. Factors affecting the spectral response of forest canopies a review. Geocarto International. 3: (3-18). Hagner, O., y Rigina, O. 1998. Detection of forest decline in Monchegorsk Area. Remote Sensing of Environment. 63: (11-23). Häme, T., y San Miguel-Ayanz, J. 1998. An unsupervised change detection and recognition system for forestry. International Journal of Remote Sensing. 6: (1079-1099). Hoque, E. 1988. Relationship between discoloration and histological changes in leaves of trees affected by forest decline. Remote Sensing of Environment.. 26: (171-184). Koch, B., Ammer, U., Schmneider, T., y Wittmeier, H., 1990. Spectroradiometer measurements in the laboratoty and in the field to analyse the influence of differente damage symtomps on the reflection spectra of forest tree. International Journal of Remote Sensing. 1: (1145-1163). Leckie, D.G. 1987 Factors affecting defoliation assessment using airborne multispectral scanner data. Photogrammmetric Engineering and Remote Sensing. 6: (697-716). Montoya, R. 1995. Red de seguimiento de daños en los montes. Daños originados por la sequía en 1994. Actas del Seminario sobre deterioro de los montes y cambio climático. Madrid. pp. 77-83. Montoya, R. y Arias, M. 1998. La red europea de seguimiento de daños en los bosques (Nivel I). España 1987-1996. MAPA. 555 pp. Navarro, R.M. 2000. Desarrollo de modelos de evaluación de daños producidos por la seca de especies del género Quercus L. en Andalucía. Propuestas de solución. Informe previo Año 2000. ETSIAM Córdoba. Núñez, M. 1994. ¿Cambio climático?. I Curso sobre desertificación. ETSIAM Córdoba. OAPN, 1998. La red europea de seguimiento de daños en los bosques (Nivel I). España 1987-1996. Organismo Autónomo de Parques Nacionales. Madrid. Pita, M.F. 1995. Las sequías: análisis y tratamientos. Junta de Andalucía. Consejería de Media Ambiente. Price, K. y Jakubauskas, M. 1998. Spectral retrogression and insect damage in lodgepole pine successional forest. International Journal of Remote Sensing. 19, Nº 8: (1627-1632). Rock, B. 1986. Remote detection of forest damage. Bioscience 36: (439-445). Ruíz de la Torre, J. 1990. Mapa Forestal de España. ICONA. Ruíz del Castillo, J. 1995. Los cambios climáticos en la perpectiva de los últimos cinco milenios. Cuadernos de la SECF. 2: (9-20). San Miguel-Ayanz, J., y Biging, G.S. 1996. An iterative classification approach for mapping natural resources from satellite imagery. International Journal of Remote Sensing. 17. UE, 1996. Estado de los bosques de Europa. CEC-CEPE. Bruxelas.