Estimación de parámetros de calidad del agua del Lago de Maracaibo a partir de imágenes del satélite venezolano Miranda (VRSS-1).

Departamento de Física de la Tierra y Termodinámica Máster Oficial en Teledetección 2015-2016 Estimación de parámetros de calidad del agua del Lago de Maracaibo a partir de imágenes del satélite venezolano Miranda (VRSS-1). Trabajo de Fin de Máster Esther P. Urrego de Márquez Valencia, España 2016

Estimación de parámetros de calidad del agua del Lago de Maracaibo a partir de imágenes del satélite venezolano Miranda (VRSS-1). Autor Esther P. Urrego de Márquez Director Jesús Delegido Gómez Trabajo de Fin de Máster Universidad de Valencia Departamento de Física de la Tierra y Termodinámica Máster Oficial en Teledetección Valencia, España Año 2016

Departamento de Física de la Tierra y Termodinámica Master Oficial en Teledetección D. Jesús Delegido Gómez Profesor del Máster en Teledetección de la Universitat de València DECLARA: Que la presente memoria ESTIMACIÓN DE PARÁMETROS DE CALIDAD DEL AGUA A PARTIR DE IMÁGENES DEL SATÉLITE VENEZOLANO MIRANDA (VRSS-1), ha sido realizada bajo mi dirección por D a. Esther P. Urrego de Márquez y constituye su Trabajo de Fin de Máster, dando el visto bueno para su presentación ante el Tribunal de Trabajo de Fin de Máster que corresponda. Y para que así conste, firmo la presente en: Burjassot, 6 de septiembre de 2016. Fdo.: JESÚS DELEGIDO GÓMEZ

Dedicatoria A Daniel, mi gran amor, mejor amigo y compañero en esta y otras tantas aventuras. A mis hermosas madres y mi hermoso padre, por apoyarme desde el inicio de esta nueva vida y confiar en mí. A mi hermano, a Vico y todos los míos, la distancia es grande, pero el amor todo lo puede. Sin ustedes, nada de esto hubiera sido posible.

Agradecimientos Al Dr. Jesús Delegido Gómez, primeramente por darme a conocer la existencia de este máster y segundo por ofrecerme la oportunidad de llevar a cabo este proyecto, brindándome su orientación, apoyo y confianza. Mis más sinceros respetos y admiración. A Antonio Ruiz-Verdú por sus enseñanzas, consejos, valiosos comentarios y gratificantes palabras de apoyo. A Carolina Tenjo, Marcela Pereira y Guiomar Guibaja por su gran colaboración. A Judit Borràs y a Gustavo Morassi por su preciada amistad y las experiencias vividas durante este recorrido.

Índice Dedicatoria... 2 Agradecimientos... 3 Índice... 4 Resumen... 5 1. Introducción... 6 2. Área de estudio... 10 3. Materiales y Metodología... 14 3.1 Venezuelan Remote Sensing Satellite... 14 3.2 Escenas en estudio... 15 3.3 Procesamiento de imágenes... 18 3.3.1 Corrección atmosférica... 18 3.4 Simulación HydroLight... 18 3.5 Índices espectrales... 20 4. Resultados y análisis... 21 4.1 Índices espectrales... 21 4.2 Mapas de variables... 24 4.3 Error de bandeado... 30 5. Conclusiones... 37 Bibliografía... 38 4

Resumen El satélite Miranda o Venezuelan Remote Sensing Satellite (VRSS-1) es el primer satélite de sensoramiento remoto de Venezuela, siendo este programa ejecutado en cooperación con la República Popular de China. Posee una banda espectral pancromática de 2,5 m de resolución espacial, tres bandas en el visible (Azul, Verde y Rojo) y una en el Infrarrojo cercano (IRC), estas cuatro de 10 m de resolución. Aunque la misión ha sido diseñada principalmente para aplicaciones cartográficas, urbanas y agrícolas, en este trabajo se pretende demostrar que también puede ser utilizado en el estudio de calidad de aguas continentales en el Lago de Maracaibo. El Lago de Maracaibo, situado en la zona nor-occidental de Venezuela, una de las de mayor riqueza petrolera, se conecta en su extremo norte con el Golfo de Venezuela. En el lago se descargan grandes cantidades de sustancias químicas y orgánicas altamente contaminantes. Además de los vertidos de la industria petroquímica, se aportan elementos provenientes de las explotaciones agrícolas, pecuarias e industriales y residuos urbanos, que han provocado la alta eutrofización del lago. En este trabajo se propone la estimación de parámetros biofísicos indicadores de la calidad del agua como la concentración de clorofila (Chl en mg/m 3 ), materia orgánica coloreada disuelta (CDOM en m -1 ), minerales (NAP en g/m 3 ) y transparencia (con profundidad de disco de Secchi, SD, en m), a partir de imágenes obtenidas con el VRSS-1 corregidas atmosféricamente. Para ello se ha obtenido un amplio conjunto de reflectividades simuladas mediante el modelo de transferencia radiativa Hydrolight-Ecolight, para combinaciones de parámetros de calidad del agua basados en estudios previos del Lago de Maracaibo. A partir de esta base de datos, se han probado diferentes índices, buscando las combinaciones de bandas del satélite que proporcionan mayor correlación. Para la clorofila, los índices que arrojaron los mejores resultados fueron el cociente simple (SR) o tipo NDVI, con una combinación de bandas IRC y Roja y un ajuste polinómico grado 3; para el CDOM, también se obtuvieron los mejores resultados con dichos índices, y una combinación de bandas IRC y Azul, con un ajuste lineal. Para la detección de minerales, la regresión simple con una banda, en este caso las bandas IRC y Roja, arrojó la mejor correlación, con una función polinómica grado 2 para el ajuste. En cuanto a SD, ésta se obtiene mediante el logaritmo de SD frente al logaritmo de la banda del IRC y un ajuste polinómico grado 2. En todos los casos se obtuvieron valores de R 2 superiores a 0,7. Finalmente se muestran mapas de las cuatro variables en estudio del Lago de Maracaibo obtenidas de imágenes VRSS-1. Palabras Claves: Calidad de aguas, CDOM, clorofila, eutrofización, índices espectrales, Lago de Maracaibo, minerales, Satélite Miranda, teledetección, transparencia, VRSS-1.. 5

1. Introducción La teledetección se basa en el fundamento físico de la interacción de la radiación electromagnética con las cubiertas terrestres, las cuales pueden absorber, reflejar o transmitir dicha energía, dependiendo de las características físicas y químicas del tipo de superficie y de factores ambientales al momento de la toma de la imagen. Con la información obtenida a partir de las imágenes satelitales, se pueden analizar grandes superficies de la Tierra, disminuyendo tiempos y costes operacionales. Esto incluye la posibilidad de investigar las cubiertas de agua, desde lagos pequeños hasta grandes masas oceánicas, considerándose como una alternativa eficaz para el estudio de dicho recurso natural. Uno de los principales indicadores de calidad de aguas continentales es la biomasa y la composición del fitoplancton. La concentración de clorofila se utiliza para estimar en forma indirecta el contenido de biomasa de las comunidades fitoplanctónicas, debido a que es el principal pigmento fotosintético presente en las algas (Gregor et al., 2004) siendo también un indicador del grado de contaminación de los ecosistemas acuáticos y un importante índice del estado fisiológico del fitoplancton (Pinto et al., 2001). En la actualidad, uno de los mayores problemas que poseen los ecosistemas de aguas continentales es la eutrofización, la cual se define como el enriquecimiento de las aguas superficiales con nutrientes para las plantas, particularmente nitratos y fosfatos. Aunque este proceso se produce en forma natural, normalmente está asociada a actividades antropogénicas que conllevan a una saturación de nutrientes. La eutrofización es el proceso de cambio de un estado trófico (relación entre el estado de nutrientes en un lago y el crecimiento de la materia orgánica en el mismo) a otro de nivel superior por adición de nutrientes, siendo la agricultura uno de los factores principales de eutrofización de las aguas superficiales (FAO, 1997), así como desagües de aguas residuales tanto residenciales como industriales. Todas éstas son fuentes de contaminación orgánica que al descomponerse sirven de alimentos a las bacterias, las cuales utilizan el oxígeno disuelto en el agua y oxidan la materia orgánica. El producto de la descomposición de las bacterias es dióxido de carbono, nitrato y fosfato. Dichos elementos producen un crecimiento explosivo de algas que impiden que la luz penetre hasta el fondo del lago, haciendo imposible la fotosíntesis en esas capas profundas, lo cual conduce a un déficit de oxígeno, que llega a ser total (anoxia), provocando mortandad en la fauna del lago con efectos perjudiciales y fuertemente contaminantes (Moreno et al., 2010). Con la finalidad de caracterizar las aguas continentales, se han planteado diversos índices de estado trófico (IET o TSI por sus siglas en inglés) (Carlson, 1977; Moreno et al., 2006). El Programa Internacional Cooperación sobre la Eutrofización es el estudio mundial más completo hasta ahora realizado sobre la eutrofización, desarrollado en la década de 1970 por la Organización de Cooperación y Desarrollo Económicos para la Supervisión de Aguas Interiores (OCDE, 1982), que otorga valores límites de concentración de nutrientes (fósforo y nitrógeno) y clorofila, y valores de profundidad de Secchi. La secuencia de estados tróficos van desde oligotróficos (con bajo nivel de nutrientes) hasta hipertróficos o hipereutróficos (con gran abundancia de nutrientes) (Tabla 1). Es así que la calidad del agua puede ser descrita en términos de la concentración y estado (disuelto o partículas) de algunos o la totalidad del material orgánico e inorgánico presente en el agua junto con ciertas características físicas del agua (Meybeck et al., 1996). 6

Tabla 1. Valores límites de la OCDE para un sistema completo de clasificación trófica (Modificado de OCDE, 1982). En relación a lo anteriormente expuesto, se han realizado varios estudios de calidad de las masas de agua a partir de técnicas de teledetección mediante la medición o cuantificación de parámetros que describen sustancias disueltas o partículas en suspensión las cuales modifican las propiedades ópticas del agua (Matthews, 2011; Hernández et al., 2003; Tenjo, 2012; Pereira, 2015), así como la propuesta de una misión satelital dedicada a dicho estudio (Ruiz-Verdú et al., 2009). El agua posee una respuesta espectral variable a lo largo del espectro electromagnético que depende principalmente de su pureza y de la presencia de partículas en suspensión, con una reflectividad muy baja de la radiación en el espectro visible y prácticamente nula en el infrarrojo, de manera que la mayor reflectividad del agua pura se produce en el azul, reduciéndose hasta el infrarrojo cercano, es decir, el espectro de reflectividad decae rápidamente con el aumento de la longitud de onda hacia la región del rojo/infrarrojo cercano cuando no tiene material orgánico u inorgánico en suspensión. La variabilidad del agua se detecta mejor en las longitudes de onda cortas, como el azul y el verde, lo cual se relaciona con su profundidad, concentración de materiales en suspensión y rugosidad de la superficie. Así mismo, dependiendo de la profundidad, los materiales del fondo también alteran la respuesta espectral, de manera que un fondo de arena clara, proporciona mayor reflectancia que un fondo de materia orgánica en descomposición. En cuanto a la profundidad de penetración de la radiación, al aumentar la profundidad del agua, desciende la reflectancia en cualquier longitud de onda (Chuvieco, 1995). Dado que las moléculas de agua absorben intensamente la radiación infrarroja, limitando el rango espectral de los sensores pasivos a la región visible y al infrarrojo cercano (Ruiz-Verdú et al., 2009), existen sustancias llamadas constituyentes ópticamente activos (OAC) que modifican la reflectividad observada por medio de procesos de absorción y dispersión (Mobley, 1994), variando la interacción del agua con la radiación electromagnética, a partir de los cuales se puede deducir el estado ecológico, grado de contaminación o presencia de microorganismos potencialmente tóxicos en las masas de agua, siendo los de mayor interés los pigmentos fotosintéticos (entre los cuales la clorofila es el más importante), sólidos en suspensión (fitoplancton y minerales) y la materia orgánica coloreada disuelta (CDOM) (Ruiz-Verdú et al., 2009). La concentración de pigmento de fitoplancton o de clorofila (Chl) es el parámetro más común derivado en teledetección para calidad de aguas por su uso en la determinación de los estados tróficos. Por su parte, la composición de ácidos húmicos y fúlvicos del CDOM contribuye significativamente al color del agua, dado que dichas sustancias, resultado de la descomposición de la materia orgánica, absorben fuertemente en la región del azul, tornando el agua color marrón (Matthews, 2011). De esta manera se deriva que la respuesta espectral del agua, depende de la interacción de sus moléculas y los OAC con la radiación solar cuando presenta turbidez. Tanto las moléculas de agua y el CDOM actúan como elementos de absorción mientras que los materiales en suspensión y la clorofila absorben y dispersan la radiación dependiendo de su 7

tamaño y concentración, resultando una curva de reflectividad del agua que disminuye en la longitud de onda azul y presenta un máximo hacia las longitudes de onda verde y/o amarillo. En el IRC la reflectividad es muy baja en aguas claras, pero tiende a aumentar conforme se incrementa la concentración de partículas en suspensión (Figura 1). Los sedimentos presentan diferentes reflectividades, conforme al diámetro de las partículas, la profundidad y la rugosidad de la superficie (Chuvieco, 1995). En cuanto a la transparencia del agua, esta es definida como la profundidad en metros a la cual un disco color blanco (Disco de Secchi o SD por sus siglas en inglés) desaparece ante el ojo humano al sumergirlo en el agua y es una medida de la profundidad de penetración de la luz en el agua. La profundidad del SD es inversamente proporcional a la concentración de materia orgánica e inorgánica en el agua (Kirk, 2011; Matthews, 2011). Figura 1. Espectros de reflectividad del agua limpia y del agua turbia (Bartolucci et al., 1977). El satélite Miranda o Venezuelan Remote Sensing Satellite (VRSS-1) es el primer satélite de sensoramiento remoto de Venezuela y fue lanzado de 29 de septiembre de 2012. Su misión es proporcionar imágenes de alta resolución del territorio venezolano, tanto de terreno como de vegetación, que sirvan de base a estudios de evaluación de recursos de suelo y agua, planificación urbana, supervisión de actividades mineras, fortalecimiento a la defensa nacional y apoyo a la vigilancia de desastres naturales (Kramer, 2016). En la actualidad, no se tiene conocimiento de estudios y/o publicaciones realizadas acerca de aplicaciones medioambientales utilizando este satélite. El lago de Maracaibo, situado en la zona nor-occidental de Venezuela (Figuras 2 y 3), representa una de las fuentes de recursos económicos más importantes para el país por sus innumerables riquezas naturales, principalmente por sus recursos hídricos formados por las fuentes de agua disponibles en las subcuencas hidrográficas y el propio lago (Rivas et al., 2005) y por contener los mayores yacimientos petrolíferos de Venezuela. Diversos factores influyen en la calidad de las aguas del lago y han originado un proceso acelerado de eutrofización del mismo (Rivas et al., 2005; Rincón et al., 2013; Corona, 2013; Mejías, 2014). 8

Figura 2. Estrecho del lago de Maracaibo. (FUENTE: http://megaconstrucciones.net). Dada la importancia estratégica que reviste el lago de Maracaibo para Venezuela, al ser una gran fuente de recursos naturales y económicos, el objetivo de este trabajo es la estimación de parámetros biofísicos indicadores de la calidad del agua del lago, tales como concentración de clorofila (Chl en mg/m 3 ), materia orgánica coloreada disuelta (CDOM en m -1 ), minerales o partículas no algales (NAP por sus siglas en inglés, en g/m 3 ) y transparencia (con profundidad de disco de Secchi, SD, en m), utilizando imágenes obtenidas con el satélite VRSS-1 corregidas atmosféricamente, todo esto con la finalidad de suministrar una herramienta que permita conocer el estado de las aguas del lago y su condición ambiental a una escala amplia, tanto espacial como temporal, destacándose la ausencia de estudios de teledetección en este campo en el lago de Maracaibo, tanto de otros satélites como del VRSS-1, y demostrando que éste también puede ser utilizado en el estudio de calidad de aguas continentales. Figura 3. El puente General Rafael Urdaneta une las costas oriental y occidental en el estrecho del lago de Maracaibo (FUENTE: http://megaconstrucciones.net) 9

2. Área de estudio El área de estudio (Figura 4) corresponde al lago de Maracaibo, localizado en el estado Zulia, Venezuela, entre los 9 y 12 latitud norte y los 70 y 73 longitud oeste, y con una extensión aproximada de 89756 km 2, siendo de 12013 km 2 la extensión propiamente dicha del lago de Maracaibo, y 1090 km 2 correspondientes al Estrecho y Bahía. Geológicamente, es descrito como una laguna litoral asentada sobre una depresión tectónica que posee un emisario natural el cual comunica el lago con el golfo de Venezuela en el Caribe (Sánchez, 2008). Figura 4. Ubicación geográfica del lago de Maracaibo al norte de Sudamérica. El sistema de Maracaibo, forma un conjunto cuyas características hidrodinámicas son muy variadas. Se distinguen cuatro zonas o subsistemas de norte a sur (Boscán et al., 1973): I) El Golfo de Venezuela, es una gran extensión de agua salada que pertenece al Mar Caribe, tiene una extensión de 200 km, el cual se comunica con La Bahía el Tablazo a través de 4 canales naturales formados por varias islas, el mayor de los cuales se encuentra entre las islas de San Carlos y Zapara, con una anchura de 2.926 m y una profundidad actual de 18 m, como consecuencia del dragado del canal de navegación, a través del cual penetra agua salina a este cuerpo de agua; II) La Bahía el Tablazo, de características estuarianas, con un área aproximada de 640 km 2 y profundidad máxima de 5 m; 10

III) El Estrecho de Maracaibo, tiene 40 km de largo por 7 km de ancho en su sección más angosta hacia el norte y 17 km de ancho en su parte más ancha, con una profundidad máxima de 15 m; IV) Lago de Maracaibo propiamente dicho, tiene forma ovalada con 110 km de longitud en dirección norte-sur y 120 km en su parte más ancha de dirección este-oeste, con una profundidad máxima de 35 m. La región presenta gran variedad climática debido a la presencia del lago y la influencia de los sistemas montañosos vecinos, de manera que la temperatura media varía de 27,5 C en la costa del Lago a 24 C hacia los piedemonte de Perijá y los Andes. Las mayores precipitaciones ocurren al sur-oeste del lago (> 2800 mm/año), pero disminuye progresivamente hacia el norte, hasta el clima semiárido de Maracaibo, con menos de 600 mm/año, siendo la época lluviosa entre los meses de mayo a noviembre (SIGIA, 2016). Afluyen al lago ríos de alto caudal, siendo los más importantes el Catatumbo, Escalante, Limón, Apón y Santa Ana, con un promedio de descarga de cerca de 1.600 m³/s y la pérdida neta por evaporación es de 91 m³/s. La gran mayoría de los cauces son receptores de aguas residuales domésticas e industriales de capitales y otros centros poblados. Tanto en el fondo del lago como en su entorno, existen importantes yacimientos petrolíferos, con más de 3000 pozos petroleros conectados por más de 32000 km de tuberías ubicadas directamente en el lago capaces de producir 3 millones de barriles por día (Rincón et al., 2013). El cuerpo del lago de Maracaibo, como receptor de sedimentos de todo el escurrimiento de los ríos de la región, se encuentra en estado de eutrofización, además del problema de contaminación directamente vinculada con las actividades humanas, entre las que destaca la descarga de aguas servidas de origen doméstico y por hidrocarburos como consecuencia de la actividad petrolera que en él se desarrolla y por las descargas industriales como la del Complejo Petroquímico El Tablazo (Figuras 5). Además, la salinidad ha alcanzado altos valores, básicamente debido al crecimiento de la industria petrolera, provocando un desequilibrio ecológico entre el estuario y el lago, y modificando los patrones naturales existentes anteriormente (SIGIA, 2016; Corona, 2013). Desde los inicios de la explotación petrolera, hacia el año 1920, y con el aumento de la población asentada en la cuenca que dicha actividad conllevó, el lago se encuentra expuesto a problemas de contaminación por el vertido de aguas residuales domésticas e industriales, zonas influenciadas por los ríos y desechos provenientes de actividades agrícolas (Bracho et al., 2016; Rivas et al., 2005). Así mismo, los derrames de productos petrolíferos causan la eliminación de flora y fauna propia del ecosistema y el excesivo crecimiento de factores epidémicos, arrojando considerables cantidades de compuestos nitrogenados, de mercurio y fenol (Sánchez, 2008). La contaminación por salinización es otro agravante de la situación actual del lago, al reducir la potabilidad química y producir alteraciones de la flora y fauna lacustre, al punto de provocar la mortandad y desaparición de las mismas (Boscán et al., 1973). 11

Figura 5. "Al menos 15 fugas o derrames petroleros ocurren al mes en el lago de Maracaibo". Titular de prensa de fecha 21 de septiembre de 2015. En la imagen se observa la costa del lago de Maracaibo afectado por derrames petroleros. (FUENTE: http://efectococuyo.com) Para inicios del año 2004 el lago de Maracaibo fue invadido por un crecimiento extraordinario de una planta acuática flotante denominada científicamente Lemna obscura (Figuras 6 y 7) y conocida más comúnmente como lenteja de agua (Rincón et al., 2013), considerada como un indicador de eutrofización en cuerpos de agua, principalmente asociada a contaminación por actividades antrópicas como descargas directas de aguas negras y remoción de sedimentos por actividad minera (Ortega, 2005) y son características después de las primeras lluvias luego de la estación seca (Palma, 1986), aunque en el caso del Lago de Maracaibo también se consideran las actividades antrópicas en las cuencas de los ríos tributarios principalmente el Catatumbo. Figura 6. Invasión de la planta acuática Lemna obscura en la costa occidental del estrecho del lago de Maracaibo. Entre las causas de la proliferación incontrolada de la planta se encuentran la alta eutrofización del lago, las aguas cálidas que posee el sistema lago de Maracaibo, poco movimiento de aguas y el inicio temprano de la temporada de lluvias, casi superponiéndose con la temporada de lluvias del año anterior, por lo que los niveles de salinidad alcanzaron los niveles que son óptimos para el crecimiento y reproducción masiva de la planta (González, 2004) (Figura 8). 12

Figura 7. Invasión de la planta acuática Lemna obscura en el centro del estrecho del lago de Maracaibo. Imagen tomada el 10 de octubre de 2004. (FUENTE: http://www.panoramio.com/photo/2020326. Usuario: CarlosL). Figura 8. "Reportaje Bloomberg: El lago de Maracaibo es un cementerio de todo tipo de cosas". Titular de prensa de fecha 05 de agosto de 2015. En la imagen se observa manchas de vertido de petróleo y de lemna acuática en lago de Maracaibo. (FUENTE: https://www.lapatilla.com). 13

3. Materiales y Metodología Para la realización de este trabajo, fueron utilizadas imágenes provenientes del satélite VRSS-1. Las operaciones en órbita, administración y aplicaciones del satélite se encuentran a cargo de la Agencia Bolivariana para Actividades Espaciales (ABAE). Las imágenes están disponibles para su descarga de forma gratuita desde la página web de dicha agencia. A continuación se presenta una descripción breve de la misión satelital y de los productos ofrecidos. 3.1 Venezuelan Remote Sensing Satellite El VRSS-1 es un satélite óptico de teledetección, que opera en una órbita heliosíncrona a 640 km de altura, con un período orbital de 97 minutos, un período de repetición de 57 días y un período de revisita de 4 días. Su vida útil es de 5 años (ABAE, 2016) (Figura 9). Este programa satelital fue ejecutado en cooperación con la República Popular de China y fue lanzado exitosamente el 29 de septiembre de 2012 desde el Centro de Lanzamiento de Satélites de Jiuquan, China. El VRSS-1 es el primer satélite de tecnología china que posee 2 cámaras de alta resolución y 2 cámaras de barrido ancho, para un total de 4 cámaras, incluyendo 18 detectores y 4 antenas de transmisión de banda X (Kramer, 2016). Figura 9. Especificaciones del VRSS-1 (ABAE, 2016) El primer grupo de sensores corresponde a los PMC (PAN and Multispectral Camera) de alta resolución: está compuesto por un par de cámaras idénticas que poseen un sistema de barrido de empuje o pushbroom con tiempo de integración de retardo (TDI por sus siglas en inglés), con capacidad de observación en el rango visible a una resolución espacial de 2,5 m en modo PAN y 10 m en modo MS. El segundo grupo de sensores corresponde a los WMC (Wide-swath Multispectral Camera) de media resolución, también está constituido por dos cámaras con un 14

sistema de barrido pushbroom y TDI. Tiene capacidad de observación en el rango visible y una resolución espacial de 16 m en modo MS (Tabla 2) (ABAE, 2016; Kramer, 2016). Tabla 2. Parámetros de los sensores PMC y WMC (Modificado de Kramer, 2016). Actualmente, la ABAE ofrece sus productos con 3 niveles de procesamiento, a saber: nivel 0 (producto con datos crudos), nivel 1 (producto con corrección radiométrica) y nivel 2 (producto con corrección geométrica), donde se pueden escoger dos subniveles: 2A (corrección geométrica con RPC) y 2B (corrección geométrica con GCP) (Tabla 3). Tabla 3. Especificaciones del procesamiento de los productos del VRSS-1 (ABAE, 2016). 3.2 Escenas en estudio Para la realización de este trabajo, fueron descargadas 6 imágenes de distintas zonas y fechas del lago de Maracaibo (Tabla 4), correspondientes a los productos MS a 10 m de resolución. La situación de las escenas se muestra en la Figura 10. Seguidamente, se seleccionaron las dos 15

mejores imágenes, identificadas con los números de escenas 27135 y 37905, debido a su situación y poca presencia de nubosidad. Así mismo, se escogieron estas escenas debido al impacto ambiental significativo que implica la existencia de zonas pobladas a las orillas del lago, en cuanto al vertido de aguas residuales residenciales e industriales. Tabla 4. Fecha de adquisición de las escenas del lago de Maracaibo del VRSS-1. La escena identificada con el número 27135 (Figura 11) corresponde a una imagen tomada de la zona del estrecho de Maracaibo, en la cual se identifican a simple vista tres ciudades a orillas del lago: un asentamiento pequeño denominado Santa Rita hacia el este (Costa Oriental) y las ciudades de Maracaibo, que es la ciudad con más habitantes del país, y San Francisco hacia el oeste. Así mismo, en la escena número 37905 (Figura 12), se observa la zona sur inmediata a la imagen anterior, en la cual la cuenca del lago comienza a ampliarse, identificándose igualmente a simple vista dos ciudades a cada lado del mismo: Cabimas hacia la Costa Oriental y La Cañada hacia el oeste. Figura 10. Ubicación aproximada de las escenas del satélite VRSS-1 descargadas para realizar el estudio sobre el lago de Maracaibo. 16

Figura 11. Combinación RGB de la escena 27135 del lago de Maracaibo, de fecha 07/08/2015 tomada por el VRSS-1. Figura 12. Combinación RGB de la escena 37905 del lago de Maracaibo, de fecha 21/01/2016 tomada por el VRSS-1. 17

3.3 Procesamiento de imágenes Dado que las imágenes descargadas poseen un nivel de procesamiento 2B, el cual corresponde al producto con corrección radiométrica y geométrica usando modelos sistemáticos, sin el uso de GCP, se requiere aplicar una corrección atmosférica a las mismas para obtener la reflectividad de la superficie del lago. 3.3.1 Corrección atmosférica Los componentes atmosféricos afectan notablemente la radiación electromagnética, causando fenómenos de absorción y dispersión (en el dominio óptico), de manera que la señal recibida por el sensor desde la superficie se ve afectada por éstos, generando distorsiones en los valores de radiancia. Este efecto es dependiente de la longitud de onda y es difícil de predecir. La corrección atmosférica requiere especial atención en casos donde se realice una combinación lineal entre bandas y al intentar establecer modelos que determinen ciertos parámetros físicos, como temperatura, biomasa, humedad del suelo, clorofila en agua, entre otros (Chuvieco, 1995). En este caso, la corrección atmosférica fue realizada utilizando el código QUick Atmospheric Correction (QUAC), el cual realiza la corrección atmosférica en imágenes multiespectrales e hiperespectrales que trabajan en todo o parte del espectro visible y el infrarrojo cercano, en longitudes de onda que van de 400 a 2500nm. QUAC determina los parámetros de corrección atmosférica directamente del espectro del píxel observado en la escena, sin información adicional. Está basado en el hallazgo empírico de que la reflectancia promedio de diversos espectros de determinada materia no es dependiente de la escena. Este se enfoca en el lugar de la escena, requiriendo solo algunas especificaciones aproximadas de las bandas del sensor, como las longitudes de onda central, y su calibración radiométrica, no necesita metada adicional. Dado que QUAC no requiere cálculos de transferencias radiativas, es significativamente más rápido y aproximado que los métodos basados en dichos cálculos. QUAC también puede aplicarse para cualquier ángulo de visión o de elevación solar. Si el sensor no tiene una resolución o calibración radiométrica adecuada, o si la intensidad de la radiación solar es desconocida, este método permite la determinación del espectro de reflectancia con una exactitud razonable. Los datos de entrada para QUAC pueden ser valores de radiancias, reflectividades aparentes (en TOA) o datos en bruto (niveles digitales). El módulo requiere que dichos datos posean al menos tres bandas y valores válidos de longitudes de onda (Bernstein et al., 2012; ENVI, 2009). Los datos de entrada utilizados en este trabajo para realizar la corrección atmosférica, fueron valores de reflectividades aparentes, de acuerdo al nivel de procesado de la imagen del VRSS-1 ofrecida por la ABAE. Una vez realizada la corrección atmosférica de las imágenes del VRSS-1, se aplica una máscara para extraer el área correspondiente al lago de Maracaibo, a partir de un umbral basado en una clasificación no supervisada de la escena. 3.4 Simulación HydroLight Investigadores del Grupo de investigación LEO (Laboratorio de Observación de la Tierra) perteneciente al Laboratorio de Procesado de Imágenes (LPI) de la Universidad de Valencia, 18

realizaron una simulación con el modelo de transferencia radiativa HydroLigth. Este modelo calcula la distribución de la radiancia e irradiancia en los cuerpos de agua (Mobley, 1989). Estas simulaciones se llevaron a cabo con la colaboración del Área de Teledetección del Instituto Nacional de Técnica Aerospacial (INTA). Se diseñó un modelo bio-óptico con 4 constituyentes ópticamente activos (OACs): clorofila (Chl), materia orgánica disuelta coloreada (CDOM), minerales o partículas no algales (NAP) y transparencia medida con Disco de Secchi (SD). Se utilizaron propiedades ópticas inherentes (IOPs) características de lagos eutróficos y rangos de las variables representativos de este lago, a partir de la información disponible en estudios previos (Mejías, 2014): Chl entre 1 y 300 mg/m 3, a CDOM(440) entre 0,1 y 30 m -1 y NAP entre 1 y 200 g/m 3 (Tabla 5). Como aproximación a las IOPs de las partículas en suspensión, se asumió un origen biogénico de las mismas. Después de eliminar algunas combinaciones extremas que no se pueden producir en la naturaleza, se obtuvieron un total de 378 espectros de reflectividad del agua a 1 nm de resolución espectral para cada OAC, en el rango 400-1000 nm. Tabla 5. Rangos de valores de OACs de entrada utilizados en el RTM Hydrolight-Ecolight para simular las condiciones del lago de Maracaibo. Asumiendo un comportamiento gaussiano, se promediaron las longitudes de onda de cada canal, obteniéndose la longitud de onda central (R λc) de cada banda (Tabla 5). Con el conjunto de reflectividades obtenidas anteriormente en el espectro continuo, se simularon los espectros que obtendría el VRSS-1, para ello, se promedian los valores de las reflectividades de todas las longitudes de onda correspondientes al ancho de banda de cada canal, para luego asociarlas a cada R λc. Tabla 6 - Longitudes de onda centrales (Rλc) de cada banda del satélite VRSS-1. 19

3.5 Índices espectrales Para el cálculo de la concentración de los parámetros en estudio, se requiere primeramente la determinación de los índices espectrales, con la finalidad de encontrar las combinaciones de bandas del satélite que proporcionan mayor correlación, con el parámetro en estudio. A partir de los espectros simulados en el punto anterior, se aplicaron diferentes relaciones matemáticas para el cálculo de cada variable, a saber: Cociente Simple o Simple Ratio (SR), basado en el cociente entre dos bandas, Índice de Diferencia Normalizada (NDI) similar al NDVI, regresión simple de una banda (R λ) y logaritmo de una banda (Log R λ) (Tabla 7), buscando las combinaciones de bandas del satélite que proporcionan mayor correlación con diferentes tipos de ajuste (lineal, polinómicos de grados 2 y 3, exponencial y logarítmico). Una vez obtenidos los resultados para cada modelo, se determinó el mejor índice en función de los valores del coeficiente de determinación R², con la mejor función de ajuste para cada variable, con el fin de obtener un método capaz de generar los mapas de los 4 parámetros a partir de imágenes VRSS-1. Tabla 7. Índices espectrales empleados para calcular las variables 20

4. Resultados y análisis 4.1 Índices espectrales En la Tabla 8 se muestran los índices con las combinaciones de bandas que proporcionan una mayor correlación, seleccionando las combinaciones con mayor R 2 para cada una de las variables en estudio, siendo R λ la reflectividad a la longitud de onda λ (en nm). Tabla 8. Mejores índices espectrales para cada variable con las bandas utilizadas y valores de R2 Clorofila (Chl en mg/m 3 ). Para la variable Chl, los índices que proporcionaron mejores resultados fueron el SR y el NDI (Figura 13), con una combinación de bandas R 830 y R 660. Con el objetivo de seleccionar el mejor índice y ajuste entre los mencionados, se aplicaron ambos a las imágenes del VRSS-1, observando que el índice SR proporciona valores más realistas dentro del rango esperado de Chl. Este tipo de relación y bandas es ampliamente sugerida para el cálculo Chl, basado en la interacción del coeficiente de retrodispersión del fitoplancton y el incremento de absorción del agua hacia el infrarrojo (Matthew, 2011). Finalmente, se aplica un ajuste polinómico (Figura 13.a), por lo que la relación seleccionada para la estimación de la Chl a partir de imágenes del satélite VRSS-1 sería: Chl(mg/m 3 ) = 132,77(SR 830,660 ) 3 + 391,02(SR 830,660 ) 2 114,43(SR 830,660 ) + 16,231 (1) En este caso se eligió el ajuste polinómico grado 3, dado que tiene la ventaja de no generar valores negativos como el ajuste lineal, aun cuando la curva decrece ligeramente para valores altos. 21

Figura 13. Índices espectrales con mejores resultados para el cálculo de la variable Clorofila (Chl): a) SR y b) NDI. Materia Orgánica Coloreada Disuelta (CDOM en 1/m). Para el CDOM, también se obtuvieron los mejores resultados con los índices SR (Figura 14.a) y NDI (Figura 14.b), con una combinación de bandas R 830 y R 485. En este caso, aunque el NDI proporciona mayores valores de correlación, se observó nuevamente que al aplicar los valores de CDOM en las imágenes del VRSS-1, exceden los límites considerados para un lago hipertrófico. En base a dichos resultados, finalmente el cálculo del CDOM fue realizado con el índice SR, el cual también es ampliamente utilizado para la determinación de dicho parámetro, empleando la banda azul, dada la absorción en esta longitud de onda (Matthews, 2011). Al aplicar un ajuste lineal, queda la siguiente relación para la estimación del CDOM: CDOM(1/m) = 7,7512(SR 830,485 ) 1,2093 (2) Minerales o Partículas No Algales (NAP en g/m 3 ). Para la detección de los NAP, la regresión simple de una banda proporcionó los mejores resultados con las bandas R 660 (Figura 15.a) y R 830 (Figura 15.b). Ambos índices ofrecen altos valores de coeficientes de correlación, siendo seleccionada la banda R 660 para el cálculo de las concentraciones de NAP de acuerdo con el rango de valores obtenido en las imágenes. Dado que esta relación simple ofrece una alta correlación, es la más recomendada para el cálculo de esta variable con las bandas roja e infrarroja, debido a que las partículas inorgánicas en suspensión contribuyen a incrementar la reflectividad en todo el espectro, pero particularmente en el rojo e IR, en donde la absorción de Chl y CDOM es menor (Matthews, 2011). Aplicando un ajuste polinómico, la concentración de NAP se estima a partir de la siguiente relación: NAP(g/m 3 ) = 10636(R 660 ) 2 + 76,248(R 660 ) + 2,0694 (3) 22

Figura 14. Índices espectrales con mejores resultados para el cálculo de la variable Materia Orgánica Coloreada Disuelta (CDOM): a) SR y b) NDI. Figura 15. Índices espectrales con mejores resultados para el cálculo de la variable Minerales (NAP) con regresión simple de una banda: a) R 660 y b) R 830. 23

Transparencia o profundidad de Disco de Secchi (SD en m). En cuanto a la transparencia, el logaritmo de SD frente al logaritmo de la banda R 830 presenta la mejor correlación (Figura 16), aun cuando las relaciones más recomendadas sean una regresión lineal simple con la banda roja, y un SR entre las bandas roja y azul, existiendo pocos ejemplos recientes de la utilización de la NIR para este cálculo, dado que la mayoría de los estudios se realizan sobre lagos oligotróficos, donde los niveles de turbidez son más bajos que los aquí simulados (Matthews, 2011). Al aplicar un ajuste polinómico, SD puede estimarse a partir de la siguiente expresión: SD(m) = 10 [ 0,203(logR830)2 1,6884(logR830) 2,9748] (4) Figura 16. Índice espectral con mejor resultado para el cálculo de la profundidad de Disco de Secchi (SD) con el logaritmo de una banda. 4.2 Mapas de variables Los índices seleccionados fueron aplicados a las escenas y analizados sus resultados de acuerdo a los rangos esperados de cada variable. Se obtuvieron cuatro mapas para cada escena, a partir de las ecuaciones 1, 2, 3 y 4, observándose en los casos de los mapas de concentración de clorofila y en los de concentración de CDOM un patrón vertical correspondiente a un error de bandeado vertical sistemático. Este tipo de error resulta especialmente visible en las zonas de baja radiancia o poca reflectividad, como en zonas de masas de agua (Chuvieco, 1995), dado que este satélite no está optimizado para su uso en aguas y su resolución radiométrica seguramente no es la adecuada para este tipo de estudios. En los mapas de SD se observa el mismo error en menor medida. Así mismo, en ambos casos, los mapas de concentración de clorofila presentan valores negativos y positivos muy altos en píxeles específicos, los cuales fueron igualados a 0 por representar menos del 2% del total de píxeles. Esto puede ser debido a que se requiere una resolución radiométrica mayor y una corrección atmosférica más apropiada, debido a que la reflectividad de los lagos es muy baja (Ruiz-Verdú et al., 2009), acotando que los valores máximos de dicha variable muestran un comportamiento acorde con las condiciones del lago, dentro de un rango similar al observado en la literatura (Mejías, 2014). En las Figuras 17 y 18 se muestran los mapas de las cuatro variables en estudio para la escena 27135. El mapa de clorofila (Figura 17.a) presenta mayor concentración hacia las zonas que están ubicadas en el centro del lago en dicha imagen y hacia la ciudad de Santa Rita, lo que implica que 24

ésta podría ser la zona con mayores descargas de desechos orgánicos. Así mismo, se observan dos zonas hacia la Costa Oriental identificadas como la Ciénaga de Las Palmitas (Figura 17.a letra A) con concentraciones medias-altas y más al sur la Ciénaga La Telefónica (Figura 17.a letra B) con concentraciones medias. Se encuentran valores menores de clorofila en el resto de la imagen. Los valores de concentración de CDOM (Figura 17.b) también se encuentran en un rango aceptable de acuerdo a estudios previos, localizándose valores máximos en las ciénagas antes mencionadas, esto como evidencia de la presencia de manglares en las costas de las mismas, así como impactos de acción antropogénica (Medina et al., 2003; González et al., 2008). Se encuentran valores medios en la mitad del lago, extremo norte y parte de la zona contigua a Maracaibo y valores menores hacia el sureste, en zonas donde se encuentran los asentamientos poblacionales pequeños. En cuanto a la concentración de minerales (Figura 18.a) se observa que los valores más altos se encuentran en la zona norte del lago, hacia la desembocadura del mismo como consecuencia del dragado, lo que conlleva a la remoción de sedimentos del fondo del estrecho, y en las áreas contiguas a la ciudad de Maracaibo, lo cual puede deberse a la presencia de desechos industriales, teniendo menor concentración en la zona central del mismo. Por último, la profundidad del SD (Figura 18.b) toma valores mínimos en la zona norte del lago, área contigua a la ciudad de Maracaibo, costas del lago y en las ciénagas, y valores máximos en la zona central, coincidiendo de manera inversa con la distribución de la concentración de Chl, CDOM y NAP, verificándose que a mayor concentración de los OACs, mayor turbidez del agua, y por lo tanto, menor transparencia del agua. Los mapas de la escena 37905 (Figuras 19 y 20) se muestran más afectados por el error de bandeo vertical. La concentración de clorofila (Figura 19.a) toma valores máximos en el centro del lago, con valores mínimos en las propias costas; aun cuando no existen manglares cercanos al lago propiamente, éstos se encuentran en lagunas conectadas con el Lago por estrechos canales (Medina et al., 2003), lo que da como consecuencia valores altos de CDOM (Figura 19.b) en las costas tanto occidental como oriental. De igual manera, la concentración de minerales (Figura 20.a) es máxima en las costas de las ciudades de La Cañada y Cabimas, como consecuencia de los desechos de actividades agrícolas, residenciales e industriales de ambos asentamientos. Por último, los valores de SD (Figura 20.b) son mínimos en ambas costas, volviendo a coincidir de forma inversa con la concentración de Chl, CDOM y NAP. 25

Figura 17. Mapas de variables de la escena 27135 de fecha 07/08/2015: a) Concentración de Chl y b) Concentración de CDOM. 26

Figura 18. Mapas de variables de la escena 27135 de fecha 07/08/2015: a) Concentración de NAP y b) Profundidad de SD. 27

Figura 19. Mapas de variables de la escena 37905 de fecha 21/01/2016: a) Concentración de Chl y b) Concentración de CDOM. 28

Figura 20. Mapas de variables de la escena 37905 de fecha 21/01/2016: a) Concentración de NAP y b) Profundidad de SD. 29

4.3 Error de bandeado Con la finalidad de encontrar el origen del bandeado observado en los resultados obtenidos, se han analizado por separado las cuatro bandas, lo que permitió apreciar el efecto de este error sobre cada una. En la Figura 21, se muestran las imágenes originales de cada una de las bandas pertenecientes a la escena 27135, donde se observa que la banda 4 (IRC) es la más afectada por dicho error, presentándose en menor medida en el resto de las bandas. Una vez realizada la corrección atmosférica (Figura 22), el error de bandeado persiste, con efectos más notorios igualmente en la banda 4. De ahí que este efecto sea más evidente en los mapas obtenidos utilizando esta banda, con resultados más acentuados en los mapas de clorofila y CDOM, dado que este problema se acentúa en zonas de agua al realizar un cociente entre bandas, viéndose en menor proporción en los mapas de SD. Se aprecia de igual forma que dicho problema ha aumentado con el transcurso del tiempo, dado que las imágenes del año 2016 analizadas, se encuentran más afectadas en comparación con la de la escena 27135 del año 2015, tal es el caso de las escenas 37865 (Figura 23), 37886 (Figura 24), 37905 (Figura 25) y 37905 (Figura 26) y la 39992 (Figura 27). Figura 21. Imágenes originales proporcionadas por cada banda de la escena 27135 del 07/08/2015. 30

Figura 22. Imágenes con corrección atmosférica de cada banda de la escena 27135 del 07/08/2015. 31

Figura 23. Imágenes originales proporcionadas por cada banda de la escena 37865 del 21/01/2016. 32

5. Conclusiones A partir del conjunto de reflectividades del lago de Maracaibo obtenidas con Hydrolight, se simularon los espectros que obtendría el satélite VRSS-1 para cada OAC, observando que la concentración de clorofila se puede obtener usando una relación tipo cociente simple (R i/r j), con las bandas NIR (830) y Rojo (660), y un ajuste polinómico de grado 3. La concentración de CDOM también fue determinada usando una relación tipo cociente simple (R i/r j), con las bandas NIR (830) y Azul (485), y un ajuste lineal. La concentración de minerales fue calculada a partir de una regresión simple con la banda del Rojo (660) directamente y un ajuste polinómico de grado 2. La profundidad de SD fue determinada empleando el logaritmo de SD frente al logaritmo de la banda (Log R i), en este caso la banda NIR (830), y un ajuste polinómico de grado 2. Las concentraciones de clorofila, CDOM, minerales y transparencia obtenidas muestran un rango de valores acordes con las condiciones generales del lago según estudios previos realizados, requiriéndose de igual manera la validación de los datos obtenidos con datos de medidas tomadas in situ. Se requiere un método más apropiado de corrección atmosférica, dado que el QUAC no es recomendable para áreas con masas extensas de agua. La baja resolución radiométrica del satélite afecta la estimación precisa de algunos OAC, como es el caso de la clorofila. El error de bandeo o stripping observado en la banda 4 afecta la calidad de los resultados obtenidos. Se recomienda corregir los errores de salto de detectores observados en dicha banda. En este trabajo se demostró que aun cuando el satélite VRSS-1 no está diseñado para la estimación de calidad de agua, se lograron establecer métodos efectivos para el cálculo de parámetros biofísicos de calidad de aguas a partir de imágenes de dicho satélite, demostrando su gran potencial para aplicaciones en estudios medioambientales. 37

Bibliografía ABAE (Agencia Bolivariana para Actividades Espaciales). (2016). (Disponible en http:// http://www.abae.gob.ve/web/. Consultado el 20 de julio de 2016). Bartolucci L., Robinson B. y Silva L. (1977). Field measurements of the spectral response of natural waters. Photogrammetric Engineering and Remote Sensing. 43, 595-598. Bernstein L. S., Jin X., Gregor B. y Adler-Golden, S. (2012). "Quick Atmospheric Correction Code: Algorithm Description and Recent Upgrades." Optical Engineering. 51(11) 1-11. Boscán L., Capote F. y Farías J. (1973). Contaminación salina del Lago de Maracaibo: Efectos en la calidad y aplicación de sus aguas. Universidad del Zulia. Consejo de Desarrollo Científico y Humanístico. Maracaibo. Venezuela. 31p. Bracho G., Cuador J. y Rodríguez R. (2016). Calidad de agua y sedimento en el lago de Maracaibo, estado Zulia. Minería y Geología. 32(1) 1-14. ISSN 1993 8012. Carlson, R. E. (1977). A trophic state index for lakes. Limnology and oceanography. 22(2), 361-369. Chuvieco, E. (1995). Fundamentos de teledetección espacial. Segunda Edición. Ediciones Rialp, S.A. Madrid. España. 224p. Corona J.L. (2013). Contaminación antropogénica en el Lago de Maracaibo, Venezuela. Biocenosis. 27(1-2), 85-93. ENVI. (2009). Atmospheric Correction Module: QUAC and FLAASH User s Guide. Atmospheric Correction Module. Version 4.7. 44p. FAO. (1997). Lucha contra la contaminación agrícola de los recursos hídricos. Estudio FAO: Riego y drenaje 55. GEMS/Water Collaborating Centre. Canada Centre for Inland Waters. Burlington, Canada. ISSN: 1020-4393. González E., Borjas J. y Herrera E. (2008). Inventario y abundancia de larvas y juveniles de peces de la ensenada La Palmita, estrecho del Lago de Maracaibo, Venezuela. Boletín del Centro de Investigaciones Biológicas. 42(3), 397 406. González E.J. (2004). Lemna en el Lago de Maracaibo (Venezuela). Red Temática de Eutrofización de Lagos y Embalses (XVII.B). Aprovechamiento y Gestión de Recursos Hídricos (XVII), Programa Iberoamericano de Ciencia y Tecnología para el Desarrollo. (Disponible en http://rele.fcien.edu.uy/pdf/lemna_en_el_lago_de_maracaibo.pdf. Consultado el 26 de agosto de 2016). Gregor J., y Maršálek B. (2004). Freshwater Phytoplankton Quantification by Chlorophyll a: A Comparative Study of in vitro, in vivo and in situ methods. Water Research. 38(3), 517-522. Hernández J. y Hernández L. (2003). Aplicacion de técnicas de teledetección al estudio de la turbidez de las aguas litorales en la costa oriental de Gran Canaria mediante un modelo teórico. VEGUETA. 7, 229-240. ISSN: 1133-598X. Ortega H. (2005). Un estudio simplificado de la evolución de la Lemna SP. Universidad, Ciencia y Tecnología. 9(35), 119-123. 38

Kirk J. T. O. (2011). Light and Photosynthesis in Aquatic Ecosystems. Tercera edición. Cambridge University Press. Cambridge. U.K. Kramer H. (2016). VRSS-1 (Venezuelan Remote Sensing Satellite-1) / Francisco de Miranda. Sharing Earth Observation Resources. ESA. (Disponible en https://directory.eoportal.org/web/eoportal/satellite-missions/v-w-x-y-z/vrss-1. Consultado el 20 de Agosto de 2016). Matthews M. (2011). A current review of empirical procedures of remote sensing in inland and near-coastal transitional waters International Journal of Remote Sensing. 32(21), 6855-6899. Medina E. y Barboza F. (2003). Manglares del sistema del Lago De Maracaibo: caracterización fisiografica y ecológica ECOTRÓPICOS. 16(2), 75-82. Mejías P. (2014). Índices de calidad de agua en zonas costeras del Lago de Maracaibo. Un estudio comparativo. Tesis Mag. Ing. Ambiental. Facultad de Ingeniería. Universidad del Zulia. Maracaibo. Venezuela. 85p. Meybeck M., Kuusito E., Mäkelä A. y Mälkki E. (1996): Water quality monitoring- A practical guide to the design and implementation of freshwater quality studies and monitoring programmes. United Nations Environment Programme and the World Health Organization. ISBN 0 419 22320. Mobley C. (1989). A numerical model for the computation of radiance distributions in natural waters with wind-roughened surfaces. Limnology and Oceanography. 34(8), 1473 1483. Mobley C. (1994). Light and Water. Radiative Transfer in Natural Waters. Academic Press. San Diego. California. USA. Moreno J.L., Navarro C. y De Las Heras J. (2006). Propuesta de un índice de vegetación acuática para la evaluación del estado trófico de los ríos de Castilla-La Mancha: Comparación con otros índices bióticos. Limnetica. 25(3), 821-838. Moreno D., Quintero J. y López A. (2010). Métodos para identificar, diagnosticar y evaluar el grado de eutrofia. ContactoS. 78, 25 33. OECD. (1982). Eutrophisation des eaux. Métodes de surveillance, d'evaluation et de lutte. Paris, France.: Organisation for Economic Co-operation and Development. Ortega H., (2005). Un estudio simplificado de la evolución de La Lemna SP. Universidad, Ciencia y Tecnología. 9(35), 199-123. Palma B., San Martín C., Rosales M. y Zúñiga L. (1986). Distribución espacial de la flora y vegetación acuática y palustre del estero de Marga- Marga en Chile Central. Anales del Instituto de Ciencias del Mar y Limnología. Universidad Nacional Autónoma de México. 14(2), 125-132. Pereira M. (2015). Estudio multitemporal mediante teledetección de la eutrofización de la Bahía de Cohana. Lago Titicaca Bolivia. Trabajo de Fin de Master en Teledetección. Departamento de Física de la Tierra y Termodinámica. Universidad de Valencia. España. 49p. Pinto A., Von Sperling E. y Moreira R. (2001). Chlorophyll-a Determination Via Continuous Measurement of Plankton Fluorescence: Methodology Development. Water Research. 36(16), 3977-3981. Rincón J. y Boves M. (2013). Eutrofización del Lago de Maracaibo: pasado, presente y perspectivas. Primera Edición. Comisión Permanente para el Estudio de la Cuenca del Lago de 39