Mangrove forest mapping through remote sensing imagery: study case for Buenaventura, Colombia

M. A. Perea-Ardila, F. Oviedo-Barrero, J. Leal-Villamil

Abstract

Mangroves are plant communities of high ecological and economic importance for coastal regions. This investigation provides a methodology for mapping Mangrove forests through remote sensing images in a semidetail scale (1:25,000) in a sector of the municipality of Buenaventura, Colombia. A Sentinel 2 image and 2017 highresolution ortophotomosaic of the municipality were used for the mangrove cartography, using QGIS software, spectral analysis was performed and supervised classification was established using Maximum Likelihood algorithm. Results shown that mangrove is the most representative cover in the study area whit 7,264.21 ha in total extension (59.21% of total area), the development classification got a thematic accuracy of 80% and 0.70 in Kappa index. The used methodology can be used as an academic and research reference for mangrove semi-detail mapping in the world.


Keywords

mapping; mangroves; remote sensing; spectral signature; supervised classification; maximum likelihood

Full Text:

PDF

References

Alatorre, L.C., Sánchez-Andrés, R., Cirujano, S., Beguería, S., Sánchez-Carrillo, S. 2011. Identification of mangrove areas by remote sensing: The ROC curve technique applied to the northwestern Mexico coastal zone using Landsat imagery. Remote Sensing, 3(8), 1568-1583. https://doi.org/10.3390/rs3081568

Alonso-benito, A., Arbelo, M., Edge, R. 2015. Evaluación de índices de vegetación para identificar combustibles forestales. XVI Congreso de La Asociación Española de Teledetección, 161-164.

Alvarez-León, R., García-Hansen, I. 2003. Biodiversity Associated with Mangroves. Isme/Glomis, 3(1), 1-2.

Badola, R., Hussain, S.A. 2005. Valuing ecosystem functions: an empirical study on the storm protection function of Bhitarkanika mangrove ecosystem, India. Environmental Conservation, 32(1), 85-92. https://doi.org/10.1017/S0376892905001967

Bishop, Y.M.M., Fienberg, S.E., Holland, P.W., Light, R.J., Mosteller, F. 1977. Book Review: Discrete Multivariate Analysis: Theory and Practice. Applied Psychological Measurement, 1(2), 297-306. https://doi.org/10.1177/014662167700100218

Blanco-Libreros, J. F. 2016. Cambios globales en los manglares del golfo de Urabá (Colombia): entre la cambiante línea costera y la frontera agropecuaria en expansión. Actualidades Biológicas, 38(104), 53-70. https://doi.org/10.17533/udea.acbi.v38n104a06

Chávez, P.S.J. 1996. Image-based atmospheric corrections - revisited and improved. Photogrammetric Engineering and Remote Sensing, 62(9), 1025-1036.

Chuvieco, E. 1995. Fundamentos de teledetección espacial (2a ed). Madrid: Ediciones RIALP S.A.

Chuvieco, E. 2010. Teledetección Ambiental (Tercera Ed). Barcelona, España: Ariel Editorial.

Congalton, R. G. 1991. A Review of Assessing the Accuracy of Classifications of Remotely Sensed Data. Remote Sensing of Environment, 46, 35-46. https://doi.org/10.1016/0034-4257(91)90048-B

Congedo, L. 2016. Semi-Automatic Classification Plugin Semi-Automatic Classification Plugin Documentation.

Cordoba-Aguilar, E.H., Puentes, M., Otero, L. 2006. Landsat-7 ETM+ para determinar la cobertura del suelo de la zona costera de la bahía de Tumaco. Boletín Científico CCCP, 13, 41-52. https://doi.org/10.26640/01213423.13.41_52

Díaz García-Cervigón, J.J. 2015. Estudio de Índices de vegetación a partir de imágenes aéreas tomadas desde UAS/RPAS y aplicaciones de estos a la agricultura de precisión.(Tesis de Maestría) Universidad Complutense de Madrid. Madrid.

DIMAR-CCCP. 2018. Informe técnico: Generación de la información técnica y cientifica para la administración de los litorales Colombianos. Dirección General Marítima-Centro de Investigaciones Oceanográficas e Hidrográficas del Pacífico.

DIMAR. 2017. Ortofoto Digital Zona 2B, Proyecto: Generación de la información técnica y cientifica para la administración de los litorales Colombianos. Dirección General Marítima.

Dutta, D., Das, P.K., Paul, S., Sharma, J.R., Dhadwal, V.K. 2014. Spatio-temporal assessment of ecological disturbance and its intensity in the mangrove forest using MODIS derived disturbance index. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 40(8), 555-559. https://doi. org/10.5194/isprsarchives-XL-8-555-2014

ESA. 2018. Producto Multiespectral: S2A_ MSIL1C_20170805T153621_N0205_R068_ T18NTK_20170805T153620. Programa espacial COPERNICUS. Disponible en: https://scihub. copernicus.eu

European Space Agency. 2015. Sentinel-2 Products Specification Document. Thales Alenia Space. Disponible en: https://sentinel.esa.int/ documents/247904/349490/S2_MSI_Product_ Specification.pdf

FAO. 2007. The world’s mangroves 1980-2005. FAO Forestry Paper, 153, 89. Roma.

Gacía-Mora, T.J., Mas, J.F. 2008. Comparación de metodologías para el mapeo de la cobertura y uso del suelo en el sureste de México. Investigaciones Geográfica, 67, 7-19.

Gao, J. 1999. Evaluation of SPOT HRV Data in Mapping Mangrove Forests in a Temperate Zone. Geocarto International, 14(3), 45-52. https://doi.org/10.1080/10106049908542116

Giri, C. 2016. Observation and monitoring of mangrove forests using remote sensing: Opportunities and challenges. Remote Sensing, 8(9), 783. https://doi.org/10.3390/rs8090783

Giri, C., Ochieng, E., Tieszen, L.L., Zhu, Z., Singh, A., Loveland, T., Masek, J., Duke, N. 2011. Status and distribution of mangrove forests of the world using earth observation satellite data. Global Ecology and Biogeography, 20(1), 154-159. https://doi.org/10.1111/j.1466-8238.2010.00584.x

Hamilton, S.E., Casey, D. 2016. Creation of a high spatio-temporal resolution global database of continuous mangrove forest cover for the 21st century (CGMFC-21). Global Ecology and Biogeography, 25(6), 729-738. https://doi.org/10.1111/geb.12449

Hantson, S., Chuvieco, E., Pons, X., Domingo, C., Cea, C., Moré, G., Cristóbal, J., Peces, J.J., Tejeiro, J.A. 1988. Cadena de pre-procesamiento estándar para las imágenes Landsat del Plan Nacional de Teledetección. Revista de Teledetección, 36(1), 51- 61. Disponible en: http://www.aet.org.es/revistas/ revista36/Revista_36_Todo.pdf Último acceso: abril de 2019.

Hernández, B., Cherrington, E.A., Bosarreyes, A., Gálvez, J.G., Oyuela, M., Sempris, E. 2012. Clasificación de cobertura actual del mangle de las costas del Pacífico y Atlántico de Guatemala, a través de técnicas de percepción remota. Panamá: Centro del Agua del Trópico Húmedo para América Latina y el Caribe CATHALAC. Disponible en: http://maps. cathalac.org/download/Data/gt/cathalac_mangles_ guatemala_2012_.pdf Último acceso: abril de 2019.

Hossain, M.S., Wong, S., Chowdhury, M.Z.R., Shamsuddoha, M. 2009. Remote Sensing and GIS Application to Mangrove Forest Mapping in the Meghna Deltaic Islands of Bangladesh. Bangladesh Journal of Marine Sciences and Fisheries, 1(1), 81- 96.

INVEMAR. 2018. Informe del estado de los ambientes y recursos marinos y costeros en Colombia, 2017. Santa Marta: Serie de Publicaciones Periódicas No.3.

Kanniah, K. D., Sheikhi, A., Cracknell, A. P., Goh, H. C., Tan, K. P., Ho, C. S., & Rasli, F. N. 2015. Satellite images for monitoring mangrove cover changes in a fast growing economic region in southern Peninsular Malaysia. Remote Sensing, 7(11), 14360-14385. https://doi.org/10.3390/rs71114360

Kongwongjan, J., Suwanprasit, C., Thongchumnum, P. 2012. Comparison of vegetation indices for mangrove mapping using THEOS data. Proceedings of the AsiaPacific Advanced Network, 33, 56-64. https://doi. org/10.7125/APAN.33.6

Kuenzer, C., Bluemel, A., Gebhardt, S., Quoc, T. V., Dech, S. 2011. Remote Sensing of Mangrove Ecosystems: A Review. Remote Sensing, 3(5), 878-928. https://doi. org/10.3390/rs3050878

Landis, J., Koch, G. 1977. The measurement of observer agreement for categorical data. Biometrics, 33, 159- 174. https://doi.org/10.2307/2529310

López, A.C., Sierra-Correa, P.C., Rodríguez, J.C., Freyre-Palua, J.L. 2003. Plan de Manejo Integrado de la Zona Costera para el Complejo de las Bocanas de Guapi e Iscuandé Pacífico Colombiano Fase II. Santa Marta: INVEMAR-CRC-CORPONARIÑOIIAP. Ministerio de Ambiente, Vivienda y Desarrollo Territorio. Disponible en: http:// www.invemar.org.co/redcostera1/invemar/docs/ PlandemanejoUMIGuapi.pdf Último acceso: junio de 2019.

Lozano-Rivera, P. 2007. Técnicas de percepción remota y sistemas de información geográfica para la delimitación de bosques de manglar. Santa Marta: Instituto de Investigaciones Marinas y Costeras José Benito Vives de Andréis. Disponible en: http:// geonodesiam.invemar.org.co/documents/2783/ download Último acceso: abril de 2019.

Lu, D., Weng, Q. 2007. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 28(5), 823-870. https://doi. org/10.1080/01431160600746456

Mejía-Rentería, J.C., Castellanos-Galindo, G.A., Cantera-Kintz, J.R., Hamilton, S.E. 2018. A comparison of Colombian Pacific mangrove extent estimations: Implications for the conservation of a unique Neotropical tidal forest. Estuarine, Coastal and Shelf Science, 212(5), 233-240. https://doi. org/10.1016/j.ecss.2018.07.020

Melo, L., Camacho, M. 2005. Interpretación visual de imágenes de sensores remotos y su aplicación en levantamientos de cobertura y uso de la tierra. (Instituto Geográfico Agustín Codazzi, Ed.) (1. Ed.). Bogotá D.C.

Ministerio de Ambiente y Desarrollo Sostenible. 2011. Zonificación de areas de manglar. Bogotá D.C.: Ministerio de Ambiente y Desarrollo Sostenible. Disponible en: https://www.minambiente.gov.co/images/ BosquesBiodiversidadyServiciosEcosistemicos/ pdf/Manglares/080811_zonificación_manglares.pdf Último acceso: abril de 2019.

Mondal, P., Trzaska, S., De Sherbinin, A. 2018. Landsatderived estimates of mangrove extents in the Sierra Leone coastal landscape complex during 1990- 2016. Sensors, 18(1), 12. https://doi.org/10.3390/ s18010012

Moran, M.S., Jackson, R.D., Slater, P.N., Teillet, P.M. 1992. Evaluation of simplified procedures for retrieval of land surface reflectance factors from satellite sensor output. Remote Sensing of Environment, 41(2-3), 169-184. https://doi.org/10.1016/0034-4257(92)90076-V

Muhsoni, F.F., Sambah, A.B., Mahmudi, M., Wiadnya, D.G.R. 2018. Comparison of Different Vegetation Indices for Assessing Mangrove Density Using Sentinel-2 Imagery. International Journal of GEOMATE, 14(45), 42-51. https://doi.org/10.21660/2018.45.7177

Portengen, E.C. 2017. Classifying Mangroves in Vietnam using Radar and Optical Satellite Remote Sensing. (Tesis de Maestría). Delft University of Technology. Delft.

Priego, A., Bocco, G., Mendoza, M., Garrido, A. 2010. Propuesta para la generación semiautomatizada de unidades de paisaje. Morelia: Serie Planeación Territorial.Centro de Investigaciones en Geografía Ambiental Universidades Autónoma de México.

Rahman, A., Dragoni, D., Didan, K., Barreto-Munoz, A., Hutabarat, J. 2013. Detecting large scale conversion of mangroves to aquaculture with change point and mixed-pixel analyses of high-fidelity MODIS data. Remote Sensing of Environment, 130, 96-107. https://doi.org/10.1016/j.rse.2012.11.014

Rahman, M., Begum, S. 2011. Land cover change analysis around the Sundarbans mangrove forest of Bangladesh using remote sensing and gis application. Journal Science Foundation, 9(1-2), 95- 107. https://doi.org/10.3329/jsf.v9i1-2.14652

Richards, J.A., Jia, X. 2006. Remote Sensing Digital Image Analysis (4th ed.). Berlin: Springer.

Robles, B., Luna, R. 2007. Análisis de las tendencias de cambio del bosque de mangle del sistema lagunar Teacapán-Agua Brava, México. Una aproximación con el uso de imágenes de satélite landsat. Universidad y Ciencia, 23(1), 29-46. Disponible en: http://octopup. org/img/mexico2005/docs/2006-Analysis-of-changetrends-of-the-mangrove-forest-in-Teacapan-AguaBrava-lagoon.pdf Último acceso: junio de 2019.

Rodriguez, J., López, A., Sierra-Correa, P., Hernández, M., Almario, G., Prieto, L.M., … Martinez, H. 2009. Ordenamiento ambiental de los manglares del municipio de Guapi, departamento del Cauca (Pacífico colombiano). Medellín: Serie de documentos generales INVEMAR No 33. Servigraficas S.A.

Romero-Berny, E.I., Acosta-Velázquez, J., TovillaHernández, C., Schmook, B., Gomez-Ortega, R. 2015. Cambios de cobertura y fragmentación de manglar en la region del soconusco, Chiapas México, 1994-2011. Revista Geografica de America Central, 54, 153-169. https://doi.org/10.15359/rgac.1-54.7

Sánchez-Páez, H., Álvarez-Leon, R., GuevaraMancera, O.A., Zamora-Guzmán, A., RodríguezCruz, H., Bravo-Pazmiño, H. 1997. Diagnóstico y zonificación preliminar de los manglares del Pacífico de Colombia. Bogotá D.C.: Ministerio del Medio Ambiente.

Sánchez-Rodríguez, E., Torres-Crespo, M.Á., PalaciosCarmona, A.F., Aguilar-Alba, M., Pino-Serrato, I., Granado-Ruiz, L. 2000. Comparación del NDVI con el PVI y el SAVI como indicadores para la asignación de modelos de combustible para la estimación del riesgo de incendios en Andalucía. Tecnologías Geográficas Para El Desarrollo Sostenible, 11. Disponible en: http://www.age-geografia.es/tig/ docs/IX_2/Sanchez_Esperanza.PDF Último acceso: junio de 2019.

Secretaría de la Convención de Ramsar. 2013. Manual de la Convención de Ramsar: Guía a la Convención sobre los Humedales (Ramsar, Irán, 1971), 6a. edición. Gland, Switzerland: Secretaría de la Convención de Ramsar.

Sobrino, J.A., Jiménez-Muñoz, J.C., Paolini, L. 2004. Land surface temperature retrieval from LANDSAT TM 5. Remote Sensing of Environment, 90(4), 434- 440. https://doi.org/10.1016/j.rse.2004.02.003

Sremongkontip, S., Hussin, Y., Groenindijk, L. 2000. Detecting changes in the mangrove forests of southern Thailand using remotely sensed data and GIS. International Archives of Photogrammetry and Remote Sensing, 33(Part B7), 567-574. Disponible en: http://www.isprs.org/proceedings/XXXIII/ congress/part7/567_XXXIII-part7.pdf Último acceso: junio de 2019.

Stehman, S.V. 2009. Sampling designs for accuracy assessment of land cover. International Journal of Remote Sensing, 30(20), 5243-5272. https://doi.org/10.1080/01431160903131000

Thomas, N., Bunting, P., Lucas, R., Hardy, A., Rosenqvist, A., Fatoyinbo, T. 2018. Mapping mangrove extent and change: A globally applicable approach. Remote Sensing, 10(9), 1-20. https://doi.org/10.3390/rs10091466

Thomas, N., Lucas, R., Bunting, P., Hardy, A., Rosenqvist, A., Simard, M. 2017. Distribution and drivers of global mangrove forest change, 1996-2010. PLoS ONE, 12(6), 1-14. https://doi.org/10.1371/journal.pone.0179302

Valderrama-Landeros, L., Flores-de-Santiago, F., Kovacs, J.M., Flores-Verdugo, F. 2017. An assessment of commonly employed satellite-based remote sensors for mapping mangrove species in Mexico using an NDVI-based classification scheme. Environmental Monitoring and Assessment, 190(1), 23. https://doi.org/10.1007/s10661-017-6399-z

Wachid, M., Hapsara, R., Cahyo, R., Wahyu, G., Syarif, A., Umarhadi, D., Fitriani, A.N., Ramadhanningrum, D.P., Widyatmanti, W. 2017. Mangrove canopy density analysis using Sentinel- 2A imagery satellite data Mangrove canopy density analysis using Sentinel-2A imagery satellite data. IOP Conf. Series: Earth and Environmental Science, 70, 1-8. https://doi.org/10.1088/1755-1315/70/1/012020

Wang, D., Wan, B., Qiu, P., Su, Y., Guo, Q., Wang, R., Sun, F., Wu, X. 2018. Evaluating the Performance of Sentinel-2 , Landsat 8 and Pléiades-1 in Mapping Mangrove Extent and Species. Remote Sensing, 10(1468), 2-27. https://doi.org/10.3390/rs10091468

Xia, Q., Qin-Cheng, Z., Li, H., Huang, C., Zhen Su, F. 2018. Mapping Mangrove Forests Based on MultiTidal High-Resolution Satellite Imagery. Remote Sensing, 10(1343), 2-20. https://doi.org/10.3390/ rs10091343

Zambrano, C., Rubiano, D. 1996. Mapas del bosque de manglar de la costa pacífica colombiana: años 1969, 1996 y multitemporal. Informe técnico 7. Santa fé de Bogotá: Organización Internacional de Maderas Tropicales/Ministerio del Medio Ambiente.

Zhen, J., Liao, J., Shen, G. 2018. Mapping Mangrove Forests of Dongzhaigang Nature Reserve in China Using Landsat 8 and Radarsat-2 Polarimetric SAR Data. Sensors, 18(11) 1-19. https://doi.org/10.3390/s18114012

Abstract Views

2565
Metrics Loading ...

Metrics powered by PLOS ALM




This journal is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License

Universitat Politècnica de València

Official Journal of the Spanish Association of Remote Sensing

e-ISSN: 1988-8740    ISSN: 1133-0953           https://doi.org/10.4995/raet