Análisis de áreas perturbadas y selección de sitios

ANÁLISIS DE ÁREAS PERTURBADAS EN EL MACIZO FORESTAL DE
CHIHUAHUA, MÉXICO A TRAVÉS DE IMÁGENES LANDSAT TM Y MODELOS
DIGITALES DE ELEVACIÓN
Carmelo PINEDO ÁLVAREZ1, Melitón TENA VEGA4 Gaudencio BARRAGÁN
PONCE DE LEON4, Rey M. QUINTANA MARTÍNEZ2, Oscar A. VIRAMONTES
OLIVAS3 y Alfredo PINEDO ÁLVAREZ5
Departamento de Recursos Naturales, Facultad de Zootecnia, Universidad
Autónoma de Chihuahua, Chihuahua, México. Código Postal 31031, correo
elecrónico: [email protected], [email protected], [email protected],
[email protected],[email protected],
[email protected]
Palabras Clave: perturbación, reforestación, Landsat TM, MDE
RESUMEN
La detección de áreas perturbadas y la selección adecuada de sitios a reforestar,
requiere de procedimientos geoestadísticos que a través de datos de campo
combinados con datos de imágenes de satélite y Modelos Digitales de Elevación
permitan generar información actualizada, confiable y de bajo costo, que facilite su
análisis para una adecuada planeación y ejecución de programas de reforestación
en áreas perturbadas para lograr su productividad, conservación y administración
sustentable. Los objetivos del estudio fueron: 1) analizar las variables físico–
químicas del sitio para caracterizar las áreas perturbadas susceptibles a
reforestar, 2) detectar áreas perturbadas mediante técnicas de transformación
espectral y 3) generar los mapas cartográficos con la ubicación de las áreas
susceptibles a reforestar. Los datos de campo e imágenes de Landsat TM 7 y
Modelos Digitales de Elevación se analizaron con IDRISI y ArcView versión 8.x.
Se aplicaron técnicas multivariadas de Análisis Clusters y Análisis de
Componentes Principales para el análisis de las variables biométricas y físico–
químicas del suelo y la detección de áreas perturbadas. El análisis físico-químico
mostró características similares para la mayoría de las variables analizadas en el
área de estudio. Solo en la profundidad de suelo se presentaron diferencias
importantes para el establecimiento de plantaciones forestales. La combinación de
las bandas 3, 4 y 5 permitió detectar en forma preliminar áreas perturbadas. El
Análisis de Componentes Principales mostró que el primer componente redujo la
dimensionalidad de los datos mientras que el segundo componente detectó las
áreas perturbadas.
INTRODUCCIÓN
La causa principal de deforestación en el mundo se asocia a la creciente demanda
de productos derivados del bosque debido a la sobrepoblación (Rotmans y Swart,
1991). México sobresale con una tasa de deforestación estimada en 600 mil
hectáreas anuales (CONAFOR, 2003) ubicado en los primeros lugares de
deforestación de bosques y selvas en el mundo con la presencia de problemas de
1
erosión, desertificación, pérdida de biodiversidad y en consecuencia una baja
productividad de sus tierras. Este problema se refleja en la economía de las
regiones forestales del estado de Chihuahua, donde existe un fuerte deterioro
ecológico que genera irregularidades en el clima, agua, suelo, flora y fauna
silvestre entre otros. Adicionalmente, las actividades de protección y reforestación
comercial han presentado una serie de limitaciones que obstaculizan su éxito, dado
que no presentan objetivos claros y bien definidos debido a la falta de información
confiable y actualizada relacionada con las posibles áreas a reforestar, además de
emplear técnicas inadecuadas de manejo para cada región.
Para establecer plantaciones exitosas que coadyuven a resolver el problema de
abastecimiento a las industrias forestales y disminuir la presión al bosque natural;
debe considerarse entre otros factores el conocimiento de las características
biofísicas y químicas de los sitios a plantar. En este sentido, el análisis de datos de
campo combinados con datos de imágenes de satélite y Modelos Digitales de
Elevación (MDE) de alta resolución espacial, permiten generar información
actualizada y confiable facilitando su análisis (Franklin, 1994 y Francois, 1999), lo
que viene a coadyuvar en el logro de una adecuada planeación y ejecución de
programas de recuperación de áreas perturbadas, buscando reactivar su
productividad, así como la conservación y preservación de los recursos naturales
asociados. Este estudio comprendió los siguientes objetivos; 1) analizar las
variables fisicoquímicas del sitio para caracterizar las áreas perturbadas
susceptibles a reforestar, 2) detectar áreas perturbadas mediante técnicas de
transformación espectral y, 3) generar los mapas cartográficos con la ubicación de
las áreas susceptibles a reforestar.
MATERIALES Y MÉTODOS
Localización. El estudio se realizó en cuatro predios; San Juanito, Bocoyna y San
Ignacio de Arareco, del municipio de Bocoyna, y ejido Cusárare del municipio de
Guachochi, Chihuahua, ubicados en la Sierra Tarahumara. Geográficamente,
dichos predios se localizan entre las coordenadas 228369 E, 3046635 N y 265236
E, 3105332 N.
Clima. Es templado húmedo (C (E) W2), con una precipitación promedio anual de
578 mm, la temperatura media anual es de 12.9 ºC, con una mínima de –9.9 ºC y
una máxima 26.7 ºC. Respecto a las temperaturas extremas, estas varían desde
los –18.0c en el mes de diciembre del 2003 hasta 40 0c correspondiente al mes de
junio de 1992.
Vegetación. Se caracteriza por una mezcla de especies que incluyen a Pinus
arizonica, Pinus durangensis y Pinus engelmannii, asociadas a Quercus sp.,
Populus sp., Juniperus depeana, Pinus leyophila, Pinus chihuahuana, Pinus
ayacahuite y Picea chihuahuana (Martinez, 2002).
Fisiografía. La topografía accidentada que presenta el área de estudio, está
constituida por una gran diversidad de topoformas como mesetas, barrancas,
cerros, cañadas, lomeríos y cañones (INEGI, 2003). Los sitios muestreados en su
mayoría se presentaron en planicies con rangos altitudinales de los 2,212 msnm,
hasta los 2,572 msnm.
2
Geología. El área presenta afloramientos de rocas ígneas extrusivas,
predominando las ácidas del tipo asociación riolita-toba ácida del terciario superior
Ts (Igea). Los suelos del municipio de Bocoyna son del tipo regosol éutrico y los
del ejido Cusárare del municipio de Guachochi son del tipo feozem háplico. En
general los suelos son poco profundos con fluctuaciones de 34.5 a 25.0 cm, con
texturas que van desde franco arcillo-arenosa a franco arenosa, medianamente
altos en materia orgánica y nitrógeno y deficientes en fósforo, con un pH
fuertemente ácidos.
Metodología
La información se analizó con los programas IDRISI y ARC/VIEW versión 8.x. Se
utilizaron cuatro fuentes de datos: imagen Landsat TM7 de enero del 2003; cuatro
modelos digitales de elevación (MDE) en escala 1:50,000; cartas temáticas de
edafología, topografía y uso del suelo, así como datos de campo colectados con la
medición de las variables de interés.
A las bandas utilizadas de Landsat TM7, se les aplicó procedimientos de análisis
radiometrica y corrección geométrica para corregir posibles efectos de ruido,
atenuación de contaminantes, humedad relativa y niveles de nubosidad (Lillesand
y Kiefer, 1987). La subescena de interés fue ajustada conforme al análisis de los
predios, para un mejor análisis de las variables. Los cuadrángulos de los MDE en
escala 1:50,000 fueron segmentados en subescenas de acuerdo a la ubicación de
cada predio Una vez generado el MDE se aplicaron dos algoritmos de conversión
para generar el Modelo Digital de Pendientes (MDP) y el Modelo Digital de
Exposiciones (MDExpo). Mediante el operador booleano AND la pendiente fue
reclasificada en los siguientes rangos; 0 –2 % plantaciones comerciales, 3 – 5%
recuperación forestal y > 5% para protección a otros recursos existentes. Para la
detección preliminar las áreas perturbadas, se exploró y selecciono la combinación
de las bandas que mejor discriminó las áreas perturbadas de acuerdo a los
procedimientos sugeridos por (Pinedo, 2004). Una vez detectadas las áreas, se
utilizó el módulo de SEEDTOOLS de ERDAS interpolado por el programa
ARCVIEW para generar las máscaras que fueron
sobrepuestas en las
subescenas derivadas tanto de Landsat TM como de los MDE, MDP y MDExpo.
Bajo un muestreo estratificado al azar, los datos de las variables de interés se
colectaron utilizando tres técnicas de muestreo; a) parcela de un metro cuadrado
para las variables: ubicación (GPS), altitud (altímetro), exposición (brújula Silver),
pendiente (clinómetro Sunto) y variables de suelo, b) parcela de 12.56 m2 (dos
metros de radio) para los datos de regeneración de la vegetación arbórea y c)
parcela de 200 m2 (cuatro metros de radio) se colectó la información de arbolado
adulto (especie, altura total y comercial, diámetro normal, distribución de
productos, edad, incrementos y paso de año).
Para conocer la relación de cada una de las bandas de Landsat TM y reducir la
posible dimensionalidad de los datos espectrales, se aplicó un análisis de
componentes principales además de que las nuevas imágenes permitieron
detectar áreas perturbadas susceptibles de reforestar (Ferrero et al., 2004).
3
RESULTADOS
Análisis de Áreas Perturbadas. La matriz de correlación del análisis de
componentes principales (ACP) mostró con excepción de la banda 4, un alto grado
de asociación en el resto de las bandas espectrales de Landsat TM, por lo que la
combinación de cualquiera de tres bandas puede generar un mapa de tipos de
cubierta con una fácil detección de áreas perturbadas. Sin embargo, se optó por
seleccionar la banda menos correlacionada (banda 4) y combinarla con una
infrarroja y una visible para finalmente generar una composición en falso color
utilizando la banda 3 en el canal azul, la banda 4; en el canal verde y la banda 5
en el rojo. Este proceso permitió generar la cartografía de uso actual del suelo
para discriminar en forma preliminar las áreas perturbadas, ubicar los sitios de
muestreo y posteriormente cuantificar los polígonos de las áreas susceptibles a
reforestar.
Además de atenuar el efecto de la diferencia de variabilidad entre bandas y
disminuir la dimensionalidad de los datos entre ellas, adicionalmente, el ACP
permitió generar nuevas imágenes, conformando tantos componentes como
bandas entran en el análisis. El porcentaje de la variación total explicada por cada
componente y los valores de eigenvectores se presentan en la Figura 1.
% DE VARIACIÓN
100
C1
80
60
40
20
C2
0
C3
C4
C5
C6
COMPONENTES
Figura 1. Variación explicada por cada componente principal.
El primer componente sintetizó el 94.37% de la variabilidad total mientras
que el segundo componente explicó el 3.55 de la variabilidad total. Los dos
componentes presentaron el 98% de variabilidad del total de las variables
originales, mientras que el resto de los componentes sintetizaron el 2.08% de la
variabilidad total. Aunque el primer componente redujo la dimensionalidad de los
datos conservando casi la totalidad de la información, sin embargo, para los
propósitos del presente estudio, el segundo componente mostró claramente la
detección de áreas perturbadas las cuales se observan en la Figura 2.
Distribución y agrupación de los sitios. Las variables de los 40 sitios se
agruparon entre los cuatro clusters resultantes del análisis multivariado (Clusters
4
Analysis) en base a la similitud de los valores de las variables estudiadas, de tal
forma que el cluster 1 agrupó 6 sitios localizados en los ejidos San Juanito y San
Ignacio de Arareco, el cluster 2 agrupó 9 sitios de San Juanito, San Ignacio de
Arareco y Cusárare, el cluster 3 agrupó 10 sitios de los cuatro predios estudiados
mientras que el cluster 4 agrupó 15 sitios de los cuatro predios (Tabla I).
Figura 2. Imagen derivada del componente 2 del Análisis de Componentes
Principales para detectar áreas perturbadas en San Ignacio de
Arareco.
TABLA I. Clusters formados en base a las variables de interés
Clusters
Sitios
1
9,10,13,14,15,17
2
1,2,5,8,16,18,36,38,40
3
4,11,12,26,27,30,31,33,37,39
4
3,6,7,19,20,21,22,23,24,25,28,29,32,34,35
Análisis Físico-Químico de los Sitios. Las variables agrupadas en los cuatro
clusters mostraron características físico -químicas similares para toda el área bajo
estudio, con una relativa diferencia mostrada por la variable profundidad de suelo
cuyos valores son mayores en los sitios agrupados en los clusters 1 y 2 con
5
respecto a los sitios agrupados en los clusters 3 y 4 por lo que presentan las
mejores condiciones para el establecimiento de plantaciones (Tabla 2).
TABLA 2. Valores de variables de interés y su agrupación en los cuatro clusters
resultantes.
Variable
Altitud
1
2390.0000
Cluster
2
2410.2857
3
2456.6667
4
2318.4167
ProSuelo
(cm)
Mantillo
(cm)
Dens. Ap
34.5000
33.7143
26.6000
25.0000
0.9167
0.4429
1.0800
0.6667
0.6220
0.6624
0.7226
0.8039
E. Poros
(%)
C. E.
(mmhos/cm)
pH
63.9307
64.6811
62.0351
60.4064
0.2200
Normal
4.1817
Fuertemente
ácido
1.7183
Medianamente
alto
9.5117
Normal
0.1743
Normal
4.3229
Fuertemente
ácido
1.6671
Medianamente
alto
7.2786
Normal
0.1867
Normal
4.3633
Fuertemente
ácido
1.5407
Medianamente
alto
7.5820
Normal
0.2000
Normal
4.2025
Fuertemente
ácido
1.1325
Medianamente
alto
7.2067
Normal
N-NO
(Kgm/ha)
404.6900
Medianamente
alto
469.2900
Medianamente
alto
235.7527
Medianamente
alto
230.6275
Medianamente
alto
P
(Kgm/ha)
12.7833
Deficiente
14.8857
Deficiente
11.8467
Deficiente
9.4333
Deficiente
770.8333
Exceso
6.4733
Moderadamente
rápida
278.5714
Alto
6.6829
Moderadamente
rápida
52.7280
45.1337
57.6853
60.9947
23.1520
25.0720
20.0800
20.2787
39.0667
49.5571
27.3333
41.7250
Mat. Org
(%)
RAS
K
(ppm)
C. H.
(cm/hr)
Arena
(%)
Arcilla
(%)
S. Desn.
(%)
210.8333
275.0000
Alto
Alto
4.4413
8.6200
Moderada Moderadamente
rápida
Cartografía de las Áreas Susceptibles de Reforestar. Las máscaras de las
áreas perturbadas que se originaron del componente 2 del ACP, fueron
sobrepuestas para su visualización y análisis en la imagen compuesta. Este
producto cartográfico representa el mapa base que en formato temático y digital
contiene la información necesaria para cubrir necesidades de otras diversas
variables que no fueron analizadas en este estudio como son la estimación de
6
superficies perturbadas, tipo comercial de arbolado afectado, grado de severidad
de la perturbación, análisis de impacto ecológico entre otras variables. La
superficie a reforestar que en su conjunto comprenden un total de 5,820 ha
(Tabla 3), son consecuencia de diversos factores que determinan la condición
actual del bosque. En todos los predios estudiados, su condición está asociada al
historial de manejo de los predios relacionado a factores de sobreexplotación, tala
clandestina, incendios forestales y cambios de uso del suelo.
Tabla 4. Superficies suceptibles a reforestar con base al análisis espectral
Predio
Ejido: San Juanito
Superficie (ha)
5229
Superficie a Reforestar (ha)
1877.8323
Ejido Bocoyna
Ejido San Ignacio de Arareco
6055
21051
956.4621
1370.0444
Ejido Cusárare
29914
1616.0901
TOTAL
62249
5820.4294
Análisis de Superficies. Además de la altitud, el proceso y análisis de los MDE
proporcionó datos de la pendiente la cual es importante en los programas de
reforestación comercial y restauración ecológica. Las pendientes mayores a 5% se
presenten en valores aproximados al 88% con gradientes de 62% en el ejido San
Juanito hasta 94% en el ejido Cusárare. Este comportamiento fisiográfico se
asocia en forma inversa a la clase 0-2% en donde San Juanito presenta el
mayor porcentaje de terreno plano (23%) mientras que Cusárare presenta tan
solo el 1% de esta clase. Diversos autores (Campos, 1998; Moreno et al., 1994;
Escárpita, 2002 y Patiño, 1994) afirman que la selección de las especies
adecuadas, la pendiente, suelo y clima entre otros factores, son variables que
determinan el éxito de las plantaciones, ya que las plantaciones con fines
comerciales deben de establecerse en suelos preferentemente planos, mientras
que las áreas dedicadas a la protección deben de plantarse en pendientes fuertes.
DISCUSIÓN
La generación de mapas preliminares fue de gran utilidad ya que permitió generar
la cartografía de uso actual del suelo para discriminar las áreas perturbadas,
ubicar los sitios de muestreo y posteriormente cuantificar los polígonos de las
áreas susceptibles a reforestar; la selección cuidadosa de estas tres bandas se
realizó de acuerdo a lo sugerido por Richards (1986) y Beaubien (1994) quienes
recomiendan reducir el número de bandas, utilizando aquellas cuya combinación
mantenga el nivel de discriminación de los tipos de cubierta de interés.
Desde el punto de vista estadístico, el ACP facilitó una primera interpretación
sobre los ejes de variabilidad de la imagen, lo que permitió identificar aquellos
rasgos que aparecen en la mayoría de las bandas y aquellos otros que son
específicos de algún grupo de ellas (Ferrero, 2004; Robin, 1995 y SPIPR2, 1992).
A pesar de que Muchoney y Haack (1994) refieren que los cambios temporales y
7
perturbaciones en la vegetación se observan en los últimos componentes de
Landsat TM, en este estudio el componente 2 permitió discriminar en forma mas
clara las áreas perturbadas lo que indica la importancia de utilizar esta
herramienta multivariada, para facilitar los procesos para este tipo de estudios.
Las variables de interés de los 40 sitios se agruparon entre los cuatro clusters
resultantes del análisis multivariado (Clusters Analysis) con base a la similitud de
los valores de las variables estudiadas lo que permitió la distribución y agrupación
de los sitios. Jonson (1998) señala que esta técnica multivariada comprende
técnicas que producen clasificaciones a partir de datos que inicialmente no están
clasificados. Y no debe confundirse con el análisis discriminante en el cual desde
un principio se sabe cuantos grupos existen y se tienen datos que provienen de
cada uno de estos grupos.
El Análisis de los sitios presentó características físico-químicas muy similares pata
toda el área de estudio, con una relativa diferencia mostrada por la variable
profundidad de suelo cuyos valores son mayores en los sitios agrupados en los
clusters 1 y 2 (34.5 y 33.7 cm) con respecto a los sitios agrupados en los clusters
3 y 4 (26 y 25 cm), por lo que presentan las mejores condiciones para el
establecimiento de plantaciones. Esto coincide con Carmean, (1975) y Gregorich,
et al. (1994) quienes señalan que la profundidad del suelo es una de las variable
edáficas de mayor impacto para determinar la calidad de sitio para plantaciones,
ya que a mayor profundidad aumenta la retención de agua en el suelo y facilita la
incorporación de la materia orgánica originada por la descomposición de troncos,
ramas y hojarasca entre otros; además de permitir un desarrollo radicular
adecuado para el establecimiento de los cultivos (Davel y Ortega 2002). Al
respecto, Narváez y Armendariz (2005) afirman que el crecimiento de los verticilos
en plantaciones de Pinus arizonica, Pinus durangensis y Pinus engelmannii está
en función de la profundidad total del suelo.
La superficie a reforestar para los predios evaluados, que en su conjunto
comprenden un total de 5,820 ha son consecuencia de diversos factores que
determinan la condición actual del bosque, la cual está asociada al historial de
manejo de los predios relacionado a factores de sobreexplotación, tala
clandestina, incendios forestales y cambios de uso del suelo.
Además de la altitud, su proceso y análisis proporcionaron rasgos importantes del
terreno, principalmente en la derivación de la pendiente que es una variable
importante en los programas de reforestación comercial y restauración ecológica.
Diversos autores (Campos, 1998; Moreno et al., 1994; Escárpita, 2002 y Patiño y
Vela, 1994) afirman que la selección de las especies adecuadas, la pendiente,
suelo y clima entre otros factores, son variables que determinan el éxito de las
plantaciones.
AGRADECIMIENTOS
Se agradece a la Fundación Produce Chihuahua A.C. y a la Comisión Nacional
Forestal (CONAFOR) que a través del Consejo Nacional de Ciencia y Tecnología
proporcionaron los recursos financieros para el desarrollo de la presente
investigación.
8
REFERENCIAS
Beaubien, J. 1994. Landsat TM Satellite Images of Forests:From Enhancement to
Classification. Canadian Journal of Remote Sensing. Vol. 11. No Québec, Canadá.
p. 17-26. Bosques 8(1), 2002:3-18.
Campos, R. D., Caráves, S. I. y Varela O. R. 1998. Normas para el Trabajo
Técnico No 53. p 54.
Carmean, W. H. 1975. Forest site cuality evaluation in the United States. Advances
in Agronomy. 27:209-269. USA.
CONAFOR, 2005. Comisión Nacional Forestal. Inventario Nacional Forestal.
Versión Preliminar s/p.
Davel, M. y Ortega, A, M. 2002. Predicting site index from environmental
variables in Douglas-fir plantations in the Patagonian Andes, Argentina. En línea
Disponible: [email protected]. Accesado: 6 de Noviembre del 2005.
Escárpita, H. A. 2002. Situación actual de los bosques en Chihuahua. Madera y
Bosques 8(1), 2002:3-18.
Ferrero, B.S., M.G. Palacio, y R.O. Campanella, 2004. Análisis de Componentes
Principales en Teledetección. Consideraciones estadísticas para optimizar su
interpretación (Parte II). Universidad Nacional de Río Cuarto, Córdoba, Argentina.
p. 9.
Francois, 1999. Aplicación de Imágenes de Satélite para Análisis de Recursos
Forestales Deforestación y Fragmentación Forestal en la región de la Laguna de
Términos, Campeche: un análisis del período 1974-91. Centro EPOMEX
Universidad Autónoma de Campeche. Campeche, Camp. México. p 12.
Franklin, J. 1994. Thematic Mapper Analysis of Coniferous Forest Structure and
Composition. In. J. Remote Sensing of Environment. p. 35.
Gong, P. 1993. Change Detection Using Principal Component Analysis and Fuzz
set Theory. Canadian J. Remote Sensign, Vol. 19, No. 1, pp. 25 – 29.
Gregorich, E.G., Carter, M.R., Angers, D.A., Monreal, C.M. y Ellert, B.H. 1994.
Towards a minimum data set to asses soil organic matter quality in agricultural
soils. Canadian J. of Soil Science 74: 367-386.
Guerrero, G. M. 2000. Caracterización Físico-Química del suelo en huertos de
nogal pecanero (Carya illinoensis (Wangenh) K. Koch) ” Western Schley” mediante
Diagnostico Diferencial Integrado (DDI). Tesis de Maestría. Facultad de Ciencias
Agrotecnológicas. UACH. pp. 53-61.
Jonhson, E. D. 1998. Métodos Multivariados Aplicados al Análisis de Datos.
kansas, State University p. 319.
Lillesand , T. M. y R. W. Kiefer. 1987. Remote Sensing and Image Interpretation.
Wiley and Sons. New York.
Moreno, S. R., Moreno, S. F. y Cruz, B.G. 1994. Determinación de áreas
potenciales para plantaciones forestales. IV Reunión Nacional de Plantaciones
Forestales. SARH. pp. 180 – 186.
Muchoney D.M. y Haack B.N. (1994). Change Detection for Monitoring Forest
Defolation. Photogrammetric Engineering & Remote Sensing. Vol. 60, No. 10. pp
1243-1251.
Narváez, F. R. y Armendáriz ,O. R. (2005). El suelo y clima en relación con la
calidad de sitio de las plantaciones forestales en los municipios de Bocoyna,
9
Guerrero y Madera del estado de Chihuahua. En Memoria del VII Congreso
Mexicano de Recursos Forestales. Chihuahua, México pp 94-95.
Pinedo, A. A. 2004. Análisis multitemporal de áreas deforestadas en la región
centro-norte de la sierra occidental, Chihuahua, México. Tesis de Maestría.
Facultad de Facultad de Zootecnia. UACH. p.53.
Richard, J. A. 1986. Remote Sensing Digital Image Analysis. And introduction, Ed.
Springer-verlang.
Robin, M. 1995. La télédéction. Nathan Universite. Des satellites aux systémés d´
information géographiques. Edition Nathan.
Rotmans, J. and R. J. Swart. 1991. Modelling tropical deforestation an its
consequences for global climate. Ecol. Modelling. 58: 217-247.
SPIPR2. 1992. Sistema Personal Interactivo de Percepción Remota. Versión 2.0.
Aguascalientes, Ags. 1992.
10