ESTIMACIÓN DEL RETROCESO GLACIAR POR TELEDETECCIÓN EN EL NEVADO CHAMPARA

1. INTRODUCCIÓN 

A lo largo de las últimas décadas, el retroceso de los glaciares a nivel mundial se ha venido acelerando. Debido a que los glaciares se encuentran a temperaturas próximas a la temperatura de fusión bajo las condiciones terrestres actuales, se puede decir, que los sistemas de transporte del hielo están relacionados con el cambio climático (Kääb, y otros, 2003). La degradación y retroceso glaciar de las masas de hielo del planeta debido a los efectos del cambio climático y las intervenciones directas e indirectas de los proyectos productivos generados en las zonas de influencia ha suscitado la preocupación científica y ciudadana por el futuro de los glaciares (Paul, Huggel, & Kääb, 2004).

El Perú, posee las más extensas y altas montañas con glaciares a nivel mundial, el retroceso glaciar es solo una manifestación más, de los efectos del cambio climático y corremos el riesgo que, en un futuro inmediato, el efecto que puede ocasionar en el desarrollo económico del País (Tacsi Palacios, Colonia Ortiz, Torres Castillo, & Santiago Martel , 2014).

2.ANTECEDENTES

Usando los límites glaciales obtenidos a partir de la digitalización de los glaciares recopilados en el inventario glacial suizo de 1973 y las imágenes de Satélite LANDSAT 5 TM para el periodo de 1985-1999, se han obtenido los cambios en el área glaciar de aproximadamente 930 glaciares Alpinos. El análisis de los datos satelitales multiespectrales indica un retroceso considerable de los glaciares desde la década de los 80 (Paul, Huggel, & Kääb, 2004).

En el Perú, los glaciares están distribuidos entre las coordenadas de latitud 07°06' -17°55' Sur y entre las longitudes 69°13'- 77°53'0este. Asimismo, se hallan por encima de los 5,000 y 5,500 metros de altitud, con lenguas glaciares que descienden a veces hasta por debajo de la línea de nieve (Tacsi Palacios, Colonia Ortiz, Torres Castillo, & Santiago Martel , 2014).

Según el inventario de glaciares del Perú, iniciado por INGEMMET en 1978 y concluido por Hidrandina S.A. en 1989 (publicado por el Consejo Nacional de Ciencia y Tecnología en 1989), se han contabilizado 3,004 glaciares agrupados en dieciocho cordilleras (aunque se habla allí de 20 cordilleras nevadas), con una cobertura glaciar de 2,041.85km2, cuyo espesor varía entre 13.90 y 35.24 metros, estimándose un volumen de 56,151 km3 de recurso hídrico congelado. Siendo la Cordillera Blanca la más imponente, que abarca aproximadamente 723.37 km2, donde hay 178 montes importantes con glaciares, AMES (1989) (AMES, 1989).

3. DESCRIPCIÓN DEL ÁREA DE ESTUDIO 

El área de estudio es el Nevado de Champará, que se encuentra ubicado entre las coordenadas de latitud (8°37'- 8°43~ Sur y entre las longitudes (77°45' - 77°49~ Oeste, tiene una altitud de 5735msnm, ubicado en la Cordillera Blanca, entre los distritos de La Pampa y Cusca que pertenecen a la Provincia de Corongo y el distrito de Yuracmarca que pertenece a la provincia de Huaylas, Departamento Ancash en Perú (ver figura N°1), siendo el río más importante que se origina el Rio Coronguillo, que es afluente del Río Santa, en su recorrido cuenta con varios túneles y contribuyendo con sus aguas a la Central Hidroeléctrica del Cañón del Pato, una de las más importantes fuentes generadoras de energía eléctrica del país. A su vez el Nevado Champará no pertenece al Parque Huascarán que es una Reserva Nacional que fue creado desde 1975 y en 1985, fue declarado Patrimonio Natural de la Humanidad y Reserva de la Biosfera por la UNESCO.

4.OBJETIVOS

• Generar un código en R que interactuare con la plataforma Google Engine para la descarga de imágenes Landsat.
• Elaborar un código en RGis para el cálculo del NDSI
• Determinar el área de retroceso glaciar del nevado Champara

5.PROCEDIMIENTO

5.1.Descarga de las imágenes Landsat 

Para este apartado se trabajo con Google Earth Engine (GEE) en la interfase de Rstudio en donde se siguió el flujo de trabajo que se muestra en la figura N°2.

5.2.Cálculo del NDSI y estimación del retroceso glaciar

En esta parte del ejercicio se trabajó con el pugin de QGIS Processing R Provider en donde se escribió un código de R para el cálculo del NDSI a partir de las imágenes Landsat 5 y 8. Asimismo, mediante un análisis grafico se estimó el retroceso glaciar del nevado Champara, el flujo de trabajo se muestra en la figura N°3.

6.RESULTADOS

6.1.Script de R para la descarga de las imágenes satelitales de Landsat 5 y 8 en GEE

El código de R para la descarga de las imágenes Landsat en la interfaz de GEE se muestra a continuación 

#*************************************************************************************************

#============= PROYECTO DE GOOGLE EARTH ENGINE EN R ============================

#*************************************************************************************************

#0) Instalamos y cargarnos la librería

#*************************************************************************************************

install.packages(“rgee”)

install.packages(“sf”)

install.packages(“raster”)

library(rgee)

library(sf)

library(raster)

#1) Inicializamos en Google Earth Engine

#*************************************************************************************************

ee_Initialize('ferial181965')

#2) Direccionamos la carpeta de trabajo 

#*************************************************************************************************

setwd('G:/CURSOS_TELEGRAM/CURSO_GOOGLE_EARTH_ENGINE_CON_R_MASTERGIS/Practica_fercho/Proyecto')

#3) Cargamos y visualizamos nuestra área de trabajo

#*************************************************************************************************

ee_x<-st_read("shp/Area_wgs84.shp") %>% sf_as_ee()

roi <- ee_x$geometry()

Map$centerObject(roi)

Map$addLayer(roi,{}, "roi")

#4) Cargamos la colección de imágenes de Landsat 5 y 8

#*************************************************************************************************

coleccion_Landsat5 <- ee$ImageCollection("LANDSAT/LT05/C02/T1_TOA")$

  filterDate('1984-04-19','2011-11-08')$

  filterBounds(roi)$

  filterMetadata('CLOUD_COVER','less_than',5)

coleccion_Landsat8 <- ee$ImageCollection("LANDSAT/LC08/C02/T1_TOA")$

  filterDate('2013-03-18','2022-04-17')$

  filterBounds(roi)$

  filterMetadata('CLOUD_COVER','less_than',5)

ee_get_date_ic(coleccion_Landsat5)

ee_get_date_ic(coleccion_Landsat8)

#5) seleccionamos las imágenes Landsat5 para nuestro análisis

#*************************************************************************************************

id_img_19890824<-"LANDSAT/LT05/C02/T1_TOA/LT05_008066_19890824"

id_img_19950809<-"LANDSAT/LT05/C02/T1_TOA/LT05_008066_19950809"

id_img_20060706<-"LANDSAT/LT05/C02/T1_TOA/LT05_008066_20060706"

Landsat_1989<-ee$Image(id_img_19890824)$clip(roi)%>%

 ee$Image$select(c("B1","B2","B3","B4","B5","B6","B7"))

Landsat_1995<-ee$Image(id_img_19950809)$clip(roi)%>%

 ee$Image$select(c("B1","B2","B3","B4","B5","B6","B7"))

Landsat_2006<-ee$Image(id_img_20060706)$clip(roi)%>%

 ee$Image$select(c("B1","B2","B3","B4","B5","B6","B7"))

#6) Seleccionamos las imágenes Landsat8 para nuestro análisis

#*************************************************************************************************

id_img_20140712<-"LANDSAT/LC08/C02/T1_TOA/LC08_008066_20140712"

id_img_20210715<-"LANDSAT/LC08/C02/T1_TOA/LC08_008066_20210715"

Landsat_2014<-ee$Image(id_img_20140712)$clip(roi) %>% 

 ee$Image$select(c("B1","B2","B3","B4","B5","B6","B7","B8","B9","B10","B11"))

Landsat_2021<-ee$Image(id_img_20210715)$clip(roi)%>%

 ee$Image$select(c("B1","B2","B3","B4","B5","B6","B7","B8","B9","B10","B11"))

#7) Visualización de las imágenes Landsat

#*************************************************************************************************

viz <-list(min = 0, max =0.4, bands= c('B7','B4','B3'))

Map$centerObject(roi)

Map$addLayer(Landsat_1989, viz,"Landsat_1989")+

  Map$addLayer(Landsat_1995, viz,"Landsat_1995")+

  Map$addLayer(Landsat_2006, viz,"Landsat_2006")+

  Map$addLayer(Landsat_2014, viz,"Landsat_2014")+

  Map$addLayer(Landsat_2021, viz,"Landsat_2021")+

  Map$addLayer(roi,{},"Roi",FALSE)

#8) Exportación de las imágenes Landsat 

#*************************************************************************************************

#8.1 Exportación de GEE a local 

#------------------------------------------------------------------------------------------------------------------

lo_landsat_1989 <- ee_as_raster(image =Landsat_1989,via = 'drive')

lo_landsat_1995 <- ee_as_raster(image =Landsat_1995,via = 'drive')

lo_landsat_2006 <- ee_as_raster(image =Landsat_2006,via = 'drive')

lo_landsat_2014 <- ee_as_raster(image =Landsat_2014,via = 'drive')

lo_landsat_2021 <- ee_as_raster(image =Landsat_2021,via = 'drive')

#8.2 Exportarcion a una carpeta

#------------------------------------------------------------------------------------------------------------------

writeRaster(lo_landsat_1989,"Landsat5/Landsat_1989.tif")

writeRaster(lo_landsat_1995,"Landsat5/Landsat_1995.tif")

writeRaster(lo_landsat_2006,"Landsat5/Landsat_2006.tif")

writeRaster(lo_landsat_2014,"Landsat8/Landsat_2014.tif")

writeRaster(lo_landsat_2021,"Landsat8/Landsat_2021.tif")

Asimismo, la visualización del presente código en Rstudio se muestra en la figura N°4.

6.2. Script de R en QGIS para el cálculo del NDSI

Luego de instalar el plugin de QGIS Processing R Provider se procedió a escribir el código de R para determinar el NDSI en formato vectorial, es necesario mencionar que las imágenes landsat 5 y 8 poseen diferentes bandas y resoluciones espectrales. Por tanto, se creo para cada tipo de imagen su correspondiente script para el calculo del NDSI, ver figura N°5, N°6 y N N°7

6.2. Cálculo del retroceso glaciar

En agosto de 1989 el nevado Champara poseía una superficie glaciar de 12.41 km2, mientras que a agosto de 1995 era de 9.92 km2, lo cual evidencia un retroceso glaciar del 20%, equivalente a 2.49 km2 de superficie glaciar perdida en 7 años (Figura 8). Asimismo, se observó que entre el período 1989-2006 el retroceso glaciar fue del 23.6% (2.93 km2). Sin embargo, entre el período 1989 – 2014 la cobertura glaciar disminuyo en 28.0% lo que equivales a una superficie perdida de 3.48 km2. Cabe desatacar que hasta julio del 2021 la perdida de cobertura glaciar alcanzo los 31.2Km2.

7.CONCLUSIONES

• El código de R en Google Earth Engine permitió descarga para nuestra área de estudio; 20 imágenes de satélite Landsat 5 para el periodo 1984 -2011 y 5 imágenes de satélite Landsat 8 para el periodo 2013 – 2022; con el cual se calculó en NDSI. Es necesario mencionar que para nuestro análisis se tomó imágenes de satélite con una periodicidad de aproximadamente cada 10 años.
• El código en R en Qgis permitió determinar el NDSI en formato vectorial para los años 1989, 1995, 2006, 2014 y 2021. Asimismo, se calculo sin dificulta el área de cobertura glaciar para los años en mención.
• Tomando como referencia la cobertura glaciar del nevado Champara en el año 1989; el cambio climático ha ocasionado que se pierda una superficie glaciar 31.2% hasta julio del 2021.

8.RECOMENDACIONES

• Con respecto al Nevado Champará, no hay estación meteorológica de medición de parámetros físicos, en los siguientes estudios es preciso utilizar los Modelos de Elevación Digital para determinar el cambio de volumen glaciar en equivalente de agua. 
• Se sugieres, aplicar imágenes de alta resolución como el SPOT en el área estudio para validar los resultados, encontrados en este trabajo.

9.BIBLIOGRAFÍA 

AMES, A. (1989). Inventario de glaciares del Perú. Unidad de Glaciológica e hidrología, Perú. Huaraz: Hidrandina S.A.

Kääb, A., Huggel, C., Paul, F., Wessels, R., Raup, B., Kieffer, H., & Kargel, J. (2003). Glacier Monitoring from Aster Imagery: Accuracy and Applications. EARSeL eProceedings, 2(1), 43-53.

Paul, F., Huggel, C., & Kääb, A. (2004). Combining satellite multispectral image data and a digital elevation model for mapping debris-covered glaciers. Remote Sensing of Environment, 89(4), 510-518. doi:https://doi.org/10.1016/j.rse.2003.11.007

Tacsi Palacios, A., Colonia Ortiz, D., Torres Castillo, J., & Santiago Martel , A. (2014). Inventario de Glaciares del Peru. Huaraz: Autoridad Nacional del Agua. Retrieved from https://www.ana.gob.pe/sites/default/files/normatividad/files/inv._nacional_de_glaciares_de_las_19_cordilleras_nevadas_parte1.pdf