Agronomía Costarricense 49 (2025) 852
Nota técnica
Índices de vegetación asociados con café en paisajes del occidente de Honduras
Juan Luis Hernández-Mencía1/*, Arlene López-Sampson2, Sergio Arriola-Valverde3
*Autor para correspondencia. Correo electrónico: Juan.Hernandez@catie.ac.cr
1 Instituto Hondureño del Café, Programa de Agroforestería Ambiente y Clima, Comayagua, Honduras.
2 Centro Agronómico Tropical de Investigación y Enseñanza, Turrialba, Cartago, Costa Rica.
3 Instituto Tecnológico de Costa Rica, Escuela de Ingeniería Electrónica, Cartago, Costa Rica.
DOI: https://doi.org/10.15517/s34jkr60
Recibido el 16 de julio del 2024; Aceptado el 03 de diciembre del 2024
Resumen
Introducción. El café es el cultivo con árboles más importante del mundo. En Honduras, este cultivo
representa el 5% de los ingresos totales del país. Objetivo. Analizar los índices de vegetación (IV) y el
nivel de asociación con diferentes usos de suelo y de cobertura en el occidente de Honduras. Materiales
y métodos. Se hizo un análisis descriptivo y de asociación entre los usos de suelo e IV de imágenes
satelitales y del Mapa Forestal y Cobertura de la Tierra de la República de Honduras para el 2018. Para
los IV se emplearon imágenes Sentinel 2A-2B del programa Copernicus. Los IV utilizados fueron el
Índice de Vegetación de diferencia normalizada (NDVI), Índice de Vegetación Ajustado al Suelo
(SAVI), Índice de Vegetación de humedad de diferencia normalizada (NDMI) y el Índice de Vegetación
de Estrés por Humedad (MSI). Los usos de suelos tomados como referencia fueron Bosque Latifoliado
(B-L), Bosque de Conífera (B-C), Bosque Mixto (B-M), Cafetales (SAF-C) y Pastos y Cultivo (P-C).
Resultados. Los usos de suelo clasificados como B-M (75%) y B-L (63%) tienen los mayores
porcentajes de pixeles en las categorías más altas en NDVI y P-C (13%) los más bajos. Para SAVI, el
SAF-C (94%) y el B-C (91%) obtuvieron los mayores porcentajes de pixeles en las categorías más altas
y P-C (75%) fue el más bajo. Para el índice NDMI, los valores ponderados más altos de humedad se
encontraron en B-M (48%) y B-L (41%), y el más bajo fue para P-C (1,78%). Para MSI, los valores
ponderados más altos los tiene B-M con 36% y el valor más bajo B-L con 1,62%. Conclusiones. Los
análisis muestran una asociación significativa entre los niveles de IV utilizados y los usos de suelo (X2
= 369,4; p-value = 0,0001). B-L y B-M son los dos usos de suelo que tienen mayor similitud y que
https://revistas.ucr.ac.cr//index.php/agrocost
Hernández-Mencía et al. Índices de vegetación y uso de suelo en el Occidente de Honduras
reflejan los niveles más altos de IV. El SAF-C tuvo su mayor asociación con B-C y los usos de suelos
que presentaron los niveles más bajos de asociación fueron el de P-C y el SAF-C.
Palabras clave: agroforestería; Sentinel-2; sensores remotos; sistemas de información geográfica.
Technical note
Vegetation indices associated with coffee agroforestry systems in western Honduras
Abstract
Introduction. Coffee is the most important tree crop in the world. In Honduras, this crop represents
5% of the country's total income. Objective. Calculate vegetation indices (VI) and the level of
association with different land uses and cover in western Honduras. Materials and methods. For the
IV´s, Sentinel 2A-2B images from the Copernicus program were used. The VI´s used were Normalized
Difference Vegetation Index (NDVI), Soil Adjusted Vegetation Index (SAVI), Normalized Difference
Moisture Index (NDMI), and Moisture Stress Index (MSI). The land uses taken as reference were
Broadleaf Forest (B-L), Coniferous Forest (B-C), Mixed Forest (B-M), Coffee plantations (SAF-C),
and Pastures and Crops (P-C). Results. Land uses classified as B-M (75%) and B-L (63%) have the
highest percentages of pixels in the highest NDVI categories, while P-C (13%) has the lowest. For
SAVI, SAF-C (94%) and B-C (91%) achieved the highest percentages of pixels in the highest
categories, while P-C (75%) had the lowest. For the NDMI index, the highest weighted values of
humidity were found in B-M (48%) and B-L (41%) and the lowest was for P-C (1.78%). For MSI, the
highest weighted values are B-M with 36% and the lowest value is B-L with 1.62%. Conclusions. The
analysis shows a significant association between the IV levels used and land uses (X2 = 369.4; p-value
= 0,0001). B-L and B-M are the two land uses that have the greatest similarity and that reflect the
highest levels of IV. SAF-C had its greatest association with B-C and the land uses that presented the
lowest levels of association were P-C and SAF-C.
Keywords: agroforestry; Sentinel-2; remote sensing; geographic information systems.
Agronomía Costarricense 49 (2025) 852
Introducción
El uso de sensores remotos multiespectrales (RS) es una metodología confiable y factible para el
monitoreo de la vegetación y caracterización del paisaje (Kowalski et al. 2020, Bedin et al. 2019). La
mayoría de los estudios relacionados con el uso de imágenes satelitales utilizan índices de vegetación
(IV) para evaluar la respuesta espectral (Nogueira-Martins et al. 2021) y el estado de salud de la
vegetación por medio de las mediciones de la reflectancia (Abdi et al. 2021, Moyao-Calleja et al. 2021,
Wittke et al. 2019). Otro uso de los IV es la evaluación de la composición de los paisajes y los servicios
ecosistémicos que estos proveen (Jia et al. 2017, Paudyal et al. 2020).
Las técnicas de RS representan un enfoque razonable para demostrar la relación entre los parámetros
físicos del cultivo y los IV (Freire de Oliveir et al. 2021). Los mapas de cobertura terrestre precisos
juegan un papel fundamental en una variedad de sectores en el sur global, incluido análisis de cobertura
para la determinación de pérdidas de capital natural, modelado hidrológico, la planificación del uso de
la tierra, entre otros (Saah et al. 2019).
Actualmente, los sistemas de información geográfica (SIG) combinados con el uso de imágenes
satelitales son herramientas ampliamente utilizadas para la detección, evaluación y seguimiento
espacial y temporal de problemas relacionados con el medio ambiente, lo que facilita la toma de
decisiones y la reorientación de las políticas de uso y ocupación del suelo (Ha et al. 2019, Aquino y
Oliveira 2012). Estas evaluaciones en muchos casos se apoyan en la información obtenida a partir de
los IV. Estos son medidas cuantitativas, basadas en valores digitales útiles para estimar la biomasa o
vigor vegetal (Nguyen-Trong et al. 2020, Torres et al. 2014).
Estudios de la dinámica socio-temporal de los cambios de usos de suelo (propósito de uso por parte de
los usuarios de la tierra del área de cobertura) y cambios de cobertura (características biofísicas de la
superficie de la tierra) son cada vez más útiles para el manejo sostenible del capital natural y medios de
vida (Morrison et al. 2022). Estos estudios se facilitan con las técnicas de RS, SIG y otras herramientas
de análisis (Nogueira-Martins et al. 2021). Los paisajes contienen una matriz de usos de suelos
compleja, y normalmente incluye la retención de árboles y cobertura densa, entre ellos los sistemas
agroforestales. Los sistemas agroforestales (SAF) son típicamente, sistemas compuestos por múltiples
capas, heterogéneas, complejas e interactivas; a menudo se generaliza como tierras de cultivo (café
intercalado), matorrales (pleno sol) o tierras forestales (agroforestales) en muchos países tropicales, lo
que hace que su seguimiento y modelado sean bastante desafiantes (Mosomtai et al. 2020, Taugourdeau
et al. 2014).
Hernández-Mencía et al. Índices de vegetación y uso de suelo en el Occidente de Honduras
En este estudio, se utilizaron las herramientas de sensores remotos multiespectrales para el cálculo de
cuatro índices de vegetación relacionados con verdor y humedad y su potencial relación con los usos
del suelo reportados en el mapa de cobertura forestal y uso de la tierra en Honduras del 2018 localizados
en el corredor biológico Cacique Lempira en el occidente de Honduras (CBCL).
Materiales y métodos
Área de estudio
El corredor biológico Cacique Lempira (CBCL) (Figura 1.) está ubicado en la zona de transición del
parteaguas del Atlántico y del Pacífico en el Occidente de Honduras, con una época seca bien marcada
de noviembre a mayo. Comprende cinco áreas protegidas nacionales: Parque Nacional Montaña de
Celaque, Refugio de Vida Silvestre Montaña de Puca, Reserva Biológica Volcán Pacayita, Refugio de
Vida Silvestre Montaña de Santa Bárbara y Reserva Biológica de Opalaca.
El territorio presenta elevaciones entre los 600 y los 2849 msnm, donde el Parque Nacional Montaña
de Celaque tiene el punto más alto de Honduras (UICN 2020).
Análisis y procesamiento de imágenes satelitales
Para la estimación de los índices de vegetación, se utilizaron imágenes satelitales y el Mapa Forestal y
Cobertura de la Tierra de la República de Honduras para el 2018 (ICF 2018). En el caso de las imágenes
de satélite, se usaron las Sentinel-2 del nivel 2A/B proyección UTM/WGS 84, 16-N. Adicionalmente,
se descargaron cuatro imágenes satelitales (seis bandas con resolución espacial de 20 m).
Dado que el mapa forestal de Honduras con el cual se hicieron los cruces de información fue elaborado
en el 2018, tres de las imágenes que se descargaron son del 12 de abril del 2019 (98,3% del área total)
y una del 10 de abril del 2019 (1,7% del área total).
Agronomía Costarricense 49 (2025) 852
Figura 1. Mapa de ubicación del Corredor Biológico Cacique Lempira (CBCL) en el occidente de Honduras.
Figure 1. Geographical location of the Cacique Lempira Biological Corridor (CBCL) in Western Honduras.
En el caso del mapa de cobertura forestal y uso de suelo de Honduras, se diseñó con imágenes Landsat.
Se utilizaron 37 tipos de cobertura divididos en categorías y subcategorías mediante el sistema de
clasificación Corin Land Cover (CLC). Para esta área de estudio, las categorías de usos de cobertura se
redujeron a 21 categorías. De las 21 categorías, se agruparon las cinco cobertura - usos más importantes
y que se representaban en mayor volumen para este estudio: Bosque de Conífera (B-C), Bosque
Latifoliado (B-L), Bosque Mixto (B-M), Pastos y Cultivo (P-C) y Cafetales (SAF-C).
En abril, se presenta la época seca en Honduras, lo que brinda un panorama amplio del nivel de estrés
de la vegetación y la humedad disponible en el dosel arbóreo. Se logró encontrar imágenes que cubrían
el 70% del área de estudio con apenas el 1,1% de interferencia por nubes. En el restante 30% del área,
se identificaron un promedio de 19% de nubosidad (Tabla 1).
El satélite permite descargar imágenes con un procesamiento L2 a nivel BOA (fondo de la atmósfera
por sus siglas en inglés), por lo tanto, las imágenes están corregidas para realizar los cálculos en la
vegetación existente sin necesidad de hacer un preprocesamiento.
Hernández-Mencía et al. Índices de vegetación y uso de suelo en el Occidente de Honduras
Índices de vegetación para análisis de la cobertura de los usos de suelo seleccionados
En el presente estudio, se calcularon dos IV para definir la escala de verdor del CBCL y dos IV para
conocer estrés por humedad en la cobertura del dosel arbóreo y de cultivos (Tabla 2). Se tomó como
punto de partida que los usos de suelos, denominados bosques, tendrían los niveles más altos de
importancia en la generación de servicios ecosistémicos y que el uso de suelos P-C, tendrían los valores
más bajos.
El índice de vegetación de diferencia normalizada (NDVI) es un indicador que puede ser usado para
estimar la vegetación en un área específica de interés de la superficie terrestre (Do Nascimento et al.
2018), como un indicador de crecimiento de la vegetación, y es comúnmente utilizado para evaluar las
diferencias de vegetación de clorofila y biomasa (Jia et al. 2017, Ortiz et al. 2011).
El índice de vegetación ajustado al suelo (SAVI) se desarrolló como una modificación del NDVI para
corregir la influencia del brillo del suelo cuando la cobertura vegetal es baja (menor o igual a 40%) y la
superficie del suelo está expuesta añadiendo el factor L (que significa línea del suelo), a la misma
formación del NDVI (Coltri et al. 2013, Moyao-Calleja et al. 2021). Esto con frecuencia se utiliza en
regiones áridas donde la cubierta vegetal es baja y genera valores que van de -1 y +1 (Kaplan y
Rozenstein 2021). Entre tanto, en el caso de NDMI (Índice de humedad de diferencia normalizada) y
MSI (Índice de estrés por humedad), son IV que basan sus características en la composición de la
vegetación que tiene la masa forestal.
Agronomía Costarricense 49 (2025) 852
Tabla 1. Imágenes satelitales Sentinel-2 A/B utilizadas en el procesamiento.
Table 1. Sentinel-2 A/B satellite images used in the processing.
ESA 2018.
El NDMI permite cuantificar el agua y estrés o grado de saturación que posee la cobertura vegetal (EOS
2021, Gao 1996, Alvarado et al. 2019). Este IV representa el contenido de agua en las copas de los
árboles. La absorción de agua líquida por la vegetación alrededor de 858 nm es insignificante, mientras
que alrededor de 2130 nm es muy alta. Si el contenido de agua disminuye, en los canales SWIR, la
reflectancia aumenta significativamente; por lo tanto, el valor NDMI disminuye y muestra vegetación
seca bajo estrés por sequía (Gulácsi y Kovács 2015).
Los valores de NDMI son normalizados en un rango de -1 a +1 (Campaña-Olaya y Tafur 2021). En el
caso del IV MS, los usos incluyen análisis de estrés hídrico del dosel (Wittke et al. 2019), aunque la
literatura no explica los usos aplicables ni la descripción correcta de los datos obtenidos en el análisis
espacial. Para este estudio, se contempló por ser un índice complementario del NDMI y por encontrar
similitud en los valores calculados.
Fecha
Identificador
Misión
Instrumento
Nivel de
procesamiento
Porcentaje
nubes
12/4/2019
S2A_MSIL2A_20190
412T160901_N0211_
R140_T16PCB_2019
0412T203432
Sentinel-2-A
MSI
Nivel-2A
1,07
12/4/2019
S2A_MSIL2A_20190
412T160901_N0211_
R140_T16PDA_2019
0412T203432
Sentinel-2-A
MSI
Nivel-2A
15,6
12/4/2019
S2A_MSIL2A_20190
412T160901_N0211_
R140_T16PCA_2019
0412T203432
Sentinel-2-A
MSI
Nivel-2A
13,6
10/4/2019
S2B_MSIL2A_20190
410T161839_N0211_
R040_T16PBB_2019
0410T220228
Sentinel-2-B
MSI
Nivel-2A
30,8
Hernández-Mencía et al. Índices de vegetación y uso de suelo en el Occidente de Honduras
Clasificación de los índices de vegetación NDVI y SAVI
Para este estudio, se realizó una clasificación de seis niveles para los valores de IV en un rango del -1
al +1 (Tabla 3). Para el NDVI, los valores se ajustaron a los propuestos por Do Nascimento et al. (2018)
y para SAVI a los descritos por Torres et al. (2014).
Tabla 2. Índices de vegetación utilizados para el análisis de los principales usos de suelo encontrados en el
corredor biológico Cacique Lempira. Honduras.
Table 2. Vegetation indices used for the analysis of the main land uses found in the Cacique Lempira Biological
Corridor. Honduras.
Clasificación de los índices de humedad NDMI y MSI
Se realizó una clasificación en rangos de -1 a +1 para los dos IV de humedad, con seis intervalos de
clasificación (Tabla 4). La descripción para NDMI fue tomada y adaptada de EOS (2021), y para MSI,
se propone la clasificación con base en parámetros relacionados al NDMI, así como a los índices de
verdor y salud de la vegetación.
Índice de Vegetación
Ecuación usando Sentinel-2
Referencia
Kaplan y Rozenstein (2021)
Índice de vegetación de diferencia
normalizada
(NDVI, por sus siglas en inglés)
(B8 – B4) / (B8 + B4)
Navarro et al. (2019)
Zhang et al. (2018)
Tomar et al. (2013)
Kaplan y Rozenstein (2021)
Navarro et al. (2019)
Índice de vegetación ajustado al suelo
(SAVI, por sus siglas en inglés)
((B8–B4)) / (B8 + B4 + 0,5)) x 1,5
Wittke et al. (2019)
Huete (1988)
Torres et al. (2014)
EOS (2021)
Índice de humedad de diferencia
normalizada
(NDMI, por sus siglas en inglés)
(B08 – B11) / (B08 + B11)
Gao (1996)
Campaña-Olaya y Tafur (2021)
Índice de estrés por humedad
(MSI, por sus siglas en inglés)
B8 / B11
Wittke et al. (2019)
Agronomía Costarricense 49 (2025) 852
Con los IV de vegetación y humedad clasificados en seis niveles y los cinco usos de suelos
seleccionados, se prosiguió a cruzar la información. Con la herramienta de Geoprocessing del programa
ArcMap 10.8, se extrajo por uso de suelos la cantidad de pixeles en los distintos niveles clasificados de
los cuatro IV mostrados en Tabla 3 y Tabla 4, y se ponderaron para sacar el porcentaje de uso de suelo
que se asociaba a uno de los seis niveles.
Tabla 3. Descripción e intervalos de clasificación de los índices de vegetación relacionados con verdor: NDVI y
SAVI.
Table 3. Description and classification intervals of vegetation indices related to greenness: NDVI and SAVI.
Categoría
Intervalo del valor del IV
Descripción NDVI
Descripción SAVI
1
-1:0
Suelo desnudo/agua
Infraestructura o nubes
2
0,000001:0.2
Vegetación muy baja
Suelo descubierto o poca
vegetación
3
0,200001:0.4
Vegetación baja
Cobertura del dosel media-alta
4
0,400001:0.6
Vegetación
moderadamente baja
Cobertura del dosel alta
5
0,600001:0.8
Vegetación
moderadamente alta
Cobertura del dosel muy alta
6
0,800001:1
Alta vegetación
Cobertura total del dosel
Adaptado de Do Nascimento et al. (2018) y Torres et al. (2014).
Análisis estadístico
Para realizar el análisis del paisaje en el CBCL, se ponderaron los niveles de pixeles de los cuatro IV
en categorías de clasificación. Luego, se hizo la separación de los valores por los cinco tipos de usos de
suelos. Para analizar si existe asociación entre los usos de suelo y los IV, se utilizaron tablas de
contingencia, y a partir del estadístico Chi Cuadrado y su correspondiente p-value, se identificó la
significancia de la asociación (p-value < 0,05). Luego, para visualizar la asociación significativa, se
realizó un análisis de correspondencias simple y se obtuvo un gráfico bi-plot.
Hernández-Mencía et al. Índices de vegetación y uso de suelo en el Occidente de Honduras
Además, para complementar la información observada en el gráfico bi-plot, se estimó la distancia
Euclidiana con el objetivo de encontrar los usos de suelos con mayor similitud. Las distancias se
transformaron a un valor de porcentaje, en relación con respecto a la mayor distancia, es decir, los
porcentajes cercanos a 100 reflejan la distancia más larga y los cercanos a cero la más corta,
multiplicadas por 100. Estos procesos fueron llevados a cabo con el uso del programa estadístico
InfoStat (Di Rienzo et al. 2020).
Tabla 4. Descripción e intervalos de clasificación de los índices de vegetación relacionados con humedad: NDMI
y MSI.
Table 4. Description and classification intervals of vegetation indices related to humidity: NDMI and MSI.
Categoría
Intervalo del valor del IV
Descripción NDMI
Descripción MSI
1
-1:0
Cobertura del dosel casi inexistente
No hay indicios de humedad
Contenido de
humedad muy bajo
2
0,000001:0.2
Cobertura del dosel media-baja.
Estrés hídrico alto
Contenido de
humedad bajo
3
0,200001:0.4
Cobertura del dosel media-alta
Estrés hídrico bajo
Contenido de
humedad
moderadamente bajo
4
0,400001:0.6
Cobertura del dosel alta
Sin estrés hídrico
Contenido de
humedad
moderadamente alto
5
0,600001:0.8
Cobertura del dosel muy alta
Sin estrés hídrico
Contenido de
humedad alto
6
0,800001:1
Cobertura total del dosel
Sin estrés hídrico o anegamiento
Contenido de
humedad muy alto
Adaptado de Do Nascimento et al. (2018) y Torres et al. (2014).
Resultados
Cobertura y uso del suelo del CBCL
El bosque de conífera (B-C) (combinación de B-C ralo y B-C denso) representó el 33% del territorio
del CBCL, seguido del uso de Pastos y Cultivos (P-C) (combinación de P-C, agricultura tecnificada y
arrozales) que representa el 22,4%, el bosque latifoliado (B-L) (combinación de B-L deciduo y B-L
húmedo) representa el 17,3%, los cafetales (SAF-C) representaron el 13,6%, y finalmente el bosque
mixto (B-M) que representa el 6,8%, para un total de 93% de cobertura con un área de 432 801,53 ha,
de las 465 028,47 ha que tiene todo el CBCL (Figura 2).
Agronomía Costarricense 49 (2025) 852
El restante 7% del área que representa 32 226,94 ha se clasificaron entre los usos de suelo de árboles
dispersos, área húmeda continental, cuerpos de agua artificial, lagos y lagunas naturales de agua,
musácea, pino plagado, ríos y otras superficies de agua, suelo desnudo continental, vegetación
secundaria decidua, vegetación secundaria húmeda, zona urbana continua y zona urbana discontinua.
Figura 2. Mapa de cobertura y uso de suelos del corredor biológico Cacique Lempira. Honduras.
Figure 2. Existent land cover and land use distribution in the Cacique Lempira Biological Corridor. Honduras.
Índices de vegetación relacionados con verdor en el CBCL: NDVI y SAVI
De acuerdo con las condiciones atmosféricas y de cobertura, así como los usos de suelos en el CBCL,
se lograron estimar seis categorías del NDVI y cinco de SAVI en el CBCL (Figura 3). Para el NDVI,
en términos de distribución en el CBCL, las categorías con los valores ponderados más altos fueron las
categorías 5 (Moderadamente alta vegetación) con un 33,8% del área y la categoría 4 (Moderadamente
baja vegetación) con un 28,3%. Las categorías 1 (Suelo desnudo/agua) y 6 (Alta vegetación) tuvieron
valores ponderados de 0,5 y 12,6%, respectivamente.
Hernández-Mencía et al. Índices de vegetación y uso de suelo en el Occidente de Honduras
En el caso del SAVI, las categorías con los valores ponderados más altos en el CBCL fueron las
categorías 4 (Cobertura del dosel alta) con un 48,56% y la categoría 3 (Cobertura del dosel media-alta)
con un 37,25%. Las categorías 1 (Infraestructura y/o nubes) y 5 (Cobertura total del dosel) tuvieron
valores de 0,5y 0%, respectivamente (Figura 3, Tabla 4).
En términos de usos de suelos, los niveles más altos de NDVI los obtuvieron los usos B-M y B-L con
un 75% y 63%, respectivamente, del área de cobertura entre las categorías 5 y 6, definidas como
Moderadamente alta y Alta vegetación. Seguidamente, el SAF-C y el B-C obtuvieron un 84% y 74%,
en las categorías 4 y 5 de la clasificación, que corresponden a Baja y moderadamente baja vegetación.
Mientras que, como era de esperarse, P-C reportó un 83% del área en las categorías 3 y 4, lo que
correspondió a Baja y moderadamente baja vegetación (Figura 3, Tabla 5).
El IV SAVI generó valores ponderados en categorías más bajas a las obtenidas en el NDVI para todos
los usos de suelo, especialmente, en B-L y B-M. SAF-C tuvo el valor más alto del índice SAVI con un
94% de su cobertura en las categorías 3 y 4 de la clasificación, denominado Cobertura del dosel media-
alta y Cobertura del dosel alta, seguido por B-C con un 91%, B-M y B-L con 87% cada uno, siempre
en las categorías 3 y 4 de la clasificación, denominado Cobertura del dosel media-alta y Cobertura del
dosel alta. Nuevamente, el uso de suelos de P-C se quedó en el nivel más bajo, con un 84% en las
categorías 2 y 3, que son suelo descubierto y/o poca vegetación y cobertura del dosel media-alta (Figura
3, Tabla 5).
Índices relacionados con humedad en CBCL: NDMI y MSI
De acuerdo con las condiciones atmosférica y de cobertura, y usos de suelos en el CBCL, se lograron
estimar cinco categorías del NDMI y seis de MSI en el CBCL (Figura 4). Para el NDMI, las categorías
con los valores ponderados más altos en el CBCL son las categorías 1 (Cobertura del dosel casi
inexistente-No hay indicios de humedad), con un 45,1% y la categoría 2 (Cobertura del dosel media-
baja y estrés hídrico alto), con un 34,1%. Para el índice MSI, las categorías con los valores ponderados
más altos en el CBCL son las categorías 2 (Bajo contenido de humedad), con un 44,7% y la categoría
3 (Moderadamente bajo contenido de humedad), con un 34,2% (Figura 4).
Agronomía Costarricense 49 (2025) 852
Figura 3. Índices de vegetación relacionados con verdor (NDVI y SAVI) en el corredor biológico Cacique
Lempira. Honduras. Valores de NDVI y SAVI: 1) -1:0; 2) 0.000001:0.2; 3) 0.200001:0.4; 4)
0.400001:0.6; 5) 0.600001:0.8; 6) 0.800001:1.
Figure 3. Spatial distribution of the vegetation indices related to greenness (NDVI and SAVI) in the Cacique
Lempira Biological Corridor. Honduras. NDVI and SAVI values: 1) -1:0; 2) 0.000001:0.2; 3)
0.200001:0.4; 4) 0.400001:0.6; 5) 0.600001:0.8; 6) 0.800001:1.
Hernández-Mencía et al. Índices de vegetación y uso de suelo en el Occidente de Honduras
Tabla 5. Usos de suelo y niveles ponderados (%) de los índices de vegetación (NDVI y SAVI) en el corredor
biológico Cacique Lempira. Honduras.
Table 5. Land uses and weighted levels (%) of vegetation indices related to greenness (NDVI and SAVI) in the
Cacique Lempira Biological Corridor. Honduras.
Descripción: B-L: bosque latifoliado; B-C: bosque de conífera; B-M: bosque mixto; SAF-C: cafetales; P-C: pastos y cultivo. Celdas color
verde representan el 1er lugar; celdas de color amarillo el 2do lugar. NDVI 1: Suelo desnudo/agua; 2: Muy baja vegetación; 3: Baja vegetación;
4: Moderadamente baja vegetación; 5: Moderadamente alta vegetación; 6: Alta vegetación; SAVI 1: Infraestructura o nubes; 2: Suelo
descubierto o poca vegetación; 3: Cobertura del dosel media-alta; 4: Cobertura del dosel alta; 5: Cobertura del dosel muy alta; 6: Cobertura
total del dosel.
Los niveles NDMI, según las categorías de usos de suelos, muestran que los P-C presentan los niveles
de NDMI más altos relacionados con no indicio de humedad y estrés hídrico alto, con un 98% de
ponderación en los niveles uno (79%) y dos (19%), seguido de B-C, con valores del 80% entre los
niveles 1 y 2. El uso de suelo B-M presenta un 81% de ponderación en las categorías 2 y 3, cobertura
del dosel media-baja y estrés hídrico alto y cobertura del dosel media-alta y estrés hídrico bajo,
respectivamente. En el caso del B-L, un 41,2% de la cobertura se agrupó en la categoría 3 y un 31% en
la categoría 1, que corresponden a cobertura del dosel media-alta y estrés hídrico bajo y cobertura del
dosel casi inexistente-No hay indicios de humedad, respectivamente. El SAF-C presenta la mayor
concentración de pixeles en el nivel dos (61%) (Figura 4, Tabla 6).
Para el MSI, los P-C presentaron altos valores en el nivel 2 y 3 con un 97%, que corresponden a un
contenido bajo y moderadamente bajo de humedad, respectivamente. El B-M presentó valores de un
69,9% en los niveles 3 y 4, moderadamente bajo y moderadamente alto contenido de humedad,
respectivamente. El SAF-C se ubicó en el nivel 3 con un 61%. Los usos de suelo de B-L y B-C no
tuvieron valores tan claros, ya que se distribuyeron entre los valores 1, 2 y 3 (Figura 4, Tabla 6).
Categoría
B-L (%)
B-C (%)
B-M (%)
SAF-C (%)
P-C (%)
NDVI
SAVI
NDVI
SAVI
NDVI
SAVI
NDVI
SAVI
NDVI
SAVI
1
0,20
0,20
0,50
0,50
0,50
0,50
0,70
0,70
0,40
0,40
2
3,60
6,60
5,00
7,50
4,80
6,20
3,50
4,60
7,90
24,10
3
13,90
27,50
11,60
35,50
5,10
15,50
4,20
20,60
43,60
58,80
4
19,70
59,10
32,00
55,20
14,90
71,10
23,40
73,20
34,90
16,70
5
29,70
6,70
41,50
1,30
41,60
6,70
60,40
0,90
12,60
0,10
6
32,90
0,00
9,40
0,00
33,10
0,00
7,80
0,00
0,60
0,00
Total
100
100
100
100
100
100
100
100
100
100
Agronomía Costarricense 49 (2025) 852
Asociación entre las categorías ponderadas de los índices de vegetación y los usos de suelo del
corredor biológico Cacique Lempira
De acuerdo con el análisis de contingencia, se identificó que existe una asociación significativa entre
los cinco usos de suelo y las tres categorías ponderadas de los cuatro IV en el CBCL (X2 = 369,4; p-
value = 0,0001). Cabe recalcar que esta asociación es válida en el tiempo y área que fueron calculados
los IV y con el mapa de usos de suelo utilizado para esa fecha.
La Figura 5 explica un 96,6% de los datos asociados y el Eje 1 explica la mayor cantidad de
información con un 84%, el restante se explica en el Eje 2. El gráfico muestra una correlación positiva
de los niveles altos de cobertura arbórea y humedad de los IV con los usos de suelo que tienen una
mayor cobertura arbórea. Por ejemplo, los niveles más alto de SAVI, NDMI, NDVI y MSI están cerca
de B-L y B-M, en tanto los niveles más bajos están cercanos a P-C.
Tabla 6. Usos de suelos y niveles ponderados (%) de los índices de vegetación relacionados con humedad (NDMI,
MSI) en el corredor biológico Cacique Lempira. Honduras.
Table 6. Land uses and weighted levels (%) of vegetation indices related to humidity (NDMI, MSI) in the Cacique
Lempira biological corridor. Honduras.
Descripción: B-L: bosque latifoliado; B-C: bosque de conífera; B-M: bosque mixto; SAF-C: cafetales; P-C: pastos y cultivo. Celdas color
verde representan el 1er lugar; celdas de color amarillo el 2do lugar. NDMI 1: Cobertura del dosel casi inexistente-No hay indicios de
humedad; 2: Cobertura del dosel media-baja y estrés hídrico alto; 3: Cobertura del dosel media-alta y estrés hídrico bajo; 4: Cobertura del
dosel alta, sin estrés hídrico; 5: Cobertura del dosel muy alta, sin estrés hídrico; 6: Cobertura total del dosel, sin estrés hídrico/anegamiento;
MSI 1: Muy bajo contenido de humedad; 2: Bajo contenido de humedad; 3: Moderadamente bajo contenido de humedad; 4: Moderadamente
alto contenido de humedad; 5: Alto contenido de humedad; 6: Muy alto contenido de humedad.
Categoría
B-L (%)
B-C (%)
B-M (%)
SAF-C (%)
P-C (%)
NDMI
MSI
NDMI
MSI
NDMI
MSI
NDMI
MSI
NDMI
MSI
1
30,60
0,20
39,50
0,20
16,40
0,10
22,40
0,04
78,80
0,90
2
26,00
30,40
40,60
30,40
33,50
16,30
60,80
22,30
19,40
77,90
3
41,20
26,20
19,50
26,20
47,90
33,70
16,60
60,90
1,80
19,50
4
2,20
28,90
0,50
28,90
2,20
36,20
0,30
15,00
0,00
1,60
5
0,00
13,60
0,00
13,60
0,00
12,90
0,00
1,60
0,00
0,20
6
0,00
0,80
0,00
0,80
0,00
0,80
0,00
0,10
0,00
0,01
Total
100
100
100
100
100
100
100
100
100
100
Hernández-Mencía et al. Índices de vegetación y uso de suelo en el Occidente de Honduras
En la Tabla 7, se muestran las distancias euclidianas para mostrar qué usos de suelos son más cercanos
o distantes con base en las categorías de índices de vegetación. Los usos de suelos que describen
bosques son los usos más cercanos, por ejemplo, se observa una mayor similitud entre B-L y B-M con
una cercanía del 20% y estos dos usos de suelo se relacionan con B-C con una cercanía del 47%. El
SAF-C y el P-C son los dos usos de suelo con las diferencias más grandes; las distancias entre estos dos
son de 100%. El tipo de bosque clasificado como B-C es el más similar al SAF-C y a P-C, con una
cercanía del 50% y 64%, respectivamente (Tabla 7).
Discusión
Se utilizaron índices de vegetación para conocer la asociación a nivel exploratorio que existe entre cinco
usos de suelo clasificados en el CBCL, con imágenes satelitales Sentinel del 2 de abril del 2019 y el
Mapa Forestal y Cobertura de la Tierra en la República de Honduras del 2018. Considerando que este
estudio se hizo a nivel exploratorio con imágenes tomadas por satélite en el 2019 y el mapa de cobertura
forestal y de usos reportado en el 2018 en Honduras, los resultados deben ser validados con puntos de
control de campo y compararlos con nuevas firmas espectrales de imágenes actualizadas y de mayor
resolución espacial (menor a 20 metros).
Las ventajas de Sentinel es que ofrece 13 combinaciones de bandas espectrales desde visible, seguido
de infrarrojo cercano (NIR, por sus siglas en inglés), hasta infrarrojo de onda corta (SWIR, por sus
siglas en inglés) y están disponibles con una resolución mejorada de hasta 10 y 20 m, además de contar
con una más amplia de 60 m, respectivamente (Jelének y Kopačková-Strnadová 2021, Kaplan y
Rozenstein 2021, Torabzadeh et al. 2019, Navarro et al. 2019, Wittke et al. 2019, Pandit et al. 2018,
Serrano et al. 2018).
Por su parte, Sentinel 2A/B proporciona una mejora significativa en la cobertura espectral, la resolución
espacial y la frecuencia temporal (revisión de 5 días con dos satélites operativos), con respecto a la
generación actual de sensores Landsat (Navarro et al. 2019, Drusch et al. 2012).
En este estudio, se utilizaron dos IV relacionados con verdor (NDVI y SAVI) y dos IV relacionados
con humedad (NDMI y MSI), los cuales fueron divididos en seis categorías ponderadas a una escala
que va desde -1 a +1, tal como lo hicieron Solís et al. 2021, Wittke et al. 2019 y Frampton et al. 2013.
Los IV NDVI y SAVI han sido implementados en algunos estudios cuando se tienen niveles de
vegetación con densidades medias y bajas (Navarro et al. 2019). El IV NDVI es uno de los índices más
utilizados para diferenciar las áreas con vegetación de las áreas sin vegetación y la salud de estas
(Tassopoulos et al. 2021, Rani et al. 2018).
Agronomía Costarricense 49 (2025) 852
Figura 4. Índices de vegetación relacionado con humedad (NDMI y MSI) en el corredor biológico Cacique
Lempira. Honduras. Valores de NDMI y MSI: 1) -1:0; 2) 0.000001:0.2; 3) 0.200001:0.4; 4)
0.400001:0.6; 5) 0.600001:0.8; 6) 0.800001:1.
Figure 4. Spatial distribution of the Vegetation indices related to humidity (NDMI and MSI) in the Cacique
Lempira Biological Corridor. Honduras. NDMI and MSI values: 1) -1:0; 2) 0.000001:0.2; 3)
0.200001:0.4; 4) 0.400001:0.6; 5) 0.600001:0.8; 6) 0.800001:1.
Hernández-Mencía et al. Índices de vegetación y uso de suelo en el Occidente de Honduras
Figura 5. Análisis bi-plot de correlación entre los niveles de índices de vegetación y los usos de suelo del
Corredor Biológico Cacique Lempira. Honduras. Triángulos negros: usos de suelo (Bosque
latifoliado, bosque de conífera, bosque mixto, pastos y cultivo, cafetales). Círculos verdes: NDVI y
SAVI (1= cobertura arbórea baja; 2 = cobertura arbórea media; 3 = cobertura arbórea alta). Círculos
azules: NDMI y MSI (1 = sin indicios de humedad; 2 = contenido de humedad medio; 3 = contenido
de humedad alto).
Figure 5. Biplot analysis of the correlation between vegetation index levels and land uses in the Cacique Lempira
Biological Corridor. Honduras. Black triangles: soil use (broadleaf forest, coniferous forest, mixed
forest, pasture and cropland, coffee plantations) Green circles: NDVI and SAVI (1 = low tree cover;
2 = medium tree cover; 3 = high tree cover). Blue circles: NDMI and MSI (1 = no indication of
moisture; 2 = moderate moisture content; 3 = high moisture content).
Agronomía Costarricense 49 (2025) 852
Tabla 7. Distancias Euclidiana entre los usos de suelo según las categorías ponderadas de los IV.
Table 7. Euclidean distances between land uses according to the weighted categories of the vegetation
indices.
Cruces comparativos de usos de suelo
Distancia de Euclidianas
Porcentaje de distancia
B-L
B-M
0,5
20
B-C
B-L
1,2
47
B-C
B-M
1,3
47
B-C
SAF-C
1,4
50
B-C
P-C
1,8
64
P-C
B-L
2,2
81
B-M
SAF-C
2,3
84
B-L
SAF-C
2,5
92
P-C
B-M
2,6
95
P-C
SAF-C
2,8
100
Descripción: B-L = bosque latifoliado; B-C = bosque de conífera; B-M = bosque mixto; SAF-C = cafetales; P-C = pastos y cultivos. La
distancia en el plano del grafico bi-plot se explica en porcentajes que van de 0 a 100%. Valores cercanos a 100 tendrán las distancias más
largas entre los usos de suelo y valores cercanos a cero tendrán distancias más cortas entre los usos de suelo.
Los análisis indican que los usos de suelo clasificados como bosques (B-M y B-L) tienen los porcentajes
de pixeles (área) bajo las categorías más altas en NDVI, que representan mayor cobertura o vegetación
y el uso de suelos P-C presentó los valores más bajos (75, 63 y 13% de los pixeles, respectivamente, en
categorías 5 y 6). En los análisis de vegetación, NDVI es el IV más importante y el más utilizado a nivel
mundial (Freire de Oliveir et al. 2021, Caruso et al. 2017).
Similares resultados fueron reportados por Chen et al. (2019), quienes mencionan que los bosques de
coníferas y latifoliados tienen estructuras de rodales relativamente estables, si no se producen
perturbaciones graves y que valores mayores a 0,5 (categoría 4, 5, y 6 de este estudio) indican bosques
de hoja ancha, de hoja de aguja y bosques de bambú, respectivamente.
Hernández-Mencía et al. Índices de vegetación y uso de suelo en el Occidente de Honduras
Para el índice SAVI, el SAF-C y el B-C obtuvieron los mayores porcentajes de cobertura en las
categorías más altas y nuevamente P-C reportó el más bajo (94, 91 y 75% de los pixeles respectivamente
en categorías 3 y 4). En los SAF-C, la cantidad de suelo expuesto es consecuencia del espaciamiento
entre planta. Cabe destacar que otros autores mencionan que, para ese caso (usos de suelo con SAF-C),
SAVI ha sido ampliamente utilizado con el fin de evitar las distorsiones causadas por la respuesta
espectral del suelo expuesto en el IV (Coltri et al. 2013).
Para el índice NDMI, los valores ponderados más altos relacionados con humedad se encontraron en
B-M y B-L y el más bajo fue para P-C (48, 41 y 1,78% de pixeles, respectivamente en la categoría 3).
Para MSI, los valores ponderados más altos los tiene B-M con 36% y el valor más bajo B-L con 1,62%
de pixeles en la categoría 4. Gulácsi y Kovács (2015) demostraron que los IV relacionados con humedad
son capaces de cuantificar las sequías porque existe una fuerte conexión entre la clorofila y el contenido
de humedad del dosel de la vegetación. Los IV derivados de datos satelitales se pueden utilizar
indirectamente para obtener información sobre la humedad en la zona de raíces del suelo en áreas
cultivadas, dado que el perfil de humedad del suelo en muchas regiones del mundo es el principal factor
que controla el vigor de la planta (Santos et al. 2014).
Conclusiones
El Corredor biológico Cacique Lempira está dominado por bosques de coniferas, pastos y cultivos,
representando 52% del territorio, seguido de bosques latifoliado (17%), SAF-café (14%) y bosques
mixtos (7%). El restante 7% del territorio se clasifica como otros usos, que incluye, árboles dispersos,
cuerpos de agua, infraestructura, entre otros. El uso de herramienta basadas en sensores remotos
multiespectrales resultó en una metodología útil que permitió identificar la existencia de una asociación
significativa entre los cinco usos de suelo definidos: bosque latifoliado, bosque de conífera, bosque
mixto, pastos y cultivo y SAF-café y las tres categorías ponderadas de los cuatro IV en el CBCL (X2 =
369,4; p-value = 0,0001). Los usos de suelo de bosque mixto y bosque latifoliado presentaron los niveles
más altos de los índices de vegetación relacionados con verdor (NDVI y SAVI) y de los índices de
vegetación relacionados con humedad (NDMI y MSI). Sin embargo, se observa que, para la mayoría
de los usos de suelo, el mayor porcentaje de cobertura está en las categorías de 1 (Infraestrutura/nada
de vegetación a 3 (Baja vegetación).
Los análisis de estos índices revelan que el uso de suelo clasificado como SAF-café tiene una relación
cercana con el uso de suelo clasificado como bosque de conífera y una asociación muy separada con el
uso de suelos clasificado como pastos y cultivos. Además, los usos de suelo que comparten las
características más cercanas son los clasificados como bosques latifoliados y bosques mixtos.
Agronomía Costarricense 49 (2025) 852
Literatura citada
Abdi, AM; Carri, R; Sidemo-holm, W; Cai, Z; Boke-ol, N; Smith, HG; Eklundh, L; Ekroos, J. 2021.
Biodiversity decline with increasing crop productivity in agricultural fields revealed by satellite remote
sensing. Ecological Indicators 130:108098. DOI: https://doi.org/10.1016/j.ecolind.2021.108098
Alvarado, C; Leandro, A; Sarango, D. 2019. Comparación de Índices de Vegetación con imágenes
Landsat usando la computación en la nube: zona Pampa de Majes-Siguas, Arequipa Perú (Periodo: Jun
1984 a Nov 2018). Revista de Investigación de Física 22(1):27-34 DOI:
https://doi.org/10.15381/rif.v22i1.20280
Aquino, CMS; Oliveira, JGB. 2012. Estudo Da Dinâmica Do Índice De Vegetacão Por Diferença
Normalizada (Ndvi) No Nucleo De São Raimundo Nonato-PI. GEOUSP - Espaço e Tempo 31:157-
168.
Bedin, DM; De Carvalho, MA; Ampélio, E; Marçal, RG; Cortez, MLJ; Mattioli, MC. 2019.
Sensoriamento remoto multiespectral na identificação e mapeamento das variáveis bióticas e abióticas
do cafeeiro. Rev. Ceres, Viçosa 66 (2):142-153. DOI: https://doi.org/10.1590/0034-
737X201966020009
Campaña-Olaya, J; Tafur, EG; 1. 2021. Análisis multitemporal del NDDI, comparación con el NDWI
para determinar la sequía en la Reserva Nacional de Tumbes, Perú, 1986 - 2019. Manglar 18(4):389-
395. DOI: http://dx.doi.org/10.17268/manglar.2021.050
Caruso, G; Tozzini, L; Rallo, G; Primicerio, J; Moriondo, M; Palai, G; Gucci, R. 2017. Estimating
biophysical and geometrical parameters of grapevine canopies ('Sangiovese’) by an unmanned aerial
vehicle (UAV) and VIS-NIR cameras. Vitis 56 (2):63-70. DOI:
https://doi.org/10.5073/vitis.2017.56.63-70
Chen, Y; Li, L; Lu, D; Li, D. 2019. Exploring Bamboo Forest Aboveground Biomass Estimation Using
Sentinel-2 Data. Remote Sensing 11(1):7. DOI: https://doi.org/10.3390/rs11010007
Hernández-Mencía et al. Índices de vegetación y uso de suelo en el Occidente de Honduras
Coltri, PP; Zullo, J; Ribeiro, RG; Romani, LAS; Silveira, HP. 2013. Coffee crop’s biomass and carbon
stock estimation with usage of high-resolution satellites images. IEEE Journal of Selected Topics in
Applied Earth Observations and Remote Sensing 6(3):1786-1795. DOI:
https://doi.org/10.1109/JSTARS.2013.2262767
Di Rienzo, JA; Casanoves, F; Balzarini, MG; González, L; Tablada, M; Robledo, CW. 2020. Centro de
Transferencia InfoStat (en línea), FCA, Universidad Nacional de Córdoba, Argentina. InfoStat versión
2020. Disponible en http://www.infostat.com.ar
Do Nascimento, DA; Da Rocha, OCN; Alves, MM; Dos Santos, AT; De Andrade, EM. 2018. Use of
remote sensing to identify areas at risk of degradation in the semi-arid region. Ciência Agronômica
49(3):420-429. DOI: https://doi.org/10.5935/1806-6690.20180047
Drusch, M; Del Bello, U; Carlier, S; Colin, O; Fernandez, V; Gascon, F; Hoersch, B; Isola, C; Laberinti,
P; Martimort, P; Meygret, A; Spoto, F; Sy, O; Marchese, F; Bargellini, P. 2012. Sentinel-2: ESA’s
Optical High-Resolution Mission for GMES Operational Services. Remote Sensing of Environment
120:25-36. DOI: https://doi.org/10.1016/j.rse.2011.11.026
EOS (Earth Observen System). 2021. NDMI (Índice de Humedad de Diferencia Normalizada) (en
línea). 09-ag. Disponible en https://eos.com/es/make-an-analysis/ndmi/
ESA (Agencia Espacial Europea). 2018. Sentinel Data Access Overview-Sentinel (online). Disponible
en https://sentinels.copernicus.eu/sentinel-data-access
Frampton, WJ; Dash, J; Watmough, G; Milton, EJ. 2013. Evaluating the capabilities of Sentinel-2 for
quantitative estimation of biophysical variables in vegetation. ISPRS Journal of Photogrammetry and
Remote Sensing 82:83-92. DOI: https://doi.org/10.1016/j.isprsjprs.2013.04.007
Freire de Oliveir, M; Felipe dos Santos, A; Haruna, EK; de Souza Rolim, G; Pereira da Silva, R. 2021.
Determination of application volume for coffee plantations using artificial neural networks and remote
sensing. Computers and Electronics in Agriculture 184:1-7. DOI:
https://doi.org/10.1016/j.compag.2021.106096
Agronomía Costarricense 49 (2025) 852
Gao, BC. 1996. NDWI A Normalized Difference Water Index for Remote Sensing of Vegetation Liquid
Water from Space. Remote Sensing of Environment 58(3):257-266. DOI:
https://doi.org/10.1016/S0034-4257(96)00067-3
Gulácsi, A; Kovács, F. 2015. Drought Monitoring with Spectral Indices Calculated from Modis Satellite
Images in Hungary. Journal of Environmental Geography 8(3-4):11-20. DOI:
https://doi.org/10.1515/jengeo-2015-0008
Ha, TV; Amichev, BY; Belcher, KW; Bentham, MJ; Kulshreshtha, SN; Laroque, CP; Van Rees, KCJ.
2019. Shelterbelt Agroforestry Systems Inventory and Removal Analyzed by Object-based
Classification of Satellite Data in Saskatchewan, Canada. Canadian Journal of Remote Sensing
45(2):246-263. DOI: https://doi.org/10.1080/07038992.2018.1540297
Huete, AR. 1988. A Soil-Adjusted Vegetation Index (SAVI). Remote Sensing of Environment
25(3):295-309. DOI: https://doi.org/10.1016/0034-4257(88)90106-X
ICF (Instituto de Conservación y Desarrollo Forestal, Áreas Protegidas y Vida Silvestre). 2018. Sistema
de Información para la Gestión y Monitoreo Forestal (SIGMOF): mapa de cobertura forestal y uso de
la tierra 2018 (en línea). Consultado 10 set. 2022 Disponible en https://sigmof.icf.gob.hn/
Jelének, J; Kopačková-Strnadová, V. 2021. Synergic use of Sentinel-1 and Sentinel-2 data for automatic
detection of earthquake-triggered landscape changes: A case study of the 2016 Kaikoura earthquake
(Mw 7.8), New Zealand. Remote Sensing of Environment 265:112634. DOI:
https://doi.org/10.1016/j.rse.2021.112634
Jia, K; Li, Y; Liang, S; Wei, X; Yao, Y. 2017. Combining estimation of green vegetation fraction in an
arid region from Landsat 7 ETM+ data. Remote Sensing 9(11):1-15. DOI:
https://doi.org/10.3390/rs9111121
Kaplan, G; Rozenstein, O. 2021. Spaceborne estimation of leaf area index in cotton, tomato, and wheat
using Sentinel-2. Land 10(5):505. DOI: https://doi.org/10.3390/land10050505
Hernández-Mencía et al. Índices de vegetación y uso de suelo en el Occidente de Honduras
Kowalski, K; Senf, C; Hostert, P; Pflugmacher, D. 2020. Characterizing spring phenology of temperate
broadleaf forests using Landsat and Sentinel-2 time series. International Journal of Applied Earth
Observation and Geoinformation 92(June). DOI: https://doi.org/10.1016/j.jag.2020.102172
Navarro, A; Catalao, J; Calvao, J. 2019. Assessing the use of Sentinel-2 Time series data for monitoring
cork oak decline in Portugal. Remote sensing 11(21):2515. DOI:
https://doi.org/doi:10.3390/rs11212515
Nguyen-Trong, H; Nguyen, TD; Kappas, M. 2020. Land cover and forest type classification by values
of vegetation indices and forest structure of tropical lowland forests in Central Vietnam. International
Journal of Forestry Research 2020:896310. DOI: https://doi.org/10.1155/2020/8896310
Nogueira-Martins, R; de Carvalho Pinto, FdA; Marçal de Queiroz, D; Magalhães Valente, DS; Fim
Rosas, JT. 2021. A novel vegetation index for coffee ripeness monitoring using aerial imagery. Remote
Sensing 13:263. https://doi.org/10.3390/rs13020263
Morrison, K; Lahai-Victor, TS; Kabba-Lamin, R. 2022. Mansaray. Impacts of land-use and land-cover
change on rural livelihoods: Evidence from eastern Sierra Leone. Applied Geography 147:102784.
DOI: https://doi.org/10.1016/j.apgeog.2022.102784
Mosomtai, G; Odindi, J; Abdel-Rahman, EM; Babin, R; Fabrice, P; Mutanga, O; Tonnang, HEZ; David,
G; Landmann, T. 2020. Landscape fragmentation in coffee agroecological subzones in central Kenya:
a multiscale remote sensing approach. Journal of Applied Remote Sensing 14(04):044513. DOI:
https://doi.org/10.1117/1.jrs.14.044513
Moyao-Calleja, G; Ramos-Bernal, R; Vázquez-Jiménez, R; Guinto-Herrera, E; Nájera-Ramos, A. 2021.
Cálculo de Índices de Vegetación NDVI y SAVI a partir de imágenes multiespectrales obtenidas con
un dron. Academia Journals 13(4).
Ortiz, BV; Thomson, SJ; Huang, Y; Reddy, KN; Ding, W. 2011. Determination of differences in crop
injury from aerial application of glyphosate using vegetation indices. Computers and Electronics in
Agriculture 77(2):204-213. DOI: https://doi.org/10.1016/j.compag.2011.05.004
Agronomía Costarricense 49 (2025) 852
Pandit, S; Tsuyuki, S; Dube, T. 2018. Estimating above-ground biomass in sub-tropical buffer zone
community forests, Nepal, using Sentinel 2 data. Remote Sensing 10(4). DOI:
https://doi.org/10.3390/rs10040601
Paudyal, K; Samsudin, YB; Baral, H; Okarda, B; Phuong, VT; Paudel, S; Keenan, RJ. 2020. Spatial
assessment of ecosystem services from planted forests in central Vietnam. Forests 11(8):1-19. DOI:
https://doi.org/10.3390/f11080822
Rani, M; Kumar, P; Chandra-Pandey, P; Prashant, K; Srivastava, BS; Vandana-Tomar, C; Prasad-
Mandal, V. 2018. Multi-Temporal NDVI and Surface Temperature Analysis for Urban Heat Island
inbuilt surrounding of Sub-humid Region: A Case Study of two Geographical Regions, Remote Sensing
Applications: Society and Environment. DOI: https://doi.org/10.1016/j.rsase.2018.03.007
Saah, D; Tenneson, K; Matin, M; Uddin, K; Cutter, P; Poortinga, A; Nguyen, QH; Patterson, M;
Johnson, G; Markert, K; Flores, A; Anderson, E; Weigel, A; Ellenberg, WL; Bhargava, R;
Aekakkararungroj, A; Bhandari, B; Khanal, N; Housman, IW; Potapov, P; Tyukavina, A; Maus, P;
Ganz, D; Clinton, N; Chishtie, F. 2019. Land Cover Mapping in Data Scarce Environments: Challenges
and Opportunities. Front. Environ. Sci. 7:150. DOI: https://doi.10.3389/fenvs.2019.00150
Santos, WJR; Silva, BM; Oliveira, GC; Volpato, MML; Lima, JM; Curi, N; Marques, JJ. 2014. Soil
moisture in the root zone and its relation to plant vigor assessed by remote sensing at management scale.
Geoderma 221-222:91-95. DOI: https://doi.org/10.1016/j.geoderma.2014.01.006
Serrano, J; Shahidian, S; Marques da Silva, J. 2018. Monitoring seasonal pasture quality degradation in
the Mediterranean Montado Ecosystem: proximal versus remote sensing. water 10(1422):20. DOI:
https://doi.org/10.3390/w10101422
Solís, AF; Revelo luna, DA; Campo Ceballos, DA; Gaviria López, CA. 2021. Correlación del contenido
de clorofila foliar de la especie Coffea arabica con índices espectrales en imágenes. Biotecnología en
el Sector Agropecuario y Agroindustrial 19(2):51-68. DOI:
https://doi.org/10.18684/bsaa.v19.n2.2021.1536
Hernández-Mencía et al. Índices de vegetación y uso de suelo en el Occidente de Honduras
Tassopoulos, D; Kalivas, D; Giovos, R; Lougkos, N; Priovolou, A. 2021. Sentinel-2 imagery
monitoring vine growth related to topography in a protected designation of origin region. Agriculture
(Switzerland) 11(8). DOI: https://doi.org/10.3390/agriculture11080785
Taugourdeau, S; Avelino, J; Jones, JR; Ramírez, LG; Jara, M; Charbonnier, F; Gómez-delgado, F;
Harmand, J; Rapidel, B. 2014. Leaf area index as an indicator of ecosystem services and management
practices: an application for coffee agroforestry. «Agriculture, Ecosystems and Environment». DOI:
https://doi.org/10.1016/j.agee.2014.03.042
Tomar, V; Kumar, P; Rani, M; Gupta, G; Singh, J. 2013. A satellite-based biodiversity dynamics
capability in tropical forest. Electron. J. Geotech. Eng. 18:1171-1180.
Torabzadeh, H; Moradi, M; Fatehi, P. 2019. Estimating aboveground biomass in Zagros forest, Iran,
using Sentinel-2 data. International Archives of the Photogrammetry, Remote Sensing and Spatial
Information Sciences XLII-4/W18:1059-1063. DOI: https://doi.org/10.5194/isprs-archives-XLII-4-
W18-1059-2019
Torres, E; Linares, G; Tenorio, MG; Peña, R; Castelán, R; Rodríguez, A. 2014. Índices de vegetación
y uso de suelo en la Región Terrestre Prioritaria 105: Cuetzalan, México. Revista Iberoamericana de
Ciencias 1(3):101-112.
UICN (Unión Internacional para la Conservación de la Naturaleza). 2020. Ficha técnica del Corredor
Biológico de la Biósfera “Cacique Lempira, Señor de las Montañas” (en línea). Consultado 10 set. 2022.
Disponible en https://www.iucn.org/es
Wittke, S; Yu, X; Karjalainen, M; Hyyppä, J; Puttonen, E. 2019. Comparison of two-dimensional
multitemporal Sentinel-2 data with three-dimensional remote sensing data sources for forest inventory
parameter estimation over a boreal forest. International Journal of Applied Earth Observation and
Geoinformation 76:167-178. DOI: https://doi.org/10.1016/j.jag.2018.11.009
Agronomía Costarricense 49 (2025) 852
Zhang, HK; Roy, DP; Yan, L; Li, Z; Huang, H; Vermote, E; Skakun, S; Roger, J. 2018. Characterization
of Sentinel-2A and Landsat-8 top of atmosphere, surface, and nadir BRDF adjusted re fl ectance and
NDVI differences. Remote Sensing of Environment 215:482-494. DOI:
https://doi.org/10.1016/j.rse.2018.04.031
/var/folders/0d/n7w6p36n5mj882pmc4v47m5r0000gn/T/com.microsoft.Word/WebArchiv eCopyPasteTempFiles/cc_by-nc-nd.png
Agronomía Costarricense, Universidad de Costa Rica.
Se encuentra licenciada con Creative Commons Atribución-NoComercial-SinDerivar 4.0 Internacional.
Para mayor información escribir a rac.cia@ucr.ac.cr