La variable salinidad es operacionalizada mediante la medida de la CE 1:5 expresado en decisiemens por metro (dS/m). Estos registros corresponden a la base de datos de “Salinidad de la Cuenca Chancay-Lambayeque”, medidos en diferentes fechas y lugares de muestreo en el ámbito de la Cuenca Chancay-Lambayeque, como se detalla en la tabla.
Tabla 5. Tabla de sectores, fechas y número de muestras usadas.
Sector Fecha de Muestreo Número de muestras
Sialupe Huamantanga jueves, 18 de Octubre de 2007 30
Mocce jueves, 18 de Octubre de 2007 10
Monteria sábado, 17 de Enero de 2009 11
Chacra Vieja viernes, 7 de Agosto de 2009 6
Pitipo sábado, 7 de Agosto de 2010 7
Mórrope sábado, 6 de mayo de 2017 98
Total de Muestras 162
Las muestras en estudio se clasificaron, cuya distribución es como se detalla en el gráfico.
Otro análisis a la variable salinidad, que se realizó fueron sus medidas de tendencia central, como se detalla en la tabla
Tabla 6. Medidas de tendencia central - Salinidad
Variable n Media D.E. Var(n-1) Var(n) E.E. CV Mín. Máx. Mediana CE 1:5
(dS/m) 162 2.74 4.11 16.88 16.78 0.32 149.8 0.08 15.07 0.43
La base de datos corresponde a valores con una amplitud que involucra condiciones no salinas y salinas.
5.2.Medidas de tendencia central para las variables índices de vegetación Los índices de vegetación obtenidos del procesamiento de los datos imágenes del sensor MODIS producto MOD13Q1, corresponden a imágenes de fechas específicas para cada fecha de muestreo. El producto MOD13Q1, es un compuesto de 15 días, por lo que las fechas de las imágenes empleadas concuerdan con las fechas de los muestreos y en algunos casos, por factores de nubosidad y ruidos, se han tomado en fechas más cercanas, ya sea antes o después del muestreo, como se detalla en la Tabla 10.
Tabla 7. Fechas de muestreos e imágenes
Sector Fecha de Muestreo Fecha de Imagen
Sialupe Huamantanga jueves, 18 de Octubre de 2007 martes, 16 de Octubre de 2007 Mocce jueves, 18 de Octubre de 2007 martes, 16 de Octubre de 2007 Monteria sábado, 17 de Enero de 2009 sábado, 17 de Enero de 2009 Chacra Vieja viernes, 7 de Agosto de 2009 viernes, 28 de Agosto de 2009
Pitipo sábado, 7 de Agosto de 2010 viernes, 13 de Agosto de 2010 Mórrope sábado, 6 de mayo de 2017 martes, 9 de mayo de 2017
5.2.1. Medidas de tendencia central para el NDVI
La distribución de los valores de NDVI corresponden a rangos que van desde 0.151 hasta 0.665, en frecuencias que se detallan en el Gráfico 2.
Gráfico 2. Gráfico de Frecuencias de la Variable NDVI
Siendo sus medidas de tendencia central las que se presentan en la tabla. Tabla 8. Medidas de tendencia central - NDVI
Variable n Media D.E. Var(n-1) Var(n) E.E. CV Mín. Máx. Mediana
NDVI 162.00 0.44 0.16 0.02 0.02 0.01 35.99 0.15 0.67 0.48
Se trabajó con 162 puntos de monitoreo, de los cuales se extrajo los valores de NDVI de cada imagen correspondiente. Los valores presentan una mediana de 0.48, un valor que nos indica la heterogeneidad de los datos, esta condición de heterogeneidad también se ve expresada en los valores de la desviación estándar (0.16).
18.52% 7.41% 17.90% 29.63% 26.54% 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 10 20 30 40 50 60 0.254 0.357 0.459 0.562 0.665 F re cu en cia Re lat iva / Abs ol u ta F re cue n ci a A b so lut a (F A ) NDVI)
Gráfico de Frecuencias de la Variable NDVI
5.2.2. Medidas de tendencia central para el EVI
La distribución de los valores de EVI corresponden a rangos que van desde 0.082 hasta 0.525, en frecuencias que se detallan en el Gráfico 3.
Gráfico 3. Gráfico de Frecuencias de la Variable EVI
Siendo sus medidas de tendencia central las que se presentan en la Tabla 8. Tabla 9. Medidas de tendencia central - EVI
Variable n Media D.E. Var(n-1) Var(n) E.E. CV Mín. Máx. Mediana
EVI 162.00 0.27 0.11 0.01 0.01 0.01 41.50 0.08 0.52 0.28
El EVI, tiene un comportamiento distinto al NDVI, se han registrado valores con mayor homogeneidad, esta situación lo vemos expresado en la cercanía de la media (0.27) y la mediana (0.28), también por la baja desviación estándar (D.E) que presenta el conjunto de datos. 20.37% 18.52% 34.57% 20.99% 5.56% 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 10 20 30 40 50 60 0.170 0.259 0.348 0.436 0.525 F re cu en cia Re lat iva / Abs ol u ta F recuen ci a A b so lut a (F A ) EVI
Gráfico de Frecuencias de la Variable EVI
5.3.Análisis de regresión entre la conductividad eléctrica y los índices de vegetación (NDVI y EVI)
Se analizó la aptitud regresiva de las variables NDVI y EVI en función de la variable independiente (CE1:5), para ello se modelo usando ecuaciones de regresión no lineales y lineales.
Se presentan el total de los análisis de regresión, sus gráficos de dispersión y sus parámetros del modelo.
5.3.1. Análisis de regresión entre la CE1:5 (dS/m) y el NDVI con el modelo Dose-Response Models (DR-Hill)
El modelo DR-Hill, pertenece al grupo de la familia de modelos dosis-respuesta, que se pueden usar para describir el cambio en cualquier punto final continuo en función de la dosis. Aparentemente, la familia de modelos que se propone aquí es lo suficientemente flexible y completa para describir virtualmente cualquier dato continuo de dosis-respuesta como resultado de estudios de toxicidad (Wout, 2002).
La ecuación (5.1) describe la tendencia para el modelo Dose-Response Models (DR-Hill).
(5.1)
(a) (b)
Gráfico 4. (a) Gráfico de dispersión y línea de tendencia. (b) Gráfico de valores residuales. De las variables CE1:5 (dS/m) y el NDVI aplicando el modelo Dose-Response Models (DR-Hill)
En la Tabla 9 se resume cada uno de los valores expresados en la ecuación (5.1):
Tabla 10. Resumen de los parámetros de correlación - Modelo DR – Hill aplicado entre las variables CE1:5 (dS/m) y el NDVI.
Siendo los parámetros del modelo los siguientes: Error Estándar = 0.08
Coeficiente de correlación (r) = 0.87 Coeficiente de determinación (r2) = 0.75
El coeficiente de correlación (r), expresa el grado de relación entre la varia ble CE1:5 (dS/m) y el NDVI, encontrado que existe una relación directa entre estas dos variables, además de una alta dependencia. La elevada concentración de sales en el suelo tiene un comportamiento tóxico para el desarrollo de especies vegetales sensible s a las sales, por el contrario existen especies vegetales tolerantes a las sales, las cuales pueden sobrevivir en suelos con una elevada concentración de sales; el modelo de dosis-respuesta, expresa este comportamiento y nos da un alto índice de correlación (0.87), como se observa en el Gráfico 4 (a), la trayectoria de la línea de tendencia, tiene tres niveles marcados, observando que cuando los valores de conductividad eléctrica están por debajo de los 2 dS/m, la curva mantiene una meseta al nivel de los valores cercanos a 0.5 de NDVI; pasado ese nivel la trayectoria desciende bruscamente hasta los 10 dS/m y se estabiliza, observando que los valores residuales tienen a cero (Gráfico 4-b); este comportamiento es típico en plantas tolerantes a la toxicidad p or sales, que no poseen un follaje denso, es por ello sus valores de NDVI bajos.
Símbolo Valor Std Err Rango(95% Confianza) Alpha (α) 0.517 0.007 0.502134 to 0.531617
Theta (θ) -0.370 0.028 -0.424540 to -0.315005 Eta (η) 4.382 1.183 2.045377 to 6.718533 Kappa (κ) 5.269 0.452 4.376756 to 6.161046
5.3.2. Análisis de regresión entre la CE1:5 (dS/m) y el EVI con el modelo Dose-Response Models (DR-Hill)
La ecuación (5.2) de describe la tendencia para el modelo DR-Hill es:
(5.2) Donde:
Tabla 11. Resumen de los parámetros de correlación - Modelo DR – Hill aplicado entre las variables CE1:5 (dS/m) y el EVI.
Siendo los parámetros del modelo los siguientes: Error Estándar = 0.07
Coeficiente de correlación (r) = 0.78 Coeficiente de determinación (r2) = 0.61
Símbolo Valor Std Err Rango(95% Confianza) Alpha (α) 0.324 0.007 0.310952 to 0.337903 Theta (θ) -0.246 0.030 -0.304793 to -0.188063 Eta (η) 4.095 1.525 1.081681 to 7.107339 Kappa (κ) 5.563 0.716 4.148809 to 6.976265 (b) (a)
Gráfico 5. (a) Gráfico de dispersión y línea de tendencia. (b) Gráfico de valores residuales. De la variable CE1:5 (dS/m) y el EVI aplicando el modelo Dose-Response Models (DR-Hill)
Para el caso del EVI, la trayectoria de la línea de tendencia es similar a la que sigue con el NDVI, pero con un coeficiente de correlación más bajo. Esto debido a que se trata de un índice de vegetación adaptado para monitorear zonas con escasa cobertura vegetal y que presenten un fuerte efecto del suelo desnudo. Para este caso de estudio se monitoreó zonas con riego, donde por lo general, existe saturación de cobertura vegetal. La baja correlación entre las variables, bajo este modelo, puede estar influenciado por la alta heterogeneidad de los valores, lo que conduciría a la ocurrencia de errores sistemáticos entre las diferentes interacciones, dichos pueden deberse a factores obvios, por ejemplo, todos los puntos muestreados están cubiertos por plantas tolerantes a sales; otros errores sistemáticos menos obvios pueden estar indicado por la calidad y la frecuencia del riego, esto conlleva a que la correlación que busca establecer el modelo sea menor.
Los parámetros de regresión que se estiman con el modelo de dosis-respuesta, mejoran cuando las variables presentan alta heterogeneidad y se reduce cuando se trabaja con datos un tanto más homogéneos.
5.3.3. Análisis de regresión entre la CE1:5 (dS/m) y el NDVI con el modelo Sinusoidal
La Ecuación (5.3) describe la tendencia para el modelo Sinusoidal es:
(5.3)
(a) (b)
Gráfico 6. (a) Gráfico de dispersión y línea de tendencia. (b) Gráfico de valores residuales. De las variables CE1:5 (dS/m) y el NDVI con el modelo Sinusoidal
En la Tabla 12, se detalla cada uno de los parámetros de regresión, resultantes de la aplicación del modelo sinusoidal entre las variables CE1:5 (dS/m) y el NDVI Tabla 12. Resumen de los parámetros de correlación - Modelo Sinusoidal aplicado entre las variables CE1:5 (dS/m) y el NDVI.
Siendo los parámetros del modelo los siguientes: Error Estándar = 0.08
Coeficiente de correlación (r) = 0.87 Coeficiente de determinación (r2) = 0.75
La toxicidad es la capacidad intrínseca que posee un agente químico de producir efectos adversos sobre un organismo (Bo et al., 1998), estos efectos son evaluados como respuesta a la exposición de una determinada dosis, en condiciones naturales, la salinidad del suelo tiene un comportamiento tóxico a medida se incrementa la concentración de las sales. El modelo sinusoidal establece un nivel de alta correlación entre las variables evaluadas. La limitación de este modelo viene dada por la escasa información que se le proporciona al modelo, para establecer valores regresores que sean confiables, se necesitarían que los valores ingresados al modelo describan por completo a menos un periodo del sinusoide.
Símbolo Valor Std Err Rango(95% Confianza)
a 0.329 0.010 0.309005 to 0.349710 b 0.191 0.009 0.173030 to 0.208941 c 0.271 0.028 0.215357 to 0.325748 d 0.019 0.222 -0.418190 to 0.457003
5.3.4. Análisis de regresión entre la CE1:5 (dS/m) y el EVI con el modelo Sinusoidal
La ecuación de describe la tendencia para el modelo Sinusoidal es:
(5.4)
La ecuación (5.4) representa al modelo sinusoidal, y sus parámetros se detallan en la Tabla 12.
Tabla 13. Resumen de los parámetros de correlación - Modelo Sinusoidal aplicado entre las variables CE1:5 (dS/m) y el EVI.
Siendo los parámetros del modelo los siguientes: Error Estándar = 0.07
Coeficiente de correlación (r) = 0.78 Coeficiente de determinación (r2) = 0.60
Símbolo Valor Std Err Rango(95% Confianza)
a 0.201 0.008 0.184314 to 0.217690 b 0.124 0.008 0.107722 to 0.141093 c 0.279 0.036 0.208393 to 0.350272 d -0.106 0.274 -0.648100 to 0.435640
(a) (b)
Gráfico 7. (a) Gráfico de dispersión y línea de tendencia. (b) Gráfico de valores residuales. De las variables CE1:5 (dS/m) y el EVI con el modelo Sinusoidal.
En los Gráficos 6-a y 7-a se puede observar la trayectoria de la sinusoide, donde la información de calibración del modelo cubre la mitad de un periodo, esta situación limita las posibilidades predictivas del modelo, este comportamiento se confirma al observar los Gráficos 6-b y 7-b, en los que se observa que los valores residuales tienen a expandirse a la región negativa. Es por ello que, a pesar de tener un coeficiente de correlación alto, el modelo sinusoidal, carece de claridad matem ática para abstraer un fenómeno como la salinidad. Para su adecuada calibración, se necesitaría recoger, de la naturaleza, información con mayor amplitud, que cubra como mínimo un periodo; esto se refiere específicamente a valores de índice de vegetación de plantas que prosperen en condiciones de elevada salinidad.
5.3.5. Análisis de regresión entre la CE1:5 (dS/m) y el NDVI con el modelo Lineal
La Ecuación (5.5) describe la línea de tendencia para el modelo Lineal.
(5.5)
El modelo de regresión lineal modela la relación que existe entre las variables evaluadas, es adecuada para variables tienen una alta dependencia. Dos variables poseen alta dependencia cuando los residuos entre los valores medidos y los valores estimados avanzan a razones constantes.
(a) (b)
Gráfico 8. (a) Gráfico de dispersión y línea de tendencia. (b) Gráfico de valores residuales. De las variables CE1:5 (dS/m) y el NDVI con el modelo Lineal
Tabla 14. Resumen de los parámetros de correlación - Modelo lineal aplicado entre las variables CE1:5 (dS/m) y el NDVI
Siendo los parámetros del modelo los siguientes: Error Estándar = 0.08
Coeficiente de correlación (r) = 0.85 Coeficiente de determinación (r2) = 0.72
5.3.6. Análisis de regresión entre la CE1:5 (dS/m) y el EVI con el modelo Lineal
La ecuación (5.6) describe la línea de tendencia para el modelo Lineal.
(5.6)
Símbolo Valor Std Err Rango(95% Confianza)
a 0.529 0.008 0.513072 to 0.544426 b -0.033 0.002 -0.035813 to -0.029452
(a) (b)
Gráfico 9. (a) Gráfico de dispersión y línea de tendencia. (b) Gráfico de valores residuales. De las variables CE1:5 (dS/m) y el EVI con el modelo Lineal
Tabla 15. Resumen de los parámetros de correlación - Modelo lineal aplicado entre las variables CE1:5 (dS/m) y el EVI
Siendo los parámetros del modelo los siguientes: Error Estándar = 0.07
Coeficiente de correlación (r) = 0.76 Coeficiente de determinación (r2) = 0.58
Está claro que la salinidad y los índices de vegetación no poseen una relación lineal, a pesar de registrar, en ambos casos (NDVI y EVI) coeficientes de correlación elevados; esto porque existen plantas tolerantes a sales, que a niveles de alta salinidad poseen algún nivel de verdor, mayor a cero, como lo estima el modelo. En los Gráficos 8-a y 9-a, se muestra la línea de tendencia del modelo de regresión lineal, de la cual podemos extraer que la salinidad tiene una región, en la que su comportamiento es puramente lineal, esta característica constituye una fuerte limitación del modelo, que bien podría aplicarse a determinados rangos de salinidad y especies vegetales, sobre todo aquellas con sensibilidad a la elevada concentración de sales. El modelo carece de robustez matemática para abstraer el comportamiento general del fenómeno de la salinidad y su efecto en las especies vegetales, el modelo de regresión lineal podría modelar con éxito, situaciones más homogéneas, por ejemplo, al tratarse de una especie vegetal en específico.
Para el caso de un estudio a nivel de valle, donde se tiene valores de calibración bastante heterogéneos, el modelo lineal, a pesar de generar coeficientes de correlaci ón altos, se limita a una determinada región de universo de los valores presentes. Esta alta heterogeneidad de los valores de calibración, está dada, por la diversidad de espec ies vegetales y de suelos, de los que se tomó referencia.
Símbolo Valor Std Err Rango(95% Confianza)
a 0.332 0.007 0.318591 to 0.346334 b -0.021 0.001 -0.023900 to -0.018272
5.3.1. Análisis de regresión entre la CE1:5 (dS/m) y el NDVI con el modelo DR-LogProbit
La Ecuación (5.7) describe la tendencia para el modelo DR-LogProbit.
(5.7)
Tabla 16. Resumen de los parámetros de correlación - Modelo DR-LogProbit aplicado entre las variables CE1:5 (dS/m) y el NDVI
Siendo los parámetros del modelo los siguientes: Error Estándar = 0.1
Coeficiente de correlación (r) = 0.78 Coeficiente de determinación (r2) = 0.61
Símbolo Valor Std Err Rango(95% Confianza)
Gamma (ϒ) -130.254 5365.444 -10726.984781 to 10466.476995 Alpha (α) 2.624 13.929 -24.886217 to 30.134637
Beta (β) -0.044 0.193 -0.426326 to 0.337963
(a) (b)
Gráfico 10. (a) Gráfico de dispersión y línea de tendencia. (b) Gráfico de valores residuales. De las variables CE1:5 (dS/m) y el NDVI con el modelo DR-LogProbit.
5.3.2. Análisis de regresión entre la CE1:5 (dS/m) y el EVI con el modelo DR-LogProbit
La Ecuación (5.8) describe la línea de tendencia para el modelo DR-LogProbit.
(5.8)
Tabla 17. Resumen de los parámetros de correlación - Modelo DR-LogProbit aplicado entre las variables CE1:5 (dS/m) y el EVI
Siendo los parámetros del modelo los siguientes: Error Estándar = 0.1
Coeficiente de correlación (r) = 0.67 Coeficiente de determinación (r2) = 0.45
Símbolo Valor Std Err Rango(95% Confianza)
Gamma (ϒ) -26.224 1324.458 -2642.024052 to 2589.576884 Alpha (α) 1.926 21.083 -39.712669 to 43.565625 Beta (β) -0.027 0.220 -0.461656 to 0.407223
(b) (a)
Gráfico 11. (a) Gráfico de dispersión y línea de tendencia. (b) Gráfico de valores residuales. De las variables CE1:5 (dS/m) y el EVI con el modelo DR-LogProbit.
Los modelos dosis- respuesta de log-verosimilitud o DR-LogProbit, fueron elaborados originalmente para su aplicación en la microeconomía, se trata de un modelo no lineal con variable dependiente limitada. Para los modelos anteriores se dijo que los coeficientes resultantes de la estimación del modelo reflejan, en ciertos casos, efectos parciales o en su defecto estaban restringidos a una determinada región de los valores “x”. Los gráficos de los valores residuales nos permiten apreciar la bondad de ajuste de cada modelo, también conocido como “porcentaje predicho correctamente”. La principal dificultad de los modelos DR-LogProbit para estimar el valor efecto, está en el factor de escala de la variable explicativa “x”, así que, para lograr una mayor bondad de ajuste, se tiene que recurrir a diferentes medidas de “x”, de modo que se logre cubrir los mínimos, las medias, los máximos, los cuartiles, entre otras. Esta característica es el origen de las limitaciones para interpretar las estimaciones generadas por este grupo de modelos. Para la calibración de este modelo se ha partido de información heterogénea, que genera predicciones con una heterocedasticidad elevada.
5.3.3. Análisis de regresión entre la CE1:5 (dS/m) y el NDVI con el modelo DR-Weibull
La Ecuación (5.9) describe la línea de tendencia para el modelo DR-Weibull.
(5.9) Donde:
(a) (b)
Gráfico 12. (a) Gráfico de dispersión y línea de tendencia. (b) Gráfico de valores residuales. De las variables CE1:5 (dS/m) y el NDVI con el modelo DR-Weibull.
Tabla 18. Resumen de los parámetros de correlación - Modelo DR-Weibull aplicado entre las variables CE1:5 (dS/m) y el NDVI
Siendo los parámetros del modelo los siguientes: Error Estándar = 0.09
Coeficiente de correlación (r) = 0.78 Coeficiente de determinación (r2) = 0.61
5.3.4. Análisis de regresión entre la CE1:5 (dS/m) y el EVI con el modelo DR-Weibull
La Ecuación (5.10) describe la línea de tendencia para el modelo DR-Weibull.
(5.10)
Símbolo Valor Std Err Rango(95% Confianza)
Gamma (ϒ) -717.321 31523.057 -62975.238330 to 61540.597074 Alpha (α) 7.138 43.906 -79.575578 to 93.851929
Beta (β) -0.018 0.112 -0.239782 to 0.203472
(a) (b)
Gráfico 13. (a) Gráfico de dispersión y línea de tendencia. (b) Gráfico de valores residuales. De las variables CE1:5 (dS/m) y el EVI con el modelo DR-Weibull.
En la Tabla 18 se detalla cada uno de los parámetros.
Donde:
Tabla 19. Resumen de los parámetros de correlación - Modelo DR-Weibull aplicado entre las variables CE1:5 (dS/m) y el EVI
Siendo los parámetros del modelo los siguientes: Error Estándar = 0.08
Coeficiente de correlación (r) = 0.67 Coeficiente de determinación (r2) = 0.45
Los modelos con distribución Weibull, son de probabilidad continua. Que explican un efecto en la variable dependiente proporcional a la potencia de la variable descriptora “x”. La distribución Weibull de dosis-respuesta, explica partiendo de datos medidos, la relación entre las variables, y genera una predicción del comportamiento de la variable dependiente en función de las variaciones de “x”. El modelo genera predicciones con mayor homocedasticidad. Permite la normalización del error, debido a que la concentración de sales en el suelo va generando un proceso probabilístico estocástico, cuya variable dependiente varía constantemente en función de la variación de la variable “x”. Es en este sentido, que se hace necesaria la descripción las probabilidades de ocurrencia de la variable dependiente en distintos estados, al ser un modelo matemático de comportamiento probabilístico, permite establecer las probabilidades en los distintos valores de la variable aleatoria (conductividad eléctrica del suelo), así como también tener valores mayores o menores (ver gráfico 12 -a) de variabilidad constante, y no se limita a una determinada regi ón de valores.
Símbolo Valor Std Err Rango(95% Confianza)
Gamma (ϒ) -66.765 3363.886 -6710.426783 to 6576.896777 Alpha (α) 4.523 49.655 -93.545100 to 102.590478 Beta (β) -0.014 0.153 -0.315438 to 0.287700
De todos los modelos evaluados en esta investigación, es el DR-Weibull, el único que permite conocer y manejar fácilmente el comportamiento de la variable NDVI y sintetiza toda la información sobre probabilidades asociadas a cada estado de la conductividad eléctrica del suelo. Además de abstraer de manera más apropiada el comportamiento de las variables, el modelo, genera parámetros de correlación aceptables, como es el caso del coeficiente de correlación igual a 0.78, para el caso del NDVI.
A continuación, se presenta un cuadro resumen de los parámetros de los modelos aplicados a ambas variables.
Tabla 20. Cuadro resumen de los parámetros de los modelos aplicados
Modelo Ecuación Variable dependiente (x) Std Err r r2 DR-Hill NDVI 0.08 0.87 0.75 DR-Hill EVI 0.07 0.78 0.62 Sinusoidal NDVI 0.08 0.87 0.75 Sinusoidal EVI 0.07 0.78 0.60 Lineal NDVI 0.08 0.85 0.72 Lineal EVI 0.07 0.76 0.58 DR-LogProbit NDVI 0.1 0.78 0.61 DR-LogProbit EVI 0.07 0.67 0.45 DR-Weibull NDVI 0.09 0.78 0.61 DR-Weibull EVI 0.08 0.67 0.45
El índice de vegetación que mejor correlación tiene con la CE1:5 es el NDVI. En todos los casos evaluados presenta un valor “r” mayor al que se registra entre la CE1:5