INTRODUCCIÓN

La movilidad, el intercambio y la circulación (de personas, objetos, ideas) han sido temáticas abordadas por la arqueología, de manera directa o indirecta, desde prácticamente sus inicios. Las investigaciones en la Puna y los Valles Altos Catamarqueños no son la excepción (Korstanje 1998; ^{Aschero 2006}; Escola et al. 2009; Aschero y Hocsman 2011, entre otros), aunque solo re cientemente han comenzado a ser abordadas de manera sistemática y con un marco teórico propio (^{Martel 2014}; Martel et al. 2017); el de la Arqueología Internodal (Berenguer 2004; Nielsen 2006; Berenguer y Pimentel 2010).

Como resalta uno de estos autores:

Se trata de posicionar la mirada en los internodos para indagar sus propiedades distintivas, los principios que rigen las prácticas allí situadas y las lógicas que animan a sus protagonistas, buscando entender cómo intervienen en la constitución de la sociedad mayor. El principal desafío metodológico que plantea este enfoque a la arqueología es cómo aprovechar la evidencia material de los espacios y prácticas internodales para poner en riesgo distintas proposiciones sobre la naturaleza y organización de las redes sociales y sus procesos de transformación (Nielsen 2017:301).

No obstante, son muchos los desafíos que implican este tipo de abordaje; uno de ellos es el de las escalas, principalmente el de las escalas espaciales sobre el cuál trabajaremos aquí. La circulación de objetos registrada en los distintos nodos arqueológicos (en este caso en particular hacemos referencia a los nodos de Antofagasta de la Sierra, por un lado, y la microrregión de los Valles Altos Catamarqueños por el otro) nos indica rangos de interacción con alcances máximos de hasta 600 km, estableciéndose nexos con espacios tan distantes como la costa del Pacífico o las Yungas (Aschero y Hocsman 2011).

Aunque la modalidad de investigación arqueológica actual, con áreas definidas para los distintos equipos de trabajo, no impide el abordaje de problemáticas vinculadas a la circulación y el movimiento fuera de tales áreas, sí puede ser un limitante al momento de intentar estudiar, por ejemplo, el recorrido de las vías específicas de circulación o los caminos. De esta forma, dado que los autores pertenecemos a equipos de investigación distintos y que veníamos abordando preguntas similares, nos propusimos unificar esfuerzos y cruzar información.

Para ello, no solo debíamos plantearnos preguntas en común, sino también definir una metodología cuyo alcance, en este caso temporal y espacial, pudiera también aportar elementos a la discusión. Uno de los grandes obstáculos que implica el preguntarse por la circulación de personas entre lugares situados a cientos de kilómetros es la enorme dificultad de llevar a cabo tareas arqueológicas clásicas, como puede ser la prospección del terreno. En este sentido, los resultados de la metodología que presentaremos a continuación pueden funcionar como una suerte de filtro espacial, acotando espacialmente los lugares en los que posteriormente podremos intensificar las tareas puntuales.

METODOLOGÍA

Sobre la base de lo anteriormente expuesto, nos preguntamos sobre las alternativas analíticas de las que disponemos y qué variables podrían ser de interés para delimitar posibles sectores o vías de circulación. La variable de la disponibilidad de agua y pasturas se destaca como de importancia fundamental, ya que es considerada un elemento crítico al momento de planificar viajes (^{García et al. 2002}; García y López 2004; Núñez Srytr 2011; ^{Abeledo 2013}; Morales et al. 2019, entre otros), especialmente en el área de estudio considerada (la puna salada o puna sur, extremada mente árida) (Troll 1980). Abordamos esta variable a partir de imágenes satelitales y del cálculo del índice de vegetación normalizada (NDVI), gracias a la teledetección. De esta manera, no se observa de manera directa la presencia de agua en superficie, sino la presencia/ausencia de zonas vegetadas, desde una perspectiva diacrónica.

Este índice, introducido por Tucker (1979), representa la diferencia normalizada entre la reflectancia en las bandas espectrales del infrarrojo cercano (NIR) y del rojo (R). Estas bandas pueden aparecer con diferentes denominaciones de acuerdo al satélite que estemos utilizando. Para el caso de Landsat 8, las bandas utilizadas son la Banda 4 (Rojo) y la Banda 5 (Infrarrojo Cercano).

En este primer abordaje recurrimos solo al cálculo del NDVI debido a que nos puede proveer información sobre agua y vegetación al mismo tiempo. Ciertamente, a futuro la idea es trabajar con otros tipos de índices, vinculados por ejemplo a la presencia de agua en superficie (NDWI), a la humedad del suelo (NDMI), o a la vegetación ajustada por tipo de suelo (SAVI). Además, utilizar este índice en particular nos permitirá más adelante contar con más información de base y comparativa para trabajar con estimaciones de paleo-NDVI, con la posibilidad de reconstruir este índice durante el Holoceno Tardío de acuerdo a lo propuesto por Marconetto y colaboradores (2015).

Dada la necesidad de realizar un cálculo del índice de vegetación normalizada (NDVI), para grandes superficies, y con una perspectiva temporal lo más amplia posible, nos interiorizamos en la utilización del Google Earth Engine (Gorelick et al. 2017). En palabras de estos autores, se trata de “una plataforma basada en la nube para el análisis geoespacial a escala planetaria que aporta la enorme capacidad computacional de Google para abordar una serie de problemas sociales de gran impacto” (Gorelick et al. 2017:18, la traducción es nuestra).

Esta plataforma permite el acceso a enormes catálogos de datasets geoespaciales (imágenes satelitales, datos geofísicos, climáticos, demográficos y mucho más), listos para su visualización y procesamiento mediante la introducción de una serie de algoritmos o instrucciones (scripts) que son procesados de manera remota por los servidores de Google, y devuelve al usuario los resultados de estos análisis listos para ser insertados en cualquier otra plataforma, como puede ser el QGIS, por ejemplo. Los principales dataseis que hemos considerado de utilidad para nuestra investigación son las imágenes provenientes de sensores remotos, entre las cuales se incluye la totalidad del archivo Landsat, así como también de Sentinel, MODIS y otros.

Todas las imágenes pertenecientes al mismo sensor remoto son agrupadas y presentadas en lo que la plataforma denomina “colecciones”, las cuales pueden ser fácilmente filtradas y clasi ficadas para obtener de manera más precisa la información que estamos buscando. La forma en que se realizan estas consultas es a través de scripts o secuencias de comandos. Esta es una de las grandes ventajas que presenta esta plataforma en relación con otras en las cuales podríamos realizar el procesamiento de imágenes satelitales, como veremos más adelante.

Al tratarse de un primer acercamiento para evaluar el potencial de la metodología y del entorno de trabajo, decidimos utilizar una colección que cumpliera de la mejor manera posible con los siguientes tres requisitos: amplitud temporal, resolución espacial y mejor calidad de producto.¹ Considerando que esta es una investigación aún en curso, a futuro replicaremos la metodología con otras fuentes de imágenes satelitales, y cálculos sobre diversos índices. Al mismo tiempo, no está de más repetir que esta fuente de información es netamente moderna, por lo que las extrapolaciones hacia momentos más antiguos siguen siendo provisorias y limitadas, aunque más adelante se sugieren algunas posibilidades analíticas en este sentido.

Así, decidimos utilizar la colección correspondiente al satélite Landsat 8 (Surface Reflec- tance - Tier 1), que nos provee de imágenes entre abril del 2013 y la actualidad. Sin embargo, al tratarse de una perspectiva que tratará de analizar las variaciones en la disponibilidad de aguas/ pasturas de acuerdo a una base anual y estacional, en esta oportunidad seleccionamos trabajar con las imágenes satelitales entre el 1 de enero de 2014 y el 31 de diciembre del 2021. Es importante resaltar que en esta oportunidad solo estamos discriminando entre vegetación sí/vegetación no, pero en futuros trabajos podríamos agregar al proceso el método de spectral unmixing para re conocer las distintas huellas espectrales de los distintos tipos de vegetación y tener un resultado aún más ajustado y certero.

Esta colección de imágenes fue a continuación filtrada para mostrar solo aquellas que cu brieran el área de trabajo definida, cargada como una geometría espacial en el entorno del Google Earth Engine (en adelante GEE) (figura 2). Así, luego de aplicar el filtro temporal y espacial que nos permite minimizar el ruido a nivel de datos en nuestro procesamiento, vemos que vamos a estar trabajando con un total de 903 imágenes satelitales.

Figura 2: Entorno de trabajo del Google Earth Engine donde se puede apreciar el sector para la escritura del scripi solicitando procesamientos al entorno y en la parte inferior la visualización, donde lo que se ve en color responde al área de trabajo definida

A continuación, sometimos el total de imágenes a dos nuevos filtros. En primer lugar, le pedimos al entorno de trabajo que las agrupe de acuerdo con el momento del año en que fueron obtenidas, creando cuatro nuevas categorías: 220 imágenes obtenidas en verano, 229 en otoño, 230 en invierno y 224 en invierno.

Con posterioridad, aplicamos un algoritmo o script diseñado por investigadores del USGS que permite crear una máscara sobre los píxeles correspondientes a nubes o sombras de nubes. De esta manera, en vez de quedarnos con datos confusos para sectores afectados por nubes o sombras -es decir, que no nos permiten ver la superficie-, le solicitamos al GEE que nos devuelva la misma imagen, pero que en esas zonas no tenga datos.

Esto nos es de particular utilidad debido a que el siguiente paso en el procesamiento co rresponde a la creación de una imagen compuesta, donde estos sectores sin datos en las imágenes particulares van a ser rellenados por los correspondientes a tomas realizadas otros días. Estas cuatro imágenes compuestas -una para cada estación- son obtenidas utilizando la función “median” en el entorno del GEE. Es importante aclarar que, dentro de la perspectiva analítica considerada, no nos interesa trabajar con sectores con disponibilidad de aguas/pasturas que puedan aparecer de manera extraordinaria, sino identificar aquellas zonas donde esta disponibilidad responda a una mayor predictibilidad a lo largo del tiempo. Así, no estamos “reduciendo” los datos con los que trabajamos, sino limpiando las apariciones extraordinarias y quedándonos con las recurrentes.

Por último, calculamos el Índice de Vegetación Diferencial Normalizado (NDVI por sus siglas en inglés) sobre cada una de estas cuatro imágenes compuestas. Es importante resaltar que el NDVI es comúnmente utilizado como un proxy para evaluar la actividad de la vegetación (Weber et al. 2018) y en este caso en particular, nos interesa porque resalta las áreas vegetadas dentro de un ambiente en el que este recurso no es particularmente predominante. Es importante recordar que “las variaciones espaciales y temporales de la actividad fotosintética de la vegetación tienen una estrecha relación con la disponibilidad de agua en el suelo, especialmente en zonas áridas y semiáridas” (Marconetto et al. 2015:47).

Una vez obtenidas estas cuatro imágenes que nos muestran la media del NDVI de los úl timos 8 años, divididas por estaciones, procedemos a descargarlas y seguir el procesamiento en un entorno local, en nuestro caso el QGIS Desktop 3.22.2 ‘Bialowieza’. Al momento de realizar la descarga, GEE nos permite seleccionar distintos parámetros como sistema de coordenadas, formato del archivo de salida y escala de la imagen, de manera tal que lo podamos ajustar al resto de nuestros análisis.

Es importante resaltar que en esta primera oportunidad decidimos trabajar solo con la in formación correspondiente a Landsat 8 y por eso la muestra es desde el 2014 en adelante, pero este mismo flujo de trabajo puede aplicarse a otros sensores remotos, alcanzando una mayor profundidad temporal.

Una vez que tenemos las cuatro imágenes ráster podemos realizar cálculos de superficie, categorizar de distinta manera de acuerdo con los valores de NDVI, cruzar esa información con datos compilados por otras vías, y tratar de entender de la mejor manera la posible vinculación entre esta variable y las acciones de movimiento asociado al tráfico y el caravaneo.

RESULTADOS

Las evidencias arqueológicas nos permiten afirmar la utilización de algunas vías de comunicación entre las áreas de estudio (valle de El Bolsón en los valles altos catamarqueños y la microrregión de Antofagasta de la Sierra) al menos desde hace 1800 años (Martel et al. 2017), con indicios de utilización reiterada hasta hace unos 50 años atrás en varios de los tramos de caminos registrados.

Aunque consideramos que esta vía analítica puede, luego de seguir siendo utilizada, refi nada y perfeccionada, ayudar a aportar información predictiva sobre la circulación de bienes y personas en distintas temporalidades, en esta primera oportunidad vamos a limitarnos a cruzar la información generada a partir del análisis en GEE con entrevistas realizadas por uno de nosotros a pobladores de Antofagasta de la Sierra (en adelante, ANS) en relación con los viajes que ellos realizaron hasta no hace mucho tiempo atrás, cuando esta era la principal forma de obtener ciertos objetos y elementos, con anterioridad a la construcción de las rutas vehiculares (Zamora 2022).

En primer lugar, nos interesa mostrar que el procesamiento vinculado al cálculo del NDVI realizado en el entorno de GEE funciona. Así, lo primero que realizamos en el QGIS fue una vectorización de la capa ráster correspondiente a cada estación, seleccionamos solo los valores mayores a 0,5² y utilizamos la función “disolver” para crear un único polígono del cuál pudiéra mos calcular la superficie. De esta manera, gráficamente podemos observar los ciclos anuales de crecimiento y decrecimiento de áreas vegetadas (figura 3), al mismo tiempo que podemos calcular las superficies con valores de NDVI mayores a 0,5 para el área de trabajo definida. Estos cálculos nos indican que las estaciones de otoño y verano muestran mayores superficies vegetadas (73,17 y 66,43 km² respectivamente), mientras que estos valores decrecen drásticamente para primavera y, principalmente, invierno (11,32 y 1,22 km², respectivamente).

Figura 3: Área de trabajo definida y cálculo de NDVI para las estaciones de a) verano, b) otoño, c) invierno y d) primavera. Los valores de NDVI más bajo están representados en verde, mientras que a medida que crecen, pasan a amarillos y rojos

Estos datos concuerdan con las observaciones en campo, la información sobre precipitacio nes mensuales entre 2014 y 2021 a los que pudimos acceder gracias al Global Climate Monitor (Camarillo-Naranjo et al. 2019), como así también con análisis sobre el mismo índice realizados en la zona de Arica (^{Saintenoy et al. 2017}) que señalan esta tendencia a formaciones vegetacio- nales más extensas al final de la temporada de lluvias y la menor cobertura para el mes de agosto. Recordemos que la temporada húmeda en el área de trabajo presentada aquí va de diciembre a marzo, con una fuerte estacionalidad.

Al mismo tiempo, dado que “las jornadas de viaje se planteaban de modo de conectar lugares de pernocte con agua, pasturas, y en muchos casos una mínima estructura preexistente de refugio para viajeros humanos y animales” (Zamora 2022:239, el énfasis es nuestro), podemos identificar a este como uno de los recursos críticos para ser tenidos en cuenta. De allí que la previsibilidad se torna aún más importante. Toda actividad que implique movimientos de personas y animales en este tipo de entornos naturales requiere de planificaciones que incluyan el aprovisionamiento de estos recursos, como menciona por ejemplo Abeledo al estudiar el pastoreo en Santa Rosa de los Pastos Grandes, mencionando que “está estructurado en gran parte por la disponibilidad estacional y esparcida de pasturas y aguadas que se concentran en lugares puntuales del ambiente” (Abeledo 2013:18).

Entonces, ¿cómo se solapan los derroteros registrados en las entrevistas con la información obtenida a través del procesamiento en el GEE? El trabajo de Zamora (2022) logró reconstruir el trazado de varias vías de circulación entre ANS y la zona de los valles hacia el sur; “íbamos al Jote, del Jote íbamos a la orilla de Pasto Ventura, de Pasto Ventura a Corral Viejo, y caíamos a Corral Quemado” (Zamora 2022:241), o “si por acá por este lado íbamos a Laguna Blanca, de aquí, de Pasto Ventura se separa el camino, iba a Laguna Blanca y abajo a los Nacimientos y de ahí a Villa Vil” (Zamora 2022:241).

Este derrotero vincula distintos puntos en el espacio caracterizados por agrupar parches con valores de NDVI más altos que en áreas circundantes. Básicamente, posibles lugares con concentración de aguas y pasturas. Por ejemplo, en el tramo entre El Peñón-ANS, podemos ob servar muy claramente la quebrada con disponibilidad de agua donde se instaló el Jote, resaltando notablemente en relación a la nula presencia de estos recursos en el resto de este recorrido. Pero además de utilizar esta metodología para la corroboración de la información registrada, nos interesa también utilizarla para definir futuros lugares de prospección en búsqueda de evidencias asociadas a la circulación. Y en este caso, pudimos identificar una vega recurrente en las cercanías del actual trazado de la Ruta Provincial 43 que sería interesante registrar dada su posición intermedia entre Laguna Blanca y El Peñón (figura 4).

Con relación a otras vías de circulación registradas en las entrevistas, también pudimos identificar, gracias al procesamiento en GEE, puntos mencionados por los entrevistados, como así también zonas de interés para futuras campañas de prospección. Pero también, antes de finalizar, queremos hacer referencia a un caso donde se aprecian algunas de las limitaciones de la propuesta.

Figura 4: Parte del derrotero que une Antofagasta de la Sierra y Villa Vil registrado en entrevistas (Zamora 2022). El círculo azul marca la quebrada asociada al Jote; el rojo, la vega intermedia entre Laguna Blanca y el abra de Pasto Ventura

El Puesto Los Negros (figura 5) funcionó activamente entre las décadas de 1960 y 1980, cuando fue abandonado. A pesar de no contar con agua disponible, los informantes mencionan que hasta ese momento existían pasturas, y habría servido como lugar de pernocte provisorio para viajeros que salían de ANS hacia el sur (Zamora 2022). Sin este registro etnográfico, simplemente mediante la observación de imágenes satelitales o siguiendo el análisis de NDVI, probablemente no prestaríamos especial atención a este sector.

Ahora bien, cuando miramos con un poco más de detenimiento las imágenes con la carac terización del NDVI, podemos observar que hacia el oeste sí hay una quebrada que favorece la presencia de vegetación, que debe haber sido mucho más extensa en el pasado posibilitando la presencia de pasturas en la zona del puesto relevado. Aquí sería necesario realizar un análisis del mismo tipo, pero con una mayor profundidad temporal, aunque con el problema de que la reso lución espacial de los satélites por utilizar es menor. Ciertamente es una de las líneas a continuar explorando a futuro.

Figura 5: Mapa mostrando la ubicación del Puesto Los Negros en relación a ANS y la quebrada que posiblemente proveyó de agua para pasturas a la zona, actualmente más retraída

DISCUSIÓN Y CONCLUSIONES

Sentimos, en el sentido más amplio de la palabra, que estamos ante un momento particular de la arqueología, donde son varios los factores (la investigación en sí, pero también el compromiso político y las agendas personales) que nos llevan a replantearnos algunos limitantes a la práctica arqueológica. Muchas veces estos se presentan como factores externos a la disciplina en sí; como el caso de las áreas de trabajo que son espacialmente delimitadas por los órganos gubernamentales provinciales, aunque eso no implica que no podamos hacer nada para sortear estas “fronteras”.

En esta oportunidad, acompañados de una interrogante arqueológica que es de por sí dis- ruptiva con las limitaciones espaciales de los permisos arqueológicos (los caminos no terminan allí donde terminan nuestros permisos), nos planteamos una metodología que acompañe estas necesidades espaciales. Así, intentamos abrir lo más posible el ángulo de observación, tanto espa cial como temporalmente (aunque en este último sentido aún puede trabajarse más), recurriendo a la información proveniente de sensores remotos entre el 2014 y el 2021 para el área de estudio. No está de más decir que, aunque ampliamos el área de trabajo en las que cada uno de nosotros suele investigar, nuevamente establecimos otros límites, pero que no responden a la posibilidad analítica (que en realidad tiene una escala global), sino a las preguntas planteadas que nos moti varon a escribir este trabajo.

La utilización del entorno de trabajo del Google Earth Engine probó ser adecuado para este tipo de acercamiento, ya que pudimos aprovechar su amplio repositorio, capacidad de procesamiento y algoritmos de análisis predeterminados para la obtención de datos novedosos, que pudieron ser puestos en discusión y diálogo con otras fuentes de información. Es importante en este sentido, volver a resaltar que el tipo de análisis planteado sí podría haber sido replicado en otro entorno de trabajo, pero no así el volumen de datos primarios con los que trabajamos. Las 903 imágenes satelitales del área que componen la colección de Landsat 8 utilizada fueron procesadas de manera remota, acortando tiempos y recursos insumidos en las computadoras locales.

Fue interesante también la comparación de los resultados obtenidos a través de la metodo logía propuesta con la observación directa en campo (Martel et al. 2017; Lepori 2021; Zamora 2022), los datos meteorológicos relacionados con volúmenes de precipitación y la información recabada por vía de entrevistas a pobladores de Antofagasta de la Sierra que realizaron viajes de intercambio y arriería hasta hace pocos años. Podemos adelantar también que esta metodología de trabajo está siendo aplicada en la investigación doctoral de uno de los autores, y los resultados de los modelos predictivos están siendo utilizados para la planificación de campañas de prospección.

Esta etapa del trabajo funcionó como una suerte de corroboración, al menos en primera instancia, de que podíamos fiarnos de los resultados y comenzar a utilizarlos para hipotetizar sobre posibles lugares de paso o pernocte en las vías de circulación que estamos estudiando. Además, salvo un único caso donde la magnitud de las rastrilladas permitió su observación en imágenes satelitales de alta resolución disponibles en Google Earth (Martel et al. 2017), todas las otras evidencias arqueológicas que hemos hallado en asociación a los caminos no pueden ser observadas de esa manera. Intentamos “encontrar” en Google Earth y Bing las 63 estructuras halladas en el tramo Pasto Ventura-El Peñón y simplemente no son distinguibles. Con algunas excepciones, la evidencia arqueológica internodal registrada en nuestros trabajos ha sido en extremo magra; las estructuras son construidas de manera expeditiva y sencilla, y los materiales muebles son muy escasos.

Así, hemos identificado algunos sectores que no han sido prospectados, pero que desde el análisis aquí propuesto podrían coincidir con los lugares elegidos por los viajantes en sus derroteros entre la puna y los valles altos catamarqueños, pudiendo ser zonas de captación de agua, pasturas y leña. No obstante, también debemos estar atentos ante las limitaciones de este tipo de análisis, y posibles ajustes en la metodología, ya que también identificamos al menos un caso donde las entrevistas nos indicaban un lugar de pernocte que desde el análisis de NDVI habríamos desechado.

Dentro de las líneas para seguir explorando se encuentran: la utilización de otras fuentes de imágenes satelitales (Sentinel-1 y Sentinel-2, por ejemplo); el testeo de otros índices (SAVI, EVI, NDWI, entre otros), tanto de vegetación como de agua y humedad para comparar con los resultados de NDVI o poder plantearse otro tipo de preguntas sobre la circulación; buscar maneras de profundizar el alcance temporal del tipo de análisis, ya sea mediante la utilización de imágenes satelitales más tempranas (aunque hay que resolver cómo trabajar con distintas resoluciones es paciales), cálculos de paleo-NDVI y/o cotejos paleoambientales. Por último, otro de los trabajos que quedan pendientes es el de cuantificar la fiabilidad de los modelos.

En este sentido, aunque sigue siendo un primer acercamiento y no plantea respuestas de finitivas, consideramos que abre un nuevo mundo de posibilidades, de mirar desde otro lugar, cambiar la perspectiva. Y, ¿qué es la arqueología sino una búsqueda de nuevas formas de mirar y seguir mirando hacia atrás y hacia adelante?

AGRADECIMIENTOS

Ambos nos encontramos realizando nuestras investigaciones doctorales, y por ello agradece mos la financiación que nos permite llevar adelante nuestros trabajos (sendas Becas Doctorales de CONICET, PIUNT G636/2, PIP CONICET 0861, PICT 2020-1744), pero sobre todo a los equipos de trabajo que enriquecen nuestras discusiones, proponen nuevas miradas y, sobre todo, siempre acompañan. Agradecemos también los valiosos comentarios y sugerencias de las evaluaciones, los cuales contribuyeron a mejorar el presente escrito. A las y los pobladores de Antofagasta de la Sierra, de Barranca Larga y de todos aquellos lugares donde siempre somos bien recibidos. A las y los viajeros, que siempre estuvieron y siempre estarán. Y a ellos, por la tercera.

NOTAS

El proveedor de estas imágenes es el USGS (United States Geological Survey), que categoriza las tomas provenientes de sus satélites de acuerdo a la calidad de datos y el error en cada imagen en Tier 1 (mejor calidad, menor error) y Tier 2 (menor calidad, mayor error). De acuerdo con el tipo de análisis que se pretenda realizar, también provee imágenes que muestran la Surface Reflectance o Top-of-Atmosphere Reflectance. Ya que la segunda contiene datos que hacen “ruido” como información de nubes o aerosoles, para el análisis de NDVI es mejor trabajar con la Reflectancia Superficial.

Recordemos que el NDVI se calcula entre -1 y 1. Aquí, de manera arbitraria, decidimos considerar los valores mayores a 0,5 de referencia, ya que a priori nos estarían indicando sectores con vegetación más sana.