Comparación de modelos empíricos y de transferencia radiativa para estimar contenido de humedad en pastizalespoder de generalización

  1. Yebra Álvarez, Marta
  2. Chuvieco Salinero, Emilio
  3. Aguado Suárez, María Inmaculada
Revista:
Revista de teledetección: Revista de la Asociación Española de Teledetección

ISSN: 1133-0953

Ano de publicación: 2008

Número: 29

Páxinas: 73-90

Tipo: Artigo

DIALNET GOOGLE SCHOLAR lock_openAcceso aberto editor

Outras publicacións en: Revista de teledetección: Revista de la Asociación Española de Teledetección

Resumo

El contenido de humedad de la vegetación (FMC) es una variable clave de diversas aplicaciones, muchas de las cuales precisan un conocimiento a nivel global. Por ello, se precisa calibrar modelos de estimación del FMC con alta representatividad espacial y poder de generalización. La teledetección espacial se muestra como una de las fuentes de información más idónea al respecto. Existen principalmente dos tipos de modelos que relacionan información extraída de imágenes satélite con el FMC: empíricos y teóricos. Los primeros son muy dependientes de los datos usados en la calibración y las condiciones bajo las cuales se tomaron, por lo que tienen escaso poder de generalización. Los teóricos, tienen una fuerte base física (generalmente la teoría de transferencia radiativa, de ahí que se denominen modelos de transferencia radiativa, RTM) por lo que permiten aplicarse a muy diversas condiciones. Sin embargo, para obtener estimaciones precisa, estos modelos deben ser adecuadamente parametrizados con datos de campo y considerar información auxiliar, lo que podría comprometer su potencial de generalización. El objetivo de este trabajo es comparar el modelo empírico y el RTM propuesto por Yebra et al. (2008) en términos de poder de generalización. Para ello, se han empleado una muestra de validación compuesta por 92 observaciones de FMC y datos radiométricos tomados por el sensor MODIS, correspondientes a seis zonas de validación (dos en España y cuatro en Australia). Los resultados obtenidos muestran que cuando los modelos se aplica a pastizales similares a los de la zona de calibrado, las precisiones del modelo empírico y RTM son similares (RMSE=41,39 y 43,44% frente 38,23 y 33,83%, para el modelo empírico y RTM, respectivamente). Sin embargo, cuando dichos modelos se aplican a zonas con pastizales de diferentes características o a periodos del año diferentes, el RTM supera en precisión al modelo empírico (RMSE=38,93 y 61,66% frente 11,27 y 19,37%, para el modelo empírico y RTM, respectivamente), lo que demuestra el mayor poder de generalización del RTM.

Referencias bibliográficas

  • AGUADO, I., CHUVIECO, E., BORÉN, R. y NIETO, H. 2007. Estimation of dead fuel moisture content from meteorological data in Mediterranean areas. Applications in fire danger assessment. International Journal of Wildland Fire. 16: 390-397.
  • BILLORE, S.K. y MALL, L.P. 1976. Seasonal variation in chlorophyll content of a grassland community. Journal of Tropical Ecology. 17: 39-44.
  • BURGAN, R.E., KLAVER, R.W. y KLAVER, J.M. 1998. Fuel models and fire potential from satellite and surface observations. International Journal of Wildland Fire. 8: 159-170.
  • CECCATO, P., FLASSE, S. y GREGOIRE, J.M. 2002a. Designing a spectral index to estimate vegetation water content from remote sensing data: Part 2. Validation and applications. Remote Sensing of Environment. 82: 198– 207.
  • CECCATO, P., GOBRON, N., FLASSE, S., PINTY, B. y TARANTOLA, S. 2002b. Designing a spectral index to estimate vegetation water content from remote sensing data: Part 1 Theoretical approach. Remote Sensing of Environment. 82: 188–197.
  • CHUVIECO, E. (Ed.). 2008. Earth Observation of Global Change. The Role of Satellite Remote Sensing in Monitoring Global Environment. Springer Dordrecht
  • CHUVIECO, E., COCERO, D., AGUADO, I., PALACIOS-ORUETA, A. y PRADO, E. 2004a. Improving Burning Efficiency Estimates through Satellite Assessment of Fuel Mois- ture Content. Journal of Geophysical Research Atmospheres. 109: 1-8.
  • CHUVIECO, E., COCERO, D., RIAÑO, D., MARTÍN, M.P., MARTÍNEZ-VEGA, J., DE LA RIVA, J. y PÉREZ, F. 2004b. Combining NDVI and Surface Temperature for the estimation of live fuel moisture content in forest fire danger rating. Remote Sensing of Environment. 92: 322–331.
  • CHUVIECO, E., RIAÑO, D., AGUADO, I. y COCERO, D. 2002. Estimation of fuel moisture content from multitemporal analysis of Landsat Thematic Mapper reflectance data: applications in fire danger assessment. International Journal of Remote Sensing. 23: 2145-2162.
  • COLOMBO, R., MERONI, M., MARCHESI, A., BUSETTO, L., ROSSINI, M., GIARDINO, C. y PANIGADA, C. 2008. Estimation of leaf and canopy water content in poplar plantations by means of hyperspectral indices and inverse modeling. Remote Sensing of Environment 112:1820-1834.
  • DANSON, F.M. y BOWYER, P. 2004. Estimating live fuel moisture content from remotely sensed reflectance. Remote Sensing of Environment. 92: 309-321.
  • DENNISON, P.E., ROBERTS DAR, A., PETERSON, S.H. y RECHEL, J. 2005. Use of Normalized Difference Water Index for monitoring live fuel moisture content. International Journal of Remote Sensing. 26: 1035-1042.
  • DILLEY, A.C., MILLIE, S., O'BRIEN, D.M. y EDWARDS, M. 2004. The relation between Normalized Vegetation Index and vegetation moisture content at three grassland locations in Victoria, Australia. International Journal of Remote Sensing. 25, 3913-3928.
  • GAO, B.C. 1996. NDWI. A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment. 58: 257-266.
  • GOEL, N.S. 1988. Models of vegetation canopy reflectance and their use in estimation of biophysical parameters from reflectance data. Remote Sensing Review. 4: 1-212.
  • HUNT, E.R. y ROCK, B.N. 1989. Detection of changes in leaf water content using near and middle-infrared reflectances. Remote Sensing of Environment. 30: 43-54.
  • JACKSON, T.J., CHEN, D., COSH, M., LI, F., ANDERSON, M., WALTHALL, C., DORIASWAMY, P. y HUNT, E.R. 2004. Vegetation water content mapping using Landsat data derived normalized difference water index for corn and soybeans. Remote Sensing of Environment. 92: 475-482.
  • JACQUEMOUD, S. 1990. PROSPECT: a model to leaf optical properties spectra. Remote Sensing of Environment. 34: 74-91.
  • KNYAZIKHIN, Y., GLASSY, J., PRIVETTE, J.L., TIAN, Y., LOTSCH, A., ZHANG, Y., WANG, Y., MORISETTE, J.T., VOTAVA, P., MYNENI, R.B., NEMANI, R.R. y RUNNING, S.W. 1999. MODIS Leaf Area Index (LAI) And Fraction Of Photosynthetically Active Radiation Absorbed By Vegetation (FPAR) Product (MOD15). Algorithm Theo- retical Basis Document. ttp://eospso.gsfc.nasa.gov/atbd/modistables.html.
  • KOGAN, F., GITELSON, A., ZAKARIN, E., SPIVAK, L. y LEBED, L. 2003. AVHRR-Based spectral vegetation index for quantitative assessment of vegetation state and productivity: calibration and validation. Photogrammetric Engineering and Remote Sensing.. 69: 899- 906.
  • MBOW, C., GOÏTA, K. y BÉNIÉ, G.B. 2004. Spectral indices and fire behavior simulation for fire risk assessment in savanna ecosystems. Remote Sensing of Environment. 91: 1-13.
  • PRIVETTE, J.L., EMERY, W.J. y SCHIMEL, D.S. 1996. Inversion of a Vegetation Reflectance Model with NOAA AVHRR data. Remote Sensing of Environment.. 58: 187-200.
  • ROBERTS, D.A., PETERSON, S., DENNISON, P.E., SWEENEY, S. y RECHEL, J. 2006. Evaluation of Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) and Moderate Resolution Imaging Spectrometer (MODIS) measures of live fuel moisture and fuel condition in a shrubland ecosystem in southern California. Journal of Geophysical Research. 111: GO4S02. doi: 10.1029/2005JG000113.
  • ROUSE, J.W., HAAS, R.W., SCHELL, J.A., DEERING, D.H. y HARLAN, J.C. 1974. Monitoring the vernal advancement and retrogradation (Greenwave effect) of natural vegetation. In. Greenbelt, MD. USA: NASA/GSFC.
  • SEPULCRE-CANTÓ , G., ZARCO-TEJADA, P.J., JIMENEZ-MUÑÓZ, J.C., SOBRINO, J.A., DE MIGUEL, E., VILLALOBOS, F.J., 2006. Detection of water stress in an olive orchard with thermal remotesensing imagery. Agricultural and Forest Meteorology. 136 (1): 31–44.
  • STRAHLER, A.H., WOODCOCK, C.E. y SMITH, J.A. 1986. On the nature of models in remote sensing. Remote Sensing of Environment. 20: 121-140.
  • VAN WAGNER, C.E. (1967). Seasonal variation in moisture content of Eastern Canadian tree foliage and the possible effect on crown fires. In (p. 15): Forestry Branch, Canada.
  • VERHOEF, W. 1984. Light scattering by leaf layers with application to canopy reflectance modeling: the SAIL model. Remote Sensing of Environment. 16: 125-141.
  • VERMOTE, E.F. y VERMEULEN, A. 1999. Atmospheric correction algorithm: Spectral Reflectances (MOD09). In (p. 109 pp): NASA.
  • YEBRA, M., CHUVIECO, E. y RIAÑO, D. 2008. Estimation of live Fuel Moisture Content from MODIS images for fire risk assessment. Agricultural and Forest Meteorology. 148: 523-536.
  • ZARCO-TEJADA, P.J., RUEDA, C.A. y USTIN, S.L. 2003. Water content estimation in vegetation with MODIS reflectance data and model inversion methods. Remote Sensing of Environment. 85: 109-124.
Fonte de datos: Dialnet