Estimación del contenido de humedad de la vegetacion a partir de imágenes hiperespectrales adquiridas por el sensor aeroportado CASI (Compact Airborne Spectrographic Imager)

  1. Fenández Arango, David 1
  2. Martín Isabel, María del Pilar 1
  3. Vilar del Hoyo, Lara 1
  4. Pacheco Labrador, Javier 1
  1. 1 Consejo Superior de Investigaciones Científicas
    info

    Consejo Superior de Investigaciones Científicas

    Madrid, España

    ROR https://ror.org/02gfc7t72

Revista:
Geofocus: Revista Internacional de Ciencia y Tecnología de la Información Geográfica

ISSN: 1578-5157

Año de publicación: 2015

Número: 16

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Geofocus: Revista Internacional de Ciencia y Tecnología de la Información Geográfica

Resumen

En este trabajo se ha analizado el potencial de las imágenes hiperespectrales aeroportadas adquiridas por el sensor CASI para estimar tres variables relacionadas con el contenido en humedad de la vegetación en la cubierta herbácea de un área de dehesa. Se han evaluado además dos métodos de muestreo en campo con el objeto de determinar cuál resulta más adecuado para comparar con la información espectral de las imágenes. Con el objetivo de estudiar la correlación entre los valores de reflectividad y las variables biofísicas obtenidas con datos de muestreos de campo, se han analizado veinte índices espectrales extraídos de la literatura y se han calculado todos los índices normalizados (NDI) posibles combinando de dos en dos las bandas espectrales del sensor. Los resultados indican que la combinación de ciertas bandas en forma de NDI correlaciona mejor con las variables biofísicas medidas en terreno que los índices extraídos de la literatura. Los modelos de regresión lineal generados en este estudio arrojan unos valores de ajuste r2 máximos de 0,78 en la estimación de las variables a partir de NDIs mientras que este valor disminuye hasta 0,53 para índices de la literatura. Se observa, además, una clara diferencia en los valores de ajuste obtenidos en función del tipo de muestreo realizado siendo por lo general inferiores cuando el muestreo incluye decisiones subjetivas por parte del operario respecto a la selección de los individuos que integran la muestra.

Referencias bibliográficas

  • Aiazzi, B., Alparone, L., Barducci, A., Baronti, S., Marcoionni, P., Pippi, I. y Selva, M. (2006): "Noise modelling and estimation of hyperspectral data from airborne imaging spectrometers". Annals of Geophysics, 49,1, pp. 1-9.
  • Aldakheel, Y. Y. y Danson, F.M. (1997): "Spectral reflectance of dehydrating leaves: measurements and modelling". International journal of remote sensing, 18,17, pp. 3683-3690.
  • Apan, A., Held, A., Phinn, S. y Markley, J. (2003): Formulation and assessment of narrow-band vegetation indices from EO-1 Hyperion imagery for discriminating sugarcane disease. Comunicación presentada en Spatial Sciences Institute: Spatial Knowledge Without Boundaries, Camberra, Australia, 22-26 Septiembre 2003.
  • Blackburn, G. A. (2007): "Wavelet decomposition of hyperspectral data: A novel approach to quantifying pigment concentrations in vegetation", International Journal of Remote Sensing, 28, pp. 2831- 2855.
  • Breshears, D.D., O.B. Myers, S.R. Johnson, C.W. Meyer, y Martens. S.N. (1997): "Differential use of spatially heterogeneous soil moisture by two semiarid - woodland tree species: Pinus edulis and Juniperus monosperma", J. Ecol., 85, pp. 289-298.
  • Broge, N. H. y Leblanc, E. (2001): "Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density", Remote Sensing of Environment, 76, 2, pp. 156-172.
  • Ceccato, P., Flasse, S., Tarantola, S., Jacquemoud, S. y Grégoire, J. M. (2001): "Detecting vegetation leaf water content using reflectance in the optical domain", Remote Sensing of Environment, 77, pp. 22-33.
  • Chen, J. M., y Cihlar, J. (1996): "Retrieving leaf area index of boreal conifer forests using Landsat TM images", Remote Sensing of Environment, 55, 2, pp. 153-162.
  • Cheng, Y., Gamon, J. A., Fuentes, D. A., Mao, Z., Sims, D. A., Qiu, H. -L., et al (2006): "A multi-scale analysis of dynamic optical signals in a Southern California chaparral ecosystem: a comparison of field, AVIRIS and MODIS data", Remote Sensing of Environment, 103, pp. 369-378.
  • Chuvieco, E., Cocero, D., Riaño, D., Martín, P., Martínez-Vega, J., de la Riva, J., Pérez, F. (2004): "Combining NDVI and surface temperature for the estimation of live fuel moisture content in forest fire danger rating", Remote Sensing of Environment, 92, 3, pp. 322-331.
  • Cocero, D., Riaño, D. y Chuvieco, E. (2000): "Estimación de la humedad de diferentes especies vegetales mediterráneas mediante distintos sensores de teledetección", Tecnologías Geográficas para el Desarrollo Sostenible, pp. 200-221.
  • Collins, J. B. y Woodcock, C. E. (1996): "An assessment of several linear change detection techniques for mapping forest mortality using multitemporal Landsat TM data", Remote Sensing of Environment, 56(1), 66-77.
  • Daughtry, C. S. T., Walthall, C. L., Kim, M. S., De Colstoun, E. B. y McMurtrey, J. E. (2000): “Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance”, Remote Sensing of Environment, 74, 2, pp. 229-239.
  • Efron, B. (1979): “Bootstrap methods: Another look at the jackknife”, The annals of Statistics, 7, pp.1-26.
  • Gao, B. C. y Goetz, A. F. (1995): “Retrieval of equivalent water thickness and information related to biochemical components of vegetation canopies from AVIRIS data”, Remote Sensing of Environment, 52, 3, pp. 155-162.
  • Haboudane, D., Miller, J. R., Pattey, E., Zarco-Tejada, P. J. y Strachan, I. B. (2004): “Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture”, Remote Sensing of Environment, 90, 3, pp. 337- 352.
  • Huete, A. (1988): “A soil-adjusted vegetation index (SAVI)”, Remote Sensing of Environment, 25, 3, pp. 295-309.
  • Huete, A., Didan, K., Miura, T., Rodriguez, E. P., Gao, X. y Ferreira, L. G. (2002): “Overview of the radiometric and biophysical performance of the MODIS vegetation indices”, Remote Sensing of Environment, 83, pp. 195-213.
  • Jordan, C. F. (1969): “Derivation of leaf-area index from quality of light on the forest floor”, Ecology, 50, 4, pp. 663-666.
  • Lambers, H., Chapin, F.S., y Pons, T.L. (1998). Plant physiological ecology. New York, Springer-Verlag.
  • Ludwig, J.A. y Freudenberger, D.O. (1997): “Towards a sustainable future for rangelands”, En: Ludwig, J., Tongway, D., Freudenberger, D., Noble, J. y Hodgkinson, K. Eds.: Landscape Ecology, Function and Management: Principles from Australia’s Rangelands, Chap. 10. CSIRO Publishing, Melbourne, pp. 121–131.
  • Navarro-Cerrillo, R. M. (2013): “Evaluación de variables biofísicas mediante teledetección en pinares mediterráneos”, Ambienta, 105, pp. 78-88.
  • Padien, D. J., y Lajtha, K. (1992): “Plant spatial pattern and nutrient distribution in pinyon-juniper woodlands along an elevational gradient in northern New Mexico”, International Journal of Plant Sciences, pp. 425-433.
  • Peñuelas, J., Filella, I., Biel, C., Serrano, L. y Save, R. (1993): “The reflectance at the 950-970 nm region as an indicator of plant water status”, International journal of remote sensing, 14, 10, pp. 1887-1905.
  • Peñuelas, J., Gamon, J. A., Fredeen, A. L., Merino, J. y Field, C. B. (1994): “Reflectance indices associated with physiological changes in nitrogen and water limited sunflower leaves”, Remote Sensing of Environment, 48, 2, pp. 135-146.
  • Peñuelas, J., e Inoue, Y. (1999): “Reflectance indices indicative of changes in water and pigment contents of peanut and wheat leaves”, Photosynthetica, 36, 3, pp. 355-360.
  • Peñuelas, J., Pinol, J., Ogaya, R. y Filella, I. (1997): “Estimation of plant water concentration by the reflectance water index WI (R900/R970)”, International Journal of Remote Sensing, 18, 13, pp. 2869-2875.
  • Pinty, B. y Verstraete, M. M. (1992): “GEMI: a non-linear index to monitor global vegetation from satellites”, Vegetatio, 101, 1, pp. 15-20.
  • Pontius, J., Hallett, R., y Martin, M. (2005). Using AVIRIS to assess hemlock abundance and early decline in the Catskills, New York. Remote Sensing of Environment, 97, pp.163-173.
  • Richter, K., Atzberger, C., Hank, T.B. y Mauser, W. (2012): “Derivation of biophysical variables from Earth observation data: validation and statistical measures”, Journal of Applied Remote Sensing, 6, 1, pp. 21-23.
  • Royle, D. D. y Lathrop, R. G. (1997): “Monitoring hemlock forest health in New Jersey using Landsat TM data and change detection techniques”, Forest science, 43,3, pp. 327-335.
  • Rouse, J.W., Haas, R.H., Schell, J.A., Deering, D.W. y Harlan, J.C. (1974): Monitoring the Vernal Advancements and Retrogradation of Natural Vegetation. En: NASA/GSFC Final Report. Greenbelt, MD, USA, p. 371.
  • Serrano, L., Ustin, S. L., Roberts, D. A., Gamon, J. A. y Peñuelas, J. (2000): “Deriving water content of chaparral vegetation from AVIRIS data”, Remote Sensing of Environment, 74, 3, pp. 570-581.
  • Trombetti, M., Riaño, D., Rubio, M. A., Cheng, Y. B. y Ustin, S. L. (2008): “Multi-temporal vegetation canopy water content retrieval and interpretation using artificial neural networks for the continental USA”, Remote Sensing of Environment, 112, 1, pp. 203-215.
  • Ustin, S. L., Roberts, D. A., Gamon, J. A., Asner, G. P. y Green, R. O. (2004): “Using imaging spectroscopy to study ecosystem processes and properties”, BioScience, 54, 6, pp. 523-534.
  • Verbesselt, J., Somers, B., van Aardt, J. A. N., Jonckheere, I. y Coppin, P. (2006): “Monitoring herbaceous biomass and water content with SPOT VEGETATION time-series to improve fire risk assessment in savanna ecosystems”, Remote Sensing of Environment, 101, 3, pp. 399-414.
  • Verbesselt, J., Van der Linden, S., Lhermitte, S., Jonckheere, I., Van Aardt, J. y Coppin, P. (2006): “Monitoring vegetation water content of grasslands and forest plantations to assess forest fire risk with satellite time-series”, Forest Ecology and Management, pp 234, S25.
  • Vogelmann, J. E. y Rock, B. N. (1989): “Use of Thematic Mapper data for the detection of forest damage caused by the pear thrips”, Remote Sensing of Environment, 30, 3, pp. 217-225.
  • Waring, F.H. y Running, S. W. (1998): “Forest Ecosystem. Analysis at Multiples Scales”, San Diego, CA , Academic Press, 370 pp.
  • Yebra, M., Chuvieco, E. y Aguado, I. (2008): “Comparación entre modelos empíricos y de transferencia radiativa para estimar contenido de humedad en pastizales: Poder de generalización”, Revista de teledetección, 29, pp. 73-90.
  • Yebra, M., De Santis, A. y Chuvieco, E. (2005): “Estimación del peligro de incendios a partir de teledetección y variables meteorológicas: variación temporal del contenido de humedad del combustible”, Recursos rurais, 1, 1, pp. 9-19.
  • Zarco-Tejada, P. J., Miller, J. R., Mohammed, G. H., Noland, T. L. y Sampson, P. H. (1999): Índices ópticos obtenidos mediante datos Hiperespectrales del sensor CASI como Indicadores de Estrés en Zonas Forestales. Comunicación presentada en el VIII Congreso Nacional de Teledetección de la Asociación Española de Teledetección (AET), Albacete, España, 22-24 Septiembre de 1999.
  • 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, 85,1, pp. 109-124.
Fuente de los datos: Dialnet