Aguado, I.; Romero, A.; Yebra M.; Prado, E. y García, M. (2008): Estimación de parámetros forestales a partir de índices normalizados en imágenes ATM, TM y MODIS. En: Hernández, L. y Parreño, J. M. (Eds.), Tecnologías de la Información Geográfica para el Desarrollo Territorial. Servicio de Publicaciones y Difusión Científica de la ULPGC. Las Palmas de Gran Canaria. Pp. 447-461. ISBN: 978-84-96971-53-0.

ESTIMACIÓN DE PARÁMETROS FORESTALES A PARTIR DE ÍNDICES

NORMALIZADOS EN IMÁGENES ATM, TM Y MODIS

Aguado, I1; Romero, A1; Yebra M1; Prado, E1y2 y García, M1

(1) Universidad de Alcalá. Departamento de Geografía, C/ Colegios, 2. inmaculada.aguado@uah.es

(2) Departamento de Observación de la Tierra, Teledetección y Atmósfera. Instituto Nacional de Técnica Aeroespacial – INTA. Ctra. De Ajalvir, km. 4. 28850 Torrejón de Ardoz, Madrid

RESUMEN La biomasa del dosel vegetal es un parámetro forestal imprescindible para cuantificar la cantidad de carbono disponi-

ble, la distribución de nutrientes en el suelo o para evaluar el rendimiento de la vegetación en términos de peso, volumen y productividad primaria. Por otro lado, en el campo de los incendios forestales resulta una variable de interés para estimar la carga de combustible relacionada con las emisiones de carbono procedentes de un incendio o en los modelos de com-bustible relacionados con la propagación del fuego, principalmente. Desde un punto de vista práctico, la biomasa foliar puede ser estimada a partir del contenido en materia seca foliar (Cm) y el índice de área foliar (LAI). En este trabajo se explora la posibilidad de estimar el LAI a partir de los índices de vegetación revisados en la bibliografía y, el Cm, a partir de un índice normalizado desarrollado con el modelo de transferencia radiativa PROSPECT y datos de campo.

Los resultados muestran que el LAI no puede ser estimado con precisión debido a las bajas correlaciones encontradas entre los índices de vegetación revisados y las mediciones de LAI tomadas en campo. Por su parte, el índice normalizado propuesto para estimar Cm combina dos regiones del SWIR.. Este índice fue aplicado a tres sensores que difieren en reso-lución espacial (ATM- 2m, TM- 30m, MODIS-500m). El Cm es estimado con porcentajes de error cuadrático medio de 20%, 40,6% y 36,5% , cuando se emplea el sensor ATM, TM y MODIS, respectivamente.

Palabras Clave: Cm, modelos de reflectividad, ATM, TM, MODIS.

ABSTRACT Canopy biomass is a key forest parameter in the quantification of the amount of carbon available, the distribution of

nutrients in the soil or in the evaluation of plant production in terms of weight, volume and primary productivity. Regard-ing fire related applications, it is a variable of interest to estimate the fuel load related to carbon emissions from a fire or in the fuel models a critical variable in fire propagation, fundamentally. From a practical point of view, canopy biomass can be estimated from the leaf dry matter content (Cm) and the leaf area index (LAI). In this work, the possibility of esti-mating LAI using vegetation indexes found in the literature and Cm by means of a normalized index developed with PROSPET radiative transfer model and field data is investigated.

The results show that LAI can not be accurately estimate due to the low correlations found between the revised vegeta-tion indexes and the LAI measured on field. The proposed normalized index to estimate Cm used two regions located in the SWIR. This index was applied to three sensors with different spatial resolution (ATM- 2m, TM- 30m, MODIS-500m).On the other hand, the leaf dry matter content is estimated with percentages of root mean square error of 20%, 40.6% y 36.5% when using ATM, TM y MODIS sensors, respectively.

Key Words: Dm, Reflectance models, ATM, TM, MODIS.

ANTECEDENTES

El conocimiento de la variación temporal y espacial de variables biofísicas de las cubiertas forestales es fundamental para entender numerosos procesos de la naturaleza y parametrizar diferentes modelos que estudian

la dinámica de la vegetación (Verstraete et al 1994). El índice de área foliar (LAI) es un parámetro fundamental en los modelos de productividad agrícola y forestal (Running y Nemani., 1989), proporcionando además infor-mación de utilidad en relación con el balance de carbono (Schlegel et al., 2000). La biomasa, por otro lado, es una variable estrechamente relacionada con la acumulación de combustibles, la localización de nutrientes y la producción forestal (Lu, 2006, Zheng et al., 2004).

Por otro lado, en el ámbito de la lucha contra los incendios forestales cabe destacar la importancia de estos parámetros en los modelos de estimación del peligro de incendio. En la actualidad, el fuego se ha convertido no sólo en la mayor amenaza natural para los bosques mediterráneos, sino también en uno de los principales pro-blemas socio-económicos que afectan al sector forestal, ya que ha aumentado tanto su frecuencia como su seve-ridad (Alexandrian et al., 1992). Los parámetros biofísicos que caracterizan el tipo y el estado del combustible cumplen un papel fundamental entre las diversas variables de entrada de estos modelos de riesgo de incendios: topográficas y meteorológicas (Chuvieco et al., 2002; Van Wagner, 1967). Dichas variables son fundamental-mente el contenido de humedad de la vegetación (Fuel Moisture Content - FMC) y la biomasa disponible para la combustión, que puede ser estimada indirectamente a partir del LAI (Keane y Burgan., 2001) y el contenido de materia seca foliar (Cm). Estas variables son críticas para la propagación y pueden mejorar considerablemente las predicciones de los modelos de comportamiento del fuego (Carlson y Burgan, 2003; Finney,1998). También en relación con los incendios forestales y en el contexto del cambio climático, la biomasa vegetal es una varia-ble fundamental en los modelos de estimación de emisiones de carbono procedentes de un incendio (French, et al. 2000).

Los métodos más precisos de estimación de estos parámetros, son los muestreos destructivos en campo, si bien son una aproximación a la realidad pues los resultados obtenidos en un punto del territorio son extrapola-dos a superficies más extensas lo cual produce errores que son dependientes de la similitud entre la muestra y el resto de las superficies a estimar. La estimación de biomasa, por ejemplo, se basa comúnmente en la utilización de ecuaciones alométricas que consideran una serie de parámetros como la altura, diámetro y densidad de la estructura forestal, generalmente estas relaciones varían en función del lugar, la edad de la masa forestal y las especies consideradas. Obviamente, las actualizaciones suelen realizarse en períodos demasiado largos en de-terminadas aplicaciones. Por ejemplo, los inventarios forestales se realizan en períodos no inferiores a 10 años aproximadamente. Estos métodos resultan poco operativos y muy costosos, en la práctica, por lo que sólo se emplean para validar otras metodologías.

Como alternativa surgen entonces métodos basados en la teledetección. Existen principalmente dos pers-pectivas al respecto:

Ajustes empíricos multitemporales entre el parámetro objeto de estimación y los datos de reflectividad de la cubierta forestal observados.

Modelos biofísicos de simulación de la reflectividad (Radiative Transfer Model-RTM).

Los primeros han sido ampliamente empleados para la estimación de biomasa (Riaño et al., 2003), LAI (Fraser and Li. 2002; Thenkabaila et al.2004) pero presentan como principal problema el escaso poder de gene-ralización ya que son muy dependientes de los datos usados en la calibración (tipo de vegetación) y las condi-ciones bajo las cuales se tomaron (geometría de observación, fundamentalmente) por lo que su empleo queda limitado a aplicaciones locales.

Más recientemente, han surgido como alternativa los RTM. Estos modelos de simulación tienen en cuenta los procesos biofísicos que describen las relaciones entre las características de la cubierta forestal y su interac-ción con la luz en la parte reflectiva del espectro, por ello, al tener mayor base física, permiten aplicarse –adecuadamente parametrizados- a muy diversas condiciones (Privette et al. 1996), superando así la principal limitación de las metodologías empíricas. No obstante, los modelos de simulación no están exentos de proble-mas, por un lado, determinadas aplicaciones requieren el uso de modelos complejos que necesitan en su proce-samiento muchas variables de entrada y son difíciles de parametrizar, por otro lado, algunos modelos requieren un gran esfuerzo computacional.

Los RTM pueden ser empleados tanto de forma directa como inversa para la estimación de múltiples pa-rámetros biofísicos. La forma directa, introducir los parámetros de entrada para obtener como salida los datos de reflectividad simulados, ayuda a diseñar nuevos índices de vegetación sensibles a variaciones en los parámetros

448

de interés (Zarco Tejada y Ustin 2001). Por su parte, la forma inversa permite estimar los parámetros de entrada del modelo a partir de datos observados de reflectividad, mediante un ajuste de los mismos hasta que los espec-tros modelados se ajusten a los observados. Dichos espectros observados pueden proceder de radiómetros de laboratorio o, desde una visión más operativa, de imágenes satélite de diferentes resoluciones tanto espectrales como espaciales. Las aplicaciones más comunes utilizan sensores hiperespectrales, ya que poseen mayor infor-mación espectral, sin embargo en los últimos años se están potenciando más el uso de imágenes derivadas por ejemplo del sensor MODIS (Zarco Tejada et. al. 2003; Yebra et al. 2008).

Entre las aplicaciones recientes de estos modelos para la estimación de diferentes parámetros cabe destacar los trabajos de Kotz et al., (2004) para la estimación de LAI en cultivos, pastizales y especies forestales y Riaño et al. (2005); Romero et al. (2007) para estimar contenido de materia seca foliar de especies forestales.

El objetivo de este trabajo es estimar variables biofísicas a partir de la utilización de modelos de transfe-rencia radiativa y modelos empíricos con diferentes resoluciones (espaciales y espectrales) e información com-plementaria obtenida por muestreos de campo. Más concretamente, nos centraremos en la estimación de la bio-masa foliar, ya que como se ha comentado con anterioridad, es una variable crítica en distintas aplicaciones del ámbito forestal. El modelo para la estimación de biomasa requiere la utilización de las variables contenido de materia seca foliar y LAI, por tanto, también estas variables serán estimadas. Por otro lado, nos interesa conocer la capacidad de distintos sensores ATM, TM y MODIS con distintas resoluciones espaciales (2m, 30m y 500m respectivamente) para estimar estos parámetros de modo operativo.

DATOS Y MÉTODOS

Datos de campo

Con el fin de comprobar la relación existente entre la medición de reflectividad efectuada por los sensores a bordo de distintas plataformas y las medidas de los parámetros a estimar (materia seca foliar y LAI) tomados en terreno, así como para validar las estimaciones, se organizó una campaña de campo coincidente, en fecha, con la programación de un vuelo aéreo a cargo del Natural Environment Research Council (NERC) que portaba el sensor ATM, EAGLE, HAWK y el sensor LIDAR (Light Detection and Ranking) Optech ALTM 3033, este vuelo fue financiado por la Universidad de Manchester. La imagen se adquirió el 16 de mayo de 2006 y el área muestreada se localiza en la provincia de Guadalajara en las inmediaciones del Parque Natural del Alto Tajo (Figura 1). Debido a problemas de demora en la recepción de los datos en este trabajo solo ha sido posible dis-poner del sensor ATM. Tanto los sensores EAGLE como HAWK poseen problemas radiométricos que no han podido resolverse durante el transcurso del estudio. En cuanto a los datos LIDAR, el pre-procesamiento necesa-rio para obtener la nube de puntos (coordenadas X,Y,Z) así como la intensidad de los retornos retrasaron la en-trega del producto por parte del NERC, por lo que dichos datos no han podido emplearse en este trabajo.

En el proyecto se han localizado, a lo largo de la línea de vuelo, 5 zonas de estudio. La zona 1 se encuentra situada en el interior de la zona afectada por el incendio de la Riba de Saelices (2005), el resto de las zonas (2-5) están situadas, al sur de la primera, en zonas no afectadas por el incendio. Cada una de las zonas es representati-va de diferentes formaciones de vegetación mediterránea (tabla 1).

Tabla 1. Vegetación mediterránea representativa de cada zona.

ZONA Formación vegetal Especies muestreadas 1 Pinar Pinus pinaster Ait 2 Sabinar-encinar Juniperus thurifera L. y Quercus ilex L. 3 Sabinar amduro Juniperus thurifera L. 4 Pinar Pinus nigra J.F. 5 Encinar-Sabinar Juniperus thurifera L. y, Quercus ilex L.

Cada una de las zonas comprende varias parcelas en las cuales se desarrolló el muestreo. Las parcelas di-fieren en cuanto al diseño del muestreo debido a que se han recolectado datos para distintas aplicaciones ade-

449

más de las destinadas a este estudio. De este modo las trece parcelas situadas en la zona 1 ocupan una superficie de 40*40 m, separadas entre sí a distintas distancias, dependiendo de la disponibilidad de árboles no afectados por el incendio.

Figura 1. Localización a) General del parque Natural del Alto Tajo b) Zonas de estudio sobre imagen TM (falso color 4/3/2) c) y d) Detalle de la zona 2 sobre imagen ATM y TM, respectivamente. Se superpone sobre

las imágenes la cuadricula correspondiente a los píxeles MODIS.

Por su parte, en las parcelas situadas en las zonas no afectadas por el incendio (2-5) se establecieron 3 par-celas de muestreo (A, B y C) de 30 m de diámetro separadas entre si unos 100m de Norte a Sur (Fig.1 c y d). El tamaño de la parcela se decidió para representar un píxel Landsat (30m), mientras que la separación de 100 m para abarcar un territorio que pudiese ser representativo de un píxel MODIS (500m).

En cada parcela, se midieron parámetros biofísicos y bioquímicos. Entre las mediciones se encuentran es-pesor de agua equivalente (EWT, g/cm2), contenido de materia seca (Cm, g/cm2) y LAI.

No se dispone de mediciones de los parámetros de clorofila y estructura interna de la hoja necesarios para procesar los modelos de transferencia radiativa que se van a utilizar en este trabajo. La estructura interna de las hojas y acículas (N) no pudo ser medida debido a la ausencia del instrumental necesario, por esta razón se con-

450

sideró un valor de 3,5 adecuada para especies de coníferas, según revisión bibliográfica (Zarco, P. et al. 2004). Del mismo modo, el parámetro de clorofila no pudo ser obtenido en campo, aplicándose un valor de 38 mg/cm2

(Moorthy et al, 2003).

Las muestras se recolectaron en bolsas herméticas y conservaron en una nevera hasta ser transportadas al laboratorio donde fueron pesadas en fresco (Pf ) con una balanza de precisión “Sartorius BP211D” (error de 0,01 mg.), e introducidas en una estufa durante 48 horas a una temperatura de 60° C para su secado. Transcurri-do el tiempo fueron pesadas en seco (Ps ) con la misma balanza. El contenido de agua de las hojas (Cw) se ob-tuvo a partir de la diferencia entre el pesado de las muestras frescas de las hojas y acículas -y de las muestras secas-, divididos por el área de las acículas en cm2 (1), según la metodología propuesta por Danson et al. 1992:

APP

cmgCw sf −=).( 2 (1)

El contenido de materia seca (Cm) se adquirió dividiendo el peso seco de las acículas por el área de éstas (2). El área foliar se estimó a partir de mediciones con scanner, en cuyo proceso se escanean las hojas o acículas para determinar su superficie, el scanner utilizado fue un Epson Stylus CX3650.

AP

cmgCm s=).( 2 (2)

La estimación del índice de área foliar (LAI) se efectuó exclusivamente en la zona 1 a partir de la adquisi-ción de fotografías hemisféricas para cada individuo utilizando una lente de ojo de pez, los resultados fueron procesados con el software HemiView 4.02. En el momento de redactar este trabajo no están disponibles las mediciones de LAI de las zonas 2-5.

Además se realizó en campo un levantamiento topográfico de las parcelas muestreadas mediante GPS (equipo Leica 1200) y estación total (Sokkia). Debido a las características del área de estudio se situaron puntos de referencia, en zonas despejadas que permitiesen una adecuada recepción de la señal GPS, mediante un posi-cionamento diferencial GPS con precisiones mejores que 5 cm en la determinación de coordenadas X,Y,. Poste-riormente se realizaron diversas poligonales y radiaciones para determinar las coordenadas del centro de cada parcela.

Procesamiento de imágenes

Tratamiento de imágenes ATM

Se adquirieron datos con el sensor Airborne Thematic Mapper (ATM). El sensor Daedalus (actualmente ArgonST) 1268 ATM es un escáner lineal de barrido, multiespectral que adquiere información en 11 bandas espectrales situadas en el visible, infrarrojo cercano, infrarrojo medio y térmico (tabla 2). Este sensor fue adqui-rido por el NERC en 1993 y su configuración espectral corresponde aproximadamente a la del sensor Landsat-TM siendo especialmente idónea en estudios de vegetación, debido a la inclusión de bandas en las regiones del visible, infrarrojo cercano y SWIR. El sensor ATM del Airborne Research & Survey Facility (ARSF) representa una actualización del sensor Daedalus original. El nuevo equipo proporciona una resolución radiométrica de 16-bits, con 65536 niveles de intensidad para la conversión analógica-digital e incrementa la relación señal/ruido.

La campaña se compone de 3 pasadas paralelas, rumbo Norte-Sur, con cierto grado de solape que aseguran la completa cobertura del área de interés.

La corrección de las distorsiones sufridas por las imágenes ATM durante su adquisición debido a los mo-vimientos de la plataforma, se han abordado mediante una corrección de tipo paramétrico utilizando el software

451

de georreferenciación directa PARGE. La georreferenciación de las imágenes mediante este método requiere conocer la posición y orientación del sensor en cada instante de adquisición de las líneas de datos y el modelo geométrico de sensor, así como contar con un Modelo Digital del Terreno. El MDT utilizado ha sido remues-treado a 2 m de resolución para adaptarse a la resolución espacial del sensor desde el paso de malla original de 25 m.

Para la compensación del efecto atmosférico y de iluminación diferencial entre las diferentes pasadas se han convertido los valores de radiancia del sensor a valores de reflectividad en el terreno. Para ello se ha utiliza-do el software de corrección atmosférica ATCOR4, realizándose posteriormente un mosaico de imágenes de forma que se pueda trabajar con una imagen continua que abarque toda la zona de estudio.

Tabla 2: Características de los diferentes sensores utilizados en este estudio y número de observaciones dispo-nibles según resolución. Solo se describen las bandas utilizadas en este trabajo.

RESOLUCIÓN PLATAFORMA SENSOR BANDA

Espectral (µm) Espacial (m)

Nº observa-ciones

Terra MODIS

1 2 3 4 5 6 7

0.62-0.67 0.84-0.87 0.459-0.479 0.545-0.565 12.30-12.50 16.28-16.52 21.05-21.55

500 5

Landsat 5 TM

1 2 3 4 5 7

0,45-0,52 0,52-0,60 0,63-0,69 0,76-0,90 1,55-1,75 2,08- 2,35

30 17

Aeroportado ATM

1 2 3 4 5 6 7 8 9 10

0.42-0.45 0.45-0.52 0.52-0.60 0.60-0.62 0.63-0.69 0.69-0.75 0.76-0.90 0.91-1.05 1.55-1.75 2.08-2.35

2 25

Tratamiento de imágenes Landsat5 TM

Se adquirió una imagen TM del 15 de junio de 2006, la más próxima en fecha, y en condiciones acepta-bles, al vuelo programado del sensor ATM. El proceso de corrección geométrica se llevó a cabo a partir de pun-tos de control, de los que se conocen tanto las coordenadas de la imagen a corregir como de la imagen de refe-rencia. La corrección geométrica fue realizada para toda la imagen Landsat5 adquirida, utilizando el programa de tratamiento de imágenes PCI Geomatics. Se utilizaron 70 puntos de control, seleccionados a partir de una imagen georeferenciada, proyección UTM, zona 30 T, Datum Europeo 1950. En la corrección se obtuvo un

452

RMS de 0,29 m. El trasvase de ND a las coordenadas cartográficas fue abordado mediante el método del vecino más próximo. En la corrección atmosférica se aplicó el modelo de Chávez (1996), que corrige el efecto atmosfé-rico restando a los niveles digitales de cada banda el mínimo de esa banda (dicho valor es obtenido de las cu-biertas más absortivas en la imagen -agua, sombras-).

Tratamiento de imágenes MODIS

El sensor MODIS presenta una buena resolución espacial para estudios regionales. Sus imágenes son gra-tuitas, y fueron descargadas del servidor de la Agencia Espacial Norteamericana (NASA) (http://edcimswww.cr.usgs.gov/pub/imswelcome/). Las imágenes MODIS son convertidas en reflectividad por un equipo de expertos de la NASA (Justice et al. 2002). Utilizamos el producto de reflectividad MOD09, com-puesto de 8 días de las siete primeras bandas del sensor (resolución 500 m) (Vermote y Vermeulen 1999), que incluía la fecha de muestreo (tabla2).

Extracciones de las imágenes

Con el fin de paliar el efecto de valores anómalos que pudieran extraerse como consecuencia de defectos en la corrección geométrica de imágenes y reducir el ruido consecuente de efectos atmosféricos residuales, los valores de reflectividad del ATM de cada una de las parcelas de las zonas 2-5 fueron extraídos como la mediana de los valores de reflectividad de los píxeles de arbolado dentro de cada parcela. Sin embargo, en las parcelas de la zona 1, se extrajo el valor coincidente con cada uno de los individuos muestreados. En la imagen del sensor TM se extrajo el valor de una ventana de 3 x 3 píxeles en torno al centro de cada parcela en todas las zonas utili-zadas en el trabajo. Sin embargo, debido a la alta heterogeneidad de la zona, y a la baja resolución espacial de MODIS, solo se seleccionó el píxel de la coordenada central de la parcela para realizar las extracciones de las imágenes tomadas por dicho sensor. Este procedimiento de extracción fue aplicado a todas las zonas utilizadas en el estudio.

Estimación del contenido de materia seca a partir de un Índice Normalizado

A partir de las medidas tomadas en campo de Cw, Cm y los parámetros N y clorofila a+b obtenidos en la bibliografía se procedió a simular la reflectividad y transmisividad con el uso del RTM PROSPECT (Jacque-moud y Baret,, 1990) tal como se describe en la metodología descrita por Romero et al. (2007). Los espectros derivados nos permitieron conocer la región del espectro más afectada por las variaciones en el contenido de materia seca y de este modo se propuso un índice normalizado que fue utilizado para la estimación.

Una vez definido el rango espectral del índice se seleccionaron los canales más apropiados en los sensores ATM, TM y MODIS como base para efectuar la estimación de la materia seca (tabla 3). Para ello se calibró una ecuación empírica mediante un análisis de correlación lineal entre el índice y el contenido de materia seca ob-servada que luego fue aplicada a los diferentes sensores. De esta forma se puede generar una cartografía del contenido de materia seca para el área de estudio a diferentes resoluciones (2m, 30m y 500m).

La precisión de las estimaciones se cuantificó mediante el porcentaje medio de error ( R∆ ) (3) y, a nivel individual de cada estimación, con el residual absoluto (4). De esta manera, una estimación fue considerada precisa si el residual era menor o igual que la desviación típica de las muestras tomadas en campo.

%1001

×⎥⎦

⎤⎢⎣

⎡⎟⎠⎞

⎜⎝⎛ −

=∆ ∑=

n

i

nObs

ObsEstR (3),

ObsEstR −= , (4)

453

donde Obs. y Est. son los valores de FMC observados y estimados, respectivamente.

Estimación de LAI

De acuerdo con los sensores aeroportados disponibles en el vuelo NERC se propuso inicialmente la utiliza-ción del sensor LIDAR que ha ofrecido buenos resultados en la estimación de LAI en entornos mediterráneos (Riaño et al., 2005). Lamentablemente, este sensor en el transcurso del proyecto no ha estado disponible debido a problemas en la recepción de los datos. Por esta razón, al igual que en otras variables ya comentadas se utiliza-rá el sensor ATM.

Se probaron los siguientes índices de banda ancha , que luego fueron abordados con las 3 resoluciones. NDVI (Normalized difference vegetation index) (Fassnacht et al., 1997), SAVI (Soil Adjusted Vegetation In-dex) (Huete, 1988), NLI (Non-Linear vegetation Index) (Goel and Qin, 1994), RDVI (Re-normalized Difference Vegetation Index)(Roujean and Breon, 1995), MSR (Modified Simple Ratio) (Chen, 1996), WDVI (Weighted Difference Vegetation Index)(Clevers, 1991), MNLI (Modidfied Non-linear vegetation Index), NDVI*SR, SA-VI*SR (Gong et al.,2003), TSAVI (Transformed soid-adjusted vegetation index) , PVI (Perpendicular vegeta-tion index) and SR (Near-infrared/red reflectance ratio (Simple Ratio VI)(Baret and Guyot, 1991), que han mostrado ser útiles en la estimación de LAI en distintos ecosistemas.

Se extrajeron los valores de reflectividad de las bandas provenientes del sensor ATM para calcular los ín-dices de vegetación seleccionados en este estudio. A continuación, se realizó un análisis de correlación entre los índices obtenidos y los valores de LAI observados, dejando una muestra fuera en cada relación con el fin de contrastar la robustez de la correlación. El índice que ofreció mayor correlación fue seleccionado para estimar el LAI a partir de los datos contenidos en la imagen ATM. La ecuación derivada en este proceso se aplicó tanto a la imagen TM como MODIS para obtener el LAI en diferentes resoluciones espaciales.

Estimación de la biomasa del dosel vegetal

Como principio general, el contenido la materia seca del dosel se puede calcular de la siguiente forma (Sa-las e Infante, 2006):

Materia seca del dosel = f (materia seca de la hoja x LAI)

Siguiendo esta premisa la estimación del contenido de materia seca foliar de las especies muestreadas se obtiene a partir del Índice Normalizado, mientras que la estimación del LAI se pretende efectuar a partir del índice de banda ancha que ofrezca mejores estimaciones.

RESULTADOS

Datos de campo

En la tabla 4 se presentan las diferentes mediciones realizadas en las parcelas utilizadas en el trabajo. Las observaciones P1 a P6 (13 casos) se encuentran situadas en la zona 1. Las observaciones M1, M2, H1 y H2 se corresponden con las zonas 2 a 5 respectivamente.

Por su parte, en la estimación de LAI se han utilizado únicamente los datos muestreados en la zona 1. Los datos de LAI muestreados en las zonas 2 a 5 se obtuvieron a partir de un TRAC y en el momento actual no se han procesado los datos correspondientes por tanto, no han podido ser utilizados en el trabajo.

454

Tabla 4. Datos muestreados en campo: Cw, Cm, LAI.

Identificador Cm Cw LAI

P3A3 0,0136 0,0456 1,98 P3A1 0,0184 0,1275 1,78 P3A4 0,0184 0,0789 2,18 P5A2 0,0102 0,0291 0,74 P5A3 0,0104 0,0307 1,33 P2A14 0,0191 0,1123 1,29 P2A1 0,0031 0,0400 1,73 P1A4 0,0131 0,0505 1,82 P1A9 0,0141 0,0474 2 P1A8 0,0119 0,0331 1,92 P1A15 0,0110 0,0227 1,94 P6A6 0,0101 0,0286 1,88 P6A1 0,0125 0,0679 1,57 M1A 0,0325 0,0269

M1B 0,0325 0,0269

M1C 0,0325 0,0269

M2A 0,0286 0,0307

M2B 0,0310 0,0345

M2C 0,0242 0,0294

H1A 0,0325 0,0342

H1B 0,0267 0,0255

H1C 0,0394 0,0338

H2A 0,0309 0,0355

H2B 0,0331 0,0357

H2C 0,0320 0,0356

Estimación del contenido de materia seca a partir de Índices Normalizados

Los espectros derivados de las simulaciones efectuadas con el RTM PROSPECT nos permitieron conocer la región del espectro más afectada por las variaciones en el contenido de materia seca y de este modo se propu-so un índice normalizado de contenido de materia seca que fue utilizado para la estimación:

INCMS= (2305-1495)/(2305+1495) (5)

Como se observa las bandas seleccionadas se sitúan en la región del SWIR, como ya se había mostrado en Romero et al. (2007).

Una vez definido ese índice se calibró una ecuación empírica que se aplicó a los distintos sensores (6): Cm= -0,042*INCMS + 0,011 (6)

La calidad de las estimaciones efectuadas con los distintos sensores se llevó a cabo comparando los va-lores estimados con la desviación típica que muestran los datos recolectados en campo, asumiendo que el error en la estimación debería ser inferior a la variabilidad detectada en el muestreo. De este modo, la desviación de Cm en las muestras alcanza un valor de 0.009 g/cm2. Este valor marcará el umbral para dar una estimación por válida, según se comentó en el apartado de metodología.

455

Los resultados varían en función del sensor utilizado. Las estimaciones de Cm obtenidas empleando los da-tos del sensor ATM obtuvieron un R∆ de 20.03% (tabla 5y Figura 2). De las 17 parcelas utilizadas en el análi-sis el 88,23% ofrecen un residual absoluto inferior a 0.009 g/cm2, si bien las parcelas con estimaciones más defi-cientes no superaron el valor de dos desviaciones típicas.

Por su parte, el sensor TM ofrece un R∆ de 40.65%; de las 17 parcelas consideradas en el muestreo, tan solo el 41% ofrecen un residual inferior al esperado, mostrando solo dos observaciones (un 11% de las estima-ciones) valores que superan el umbral de 0.019 g/cm2 , es decir, el doble de la variabilidad esperada (tabla 5 y Figura 2).

Finalmente, con el sensor MODIS se obtuvo un R∆ de 36,5%, ofreciendo el 40% de las 5 parcelas resul-tantes a esta resolución residuales absolutos por debajo de lo aceptable. Las parcelas con estimaciones más defi-cientes no superaron el valor de dos desviaciones típicas (tabla 5 y Figura 2).

Figura 2. Cm observado, estimado y Residual Absoluto de la estimación para los sensonres ATM, TM y MO-DIS

456

R∆Tabla 5. Porcentaje de error medio cuadrático y número de parcelas con residuales absolutos < 1 Dt (0.009 g/ cm2 )o > 2 Dt. (0.019 g/cm2).

R<0.009 g/cm2 R>0.009 g/cm2

SENSOR Nº % Nº %

R∆

ATM 15 88.25 0 0 20.03 TM 7 41.17 2 11.76 40.65

MODIS 2 40 0 0 36.5

Estimación de LAI

Una vez efectuados los análisis de correlación entre los índices seleccionados según la bibliografía y los valores observados de LAI en campo se observó que no existía una correlación lo suficientemente estrecha co-mo para abordar la estimación de LAI. Los resultados del análisis de correlación con los índices que ofrecían mejores estimaciones se presentan en la tabla 6, con un nivel de significancia del 0.05.

Tabla 6. Resultados del análisis de correlación de índices de vegetación y LAI.

NDVI WDVI PVI TSAVI

Coef. de Pearson 0,261 0,307 0,307 0,237

Debido a lo deficiente de las estimaciones obtenidas a partir de los datos disponibles, en el momento de efectuar este trabajo, no se puede abordar con ciertas garantías la estimación de este parámetro biofísico.

Estimación de la biomasa del dosel vegetal

Tal como se describió en el apartado de métodos, la estimación de la biomasa del dosel vegetal, requiere disponer de mediciones de materia seca foliar y LAI, en nuestro estudio y debido a la falta de consistencia en las estimaciones de LAI, no ha sido posible efectuar una estimación fiable de la biomasa del dosel vegetal.

DISCUSIÓN Y CONCLUSIONES

En este estudio se ha avanzado en la estimación de la materia seca foliar a partir de la propuesta de un índi-ce normalizado. Dicho índice se ha obtenido a partir del análisis de las longitudes de onda más afectadas por la variación de esta variable.

Respecto a la estimación de contenido de materia seca foliar a partir de sensores de distintas resoluciones espaciales los resultados obtenidos están próximos a lo esperado. En este sentido, el sensor ATM con mayor resolución espacial ha sido el más preciso ofreciendo residuales promedio inferiores al 20%. Por su parte, el sensor TM con características espectrales similares al ATM pero distinta resolución espacial (2 m frente a 30 m), aporta resultados más alejados de lo esperado, con residuales promedio de 40,65%. En este caso, la tarea de generalización en la información muestreada que supone promediar las mediciones efectuadas en individuos aislados ha supuesto una pérdida en la calidad de la estimación. Por su parte, el sensor MODIS, con una resolu-ción espacial menor (500m) muestra resultados similares a los del TM, los residuales promedio son algo meno-res 36,5%. Estos resultados indican que la heteregoneidad que muestra la zona respecto al contenido de materia seca foliar no es recogida de forma adecuada por los sensores de menor resolución espacial. En investigaciones futuras se intentará resolver esta situación a partir de la utilización de técnicas de escalado más avanzadas.

Por otro lado, como se ha comentado en distintos apartados del proyecto la falta de disponibilidad de datos derivados de alguno de los sensores del vuelo ha impedido alcanzar los resultados esperados, inicialmente. En

457

este sentido, la falta de los datos suministrados por el sensor LIDAR ha imposibilitado la estimación del LAI, un paso previo a la estimación de la biomasa del dosel vegetal. No obstante, se ha intentado estimar esta variable a partir del sensor ATM, utilizándose los índices de vegetación recomendados en la bibliografía. Como ya se apuntó en el apartado de resultados correspondiente, esa información no ha permitido estimar con cierta garantía los valores de LAI. En el área de estudio el LAI ofrece una variabilidad baja con valores que oscilan de 0.74 a 2.18 y tal vez esa escasa variación entre parcelas ha impedido efectuar ajustes elevados utilizando índices de vegetación. A su vez, el número de casos para realizar el ajuste fue reducido de 25 a 13 (debido a la falta de datos para las zonas 2 a 5). Varios autores recomiendan una cantidad de 10 a 20 observaciones por cada variable independiente en el modelo, de lo contrario la regresión lineal podría ser muy inestable y podrían ocurrir pro-blemas de sobre ajuste (overfitting) del modelo de regresión (Serrano et al. 2002).

Por otro lado, en algunos estudios se ha detectado una escasa variabilidad en mediciones de LAI efectuadas en pinares frente a otro tipo de especies como el robledal debido al denominado efecto clumping (Riaño el al., 2004), probablemente este problema esté afectando también a las muestras empleadas en este estudio. En este aspecto del proyecto se continuará trabajando en el futuro cuando tanto las imágenes LIDAR como las imágenes hiperespectrales puedan ser utilizadas en la estimación de LAI. Los estudios en los que se ha utilizado el sensor LIDAR se ha alcanzado mayor precisión en la estimación (Riaño et al. 2003).

Las estimaciones podrán ser mejoradas cuando se dispongan de los datos del sensor EAGLE y HAWK por su alta resolución espacial y espectral y datos LIDAR. Por otro lado, se explorará también el uso de RTM geo-métricos o mixtos como GORT o Geosailh (Huemmrich 2001) ya que las asunciones de dichos modelos para modelar la reflectividad concuerdan mas con cubiertas forestales heterogéneas que los modelos de turbidez. Otras técnicas de inversión basadas en Look Up Table también serán exploradas en proyectos futuros.

AGRADECIMIENTOS

Este trabajo ha sido realizado gracias a la financiación del proyecto “Estimación de parámetros forestales a partir de teledetección” CCG06-UAH/AMB-0755. Asimismo, queremos agradecer a la Universidad de Sal-ford la cesión de las imágenes NERC utilizadas en este trabajo. Finalmente, nuestra gratitud a las personas que han colaborado en el desarrollo del trabajo de campo.

BIBLIOGRAFÍA

Alexandrian, D., Esnault, F. y Calabri, G. (1992): Incendios forestales en el área Mediterránea. Revista interna-cional de silvicultura e industrias forestales, 50:197.

Baret, F. y Guyot, G. (1991): Potentials and limits of vegetation indices for LAI and APAR assessment. Remote

Sensing of Environment. 35: 161-173. Carlson, J. y Burgan, R. (2003): Review of users’needs in operational fire danger estimation. The Oklahoma

example. International Journal of Remote Sensing. 24 (8): 1601-1620. Chávez, P. (1996): Image-based atmospheric corrections. Revisited and improved. Photogrammetric Engineer-

ing and Remote Sensing, 62 (9): 1025-1036. Chen, J. (1996): Evaluation of vegetation indices and a modified simple ratio for boreal applications. Can.

Journal of Remote Sensing. 22: 229-242.

458

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(11): 2145-2162.

Clevers, J. (1991): Application of the WDVI in estimating LAI at the generative stage of barley. ISPRS J. Pho-

togramm. Remote Sensing, 46: 37-47. Finney, M. (1998): FARSITE: Fire Area Simulator - Model development and evaluation. USDA Forest Service:

51. Fraser, R. y LI, Z. (2002): Estimating fire-related parameters in boreal forest using SPOT VEGETATION. Re-

mote Sensing of Environment. 82: 95-110. French, N., Kasischke, E., Stocks, B., Mudd, J., Martell, D. y Lee, B. (2000): Carbon release from fires in the

North American boreal forest. En: E.S. Kasischke y B.J. Stocks (Eds), Fire, Climate change and carbon cy-cling in the boreal forest. Ecological Studies Series. Springer Verlag, Nueva York:, pp: 377-388.

Goel, N. y Qi, W. (1994): Influences of canopy architecture on relationships between various vegetation indices

and LAI and FPAR: A computer simulation. Remote Sensing.Rev. 10: 309-347. Gong, P., Pu, R., Biging, G. y Larrieu, M. (2003): Estimation of Forest Leaf Area Index Using Vegetation Indi-

ces Derived From Hyperion Hyperspectral Data. IEEE Transactions on Geoscience and Remote Sensing, 41(6).

Huete, A. (1988): A soil adjusted vegetation index (SAVI). Remote Sensing of Environment, 25: 295-309. Huemmrich, K. F. (2001): The GeoSail model: a simple addition to the SAIL model to describe discontinuous

canopy reflectance. Remote Sensing of Environment, 75: 423-431. Jacquemoud, S. y Baret, F. (1990): Propect: a model of leaf optical properties. Remote Sensing of Environment,

34: 75-91. Justice, C. y Giglio, L. (2002): The MODIS fire products. Remote Sensing of Environment, 83 (1-2): 244–262. Keane, R. y Burgan, R. (2001): Mapping wildland fuels for fire management across multiple scales: Integrating

remote sensing, GIS, and biophysical modeling. International Journal of Wildland FIRE, 10 (3-4): 301-319. Kötz, B., Schaepman, M., Morsdorf, F., Bowyer, P., Itten, K. y Allgower, B. (2004): Radiative transfer model-

ing within a heterogeneous canopy for estimation of forest fire properties. Remote Sensing of Environment, 92: 332-344.

Lu, D. (2006): Aboveground biomass estimation using Landsat TM data in theBrazilian Amazon. International

Journal of Remote Sensing, 26 (12): 2509-2525. Moorthy, I., Miller, J., Noland., T, Nielsen, U. and Zarco, P. (2003): Chlorophyll Content Estimation of Boreal

Conifers using Hyperspectral Remote Sensing. IEEE, 2569-2570. Privette, J., Emery, W. y Schimel, D. (1996): Inversion of a Vegetation Reflectance Model with NOAA

AVHRR Data. Remote Sensing of Environment, 58: 187-200.

459

Riaño, D., Meier, E., Allgöwer, B., Chuvieco, E. y Ustin, S. (2003): Modeling airborne laser scanning data for

the spatial generation of critical forest parameters in fire behavior modeling. Remote Sensing of Environ-ment, 86: 177-186.

Riaño, D., Valladares F., Condes, S. y Chuvieco, E. (2004): Estimation of leaf area index and covered ground

from airborne laser scanner (Lidar) in two contrasting forest. Agricultural and Forest Meteorology, 124: 269-275.

Riaño, D., Vaughan, P., Chuvieco, E., Zarco, P. y Ustin, S. (2005): Estimation of Fuel Moisture Content by

Inversion of Radiative Transfer Models to Simulate Equivalent Water Thickness and Dry Matter Content: Analysis at Leaf and Canopy Level. IEEE Transactions on Geoscience and Remote Sensing, 43(4): 819-826.

Running, S. y Nemani, R. (1989): Mapping regional forest evapotranspiration and photosynthesis by coupling

satellite data with ecosystem simulation. Ecology, 70 (4): 1090-1101. Roujean, J. y Breon, E. (1995): Estimating PAR absorbed by vegetation from bibirectional reflectance meas-

urements. Remote Sensing of Environment, 51: 375-384. Romero, A., Aguado, I., Chuvieco, E. y Yebra, M. (2007): Evaluation of dry foliage matter through normalised

indexes and inversión of reflectivity models. Proceedings of the 6th International Workshop of the Earsel Special interest group on forest fires. Thessaloniki, pp. 87-90.

Salas, J. e Infante, A. (2006): Producción Primaria Neta área en algunos ecosistemas y estimaciones de biomasa

en plantaciones forestales. Revista Forestal Latinoamericana, 40: 47-70. Schlegel, B., Gayoso, J. y Guerra, J. (2000): Medición de la capacidad de captura de Carbono en Bosques de

Chile y Promoción en el Mercado Mundial. Manual de procedimientos muestreos de biomasa forestal. Uni-versidad Austral De Chile. Proyecto FONDEF D98I1076.

Serrano, L., Ustin S., Roberts, D., Gamon J.y Peñuelas, J. (2000): Deriving Water Content of Chaparral Vegeta-

tion from AVIRIS Data. Remote Sensing of Environment, 74: 570-581. Thenkabaila, P., Enclona, E., Ashton, M., Legg, CH. y Jean de Dieu. (2004): Hyperion, IKONOS, ALI, and

ETM+ sensors in the study of African rainforests. Remote Sensing of Environment, 90: 23-43. Van Wagner, C. (1967): Seasonal variation in moisture content of Eastern Canadian tree foliage and the possible

effect on crown fires. Forestry Branch, 15. Verstraete, M., Pinty, B. y Myneni, R. (1994): Potential and limitations of information extraction on the terres-

trial biosphere from satellite remote sensing. Remote Sensing of Environment, 58: 201-214. Vermote, E. y Vermeulen A. (1999): Atmospheric correction algorithm: Spectral Reflectances (MOD09). NA-

SA, 109 pp. 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, Volume 148, Issue 4.

460

Zarco, P. y Ustin, S. (2001): Modeling caponopy water content for carbon estimates from MODIS data and Land EOS. Validation sites. IGGARS Meeting Sidney, Australia.

Zarco, P., Rueda, A. y Ustin, S. (2003): Water content estimation in vegetation with MODIS reflectance data

and model inversion methods. Remote Sensing of Environment, 85: 109-124. Zarco, P., Miller, J., Harron, J., Hu, Nolandt, B., Goel, N., Mohammedg. y Sampson, P. (2004): Needle chloro-

phyll content estimation through model inversion using hypperspectral data from boreal conifer forest cano-pies. Remote Sensing of Environment, 89: 189-199.

Zheng, D., Rademacher, J., Chen, J., Crow, T., Bresee, M., Le Moine, J. y Ryu, S. (2004): Estimating above-

ground biomass using Landsat 7 ETM+ data across a managed landscape in northern Wisconsin, USA. Re-mote Sensing of Environment, 93: 402– 411.

461