ChapterPDF Available

Sensibilidad de distintos índices de vegetación para determinar la humedad del combustible

Authors:

Abstract

Departamento de Geografía, Universidad de Alcalá. C/ Colegios, 2. 28801, Alcalá de Henares. RESUMEN Se presentan en este trabajo las relaciones observadas entre la humedad de las hojas de varias especies vegetales de ámbito mediterráneo, medida sobre el terreno e imágenes de satélite (NOAA-AVHRR y Landsat-TM). Se observa que los índices basados en el infrarrojo medio y la temperatura de superficie (NDII5, NDII7 y NDVI/TS), permiten realizar una buena estimación del contenido de humedad de algunas especies mediterráneas. Palabras clave: Teledetección, índices de vegetación, humedad. INTRODUCCIÓN La estimación diaria del contenido de humedad de la vegetación requiere un costoso muestreo espacial, siendo las medidas de terreno difícilmente generalizables. En este contexto, las imágenes de satélite pueden ser de gran utilidad para efectuar un seguimiento del contenido de humedad de la vegetación, ya que proporcionan, una adecuada frecuencia temporal y espacial del estado del combustible. El principal escollo en su aplicación se relaciona con la débil contribución del contenido de agua a la reflectividad o temperatura global de la planta, por lo que es preciso buscar índices que enfaticen la sensibilidad de la señal a este factor, relegando a un segundo plano otros, como el área foliar, los ángulos de observación o la forma de las hojas.
SENSIBILIDAD DE DISTINTOS
ÍNDICES DE VEGETACIÓN PARA
DETERMINAR LA HUMEDAD DEL
COMBUSTIBLE
David. Cocero, David Riaño, Patrick Vaughan, Jesús
Martínez y Emilio Chuvieco
ggdcm@geogra.alcala.es
Departamento de Geografía, Universidad de Alcalá.
C/ Colegios, 2. 28801, Alcalá de Henares.
RESUMEN
Se presentan en este trabajo las relaciones
observadas entre la humedad de las hojas de varias
especies vegetales de ámbito mediterráneo, medida
sobre el terreno e imágenes de satélite (NOAA-
AVHRR y Landsat-TM). Se observa que los índices
basados en el infrarrojo medio y la temperatura de
superficie (NDII
5
, NDII
7
y NDVI/TS), permiten
realizar una buena estimación del contenido de
humedad de algunas especies mediterráneas.
Palabras clave: Teledetección, índices de vegetación,
humedad.
INTRODUCCIÓN
La estimación diaria del contenido de
humedad de la vegetación requiere un costoso
muestreo espacial, siendo las medidas de terreno
difícilmente generalizables. En este contexto, las
imágenes de satélite pueden ser de gran utilidad para
efectuar un seguimiento del contenido de humedad
de la vegetación, ya que proporcionan, una adecuada
frecuencia temporal y espacial del estado del
combustible. El principal escollo en su aplicación se
relaciona con la débil contribución del contenido de
agua a la reflectividad o temperatura global de la
planta, por lo que es preciso buscar índices que
enfaticen la sensibilidad de la señal a este factor,
relegando a un segundo plano otros, como el área
foliar, los ángulos de observación o la forma de las
hojas.
OBJETIVOS
El objetivo principal del presente trabajo es
presentar los primeros resultados de una estimación
integrada del contenido de humedad de la
vegetación, a partir de la información captada por
teledetección. Nuestra hipótesis de partida es que el
contenido de humedad de algunas especies vegetales
puede ser estimado a partir de los datos espectrales
captados por los sensores de teledetección. Para
comprobar estas hipótesis procedimos a organizar un
esquema de muestreo de la humedad de la vegetación
para correlacionarlo con las imágenes de satélite.
METODOLOGÍA
El área elegida para abordar este estudio es el
Parque Nacional de Cabañeros. El período de trabajo
abarca desde abril a septiembre de los años 1996 y
1997, con objeto de considerar la variación existente
en las condiciones de humedad de la vegetación
desde la primavera, momento en que las cubiertas
vegetales presentan su máximo vigor, hasta el
verano, cuando alcanzan su mínimo debido a la
fuerte sequía estival.
Se consideraron como tipos de combustible
de interés el pasto, el matorral y el arbolado
eligiéndose un total de cinco parcelas de muestra
para el año 1996 y de seis parcelas para el año 1997,
con los siguientes tipos de combustible: pasto, jara
(Cistus ladanifer), brezo (Erica australis), romero
(Rosmarinus officinalis), y quejigo (Quercus
faginea), esta última especie sólo en 1997. La
recogida de muestras de vegetación en cada una de
las parcelas seleccionadas se llevó a cabo de una
forma sistemática, una vez cada ocho días y a la
misma hora aproximadamente (entre las 12:00 y las
16:00 h).
Todas las muestras recogidas tenían un peso
entre 100 y 200 gramos, y eran pesadas en el
momento de su recogida en una balanza (con una
pesada máxima de 250 gramos y un error de 0,1
gramos). Posteriormente se trasladaban al
laboratorio, donde se secaban en una estufa durante
cuarenta y ocho horas a una temperatura de 60°C.
Tras esta operación, las muestras se pesaban de
nuevo, para obtener el contenido de humedad del
combustible (que aquí denominamos FMC, Fuel
Moisture Content), como la proporción del peso
húmedo sobre el seco de la muestra:
100 x
P
P - P
=FMC
s
sh
donde P
h
es el peso en gramos de las hojas verdes, y
P
s
el peso en seco. El resultado se expresa en
porcentaje.
El sensor NOAA-AVHRR proporciona un
recubrimiento completo del planeta cada 12 horas.
Su resolución espacial es de 1,1 x 1,1 km, en el nadir.
Para este trabajo empleamos las imágenes de los días
correspondientes a los días de muestreo, utilizándose
los dos primeros canales del satélite: rojo (R), e
infrarrojo cercano (IRC), base de buena parte de los
TELEDETECCIÓN. Avances y Aplicaciones. VIII Congreso Nacional de Teledetección. Albacete, España, 1999. pp. 267-270.
Editores: Santiago Castaño Fernández y Antonio Quintanilla Rodenas
índices de vegetación actualmente disponibles, y los
dos canales en el infrarrojo térmico (IRT) para
estimar la temperatura de superficie (Vidal, 1991;
Kerr et al., 1992).
Las variables derivadas de las imágenes del
satélite NOAA-AVHRR que se utilizaron en este
proyecto fueron las siguientes: Índice de vegetación de
diferencia normalizada (NDVI) (Rouse
et al
., 1974);
Índice de vegetación ajustado al suelo (SAVI) (Huete,
1988); Índice de vegetación global (GEMI) (Pinty y
Verstraete, 1992); Temperatura de superficie (TS);
Diferencia entre la Temperatura de Superficie y la
Temperatura del Aire (TS-TA); y Cociente entre el
NDVI y la TS (NDVI/TS).
Además de las imágenes AVHRR, en este
trabajo también se emplearon una serie de tres
adquiridas por el Landsat-TM, que cuenta con peor
resolución temporal y mayor coste, pero ofrece mejor
detalle espacial, lo que permite situar con más detalle
las parcelas de muestra. Además, el TM incluye dos
bandas altamente sensibles al contenido de humedad
(Knipling, 1970), situadas en el infrarrojo medio coro
(Short-Wave Infrared, SWIR). Para este trabajo, se
adquirieron tres imágenes TM correspondientes a
fechas en las que teníamos disponibles mediciones
sobre el terreno: 16 de abril, 21 de julio y 23 de
septiembre, todas ellas de 1997. Además de
calcularse los índices expuestos para el caso de las
imágenes NOAA-AVHRR se obtuvieron el NDII
5
y
el NDII
7
, similares al NDVI aunque en vez de
utilizar la banda 4 del sensor, correspondiente al
IRC, usan las bandas 5 y 7, respectivamente (ambas
en el SWIR). También se calculó el cociente entre el
NDII
5
y la TS.
A la hora de realizar estimaciones de la
relación existente entre las imágenes y el contenido
de humedad con sólo tres fechas, sólo pudieron
establecerse funciones numéricas para el caso del
pasto, ya que se contaba con tres parcelas por
periodo (en total 9 valores) y para el caso de la jara y
el brezo, ya que contábamos con dos parcelas por
periodo (en total 6 valores en ambos casos).
Mientras que para el caso del quejigo y del romero
no se realizó ninguna estimación ya que sólo se
disponía de 3 observaciones.
RESULTADOS
Relación entre FMC e imágenes de satélite
Las tablas 1 y 2 muestran las correlaciones de
Pearson de las imágenes NOAA-AVHRR con el FMC
observándose las siguientes tendencias:
-
La TS presenta correlaciones negativas con
todas las especies, obteniéndose las correlaciones más
altas en el caso del pasto. Este hecho es lógico si
tenemos en cuenta que cuanto más alta sea la
temperatura mayor será la evapotranspiración y menor
la humedad. Tendencias similares hemos encontrado
con la variable TS-TA.
TS NDVI TS-TA SAVI GEMI NDVI/TS
Pasto (1)
-0.77
0.91
-0.71
0.93
0.90
0.96
Pasto (2)
-0.73
0.76
-0.66
0.88
0.86
0.95
Pasto (3)
-0.79
0.57
-0.70
0.62
0.50
0.93
Jara (4)
-0.73
0.45
-0.67
-0.03 -0.36
0.76
Romero (4)
-0.74
0.35
-0.70
-0.04 -0.33
0.74
Brezo (5) -0.22 0.11 -0.18 -0.17 -0.16 0.22
Jara (5)
-0.79
-0.03
-0.80
-0.63
-0.69
0.61
Tabla 1.-
Correlación de Pearson entre el FMC y los
derivados de las imágenes de satélite NOAA-
AVHRR (1996) (p<0,01, en negrilla).
TS NDVI TS-TA SAVI GEMI NDVI/TS
Pasto (1)
-0.79
0.69
-0.74
0.74
0.76
0.89
Pasto (2)
-0.76
0.54
-0.58
0.67
0.68
0.75
Pasto (3)
-0.79
0.40
-0.68
0.52 0.49
0.74
Jara (4)
-0.61
0.46
-0.59
0.63
0.44
0.63
Brezo (4)
-0.58
0.32
-0.59
0.70
0.58
0.65
Romero (5) -0.46 0.37 -0.41 0.48 0.32 0.52
Jara (5)
-0.59
0.17
-0.68
0.50
0.30
0.58
Brezo (5) -0.40 0.22
-0.58
0.26 0.01 0.47
Quejigo (6)
-0.61
0.36
-0.58
0.22 -0.03
0.61
Tabla 2.-
Correlación de Pearson entre el FMC y los
derivados de las imágenes de satélite NOAA-
AVHRR (1997)
(p<0,01, en negrilla).
-
El cociente NDVI/TS presenta las mejores
correlaciones con la FMC de todas las variables de
satélite. Estas correlaciones son significativas para el
pasto (siendo las más altas), la jara, el quejigo y el
brezo. En el caso del pasto (figura 1) se representan las
líneas de regresión de cada una de las parcelas,
observándose unas tendencias similares, con lo que se
demuestra que puede realizarse una correlación entre el
FMC y NDVI/TS, independientemente de la parcela y
del año. Esta misma prueba se podría realizar con el
resto de índices, pero se escoge éste porque es el que,
como se ha mencionado antes, ofrece las mejores
correlaciones.
y = 27.831x - 65.911
R
2
= 0.7262 y = 9.1051x - 49.17
R
2
= 0.9515
0.00
100.00
200.00
300.00
400.00
500.00
600.00
0.00 5.00 10.00 15.00 20.00 25.00 30.00
NDVI/TS (10
-3
)
FMC (%)
NOAA-AVHRR
Landsat-TM
Regresión lineal(NOAA-AVHRR)
Regresión lineal(Landsat-TM)
Figura 1.-
Líneas de regresión entre NDVI/TS y
FMC para las imágenes NOAA-AVHRR por
parcelas de pasto y por año
-
De todos los índices de vegetación, el
SAVI y el GEMI presentan mejores correlaciones que
el NDVI para la mayoría de las especies, pero las
diferencias entre ellos son, generalmente, pequeñas.
Tabla 3.-
Correlación de Pearson entre el FMC y los
derivados de las imágenes de satélite Landsat-TM
(1997)
(p<0,05, en negrilla).
Las tendencias que hemos encontrado para las
imágenes TM (tabla 3) son similares a las que
presentan las imágenes NOAA-AVHRR, aunque con
la peculiaridad de que los canales del IRM mejoran
mucho las relaciones con el FMC:
-
Las correlaciones con la TS y la TS-TA
sólo son significativas para el caso del pasto.
-
Las correlaciones con el NDVI, el SAVI y
el GEMI también son sólo significativas para el caso
del pasto, aunque son mucho más altas que en el caso
de la TS y de la TS-TA.
-
El NDII
5
, el NDII
7
y el NDII
5
/TS ofrecen
las mejores correlaciones.
Relación entre los resultados de TM y NOAA-
AVHRR
0
50
100
150
200
250
300
4 6 8 10
FMC
(%)
NDVI/TS (10
-3
)
96pas to1
96pas to2
96pas to3
97pas to1
97pas to2
97pas to3
Figura 2.-
Líneas de regresión entre NDVI/TS y
FMC para las imágenes NOAA-AVHRR (parcelas
de pasto. Años 1996 y 1997) y Landsat-TM (pasto.
Año 1997)
Se compara la relación entre el FMC y el
NDVI/TS de los dos satélites (figura 2). El NDVI/TS
no presenta los mejores resultados en el caso de TM,
pero es de entre los mejores el único comparable con
las imágenes NOAA-AVHRR. El número de
observaciones de TM es bajo, además sólo se dispone
de datos de FMC en torno a 25 % y a 200 %. Pese a
esto se puede observar que las tendencias son
significativamente diferentes entre ambos satélites. En
principio TM permite discriminar mejor entre distintos
valores de NDVI/TS, al presentar una pendiente más
baja. Una pequeña variación en NDVI/TS no va a
suponer un gran salto en el FMC.
CONCLUSIONES
Como hemos visto a lo largo de los epígrafes
previos resulta complicado establecer tendencias
consistentes para estimar la humedad de la vegetación.
No obstante, podemos apuntar algunas ideas que sirvan
para plantear hipótesis que continúen esta línea de
trabajo:
-
Las tendencias esperadas entre el FMC y
las imágenes se confirman en prácticamente todos los
casos, siendo negativas para la TS y la TS-TA, y
positivas con los índices de vegetación.
-
Parece claro que la evolución
multitemporal de la humedad del pasto puede ser
correctamente estimada con satélite. El pasto es la
única cobertura anual de las analizadas, por lo que es la
más afectada por los cambios estacionales. En segundo
lugar, presenta el más alto porcentaje de materia verde,
y la cobertura más homogénea de todas las analizadas.
-
Los canales situados en el SWIR del sensor
TM presentan una mayor sensibilidad a las variaciones
de humedad de la vegetación que el canal situado en el
IRC, aspecto corroborado tanto con radiometría de
campo como con las imágenes TM.
-
Al hallar el cociente entre el NDVI, el
NDII
5
y el NDII
7
con la TS solo se mejoran los
resultados para el caso del NDVI. Este hecho puede ser
debido a que el IRC utilizado para calcular el NDVI se
encuentra influenciado por la morfología de los
diferentes tipos de plantas, aspecto que puede ser
tenido en cuenta al utilizar la TS. Sin embargo, los
canales situados en el SWIR no se encuentran tan
influenciados por este factor, con lo que la
incorporación de la TS sólo añade ruido a la hora de
estimar la humedad de la vegetación.
-
Los índices derivados de las imágenes de
satélite que estimarían mejor la humedad de la
vegetación serían el NDII
5
y el NDII
7
, seguidos por el
cociente entre el NDVI y la TS.
BIBLIOGRAFÍA
Albini, F. A. (1985). A Model for Fire
Spread in Wildland Fuels by Radiation.
Combust.
Set and Tech
42: 229-259.
Andrews, P. L. y C. H. Chase (1990). The
BEHAVE Fire Behavior Prediction System.
The
Compiler
8(4): 4-9.
Hartford, R. A. y R. C. Rothermel (1991).
Fuel Moisture as Measured and Predicted During the
NDVI NDII
5
NDII
7
SAVI GEMI TS
NDVI/TS
NDII
5
/TS
NDII
7
/TS
Pasto (1,2 y 3)
0.97 0.97 0.95 0.95 0.84 -0.80 -0.78 0.98 0.95 0.95
Jara (4 y 5) 0.72 0.89 0.90 0.61 0.33 -0.35 -0.27 0.69 0.91 0.88
Brezo (4 y 5)
0.67
0.94
0.94
0.75
0.56
-0.55
-0.48
0.83
0.93
0.69
1988 Fires in Yellowstone Park. Missoula, MT,
USDA, Forest Service
.
Huete, A. R. (1988). A soil-adjusted
vegetation index (SAVI).
Remote Sensing of
Environment
25: 295-309.
Kerr, Y. H., J. P. Lagouarde y J. Imbernon
(1992). Accurate land surface temperature retrieval
from AVHRR data with use of an improved Split
Window algorithm.
Remote Sensing of Environment
41: 197-209.
Knipling, E. B. (1970). Physical and
Physiological basis for the reflectance of visible and
near-infrared radiation from vegetation.
Remote
Sensing of Environment
1: 155-159.
Paltridge, G. W. y J. Barber (1988).
Monitoring grassland dryness and fire potential in
Australia with NOAA/AVHRR data.
Remote Sensing
of Environment
25: 381-394.
Pinty, B. y M. M. Verstraete (1992). GEMI:
a non-linear index to monitor global vegetation from
satellites.
Vegetatio
101: 15-20.
Rouse, J. W., R. W. Haas, J. A. Schell, D.
H. Deering y J. C. Harlan (1974).
Monitoring the
vernal advancement and retrogadation (Greenwave
effect) of natural vegetation.
Greenbelt, MD. USA,
NASA/GSFCT.
Tucker, C. J. y P. J. Sellers (1986). Satellite
remote sensing of primary production.
International
Journal of Remote Sensing
7: 1395-1416.
Vélez, R. (1985). Aplicación de la predicción
del peligro para la prevención de los incendios
forestales.
Estudios sobre prevención y efectos
ecológicos de los incendios forestales
. Madrid,
ICONA: 15-19.
Vidal, A. (1991). Atmospheric and emissivity
correction of land surface temperature measured from
satellite using ground measurements or satellite data.
International Journal of Remote Sensing
12: 2449-
2460.
AGRADECIMIENTOS
Este trabajo se ha realizado en el marco del
proyecto europeo Megafires (
ENV4-CT96-0256)
,
financiado por el programa de Medioambiente y
Clima de la Comisión europea (DG-XII). También
se ha obtenido financiamiento parcial de la CICYT
(AGF96-2094-CE). Deseamos también expresar
nuestro agradecimiento a las autoridades del P.N. de
Cabañeros, así como a M. Gómez, P. Martín, J.
Salas, P. Vaughan e I. Aguado que han contribuido a
la campaña de mediciones en terreno.
ResearchGate has not been able to resolve any citations for this publication.
Article
Full-text available
Knowledge about the state, spatial distribution and temporal evolution of the vegetation cover is of great scientific and economic value. Satellite platforms provide a most convenient tool to observe the biosphere globally and repetitively, but the quantitative interpretation of the observations may be difficult. Reflectance measurements in the visible and near-infrared regions have been analyzed with simple but powerful indices designed to enhance the contrast between the vegetation and other surface types, however, these indices are rather sensitive to atmospheric effects. The correction of satellite data for atmospheric effects is possible but requires large data sets on the composition of the atmosphere. Instead, we propose a new vegetation index which has been designed specifically to reduce the relative effects of these undesirable atmospheric perturbations, while maintaining the information about the vegetation cover.
Article
Full-text available
Leaf structure and function are shown to result in distinctive variations in the absorption and reflection of solar radiation from plant canopies. The leaf properties that determine the radiation-interception characteristics of plant canopies are directly linked to photosynthesis, stomatal resistance and evapotranspiration and can be inferred from measurements of reflected solar energy. The effects of off-nadir viewing and atmospheric constituents, coupled with the need to measure changing surface conditions, emphasize the need for multitemporal measurements of reflected radiation if primary production is to be estimated.
Article
Agricultural applications using surface temperatures obtained from NOAA AVHRR thermal infrared data involve the difficulty of obtaining the actual surface temperature of the crop, due to the atmospheric and crop's emissivity effects. The split-window method is often used to correct atmospheric effects, but generally is valid only for sea surface temperature. Two original methods to obtain the split-window equation are presented: the first one uses ground measurements, the second one uses atmospheric information contained in NOAA data itself (i.e. the difference between brightness temperatures of AVHRR's bands 4 and 5). Both lead to a mean error of 2 deg K on the equivalent black body temperature. An original method to obtain directly from NOAA data the difference between emissivities of the surface in bands 4 and 5 is presented. The error on the actual surface temperature obtained is I deg K. for an error of 1 per cent on the mean emissivity. Finally the surface temperature can be estimated from NOAA data with an error of 3 deg K.
Article
Fire spread in wildland fuels is modeled as the steady, longitudinal propagation of an isothermal surface at ignition temperature by the process of radiation transport through a uniform layer of randomly-distributed, thermally-thin, radiometrically-black fuel particles. The ignition isotherm is assumed to be a perfect diffuse radiator, as is the idealized planar flame sheet that stands above the fuel bed. An algorithm is described that finds the temperature field everywhere in the fuel bed, the shape of the ignition isotherm, and the fire spread rate. The fire spread rate, multiplied by the heat required to ignite a unit volume of the fuel bed, divided by the hemispherical power flux density from the ignition isotherm, is an eigenvalue of this problem. The approximation of unit emissivity for fuel particles is shown to be robust in the one-dimensional limiting case of an infinitely-deep fuel bed. This limiting case is solved by a different algorithm that takes advantage of the axial symmetry of the radiation intensity field and allows explicit use of the scattering function for randomly-oriented, convex, radiometrically gray, diffuse scattering particles. It is shown that the temperature field is insensitive to particle emissivity for emissivity greater than 0.7 in this limit.
Article
Knowledge of how solar radiation interacts with vegetation is necessary to interpret and process remote sensing data of agricultural and many natural resources. A plant leaf typically has a low reflectance in the visible spectral region because of strong absorption by chlorophylls, a relatively high reflectance in the near-infrared because of internal leaf scattering and no absorption, and a relatively low reflectance in the infrared beyond 1.3 μ because of strong absorption by water. The reflectance of a plant canopy is similar, but is modified by the nonuniformity of incident solar radiation, plant structures, leaf areas, shadows, and background reflectivities. Airborne sensors receive an integrated view of all these effects, and each crop or vegetation type tends to have a characteristic signature which permits its discrimination. When disease and physiological stresses directly affect the reflectance properties of individual leaves, the most pronounced initial changes often occur in the visible spectral region rather than in the infrared because of the sensitivity of chlorophyll to physiological disturbances. The primary basis for the detection of stress conditions in a crop or other plant community by aerial remote sensors often, however, is not a change in the reflectance characteristics of individual leaves, but a reduction in the total leaf area exposed to the sensors. This reduction can result from a direct loss of leaves, a change in their orientation, or an overall suppression of plant growth. In such cases the total infrared reflectance tends to be decreased relatively more than the visible reflectance because of a reduction in the infrared enhancement due to fewer multiple leaf layers and because of an increase in background exposure.
Article
In order to retrieve accurate values of land surface temperatures from satellite thermal infrared data, it is necessary to perform atmospheric corrections. This paper describes how a differential absorption method, similar to the split window technique used over sea surfaces, can be adapted and used locally over land surfaces. Work previously performed by several authors is first described, allowing one to stress the different issues to be solved, that is, the emissivity and angular effects. A semiempirical algorithm is then described, and the results obtained with it over two test areas are then described and discussed. The proposed method allows to derive land surface temperature with an accuracy better than 1.5 K. A possible algorithm is also suggested.