-
Determinacin de variables biofsicas mediante
teledeteccin en el marco de la agricultura de
precisin
Ral Zurita Milla ([email protected])
Escuela Tcnica Superior de Ingenieros Agrnomos y de Montes
Universidad de Crdoba
Tutores : S. Moulin, J.G.P.W. Clevers, A. Garca-Ferrer
Para mi familia con:
))cos(1cos(2 a
Resumen
Durante la campaa 1999/2000 el Instituto Nacional Francs de Agronoma (INRA) inici
un proyecto de Agricultura de Precisin destinado a evaluar nuevas estrategias para la
fertilizacin del trigo basadas en una caracterizacin de la variabilidad intraparcelaria en
trminos de suelo y de cultivo. As pues, el objetivo especfico de este trabajo fue estudiar la
viabilidad de dicha determinacin a travs de tcnicas de teledeteccin. Para ello, se dispuso
de imgenes tomadas con dos sensores pticos de caractersticas bien diferentes: Xybion, una
cmara aeroportada con 6 bandas y SPOT HRV-IR, un sensor satelital de 3-4 bandas anchas.
Las caractersticas de la cmara Xybion, usada por primera vez en este estudio,
permitieron la determinacin de la heterogeneidad intraparcelaria en trminos de ndice de
rea foliar (LAI), contenido cloroflico de la hoja (Cab), y de la cubierta (LAI*Cab). Dicha
determinacin se llev a cabo mediante ndices de vegetacin (IV) y trabajando directamente
con los conteos numricos proporcionados por la cmara, debido a algunos problemas de
1
-
calibracin. Numerosos IV fueron evaluados en este trabajo (clsicos, resistentes a los efectos
del suelo y de la atmsfera, etc), adems de las 6 bandas de la cmara y de un nuevo ndice
propuesto en este trabajo y llamado ANDVI. En general, los Resultados fueron muy
satisfactorios para el LAI y el LAI*Cab: valores de R2 de hasta 0.9 y RMSE alrededor de 0.4;
sin embargo, la determinacin del contenido cloroflico de las hojas no fue tan fructuosa. El
ndice ANDVI fue el mejor de todos los resistentes a los efectos atmosfricos.
La utilidad de las imgenes satelitales SPOT HRV-IR para la determinacin de la
variabilidad intraparcelaria en trminos de LAI fue estudiada mediante la inversin del
modelo PROSPECT+SAIL. Diferentes funciones de coste fueron evaluadas a travs de
tcnicas de minimizacin iterativas, en las que el uso de informacin a priori fue utilizado
para reducir la ambigedad en la determinacin de dicha variable. Este mtodo proporciono
valores de RMSE similares a los anteriores (i.e. 0.4). Sin embargo, estos valores eran
altamente dependiente de las caractersticas de la funcin de coste, el valor inicial del
algoritmo para comenzar la minimizacin, y de la precisin de la informacin a priori.
En resumen, ambos mtodos son adecuados para la determinacin de la variabilidad
intraparcelaria, e ilustran la gran importancia de su conocimiento para la propuesta, o mejora,
de nuevas tcnicas de cultivo.
Palabras clave: agricultura de precisin, trigo, teledeteccin, heterogeneidad intraparcelaria,
LAI, Cab, ndices de vegetacin, inversin de modelos.
1 Introduccin
1.1 Teledeteccin y agricultura de precisin
La agricultura de precisin naci a finales de los aos 80 y principios de los 90 en los
EE.UU. Su objetivo es ajustar el uso de input agrcolas y mtodos de cultivo para adaptarlos a
la heterogeneidad presente en el suelo o cultivo (Srinivasan, 1999). En otras palabras, la
agricultura de precisin promete revolucionar las tcnicas convencionales de cultivo para
conseguir una mayor rentabilidad, productividad, sostenibilidad, calidad del producto,
proteccin medioambiental, seguridad alimentara, y finalmente, un mayor desarrollo rural
(Robert, 1999; Pirnstrup-Andersen et al., 1999). Para conseguir todos estos objetivos, la
agricultura de precisin necesita hacer uso de las llamadas tecnologas de la informacin y
2
-
comunicacin: sistemas de posicionamiento global (GPS), sistemas de informacin geogrfica
(SIG), Teledeteccin, tecnologas de aplicacin de inputs con dosis variable (VRT), etc.
En efecto, la teledeteccin se ha convertido en uno de los pilares ms slidos sobre los que
se sustenta la agricultura de precisin (vase por ejemplo Gurif, et al, 2001). As, desde el
lanzamiento del primer satlite comercial para la observacin de la tierra en 1972,
LANDSAT-1, esta ciencia-arte se ha mostrado como una herramienta excelente para
monitorizar todos los procesos biofsicos que tienen lugar en nuestro planeta, tanto a una
escala global como local.
Desde este primer lanzamiento, muchos satlites han sido puestos en rbita y las
resoluciones radiomtrica, espacial y temporal estn en constante evolucin y mejora. As, en
la actualidad son muchos los ejemplos de que demuestran la gran utilidad de la teledeteccin
para proveer a los cientficos de informacin peridica, y a un coste razonable, sobre el estado
del planeta. No obstante, la determinacin de la informacin necesitada por la agricultura de
precisin desde imgenes areas y/o satelitales no siempre resulta trivial debido a la enorme
complejidad del sistema suelo-planta-atmsfera. Por tanto, la compresin de dicho sistema y
de los mtodos usados en teledeteccin resulta vital para poder afrontar el desarrollo de
nuevas tcnicas (vase Captulo 2)
1.2 El proyecto Chambry
Durante la campaa agrcola 1999/2000 el Instituto Nacional Francs de Agronoma
(INRA) inici un proyecto de Agricultura de Precisin en el que colaboran cuatro equipos de
investigacin: Edafologa (Orlens), Clima, suelo y medioambiente (Avignon), Agronoma
(Lan) y Biometra (Avignon). El objetivo comn es evaluar el grado de heterogeneidad en
trminos de suelo y cultivo presente en un campo de cultivo, para posteriormente proponer
nuevas estrategias de fertilizacin nitrogenada. En este caso el cultivo elegido fue trigo de
invierno (Triticum aestivum, L.).
El experimento fue llevado a cabo en un lugar llamado Chambry, situado en la provincia
de Lan, regin de Picarda, Francia (1.43 E, 55.07 N). La zona de estudio se compone de
dos parcelas (llamadas P1 y P2 de ahora en adelante) de aproximadamente 10 hectreas, y
separadas entre si unos cientos de metros. Ambas parcelas son bastante planas (slo 3 y 7
metros de desnivel, respectivamente), pero presentan una considerable heterogeneidad
edafolgica: cuatro tipos principales de suelos han sido identificados (calcisol, calcosol,
luvisol y coluvisol) a travs de los trabajos de campo realizados durante estos aos (Houles et
al., 2002).
3
-
A lo largo de las diferentes campaas agrcolas sucedidas desde 1999, ambas parcelas han
sido monitorizadas con diferentes sensores. As, 2 cmaras aeroportadas (Xybion y Casi) han
sido usadas, junto a la adquisicin de imgenes satelitales (SPOT/HRV-IR). Estas imgenes
poseen diferentes niveles de calidad debido a las diferentes condiciones de adquisicin y,
sobre todo, a las diferencias existentes entre los sensores utilizados, cuya nica caracterstica
comn es que todos operan en el dominio ptico.
Finalmente, y para poder realizar una validacin de los valores predichos mediante
teledeteccin, se tomaron mediciones de campo de los valores de LAI y Cab.
1.3 Objetivos
El objetivo de este trabajo fue evaluar las posibilidades de la caracterizacin de la
heterogeneidad intraparcelaria a travs de tcnicas de teledeteccin. Dicha heterogeneidad fue
evaluada en trminos de ndice de rea foliar (LAI) y contenido en clorofila de la hoja (Cab),
y de la cubierta (LAI*Cab), puesto que estas variables biofsicas caracterizan el estado de toda
la cubierta vegetal.
Dos tipos de imgenes, de caractersticas bien diferentes, fueron estudiadas: Xybion, una
cmara aeroportada con 6 bandas en el dominio ptico y un pxel de 1 m. (altura de vuelo
1500m) y SPOT HRV-IR, un sensor satelital con 3 o 4 bandas anchas, operativas tambin en
el dominio ptico pero con tamao de pxel de 20m. Asimismo, este trabajo evala dos
mtodos diferentes de estimacin de estas variables: el uso de los ndices de vegetacin y la
inversin de modelos.
4
-
2 Mtodos de Estimacin en Teledeteccin
Los dos principales mtodos para la estimacin de variables biofsicas mediante
teledeteccin son expuestos en esta seccin.
2.1 ndices de vegetacin
El uso de los ndices de vegetacin fue la primera herramienta eficaz para la
determinacin de las propiedades de las cubiertas vegetales, puesto que stos son capaces de
aumentar la seal de la vegetacin mientras que minimizan los efectos colaterales (e
indeseables en la mayora de los casos) derivados de las condiciones de iluminacin y del
suelo.
Los ndices de vegetacin son combinaciones de dos o ms bandas que pueden ser
calculadas a partir de las salidas del sensor: voltaje, reflectancia o conteos numricos. Todos
son correctos pero cada uno producir diferentes valores del ndice de vegetacin para las
mismas condiciones de observacin (Jackson y Huete, 1991). Esta facilidad de clculo ha
hecho que los ndices de vegetacin sean ampliamente usados en la actualidad como una
herramienta no destructiva para la estimacin de variables biofsicas (Baret y Guyot, 1991;
Elvidge y Chen, 1995; Broge y Mortensen, 2002).
Un buen ndice debe ser sensible a la variacin de la variable estudiada, pero ser resistente
(o verse mnimamente afectado) a otros factores como la atmsfera, el suelo, la arquitectura
de la cubierta vegetal y la topografa (Datt, 1998). De acuerdo a los efectos que un ndice es
capaz de afrontar ste se clasifica en: intrnseco, resistente al suelo o resistente a la atmsfera.
Sin embargo, el uso de estos ndices presenta algunos inconvenientes, dado que hasta la
fecha ninguno de ellos ha conseguido eliminar completamente las influencias no deseadas
(Gao et al., 2000; Baret y Guyot, 1991). Adems, su uso no permite estimar ms de una
variable al mismo tiempo, la cual ha de ser especficamente calibrada mediante una ecuacin
emprica cuyos forma matemtica y coeficientes son particulares para cada estimacin (Qi et
al., 2000).
En resumen, los ndices de vegetacin son relaciones empricas validas para cada imagen
(pues estn asociados a sus condiciones de adquisicin) y, por tanto, su uso operativo para
estimar variables biofsicas no resulta evidente.
5
-
2.2 Inversin de modelos
Este mtodo surge como una alternativa al uso de modelos empricos para la estimacin
de variables biofsicas. La inversin de modelos consiste en ajustar los valores de las
variables biofsicas usadas como inputs de los modelos de transferencia radiativa, de tal
manera que la reflectancia simulada con ellos se aproxime lo ms posible a la medida por el
sensor.
Estos modelos de transferencia radiativa simulan, por tanto, la llamada funcin de
reflectancia bidireccional (conocida como BDRF, por sus siglas en ingls), la cual permite el
clculo de la reflectancia de una superficie en funcin de los ngulos de observacin e
iluminacin, as como de una descripcin de las caractersticas biofsicas y radiativas de la
misma.
La determinacin de la reflectancia a travs de la BDRF se conoce como problema
directo, y ha sido tradicionalmente aplicado para validar los modelos de transferencia
radiativa. Sin embargo, en los aos 80 Goel y sus colegas (Goel y Strebel, 1983; Goel y
Thompson, 1984) propusieron el concepto de problema inverso o inversin de modelos
para la determinacin de variables biofsicas a partir de medidas de reflectancia.
Desde estos primeros trabajos, la inversin de modelos se ha convertido en un mtodo
muy prometedor, puesto que es teorticamente ms objetiva, ms generalizable, y ms precisa
que las tcnicas empricas (Verstraete et al., 1996; Qiu et al., 1998; Kimes et al., 2000; Gao y
Lesht, 1997; Gemmel et al., 2002; Bicheron y Leroy, 1999).
Otra ventaja de la inversin fsica de modelos es el hecho de poder usar todas las
informacin radiomtrica aportada por el sensor; contrariamente a los ndices de vegetacin
que fundamentalmente usan dos bandas (rojo e infrarrojo cercano). La informacin contenida
en las diferentes bandas de un sensor nunca esta completamente correlada y, por tanto, su uso
siempre aporta informacin adicional (Kuusk, 1998). No obstante, la regla de cuantas ms
bandas mejor, no es siempre vlida ya que algunos estudios demuestran que existe un nmero
ptimo de bandas (dependiente del tipo y numero de variables estimadas y del sensor y
mtodo de inversin empleado; Weiss, 2000) para cada estimacin. Finalmente, pero no
menos importante, esta mtodo permite trabajar con la informacin direccional proporcionada
por la mayora de los nuevos sensores como POLDER/ADEOS, MISR/TERRA,
VEGETATION/SPOT4 (Bacour, 2001).
6
-
3 Estimacin de LAI y Cab a partir de imgenes Xybion
Este capitulo describe todos los pasos realizados para la estimacin del LAI y del Cab a
partir de imgenes tomadas con la cmara multiespectral Xybion. Esta cmara fue usada por
primera vez durante la campaa 2002/2003, pensando que sus caractersticas tanto
radiomtricas como geomtricas podran conducir a una buena estimacin de estas variables
biofsicas. Este estudio es, por tanto, un test sobre las futuras aplicaciones de esta cmara para
la agricultura de precisin.
3.1 Materiales y mtodos
El experimento se llevo a cabo sobre la parcela P1 Chambry, que durante esta campaa
estaba sembrada de trigo. Cinco vuelos fueron efectuados a lo largo del ciclo del cultivo con
la cmara multiespectral Xybion (6 bandas en el dominio ptico, 0.41 0.90 m, y un tamao
de pxel de 1m).
Con el objetivo de validar las estimaciones realizadas, los valores de LAI y de Cab fueron
medidos en campo sobre una malla de 80 puntos equidistribuidos sobre la parcela. Asimismo,
y para estudiar la influencia relativa del suelo y las condiciones de fertilizacin sobre la
heterogeneidad presente en la zona de estudio, la parcela fue dividida en 9 zonas sobre las que
se aplicaron 3 tratamientos nitrogenados diferentes (260, 200 y 140 Kg/N por Ha
respectivamente).
La figura 3-1 resume la metodologa empleada en este captulo
Figura 3-1. Esquema general del anlisis de las imgenes Xybion
7
-
Debido a los numerosos problemas encontrados durante la calibracin de las imgenes,
finalmente se decidi trabajar con los conteos numricos de la cmara (conocidos como DN,
por sus siglas en ingls). Por tanto, la nica alternativa viable para realizar las estimaciones
era el uso de los ndices de vegetacin.
Un total de 18 ndices (Tabla 3-1) fueron evaluados en este trabajo: ndices clsicos
(NDVI, RVI, etc), resistentes a los efectos del suelo (WDVI y la familia de los SAVI),
resistentes a los efectos atmosfricos (ARVI, GEMI, ANDVI), as como algunos ndices
especficos para la estimacin del contenido foliar en clorofila (NDVIverde, SPRI, NPCI,
etc).
Tabla 3-1. ndices de vegetacin
Acrnimo Nombre (en ingls) Frmula Referencia
RVI Ratio vegetation index RNIR
RRRVI (Pearson y Miller, 1972)
NDVI Normalised difference vegetation index 1
1
RVIRVI
RRRRNDVI
RNIR
RNIR (Rouse et al., 1974)
WDVI Weighted difference vegetation index
RNIR RaRWDVI (Clevers, 1988)
SAVI Soil-adjusted vegetation index )1( LLRR
RRSAVIRNIR
RNIR
(Huete, 1988)
SAVI2 Second Soil-adjusted vegetation index abR
RSAVIR
NIR
/2
(Major et al., 1990)
MSAVI2 Modified Second Soil-adjusted vegetation index
RNIRNIRNIR RRRRMSAVI 812122
12 2 (Qi et al., 1994)
ATSAVI1
Adjusted transformed soil-adjusted vegetation index
21 aXabRRabRaRaATSAVI
RNIR
RNIR
(Baret y Guyot, 1991)
EVI Environmental vegetation index BRNIRRNIR
RRRRREVI 5.761
)(5.2
(Boegh et al., 2002)
NDVIverde Green normalised difference vegetation index
550550
RRRRNDVIgreen
NIRNIR
(Gitelson et
al., 1996)
R750/R550 R750/R550 550750
RR
(Gitelson y Merzlyak, 1997)
R850/R550 R850/R550 550850
RR (Schepers, 1996)
8
-
TVI Triangular vegetation index )(100)(60 GRGNIR RRRRTVI
(Broge y Leblanc, 2001)
Red/green Red/green 550650
RR
(Gamon y Surfus, 1999)
SPRI Simple Ratio pigment index 680430
RRSRPI
(Peuelas et al., 1995)
NPCI Normalised pigment chlorophyll index 680430
680430
RRRRNPCI
(Fidella et al., 1995)
ARVI Atmospherically resistant index )/()( RBNIRRBNIR RRRRARVI
RBRRB RRRR (Kaufman y Tanr, 1992)
GEMI global environment monitoring index
)1/()125.0()25.01( RR RRnnGEMI 5.0/5.05.12 22 RNIRRNIRRNIR RRRRRRn
(Pinty y Verstraete, 1992)
ANDVI
Amplified normalised difference vegetation index
)()()()(
RGBNIR
RGBNIR
RRRRRRRRANDVI
(Este trabajo)
R: reflectancia; a y b son los coeficientes de la lnea del suelo 1X es un factor de ajuste para minimizar los efectos del suelo (X=0.08)
El ndice ANDVI fue propuesto por primera vez en este estudio como uno de los
resistentes a efectos atmosfricos puesto que combina 2 bandas muy sensibles a los efectos de
los aerosoles (azul y verde) y 2 otras directamente relacionadas con las propiedades de la
cubierta (NIR y rojo). Este ndice es similar al ARVI cuando se asume 1 y se substituye
el factor RB:
)(
)(
RRBNIR
RRBNIR
RRRRRRRRARVI
Ntese que la nica diferencia entre estos 2 ndices es que hemos cambiado una de las
bandas rojas por una verde al objeto de incrementar su sensibilidad a las propiedades de la
vegetacin (como el NDVIverde y el NDVI) y el hecho de que la banda azul no se substrae en
el denominador sino que se suma para darle la misma estructura que el NDVI pero ampliada,
de ah su nombre: ANDVI.
Gracias a los datos recogidos en campo fue posible desarrollar relaciones empricas para
cada una de las variables a estimar (LAI, Cab y LAI*Cab) y cada uno de los ndices
9
-
estudiados. Estas relaciones (para las cuales slo el 70% de la informacin de campo fue
utilizada) fueron ajustadas a 8 tipos de funciones (logartmica, potencial, exponencial, 1-
logartmica, 1-potencial, 1-exponencial, logartmica II y lineal) de entre las cuales se escogi
la de mejor coeficiente de regresin R2.
Posteriormente, y mediante el uso del 30% restante de la informacin recogida en campo,
se calculo el error medio cuadrtico de la estimacin, conocido como RMSE (Root Mean
Square Error).
3.2 Resultados
El anlisis de las imgenes Xybion demostr que la variabilidad intraparcelaria debida a
diferencias en los niveles de fertilizacin era muy dbil. Por tanto, las estimaciones se
realizaron para el conjunto de todas las imgenes y no para una fecha en concreto, como
hubiera sido deseable.
No obstante, los resultados obtenidos resultaron ser bastante satisfactorios, especialmente
para el LAI y el contenido en clorofila de la cubierta (valores de R2 de hasta 0.9 y RMSE
alrededor de 0.4), aunque la determinacin del contenido foliar en clorofila no resulto muy
exitosa por si mima (figura 3-2). El ndice ANDVI fue el mejor de todos los resistentes a los
efectos atmosfricos.
Figura 3-2. RMSE sobre las estimaciones de LAI, LAI*Cab y Cab
La figura 3-2 ilustra los valores de RMSE obtenidos para los cinco mejores ndices de
cada variable. Ntese que el RMSE se mide en las mimas unidades que la variable, las cuales
oscilaban entre 0.5 y 6 m2/m2 para el LAI, entre 0.3 y 0.9 g/cm2 para el contenido foliar en
Clorofila.
10
-
3.3 Conclusin
La estimacin del LAI, Cab y del LAI*Cab fue realizada a travs de ndices de vegetacin
como consecuencia de numerosos problemas durante el proceso de calibracin de las
imgenes que impidieron una determinacin efectiva de los valores de reflectancia.
El ratio NIR/Red result ser el mejor ndice en trminos de R2, mientras que los ndices de
la familia SAVI proporcionaron buenos valores de RMSE.
La pobre determinacin del contenido foliar en clorofila podra deberse a que las
caractersticas espectrales de Xybion, o su ancho de banda, no permiten mejores resultados,
aunque se recomienda una mayor experimentacin con esta cmara antes de descartar la
estimacin de esta variable.
Todos estos resultados corresponden a relaciones empricas desarrolladas para el conjunto
de las cinco imgenes Xybion, puesto que la variabilidad intraparcelaria no permiti la
elaboracin de relaciones empricas especficas para cada fecha.
11
-
4 Estimacin de LAI a partir de imgenes SPOT
En el ao 2001 la campaa Chambry consisti en explorar las posibilidades de la
estimacin de la heterogeneidad intraparcelaria a travs de imgenes SPOT satelitales. Estas
estimaciones fueron realizadas mediante la inversin de un modelo de transferencia radiativa.
4.1 Materiales y mtodos
Cuatro escenas SPOT repartidas desde enero hasta julio fueron usadas para estimar la
heterogeneidad del ndice de rea foliar (LAI). Adems de estas imgenes, y al igual que en el
caso anterior, el LAI fue medido en campo para validar los resultados (Figura 4-1).
Figura 4-1. Esquema general del anlisis de las imgenes SPOT
Tal y como describimos en la seccin 2.2, la inversin de modelos se basa en minimizar
las diferencias entre la reflectancia simulada y la medida. Sin embargo, este procedimiento
resulta en algunas ambigedades, puesto que diferentes combinaciones de los parmetros de
entrada del modelo pueden producir la misma salida. As pues, algunos autores proponen el
uso de la llamada informacin a priori, o informacin sobre el posible valor de las variables
a estimar dentro de la funcin a minimizar o funcin de coste como mtodo para minimizar
estas ambigedades.
12
-
Numerosas funciones de coste fueron empleadas en este trabajo (Tabla 4-1), partiendo de
aquellas que slo contienen informacin radiomtrica, para llegar hasta funciones de coste
ms sofisticadas en las que adems de la informacin a priori se tuvo en cuenta el valor
inicial del algoritmo para la bsqueda del mnimo de la funcin.. En este caso, se empleo un
algoritmo de minimizacin de tipo Quasi-Newton.
Tabla 4-1. Funciones de Coste
Funciones de Coste Observaciones
2
mod
mod
0
el
i
obsi
eli RRf
Slo con informacin radiomtrica el
imod
proporcional a obsiR(Kuusk, 1995)
2
var
2
mod
mod
1
iable
j
priorjj
eli
obsi
eli VVRRf
Informacin radiomtrica y a priori iable
jvar
proporcional a V minmax jj V
2
var
2
mod
mod
1
iable
j
priorjjj
eli
obsi
eli
B
VVRRf
Informacin radiomtrica y a priori Inclusin del factor de ponderacin IBS = IBSo (Combal et al., 2002a)
2
var
2
mod
mod
2
iable
j
priorjjj
eli
obsi
eli VVRRf
IBS = IBS por pixel
IBSIBS
IBSIBS
IBSVIBSV
min
max max
2
var
2
mod
mod
3
iable
j
priorjjj
eli
obsi
eli VVRRf
IBS = IBS por pixel
min
maxmin
max
IBSVIBSV
IBS
IBS
2
var
2
mod
mod
4
iable
j
priorjj
eli
obsi
eli VVRRf
gj
priorj VV
1
iable
ivar
proporcional a priorjkV2
2
var
2mod
511
iable
j
priorjj
obsi
obsi
eli VV
nRRR
mf
Ambos trminos son ponderados por el numero de bandas (m) y por el de parmetros estimados (n) respectivamente.
13
-
Donde: R es la reflectancia en la banda-i; V el valor estimado para la variable-j; el
factor de ponderacin, fijado en 1.5 para el e LAI y en 0.75 para el Cab; es el error;
Dadas las caractersticas radiomtricas de las imgenes SPOT (3 o 4 bandas) slo fue
posible estimar 2 variables: el LAI y el ndice de brillo del suelo (IBS), dado que el nmero
de variables a estimar debe ser inferior o igual al de bandas (Weiss, 2000).
El IBS es un factor introducido para ajustar las condiciones de humedad y de iluminacin
sobre el suelo para cada imagen, puesto que el modelo PROSPECT+SAIL (Jacquemoud y
Baret, 1990; Verhoef, 1984) utiliza como imput un espectro de suelo desnudo.
Una vez finalizados todos las inversiones, una para cada fecha y funcin de coste, stas
fueron evaluadas a travs del RMSE calculado con los valores de LAI tomados en campo.
Asimismo, los mapas de IBS calculados fueron comparados con el brillo calculado a partir de
la imagen de suelo desnudo.
4.2 Resultados
La inversin del modelo PROSPECT+SAIL fue llevada a cabo utilizando numerosas
funciones de coste. El resultado de estas inversiones fueron mapas de LAI, de IBS y del error
o diferencia entre la reflectancia medida y la simulada (Figuras 4-2 a 4-4).
Los mapas de LAI fueron evaluados mediante comparacin con los valores medidos en
campo, mientras que los mapas de IBS fueron comparados con la medida sobre la imagen de
suelo desnudo. Ambas comparaciones demostraron la utilidad de este mtodo para la
estimacin de variables biofsicas a una escala intraparcelaria.
La mejor funcin de coste, en trminos de RMSE sobre el LAI, fue la funcin propuesta
en este trabajo y que consista en separar las limitaciones matemticas (propias de la
minimizacin) de las limitaciones biolgicas (fijadas a travs del uso de la informacin a
priori). Esta funcin consigui un RMSE de 0.39, claramente mejor que 1.72, valor obtenido
mediante las funciones de coste clsicas (i.e. aquellas que slo utilizan informacin
radiomtrica).
14
-
0.295
0.3
0.305
0.31
0.315
0.32
0.325
0.33
0.335
0.34
LAI p2w010115SPOT (IBS0 per pixel)
5 10 15 20
5
10
15
20
25
2.2
2.4
2.6
2.8
3
3.2
3.4
3.6
LAI p2w010512SPOT (IBS0 per pixel)
5 10 15 20
5
10
15
20
25
2.2
2.4
2.6
2.8
3
3.2
3.4
LAI p2w010619SPOT (IBS0 per pixel)
5 10 15 20
5
10
15
20
250.9
0.95
1
1.05
1.1
1.15
LAI p2w010703SPOT (IBS0 per pixel)
5 10 15 20
5
10
15
20
25
Figure 4-2. Mapas de LAI para todas las fechas SPOT.
15
-
0.15
0.2
0.25
0.3
0.35
0.4
0.45
IBS p2w010115SPOT (IBS0 per pixel)
5 10 15 20
5
10
15
20
25
0.2
0.25
0.3
0.35
0.4
0.45
IBS p2w010512SPOT (IBS0 per pixel)
5 10 15 20
5
10
15
20
25
0.15
0.2
0.25
0.3
0.35
0.4
IBS p2w010619SPOT (IBS0 per pixel)
5 10 15 20
5
10
15
20
250.25
0.3
0.35
0.4
0.45
0.5
IBS p2w010703SPOT (IBS0 per pixel)
5 10 15 20
5
10
15
20
25
Figure 4-3. Mapas de IBS para todas las fechas SPOT.
16
-
0.01
0.012
0.014
0.016
0.018
0.02
0.022
0.024
0.026
0.028
rfrmse p2w010115SPOT (IBS0 per pixel)
5 10 15 20
5
10
15
20
250.045
0.05
0.055
0.06
0.065
rfrmse p2w010512SPOT (IBS0 per pixel)
5 10 15 20
5
10
15
20
25
0.025
0.03
0.035
0.04
0.045
0.05
0.055rfrmse p2w010619SPOT (IBS0 per pixel)
5 10 15 20
5
10
15
20
25
0.01
0.015
0.02
0.025
0.03
0.035
0.04
0.045
0.05
rfrmse p2w010703SPOT (IBS0 per pixel)
5 10 15 20
5
10
15
20
25
Figure 4-4. Mapas de RMSE (reflectancia) para todas las fechas SPOT.
17
-
4.3 Conclusin
La inversin de modelos ha sido aplicada con xito en este captulo para estimar el LAI a
partir de imgenes SPOT. El modelo PROSPECT y SAIL fueron combinados para simular la
reflectancia calibrada de SPOT.
Tras evaluar diferentes funciones de coste, los mejores resultados fueron obtenidos
cuando se separaron las limitaciones puramente matemticas de las biolgicas, cuando se
empleo informacin a priori, y cuando se introdujo un valor especializado de IBS.
Los mapas de variabilidad espacial de LAI muestran unos resultados muy aproximados a
aquellos obtenidos durante los trabajos de campo (RMSE de 0.39). Finalmente, estos mapas
se encuentran a una escala adecuada para su uso dentro de la agricultura de precisin.
18
-
5 Conclusiones Generales
Este captulo resume las conclusiones principales de los dos precedentes, i.e. la inversin
emprica de las imgenes areas Xybion y la inversin fsica de las imgenes satelitales
SPOT.
La cmara Xybion permiti la estimacin de todas las variables de inters, si bien es cierto
que la determinacin del contenido foliar en clorofila no fue totalmente exitosa. Dichas
determinaciones fueron realizadas mediante la aplicacin de relaciones empricas o ndices de
vegetacin. De entre todos los ndices, el ratio NIR/Red result ser el mejor en trminos de R2,
mientras que los aquellos derivados de la familia SAVI (resistentes a los efectos del suelo)
proporcionaron buenos valores de RMSE.
En cambio, las imgenes SPOT slo permitieron la determinacin del LAI;
principalmente debido a las caractersticas radiomtricas del sensor (3-4 bandas anchas). En
este caso el mtodo de estimacin fue la inversin del modelo PROSPECT+SAIL, la cual
proporcion valiosos mapas de variabilidad espacial del LAI y del brillo del suelo.
As pues, este trabajo ha demostrado la utilidad de la teledeteccin para la evaluacin y
cuantificacin de la heterogeneidad intraparcelaria del cultivo. Esta informacin resulta muy
valiosa para la agricultura de precisin, especialmente para el manejo de sistemas de
fertilizacin, pues permite un ajuste de los inputs a las necesidades puntuales del cultivo.
19
-
6 Referencias Bibliogrficas
Bacour, C. (2001). Contribution la dtermination des paramtres biophysiques des couverts vgtaux par inversion de modles de rflectance: analyses de sensibilit comparatives et configurations optimales. Ph.D. thesis, Universit Paris 7Denis Diderot. 210 p.
Baret, F. y Guyot, G. (1991). Potentials and limits of vegetation indices for LAI and APAR
assesment. Remote Sens. Environ. 35:161-173. Bicheron, P. y Leroy, M. (1999). A method of biophysical parameter retrieval at global scale
by inversion of a vegetation reflectance model. Remote Sens. Environ. 67: 251-266. Broge, N.H. y Mortensen, J.V. (2002). Deriving green crop area index and canopy
chlorophyll density of winter wheat from spectral reflectance data. Remote Sens. Environ. 81:45-57.
Combal, B. Baret, F, Weiss, M. Trubuil, A. Mac, D, Pragnere, A. Myneni, R. Knyazikhin, Y.
and Wang, L. (2002). Retrieval of canopy biophysical variables from bidirectional reflectance. Using prior information to solve the ill-posed invese problem. Remote Sens. Environ. 84:1-15.
Datt, B.(1998). Remote sensing of chlorophyll a, chlorophyll b, chlorophyll a+b, and total
carotenoid content in Eucalyptus leaves. Remote Sens. Environ. 66:111-121. Elvidge C.D. y Chen, Z. (1995). Comparison of Broad-Band and Narrow Band Red and Near-
Infrared Vegetation Indices. Remote Sens. Environ. 54: 38-48. Gao, W. y Lesht, B.M. (1997). Model Inversion of Satellite-Measured Reflectances for
Obtaining Surface Biophysical and Bidirectional Reflectance Characteristics of Grassland. Remote Sens. Environ. 59:461-471.
Gemmel, F., Varjo, J., Strandstrom, M. y Kuusk, A. (2002). Comparison of mesaured boreal
forest characteristics with estimates from TM data and limited ancillary information using reflectance model inversion. Remote Sens. Environ. 81:365-377.
Goel, N.S. y Strebel, D.E. (1983). Inversion of vegetation canopy reflectance models for
estimating agronomic variables: I. Problem definition and initial solution using Suits' model. Remote Sens. Environ. 13: 487-507.
Goel, N.S. y Thompson, R.L. (1984). Inversion of vegetation canopy reflectance models for
estimating agronomic variables: III. Estimation using only canopy reflectance data as illustrated by the Suits model. Remote Sens. Environ. 15: 223-236.
Gurif, M,, Beaudoin, N,, Durr, C,, Houls, V., Machet, J.M., Mary, B, Moulin, S., Richard,
G., Bruchou, C., Michot, D. y Nicoullaud, B. (2001). Designing a field experiment for assessing soil and crop spatial variability and defining site-specific management strategies. Third European Conference on Precision Farming, 18-20 June (2001) Montpellier, France. pp677-682.
20
-
Houls, V., Nicoullaud, B., Beaudoin, N., y Mary, B. (2002). Sensitivity of a crop model to pedotransfer functions at the field scale. In: Proceedings of the 7th congress of the European Society of Agronomy, edited by F.J. Villalobos & L. Testi, Junta de Andaluca, Spain. pp. 631-632.
Jackson, R.D. y Huete, A.R., (1991). Interpreting vegetation indices. Prev. Vet. Med. 11:185-
200. Kimes, D.S., Knyazikhin, Y., Privette, J.L., Abuelgasim, A.A. y Gao, F. (2000). Inversion
Methods for Physically-Based Models. Remote Sens. Reviews. 18:381-439. Kuusk A. (1995). A fast, invertible canopy reflectance model. Remote Sens. Environ. 51:342-
350. Kuusk, A. (1998). Monitoring of vegetation parameters on large areas by the inversion of a
canopy reflectance model. Int. J. Remote Sensing. 19: 2893-2905. Qi, J. Kerr, Y.H., Moran, M.S., Weltz, M.,Huete, A.R., Sorooshian ,S. y Bryant, R. (2000).
Leaf area index estimates using remotely sensed data and BRDF models in a semiarid region. Remote Sens. Environ. 73:18-30.
Qiu, J. Gao, W, y Lesht, B.M. (1998). Inverting optical reflectance to estimate surface
properties of vegetation canopies. Int. J. Remote Sensing. 19: 641-656. Pinstrup-Andersen, P., Pandya-Lorch,R., y Rosegrant, M.W. (1999). World food prospects:
criticail issues for the early twenty-first century. International Food Policy Research Institute, Washington, D.C. October. 30p.
Robert, P.C. (1999). Precision agriculture: Research needs and status in the USA.In:
Precision Agriculture'99 (Ed. J.V.Stafford). Society of Chemical Industry, London. 1:19-33.
Srinivasan, A. (1999). Relevance of Precision Farming Technologies to Sustainable
Agriculture in Asia and the Pacific. In: Sustainable Agriculture: Possibility and Direction (Edited by Sumalee Suthipradit, Chumpon Kuntha, Supachai Lorlowhakarn and Jaturaporn Rakngan). In Proceedings of the Second Asia-Pacific Conference on Sustainable Agriculture, 18-20 October. Phitsanulok, Thailand. ISBN974-7579-31-6. http://www.vtt.co.jp/eng/pub/thaipaper.htm P.325-338.
Verstraete, M.M., Pinty, B. y Myneni, R. (1996). Potential and limitations of information extraction on the terrestrial biosphere from satellite remote sensing. Remote Sens. Environ. 58: 201-214.
Weiss, M., Baret, F., Myneni, R.B., Pragnre, A. y Knyazikhin, Y. (2000). Investigation of a
model inversion technique to estimate canopy biophysical variables from spectral and directional reflectance data. Agronomie. 20: 3-22.
21
ResumenIntroduccinTeledeteccin y agricultura de precisinEl proyecto ChambryObjetivos
Mtodos de Estimacin en Teledeteccinndices de vegetacinInversin de modelos
Estimacin de LAI y Cab a partir de imgenes XybMateriales y mtodosResultadosConclusin
Estimacin de LAI a partir de imgenes SPOTMateriales y mtodosResultadosConclusin
Conclusiones GeneralesReferencias Bibliogrficas
