Estimación de variables esenciales de la vegetación en un ecosistema de dehesa utilizando factores de reflectividad simulados estacionalmente

Abstract

[ES] Los pastos arbolados y arbustivos son vitales para la producción ganadera extensiva y sostenible, la conservación de la biodiversidad y la provisión de servicios ecosistémicos y se localizan en áreas que serán previsiblemente más afectadas por el cambio climático. Sin embargo, las características estructurales, fenológicas, y las propiedades ópticas de la vegetación en estos ecosistemas mixtos, como los ecosistemas adehesados en la Península Ibérica que combinan un estrato herbáceo y/o arbustivo con un dosel arbóreo disperso, constituyen un serio desafío para su estudio mediante teledetección. Este trabajo combina métodos físicos y empíricos para la estimación de variables de la vegetación esenciales para la modelización de su funcionamiento: índice de área foliar (LAI, m2 /m2 ), contenido en clorofila a nivel de hoja (Cab,leaf, μg/cm2 ) y dosel (Cab,canopy, g/m2 ) y contenido en materia seca a nivel de hoja (Cm,leaf, g/cm2 ) y dosel (Cm,canopy, g/m2), en un ecosistema de dehesa. Para este propósito se construyó una base de datos espectral simulada considerando las cuatro principales etapas fenológicas del estrato herbáceo, el más dinámico del ecosistema, (rebrote otoñal, máximo verdor, inicio de la senescencia y senescencia estival) mediante la combinación de los modelos de transferencia radiativa PROSAIL y FLIGHT. Esta base de datos se empleó para ajustar diferentes modelos predictivos basados en índices de vegetación (IV) propuestos en la literatura y en Partial Least Squares Regression (PLSR). PLSR permitió obtener los modelos con mayor poder de predicción (R2 ≥ 0,93, RRMSE ≤ 10,77 %), tanto para las variables a nivel de hoja como a nivel de dosel. Los resultados sugieren que los efectos direccionales y geométricos controlan las relaciones entre los factores de reflectividad (R) simulados y los parámetros foliares. Se observa una alta variabilidad estacional en la relación entre variables biofísicas e IVs, especialmente para LAI y Cab que se confirma en el análisis PLSR. Los modelos desarrollados deben ser aún validados con datos espectrales medidos con sensores próximos o remotos.

[EN] Mixed vegetation systems such as wood pastures and shrubby pastures are vital for extensive and sustainable livestock production as well as for the conservation of biodiversity and provision of ecosystem services, and are mostly located in areas that are expected to be more strongly affected by climate change. However, the structural characteristics, phenology, and the optical properties of the vegetation in these mixed -ecosystems such as savanna-like ecosystems in the Iberian Peninsula which combines herbaceous and/or shrubby understory with a low density tree cover, constitute a serious challenge for the remote sensing studies. This work combines physical and empirical methods to improve the estimation of essential vegetation variables: leaf area index (LAI, m2 / m2 ), leaf (Cab,leaf, μg / cm2 ) and canopy(Cab,canopy, g / m2 ) chlorophyll content, and leaf (Cm, leaf, g / cm2 ) and canopy (Cm,canopy, g / m2 ) dry matter content in a dehesa ecosystem. For this purpose, a spectral simulated database for the four main phenological stages of the highly dynamic herbaceous layer (summer senescence, autumn regrowth, greenness peak and beginning of senescence), was built by coupling PROSAIL and FLIGHT radiative transfer models. This database was used to calibrate different predictive models based on vegetation indices (VI) proposed in the literature which combine different spectral bands; as well as Partial Least Squares Regression (PLSR) using all bands in the simulated spectral range (400-2500 nm). PLSR models offered greater predictive power (R2 ≥ 0.93, RRMSE ≤ 10.77 %) both for the leaf and canopy- level variables. The results suggest that directional and geometric effects control the relationships between simulated reflectance factors and the foliar parameters. High seasonal variability is observed in the relationship between biophysical variables and IVs, especially for LAI and Cab, which is confirmed in the PLSR analysis. The models developed need to be validated with spectral data obtained either with proximal or remote sensors.