- -

Estimación de variables biofísicas del pastizal en un ecosistema de dehesa a partir de espectro-radiometría de campo e imágenes hiperespectrales aeroportadas

RiuNet: Repositorio Institucional de la Universidad Politécnica de Valencia

Compartir/Enviar a

Citas

Estadísticas

  • Estadisticas de Uso

Estimación de variables biofísicas del pastizal en un ecosistema de dehesa a partir de espectro-radiometría de campo e imágenes hiperespectrales aeroportadas

Mostrar el registro sencillo del ítem

Ficheros en el ítem

dc.contributor.author Melendo-Vega, J. R. es_ES
dc.contributor.author Martín, M. P. es_ES
dc.contributor.author Vilar del Hoyo, L. es_ES
dc.contributor.author Pacheco-Labrador, J. es_ES
dc.contributor.author Echavarría, P. es_ES
dc.contributor.author Martínez-Vega, J. es_ES
dc.coverage.spatial east=-5.746438799999964; north=39.9423071; name=10529 Majadas, Cáceres, Espanya
dc.date.accessioned 2017-06-26T09:05:19Z
dc.date.available 2017-06-26T09:05:19Z
dc.date.issued 2017-06-20
dc.identifier.issn 1133-0953
dc.identifier.uri http://hdl.handle.net/10251/83600
dc.description.abstract [EN] The aim of this paper is the estimation of biophysical vegetation parameters from its optical properties. The variables Fuel Moisture Content (FMC), Canopy Water Content (CWC), Leaf Area Index (LAI), dry matter (Cm) and AboveGround Biomass (AGB) were estimated in the laboratory from vegetation samples collected simultaneously with the acquisition of spectral data from the Compact Airborne Spectrographic Imager (CASI) sensor and the field spectroradiometer ASD FieldSpec® 3. Spectral vegetation indices found in the literature were computed from hyperspectral data. Their linear relationships with the biophysical variables measured in the field were analysed. Results show consistent relationships between analysed biophysical parameters and spectral indices, mainly those using SWIR and red-egde bands which reveal the importance of these spectral regions for the estimation of biophysical variables in herbaceous covers. Determination coefficients (R2) above 0.91 and RRMSE of 21.4% have been obtained for the spectral indexes calculated whit ASD data, and 0.91 R2 and RRMSE of 15.5% for the spectral indexes calculated whit CASI data. es_ES
dc.description.abstract [ES] Este trabajo aborda la estimación de variables biofísicas de un pastizal de dehesa a partir de información óptica generada por sensores próximos y remotos. Las variables de contenido de humedad del combustible (FMC), contenido de agua del dosel (CWC), índice de área foliar (LAI), materia seca (Cm) y biomasa superficial (AGB) fueron estimadas en laboratorio a partir de muestras de vegetación tomadas simultáneamente a la adquisición de datos hiperespectrales del sensor Compact Airbone Spectrographic Imager (CASI) y del espectro-radiómetro de campo ASD FieldSpec®3. A partir de la información espectral se han calculado diversos índices extraídos de la literatura y se han analizado las relaciones lineales existentes con las variables biofísicas medidas en campo. Los resultados muestran relaciones consistentes entre las variables biofísicas y los índices espectrales, especialmente en el caso de los índices basados en bandas del infrarrojo medio de onda corta (SWIR) y del red-edge, poniendo de manifiesto la importancia de estas regiones en la estimación de variables biofísicas en cubiertas de pastizal. Se han obteniendo coeficientes de determinación (R2) superiores a 0,91 y un error cuadrático medio relativo (RRMSE) de 21,4%, para los índices espectra-les calculados con datos ASD; yR2 de 0,91 y RRMSE de 15,5% para los índices espectrales calculados con datos CASI. es_ES
dc.description.sponsorship Este trabajo se ha realizado en el contexto de los proyectos BIOSPEC (CGL2008-02301/CLI) financiado por el Ministerio e Innovación y FLUχPEC (CGL2012-34383) financiado por el Ministerio de Economía y Competitividad. Agradecemos al Ministerio de Educación, Cultura y Deporte la financiación recibida a través del programa de becas FPU del investigador predoctoral José Ramón Melendo. Nuestro agradecimiento al personal de SpecLab-CSIC, Universidad de Alcalá e Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria que ha participado en la recogida y procesamiento de datos.
dc.language Español es_ES
dc.publisher Universitat Politècnica de València
dc.relation.ispartof Revista de Teledetección
dc.rights Reconocimiento - No comercial - Sin obra derivada (by-nc-nd) es_ES
dc.subject Espectro-radiometría de campo es_ES
dc.subject Imágenes hiperespectrales aeroportadas es_ES
dc.subject Variables biofísicas es_ES
dc.subject Pastizal es_ES
dc.subject CASI es_ES
dc.subject Índices espectrales es_ES
dc.subject Field spectroscopy es_ES
dc.subject Airbones hyperspectal imagery es_ES
dc.subject Biophysical parameters es_ES
dc.subject Spectral indices es_ES
dc.title Estimación de variables biofísicas del pastizal en un ecosistema de dehesa a partir de espectro-radiometría de campo e imágenes hiperespectrales aeroportadas es_ES
dc.title.alternative Estimation of grassland biophysical parameters in a “dehesa” ecosystem from field spectroscopy and airborne hyperspectral imagery es_ES
dc.type Artículo es_ES
dc.date.updated 2017-06-26T08:48:54Z
dc.identifier.doi 10.4995/raet.2017.7481
dc.relation.projectID info:eu-repo/grantAgreement/MICINN//CGL2008-02301/ES/OBTENCION DE INFORMACION ESPECTRAL A DIVERSAS ESCALAS PARA LA ESTIMACION DE PARAMETROS BIOFISICOS DE LA VEGETACION MEDITERRANEA EN EL CONTEXTO DEL CAMBIO GLOBAL/ es_ES
dc.relation.projectID info:eu-repo/grantAgreement/MINECO//CGL2012-34383/ES/SEGUIMIENTO DE FLUJOS DE AGUA Y CARBONO MEDIANTE TELEDETECCION EN ECOSISTEMAS MEDITERRANEOS DE DEHESA/ es_ES
dc.rights.accessRights Abierto es_ES
dc.description.bibliographicCitation Melendo-Vega, JR.; Martín, MP.; Vilar Del Hoyo, L.; Pacheco-Labrador, J.; Echavarría, P.; Martínez-Vega, J. (2017). Estimación de variables biofísicas del pastizal en un ecosistema de dehesa a partir de espectro-radiometría de campo e imágenes hiperespectrales aeroportadas. Revista de Teledetección. (48):13-28. https://doi.org/10.4995/raet.2017.7481 es_ES
dc.description.accrualMethod SWORD es_ES
dc.relation.publisherversion https://doi.org/10.4995/raet.2017.7481 es_ES
dc.description.upvformatpinicio 13 es_ES
dc.description.upvformatpfin 28 es_ES
dc.type.version info:eu-repo/semantics/publishedVersion es_ES
dc.description.issue 48
dc.identifier.eissn 1988-8740
dc.contributor.funder Ministerio de Ciencia e Innovación
dc.contributor.funder Ministerio de Economía y Competitividad
dc.description.references Haboudane, D. (2004). Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture. Remote Sensing of Environment, 90(3), 337-352. doi:10.1016/j.rse.2003.12.013 es_ES
dc.description.references Hardisky, M.A., Klemas, V., Smart, R.M. 1983. The influence of soil salinity, growth form, and leaf moisture on the spectral radiance of Spartina alterniflora canopies. Photogrametry Engineering and Remote Sensing, 49, 77-83 es_ES
dc.description.references Hernández-Clemente, R., Navarro-Cerrillo, R. M., Suárez, L., Morales, F., & Zarco-Tejada, P. J. (2011). Assessing structural effects on PRI for stress detection in conifer forests. Remote Sensing of Environment, 115(9), 2360-2375. doi:10.1016/j.rse.2011.04.036 es_ES
dc.description.references Herrmann, I., Pimstein, A., Karnieli, A., Cohen, Y., Alchanatis, V., & Bonfil, D. J. (2011). LAI assessment of wheat and potato crops by VENμS and Sentinel-2 bands. Remote Sensing of Environment, 115(8), 2141-2151. doi:10.1016/j.rse.2011.04.018 es_ES
dc.description.references Hilker, T., Coops, N. C., Hall, F. G., Black, T. A., Wulder, M. A., Nesic, Z., & Krishnan, P. (2008). Separating physiologically and directionally induced changes in PRI using BRDF models. Remote Sensing of Environment, 112(6), 2777-2788. doi:10.1016/j.rse.2008.01.011 es_ES
dc.description.references Hill, M.J., Hanan, N.P., Hoffmann, W., Scholes, R., Prince, S., Ferwerda, J., Lucas, R.M., Baker, I., Arneth, A., Higgings, S.I., Barret, D.J., Disney, M., Hutley, L. 2011. Remote sensing and modeling of savannas: The state of the dis-union. 34th International Symposium on Remote Sensing of Environment. Sydney, 1-6. es_ES
dc.description.references HongRui, R., GuangSheng, Z., Feng, Z., XinShi, Z. 2011. Evaluating cellulose absorption index (CAI) for non-photosynthetic biomass estimation in the desert steppe of Inner Mongolia. Chinese Science Bulletin, 57, 1716-1722. es_ES
dc.description.references Huete, A. . (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3), 295-309. doi:10.1016/0034-4257(88)90106-x es_ES
dc.description.references Kuusk, A. (1995). A fast, invertible canopy reflectance model. Remote Sensing of Environment, 51(3), 342-350. doi:10.1016/0034-4257(94)00059-v es_ES
dc.description.references Lee, K.-S., Cohen, W. B., Kennedy, R. E., Maiersperger, T. K., & Gower, S. T. (2004). Hyperspectral versus multispectral data for estimating leaf area index in four different biomes. Remote Sensing of Environment, 91(3-4), 508-520. doi:10.1016/j.rse.2004.04.010 es_ES
dc.description.references Li, W., Niu, Z., Liang, X., Li, Z., Huang, N., Gao, S., … Muhammad, S. (2015). Geostatistical modeling using LiDAR-derived prior knowledge with SPOT-6 data to estimate temperate forest canopy cover and above-ground biomass via stratified random sampling. International Journal of Applied Earth Observation and Geoinformation, 41, 88-98. doi:10.1016/j.jag.2015.04.020 es_ES
dc.description.references Liu, J., Miller, J.R., Haboudane, D., Pattey, E. 2004. Exploring the relationship between red edge parameters and crop variables for precision agriculture. 2004 IEEE International Geoscience and Remote Sensing Symposium, IEEE, Anchorage, 1276-1279. es_ES
dc.description.references Mahalanobis, P.C. 1936. On the generalised distance in statistics. Proceedings National Institute of Science, India, 49-55 es_ES
dc.description.references Nagler, P. L., Inoue, Y., Glenn, E. ., Russ, A. ., & Daughtry, C. S. . (2003). Cellulose absorption index (CAI) to quantify mixed soil–plant litter scenes. Remote Sensing of Environment, 87(2-3), 310-325. doi:10.1016/j.rse.2003.06.001 es_ES
dc.description.references Pacheco-Labrador, J., González-Cascón, R., Martín, M. P., & Riaño, D. (2014). Understanding the optical responses of leaf nitrogen in Mediterranean Holm oak (Quercus ilex) using field spectroscopy. International Journal of Applied Earth Observation and Geoinformation, 26, 105-118. doi:10.1016/j.jag.2013.05.013 es_ES
dc.description.references Perez-Priego, O., Guan, J., Rossini, M., Fava, F., Wutzler, T., Moreno, G., … Migliavacca, M. (2015). Sun-induced chlorophyll fluorescence and photochemical reflectance index improve remote-sensing gross primary production estimates under varying nutrient availability in a typical Mediterranean savanna ecosystem. Biogeosciences, 12(21), 6351-6367. doi:10.5194/bg-12-6351-2015 es_ES
dc.description.references Pinty, B., & Verstraete, M. M. (1992). GEMI: a non-linear index to monitor global vegetation from satellites. Vegetatio, 101(1), 15-20. doi:10.1007/bf00031911 es_ES
dc.description.references Privette, J. ., Myneni, R. ., Knyazikhin, Y., Mukelabai, M., Roberts, G., Tian, Y., … Leblanc, S. . (2002). Early spatial and temporal validation of MODIS LAI product in the Southern Africa Kalahari. Remote Sensing of Environment, 83(1-2), 232-243. doi:10.1016/s0034-4257(02)00075-5 es_ES
dc.description.references Qi, J., Chehbouni, A., Huete, A. R., Kerr, Y. H., & Sorooshian, S. (1994). A modified soil adjusted vegetation index. Remote Sensing of Environment, 48(2), 119-126. doi:10.1016/0034-4257(94)90134-1 es_ES
dc.description.references Riano, D., Vaughan, P., Chuvieco, E., Zarco-Tejada, P. J., & Ustin, S. L. (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. doi:10.1109/tgrs.2005.843316 es_ES
dc.description.references Richter, K., Atzberger, C., Hank, T. B., & Mauser, W. (2012). Derivation of biophysical variables from Earth observation data: validation and statistical measures. Journal of Applied Remote Sensing, 6(1), 063557-1. doi:10.1117/1.jrs.6.063557 es_ES
dc.description.references Rouse, J.W., Hass, R.H., Schell, J.A., Deering, D.W. 1974. Monitoring Vegetation Systems in the Great Plains whit ERTS. Proceeding, 3rd Earth Resource Technology Satellite (ERTS) Symposium, NASA, Washington DC, 1, 48-62 es_ES
dc.description.references SCHMIDTLEIN, S. (2004). Mapping of continuous floristic gradients in grasslands using hyperspectral imagery. Remote Sensing of Environment, 92(1), 126-138. doi:10.1016/j.rse.2004.05.004 es_ES
dc.description.references Serrano, L., Peñuelas, J., & Ustin, S. L. (2002). Remote sensing of nitrogen and lignin in Mediterranean vegetation from AVIRIS data. Remote Sensing of Environment, 81(2-3), 355-364. doi:10.1016/s0034-4257(02)00011-1 es_ES
dc.description.references SHAPIRO, S. S., & WILK, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3-4), 591-611. doi:10.1093/biomet/52.3-4.591 es_ES
dc.description.references Smith, G. M., & Milton, E. J. (1999). The use of the empirical line method to calibrate remotely sensed data to reflectance. International Journal of Remote Sensing, 20(13), 2653-2662. doi:10.1080/014311699211994 es_ES
dc.description.references Wieneke, S., Ahrends, H., Damm, A., Pinto, F., Stadler, A., Rossini, M., & Rascher, U. (2016). Airborne based spectroscopy of red and far-red sun-induced chlorophyll fluorescence: Implications for improved estimates of gross primary productivity. Remote Sensing of Environment, 184, 654-667. doi:10.1016/j.rse.2016.07.025 es_ES
dc.description.references Wilcoxon, F. (1945). Individual Comparisons by Ranking Methods. Biometrics Bulletin, 1(6), 80. doi:10.2307/3001968 es_ES
dc.description.references Yi, Q., Wang, F., Bao, A., & Jiapaer, G. (2014). Leaf and canopy water content estimation in cotton using hyperspectral indices and radiative transfer models. International Journal of Applied Earth Observation and Geoinformation, 33, 67-75. doi:10.1016/j.jag.2014.04.019 es_ES
dc.description.references Zarco-Tejada, P., Miller, J.R., Mohammed, G.H., Noland, T.L., & Sampson, P.H. 1999. Índices ópticos obtenidos mediante datos hiperespectrales del sensor CASI como indicadores de estrés en zonas forestales. VIII Congreso Nacional de Teledetección. Albacete, 1-5 es_ES
dc.description.references Zarco-Tejada, P. ., Rueda, C. ., & Ustin, S. . (2003). Water content estimation in vegetation with MODIS reflectance data and model inversion methods. Remote Sensing of Environment, 85(1), 109-124. doi:10.1016/s0034-4257(02)00197-9 es_ES


Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem