Determinación de variables biofísicas mediante teledetección en el marco de la agricultura de precisión Raúl Zurita Milla ([email protected]) Escuela Técnica Superior de Ingenieros Agrónomos y de Montes Universidad de Córdoba Tutores : S. Moulin, J.G.P.W. Clevers, A. García-Ferrer Para mi familia con: r = 2a cos(1 + cos(q )) Resumen Durante la campaña 1999/2000 el Instituto Nacional Francés de Agronomía (INRA) inició un proyecto de Agricultura de Precisión destinado a evaluar nuevas estrategias para la fertilización del trigo basadas en una caracterización de la variabilidad intraparcelaria en términos de suelo y de cultivo. Así pues, el objetivo específico de este trabajo fue estudiar la viabilidad de dicha determinación a través de técnicas de teledetección. Para ello, se dispuso de imágenes tomadas con dos sensores ópticos de características bien diferentes: Xybion, una cámara aeroportada con 6 bandas y SPOT HRV-IR, un sensor satelital de 3-4 bandas anchas. Las características de la cámara Xybion, usada por primera vez en este estudio, permitieron la determinación de la heterogeneidad intraparcelaria en términos de índice de área foliar (LAI), contenido clorofílico de la hoja (Cab), y de la cubierta (LAI*Cab). Dicha determinación se llevó a cabo mediante índices de vegetación (IV) y trabajando directamente con los conteos numéricos proporcionados por la cámara, debido a algunos problemas de 1 calibración. Numerosos IV fueron evaluados en este trabajo (clásicos, resistentes a los efectos del suelo y de la atmósfera, etc), además de las 6 bandas de la cámara y de un nuevo índice 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 determinación del contenido clorofílico de las hojas no fue tan fructuosa. El índice ANDVI fue el mejor de todos los resistentes a los efectos atmosféricos. La utilidad de las imágenes satelitales SPOT HRV-IR para la determinación de la variabilidad intraparcelaria en términos de LAI fue estudiada mediante la inversión del modelo PROSPECT+SAIL. Diferentes funciones de coste fueron evaluadas a través de técnicas de minimización iterativas, en las que el uso de información ‘a priori’ fue utilizado para reducir la ambigüedad en la determinación de dicha variable. Este método proporciono valores de RMSE similares a los anteriores (i.e. 0.4). Sin embargo, estos valores eran altamente dependiente de las características de la función de coste, el valor inicial del algoritmo para comenzar la minimización, y de la precisión de la información ‘a priori’. En resumen, ambos métodos son adecuados para la determinación de la variabilidad intraparcelaria, e ilustran la gran importancia de su conocimiento para la propuesta, o mejora, de nuevas técnicas de cultivo. Palabras clave: agricultura de precisión, trigo, teledetección, heterogeneidad intraparcelaria, LAI, Cab, índices de vegetación, inversión de modelos. 1 1.1 Introducción Teledetección y agricultura de precisión La agricultura de precisión nació a finales de los años 80 y principios de los 90 en los EE.UU. Su objetivo es ajustar el uso de input agrícolas y métodos de cultivo para adaptarlos a la heterogeneidad presente en el suelo o cultivo (Srinivasan, 1999). En otras palabras, la agricultura de precisión promete revolucionar las técnicas convencionales de cultivo para conseguir una mayor rentabilidad, productividad, sostenibilidad, calidad del producto, protección medioambiental, seguridad alimentaría, y finalmente, un mayor desarrollo rural (Robert, 1999; Pirnstrup-Andersen et al., 1999). Para conseguir todos estos objetivos, la agricultura de precisión necesita hacer uso de las llamadas tecnologías de la información y 2 comunicación: sistemas de posicionamiento global (GPS), sistemas de información geográfica (SIG), Teledetección, tecnologías de aplicación de inputs con dosis variable (VRT), etc. En efecto, la teledetección se ha convertido en uno de los pilares más sólidos sobre los que se sustenta la agricultura de precisión (véase por ejemplo Guérif, et al, 2001). Así, desde el lanzamiento del primer satélite comercial para la observación de la tierra en 1972, LANDSAT-1, esta ciencia-arte se ha mostrado como una herramienta excelente para monitorizar todos los procesos biofísicos que tienen lugar en nuestro planeta, tanto a una escala global como local. Desde este primer lanzamiento, muchos satélites han sido puestos en órbita y las resoluciones radiométrica, espacial y temporal están en constante evolución y mejora. Así, en la actualidad son muchos los ejemplos de que demuestran la gran utilidad de la teledetección para proveer a los científicos de información periódica, y a un coste razonable, sobre el estado del planeta. No obstante, la determinación de la información necesitada por la agricultura de precisión desde imágenes aéreas y/o satelitales no siempre resulta trivial debido a la enorme complejidad del sistema suelo-planta-atmósfera. Por tanto, la compresión de dicho sistema y de los métodos usados en teledetección resulta vital para poder afrontar el desarrollo de nuevas técnicas (véase Capítulo 2) 1.2 El proyecto Chambry Durante la campaña agrícola 1999/2000 el Instituto Nacional Francés de Agronomía (INRA) inició un proyecto de Agricultura de Precisión en el que colaboran cuatro equipos de investigación: Edafología (Orleáns), Clima, suelo y medioambiente (Avignon), Agronomía (Laón) y Biometría (Avignon). El objetivo común es evaluar el grado de heterogeneidad en términos de suelo y cultivo presente en un campo de cultivo, para posteriormente proponer nuevas estrategias de fertilización 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 Laón, región de Picardía, Francia (1.43º E, 55.07º N). La zona de estudio se compone de dos parcelas (llamadas P1 y P2 de ahora en adelante) de aproximadamente 10 hectáreas, y separadas entre si unos cientos de metros. Ambas parcelas son bastante planas (sólo 3 y 7 metros de desnivel, respectivamente), pero presentan una considerable heterogeneidad edafológica: cuatro tipos principales de suelos han sido identificados (calcisol, calcosol, luvisol y coluvisol) a través de los trabajos de campo realizados durante estos años (Houles et al., 2002). 3 A lo largo de las diferentes campañas agrícolas sucedidas desde 1999, ambas parcelas han sido monitorizadas con diferentes sensores. Así, 2 cámaras aeroportadas (Xybion y Casi) han sido usadas, junto a la adquisición de imágenes satelitales (SPOT/HRV-IR). Estas imágenes poseen diferentes niveles de calidad debido a las diferentes condiciones de adquisición y, sobre todo, a las diferencias existentes entre los sensores utilizados, cuya única característica común es que todos operan en el dominio óptico. Finalmente, y para poder realizar una validación de los valores predichos mediante teledetección, 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 caracterización de la heterogeneidad intraparcelaria a través de técnicas de teledetección. Dicha heterogeneidad fue evaluada en términos de índice de área foliar (LAI) y contenido en clorofila de la hoja (Cab), y de la cubierta (LAI*Cab), puesto que estas variables biofísicas caracterizan el estado de toda la cubierta vegetal. Dos tipos de imágenes, de características bien diferentes, fueron estudiadas: Xybion, una cámara aeroportada con 6 bandas en el dominio óptico y un píxel de 1 m. (altura de vuelo 1500m) y SPOT HRV-IR, un sensor satelital con 3 o 4 bandas anchas, operativas también en el dominio óptico pero con tamaño de píxel de 20m. Asimismo, este trabajo evalúa dos métodos diferentes de estimación de estas variables: el uso de los índices de vegetación y la inversión de modelos. 4 2 Métodos de Estimación en Teledetección Los dos principales métodos para la estimación de variables biofísicas mediante teledetección son expuestos en esta sección. 2.1 Índices de vegetación El uso de los índices de vegetación fue la primera herramienta eficaz para la determinación de las propiedades de las cubiertas vegetales, puesto que éstos son capaces de aumentar la señal de la vegetación mientras que minimizan los efectos colaterales (e indeseables en la mayoría de los casos) derivados de las condiciones de iluminación y del suelo. Los índices de vegetación son combinaciones de dos o más bandas que pueden ser calculadas a partir de las salidas del sensor: voltaje, reflectancia o conteos numéricos. Todos son correctos pero cada uno producirá diferentes valores del índice de vegetación para las mismas condiciones de observación (Jackson y Huete, 1991). Esta facilidad de cálculo ha hecho que los índices de vegetación sean ampliamente usados en la actualidad como una herramienta no destructiva para la estimación de variables biofísicas (Baret y Guyot, 1991; Elvidge y Chen, 1995; Broge y Mortensen, 2002). Un buen índice debe ser sensible a la variación de la variable estudiada, pero ser resistente (o verse mínimamente afectado) a otros factores como la atmósfera, el suelo, la arquitectura de la cubierta vegetal y la topografía (Datt, 1998). De acuerdo a los efectos que un índice es capaz de afrontar éste se clasifica en: intrínseco, resistente al suelo o resistente a la atmósfera. Sin embargo, el uso de estos índices 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). Además, su uso no permite estimar más de una variable al mismo tiempo, la cual ha de ser específicamente calibrada mediante una ecuación empírica cuyos forma matemática y coeficientes son particulares para cada estimación (Qi et al., 2000). En resumen, los índices de vegetación son relaciones empíricas validas para cada imagen (pues están asociados a sus condiciones de adquisición) y, por tanto, su uso operativo para estimar variables biofísicas no resulta evidente. 5 2.2 Inversión de modelos Este método surge como una alternativa al uso de modelos empíricos para la estimación de variables biofísicas. La inversión de modelos consiste en ajustar los valores de las variables biofísicas usadas como inputs de los modelos de transferencia radiativa, de tal manera que la reflectancia simulada con ellos se aproxime lo más posible a la medida por el sensor. Estos modelos de transferencia radiativa simulan, por tanto, la llamada función de reflectancia bidireccional (conocida como BDRF, por sus siglas en inglés), la cual permite el cálculo de la reflectancia de una superficie en función de los ángulos de observación e iluminación, así como de una descripción de las características biofísicas y radiativas de la misma. La determinación de la reflectancia a través de la BDRF se conoce como “problema directo”, y ha sido tradicionalmente aplicado para validar los modelos de transferencia radiativa. Sin embargo, en los años 80 Goel y sus colegas (Goel y Strebel, 1983; Goel y Thompson, 1984) propusieron el concepto de “problema inverso” o “inversión de modelos” para la determinación de variables biofísicas a partir de medidas de reflectancia. Desde estos primeros trabajos, la inversión de modelos se ha convertido en un método muy prometedor, puesto que es teoréticamente más objetiva, más generalizable, y más precisa que las técnicas empíricas (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 inversión física de modelos es el hecho de poder usar todas las información radiométrica aportada por el sensor; contrariamente a los índices de vegetación que fundamentalmente usan dos bandas (rojo e infrarrojo cercano). La información contenida en las diferentes bandas de un sensor nunca esta completamente correlada y, por tanto, su uso siempre aporta información adicional (Kuusk, 1998). No obstante, la regla de cuantas más bandas mejor, no es siempre válida ya que algunos estudios demuestran que existe un número óptimo de bandas (dependiente del tipo y numero de variables estimadas y del sensor y método de inversión empleado; Weiss, 2000) para cada estimación. Finalmente, pero no menos importante, esta método permite trabajar con la información direccional proporcionada por la mayoría de los nuevos sensores como POLDER/ADEOS, MISR/TERRA, VEGETATION/SPOT4 (Bacour, 2001). 6 3 Estimación de LAI y Cab a partir de imágenes Xybion Este capitulo describe todos los pasos realizados para la estimación del LAI y del Cab a partir de imágenes tomadas con la cámara multiespectral Xybion. Esta cámara fue usada por primera vez durante la campaña 2002/2003, pensando que sus características tanto radiométricas como geométricas podrían conducir a una buena estimación de estas variables biofísicas. Este estudio es, por tanto, un test sobre las futuras aplicaciones de esta cámara para la agricultura de precisión. 3.1 Materiales y métodos El experimento se llevo a cabo sobre la parcela P1 Chambry, que durante esta campaña estaba sembrada de trigo. Cinco vuelos fueron efectuados a lo largo del ciclo del cultivo con la cámara multiespectral Xybion (6 bandas en el dominio óptico, 0.41 – 0.90 µm, y un tamaño de píxel 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 fertilización 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 metodología empleada en este capítulo Figura 3-1. Esquema general del análisis de las imágenes Xybion 7 Debido a los numerosos problemas encontrados durante la calibración de las imágenes, finalmente se decidió trabajar con los conteos numéricos de la cámara (conocidos como DN, por sus siglas en inglés). Por tanto, la única alternativa viable para realizar las estimaciones era el uso de los índices de vegetación. Un total de 18 índices (Tabla 3-1) fueron evaluados en este trabajo: índices clásicos (NDVI, RVI, etc), resistentes a los efectos del suelo (WDVI y la familia de los SAVI), resistentes a los efectos atmosféricos (ARVI, GEMI, ANDVI), así como algunos índices específicos para la estimación del contenido foliar en clorofila (NDVIverde, SPRI, NPCI, etc). Tabla 3-1. Índices de vegetación Nombre Fórmula (en inglés) Ratio vegetation RVI = RNIR RVI RR index Normalised R - RR RVI - 1 = NDVI = NIR NDVI difference RNIR + RR RVI + 1 vegetation index Weighted WDVI difference WDVI =RNIR -a×RR vegetation index Soil-adjusted SAVI = RNIR - RR (1+ L) SAVI RNIR - RR + L vegetation index Second SoilRNIR SAVI 2 = SAVI2 adjusted RR + b / a vegetation index Modified Second 2 MSAVI2= 1 é2(RNIR +1)- 2(RNIR +1) -8(RNIR -RR )ù MSAVI2 Soil-adjusted úû 2 êë vegetation index Adjusted a×(RNIR -a×RR -b) transformed soilATSAVI = ATSAVI1 a×RNIR + RR -ab+ X ×(1+a2 ) adjusted vegetation index Environmental 2.5(RNIR - RR) EVI = EVI 1+ RNIR +6RR -7.5RB vegetation index Green normalised NDVIgreen= RNIR - R550 NDVIverde difference RNIR + R550 vegetation index Acrónimo R750/R550 R750/R550 R750 R550 R850/R550 R850/R550 R850 R550 Referencia (Pearson y Miller, 1972) (Rouse et al., 1974) (Clevers, 1988) (Huete, 1988) (Major et al., 1990) (Qi et al., 1994) (Baret y Guyot, 1991) (Boegh et al., 2002) (Gitelson et al., 1996) (Gitelson y Merzlyak, 1997) (Schepers, 1996) 8 TVI Triangular vegetation index TVI =60(RNIR - RG )-100(RR - RG ) Red/green Red/green R650 R550 Simple Ratio pigment index Normalised pigment chlorophyll index Atmospherically resistant index SRPI = R430 R680 (Broge y Leblanc, 2001) (Gamon y Surfus, 1999) (Peñuelas et al., 1995) NPCI = R430 - R680 R430 + R680 (Fidella et al., 1995) ARVI = ( R NIR - RRB ) /( R NIR + RRB ) global environment monitoring index GEMI =n(1-0.25n)-(RR -0.125)/(1-RR) 2 - R 2 )+1.5RNIR +0.5RR ]/(RNIR + RR +0.5) n=[2(RNIR R (Kaufman y Tanré, 1992) (Pinty y Verstraete, 1992) SPRI NPCI ARVI GEMI RRB = RR -g (RB - RR ) Amplified (RNIR + RB)-(RG + RR) normalised ANDVI = ANDVI (RNIR + RB)+(RG + RR) difference vegetation index R: reflectancia; a y b son los coeficientes de la línea del suelo 1 (Este trabajo) X es un factor de ajuste para minimizar los efectos del suelo (X=0.08) El índice ANDVI fue propuesto por primera vez en este estudio como uno de los resistentes a efectos atmosféricos 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 índice es similar al ARVI cuando se asume g = 1 y se substituye el factor RB: ARVI = (R (R NIR NIR ) ) + RB - ( RR + R R ) - RB + ( RR + R R ) Nótese que la única diferencia entre estos 2 índices es que hemos cambiado una de las bandas rojas por una verde al objeto de incrementar su sensibilidad a las propiedades de la vegetación (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 ahí su nombre: ANDVI. Gracias a los datos recogidos en campo fue posible desarrollar relaciones empíricas para cada una de las variables a estimar (LAI, Cab y LAI*Cab) y cada uno de los índices 9 estudiados. Estas relaciones (para las cuales sólo el 70% de la información de campo fue utilizada) fueron ajustadas a 8 tipos de funciones (logarítmica, potencial, exponencial, 1logarítmica, 1-potencial, 1-exponencial, logarítmica II y lineal) de entre las cuales se escogió la de mejor coeficiente de regresión R2. Posteriormente, y mediante el uso del 30% restante de la información recogida en campo, se calculo el error medio cuadrático de la estimación, conocido como RMSE (Root Mean Square Error). 3.2 Resultados El análisis de las imágenes Xybion demostró que la variabilidad intraparcelaria debida a diferencias en los niveles de fertilización era muy débil. Por tanto, las estimaciones se realizaron para el conjunto de todas las imágenes 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 determinación del contenido foliar en clorofila no resulto muy exitosa por si mima (figura 3-2). El índice ANDVI fue el mejor de todos los resistentes a los efectos atmosféricos. 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 índices de cada variable. Nótese 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 µg/cm2 para el contenido foliar en Clorofila. 10 3.3 Conclusión La estimación del LAI, Cab y del LAI*Cab fue realizada a través de índices de vegetación como consecuencia de numerosos problemas durante el proceso de calibración de las imágenes que impidieron una determinación efectiva de los valores de reflectancia. El ratio NIR/Red resultó ser el mejor índice en términos de R2, mientras que los índices de la familia SAVI proporcionaron buenos valores de RMSE. La pobre determinación del contenido foliar en clorofila podría deberse a que las características espectrales de Xybion, o su ancho de banda, no permiten mejores resultados, aunque se recomienda una mayor experimentación con esta cámara antes de descartar la estimación de esta variable. Todos estos resultados corresponden a relaciones empíricas desarrolladas para el conjunto de las cinco imágenes Xybion, puesto que la variabilidad intraparcelaria no permitió la elaboración de relaciones empíricas específicas para cada fecha. 11 4 Estimación de LAI a partir de imágenes SPOT En el año 2001 la campaña Chambry consistió en explorar las posibilidades de la estimación de la heterogeneidad intraparcelaria a través de imágenes SPOT satelitales. Estas estimaciones fueron realizadas mediante la inversión de un modelo de transferencia radiativa. 4.1 Materiales y métodos Cuatro escenas SPOT repartidas desde enero hasta julio fueron usadas para estimar la heterogeneidad del índice de área foliar (LAI). Además de estas imágenes, 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 análisis de las imágenes SPOT Tal y como describimos en la sección 2.2, la inversión de modelos se basa en minimizar las diferencias entre la reflectancia simulada y la medida. Sin embargo, este procedimiento resulta en algunas ambigüedades, puesto que diferentes combinaciones de los parámetros de entrada del modelo pueden producir la misma salida. Así pues, algunos autores proponen el uso de la llamada información ‘a priori’, o información sobre el posible valor de las variables a estimar dentro de la función a minimizar o función de coste como método para minimizar estas ambigüedades. 12 Numerosas funciones de coste fueron empleadas en este trabajo (Tabla 4-1), partiendo de aquellas que sólo contienen información radiométrica, para llegar hasta funciones de coste más sofisticadas en las que además de la información ‘a priori’ se tuvo en cuenta el valor inicial del algoritmo para la búsqueda del mínimo de la función.. En este caso, se empleo un algoritmo de minimización de tipo Quasi-Newton. Tabla 4-1. Funciones de Coste Funciones de Coste Observaciones æ R mod el - R obs ö f 0 = å çç i mod el i ÷÷ ei è ø æ R mod el - R obs f 1 = å çç i mod el i ei è f 1B Sólo con información radiométrica e imod el proporcional a R iobs (Kuusk, 1995) 2 2 æ V j - V jprior ö ÷÷ + å ç var iable ç e ø è j æ R mod el - R obs = å çç i mod el i ei è ö ÷ ÷ ø 2 ( )ö÷ ( )ö÷ 2 æ a j × V j - V jprior ö ÷÷ + å ç iable ç e var j ø è 2 æ R mod el - R obs f 2 = å çç i mod el i ei è æ a j × V j - V jprior ö ÷÷ + å ç iable ç e var j ø è æ R mod el - R obs f 3 = å çç i mod el i ei è æ a × V j - V jprior ö ÷÷ + å ç j var ç e j iable ø è æR -R f 4 = å çç e è mod el obs i i mod el i Información radiométrica y ‘a priori’ iable e var proporcional a V jmax - V jmin j ( 2 2 æV -Vj ö ÷÷ + å ç j var iable ç e ø è j 1 æ R mod el - Riobs f 5 = å çç i m è Riobs prior 2 ö ÷ ÷ ø ÷ ø ÷ ø )ö÷ ÷ ø Información radiométrica y ‘a priori’ Inclusión del factor de ponderación a IBS = IBSo (Combal et al., 2002a) IBS = IBS por pixel max VIBS = IBS max + s IBS min VIBS = IBS - s IBS 2 IBS = IBS por pixel max VIBS = IBS max min VIBS = IBS min V jprior ¹ V j1g 2 prior ö 1 æV -Vj ÷÷ + å ç j var iable n çè e j ø 2 2 e ivar iable proporcional a 2kV jprior ö ÷ ÷ ø 2 Ambos términos son ponderados por el numero de bandas (m) y por el de parámetros estimados (n) respectivamente. 13 Donde: R es la reflectancia en la banda-i; V el valor estimado para la variable-j; a el factor de ponderación, fijado en 1.5 para el e LAI y en 0.75 para el Cab; e es el error; Dadas las características radiométricas de las imágenes SPOT (3 o 4 bandas) sólo fue posible estimar 2 variables: el LAI y el índice de brillo del suelo (IBS), dado que el número 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 iluminación 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 función de coste, éstas fueron evaluadas a través 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 inversión 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 comparación 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 método para la estimación de variables biofísicas a una escala intraparcelaria. La mejor función de coste, en términos de RMSE sobre el LAI, fue la función propuesta en este trabajo y que consistía en separar las limitaciones matemáticas (propias de la minimización) de las limitaciones biológicas (fijadas a través del uso de la información ‘ a priori’). Esta función consiguió un RMSE de 0.39, claramente mejor que 1.72, valor obtenido mediante las funciones de coste clásicas (i.e. aquellas que sólo utilizan información radiométrica). 14 LAI p2w−010115−SPOT (IBS0 per pixel) LAI p2w−010512−SPOT (IBS0 per pixel) 0.34 3.6 0.335 5 5 3.4 0.33 10 0.325 10 3.2 0.32 15 3 15 0.315 0.31 20 2.8 20 2.6 0.305 25 25 2.4 0.3 2.2 0.295 5 LAI 10 15 20 5 p2w−010619−SPOT (IBS0 per pixel) LAI 10 15 20 p2w−010703−SPOT (IBS0 per pixel) 1.15 3.4 5 5 1.1 3.2 10 3 2.8 15 10 1.05 15 1 2.6 20 20 0.95 2.4 25 2.2 5 10 15 25 20 0.9 5 10 15 20 Figure 4-2. Mapas de LAI para todas las fechas SPOT. 15 IBS p2w−010115−SPOT (IBS0 per pixel) IBS p2w−010512−SPOT (IBS0 per pixel) 0.45 0.45 5 5 0.4 0.4 10 10 0.35 0.3 15 0.35 15 0.3 0.25 20 20 0.2 25 0.25 25 0.15 0.2 5 IBS 10 15 20 5 p2w−010619−SPOT (IBS0 per pixel) IBS 10 15 20 p2w−010703−SPOT (IBS0 per pixel) 0.5 0.4 5 5 0.45 0.35 10 10 0.4 0.3 15 15 0.35 0.25 20 20 0.3 0.2 25 25 0.15 5 10 15 20 0.25 5 10 15 20 Figure 4-3. Mapas de IBS para todas las fechas SPOT. 16 rfrmse p2w−010115−SPOT (IBS0 per pixel) rfrmse p2w−010512−SPOT (IBS0 per pixel) 0.028 0.065 0.026 5 5 0.024 0.06 10 0.022 10 0.02 15 0.018 15 0.055 20 0.05 0.016 20 0.014 0.012 25 25 0.045 0.01 5 10 15 20 5 rfrmse p2w−010619−SPOT (IBS0 per pixel) 10 15 20 rfrmse p2w−010703−SPOT (IBS0 per pixel) 0.055 0.05 5 0.05 5 10 0.045 10 0.045 0.04 0.035 15 0.04 15 20 0.035 20 0.03 0.025 0.02 0.03 25 25 0.015 0.01 0.025 5 10 15 20 5 10 15 20 Figure 4-4. Mapas de RMSE (reflectancia) para todas las fechas SPOT. 17 4.3 Conclusión La inversión de modelos ha sido aplicada con éxito en este capítulo para estimar el LAI a partir de imágenes 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 matemáticas de las biológicas, cuando se empleo información ‘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 precisión. 18 5 Conclusiones Generales Este capítulo resume las conclusiones principales de los dos precedentes, i.e. la inversión empírica de las imágenes aéreas Xybion y la inversión física de las imágenes satelitales SPOT. La cámara Xybion permitió la estimación de todas las variables de interés, si bien es cierto que la determinación del contenido foliar en clorofila no fue totalmente exitosa. Dichas determinaciones fueron realizadas mediante la aplicación de relaciones empíricas o índices de vegetación. De entre todos los índices, el ratio NIR/Red resultó ser el mejor en términos 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 imágenes SPOT sólo permitieron la determinación del LAI; principalmente debido a las características radiométricas del sensor (3-4 bandas anchas). En este caso el método de estimación fue la inversión del modelo PROSPECT+SAIL, la cual proporcionó valiosos mapas de variabilidad espacial del LAI y del brillo del suelo. Así pues, este trabajo ha demostrado la utilidad de la teledetección para la evaluación y cuantificación de la heterogeneidad intraparcelaria del cultivo. Esta información resulta muy valiosa para la agricultura de precisión, especialmente para el manejo de sistemas de fertilización, pues permite un ajuste de los inputs a las necesidades puntuales del cultivo. 19 6 Referencias Bibliográficas Bacour, C. (2001). Contribution à la détermination des paramètres biophysiques des couverts végétaux par inversion de modèles de réflectance: analyses de sensibilité comparatives et configurations optimales. Ph.D. thesis, Université Paris 7–Denis 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. Macé, 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 NearInfrared 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. Guérif, M,, Beaudoin, N,, Durr, C,, Houlès, 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 Houlès, 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 Andalucía, Spain. pp. 631-632. Jackson, R.D. y Huete, A.R., (1991). Interpreting vegetation indices. Prev. Vet. Med. 11:185200. 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. 51:342350. 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., Pragnère, 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