ndvi_forestal
Click here to load reader
Transcript of ndvi_forestal
1
POTENCIALIDAD DE LOS ÍNDICES DE VEGETACIÓN
PARA LA DISCRIMINACIÓN DE COBERTURAS FORESTALES
Speranza F. C.1y H. R. Zerda2
RESUMEN: La elaboración de inventarios de las coberturas del suelo, brinda información básica para la
planificación, ordenación, uso y gestión en general del ambiente. Para ello, las imágenes satelitales son
herramientas de gran importancia para cuantificar y conocer la distribución espacial y temporal de las
coberturas. En este estudio se utilizaron las imágenes multiespectrales ETM+ del satélite Landsat 7. La
exactitud de la identificación y discriminación de las diferentes coberturas vegetales aumentó a través de
la implementación de combinaciones de bandas y sus transformaciones matemáticas mismas. En este
caso, los denominados índices de vegetación de diferencia normalizada (NDVI), representan un
comportamiento definido de la vegetación basados en su comportamiento espectral frente a las
radiaciones rojas e infrarrojas del espectro electromagnético. A través de métodos gráficos para estimar
la separabilidad entre coberturas (firmas espectrales, dispersión espectral y diagramas de dispersión) se
logró valorar visualmente la capacidad de estos índices para la discriminación de coberturas forestales,
fundamentalmente entre coníferas y latifoliadas. Mediante la distancia normalizada JM de Jeffries-
Matusita se evaluó cuantitativamente la discriminación, mostrando que el índice de vegetación que
aporta mayor información para la discriminación promedio de las coberturas forestales es el denominado
NDVI54, posteriormente y en forma decreciente respecto a la capacidad de separabilidad de las
coberturas, le siguen los índices NDVI47, NDVI53, NDVI52, NDVI51, y NDVI43. El índice NDVI75 ofrece
la menor separabilidad entre categorías, debido a la fuerte correlación que existe entre estas bandas
espectrales.
Palabras Clave: coberturas del suelo, imágenes satelitales multiespectrales, índices de vegetación.
(1) Proyecto Picto 12931, INTA Manfredi, Ruta 9 Km 636, (5988) Manfredi, Córdoba. E-mail:
[email protected]. Tel/Fax: +54-3572-493039/53/58/61.
(2) Facultad de Ciencias Forestales, UNSE, Av. Belgrano 1200, (4200) Capital, Santiago del Estero.
E-mail: [email protected]. Tel./Fax: +54-385-4509550.
2
INTRODUCCION
La elaboración de inventarios de la cobertura del suelo, brinda información básica para la
planificación, ordenación, uso y gestión en general del ambiente. Por cobertura del suelo se entiende a
la cubierta (bio)física sobre la superficie de la tierra (Di Gregorio y Jansen, 2000).
La teledetección espacial es una herramienta fundamental para la elaboración de la cartografía,
técnica que permite adquirir imágenes multiespectrales por medio de sensores remotos. Las imágenes
generadas mediante esta tecnología brindan no solamente mayor cantidad de observaciones sobre las
coberturas del suelo, en comparación a los levantamientos terrestres, sino también permiten la detección
de características de la vegetación que solo se manifiestan en regiones del espectro electromagnético
que no pueden detectarse a simple vista. A través de los años, la disponibilidad al público en general y
los costos de las imágenes satelitales fueron más accesibles, a lo que se suman el incremento en la
resolución tanto espacial como espectral. Por este motivo la interpretación y análisis de tales fuentes de
información presentan una singular dinámica de desarrollo.
La aplicación de la teledetección en nuestro país se viene incrementando en los últimos años,
especial mención merece en el campo forestal, la realización del Primer Inventario Nacional de Bosques
Implantados (SAGPyA Forestal, 2001), apoyados en la interpretación visual de imágenes satelitales
multiespectrales. Aquí vale mencionar que en la cartografía correspondiente a la publicación final de este
Inventario, pudo observarse que las forestaciones con edades de 5 años pertenecientes a la empresa
Danzer Forestaciones S.A., ubicadas en el lote El Porvenir, no se encuentran cartografiadas. Esta
omisión pudo haber estado presente en otros sectores de la superficie de estudio. El objetivo del
presente trabajo es proponer formas de mejorar la exactitud de la identificación y discriminación de
coberturas a través del uso de índices de vegetación, transformaciones matemáticas de las bandas
espectrales originalmente captadas por el sensor remoto.
MATERIALES Y MÉTODOS
Área de estudio
La zona de estudio corresponde al lote llamado El Porvenir perteneciente a la empresa Danzer
Forestaciones S.A., localizado en las cercanías de la ciudad de Posadas, Provincia de Misiones, ubicado
en latitud 27º27’ S y longitud 55º59’ E. El mismo se encuentra dentro de la Región Fitogeográfica de la
Selva misionera.
3
Información Auxiliar: Fotografías Aéreas de Pequeño Formato (FAPEF)
Se utilizó una cámara fotográfica reflex Minolta de 35 mm, lente de 50 mm y película Fujicolor 100
ASA. La fecha de toma de las fotografías fue el día 22 de Octubre de 2001.
Se utilizaron copias en papel de 10 cm por 15 cm, con un factor de ampliación 1:4, y en una escala
media aproximada de 1:10.000.
Las fotografías aéreas de grandes escalas auxilian eficientemente a la interpretación de imágenes
satelitales, disminuyendo considerablemente el costo y tiempo del trabajo a campo; con tal información
detallada, la “verdad terrestre” puede ser reemplazada por la “verdad aérea” (Kenneweg, 1992).
Datos satelitales multiespectrales
Los datos satelitales multiespectrales corresponden al satélite Landsat 7, el cual posee un sensor
óptico-electrónico de barrido (scanner) multiespectral, denominado ETM+ (Enhanced Thematic Mapper)
Cartógrafo Temático Mejorado, especialmente diseñado para la elaboración de cartografía temática. Este
posee 7 bandas ubicadas en diferentes longitudes de onda y un canal pancromático. A modo práctico,
las bandas espectrales del sensor se nombran como TM1 hasta TM7, respectivamente. La escena
utilizada es la 224–79, del sistema WRS II de Landsat, adquirida en la fecha 3 de Marzo de 2001.
Índices de vegetación
El comportamiento teórico de la vegetación vigorosa (figura 1) muestra una reducida reflectividad
en las bandas visibles debido al efecto absorbente de los pigmentos de clorofilas, xantofilas y carotenos,
captando la radiación situada en torno a los 0,445 µm, coincidente con el rango de la banda TM1. La
clorofila presenta una segunda banda de absorción cercana a los 0,645 µm, perteneciente al rango de la
banda TM3. Entre ambas porciones del espectro, aparece una banda intermedia, alrededor de los 0,55
µm , banda TM2, en donde el efecto absorbente es menor, mostrando así un máximo relativo de
reflectividad. (Gates et al., 1965).
Figura 1: Comportamiento espectral teórico de la vegetación vigorosa Tomado de Molina, 1984
4
En el infrarrojo cercano presenta una elevada reflectividad debido principalmente a la estructura
celular interna de la hoja, (Harris, 1987). Esto se reduce paulatinamente hacia el infrarrojo medio,
llegando a 1,45 µm en donde el efecto absorbente del agua provoca una drástica reducción de la
reflectividad, esta absorción también se produce a los 1,92 µm y 2,7 µm (Lusch, 1989). Entre estas
bandas del espectro electromagnético, donde la absorción del agua es más clara, se sitúan dos picos
relativos de reflectividad en torno a 1,6 µm y 2,2 µm, donde se encuentran las bandas del sensor ETM+
TM5 y TM7 respectivamente.
Generación de los índices de vegetación
Los índices de vegetación son transformaciones que implican efectuar una combinación
matemática, entre los niveles digitales almacenados en dos o más bandas espectrales de la misma
imagen. El principio en el que se encuentran apoyados es el comportamiento radiométrico de la
vegetación vigorosa, descrito anteriormente.
Rouse et al. (1974) desarrollaron el denominado índice de vegetación de diferencia normalizada
(NDVI – Normalized Difference Vegetation Index). Este asume valores en un rango de –1 a +1, y se
calcula mediante: 343443
TMTMTMTM
RICRICNDVI
+−
=+−
=
Rock et al. (1985) definieron un índice de estrés hídrico (MSI – Moisture stress index) utilizando el
cociente entre la banda TM5 y la TM4, poniendo así en evidencia los cambios en el estrés hídrico de las
plantas con: 454554
TMTMTMTMNDVI
+−
=
Lee y Nakane (1997) desarrollan un índice que correlaciona la biomasa con los niveles digitales
según la transformación: 575775
TMTMTMTMNDVI
+−
=
Ray (1994) implementa las combinaciones TM5/TM3 y TM4/TM7. Para una mayor comprensión se
generan los cocientes de diferencia normalizada:
353553
TMTMTMTMNDVI
+−
= 747447
TMTMTMTMNDVI
+−
=
Schneider (1998) ha experimentado con otros índices, con el objetivo de aumentar la discriminación
entre coberturas vegetales:
151551
TMTMTMTMNDVI
+−
= 252552
TMTMTMTMNDVI
+−
=
5
Determinación de clases temáticas
Las categorías temáticas identificadas, sobre las cuales se realizarán los análisis multivariados para
su discriminación, se detallan a continuación: i) Paraíso (Melia azedarach L.) diferenciando dos
coberturas de dos años diferentes: a) Paraíso A: año de plantación 1993, y b) Paraíso B: año de
plantación 1994; ii) Grevillea (Grevillea robusta); iii) Kiri (Paulownia tomentosa); iv) Pino (Pinus Taeda), v)
Selva en galería, incluyendo especies de la selva climax (Tortorelli, 1956); y vi) Pastizal natural
característico de la zona (Cabrera, 1976).
Se determinaron cada una de las categorías que pretendían discriminarse, teniendo en cuenta su
propia variabilidad en la zona de estudio. Este objetivo se logra seleccionando una muestra de píxeles
de la imagen que representen adecuadamente a las categorías de interés.
Dependiendo de la variabilidad de la cobertura, se seleccionaron entre 3 y 6 parcelas de muestreo,
con un área total de 60 píxeles por cada cobertura, equivalente a una superficie de 5,4 hectáreas.
Respecto a la distribución, se tuvo en cuenta las características de cada cobertura, intentando abarcar
las variaciones que se presentan, como ser su densidad, vigor, sanidad, calidad de sitio, tipo de suelo,
etc.
Tanto la precisión de la localización, así como la distribución de las áreas de entrenamiento
estuvieron estrechamente ligadas a la información auxiliar aportada por las FAPEF.
Medidas de la separabilidad entre coberturas
Métodos gráficos
Firmas espectrales: para realizar una primera valoración visual de la variabilidad de las áreas de
entrenamiento, se genera un gráfico bidimensional a partir de los valores medios de los niveles digitales
(ND) de los diferentes canales que componen la imagen; ubicando los canales en el eje de las abscisas
y los valores de los ND medios de cada lote en el eje de las ordenadas, mostrando de este modo un
perfil espectral (Chuvieco, 1996).
Dispersión espectral: se trata de un diagrama de barras que recoge en cada banda y para cada
categoría el rango digital cubierto por la media ± una desviación estándar (Jensen, 1996).
Dispersogramas: consiste en un gráfico bivariado relacionando dos bandas, en donde son
localizados los píxeles de las áreas de interés de cada cobertura, en forma de elipses, a partir de sus
niveles digitales ND en esas dos bandas.
Para la elaboración de estos gráficos se utilizaron las combinaciones de bandas implementadas en
la generación de los índices de vegetación, pudiendo valorar de esta manera, la capacidad de esos
índices en la discriminación de las categorías.
6
Métodos numéricos
Para evaluar cuantitativamente la posibilidad de discriminar distintas coberturas se utiliza la
Distancia de Jeffries-Matusita (JM) (Swain y King, 1973).
Dividiendo los valores de la distancia Jeffries-Matusita por 2 , siendo este el máximo valor
posible, se obtiene un índice de separabilidad normalizado JM* (D’Urso y Meneti, 1995).
Los grados de separabilidad satisfactorios son obtenidos con JM* > 0.94, sin exceder un error de
probabilidad de 0.05 (Swain, 1978).
RESULTADOS
Diferenciación entre coberturas
Firmas espectrales: Se aprecia en la figura 2 la evidente similitud de la mayor parte de las categorías, en
la tendencia media en los diversos canales, ya que las coberturas están conformadas por distintas
especies forestales y considerando un comportamiento espectral teórico correspondiente a la vegetación
vigorosa.
Figura 2: Firmas espectrales incluyendo los índices de vegetación producidos.
Las líneas paralelas y próximas indican una probable superposición entre categorías, mientras que las
intersecciones entre líneas indican las bandas o índices donde es más probable separar a las categorías
que representan.
Se diferencia visualmente el comportamiento distintivo del pastizal con reducidos valores en los
índices de vegetación, especialmente en el NDVI43 y NDVI47.
Se observa también una clara separación de la cobertura de pino de las demás coberturas
mediante el NDVI51 y NDVI52.
0
50
100
150
200
250
TM1 TM2 TM3 TM4 TM5 TM7 NDVI43 NDVI47 NDVI51 NDVI52 NDVI53 NDVI75 NDVI54Canales
Ref
lect
anci
a (N
D)
Grevillea
Kiri
Monte
Paraiso-A
Paraíso-B
Pastizal
Pino
7
Dispersión espectral: La banda 13, correspondiente al índice de vegetación normalizado NDVI54,
muestra una reducida desviación estándar, y una considerable separación entre clases (figura 3a),
resultando ser el mejor índice para captar la variabilidad entre éstas cubiertas vegetales. Por el contrario,
el NDVI75, presenta una fuerte similitud entre categorías (figura 3b).
a) Dispersograma - NDVI54
0
25
50
75
100
125
150
175
200
225
250
Grevillea Kiri Selva Paraiso-A Paraiso-B Pastizal Pino
Coberturas
Ref
lect
anci
a (N
D)
b) Dispersograma - NDVI75
0
25
50
75
100
125
150
175
200
225
250
Grevillea Kiri Selva Paraiso-A Paraiso-B Pastizal Pino
Coberturas
Ref
lect
anci
a (N
D)
Figura 3: a) índice de vegetación en donde la separación entre clases es acentuada. b) índice que presenta una reducida diferenciación entre coberturas.
Dispersogramas: En el NDVI75, la distribución de la nube de puntos se encuentra concentrada en un
sector del gráfico (figura 4a), lo que indica que las bandas implementadas se encuentran relacionadas y
aportan información redundante. En estos casos también se genera una mayor superposición entre las
elipses que representan a las coberturas, disminuyendo su aptitud para discriminarlas. Por el contrario,
en el NDVI47, la nube de puntos posee una mayor amplitud y una mínima superposición entre categorías
(figura 4b).
Figura 4: Comportamiento de diversas coberturas ante NDVI75 y NDVI47: a) mayor superposición, b) mínima superposición.
Índice de separabilidad normalizado JM*: Según el indicador estadístico, en la tabla 1 se aprecian los
valores para las combinaciones entre pares de coberturas.
ND
TM
7
ND TM5
NDVI75
ND TM4
ND
TM
7
NDVI47
8
Se detecta la similitud entre las coberturas de Paraíso A y Paraíso B, para los cuales el valor JM* es
bastante inferior a 0.94.
Tabla 1: Matriz de distancias Jeffries –Matusita* para cada cobertura.
Lotes 1 2 3 4 5 6 7 1 1 2 1.00 1 3 0.97 1.00 1 4 1.00 0.99 1.00 1 5 1.00 1.00 1.00 0.88 1 6 1.00 1.00 1.00 1.00 1.00 1 7 1.00 1.00 1.00 1.00 1.00 1.00 1
Prom. 0.99
Coberturas:
1: Grevillea 2: Kiri 3: Selva en galería 4: Paraíso – A 5: Paraíso – B 6: Pastizal 7: Pino También se realizó el cálculo de la Distancia JM* utilizando una banda por vez (tabla 2).
Tabla 2: Distancia JM* para dada índice.
Canal JM* Promedio JM* MínimoNDVI43 0.55 0.08 NDVI47 0.71 0.24 NDVI51 0.57 0.12 NDVI52 0.63 0.18 NDVI53 0.58 0.13 NDVI75 0.45 0.12 NDVI54 0.77 0.27
Se distinguen los mayores valores promedios para el NDVI54 y NDVI47.
El análisis multivariado de los datos satelitales permite caracterizar la variabilidad dentro de cada
cobertura mediante gráficos y cuantificarla por medio del índice de separabilidad normalizado Jeffries-
Matusita, siempre y cuando las parcelas de entrenamiento hayan sido ubicadas con el apoyo de
información auxiliar, captando de esta manera las variaciones locales de estas coberturas.
CONCLUSIONES
El análisis estadístico mediante gráficos e índices de los datos satelitales multiespectrales es
sumamente efectivo para identificar y discriminar las coberturas de interés forestal seleccionadas,
principalmente entre especies latifoliadas y coníferas.
Para coberturas forestales de la misma especie, con escasa diferencia de edad, la discriminación
es muy reducida, como sucede en el caso de estudio, en lotes con paraíso coetáneo, (Paraíso A y
Paraíso B) donde las diferencias de edad son de solo un año de edad.
9
El índice de vegetación que aporta mayor información para la discriminación promedio de las
coberturas forestales es el índice normalizado NDVI54, posteriormente y en forma decreciente según la
capacidad de separabilidad, le siguen los índices NDVI47, NDVI53, NDVI52, NDVI51, y NDVI43; siendo
el índice NDVI75 el que ofrece la menor separabilidad entre categorías, debido a la fuerte correlación
entre bandas.
La incidencia de la resolución espacial para la discriminación de coberturas es un factor
condicionante, en este caso del sensor ETM+ del satélite Landsat 7, es de 30 m x 30 m en el modo
multiespectral. Estas imágenes están formadas por una matriz de celdas de la dimensión citada, por lo
cual en plantaciones de áreas reducidas el efecto de borde puede ser de gran importancia, ya que estas
celdas o píxeles contienen información del lote de plantación y de las otras coberturas limítrofes.
Agradecimientos: A la Universidad Nacional de Santiago del Estero y a su Facultad de Ciencias
Forestales por el financiamiento de los proyectos de investigación CICYT-UNSE 23/B036 y 23/B050, de
donde provienen los datos e informaciones utilizados para la realización de este trabajo. A la empresa
DANZER Forestaciones S.A. que ha facilitado informaciones sobre el área de estudio.
BIBLIOGRAFÍA
• Cabrera, A.L. 1976. Enciclopedia Argentina de Agricultura y Jardinería. Segunda. Edición. Tomo II.
Fascículo I. Regiones Fitogeográficas Argentinas. Buenos Aires, Argentina.
• Chuvieco, Emilio. 1996. Fundamentos de Teledetección Espacial. 3ª Edición revisada. Madrid,
España.
• Di Gregorio, A. y Jansen, L.J.M. 2000. “Land Cover Classification System (LCCS), classification
concepts and user manual”, FAO, Roma.
• D’Urso G. y Meneti, M. 1995. “Performance indicators for the statistical evaluation of digital image
classifications”, ISPRS Journal of Photogrammetry and Remote Sensing, vol.51, pp. 78-90.
• Gates, D.M. 1980. Biophysical Ecology, Springer-Verlag, New York, Heidelberg, Berlin.
• Harris, R. 1987. “Satellite remote sensing. An introduction”, Routledge and Kegan Paul, London.
• Jensen, J.R. 1996. “Introductory digital image processing: a remote sensing perspective”. 2nd. Ed.,
Prentice Hall Series in Geographic Information Science, Upper Saddle River, New Jersey.
• Kailath, T. 1967. “The divergence and Bhattacharyya distance measures in signal selection”, IEEE
Trans. Communication Theory, COM-15, pp. 52-60.
10
• Kenneweg, H. 1992. “New approaches of forest inventory and monitoring techniques integrating aerial
photography”, Proceedings of the IUFRO Centennial Meeting in Berlin, 1992. Japan Society of Forest
Planning Press, Faculty of Agriculture and Technology, Japan. Edit.: G. Preto y B. Koch.
• Lee, N.J. y Nakane, K. 1997. “Forest vegetation classification and biomass estimation based on
Landsat TM data in a mountainous region of West Japan”. In: Forestry Sciences Vol. 50:159-171, The
use of remote sensing in the modelling of forest productivity, Dordrecht, Netherlands.
• Lusch, D.P. 1989.”Fundamental considerations for teaching the spectral reflectance characteristics of
vegetation, soil and water”, en Current Trends in Remote Sensing Education (M.D. Nellis, R. Lougeay y
K. Lulla, Eds.), Geocarto International Centre, Hong Kong.
• Molina, Isabel C. de. 1984. “Fotointerpretación de Bosques Manejados”, Centro Interamericano de
Fotointerpretación, Unidad de Ingeniería Forestal y Ecología, Bogotá.
• Ray, T.W. 1994. A FAQ on Vegetation in Remote Sensing. Division of Geological and Planetary
Science. California Institute of Technology. Http://www.kepler.gps.caltech.edu - /pub/Terrill/rsvegfaq.txt.
p.16.
• Rock, B.N., Williams, D.L., y Vogelmann J.E. 1985. “Field and airborne spectral characterization of
suspected acid deposition damage in red spruce (Picea rubens) from Vermont”. Proc., Symp. on
Machine Processing of Remotely Sensed Data, Purdue Univ., West Lafayette, Indiana.
• Rouse, J.W., Haas, R.H., Schell, J.A., y Deering, D.W. 1974. “Monitoring vegetation systems in the
Great Plains with ERTS”. Proc. Third Earth Resources Technology Satellite-1 Symp., Goddard Space
Flight Center, NASA SP-351, Science and Technical Information Office, NASA, Washington, D. C.
• SAGPyA Forestal. 2001. Publicación trimestral de la Secretaría de Agricultura, Ganadería, Pesca y
Alimentos. Nº 20, Septiembre 2001. Buenos Aires.
• Schneider, C.A. 1998. “Erarbeitung Methodischer Grundlagen zur Erfassung von Galeriewäldern in
Mittelbrasilien aus Satellitendaten”. Magister der tropischen Forstwirtschaft, Fakultät für
Forstwissenschaften, Universität Göttingen.
• Swain, P.H. 1978. “Fundamentals of pattern recognition in remote sensing”, en: P.H. Swain and S.M.
Davis (Editor), Remote Sensing: The Quantitative Approach. McGraw-Hill, New York, pp.136-186.
• Swain, P.H. y King, R.C. 1973. “Two effective feature selection criteria for multispectral remote
sensing”. Proc. 1st International Joint Conference Pattern Recognition, IEEE, Cat.nº 73 CHO 82 1-9c,
Piscataway, N.J., pp.536-540.
• Tortorelli, L.A. 1956. “Maderas y bosques argentinos”. Edit. Acme, SACI, Buenos Aires.