Algunas consideraciones derivadas de la simulación de reflectividad en escenas con vegetación dispersa

F.

Description

Resumen
En este trabajo se ha simulado, por medio de un modelo lineal de reflectividad, la influencia de algunos factores sobre la reflectividad de superfi-cies con vegetación dispersa -tales como el tamaño pixel, la variabilidad que presentan las reflectividades de las componentes macroscópicas (suelo, vegetación y sombra) y el error que afecta a la reflectividad de la escena- los cuales son inherentes a su estudio mediante teledetección. Estos factores determinan la respuesta espectral de las superficies naturales y, por tanto, la precisión con que se estiman los parámetros en teledetección. En primer lugar se ha utilizado un modelo de reflectividad geométrico para simular la reflectividad en las bandas TM3 (rojo) y TM4 (infrarrojo cercano) de una escena con vegetación dispersa. Ello ha permi-tido analizar la distribución de reflectividad en el espacio bidimensional TM3 - TM4 en función de los factores considerados en este estudio. Finalmente, se ha invertido el modelo lineal de reflectividad con el fin de cuantificar el error que produ-cen tanto el error con que se calcula la reflectividad como la propia heterogeneidad espacial de la esce-na en la estimación de la fracción de vegetación.
Abstract
In this work it has been simulated by means of a reflectance linear model how several factors influence the reflectance of canopies presenting sparse vegetation -such as the size of the sensor field of view, the variability in the reflectance of the mac-roscopic components (soil, vegetation and shadow) and the inaccuracy in the estimation of the scene reflectance. These factors are necessary to ade-quately interpret the remotely-sensed derived reflectance data and their inter-pixel variance, which is a mayor source of error to quantitative extract vegetation related parameters. A geometric-optical scheme has been generated to simulate the reflec-tance in two spectral regions, TM3 (red) and TM4 (near infrared). The analysis of the scattergram in the TM3- TM4 space has let us gain insight into the reflectance distribution of vegetated scenes. Fi-nally, the model was inverted to describe the error of the estimated vegetation fraction in the basis of both, the inaccuracies of scene reflectance and the spatial heterogeneity of the scene.

Sujets

• Simulación
• Simulation
• Spatial heterogeneity

Informations

• Publié par: erevistas
• Publié le: 01 janvier 1996
• Nombre de lectures: 11
• Langue: Español
• Poids de l'ouvrage: 1 Mo

Extrait

Revista de Teledetección. 1996
Algunas consideraciones derivadas de la
simulación de reflectividad en escenas con
vegetación dispersa
F. J. García-Haro, M. A. Gilabert y J. Meliá
Departament de Termodinámica. Facultat de Física. Universitat de Valencia
Dr. Moliner, 50. 46100 - Burjassot, Valencia


RESUMEN ABSTRACT
En este trabajo se ha simulado, por medio de un In this work it has been simulated by means of a
modelo lineal de reflectividad, la influencia de reflectance linear model how several factors influ-
algunos factores sobre la reflectividad de superfi- ence the reflectance of canopies presenting sparse
cies con vegetación dispersa -tales como el tamaño vegetation -such as the size of the sensor field of
pixel, la variabilidad que presentan las reflectivida- view, the variability in the reflectance of the mac-
des de las componentes macroscópicas (suelo, roscopic components (soil, vegetation and shadow)
vegetación y sombra) y el error que afecta a la and the inaccuracy in the estimation of the scene
reflectividad de la escena- los cuales son inherentes reflectance. These factors are necessary to ade-
a su estudio mediante teledetección. Estos factores quately interpret the remotely-sensed derived re-
determinan la respuesta espectral de las superficies flectance data and their inter-pixel variance, which
naturales y, por tanto, la precisión con que se esti- is a mayor source of error to quantitative extract
man los parámetros en teledetección. En primer vegetation related parameters. A geometric-optical
lugar se ha utilizado un modelo de reflectividad scheme has been generated to simulate the reflec-
geométrico para simular la reflectividad en las tance in two spectral regions, TM3 (red) and TM4
bandas TM3 (rojo) y TM4 (infrarrojo cercano) de (near infrared). The analysis of the scattergram in
una escena con vegetación dispersa. Ello ha permi- the TM3- TM4 space has let us gain insight into the
tido analizar la distribución de reflectividad en el reflectance distribution of vegetated scenes. Fi-
espacio bidimensional TM3 - TM4 en función de nally, the model was inverted to describe the error
los factores considerados en este estudio. Final- of the estimated vegetation fraction in the basis of
mente, se ha invertido el modelo lineal de reflecti- both, the inaccuracies of scene reflectance and the
vidad con el fin de cuantificar el error que produ- spatial heterogeneity of the scene.
cen tanto el error con que se calcula la reflectividad
como la propia heterogeneidad espacial de la esce-
na en la estimación de la fracción de vegetación.

KEY WORDS: Reflectance linear model, simula-PALABRAS CLAVE: Modelo lineal de reflecti-
tion, vegetation fraction, spatial heterogeneity. vidad, simulación, fracción de vegetación, hetero-
geneidad espacial.



clases de mezclas con interés: microscópicas ma-INTRODUCCIÓN
croscópicas. En las primeras (también llamadas
Uno de los objetivos dentro del proyecto MEDALUS mezclas homogéneas), la superficie consta de
(MEditerranean Desertification And Land USe), de la
diferentes tipos de partículas mezcladas homogé-
Unión Europea, es derivar mapas de vegetación en zonas
neamente muy próximas unas de otras (Hapke, semi-áridas (con vegetación escasa y dispersa, y predo-
1993). Las mezclas macroscópicas, en cambio, se minio de especies de tipo arbustivo, que crecen sobre
deben a las inhomogeneidades de las superficies suelos que presentan una gran variabilidad espectral) a
partir de datos del sensor TM del satélite Landsat-5 naturales, que son vistas por el sensor como agre-
(Meliá et al., 1995). Los métodos tradicionalmente gados de materiales puros distintos que no puro en
utilizados para separar la información procedente de la ser resueltos. En este tipo de mezcla se basa el
cubierta vegetal del suelo de fondo (técnicas de modelo lineal de reflectividad (que asumen la
clasificación y construcción de índices de vegeta- mayoría de modelos geométricos) y que es el fun-
ción) presentan importantes limitaciones (Huete et damento del ACE; éste compone la reflectividad
al., 1985), principalmente en zonas áridas, donde de la superficie de una forma aditiva a partir de la
la contribución del suelo es importante. Un método reflectividad de las componentes o materiales
alternativo lo constituye el Análisis de Composi- puros presentes en la misma. Este procedimiento
ción Espectral (ACE), que considera que las super- proporciona una visión de la realidad más exacta y
ficies naturales consisten en mezclas de distintos fácil de interpretar que las técnicas tradicionales
tipos de materiales. En teledetección existen dos
Nº 7 – Diciembre 1996 1 de 14 F. J. García-Haro, M. A. Gilabert y J. Meliá
(Settle & Drake, 1993), ya que potencialmente pacial entre las diversas componentes (por
desacopla la señal procedente de la vegetación de ejemplo entre el relieve, la humedad y compo-
factores externos (iluminación, propiedades ópti- sición del suelo y el tipo de vegetación).
cas del suelo, etc.) por lo que se minimiza su in-
fluencia (García-Haro, 1994). Este procedimiento (2) Las imprecisiones que afectan a la estimación
ha sido valido previamente en una experiencia de la reflectividad de la escena y la variabilidad en
controlada de laboratorio (García–Haro et al., la reflectividad de las componentes. Estas fuentes
1996). Sin embargo, para estimar parámetros de de error pueden descomponerse en (i) errores sis-
las superficies naturales y cuantificar su error me- temáticos, que provienen fundamentalmente de la
diante imágenes de satélite es necesario considerar incertidumbre que presentan los coeficientes de
dos factores fundamentales: calibración del sensor debido a la degradación del
(1) La influencia del tamaño del píxel. En efecto, mismo (Slater et al., 1987)y del efecto perturbador
la parametrización de los flujos de energía a través de la atmósfera sobre la señal, cuya corrección es
superficie mediante imágenes de satélite multies- dependiente del método que se utilice (Moran et
pectrales presenta el problema de que éstos carac- al., 1992) y (ii) errores de naturaleza aleatoria, que
terizados por parámetros (cubierta vegetal hume- son inherentes al estudio de la reflectividad en
dad del suelo, temperatura) cuya escala variación teledetección, y que se deben a múltiples causas
es menor que el tamaño del píxel (Jasinski & Ea- (resolución, radiométrica, topografía, inhomoge-
gleson, 1989). Así, por lo general se ha observado neidades de los materiales, etc.).
que: En este trabajo se ha adoptado el modelo de
• A escalas inferiores a 1m, se debe considerar reflectividad ineal (que emplea una
descripción de las superficies las característi- parametrización similar a la de los modelos
cas de (i) la vegetación vista como superposi- geométricos), dado que es adecuado para el estudio
ción de elementos discretos (hojas, tallos, ra- de escenas con vegetación dispersa. En el siguiente
mas, flores, etc.) de reflectividad variable, (ii) apartado se describirán los modelos geométricos,
el suelo, que presenta variaciones microscópi- centrándonos en el modelo de reflectividad pro-
cas (composición de minerales, agua, materia puesto. En el apartado 3 se describirá la simulación
orgánica, tamaño de las partículas, rugosidad de la reflectividad de la escena. El apartado 4
de la superficie, etc.) y (iii) las sombras pro- recoge la presentación y discusión de los
yectadas por los elementos volúmicos. resultados obtenidos, analizando en qué medida los
factores (1) y (2) influyen en la determinación de • A escalas del orden de decenas de metros
la fracción de vegetación a través de la inversión
intervienen estructuras macroscópicas tales del modelo lineal de reflectividad.
como plantas (matorrales, árboles, etc.), pe- EL MODELO LINEAL DE
queñas ondulaciones del terreno, ríos, cami- REFLECTIVIDAD
nos, etc. de forma que la señal es poco sensi-
Los modelos lineales de reflectividad admiten
ble a los detalles finos de que se componen és- que la reflectividad espectral total de cada pixel d
que la escena, R(λ) es, simplemente, la suma lineal tas (aunque también contribuyan a la señal es-
de la reflectividad de los distintos materiales, R (λ) ipectral promedio). A esta resolución, la va-
pesada de acuerdo con el área que el sensor "ve"
rianza de la escena está dominada por un pe- de cada uno de ellos, f (Settle & Drake, 1993; i
queño número de constituyentes macroscópi- García-Haro et al., 1996):
cos (matorral, suelo, etc.) y adquiere un mayor
R(λ) = f R (λ) (1) ∑interés el uso de modelos geométricos en los i i
i
que se con