La lecture à portée de main
Découvre YouScribe en t'inscrivant gratuitement
Je m'inscrisDécouvre YouScribe en t'inscrivant gratuitement
Je m'inscrisDescription
Sujets
Informations
Publié par | erevistas |
Publié le | 01 janvier 2005 |
Nombre de lectures | 18 |
Langue | Español |
Extrait
Revista de Teledetección. 2005. 24: 31-36
Estimación de la fracción de cubierta vegetal a
escala continental utilizando sensores de
nueva generación
F.J. García-Haro, F. Camacho-de Coca y J. Meliá
i.garcia.haro@uv.es
Departamento de Termodinámica, Universitat de Valencia.
C/ Dr. Moliner 50, 46100 Burjassot, Valencia.
RESUMEN ABSTRACT
El análisis de composición espectral (SMA) The scientific user communities have expressed
usualmente determina la distribución de componen- the necessity of accurate maps of vegetation biophy-
tes en la escena a partir de un número finito de sical parameters at different scales, and suitable for
patrones (endmembers) que recogen la variabilidad long-term monitoring. IN the framework of the
espectral de la escena. En este trabajo se introduce EUMETSAT LSA SAF our group is the responsible
una metodología para estimar la fracción de cubier- for the development and implementation of algo-
ta vegetal (FVC) a una escala continental, a partir de rithms to obtain fractional vegetation cover (FVC)
datos de nueva generación (VGT, SEVIRI). La and leaf area index (LAI) products from the new
metodología apropuesta se ha adesarrollado en el EUMETSAT meteorological satellites SEVIRI/MSG
contexto del proyecto LSA SAF, orientado en la esti- and AVHRR-3/EPS.
mación de parámetros de la cubierta a partir de datos This paper outlines a new Spectral Mixture Analy-
SEVIRI/MSG, y actualmente se encuentra en una sis (SMA) technique based on the Bayesian Theo-
fase preoperacional. rem, along with the use of standarised SMA, to
La estrategia combina las ventajas de un modelo improve understanding of the impact of endmember
geométrico (SMA) con un modelo probabilístico que variability on the derivation of subpixel vegetation
tiene en cuenta la variabilidad natural de las compo- fractions at a global scale. The uncertainty of FVC
nentes, y permite cuantificar el error en las estimacio- concerning view and sun angles is minimized by
nes e incorporar información “a priori”. Un paso pre- using as input an optimal configuration. Endmember
vio es la extracción de atributos para hacer las signatures are to longer treated as constants, but they
estimaciones menos sensibles a factores externos (ilu- are represented by multi-modal probability density
minación, color del suelo) y las sombras. Los resulta- functions. The algorithm incorporates endmember
dos iniciales indican que la FVC estimada responde spectral variability in the unmixing process, thus
bien a cambios en la actividad de la vegetación y reducing misidentifications of surface components
muestra un alto grado de consistencia con otros pro- and demanding fewer endmembers. The FVC esti-
ductos de nueva generación. mates obtained with the algorithm are spatially and
temporally consistent and the results of preliminary
PALABRAS CLAVE: fracción de cubierta vegetal, validation studies are encouraging.
Spectral Mixture Analysis, MSG.
KEY WORDS: fractional vegetation cover, Spectral
Mixture Analysis, MSG.
tamente aplicables al estudio de fenómenos de laINTRODUCCIÓN
superficie. Ello ha motivado que las principales
El desarrollo tecnológico de los programas misiones espaciales hayan puesto en marcha
actuales de Observación de la Tierra posibilita varios proyectos para desarrollar algoritmos ope-
una constelación de sensores ópticos de nueva racionales. En relación a los productos de la
generación (VEGETATION/SPOT, MODIS/EOS, cubierta vegetal, existe un amplio consenso inter-
MERIS/ENVISAT, SEVIRI/MSG) que observan nacional en superar conceptos tradicionales tales
el planeta simultáneamente. Sin embargo, además como los índices de vegetación, que con frecuen-
de los parámetros radiométricos, existe una fuerte cia dependen de las características de la escena y
demanda de parámetros biofísicos que sean direc- del sensor.
N.º 24 - Diciembre 2005 31F.J. García-Haro, F. Camacho-de Coca y J. Meliá
En el contexto del proyecto LSA SAF, nuestra conjunto finito de signaturas (patrones) corres-
misión es desarrollar una metodología para estimar pondientes a componentes presentes en la escena,
variables biofísicas de la cubierta, tales como la conocidas como endmembers:
fracción de cubierta vegetal (FVC) y el índice de
superficie foliar (LAI) sobre Europa y África a par- R = V f + S f + ε (1)
v S
tir de datos SEVIRI/MSG, y con una frecuencia
temporal de 10 días. Estos parámetros se conside- donde V y S las matriz con los endmembers de
ran inputs necesarios para comprender mejor la vegetación y suelo, respectivamente, f y f son los
v Sinteracción entre el ciclo del carbono, el clima y los vectores que contienen sus pesos asociados, y e es
cambios en el uso del suelo. el residuo –que habitualmente se aproxima a una
En los últimos años el análisis de composición distribución normal multivariante, ε=N(0,sI). Para
espectral, conocido en la literatura como Spectral que los pesos tengan un significado físico y puedan
Mixture Analysis (SMA) se ha aplicado con éxito interpretarse como fracciones, deben ser positivos y
para explotar la información hiper- y multi-espec- sumar la unidad (condición de normalización).
tral de los datos de teledetección en numerosas En general, no sólo son desconocidas las fraccio-
aplicaciones (Roberts et al. 1997, García-Haro et nes {f , f } sino también los endmembers {V, S}v Sal. 2005a). El SMA se basa en un modelo geomé- que constituyen el píxel. El problema más simple
trio que permite determinar la distribución de consiste en suponer que V, no varía (modelo deter-
materiales –especies vegetales, rocas, minerales– minista) y S se ajusta bien a una función de distri-
presentes en la escena. Sin embargo, el problema bución conocida (gausiana). Sin embargo, el pro-
se complica mucho cuando el número de canales blema es generalmente más complejo debido a la
en la región óptica es reducido y el IFOV es gran- variabilidad en la respuesta de la vegetación y a que
de. En este caso, el problema se reduce a cuantifi- el suelo de fondo presenta una distribución desco-
car la contribución de una única componente de nocida (multi-modal), muy variable localmente.
interés que presenta una cierta variabilidad en pre- Cabe considerar dos estrategias:
sencia de materiales que constituyen el fondo o
señal a filtrar.
(i) Modelo probabilístico, en que la función aEn este trabajo se presenta una metodología para
determinar es una distribución estadística (general-estimar de variables biofísicas de la vegetación
mente normal multivariante) cuyos parámetros pue-–tales como la fracción de cobertura vegetal
den calcularse usando técnicas estocásticas, de(FVC)– que sean adecuadas para observar la diná-
forma análoga a un clasificador “soft”. Cada píxelmica de la cubierta a escala regional y global, a par-
viene descrito por un grado de proximidad a cadatir de los datos proporcionados por la nueva gene-
una de las clases, asociando la probabilidad “a pos-ración de satélites. La metodología se basa en
teriori” con las fracciones.técnicas de SMA novedosas, adaptadas al problema
planteado. A continuación se describe brevemente (ii) Modelo geométrico, en el que la variabilidad
el fundamento del método, algunos aspectos desta- de los datos se expresa de una forma determinista
cados de la metodología propuesta y algun ejemplo por medio de patrones o estructuras (endmember).
de la aplicación del prototipo sobre datos VEGE- Típicamente, el número de componentes en V y S
TATION/SPOT (VGT) y SEVIRI/MSG. es desconocido, aunque se puede estimar utilizando
técnicas a partir del rango de la matriz de los datos
utilizando diferentes algoritmos (e.g. singular value
PLANTEAMIENTO DEL PROBLEMA decompositon, SVD).
La manera habitual de estimar las fracciones esFundamento teórico
utilizar el método de minimización clásico con un
Cada pixel de una imagen viene representado parámetro de Lagrange para imponer la condición
por un vector n-dimensional R, siendo n el núme- de normalización. La positividad de las fracciones
ro de bandas espectrales. Tradicionalmente los viene garantizada por la elección de endmembers
modelos lineales de mezcla espectral en que se convenientemente situados en hipotéticos extremos
basa el SMA representan la reflectividad de cada del convex hull que contiene el hipervolumen de los
npíxel a partir de una combinación lineal de un datos en un subespacio de R .
32 N.º 24 - Diciembre 2005Estimación de la fracción de cubierta vegetal a escala contineental utilizando sensores de nueva generación
Extracción de características mayor parte de las variaciones debidas a la ilumi-
nación, topografía, rugosidad de la superficie y
La extracción de características o atributos espec- color del suelo. La estandarización disminuye