Mestre Runge, Christian Lloveria Montorio, Raquel 2018 2018 El índice de área foliar es considerado un bioindicador del estado de la salud real de las plantas y de la productividad primaria bruta de la vegetación. Numerosos estudios han demostrado que los modelos basados ee regresión simple lineal son herramientas óptimas que tienen la capacidad de relacionar el LAI medido en campo con información derivada de teledetección óptica, El objetivo del presente Trabajo Fin de Máster es desarrollar un modelo predictivo de LAI a partir de informa-ción multiespectral de media resolución espacial (Landsat) a partir del análisis y modelización pre-via de las relaciones entre información hiperespectral a alta resolución espacial y LAI verdad-te-rreno utilizando la técnica upcaling y, desarrollado para ambientes heterogéneos como son las dehesas. Para ello, se han utilizado datos hiperespectrales derivados del sensor CASI y datos del LAI medida en campo proporcionados por SynerTGE y una gama de índices de Vegetación derivados de los productos Landsat TM y OLI. Un primer análisis se basó en establecer relaciones empíricas entre pseudo-LAI e índices de vegetación. Para seguir evaluando el rendimiento del modelo, se aplicaron análisis de regresión (RLS) para modelizar la relación entre pseudo-LAI e índices de ve-getación. Los resultados establecieron que el método propuesto varía en función de los modelos utilizados. Por otra parte, se desarrolló un modelo para i) aplicar y modelizar las funciones predic-tivas generadas mediante los análisis RLS y, ii) validar los productos mediante estadístico RMSE. Para ello, se utilizaron series multitemporales derivadas de Landast-8 OLI y muestras de LAI total y LAI verde repartidas en 5 jornadas de campo, en cada parcela (11), las muestras fueron tomadas sobre 3 cuadrantes (25x25cm), además, las muestras tomadas se consideran, a priori, represen-tativas a distintos momentos de la dinámica fenológica. Los resultados obtenidos establecen que los modelos predictivos rinden mejor para periodos primaverales-estivales, cuando el pastizal se encuentra en su periodo de máximo crecimiento. Además, el modelo desarrollado sobre pasto y encinares rinde mejor que el modelo A. Si individualizamos los casos, se establece que el modelo predictivo en fecha del 28 de junio de 2015 obtuvo los mejores valores RMSE = 0.196 y RMSE (%) = 6.73 para predecir la variable biofísica LAI verde.