| TAZ-TFM-2018-1083 |
MODELIZACIÓN EMPÍRICA DEL ÍNDICE DE ÁREA FOLIAR EN ECOSISTEMAS DE DEHESA: INTEGRACIÓN DE DATOS DE CAMPO, AEROPORTADOS Y DE SATÉLITE
Mestre Runge, Christian
Lloveria Montorio, Raquel (dir.)
Universidad de Zaragoza,
FFYL,
2018
Máster Universitario en Tecnologías de la Información Geográfica para la Ordenación del Territorio: Sistemas de Información Geográfica y Teledetección
Resumen: 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.
Tipo de Trabajo Académico: Trabajo Fin de Master
Notas: The leaf area index is considered a bioindicator of the state of the real health of the plants and the gross primary productivity of the vegetation. Numerous studies have shown that models based on linear simple regression are optimal tools that have the ability to relate the LAI measured in the field with information derived from optical remote sensing. The objective of the present Master's Thesis is to develop a predictive model of LAI from of multispectral information of medium spatial resolution (Landsat) from the analysis and previous modeling of the relationships between hyper-spectral information at high spatial resolution and truth-ground LAI using the upcaling technique and, developed for heterogeneous environments such as dehesas. For this purpose, hyperspectral data derived from the CASI sensor and LAI data measured in the field provided by SynerTGE and a range of Vegetation indices derived from the Landsat TM and OLI products were used. A first analysis was based on establishing empirical relationships between pseudo-LAI and vegetation in-dices. To further evaluate the performance of the model, regression analysis (RLS) was applied to model the relationship between pseudo-LAI and vegetation indices. The results established that the proposed method varies depending on the models used. On the other hand, a model was developed to i) apply and model the predictive functions generated by the RLS analyzes and, ii) validate the products using the RMSE statistic. For this, multitemporal series derived from Landast-8 OLI and LAI total and LAI green samples distributed over 5 field days were used, in each plot (11), samples were taken over 3 quadrants (25x25cm), in addition, samples taken are considered, a priori, representative of different moments of the phenological dynamics. The obtained results establish that the predictive models yield better for spring-summer periods, when the grassland is in its period of maximum growth. In addition, the model developed on grass and holm oaks yields better than model A. If we individualize the cases, it is established that the predictive model as of June 28, 2015 obtained the best values RMSE = 0.196 and RMSE (%) = 6.73 to predict the bio-physical variable LAI green.
Enlace permanente:
El registro pertenece a las siguientes colecciones:
Trabajos académicos > Trabajos Académicos por Centro > Facultad de Filosofía y Letras
Trabajos académicos > Trabajos fin de máster