Revista de teledetección y SIG

Abstracto

Recuperación del índice de área foliar a partir de datos obtenidos mediante teledetección utilizando métodos estadísticos avanzados

Gowda PH, Oommen T, Misra D, Schwartz RC, Howell TA, Wagle P

El mapeo y monitoreo del índice de área foliar (LAI) es fundamental para modelar el balance de energía superficial, la evapotranspiración y la productividad de la vegetación. La teledetección ayuda a la rápida recolección de LAI en campos individuales en áreas extensas, de una manera que ahorra tiempo y dinero utilizando la regresión empírica entre el LAI y los índices espectrales de vegetación (SVI). Sin embargo, estas relaciones pueden ser ineficaces cuando la geometría del sensor de superficie solar, la reflectancia de fondo y las variaciones inducidas por la atmósfera en la reflectancia del dosel son mayores que las variaciones en el dosel mismo. Esto requiere el desarrollo de modelos LAI-SVI superiores y específicos para la región. En los últimos años, los métodos de aprendizaje estadístico como las máquinas de vectores de soporte (SVM) y las máquinas de vectores relevantes (RVM) han tenido éxito sobre los modelos de regresión de mínimos cuadrados ordinarios (OLS) para procesos complejos. El objetivo de este estudio es desarrollar y comparar modelos de reflectancia basados ​​en OLS, SVM y RVM para estimar el LAI para los principales cultivos de verano en las Altas Planicies de Texas. El LAI se midió en 47 campos comerciales seleccionados al azar en los condados de Moore y Ochiltree. La recolección de datos se realizó para coincidir con los sobrevuelos del satélite Landsat 5 en el área de estudio. Se examinaron numerosas derivaciones de SVI para estimar el LAI utilizando modelos OLS, SVM y RVM. El análisis de los resultados indicó que los modelos SVI-LAI basados ​​en la relación de las bandas 4 y 3 de TM y el índice de vegetación de diferencia normalizada (NDVI) son los más sensibles al LAI. Los valores R2 para los modelos seleccionados variaron de 0,79 a 0,96, y el modelo SVM produjo los mejores resultados. Sin embargo, la precisión de los modelos LAI informados necesita una evaluación adicional que tenga en cuenta la variabilidad espacial en el campo en el LAI para una aplicabilidad más amplia.