Influencia de la complejidad estructural del dosel en la reflectancia de datos Landsat TM
DOI:
https://doi.org/10.21829/myb.2015.211433Palabras clave:
atributos de bosque, bosque de coníferas, dosel, estructura del bosque, imágenes de satélite, respuesta espectralResumen
La relación entre datos de instrumentos de percepción remota y datos de inventario de bosque, en particular de la complejidad estructural de los elementos leñosos del dosel es un asunto pobremente entendido no obstante su importancia en ecología, silvicultura y manejo de recursos. En el presente trabajo se evaluó por medio de técnicas multivariadas (biplot) y Modelos Lineales Generalizados (MLG), la influencia de los diferentes estratos leñosos del dosel de cuatro variables de estructura (altura, DAP, diámetro de copa y densidad de individuos) sobre la reflectancia de datos Landsat TM en tres tipos de bosque en el Parque Nacional Cofre de Perote. Los resultados biplot indican diferencias relacionadas con el tipo de bosque y la expresión métrica de los atributos estructurales. MLG indican que la reflectancia total es dependiente de la complejidad estructural del dosel, del tipo de bosque con ciertas limitaciones derivadas de la sensitividad de los sensores. Las bandas Landsat 1-3, 5-7 mostraron una más clara relación con atributos de la complejidad forestal, en particular para bosque de Pinus hartwegii y bosque mixto, al parecer las dimensiones estructurales del bosque y limitaciones en la sensitividad de los sensores Landsat impiden explicar la reflectancia a partir de la complejidad en el bosque de A. religiosa.
Descargas
Citas
Asner, G.P. 1998. Biophysical and biochemical sources of variability in canopy reflectance. Remote Sensing of Environment 64(3):234-253. DOI: https://doi.org/10.1016/S0034-4257(98)00014-5
Baret, F. 1991. Vegetation canopy reflectance: factors of variation and application for agriculture. In: A. Belward y R. Valenzuela, eds. Remote Sensing and Geographical Information Systems for Resource Management in Developing Countries. ECSE, EEC, EAEC. Bruselas. p:145-167. DOI: https://doi.org/10.1007/978-94-017-2879-9_8
Chávez Jr, P.S. 1996. Image-based atmospheric corrections-revisited and improved. Photogrammetric Engineering & Remote Sensing 62(9):1025-1036.
Chander, G., B.L. Markham y D.L. Helder. 2009. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote Sensing of Environment 113(5):893-903. DOI: https://doi.org/10.1016/j.rse.2009.01.007
Colwell, J.E. 1974. Vegetation Canopy Reflectance. Remote Sensing of Environment 3(3):175-183. DOI: https://doi.org/10.1016/0034-4257(74)90003-0
Crawley, M.J. 2007. The R Book. John Wiley & Sons, Chichester, Reino Unido. 942 p.
Danson, F.M. y P.J. Curran. 1993. Factors affecting the remotely sensed response of coniferous forest plantations. Remote Sensing of Environment 43(1):55–65. DOI: https://doi.org/10.1016/0034-4257(93)90064-5
Donoghue, D.N.M. y P.J. Watt. 2006. Using Lidar to compare forest height estimates from IKONOS and Landsat ETM+ data in Sitka spruce plantation forests. International Journal of Remote Sensing 27(11):2161-2175. DOI: https://doi.org/10.1080/01431160500396493
Everitt, B. y T. Hothorn. 2012. An Introduction to Applied Multivariate Analysis with R. Springer. Nueva York. 273 p. DOI: https://doi.org/10.1007/978-1-4419-9650-3
Foody, G.M., D.S. Boyd y M.E.J. Cutler. 2003. Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions. Remote Sensing of Environment 85(4):463-474. DOI: https://doi.org/10.1016/S0034-4257(03)00039-7
Foody, G.M., M.E. Cutler, J. McMorrow, D. Pelz, H. Tangki, D.S. Boyd e I. Douglas. 2001. Mapping the biomass of Bornean tropical rain forest from remotely sensed data. Global Ecology and Biogeography 10(4):379-387. DOI: https://doi.org/10.1046/j.1466-822X.2001.00248.x
Franklin, S.E. 2001. Remote sensing for sustainable forest management. Lewis. Nueva York. DOI: https://doi.org/10.1201/9781420032857
Gabriel, K.R. 1971. The biplot graphic display of matrices with application to principal component analysis. Biometrika 58(3):453-467. DOI: https://doi.org/10.1093/biomet/58.3.453
García, E.-Conabio. 1998. Climas (Clasificación de Köppen, modificado por García). Escala 1:1,000,000, Catálogo de metadatos geográficos, Comisión Nacional para el Conocimiento y Uso de la Biodiversidad, México.
Gerard, F.F. y P.R.J. North. 1997. Analyzing the effect of structural variability and canopy gaps on forest BRDF using a geometric-optical model. Remote Sensing of Environment 62(1):46-62. DOI: https://doi.org/10.1016/S0034-4257(97)00070-9
Gillespie, T.W., B.R. Zutta, M.K. Early y S. Saatchi. 2006. Predicting and quantifying the structure of tropical dry forests in South Florida and the Neotropics using spaceborne imagery. Global Ecology and Biogeography 15(3):225-236. DOI: https://doi.org/10.1111/j.1466-8238.2005.00203.x
Hall, R.J., R.S. Skakun., E.J. Arsenault y B.S. Case. 2006. Modeling forest stand structure attributes using Landsat ETM+ data: Application to mapping of aboveground biomass and stand volume. Forest Ecology and Management 225(1):378-390. DOI: https://doi.org/10.1016/j.foreco.2006.01.014
He, B., X. Quan y M. Xing. 2013. Retrieval of leaf area index in alpine wetlands using a two-layer canopy reflectance model. International Journal of Applied Earth Observation and Geoinformation 21:78–91. DOI: https://doi.org/10.1016/j.jag.2012.08.014
Hill, R.A., D.S. Boyd y C. Hopkinson. 2011. Relationship between canopy height and Landsat ETM+ response in lowland Amazonian rainforest. Remote Sensing Letters 2(3):203-212. DOI: https://doi.org/10.1080/01431161.2010.510810
Houborg, R., M. Anderson y C. Daughtry. 2009. Utility of an image-based canopy reflectance modeling tool for remote estimation of LAI and leaf chlorophyll content at the field scale. Remote Sensing of Environment 113(1):259-274. DOI: https://doi.org/10.1016/j.rse.2008.09.014
Inegi. 2011. Uso del suelo y vegetación. Formato vectorial Escala: 1: 250 000 Serie IV. Instituto Nacional de Estadística y Geografía. México.
Inifap-Conabio. 1995. Edafología. Escala 1:250,000, Catálogo de metadatos geográficos, Comisión Nacional para el Conocimiento y Uso de la Biodiversidad, México.
Kohler, U. y M. Luniak. 2005. Data inspection using biplots. The Stata Journal 5(2):208-223. DOI: https://doi.org/10.1177/1536867X0500500206
La Grange, A., N. le Roux y S. Gardner-Lubbe. 2009. BiplotGUI: Interactive Biplots in R. Journal of Statistical Software 30(12):1-37. DOI: https://doi.org/10.18637/jss.v030.i12
Landgrebe, D. 1997. On information extraction principles for Hyperspectral data: a white paper. School of Electrical and Computer Engineering. Purdue University, West Lafayette.
Lee, N.J. y K. Nakane. 1997. Forest vegetation classification and biomass estimation based on Landsat TM data in a mountainous region of west Japan. In: H.L. Gholz, K. Nakane y H. Shimoda, eds. The use of remote sensing in the modeling of forest productivity. Kluwer, Dordrecht. p:159-171. DOI: https://doi.org/10.1007/978-94-011-5446-8_7
Lin, D., D.P. Foster y L.H. Ungar. 2011. VIF-Regression: A fast regression algorithm for large data. Journal of the American Statistical Association 106(493):232-247. DOI: https://doi.org/10.1198/jasa.2011.tm10113
Lu, D., P. Mausel, E. Brondizio y E. Moran. 2004. Relationships between forest stand parameters and Landsat TM spectral responses in the Brazilian Amazon Basin. Forest Ecology and Management 198(1):149-167. DOI: https://doi.org/10.1016/j.foreco.2004.03.048
Luther, J.E., R.A. Fournier, D.E. Piercey, L. Guindon y R.J. Hall. 2006. Biomass mapping using forest type and structure derived from Landsat TM imagery. International Journal of Applied Earth Observation and Geoinformation 8(3):173-187. DOI: https://doi.org/10.1016/j.jag.2005.09.002
Mandeville, P.B. 2008. ¿Por qué se deben centrar las covariables en regresión lineal? Ciencia UANL 11(3):300-305.
Mather, P.M. 2004. Computer processing of remotely-sensed images. An introduction. 3a ed. John Wiley & Sons Ltd. Chichester, Inglaterra. 324 p.
Millennium Ecosystem Assessment. 2005. Ecosystems and human well-being: synthesis. Island Press, Washington, DC. 137 p.
Nelder, J.A. y R.W.M. Wedderburn. 1972. Generalized linear models. Journal of Royal Statistical Society A 135(3):370-384. DOI: https://doi.org/10.2307/2344614
Nilson, T., A. Kuusk, M. Lang y T. Lukk. 2003. forest reflectance modeling: theoretical aspects and applications. Ambio 32(8):535-541. DOI: https://doi.org/10.1579/0044-7447-32.8.535
Peterson, D.L., M.A. Spanner, S.W. Running y K.B Tueber. 1987. Relationship of Thematic Mapper simulator data to leaf area index of temperate coniferous forests. Remote Sensing of Environment 22(3):323–341. DOI: https://doi.org/10.1016/0034-4257(87)90087-3
Rawlings, J.O., S.A. Pantula y D.A. Dickey. 1998. Applied regression analysis: a research tool. 2a ed. Springer-Verlag, Nueva York. 658 p. DOI: https://doi.org/10.1007/b98890
R Development Core Team. 2012. R: A language and environment for statistical computing. R Foundation for Statistical Computing. <http://www.R-project.org> (Consultado abril 2012).
Rock, B.N., J.E. Vogelmann, D.L. Williams, A.F. Vogelmann y T. Hoshizaki. 1986. Remote detection of forest damage. Bioscience 36(7):439-445. DOI: https://doi.org/10.2307/1310339
Steininger, M.K. 2000. Satellite estimation of tropical secondary forest above-ground biomass: Data from Brazil and Bolivia. International Journal of Remote Sensing 21(6):1139–1157. DOI: https://doi.org/10.1080/014311600210119
Vidal-Zepeda, R. 1990. Precipitación media anual. Formato vectorial escala 1:4,000,000. Catálogo de metadatos geográficos. Comisión Nacional para el Conocimiento y Uso de la Biodiversidad.
Wang, Q. y P. Li. 2013. Canopy vertical heterogeneity plays a critical role in reflectance simulation. Agricultural and Forest Meteorology 169:111-121. DOI: https://doi.org/10.1016/j.agrformet.2012.10.004
Woodcock, C.E., S.A. Macomber, M. Pax-Lenney y W.B. Cohen. 2001. Monitoring large areas for forest change using Landsat: Generalization across space, time and Landsat sensors. Remote Sensing of Environment 78:194-203. DOI: https://doi.org/10.1016/S0034-4257(01)00259-0
Wulder, M.A., R.J. Hall, N.C. Coops y S.E. Franklin. 2004. High spatial resolution remotely sensed data for ecosystem characterization. BioScience 54(6):511-521. DOI: https://doi.org/10.1641/0006-3568(2004)054[0511:HSRRSD]2.0.CO;2
Xu, B., P. Gong y R. Pu. 2003. Crown closure estimation of oak savannah in a dry season with Landsat TM imagery: Comparison of various indices through correlation analysis. International Journal of Remote Sensing 24(9):1811-1822. DOI: https://doi.org/10.1080/01431160210144598
Zheng, D., J. Rademacher, J. Chen, T. Crow, M. Bresee, J. Le Moine y S.R. Ryu. 2004. Estimating aboveground biomass using Landsat 7 ETM+ data across a managed landscape in northern Wisconsin, USA. Remote Sensing of Environment 93(3):402-411. DOI: https://doi.org/10.1016/j.rse.2004.08.008
Zuur, A.F., E.N. Ieno y C.S. Elphick. 2010. A protocol for data exploration to avoid common statistical problems. Methods in Ecology & Evolution 1(1):3-14. DOI: https://doi.org/10.1111/j.2041-210X.2009.00001.x
Descargas
Publicado
Cómo citar
-
Resumen615
-
PDF222
-
HTML153
Número
Sección
Licencia
Madera y Bosques por Instituto de Ecología, A.C. se distribuye bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional.
