Download Caracterización de la condición de la vegetación usando sensores

Espacio
Reservado
Ivan Lizarazo
Universidad Distrital
Facultad de Ingeniería
[email protected]
Caracterización de la condición de
la vegetación usando sensores
próximos y remotos
Resumen
La caracterización de la condición de la vegetación natural y de las tierras agrícolas es esencial en
muchas áreas de aplicación. La percepción remota constituye una alternativa rápida y económica para
realizar dicha caracterización. Este artículo describe la línea de investigación que el autor dirige a nivel
de pregrado y posgrado, la cual se enfoca en la extracción de información sobre el estado y la dinámica
de la vegetación utilizando como fuente principal, datos obtenidos mediante sensores próximos y remotos. El autor revisa de manera detallada el estado del arte y reflexiona sobre los problemas de investigación más importantes. Finalmente, expone las perspectivas de desarrollo de la investigación.
Palabras clave: Percepción Remota de la Vegetación, Propiedades ópticas de las hojas, Respuesta espectral del dosel, Espectroscopía, Reflectancia, Fluorescencia.
Vegetation condition assessment using proximal and remote sensors.
Abstract
Assessment of natural vegetation and agricultural land condition is essential in many application areas. Remote sensing is a quick and inexpensive alternative to perform such an assessment. This article
describes the research line, led by the author at undergraduate and graduate levels, which focuses on
extraction of information on the status and dynamics of vegetation using proximal and remote sensors.
The author reviews in detail the state of the art and reflects on the most important research problems.
Finally, discusses the prospects for research development.
Key words: Remote sensing of vegetation, Leaf optical properties, Canopy spectral signature, Spectroscopy, Reflectance, Fluorescence.
1. Introducción
Una caracterización apropiada de la condición1 de la vegetación es importante para una diversidad de
fines, tales como el monitoreo de la cantidad y calidad de las zonas agrícolas; la evaluación del impacto
de actividades antrópicas desarrolladas en ecosistemas frágiles; y el desarrollo de actividades de preservación y/o restauración de la biodiversidad y de protección del medio ambiente. En el caso particular de
Colombia, es importante mejorar el conocimiento del estado y de la dinámica de la vegetación natural
en los ecosistemas estratégicos. Adicionalmente, considerando que una parte importante del desarrollo
económico del país reside en el sector agrícola, es esencial realizar estimaciones confiables sobre el área
geográfica destinada a la agricultura y monitorear las condiciones de salud y de productividad de los
diferentes cultivos.
El desarrollo de una línea de investigación enfocada en la caracterización de la vegetación, constituye
una oportunidad para generar conocimiento útil que contribuya a la resolución de problemas importantes
de la sociedad, que es lo que se espera de la investigación que se desarrolle a nivel de ingeniería [2].
La caracterización de la vegetación se realiza tradicionalmente mediante la adquisición de datos en el
campo y la realización de ensayos de laboratorio. Estas actividades permiten la determinación de parámetros bioquímicos (p.ej. concentración de clorofila o de carotenos), de parámetros biofísicos (p.ej. ín1
El término condición se refiere de manera general a un indicador de la calidad de la vegetación. La condición se expresa a
través de medidas que hacen referencia al estado de salud, nutrición y productividad. En el caso de vegetación natural, el término
condición incluye indicadores relacionados con composición, estructura a diferentes escalas y función [1].
1
dice de área foliar o contenido de biomasa) a nivel de hoja y de dosel, y de parámetros funcionales (p.ej.
rata de fotosíntesis neta). Sin embargo, existe consenso en que los métodos tradicionales para la determinación de dichos parámetros son destructivos, dispendiosos y costosos, lo cual limita su aplicación
[3].
El uso de sensores próximos, ubicados en un rango de unos pocos centímetros hasta unos pocos metros, y de sensores remotos, ubicados a mayor distancia, constituye una alternativa para caracterizar y
monitorear el estado de la vegetación. Una variedad de sensores se viene utilizando desde hace varias
décadas, con diverso éxito, en diferentes países en estudios relacionados con la caracterización de vegetación natural y de cultivos de interés estratégico (ver, por ejemplo, [4]).
En Colombia, aunque algunas instituciones públicas y privadas vienen dando pasos en ese sentido, todavía existe mucho trecho por recorrer, tanto a nivel de generación de conocimiento como de desarrollo de técnicas específicas, apropiadas para nuestras condiciones particulares, como de aplicaciones operacionales. Esta línea de investigación se propone explorar la utilidad de sensores próximos y de sensores remotos para extraer o inferir características sobre la condición de la vegetación y producir soluciones técnicas que ayuden a resolver problemas relacionados con la restauración y protección del medio
ambiente y la sostenibilidad de la agricultura.
2. Objetivos
El objetivo general de esta línea de investigación es evaluar el potencial de diferentes métodos y técnicas para extraer información sobre la condición de la vegetación a diferentes escalas espaciales y temporales a partir de datos de sensores próximos y de sensores remotos.
Los objetivos específicos son:
OE1: Determinar la correlación existente entre reflectancia y/o fluorescencia clorofílica de las hojas y
diversos parámetros biofísicos, bioquímicos y funcionales utilizando técnicas espectroscópicas
OE2: Evaluar métodos y técnicas que permitan estimar parámetros biofísicos, bioquímicos y funcionales
a partir de imágenes de sensores estacionarios multi-espectrales o hiper- espectrales
OE3: Investigar la utilidad de cámaras digitales, montadas sobre plataformas aéreas no tripuladas, para
el monitoreo y seguimiento de vegetación natural y de cultivos de importancia
OE4: Evaluar métodos y técnicas que permitan determinar la condición de la vegetación a partir de imágenes multi-espectrales o hiper-espectrales obtenidas mediante plataformas aéreas o satelitales
OE5: Estudiar la dinámica de la vegetación usando series multitemporales obtenidas mediante sensores
próximos y remotos
La hipótesis subyacente a estos objetivos es que el procesamiento apropiado de datos de sensores próximos y remotos permite obtener información confiable sobre la condición de la vegetación.
3. Estado del arte
3.1. Caracterización espectral a nivel de hoja
Las características espectrales de los componentes bioquímicos de las hojas son conocidas desde hace
varias décadas (ver, por ejemplo, [5]). La reflectancia en la vegetación, para el rango de 0.45 a 2.5 ųm,
depende de las siguientes características [6]: (i) la textura superficial de la hoja y el índice de refracción
de la sustancia cuticular ubicada en la epidermis superior; (ii) la composición, la cantidad y la distribución de los pigmentos; (iii) la estructura interna de la hoja; y (iv) el contenido de agua. La Figura No. 1
muestra el espectro típico de reflectancia de una hoja sana [6].
2
Figura No. 1. Espectro típico de reflectancia de una hoja sana [6]
La Tabla I resume 42 características de absorción de los principales componentes bioquímicos de la
hoja [7]. La curva de reflectancia espectral de una hoja, adquirida mediante un espectro radiómetro que
es un sensor próximo, hace factible la obtención de información sobre la concentración de los denominados pigmentos superiores de las hojas [8]. Si la concentración de clorofila se incrementa, el denominado “borde rojo” de la curva (el valor máximo de la primera derivada del espectro de reflectancia, ubicado entre las longitudes de onda 680 nm y 750 nm) se acerca hacia la zona del rojo [3].
Tabla I
Características de absorción de los bioquímicos de las hojas [7]
Longitud de onda (μm)
Bioquímico
Proceso físico
0.43, 0.46, 0.64,0.66
Clorofila
Transiciones electrónicas
0.97, 1.20, 1.40, 1.94
Agua
Expansión del enlace O-H
1.51, 2.18 (0.91, 1.02, 1.69, 1.94,
Proteína, nitrógeno
Expansión y flexión del enlace N-H,
1.98,2.06,2.13, 2.24,2.30, 2.35)
expansión del enlace C-H
2.31 (0.93, 1.02)
Aceite
Expansión y flexión del enlace C-H
1.69 (1.12, 1.42, 1.94)
Lignina
Expansión del enlace C-H
1.78
Celulosa y azúcar
La Figura No. 2 ilustra el hecho que las hojas de diferentes tipos de vegetación tienen diferentes características espectrales. Aunque a nivel internacional existen librerías espectrales de diferentes tipos de
vegetación (p.ej. las librerías creadas por el Servicio Geológico de los Estados Unidos –USGS-), en Colombia existe un número reducido de librerías espectrales, que se enfocan en catalogar un número limitado de cultivos agrícolas, las cuales han sido adquiridas por centros de investigación especializados, tales como Cenicaña, Cenicafé y Cenipalma. Estas librerías, desafortunadamente, no están disponibles para el acceso público.
Figura No. 2. Espectro de reflectancia de hojas de diferentes cultivos [6]
3
La reflectancia espectral de una hoja sana es diferente de la reflectancia espectral de una hoja enferma.
La Figura No. 3 ilustra de manera general esas diferencias. La reflectancia espectral de una hoja puede
utilizarse de manera directa para establecer la concentración de bioquímicos. Adicionalmente puede utilizarse de manera indirecta para caracterizar el estado de salud de la vegetación, por ejemplo, para establecer si existe estrés hídrico, enfermedad, plaga o deficiencia nutricional. Igualmente puede utilizarse
para estimar parámetros biofísicos tales como el índice de área foliar (LAI, por sus siglas en inglés), y el
contenido de biomasa.
Figura No. 3. Espectro de reflectancia de una hoja sana y una hoja estresada [6]
3.2. Caracterización espectral a nivel de dosel
Sin embargo, una cosa es caracterizar la hoja de una planta y otra cosa caracterizar el dosel de la planta. La respuesta espectral del dosel de la planta no se puede determinar mediante la simple agregación de
la reflectancia de muchas hojas individuales. Incluso en el caso hipotético de considerar que el dosel está compuesto únicamente por dos niveles de hojas, las interacciones de la radiación con los diferentes
componentes de la planta son bastante complicadas. En la Figura No. 4 se ilustra que la radiación correspondiente al infrarrojo cercano (NIR) tiene la capacidad de transmitirse a través de las hojas [6].
Figura No. 4. Interacción de la radiación electromagnética y los diferentes componentes de una planta para una planta hipotética
que tiene dos niveles de hojas [6]
La respuesta espectral del dosel de la vegetación está determinada por tres factores: (i) las propiedades
radiativas de cada uno de los componentes de la planta, es decir, las hojas, los frutos, las flores, el tallo,
y el suelo; (ii) la arquitectura o estructura del dosel, es decir la densidad de las hojas y la configuración
espacial específica de las hojas; y (iii) la orientación de la fuente de iluminación y del sensor utilizado
[9].
3.3. Espectroscopía
La espectroscopía es un tipo de percepción próxima, en consideración a su cercanía con el objeto de
4
interés. La técnica espectroscópica más utilizada para realizar la caracterización espectral de la vegetación se enfoca en la medición de la reflectancia, variable que como se ha indicado, está directamente relacionada con las propiedades bioquímicas. En los últimos años, sin embargo, ha ganado importancia la
medición de la fluorescencia clorofílica [10].
La energía solar que es absorbida por una hoja excita los electrones en las moléculas de clorofila: (a)
Buena parte de dicha energía se puede convertir en energía química para realizar la fotosíntesis; (b) el
exceso de energía se puede liberar en forma de calor; o (c) dicho exceso se puede re-emitir en forma de
fluorescencia. Los tres procesos mencionados compiten permanentemente entre sí, lo cual significa que
la intensidad de la fluorescencia es mayor cuando se ha liberado menos energía calórica o cuando la fotosíntesis utiliza menos energía química. Por consiguiente, la medición de la fluorescencia clorofílica
permite evaluar la eficiencia de los procesos fotoquímicos y no fotoquímicos [10].
La fluorescencia emitida por una hoja tiene una longitud de onda mayor que la de la luz que se absorbe. En general, la fluorescencia se mide iluminando la hoja en un rango espectral determinado y midiendo la intensidad de la luz emitida en una longitud de onda mayor. Los autores de ref.[11] establecieron
que existe una relación lineal entre la fluorescencia clorofílica medida en 735 nm y 705 nm y el contenido de clorofila. Estudios más recientes sugieren que existe una correlación significativa entre los valores de fluorescencia y el contenido de nitrógeno, y que esa correlación es más fuerte que la existente
entre reflectancia espectral y nitrógeno [12].
3.4. Imágenes disponibles
La mayoría de las investigaciones usan imágenes adquiridas con sensores ópticos pasivos los cuales
usan la luz solar como fuente de energía y permiten registrar la respuesta espectral en el rango entre
400 y 2500 nm. Una imagen pancromática permite obtener la respuesta espectral del objeto de interés en
una sola banda. Dependiendo del número de bandas y del ancho espectral de cada banda, las imágenes
se pueden clasificar en las categorías multi, super, hiper o ultra espectrales [10] (Ver Tabla II). Entre
menor sea el ancho de cada banda, mejor es la resolución espectral, debido a que se obtienen espectros
de reflectancia que son prácticamente continuos. La Figura No. 5 ilustra la diferencia entre la respuesta
registrada en un sensor multi-espectral (línea en color azul) y la respuesta captada por un sensor hiperespectral (líneas en colores verde y rojo) [3].
Tabla II.
Tipos de imágenes en función de la resolución espectral [10].
Multi-espectrales
Super-espectrales
Hiper-espectrales
Ultra-espectrales
1 ≤ N ≤ 10
Δλ ≈ 100 nm
10 ≤ N ≤ 100
Δλ ≈ 50 nm
100 ≤ N ≤ 1000
Δλ ≈ 10 nm
1000 ≤ N ≤ ?
Δλ ≈ 1 nm
Figura No. 5. Comparación entre la respuesta espectral captada por un sensor multiespectral (azul) y la respuesta registrada en un
sensor hiper-espectral (líneas en colores verde y rojo) [3].
La Figura No. 6 ilustra el carácter casi continuo de la respuesta espectral registrada en una imagen hiperespectral [13].
5
Figura No. 6. Ilustración de la respuesta captada en una imagen hiper espectral. El perfil espectral es casi continuo [13].
Otra característica importante de una imagen es la relación existente entre el tamaño de cada pixel y el
tamaño de los objetos de interés. La Figura No. 7 ilustra las tres situaciones básicas: (a) el tamaño del
pixel es mayor que el tamaño de los objetos de interés (resolución espacial baja), (b) el tamaño del pixel
es similar al tamaño de los objetos de interés (resolución espacial media), (c) el tamaño del pixel es
menor que el tamaño de los objetos de interés (resolución espacial alta).
Figura No. 7. La resolución espacial de una imagen puede ser: (a) baja; (b) media; (c) alta.
La resolución temporal de una imagen, por otra parte, hace referencia a la frecuencia de adquisición
de una imagen. Esta resolución depende fundamentalmente del tipo de plataforma en la cual se instala el
sensor y, en el caso de satélites, ella puede variar desde 30 minutos hasta un cierto número de meses. La
Tabla III muestra algunos tipos de sensores próximos y remotos que se han utilizado en aplicaciones
agrícolas.
Adicionalmente a las plataformas satelitales y aéreas convencionales, recientemente se han iniciado
estudios para establecer el potencial de utilizar plataformas aéreas no convencionales (UAV) y cámaras
multi-espectrales no métricas para realizar cartografía temática de la vegetación y para estimar algunas
de sus propiedades [3]. Por otra parte, es importante indicar que ya están disponibles en el mercado los
llamados sensores hiper-espectrales de última generación, de alta resolución espectral, algunos de los
cuales registran información en el espectro termal que puede ser muy útil en estudios de vegetación
[10].
Tabla III.
Sensores más utilizados en agricultura [10]
Sensor
Plataforma
Fuente
Resolución
Tipo de datos
Espectral
No.
Espacial Temporal Bandas
IKONOS
Satélite
Pasiva
Multi-espectral
400-1100 nm
4m
2-3 días 4 + PAN
QuickBird
Satélite
Pasiva
Multi-espectral
450-900 nm
2.5m
2-5 días 4 + PAN
Landsat
Satélite
Pasiva
Multi-espectral
450-12500 nm
30m
16 días 7 + PAN
Spot
Satélite
Pasiva
Multi-espectral
500-890 nm
10m
26 días 4 + PAN
RapidEye
Satélite
Pasiva
Multi-espectral
440-850 nm
6.5m
Avión
Pasiva
Multi-espectral
400-1100nm
Satélite
Pasiva
Hiper-espectral
400-2400 nm
Activa
Multi-espectral
656 y 774 nm
Duncan Tech
Camera
E01Hyperion
GreenSeeker
Crop Circle
Vehículo en
tierra
Vehículo en
tierra
Visible e IR
Activa
ajustable
1 día
5
N.A.
3-5
30m
16 días
220
0.6m
N.A.
2
0.6m
N.A.
3
s/n altura
de vuelo
Por otra parte, algunas investigaciones recientes se concentran en evaluar las ventajas de utilizar senso6
res activos (p.ej. RADAR o LIDAR), en lugar de sensores pasivos que dependen de la iluminación solar, para caracterizar la estructura de la vegetación. Igualmente, se realizan estudios para establecer el
potencial de fusionar imágenes ópticas con imágenes obtenidas mediante sensores activos (Ver, p. ej.,
[14]).
3.5. Técnicas de análisis de imágenes
El análisis de imágenes de sensores remotos se puede realizar usando tres técnicas básicas dependiendo de la resolución espacial de la imagen: (a) análisis a nivel sub-pixel, en caso de resolución espacial
baja; (b) análisis basado en pixeles, en caso de resolución espacial media; y (c) análisis basado en grupos de pixeles, en caso de resolución espacial alta.
En la Figura 8, se muestran, en color rojo, los pixeles de tres imágenes hipotéticas para ilustrar la técnica de análisis más apropiada: a) sub-pixel; b) basada en pixeles; y c) basada en grupos de pixeles
(también conocidos como objetos de imagen) [15]. Es importante señalar que la técnica basada en pixeles es la más usada. La técnica basada en objetos de imagen es relativamente reciente debido a que solo
en el año 2000 se inició la adquisición de imágenes satelitales de alta resolución espacial con fines civiles. La técnica basada en sub-pixeles, por otra parte, es una técnica experimental cuyo uso no es todavía
operacional.
Figura No. 8. La técnica de análisis es función de la resolución espacial de la imagen: (a) sub-pixel; (b) pixeles; (c) grupos de pixeles (objetos de imagen)
Figura No. 9. Efecto de resolución espacial de una imagen en la detección de enfermedad en una hoja usando espectroscopía de
reflectancia [16]
7
La figura No. 9, adaptada de [16], muestra la influencia de la resolución espacial de datos hiperespectrales en la detección de una enfermedad en cultivos de remolacha. Es claro que si la resolución
espacial es baja, no es posible dicha detección.
3.6. Métodos de estimación de parámetros de vegetación
Los métodos disponibles para extraer parámetros de la vegetación se pueden clasificar en dos categorías generales: empíricos y físicos. Los métodos empíricos establecen un modelo estadístico entre el parámetro de interés (p.ej. la concentración de bioquímicos (z)) y algunas variables espectrales (x) (por
ejemplo un índice espectral), utilizando datos de referencia obtenidos mediante métodos tradicionales.
Si el valor de x es conocido, se puede usar el modelo para obtener el valor z correspondiente. Los métodos físicos, por otra parte, utilizan modelos de inversión basado en principios físicos bien establecidos
[10]. Utilizando un modelo físico en modo directo es posible simular la curva de reflectancia de la vegetación si se conocen ciertos parámetros de entrada, tales como la concentración de bioquímicos. Si lo
que se conoce es la reflectancia de la vegetación, entonces se puede aplicar el modelo en modo inverso
para obtener la concentración de bioquímicos [3].
Los métodos empíricos han permitido determinar la concentración de nitrógeno, lignina y celulosa a
partir de datos espectroscópicos [17]. Otros investigadores han reportado la utilidad de los índices espectrales para estimar la concentración de bioquímicos [18] [19]. Es importante indicar que estos métodos funcionan muy bien en las condiciones controladas en que operan los sensores próximos y, por tanto, su utilización con datos de sensores remotos que están sujetos a muchas interferencias, les pueden
hacer perder robustez y portabilidad [3].
Los métodos físicos emplean modelos de transferencia radiativa que describen detalladamente el proceso de transmisión de energía en los diferentes componentes de las plantas. Los modelos físicos más
empleados son los siguientes [3]: (a) N-capas, (b) Aleatorio, (c) Trazado de rayos, (d) Placa, y (e) LIBERTY. El uso de métodos físicos para extraer parámetros bioquímicos solo es exitoso cuando la resolución espectral de las imágenes utilizadas es apropiada, tal como se puede deducir de los datos indicados en la Tabla IV [3].
Tabla IV.
Influencia de resolución espectral en la extracción de parámetros bioquímicos usando modelos físicos [3].
Sensor
AVHRR
TM
MODIS
OMIS
Validez de la estimación
(Error Medio Cuadrático / Clorofila)
0.34987
0.07553
0.04223
0.01912
Evaluación
Inaceptable
Deficiente
Buena
Buena
4. Objetos de investigación
4.1. Problemas que aborda la línea de investigación
La revisión del estado del arte muestra que la caracterización de la vegetación a partir de imágenes
cuyos pixeles “captan” la energía solar reflejada por la vegetación no es un ejercicio trivial. Aunque
existe literatura científica que reporta el uso exitoso de diversos métodos y técnicas para realizar dicha
tarea (ver, por ejemplo, [20][21]), existe controversia sobre la validez de los métodos empíricos [22].
Igualmente, es claro que la estimación confiable de parámetros biofísicos y bioquímicos plantea muchos problemas técnicos que no han sido resueltos satisfactoriamente [23].
Esta línea de investigación se propone resolver los siguientes interrogantes:
a) ¿Cuál es la relación existente entre las propiedades espectroscópicas de la vegetación y sus propiedades biofísicas y bioquímicas?
b) ¿Cuál es la relación existente entre las propiedades biofísicas y bioquímicas de la vegetación y su
estado funcional y productivo?
c) ¿Cuáles es la resolución espacial y espectral apropiada para caracterizar el estado de la vegetación
(estrés hídrico, enfermedad, deficiencia nutricional, etc.) usando sensores remotos?
d) ¿Cuáles son las ventajas y limitaciones de los métodos empíricos para la extracción de propiedades
de la vegetación?
e) ¿Cuáles son las ventajas y limitaciones de los métodos físicos para la extracción de propiedades de
la vegetación?
8
f) ¿Cuáles son las características de la vegetación que pueden extraerse de manera confiable mediante
el análisis del espectro de reflectancia y del espectro de fluorescencia?
g) ¿Cuáles características de la vegetación se pueden caracterizar y monitorear utilizando series temporales de imágenes de satélite?
4.2. Metodología
4.2.1.
Zona de estudio
El proyecto se puede desarrollar en diferentes zonas del país de acuerdo con el interés que demuestren
algunos socios potenciales (por ejemplo, centros de investigación agrícola, entidades relacionadas con la
conservación del medio ambiente, etc.). Sin embargo, se buscará estimular la realización de estudios relacionados con la caracterización de la condición de especies vegetales de ecosistemas de bosque altoandino y de páramo dada su importancia estratégica.
4.2.2.
Datos
Los insumos principales son:
 Datos espectroscópicos obtenidos mediante espectro-radiometría o mediciones de fluorescencia
 Imágenes multi-espectrales o hiper-espectrales obtenidas mediante plataformas terrestres, aéreas o satelitales (incluyendo plataformas aéreas no tripuladas)
 Opcionalmente, datos hiper-espectrales fusionados con datos LIDAR o RADAR
 Datos de referencia sobre parámetros bioquímicos, biofísicos o funcionales de la vegetación obtenidos
en laboratorio o en campo
4.2.3.
Métodos
La metodología general que se utilizará en el desarrollo de esta línea de investigación comprende las
siguientes fases (Ver Figura No. 10):
Fase 1:
Incluye la realización de mediciones espectroscópicas puntuales en diferentes escalas: a nivel de hoja,
dosel o lote.
Fase 2:
Medición directa de propiedades de la vegetación a diferentes niveles.
Fase 3:
Obtención, procesamiento y análisis de imágenes de sensores remotos de diferente resolución espacial: alta, media y baja.
Fase 4:
Extracción de parámetros biofísicos y bioquímicos de la vegetación y evaluación de su correlación el
estado de la vegetación.
Figura No. 10. Flujo de procesos que se utilizarán para desarrollar la línea de investigación. Las líneas continuas indican las rutas
de ejecución en el tiempo. Las líneas puntuales indican posibles actividades de agregación espacial.
9
El proceso metodológico de cada proyecto específico se realizará mediante las siguientes fases:
1.
Definición de objetivos particulares
2.
Definición de especificaciones técnicas
3.
Diseño experimental
4.
Adquisición de imágenes, datos espectroscópicos y datos de referencia
5.
Realización de correcciones geométricas y radiométricas, incluyendo correcciones atmosféricas
si aplican
6.
Procesamiento digital de las imágenes (utilizando los métodos y las técnicas que sean relevantes para cada proyecto específico) y de otros datos
7.
Modelamiento y análisis de información
8.
Obtención de productos
9. Evaluación de calidad de los productos obtenidos
4.3. Resultados esperados
El desarrollo de proyectos de investigación relacionados con esta línea permitirá obtener conocimiento útil para aplicar tecnología de percepción remota en la caracterización de la condición de la vegetación. Este conocimiento apoyará la solución de problemas de biodiversidad de recursos naturales y
de sostenibilidad de la agricultura nacional.
El desarrollo de cada proyecto específico aportará por lo menos 3 productos concretos seleccionados
entre las siguientes opciones:
1.
Reportes de evaluación de la utilidad de imágenes de sensores próximos o remotos para extraer
información sobre vegetación natural o cultivos de importancia económica
2.
Metodologías específicas de estimación de parámetros de vegetación usando técnicas de percepción remota
3.
Modelos empíricos o físicos que permitan extraer información confiable sobre la vegetación
usando sensores remotos
4.
Mapas digitales que muestren el estado o la dinámica de la vegetación natural o de cultivos específicos, a nivel nacional, regional o local
5.
Análisis de los cambios, frecuencias y tendencias de la vegetación natural o de cultivos específicos en regiones de interés
6.
Un artículo científico a publicar en una revista internacional indexada (por ejemplo International Journal of Remote Sensing o Remote Sensing Letters)
Impacto científico: contribución al avance de la frontera del conocimiento en la aplicación de percepción remota en vegetación, y a su divulgación en eventos académicos y en revistas de alto impacto. Los
resultados pueden ser aplicados para caracterizar y/o realizar el seguimiento de zonas de vegetación natural y para apoyar el manejo agronómico de cultivos de interés nacional.
Impacto académico: enriquecimiento de la docencia de pregrado de Ingeniería Catastral y Geodesia
(asignatura PDI) y Maestría en CIC con énfasis en Geomática (PDI Avanzado) de la Facultad de Ingeniería. Consolidación del área de profundización en Geomática del Doctorado en Ingeniería. Avance de
la línea de investigación del Grupo NIDE: Análisis de imágenes orientado a la caracterización y detección de cambios en objetos y fenómenos geográficos. Avance en la cooperación entre diferentes proyectos curriculares (p.ej. Ingeniería Catastral y Geodesia, Ingeniería Forestal, Licenciatura en Biología).
4.4. Listado de proyectos en desarrollo
La siguiente es una lista no exhaustiva de los proyectos en desarrollo:
Doctorado en Ingeniería:
 Estimación de parámetros fotosintéticos de algunas especies vegetales usando datos de sensores próximos y remotos (Orlando Riaño; Objetivos OE1, OE2, OE3, OE4)
 Caracterización estructural de vegetación usando datos LIDAR de forma de onda completa (Por definir; Objetivos OE1, OE2, OE3, OE4)
 Modelamiento de propiedades radiativas de la vegetación (Por definir; Objetivos OE1, OE2, OE3,
OE4)
10
Maestría en CIC (Enfasis Geomática) o Especialización en SIG:
 Evaluación de la utilidad de imágenes de cámaras digitales montadas en plataformas aéreas no tripuladas para monitorear la vegetación (Jorge Luis Rodríguez; Objetivos OE1, OE2, OE3)
 Guía metodológica para caracterizar la dinámica de la deforestación a partir del análisis de series multitemporales de imágenes multiespectrales (Oscar Javier Espejo; Objetivo OE4, OE5)
 Diferenciación de variedades de café usando imágenes multiespectrales (Camilo León; Objetivos
OE4, OE5)
 Estimación de parámetros biofísicos de la vegetación usando firmas de reflectancia espectral e imágenes de alta resolución espacial (Mauricio Rodríguez; Objetivos OE1, OE2, OE3, OE4)
 Caracterización del estado de la vegetación utilizando imágenes hiperespectrales obtenidas mediante
plataformas aéreas o satelitales (Por definir; Objetivo OE4, OE5)
 Caracterización del estado de la vegetación utilizando datos de fluorescencia clorofílica (Por definir;
Objetivo OE1)
Pregrado en Ingeniería Catastral e Ingeniería Forestal
 Caracterización espectral de especies vegetales de páramo usando espectroscopía de reflectancia e
imágenes multiespectrales (Lizeth Casilimas, Gabriel Castaño y Christian Forero; Objetivos OE1,
OE2)
 Guía metodológica para la adquisición y análisis de datos espectroscópicos de reflectancia de vegetación (Por definir; Objetivo OE1)
 Creación de librería de datos espectrales y fotosintéticas de especies nativas e invasoras en el Distrito
Capital (Erich Fajardo, Andrea Girón y Angelica Ojeda; Objetivo OE1)
 Utilidad de imágenes multiespectrales en la determinación de zonas afectadas por especies vegetales
invasoras – Caso de estudio: Bogotá, DC (Steven Peñalosa y Daner Castro)
 Evaluación de la correlación entre índices espectrales y propiedades biofísicas de la vegetación natural
o de cultivos específicos (Por definir; Objetivo OE4)
5. Conclusiones y perspectivas
El desarrollo de actividades de investigación relacionadas con el uso de técnicas de percepción remota
para determinar la condición de la vegetación es esencial para un mejor entendimiento y manejo de los
recursos naturales y agrícolas. A pesar de los continuos avances en los métodos utilizados para estimar
propiedades biofísicas y bioquímicas de la vegetación usando técnicas de percepción remota, existen diversas fuentes de error e incertidumbre. Los problemas a resolver representan un reto para la ingeniería
colombiana en la medida que exigen soluciones originales y creativas que puedan aplicarse en las condiciones particulares de nuestro país.
Referencias bibliográficas
[1] Bleby, K., Harvey, J., Garkaklis, M., Martin, L. 2008. Resource Condition Monitoring – Native Vegetation Integrity Project Literature Review: Vegetation Condition Assessment, Monitoring & Evaluation. Department of Environment and Conservation, Western Australia. 67 pp.
[2] Petroski, H. 2011. The Essential Engineer: Why Science Alone Will Not Solve Our Global Problems.
New York: Vintage. 288 pp.
[3] Liang, S., Li, X., and Wang, J. 2012. Advanced Remote Sensing – Terrestrial information extraction
and applications. Academic Press. Elsevier.
[4] Garkaklis, M. 2010. Remote Sensing Vegetation Condition Assessment: Case Studies in Western
Australia. Astron Environmental Services. Report prepared for Department of Environment and Conservation. 14 pp.
11
[5] Thomas, J.R., and Gaussman, H.W. 1977. Leaf reflectance vs. leaf chlorophyll and carotenoid concentrations for eight crops. Agronomy Journal, 69: 799-802.
[6] Jensen, J.R. 2000. Remote Sensing of Environ ment – An Earth Resource Perspective. NJ: Prentice
Hall. 544 pp.
[7] Curran, P.J. 1989. Remote sensing of foliar chemistry. Remote Sensing of Environment, 30:271-278.
[8] Merzlyak, M.N., Gitelson A.A., Chivkunova O.B., Solovchenko, A.E., and Pogosyan, S.I. 2003.
Application of Reflectance Spectroscopy for Analysis of Higher Plant Pigments. Russian Journal of
Plant Physiology, 50 (5): 704–710.
[9] Lewis, P. and Disney, M. 2007. Spectral invariants and scattering across multiple scales from within-leaf to canopy. Remote Sensing of Environment, 109(2):196–206.
[10] Jones H.G. and Vaughan R.A., 2010. Remote Sensing of Vegetation: Principles, Techniques and
Applications. NY: Oxford University Press. 353 pp.
[11] Gitelson, A.A., Buschmann, C., Lichtenthaler, H.K. 1999. The Chlorophyll Fluorescence Ratio
F735/F700 as an Accurate Measure of the Chlorophyll Content in Plants. Remote Sensing of Environment, 69 (3): 296-302.
[12] Agati, G., Foschi, L., Grossi, N., Guglielminetti, L., Cerovic, Z.G., Volterrani, M. 2013. Fluorescence-based versus reflectance proximal sensing of nitrogen content in Paspalum vaginatum and Zoysia
matrella turfgrasses. European Journal of Agronomy, 45: 39-51.
[13] Nischan, M.L., Joseph, R.M., Libby, J.C., Kerekes, J.P., 2003. Active Spectral Imaging. Lincoln
Laboratory Journal, 14 (1): 131-144.
[14] Geerling, G.W., Labrador-Garcia, M., Clevers, J.G.P.W., Ragas, A.M.J., Smits, A.J.M. 2007. Classification of floodplain vegetation by data fusion of spectral (CASI) and LiDAR data. International
Journal of Remote Sensing, 28(19): 4263-4284.
[15] Lizarazo, I. 2013. Meaningful image objects for object-oriented image analysis. Remote Sensing
Letters, 4(5): 419-426.
[16] Mahlein, A.K., Steiner, U., Hillnhütter, C., Dehne, H.W., Oerke, E.C.. 2012. Hyperspectral imaging for small-scale analysis of symptoms caused by different sugar beet diseases. Plant Methods, 8:3.
[17] Kokaly, R.F. 2001. Investigating a physical basis for spectroscopic estimates of leaf nitrogen concentration. Remote Sensing of Environment, 75:153–161.
[18] Thenkabail, P.S., Smith, R.B., De Paw, E. 2000. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics. Remote Sensing of Environment, 71:158-182.
[19] Haboudane, D., Miller, J.R., Temblay, N., Zarco-Tejada, P.J., Dextrase, L. 2002. Integrated narrow-band vegetation índices for prediction of crop chlorophyll content for application to accuracy agricultura. Remote Sensing of Environment, 81:416–426.
[20] Pinter, P.J., Hatfield, J.L., Schepers, J.S., Barnes, E.M., Moran, M.S., Daughtry, C.S.T., and Upchurch, D.R. 2003. Photogrammetric Engineering & Remote Sensing, 69(6): 647–664.
[21] Ollinger, S.V. 2011. Sources of variability in canopy reflectance and the convergent properties of
plants. New Phytology, 189(2):375–394.
[22] Knyazikhin, Y., Lewis, P., Disney, M.I., Mõttus, M., Rautiainend, M., Stenberg, P., Kaufmann,
R.K., Marshak, A., Schull, M.A., Latorre Carmona, P., Vanderbilt, V., Davis, A.B., Baret, F.,
Jacquemoud S., Lyapustin, A., Yang, Y., and Myneni, R.B. 2013. Reply to Ollinger et al.: Remote sensing of leaf nitrogen and emergent ecosystem properties. PNAS, 110(27): E2438.
12
[23] Malenovsky, Z., Mishra, K.B, Zemek, F., Rascher, U. and Nedbal, L. 2009. Scientific and technical
challenges in remote sensing of plant canopy reflectance and fluorescence. Journal of Experimental Botany, 60(11):2987-3004.
13