Full text
Orsis 12, 1997 127-139 Análisis de imágenes multiespectrales aerotransportadas para estimar variables es tructurales de bosques mediterráneos de Quevcus Ilex L. Raimon Salvador1 Xavier Xavier Baulies3 I. Universitat Autbnoma de Barcelona. Centre de Recerca Ecolbgica i Aplicacions Forestals, CREAF. 08193 Bellaterra (Barcelona). Spain e-mail: [email protected] 2. Universitat Autbnoma de Barcelona. Departament de Geografia. 08193 Bellaterra (Barcelona). Spain 3. Institut CartogrAfic de Catalunya. C/ Lleida. Parc de Montjui'c, s/n. 08038 Barcelona. Spain Manuscrit0 recibido en diciembre de 1996 Resumen Se tomaron imágenes multiespectrales de bosques de Quercus ilex L. de la comarca del Alt EmpordA (noreste de la península Ibérica) mediante el sensor aerotransportado CASI (Compact Airborne Spectrographic Imager). Posteriormente, se ajustaron modelos lineales por regresión entre valores de cobertura arbórea, biomasa de madera y diámetro medio, provenientes de medidas de campo, y valores de reflectancia ofrecidos por trece canales del sensor y por dos indices de vegetación. En ninguno de 10s modelos se llegó a un nivel de ajuste estadísticamente significativa (p < 0.05). Después de hacer un repaso de 10s posibles factores causantes de estos resultados, parece necesario profundizar en temas como la corrección radiométrica, 10s efectos de la heterogeneidad estructural del bosque y el muestreo de campo. Palabras clave: inventario forestal, sensores remotos, regresión lineal múltiple, covertura arbórea, biomasa de madera. Abstract. A trial on the use of airborne images to estimate values of structural variables of Mediterranean Quercus ilex L. forests Multispectral images were taken from Quercus ilex L. forests located in the north-east of the Iberian Peninsula by means of the Compact Airborne Spectrographic Imager (CASI). Linear regression models were made between three field measured variables (tree coverage, wood biomass and tree mean diameter) and reflectance values given by 13 bands and two vegetation indices. None of the built models achieved statistical significance (p < 0.05). After checking for factors responsible for these low fittings, it seems necessary to deeply analyze issues such as the radiometric correction, effects of forest structural heterogeneity and field sampling. Key words: Forest inventory, remote sensing, multiple linear regression, tree coverage, wood biomass.
128 Orsis 12, 1997 Raimon Salvador; Xavier Pons; Xavier Baulies Introducción y objetivos Desde la aparición de las técnicas de teledetección se ha venido estudiando la posibilidad de usar imágenes tomadas por sensores remotos con el fin de obtener información de forma rápida y económica. Un ejemplo ilustrativo de este hecho puede encontrarse en el elevado interés por la aplicación de la teledetección en la realización de inventarios forestales, puesto que dichos inventarios, debido a la necesidad de un exhaustivo muestreo de campo, han requerido de una fuerte inversión de tiempo y dinero. Hoy en dia se pueden encontrar numerosas publicaciones de estudios sobre la aplicabilidad de la teledetección para determinar parámetros de interés de las masas forestales. Muchos de estos estudios se han basado en el uso de imágenes de satélite, como es el caso de Ahern et al. (1991) y Ardo (1992), que analizaron la posibilidad de estimar volúmenes de madera, de Joffre et al. (1993) Larsson (1993) y Zhuang et al. (1993), que realizaron ensayos con densidades y coberturas arbóreas, o de Curran et al. (1992), Gholz et al. (1991), Nemani et al. (1993) y Spanner et al. (1990), que intentaron estimar la relación con el indice de área foliar, parámetro de vital importancia para estudios globales del balance de carbono (Danson & Curran, 1993). En la mayoría de estos estudios se encontraron relaciones significativas entre las medidas del sensor y las variables forestales medidas en el campo, llegándose, en bastantes casos, a ajustes superiores al 80% (S = 0.80). Por otro lado, y cada vez con más frecuencia, aparecen también estudios forestales realizados mediante imágenes obtenidas por sensores aerotransportados. En dichos trabajos, aparte de estimarse parámetros estructurales con alta eficacia (Gong et al., 1995), también se han intentado caracterizar, todavia sin un éxito claro, variables menos conspicuas, como son, por ejemplo, concentraciones de nitrógeno, lignina o celulosa (Gastellu-Etchegony et al., 1995; Zagolski et al., 1996). En general es de esperar que, debido a una mejor resolución espectral, radiométrica y espacial de las imágenes de avión, se consigan mejores resultados en comparación con 10s obtenidos a partir de imágenes de satélite. Asi, aparte del citado trabajo de Gong et al., hay otros estudios en 10s que también se alcanza un elevado grado de Cxito. Por ejemplo, Baulies & Pons (1995), mediante imágenes del sensor CASI (Compact Airborne Spectrographic Imager) obtuvieron unos altos niveles de ajuste para la mayona de parámetros estructurales en bosques de Pinus nigra y Pinus sylvestris. Sin embargo, muchos de 10s trabajos publicados, tanto en uno como en otro tipo de imágenes, debido a su alcance local y al uso de modelos particulares, s610 pueden tomarse como testimonios aislados de la potencialidad de la teledetección en la estimación de parámetros forestales. En este sentido, el trabajo aquí presentado es un intento de aplicar material y metodologias parecidas a las utilizadas en el trabajo de Baulies & Pons (1995) de cara a valorar el grado de extrapolabilidad del método y de 10s resultados. En este caso, y con la misma intención de testar esta posible generalización, se han estudiado, en vez de pinares, bosques de encina (Quercus ilex).
Inventarios de Q. ilex desde avión Orsis 12, 1997 129 Figura 1. Situación de 10s segmentos de imágenes obtenidos en 10s vuelos CASI dentro de la comarca del Alt Empordk. Los puntos incluidos dentro de 10s vuelos corresponden al conjunt0 de estaciones del inventario forestal disponibles inicialmente.
130 Orsis 12, 1997 Raimon Salvador; Xavier Pons; Xavier Baulies Material y métodos Área del estudio El kea donde se realizó el estudio se encuentra ubicada dentro de la comarca del Alt Empordi (véase figura I), situada en el extremo noreste de la península Ibérica. Dicha comarca tiene un clima mediterráneo con temperaturas medias anuales próximas a 10s 16OC, que oscilan entre una media de 1.3OC en enero, a 30.3OC de media en agosto (Enciclopbdia Catalana, 1986). La precipitación anual puede llegar a un total de 680 mm, y se caracteriza por un déficit hidrico estival debido a 10s escasos 90 mm recogidos de media en esta estación. El viento de componente norte (tramontana) también es importante por su intensidad y frecuencia, siendo presente de 60 a 70 dias por año. En concreto, el relieve de la zona estudiada es bastante abrupto y abarca un rango entre 10s 200 m y 10s 1300 m de altitud. La geologia es también muy variada, se encuentran granitos, conglomerados y rocas calcáreas entre otros tipos litológicos. En cuanto a la vegetación, la comarca entera presenta 46200 ha de bosque, que representan una proporción de aproximadamente el 35% en relación con su superficie total de 134243 ha. Tanto en la comarca como en el área estudiada en concreto, la especie arbórea dominante es la encina Quercus ilex L., seguida por el alcornoque Q. suber L. Información de campo La información de campo fue extraida de las estaciones del Inventari Ecolbgic i Forestal de Catalunya (métodos descritos en Gracia et al. 1992) que fueron abarcadas dentro del kea demarcada por las imágenes de avión. De todas las estaciones englobadas se seleccionaron únicamente las que tenian una pureza superior al 80% de encina (Quercus ilex). La pureza fue medida por el tanto por ciento de Tabla 1. Coeficientes de correlación obtenidos entre las diferentes variables forestales preseleccionadas, para el coniunto de estaciones estudiadas. Densidad 1 .O00 Area basal .743 Diámetro medio -.437 Biomasa madera ,508 Biomasa hojas .824 Producción hojas ,532 LAI 323 Cobertura arbórea ,900
Inventarios de Q. ilex desde avión Orsis 12, 1997 131 Brea basal total de la estación aportado por esta especie forestal en concreto. Finalmente, se obtuvo un conjunto de 31 estaciones para realizar el trabajo. Dichas estaciones tenian un diámetro de 20 metros. De entre todas las variables de campo disponibles, se hizo una preselección basada en su interés a nivel forestal y en analogia con el estudio previo de Baulies y Pons. Sin embargo, debido al elevado número de variables que resultaron de interés, y teniendo en cuenta 10s altos niveles de correlación entre muchas de ellas (tabla I), se optó por utilizar solamente tres de las variables preseleccionadas: - Cobertura arbórea (cabida cubierta) (CA): Con un coeficiente de correlación igual o superior a 0.90 con la densidad de árboles, la biomasa de hojas y el índice de kea foliar (LAI), para el conjunto de estaciones estudiadas. - Biomasa de madera (BM): Con un coeficiente de correlación superior a 0.90 con la producción de hojas y el área basal en las estaciones estudiadas. - Diámetro basimétrico medio (DM): Que no presentaba ninguna correlación superior a 0.90 con ninguna otra variable preseleccionada. Imágenes de avión Las imágenes de avión fueron obtenidas por el Institut Cartografic de Catalunya (ICC), mediante el sensor CASI, en dos vuelos realizados el ocho y el once de agosto de 1994. La configuración de 10s 14 canales del sensor, utilizada en 10s dos vuelos, se da en la tabla 2. Sin embargo, el canal 1 no pudo ser finalmente usado debido a su baja calidad y a sus elevados problemas radiométricos. Inicialmente, el tamaño de píxel ofrecido por las imágenes era de unos 3.5 m. Sin embargo, debido a que las medidas de campo correspondian a valores globa- Tabla 2. Caracteristicas espectrales, en nm, de la configuración de 14 canales del sensor CASI que fue usada en este estudio. Banda Inicio Final Centro
132 Orsis 12, 1997 Raimon Salvador; Xavier Pons; Xavier Baulies les de parcela forestal, el tamaño del pixel utilizado tenia que ser proporcional al de las estaciones del inventario. Por tanto, el pixel fue remuestreado a unos 17.5 m mediante la obtención de la media de ventanas de 5 x 5 pixeles. Para una descripción mis completa de las caracteristicas del sensor CASI, véase Baulies y Pons (1995). Corrección geométrica y radiométrica de las imágenes Las diferentes pasadas de avión que conformaban las imágenes fueron corregidas geométricamente mediante el método de triangulación de Delaunay (Devereux et al., 1990), para el que fue necesario generar más de 700 puntos de control. Posteriormente, las imágenes también fueron sometidas a una corrección radiométrica con la intención de minimizar 10s efectos atmosféricos y 10s efectos de iluminación diferencial debidos al relieve. Dicha corrección se realizó mediante una adaptación de un modelo para imágenes de satélite diseñado por Pons & Solé-Sugrañes (1994). Dicho modelo requirió la utilización del modelo digital de elevaciones (MDE) del ICC para poder rectificar 10s efectos producidos por el relieve. Como resultado final de este proceso se obtuvieron imágenes con valores de reflectancia. Creación de 10s modelos Una vez las imágenes estuvieron corregidas, se obtuvieron 10s valores de 10s pixeles correspondientes a 10s puntos donde se encontraban localizadas las estaciones de campo. A continuación, 10s datos radiométricos asi obtenidos, junto con su información de campo correspondiente, fueron utilizados para la creación de modelos lineales mediante técnicas de regresión (Sokal & Rohlf, 1995). Las variables de campo fueron tratadas como variables dependientes (a estimar posteriormente por 10s modelos creados), y las variables extraidas de las imágenes fueron utilizadas como variables independientes. A la hora de aplicar posibles transformaciones en las variables dependientes se siguieron dos criterios. Por una parte se aplicaron transformaciones que tuvieran un sentido funcional claro, y por otra parte se probaron las transformaciones que en el trabajo de Baulies y Pons (1995) habian resultado mas exitosas. En algunos casos ambos criterios coincidieron. Asi, la variable de campo CA fue, por un lado, usada sin transformar, tal y como había sido utilizada en el trabajo de Baulies y Pons. Adicionalmente, también fue usada con transformación logarítmica (ln[CA]), con la intención de simular 10s posibles efectos de saturación de la respuesta del sensor ante valores altos de esta variable de campo. De igual modo, y por el mismo motivo, BM fue transformada logarítmicamente (además de ser esta la transformación de mayor éxito para BM en el trabajo de Baulies y Pons). Finalmente, DM fue probado sin transformar y elevado a la potencia cúbica, tal y como habia sido hecho anteriormente en el citado trabajo. Como variables independientes se utilizaron, de forma directa, 10s valores de reflectancia extraídos de 10s diferentes canales del sensor. Asimismo, se probaron
Inventarios de O. ilex desde avi6n Orsis 12. 1997 133 también dos índices de vegetación. Por un lado, se aplic6 el comúnmente utilizado indice de vegetación de diferencia normalizada (NDVI): NDVI = (Reflinfrmojo - Reflrojo) 1 (Reflinfranojo + Reflrojo) y por otro lado, el cociente simple (SR): Para calcular ambos índices, podian ser igualmente utilizadas diferentes combinaciones de canales ubicados en el rojo e infrarrojo (ver tabla 2) . Sin embargo, debido a 10s altos valores de correlación, tanto entre 10s canales del rojo como entre 10s del infrarrojo (ver tabla 3), cualquier pareja de canales rojo-infrarrojo podia dar una buena aproximación del grado de ajuste a conseguir con el resto de posibles combinaciones. Por dicha razón, s610 se generaron indices con una pare- ja de canales en concreto (C9, C13). Se crearon modelos por regresión simple, probándose uno a uno, como variable independiente, todos 10s canales y 10s dos indices de vegetación. Adicionalmente, con la intención de explotar la potencialidad conjunta de 10s canales del sensor, se crearon modelos mediante regresión múltiple (Sokal & Rohlf, 1995). Sin embargo, para evitar una reducción excesiva de 10s grados de libertad debida a la inclusión de la totalidad de 10s canales, y para evitar la entrada de información redundante en el modelo, se decidió utilizar algún método de preselección de variables independientes. En concreto se aplic6 el método de fonvnrd stepwise (Ott, 1988), basado en la entrada y salida secuencial de variables en el modelo, según el grado en que dichas variables explicaran la variabilidad encontrada en la variable dependiente. Usualmente, la valoración de la entrada o salida de una Tabla 3. Coeficientes de correlación entre 10s canales utilizados, calculados a partir del conjunt0 de píxeles correspondientes a las estaciones usadas en el estudio.
134 Orsis 12, 1997 Raimon Salvador; Xavier Pons; Xavier Baulies variable independiente del modelo se hace mediante el cálculo del cociente (Ott, 1988): donde difSS, es la diferencia de las sumas de cuadrados explicadas entre el modelo con la variable analizada y el modelo sin incluir esta variable (SSM = C ~,odelo-W2), y MSE es el cuadrado medio del error para el modelo que incluye la variable analizada (MS, = C [ymodel0 - Yobservada]2 / [no de casos - no de parámetros]). A la suma de cuadrados del numerador le corresponde un s610 grado de libertad (Barrie, 1986), hecho que da cierta similitud al valor de F con el valor del cociente del test de comparación de dos varianzas (Sokal & Rohlf, 1995). Sin embargo, debido a que algunas de las premisas de este test no se cumplen (Barrie, 1986), s610 pueden interpretarse sus valores de significación de forma meramente orientativa. Después de varias pruebas se utilizó en este trabajo un valor mínimo de F = 0.1 como umbral para aceptar una variable dentro del modelo, y un valor máximo de F = 0.05 para poder eliminar una variable previamente incluida en el modelo. Resultados Regresión simple Ninguno de 10s modelos de regresión simple en 10s que la variable independiente fue uno de 10s canales del sensor resultó ser estadísticamente significativo. En concreto, no se encontró en ningún caso un ajuste superior a 0.1 (? < 0. I), y el parámetro de significación estadística tampoco nunca disminuyó de 0.1 0, > 0.1). De hecho, en la gran mayoría de casos 10s ajustes fueron, incluso, mucho peores que 10s caracterizados por estos valores límite. En cuanto a 10s modelos que contenían un índice de vegetación (tanto NDVI como SR) como variable independiente, tuvieron en general unos niveles de ajuste tan bajos como 10s conseguidos por regresión simple con 10s canales originales. En este caso, también 10s valores límite dados anteriormente nunca fueron alcanzados, por 10 que se obtuvieron usualmente ajustes muy inferiores. Regresión múltiple Aunque 10s modelos generados mediante la técnica de forwad stepwise consiguieron valores de ajuste claramente superiores a 10s conseguidos en todos 10s modelos de regresión simple (tabla 4), estos valores tampoco fueron muy altos. Este fenómeno aparece de forma aun más evidente al constatar el elevado número de variables independientes encontradas en 10s modelos finales y su escaso efecto en 10s ajustes obtenidos (tabla 4). De hecho, si se analizan 10s valores de significación estadística que corresponderian a la prueba análoga de comparación de variancias para 10s valores umbral de F utilizados (0.05 y 0.01), nos encontrariamos con valores de a próximos a 1 (significación estadística casi nula). Sin
Inventarios de Q, ilex desde avión Orsis 12, 1997 135 Tabla 4. Modelos de regresión multivariante resultantes de la aplicación del método de forward stepwise con 10s canales del sensor como posibles variables independientes. Variable Variables dependiente independientes DM CIO, C11, C13, C14 0.17719 0.26174 (om3 C5, C6, C8, C11, C12, C13 0.24485 0.41604 ln(BM) C2, C3, C5, C6, C7, C8, C9, CIO 0.21316 0.65231 CA C5, C6, C8, C9, CIO, C11, C12, C13 0.36420 O. 18927 ln(CA) C2, C3, C5, C6, C7, C8, C9, CIO, C11, C12, C13 0.37729 0.44760 ln: logaritmo neperiano, DM: Diámetro medio, BM: biomasa de madera, CA: cobertura arbórea, R': coeficiente de determinación, p: significación estadística del modelo de regresión. embargo, la utilización de estos valores de F fue necesaria ya que pruebas anteriores con valores F correspondientes a a incluso cercanas a 0.25 o 0.5 no permitieron la entrada de ningún canal en el modelo. Probablemente, este mismo hecho, junto a una considerable disminución de 10s grados de libertad debida a la entrada de un número elevado de variables independientes, ha mantenido siempre a 10s modelos claramente alejados de la significación estadística deseable (p >> 0.05). Discusión y conclusiones De forma inesperada, y contrariamente al alto grado de éxito de 10s ajustes conseguidos por Baulies & Pons (1995), 10s ajustes de 10s modelos creados en este estudio han sido muy bajos, no siendo en ningún caso estadisticamente significativos. Frente a estos pobres resultados aparecen diferentes factores que pueden hipotéticamente haber sido causantes de tal hecho: Por un lado, la alta heterogeneidad estructural de 10s bosques estudiados, característica de las comunidades mediterráneas, puede haber afectado de forma negativa en la creación de 10s modelos. En este sentido, la zona de estudio de Baulies y Pons, además de presentar un nivel rnás alto de homogeneidad, también poseia unos niveles de cobertura arbórea rnás altos, evitando asi un papel excesivo de la vegetación del sotobosque. Cabe mencionar que la presencia de un sotobosque visible es considerado como uno de 10s factores rnás problemáticos del uso de la teledetección en el ámbito forestal (Curran et al., 1992; Joffre et al., 1993; Nemani et al., 1993; Spanner et al., 1990). Adicionalmente, muchos de 10s trabajos que presentan niveles de ajuste significativos tienen también unas condiciones bastante homogéneas en cuanto a estructura del bosque (Danson & Curran, 1993; Rosema et al., 1992) y en cuanto al relieve de la zona de estudio (Curran et al., 1992; Larsson, 1993; Rosema et al., 1992). Por otro lado, la corrección radiornétrica de las imágenes utilizadas también conlleva algunas limitaciones dadas por el propio modelo de corrección utilizado (Pons & Sol&-Sugrañes, 1994). Especialmente, la suposición de una atmósfera