Departamento de Física Teórica, Atómica y Óptica - Quantalab ...
Departamento de Física Teórica, Atómica y Óptica - Quantalab ...
Departamento de Física Teórica, Atómica y Óptica - Quantalab ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
En las Figuras 7-10, 7-11 y 7-12 se muestran las correlaciones obtenidas entre el<br />
LAI medido y el LAI obtenido <strong>de</strong> la inversión al emplear la función <strong>de</strong> mérito Δ1 2 ,<br />
mientras que en las Figuras 7-13, 7-14 y 7-15 se muestran los resultados cuando se<br />
emplea la función Δ2 2 . En cada una <strong>de</strong> estas figuras aparecen los resultados obtenidos<br />
cuando utilizamos como espectros <strong>de</strong> entrada los valores medios <strong>de</strong> las clases generadas<br />
mediante la partición <strong>de</strong> las parcelas al usar el algoritmo K-medias, cuando K toma<br />
valores <strong>de</strong> 5, 10, 15, 20 y 25. Estas series, para cada función <strong>de</strong> mérito, se han repetido<br />
en tres casos diferentes. En el primero el parámetro χ se ha mantenido fijo e igual a 0.8<br />
durante el proceso iterativo <strong>de</strong> la inversión, y se ha <strong>de</strong>jado variar los parámetros Ca+b,<br />
x1, x2 y BSL. Sin embargo, en el segundo y tercer caso, se ha <strong>de</strong>jado variar también el<br />
parámetro χ. La diferencia entre estos dos últimos casos está en el rango en el que se ha<br />
permitido variar al parámetro, siendo en un caso 0.4 < χ < 1.0, y en el otro 0.7 < χ < 0.9.<br />
El primer punto que cabe <strong>de</strong>stacar al observar los resultados, es la enorme<br />
diferencia <strong>de</strong> precisión <strong>de</strong> los datos <strong>de</strong> LAI obtenidos con las dos funciones <strong>de</strong> mérito<br />
que hemos empleado. Se observa una muy consi<strong>de</strong>rable mejora <strong>de</strong> los resultados al<br />
emplear la función <strong>de</strong> mérito normalizada Δ2 2 . Como se observa en las figuras 7-10,<br />
7-11 y 7-12, la correlación entre las medidas experimentales y el LAI obtenido al utilizar<br />
la función Δ1 2 es bastante baja, sin que el coeficiente <strong>de</strong> <strong>de</strong>terminación múltiple, R 2 ,<br />
sobrepase en ninguno <strong>de</strong> los casos mostrados, el valor <strong>de</strong> 0.47. Esto nos lleva a errores<br />
cuadráticos medios <strong>de</strong> hasta 9.74. Esta situación es muy diferente a la observada al<br />
analizar los datos <strong>de</strong> la campaña <strong>de</strong>l año 2002 durante el capítulo anterior, don<strong>de</strong> no se<br />
apreciaba una diferencia significativa entre la precisión <strong>de</strong> los datos <strong>de</strong> LAI obtenidos al<br />
utilizar la función <strong>de</strong> mérito normalizada y no normalizada.<br />
Centrándonos por lo tanto en los resultados obtenidos mediante la función Δ2 2 ,<br />
po<strong>de</strong>mos ver también notables diferencias <strong>de</strong>pendiendo <strong>de</strong> qué parámetros <strong>de</strong>jemos<br />
variar durante el proceso <strong>de</strong> inversión. Se observa un claro empeoramiento <strong>de</strong> las<br />
correlaciones mostradas en la Figura 7-14 respecto <strong>de</strong>l caso <strong>de</strong> la Figura 7-13. Es <strong>de</strong>cir<br />
al permitir al parámetro χ, junto con Ca+b, x1, x2 y BSL, variar entre 0.4 y 1.0 se obtienen<br />
peores resultados que si fijamos este parámetro a un valor <strong>de</strong> 0.8. Sin embargo la<br />
situación en la que se obtienen mejores resultados es la mostrada en la Figura 7-15. En<br />
este caso también estamos <strong>de</strong>jando al parámetro χ variar durante la inversión, pero esta<br />
vez limitando su movilidad solo al intervalo <strong>de</strong>finido entre los valores 0.7 y 0.9. Es<br />
<strong>de</strong>cir, estamos forzando a χ a tomar valores muy próximos al valor <strong>de</strong> 0.8, que es el<br />
promedio medido experimentalmente en el campo. Este hecho parece poner <strong>de</strong><br />
manifiesto la importancia <strong>de</strong>l parámetro χ <strong>de</strong>ntro <strong>de</strong>l proceso <strong>de</strong> inversión. Dejar variar<br />
χ libremente nos conduce a situaciones <strong>de</strong> inestabilidad, obteniendo resultados<br />
impre<strong>de</strong>cibles. Sin embargo permitir una pequeña variación <strong>de</strong> este parámetro respecto<br />
<strong>de</strong>l valor esperado, permite obtener una mayor precisión en los resultados <strong>de</strong>l resto <strong>de</strong><br />
parámetros. En concreto vemos como en las correlaciones <strong>de</strong> LAI mostradas, se aprecia<br />
un aumento <strong>de</strong>l coeficiente R 2 , pasando <strong>de</strong> un 0.79, en el mejor <strong>de</strong> los casos, a un 0.83,<br />
y un <strong>de</strong>scenso <strong>de</strong>l RMSE, <strong>de</strong> 0.66 a 0.63.<br />
En cuanto al efecto que tiene el número <strong>de</strong> clases utilizadas al segmentar la<br />
parcela en busca <strong>de</strong> los espectros a introducir en la inversión, vemos que al utilizar<br />
únicamente 5 clases se obtienen los peores resultados. El RMSE aumenta hasta un 44%,<br />
y el R 2 disminuye hasta un 25% respecto <strong>de</strong>l obtenido en la correlación en la que se<br />
parte <strong>de</strong> 10 clases, y que se muestra en la Figura 7-15. Por otro lado vemos que a partir<br />
<strong>de</strong> las 10 clases no se encuentras mejoras significativas, llegándose al caso <strong>de</strong> que en la<br />
última serie los mejores resultados se obtienen al usar solo 10 clases. Este hecho es<br />
160