Departamento de Física Teórica, Atómica y Óptica - Quantalab ...

En la actualidad, la metodología más extendida para la estimación del LAI
mediante teledetección es a través de relaciones empíricas entre ese parámetro e índices
de vegetación, calculados generalmente teniendo en cuenta las diferencias existentes
entre los valores de la reflectancia de la vegetación medidos en el infrarrojo cercano y
en el visible. Muchos estudios han relacionado índices de vegetación como el NDVI
(Normalized Difference Vegetation Index), con el LAI (Turner et al., 1999). Sin
embargo una estimación precisa del LAI siguiendo esta metodología requiere una
calibración mediante datos de control en el suelo, para tener en cuenta las variaciones
entre las relaciones LAI-NDVI para diferentes especies vegetales (Green et al., 2000).
Estas relaciones pueden incluso cambiar para una misma especie a lo largo de su ciclo
de crecimiento (Gutman, 1991). Incluso hay diferencias entre los índices de vegetación
calculados utilizando diferentes satélites, índices que necesitan ser corregidos para
poder compararlos (Steven et al., 2003). Todo esto supone un alto handicap en la
utilización de los índices de vegetación.
El desarrollo de modelos de transferencia radiativa en cubierta vegetal (Verhoef,
1984) y en elementos básicos de éstas, como son las hojas (Jacquemoud & Baret, 1990),
ha abierto una nueva y prometedora vía en la caracterización de la vegetación mediante
teledetección. Estos modelos generan el espectro de reflectancia de la cubierta vegetal a
partir de los parámetros que caracterizan la vegetación, como el LAI o el contenido de
clorofila de las hojas. A diferencia de lo que ocurre con otros índices de vegetación, los
parámetros que utilizan estos modelos tienen una interpretación clara y aportan por sí
mismos una interesante información.
Sin embargo, tratar de obtener los parámetros de entrada a partir de un espectro
de reflectancia conocido, es decir invertir el proceso, es un problema numéricamente
mal planteado (ill-posed problem). Los modelos de transferencia radiativa, partiendo de
conjuntos de parámetros de entrada diferentes, pueden generar resultados muy similares
y por lo tanto, pequeños cambios en la reflectancia medida dan como resultado grandes
diferencias en los parámetros estimados (Combal et al., 2002). Utilizando esta
metodología solamente se consiguen resultados admisibles fijando la mayor parte de los
parámetros en sus valores reales, e intentando solamente deducir uno o dos parámetros
desconocidos. Otro hecho que ha evitado el progreso de esta metodología es la gran
potencia de cálculo requerida para su desarrollo (Jacquemoud et al., 1995a). Sin
embargo en la actualidad este punto parece superado gracias al desarrollo de los equipos
informáticos y al uso de algoritmos más eficientes.
Uno de los caminos propuestos para regularizar la inversión de modelos de
reflectancia radiativa es el análisis múltiple de series de datos (Atzberger, 2004). El
trabajo que aquí presentamos pretende ahondar en esta última propuesta, estudiando dos
aproximaciones, basadas en el análisis múltiple de datos temporales y espaciales,
intentando en ambos casos minimizar el conocimiento previo sobre la vegetación. En
ambos casos la principal hipótesis que se pretende contrastar es que la inversión
simultánea de N espectros de reflectancia de la cubierta vegetal, junto con ciertas
condiciones sobre el comportamiento de los parámetros, transforma la obtención de
parámetros biofísicos mediante inversión de modelos de transferencia radiativa en un
problema bien propuesto. A la hora de aplicar esta hipótesis tendremos que asegurar
ciertas condiciones como que el conjunto de espectros a invertir sean suficientemente
diferentes, pero manteniendo al mismo tiempo unos ciertos vínculos entre sí, de modo
que aporten suficiente información como para resolver el problema sin aumentar los
grados de libertad del mismo.
4