Teledetección hiperespectral e inversión de parámetros biofísicos forestales

Aplicaciones hiperespectrales

Las características de absorción en la región del infrarrojo cercano del espectro (1000–2500 nm) dependen de las vibraciones de flexión y estiramiento de los enlaces bioquímicos (por ejemplo, entre átomos de hidrógeno y carbono, y entre átomos de nitrógeno y oxígeno), así como de sus armónicos y sobretonos. En la región visible, la clorofila y los carotenoides producen una fuerte absorción debido a las transiciones de energía electrónica. Existen diferentes métodos para obtener las características de las hojas y el dosel a partir de mediciones de reflectancia.

(1) Modelos empíricos (regresión exponencial y/o múltiple):El principio consiste en construir combinaciones matemáticas de múltiples mediciones de reflectancia en bandas espectrales estrechas o amplias y correlacionarlas con características específicas de la superficie observada. Estas relaciones se calibran a partir de bases de datos de reflectancia experimentales o simuladas (basadas en modelos de transferencia radiativa). Este enfoque es sencillo, pero presenta algunas limitaciones: al calibrarse con una base de datos experimental, la representatividad de las relaciones se limita a la representatividad de dicha base de datos (Figura 1). Además, las regresiones exponenciales y multivariadas pueden ser sensibles a múltiples características individuales. También son sensibles a las condiciones atmosféricas, la geometría de la imagen y la resolución espacial, por lo que generalmente requieren calibración para cada imagen.

△Figura 1. Estrategias para extraer atributos forestales a partir de datos de teledetección en el marco de la investigación forestal.

(2) Inversión del modelo:Este método utiliza un modelo para simular los espectros de reflectancia de las características de las hojas, el dosel y el suelo, y luego obtiene los parámetros de las hojas y el dosel mediante la inversión del modelo. Los métodos típicos de inversión numérica implican fijar algunos parámetros a valores razonables y determinar otros parámetros (parámetros libres) minimizando una función de la diferencia entre la reflectancia observada (Pmeas) y la reflectancia simulada (Pmod). Esta función se denomina función de evaluación. Un método de minimización eficiente, como el método de optimización simplex propuesto por Nelder y Mead (1965), fue recomendado por Privette et al. (1994) después de probar varios métodos de inversión diferentes. Para aplicaciones prácticas, las técnicas de inversión basadas en bases de datos de reflectancia precalculadas generalmente se prefieren a los métodos iterativos, que son computacionalmente más costosos. Los métodos computacionales eficientes de uso frecuente incluyen tablas de consulta y redes neuronales.

Ambos métodos se basan en bases de datos de entrenamiento a partir de simulaciones o mediciones. Si bien las incertidumbres en las mediciones y los modelos pueden generar variaciones significativas en los resultados, las estrategias de inversión numérica también deben abordar otros desafíos: el problema de inversión implica determinar las causas de los resultados esperados u observados, o calibrar los parámetros del modelo matemático para reproducir las observaciones. Los problemas de inversión generalmente no cumplen con los supuestos importantes de buena formulación: puede que no exista una solución estrictamente definida, que la solución no sea única o que dependa de los datos de forma inconsistente. Las inversiones de dichos modelos suelen producir un gran número de posibles soluciones diferentes, es decir, están mal condicionadas. Por lo tanto, el uso de estrategias de regularización efectivas (que limitan la minimización de la función de error empírica) es crucial para las estrategias de inversión numérica.

△Figura 2. Recopilación de parámetros biofísicos forestales hiperespectrales