Repositorio Institucional de Documentos

Página 1 TRABAJO FIN DE MÁSTER METODOLOGÍA PARA LA ESTIMACIÓN DE CARBONO EN BOSQUE MEDITERRÁNEO CHILENO MEDIANTE IMÁGNES HIPERESPECTRALES Autor: Miguel Ibáñez Álvarez Directores: Javier Cano Martín y Dr. Fernando Pérez Cabello Máster Universitario en Tecnologías de la información geográfica para la ordenación del territorio: sistemas de información geográfica y teledetección Noviembre de 2013 Departamento de Geografía y Ordenación del Territorio Página 1 Resumen El problema del cambio climático, se debe en parte al aumento de emisiones de gases de efecto invernadero (GEI), uno de ellos en particular, especialmente el CO2. Los ecosistemas forestales intervienen en la lucha contra el cambio climático a través de la absorción de grandes cantidades de CO2 gracias a la fotosíntesis. Chile participa en el llamado 'Mercado de bonos de Carbono' como emisor de éstos, por lo que está desarrollando políticas de gestión, a través de las cuales, disminuyan las emisiones de carbono asociadas a la deforestación, haya un manejo forestal mejorado y se valoricen los productos maderables. Por otro lado, en multitud de estudios científicos se demuestra que las imágenes hiperespectrales son una buena herramienta para estimar variables biofísicas de las cubiertas vegetales. Dentro de este marco, este proyecto pretende desarrollar una metodología para estimar la cantidad de carbono capturado en los bosques nativos chilenos de la región mediterránea a través de una imagen de alta resolución espectral. A partir de la información de esta imagen se generan 8 índices de vegetación, los cuales se correlacionan con el contenido de carbono capturado de muestras medidas en terreno. El objetivo es generar un algoritmo que permita estimar el contenido de carbono en este tipo de bosque. La zona de estudio está cercana a la ciudad de Santiago de Chile, en el paraje de San Carlos de Apoquindo, donde se encuentra una buena representación del bosque mediterráneo chileno. El vuelo para la captura de la imagen se realizó en enero del 2013 mediante el sensor Hyspex VNIR-1600 HS, el cual tiene una resolución espacial de 32 cm, y una resolución espectral de 160 bandas distribuidas en el espectro del visible y del infrarrojo cercano. En el mes de octubre se recoge información de campo, esta información consiste en medidas dendrométricas de las especies localizadas en la zona de estudio, que posteriormente se implementa en la funciones alométricas, desarrolladas por la empresa Oterra, para el cálculo de carbono en campo. Palabras Clave: Carbono capturado, imagen hiperespectral, índice de vegetación, función alométrica. Abstract Climate change problem is due in part to increased emissions of greenhouse gases (GHG ), especially CO2. Forest ecosystems involved in the fight against climate change by absorbing large amounts of CO2 by photosynthesis. Chile participates in the so-called 'Carbon credits' as issuer of these, so management is developing policies, through which, reduce carbon emissions from deforestation, improved forest management and recovered wood products. On the other hand, in many scientific studies demonstrated that hyperspectral imaging is a good tool to estimate biophysical variables groundcovers. Within this context, this project aims to develop a methodology for estimating the amount of carbon sequestered in Chilean native forests in the Mediterranean region through a high spectral resolution image. From this image information generated 8 vegetation indices, which are correlated with the captured carbon content of field samples. The aim is to create an algorithm to estimate the carbon content in this kind of forest. The study area is near the city of Santiago de Chile, in the hamlet of San Carlos de Apoquindo, which is a good representation of the Chilean Mediterranean forests. Página 2 The flight to capture the image was made in January 2013 by Hyspex VNIR sensor HS - 1600,which has a spatial resolution of 32 cm and a spectral resolution of 160 bands spread across the spectrum of visible and near-infrared. In the month of October is collected field data, this information is dendrometric measures of the species in the study area, which was later implemented in the allometric functions, developed by the company Oterra for carbon accounting in field. Keywords: Carbon capture, hyperspectral imaging, vegetation index, allometric function. Página 3 ÍNDICE 1 Introducción ............................................................................. 4 1.1 Objetivos ........................................................................... 5 1.2 Justificación ....................................................................... 5 1.3 Antecedentes ..................................................................... 6 2 Características generales del área de estudio ................................ 7 2.1 Condicionantes naturales ..................................................... 7 2.2 Condicionantes históricos y antrópicos ................................... 8 3 Material ................................................................................... 8 4 Metodología. ........................................................................... 12 4.1 Datos de campo. ............................................................... 13 4.1.1 Procesado de los datos de campo ............................... 13 4.2 Trabajo sobre imagen hiperespectral. .................................. 14 4.2.1 Planificación del vuelo ............................................... 14 4.2.2 Captura de la imagen ................................................ 15 4.2.3 Transformación a radiancia ........................................ 17 4.2.4 Corrección atmosférica y geométrica. .......................... 17 4.3 Índices de vegetación. ....................................................... 22 4.3.1 Descripción de los índices de vegetación: .................... 22 4.3.2 Aplicación de los índices de vegetación ........................ 25 5 Resultados ............................................................................. 28 5.1 Coeficiente de correlación de Pearson y análisis de regresión lineal. ...................................................................... 28 5.2 Análisis de variabilidad ...................................................... 32 6 Conclusiones y consideraciones generales .................................. 34 7 Anexos: ................................................................................. 36 8 Referencias bibliográficas ......................................................... 51 Página 4 1 INTRODUCCIÓN La discusión científica actual respecto al aumento de la concentración del dióxido de carbono (UACH, 2013) en la atmosfera, el cambio climático y la preocupación de los gobiernos por generar acuerdos con iniciativas de sostenibilidad (Tickle et al., 2001) están determinando estudios sobre el rol del bosque en el secuestro de carbono (Gorte, W. 2009), el crecimiento de la demanda para estimar biomasa 1 , la productividad potencial, y el crecimiento forestal a escala local y global (Tickle et al., 2001). En el marco de los acuerdos logrados a través del organismo de las Naciones Unidas, se crea un mecanismo orientado a compensar emisiones de gases de efecto invernadero (GEI) que realizan empresas de países desarrollados, responsables del 80% de las emisiones de estos gases, por la vía de la asociación o arreglos comerciales con empresas de otros países, denominado el país receptor, de forma que las reducciones o capturas logradas puedan ser acreditadas en su totalidad o en parte al país emisor. Este mecanismo se denomina “Mecanismo de desarrollo limpio” (UACH 2013). Esta condición genera una gran oportunidad para el país, y en particular para el sector forestal, donde el manejo de bosques nativos y el desarrollo de nuevas plantaciones ofrecen la posibilidad de generar una alta oferta de captura de carbono, transable en este mercado naciente, con nuevas posibilidades de negocio para el país (UACH, 2013). En este contexto, la Corporación Nacional Forestal de Chile (CONAF) está en un proceso de definir proyectos genéricos, denominados Tipologías de Proyectos asociados a la Plataforma de Generación y Transacción de Bonos de Carbono del Sector Forestal en Chile (PBCCh), cuyo fin es reducir los costos, tiempos y especificaciones técnicas de la comercialización de bonos de carbono para los propietarios de recursos forestales que deseen ingresar al mercado voluntario, teniendo en cuenta las exigencias del Estándar Verificado de Carbono (Verified Carbon Standard, VCS). CONAF ha determinado un marco de referencia que define Tipología como aquellos proyectos genéricos o marco, asociados a un tipo de recurso específico en el cual, independiente de la propiedad de la tierra, es posible aplicar esquemas silvícolas y de financiamiento común tendiente a compatibilizar objetivos de producción de bienes y servicios tradicionales con la captura de carbono para su comercialización posterior. En este contexto, las tipologías seleccionadas para analizar están enmarcadas en las actividades de forestación, reforestación y revegetación (ARR) del sector Agricultura, Forestal y otros Usos de la Tierra (AFOLU) reconocidas a nivel internacional por el Panel Intergubernamental de Expertos en Cambio Climático (IPCC) y el estándar VCS. En dicho marco se plantean 12 tipologías de proyectos, entre las cuales se ha incluido la de Restauración de Bosques Mediterráneos (Tipología 3), iniciándose para todas ellas, un proceso de elaboración de insumos técnicos y metodológicos que permitan avanzar en la evaluación técnica y económica de este tipo de iniciativas. La Escuela de Ingeniería Forestal de la Universidad Mayor, a través de su Centro de estudios de recursos naturales OTERRA, han elaborado una propuesta técnica para 1 Cabe recordar que aunque biomasa y carbono capturado son dos conceptos distintos que hay que diferenciar, la evaluación del primero contribuye al conocimiento del segundo. Según Singh y Sandipan (2012) el contenido de carbono capturado suele oscilar entre un 47,5 y 50 % de la biomasa seca. 2 Se escanean dos líneas durante el vuelo para aprovechar ambas pasadas de la avioneta, y por ese motivo aparecen dos en la planificación. Pero para el objeto de este proyecto tan solo se usará una imagen de las dos registradas, la imagen situada hacia poniente. Anexo II Datos de campo Página 5 implementar un proyecto que contribuya a cumplir las metas que CONAF se ha planteado en esta temática. En este contexto se realiza el presente proyecto final de máster que pretende desarrollar una metodología que permita estimar la biomasa contenida en los bosques nativos de la región mediterránea chilena. 1.1 Objetivos La gestión correcta de los recursos forestales obliga a conocer de forma precisa la cantidad en que éstos están disponibles, cómo se encuentran distribuidos, cuál es el potencial productivo y cuáles son las restricciones para su utilización. Obtener tal información en bosques mediterráneos resulta de gran dificultad debido a la tendencia de crecimiento arbustivo y portes erráticos de los árboles. Oterra trabaja paralelamente en la caracterización del bosque nativo chileno de referencia, es decir, en su estado óptimo de madurez, por lo tanto, conocer el estado de desarrollo de un bosque y su contenido de carbono en un determinado momento, permite estimar el potencial productor de carbono si se llevaran a cabo las tareas silvícolas orientadas a llevar al bosque mediterráneo chileno a su estado de desarrollo óptimo. Por lo tanto el objetivo general de este proyecto final de máster es: Desarrollar una metodología para la estimación de carbono capturado en bosques mediterráneos chilenos. Los objetivos del trabajo se dividen en tres bloques claramente diferenciados.  Primero: Estimar del carbono capturado en unos cuantos individuos recogiendo datos de campo. Aplicando las funciones alométricas se obtiene el conjunto muestral de campo de datos de carbono capturado.  Segundo: Capturar y procesar una imagen hiperespectral para transformar los niveles digitales en información de reflectividad.  Tercero: Obtener índices de vegetación que permitan finalmente estimar el contenido de carbono capturado en las especies que conforman el bosque mediterráneo mediante correlaciones estadísticas. 1.2 Justificación La Convención Marco de la Naciones Unidas sobre el Cambio Climático (UNFCCC) y el interés por el origen de la pérdida de los sumideros de carbono terrestre están impulsando la investigación y el desarrollo de métodos para la contabilidad del carbono en los ecosistemas forestales (UNFCCC, 1997). En este sentido, la integración de la teledetección y la generación de modelos generan información espacialmente explícita sobre el almacenamiento y flujo del carbono (Turner et al., 2004). En este sentido Rosenqvist et al. (2003) describe el potencial de la teledetección en las investigaciones relacionadas con secuestro de carbono en el marco del Protocolo de Kioto. En primer lugar determina que la teledetección otorga un suministro de observaciones Página 6 sistemáticas sobre el cambio y cuantificación en la cobertura de suelo, 2) apoya a la creación de una línea de base sobre el stock de carbono; 3) cuantifica las reservas de biomasa y los cambios asociados a la misma, y vigila determinadas fuentes antropogénicas de CH4 (metano), donde las 3 primeras potencialidades están asociadas directamente al secuestro de carbono. Estudios con imágenes satelitales (Fazakas, 1999; Mukkonen, 2007; Watts, 2009), imágenes de RADAR (Fransson, 1999; Balzter, 2001; Rauste, 2005) e imágenes LIDAR (Patenaude, 2004, Persson, 2002; Chen, 2012) proporcionan información espacial sobre la discriminación de la cobertura de suelo para controlar la deforestación e información sobre el stock de carbono a través de la superficie de los bosques (Patenaude, 2005). También las imágenes hiperespectrales, es decir aquellas que poseen cientos de bandas espectrales contiguas, han mostrado potencial para la estimación de variables biofísicas del bosque e incluso para la identificación de especie del dosel (Kalácska 2007). El potencial analítico que ofrecen estas imágenes es obvio, y una de sus grandes posibilidades es el procesamiento en derivadas de las curvas espectrales, que permite reducir la influencia de interferencias (Teledet 2013). Además, el empleo de un mayor número de bandas que captan regiones espectrales más angostas (imágenes hiperespectrales) evita la saturación del índice de vegetación, con resultados prometedores (Kalácska 2007). Por otro lado Patenaude (2005) señala que la resolución espacial de los sensores para la estimación de stock de Carbono y discriminación entre coberturas de suelo es predominantemente relevante. Así mismo la resolución espectral en el caso de los sensores ópticos permite analizar químicamente el área foliar y contenido de agua de la vegetación, proporcionando así una mejora de los datos para estudios de biomasa y cobertura de suelo; parámetros bases para la estimación de carbono. 1.3 Antecedentes En relación a los sensores ópticos Muukkonen et al. (2007) hace una estimación de la biomasa sobre la base de datos del inventario forestal de Standwise y datos de los satélites ASTER y MODIS con la finalidad de verificar los inventarios de carbono en Finlandia. Fazakas et al. (1999) estiman la biomasa forestal regional y volumen de madera a partir de datos auxiliares en imágenes LANDSAT TM en el centro se Suecia. El RMSE obtenido para un área de 510 hectáreas de bosques fue de un 8,7% para la estimación de biomasa y un 4,6 % para la estimación de volumen de madera. Además Sivanpillay et al. (2005) estima la cubierta forestal en Texas con imágenes LANDSAT ETM y Watts et al. (2009) investiga sobre el monitoreo de las prácticas de la tierra de cultivo con la finalidad de establecer el secuestro de carbono en el sector de Montana con imágenes LANDSAT TM. Sin embargo, de acuerdo a lo anterior, Koch (2010) señala que existe una mejor evaluación y mapeo de la biomasa con datos de imágenes hiperespectrales. En este sentido muchos trabajos de investigación analizan índices de vegetación y clasificación de especies (Buddenbaum et al., 2005; Dian et al., 2009; Dudeni et al., 2009; Debba et al., 2009; Odagawa and Okada, 2009; Apan et al., 2009) para la estimación de biomasa. Schlerf et al. 2005, Schlerf (2006), Darvishzadeh et al. (2008), Huber et al. (2008) y Xue & Yang, (2008) presentan algunas de las publicaciones en que se ha analizado la información bioquímica y el índice de área foliar a partir de imágenes hiperespectrales y todos ellos confirman que existe una fuerte relación entre determinados índices de vegetación y el estado bioquímico de los árboles. Anexo II Datos de campo Página 7 García-Martín (2009) desarrolla una metodología que estima la biomasa residual de bosques de coníferas en la región de Teruel (España) en la cual mediante ajustes de regresión relaciona medidas de la vegetación tomada en campo con la información de imágenes satelitales de Landsat 5 TM. Singh (2012) Investiga la relación entre la biomasa aérea y 6 índices de vegetación (obtenidos de la información de una imagen Landsat TM), e identifica el índice de vegetación que mejor se correlaciona con la biomasa. En el área de estudio de 390 km2 toma muestras de 33 parcelas aleatorias para calcular la biomasa utilizando las ecuaciones alométricas de las especies presentes, que se relacionan con sus variables biofísicas como DAP, altura, etc. En el estudio se observa una correlación significativa entre la biomasa y los índices de vegetación. Por otro lado, Le Maire et al, (2008) describe un conjunto de índices para extraer la biomasa de hojas del dosel a partir de datos de Hyperion, sin embargo, la evaluación de la biomasa sub aérea se dificulta sobre la base de los datos hiperespectrales. En general el uso de los datos hiperespectrales para la estimación de biomasa sobre el suelo es muy probable en conjunto con datos de otros sensores remotos. No obstante, una estimación directa de la biomasa aérea basada exclusivamente en datos hiperespectrales no es probable especialmente en lugares de un alto porcentaje de biomasa (Koch, 2010). Dong, (2003) señala la importancia de los bosques en el ciclo del carbono y la necesidad de cuantificar, medir y gestionar la captura de carbono en los bosques en donde se estudia la relación entre los índices de verdor obtenidos de imágenes de satélite y estimaciones de los inventarios de bosques y su contenido de carbono en la biomasa total y evaluar la habilidad de los modelos de regresión que representan la relación entre biomasa y NDVI con imágenes del sensor AVHRR. 2 CARACTERÍSTICAS GENERALES DEL ÁREA DE ESTUDIO El área de estudio tiene una extensión de unas 100 ha. Está localizado en la Sierra de Ramón en las estribaciones de la Cordillera de los Andes, al oriente de la ciudad de Santiago de Chile, en un paraje llamado San Carlos de Apoquindo, el centro del área de estudio está localizado en latitud 33° 24' 11'' y longitud 70° 29' 37''. La altitud media es de 1050 msnm y tiene una pendiente media de entre 7 y 10%. Se ha elegido esta zona por ser representativa del bosque mediterráneo chileno y por la cercanía a la ciudad de Santiago, lo que conlleva facilidades tanto para la toma de datos en campo como para la captura de la imagen hiperespectral. El mapa de localización de la zona de estudio se puede ver en el anexo I. 2.1 Condicionantes naturales Las principales características climáticas que presenta la Región Metropolitana corresponden al tipo "mediterráneo", de estación seca larga y con un invierno lluvioso. La temperatura media anual es de 13,9°C, en tanto que el mes más cálido corresponde al mes de enero, alcanzando una temperatura de 22.1°C, y el mes más frío corresponde al mes de julio con 7,7°C. El sello característico lo constituyen las lluvias, cuyas variaciones permiten destacar condiciones bastantes precarias alcanzando promedios anuales de 356,2 Página 14 campos: DAC, DAM, diámetro de copa; y los datos derivados de las funciones alométricas: Biomasa y carbono capturado. De las muestras seleccionadas 5 corresponden a la especie espino, 37 a litre y 40 a quillay. La distribución de las muestras en el área de estudio se puede ver en el mapa del anexo II. Ilustración 7. Shape editado con los datos de campo. 4.2 Trabajo sobre imagen hiperespectral. 4.2.1 Planificación del vuelo Para la planificación del vuelo se dispone de dos premisas de partida: el área de interés y la resolución del píxel proyectado que, para este caso, es de 0.30 metros. En el manual de especificaciones técnicas del sensor encontramos tablas donde podemos consultar parámetros necesarios para la planificación del vuelo y obtener una resolución aproximada de 0.30 metros de píxel. En este caso tomamos nota en estas tablas de:  Altura de vuelo = 800metros  Ancho de escena = 478 metros Anexo II Datos de campo Página 15 Se hace uso de Google Earth (GE) para comenzar la planificación. El método es el siguiente:  Situar en el centro de la pantalla la zona de estudio, hacer zoom hasta situarnos a una altura de 800 metros sobre el terreno (GE da esta información).  Dibujar las líneas de vuelo. Se planifican dos líneas de vuelo 2 , para dibujarlas hay que tener en consideración que el ancho de escena que recoge el sensor es de 478 metros, y para que no queden huecos entre las pasadas del sensor, éstas deben presentar un solape entre ellas (por recomendación de expertos se considera aproximadamente un 50% de solape). La línea hacia poniente se llamará 'X' y la línea situada hacia la cordillera recibirá el nombre de 'Y'.  Recoger información de los 'puntos guía' que, serán de gran importancia para dirigir las trayectorias del aeroplano. Estos puntos son los que habrá que dar al piloto del aeroplano para el correcto escaneo del terreno. En cada línea de vuelo se deben recoger 4 puntos:  Entrada: Es el punto donde se comienza a registrar información con el sensor, se debe localizar 500 metros antes de llegar a la zona de estudio.  Alineamiento de entrada: Este punto se localiza en la misma línea de la trayectoria de captura, a 1000 metros antes de alcanzar el punto anterior. El paso por este punto garantiza la correcta entrada en la trayectoria deseada.  Salida: Al paso por este punto, se puede parar el escaneo del sensor. Se localiza 500 metros después de haber dejado atrás la zona de interés.  Alineamiento de salida: Garantiza que la trayectoria del sensor no se desvía del trazado planificado, además da margen al piloto para girar y encarar las siguientes líneas de escaneo. En el anexo III se ha editado la cartografía del plan de vuelo, donde se muestran las trayectorias del avión sobre el área de estudio que aparece como un rectángulo por pasada. Se indica el punto inicial y final de adquisición de datos. 4.2.2 Captura de la imagen La escena fue capturada el 30 de enero de 2013 entre las 14:30 horas y las 15:30 horas. Las condiciones atmosféricas eran de nula nubosidad sobre el área de estudio. El vuelo se realizó a una altura de 800 metros sobre el nivel del suelo lo que permite la obtención de imágenes con una resolución espacial de aproximadamente 30 centímetros de píxel. Unos días previos a la realización del vuelo para la captura de la imagen se ensambla el equipo del sensor y se comprueba su funcionamiento. Se instala el sensor en el avión. En la base del avión se coloca la placa estable sobre la que se coloca el sensor, la IMU y el estabilizador de energía. Se coloca la antena GPS en el 2 Se escanean dos líneas durante el vuelo para aprovechar ambas pasadas de la avioneta, y por ese motivo aparecen dos en la planificación. Pero para el objeto de este proyecto tan solo se usará una imagen de las dos registradas, la imagen situada hacia poniente. Página 16 dorso del avión, y se distribuye en el escaso espacio disponible las baterías y el ordenador del sistema. La pantalla táctil se hace llegar hasta la posición del copiloto, desde donde se controlará el sistema. Para la correcta recogida de los datos inerciales del vuelo hay que introducir los siguientes datos en el software del IMU:  Distancia entre la IMU y el sensor.  Distancia entre la IMU y la antena GPS. La siguiente información, extraída de la planificación del vuelo, hay que suministrársela al piloto del avión:  Las coordenadas para cumplir con las distancias de alineamiento y el comienzo y final de la toma de datos. Estas coordenadas son introducidas en el sistema de navegación del avión.  Altura de vuelo  Velocidad del avión. Antes de comenzar con el software de captura de la imagen 'HySpex' se comprueba que el sistema recoge correctamente información GPS e inercial. A continuación se abre el programa de vuelo HySpex. El programa cuenta con dos ventanas principales: La ventana de captura de datos y la ventana de ajustes (Ver ilustraciones 8, y 9). Ilustración 8. Ventana de captura de datos Ilustración 9. Ventana de ajustes En la ventana de ajustes se introduce el tiempo de integración que, por recomendación del fabricante, el óptimo es de 7.5 ms. para el estudio de la vegetación. En el anexo (IV) se adjunta la tabla de los tiempos de integración para este sensor. Con los valores de tiempo de integración y elevación sobre el suelo (800 metros), extraemos la velocidad del avión. La velocidad debe ser 287.1 km/h para este vuelo. En esta ventana es posible también seleccionar el factor 'Binning'. Este es un factor de resolución espacial, que para el caso del presente estudio es '2x' puesto que al instalar el expansor en el sensor se reduce la resolución especial a la mitad. Anexo II Datos de campo Página 17 Una vez introducidos los datos de ajuste de la cámara, se inicia en 'ventana de captura de datos' una nueva sesión, donde se indica el nombre y carpeta de la imagen a capturar. Se comienza la adquisición de datos al paso del punto 'entrada' de la línea de vuelo (500 metros antes de entrar en la zona de estudio), a partir de este punto se va almacenando la información en la carpeta indicada; y se detiene la adquisición en el punto 'salida' de la línea de vuelo. Estos puntos se calcularon en la planificación del vuelo y se pueden consultar durante el vuelo en el navegador del avión. Cuando se termina con el itinerario descrito en la planificación del vuelo, se cierra la sesión. En la carpeta donde se ha almacenado la imagen se ha generado la imagen con datos brutos: 'imagen_raw.img'. 4.2.3 Transformación a radiancia La radiancia es una magnitud física que no parametriza los efectos producidos por la atmósfera ni la topografía del terreno, por ello no puede ser utilizado para la modelización de variables físico-químicas del terreno (Cano et al., 2013). El sensor utiliza el software de post-procesado HySpex RAD para la calibración radiométrica de las imágenes que recoge. Este proceso se realiza sobre el mismo PC del sensor, el cual tiene los coeficientes de Gain y Offset necesarios para la conversión de los niveles digitales en niveles de radiancia en [W/(m2*sr*nm)]. La imagen con niveles de radiancia que resulta del proceso va a recibir el nombre de 'imagen_raw_rad'. 4.2.4 Corrección atmosférica y geométrica. La corrección atmosférica se realiza mediante la aplicación de algoritmos en los que intervienen las condiciones de observación e iluminación, la densidad de la columna de agua y la neblina entre otros parámetros. A través de la corrección atmosférica se obtienen una imagen en valores de reflectividad, cociente entre la energía reflejada y la energía incidente (Cano et al., 2013). La corrección geométrica permite la ubicación de cada píxel en el punto exacto de la superficie terrestre al que pertenece. Para ello se utilizan los datos generados por el sistema de navegación, que registra el posicionamiento del sensor (latitud, longitud y elevación) y el movimiento inercial del avión (cabeceo, aleo y bandeo) en cada momento de la adquisición. Tras aplicar las correcciones se obtiene una imagen en valores de reflectividad y ubicada espacialmente (Cano et al., 2013), lo que permitirá trabajar con esta información para el cálculo de los índices de vegetación y visualizar la información correctamente. A lo largo de este flujo de trabajo se utiliza el siguiente software: ENVI (preparación de un DEM), ATCOR 5.1 (corrección atmosférica) y PARGE 3.0 (corrección geométrica). ATCOR permite calcular los valores de reflectancia a nivel del suelo, es decir, elimina los efectos atmosféricos en las imágenes del sensor. El flujo de trabajo genera una imagen de reflectancia a nivel del suelo, corregido por sus características del estado atmosférico (tipo aerosol y agua vapor) y los efectos del terreno. Página 18 Para la corrección geométrica se utiliza PARGE (Parametric Geocoding) que es un software de orto-rectificación y geocodificación para datos de escáneres ópticos aerotransportados. Se lleva a cabo la orto-rectificación de las imágenes escaneadas mediante un modelo digital de elevación y sobre la base de los parámetros de vuelo, tales como la posición del GPS y los ángulos de movimiento durante el vuelo. El programa está optimizado para instrumentos hiperespectrales aéreos.  Preparación del DEM: Para la obtención del DEM se recurre a ASTER GDEM 3 en su página web http://gdem.ersdac.jspacesystems.or.jp/, donde se busca la zona del área de estudio y se descarga. La preparación del DEM se lleva a cabo con el software ENVI5:  El tamaño del DEM abarca una zona mucho más amplia de la que interesa, por lo que se procede a realizar un recorte de éste para la zona de estudio y de esta manera agilizar las operaciones.  Conversión de los parámetros de proyección: En ENVI map→ Convert map projection. Se establece el sistema de coordenadas UTM, datum WGS84, huso 19 sur.  Cambio de tamaño del píxel: El tamaño del píxel del archivo ASTER original es de 23 x 30 metros, por lo que se transforma en un píxel cuadrado de 30 metros de lado, mediante la herramienta Resize data (Spatial/Spectral ) en basic tools. Conviene hacer una planilla de vuelo donde introducir los parámetros relativos al vuelo y que son requeridos por ATCOR durante el proceso (Anexo V). Sobre esta planilla también se introducen los datos derivados por ATCOR y que serán requeridos en PARGE.  Cálculo del ángulo de la escena (Fligh heading scene) en PARGE: En PARGE se importa la imagen con niveles de radiancia 'imagen_raw_rad' desde file/import/Hypex data. El software solicita para la importación dos archivos: el archivo generado por la IMU donde se encuentran los datos de posicionamiento y movimiento inercial de la plataforma; y el archivo estándar, propio del sensor. Se debe incorporar el DEM anteriormente reproyectado. En DEM/import/ENVI (se ingresa el DEM reproyectado). En la pestaña control/Display fligth path on DEM. se visualiza la línea de vuelo sobre el DEM y se puede calcular el ángulo de la escena de vuelo (de manera manual). 3 ASTER GDEM, es un proyecto desarrollado por el Ministerio de Economía, Comercio e Industria de Japón (METI) y la Administración Nacional de Aeronáutica y del Espacio (NASA), con la finalidad de construir con Modelo de Elevación Digital de todo la superficie terrestre Anexo II Datos de campo Página 19 Ilustración 10. Cálculo del ángulo de la escena (Fligh heading scene) en PARGE  Cálculo del ancho de escena en PARGE: El ancho real de la escena se calcula con el objetivo de conocer el tamaño del píxel real, que varía del tamaño de píxel estimado en la planificación de vuelo. Para ello se debe realizar una corrección geométrica con una sola banda, más adelante se hará sobre las 160 bandas del sensor, pero en esta ocasión se hace sobre una sola con el fin de agilizar el proceso, ya que se pretende conseguir el tamaño del píxel definido. Primero se vuelve a importar la imagen en niveles de radiancia File/import/Hyspex (imagen_raw_rad.img) y el MDE reproyectado DEM/IMPORT/ENVI (se ingresa el DEM reproyectado). En PARGE se utiliza el IGM main Processor para crear una mapa base de la geometría de la escena. A continuación se utiliza la herramienta Geocoding IMG Cube Rectification. Se introduce el mapa de geometría de la imagen recién creado y el mapa con los niveles de radiancia. Se indica que ejecute el proceso sobre una sola banda (rango de bandas de 80 a 80 p.e), por cuestiones de agilizar el proceso, como ya se ha comentado. En el apartado 'tamaño del píxel' se deja el valor por defecto, ya que aun no se sabe el tamaño del píxel, sin embargo cuando se haga posteriormente la corrección geométrica de las 160 bandas se ingresa el tamaño de píxel real. De esta manera se obtiene la imagen (con una sola banda) corregida geométricamente. Se debe abrir sobre ENVI para calcular el ancho de escena. Página 20 Esta imagen presenta una forma sinuosa debido al movimiento del sensor durante la captura. Directamente en ENVI se hacen mediciones (manualmente) del ancho de escena en el área de estudio y se obtiene un valor promedio. En este caso se estima que el ancho de escena promedio es de 512 metros. Ilustración 11. Corrección de una banda para estimación del ancho de escena. Teniendo en cuenta que el sensor tiene 1600 detectores de información alineados, el tamaño real del píxel queda definido a través de la siguiente fórmula:  Cálculo del ángulo de elevación solar, acimut y cenit. Se carga la imagen con valores de radiancia 'imagen_raw_rad' (Herramienta de ATCOR en tools→ Solar Zenith an AzimuthK). Se ingresan los datos de fecha, hora, latitud y el programa calcula la siguiente información:  Elevación solar: 45.3°  Acimut Solar: 81.5°  Cenit solar: 44.7°  Modelo atmosférico estimado: Desértico  Visibilidad: 21 km.  Corrección atmosférica: Previamente hay que generar un 'archivo de calibración' que será requerido durante el proceso en ATCOR. Debemos saber el dato del parámetro 'Scaling' que se encuentra en el archivo de cabecera de la imagen cruda. Anexo II Datos de campo Página 21 Ilustración 12. Archivo de cabecera de la imagen cruda. El dato 'Scaling' resulta ser 291021.403186 y se toma nota. Con ello se calcula el siguiente cociente: Este valor hay que introducirlo en el archivo de texto estándar '.cal' que contiene la imagen cruda. Tal archivo contiene tres columnas. La primera posee los valores de las longitudes de onda de cada una de las 160 bandas en las que registra el sensor; una segunda columna con valores nulos; y una tercera columna con un valor de calibración por banda que debemos sustituir por el valor derivado del scaling. Página 22 Ilustración 13. Archivo de calibración para la corrección geométrica Una vez se han recabado todos los valores 'input' se realiza la corrección atmosférica en ATCOR.  Corrección atmosféricaATCOR: Se trabaja sobre la imagen de radiancia 'Imagen_raw_rad.img'. En el software se utiliza la herramienta ATM. CORRECTION. Los datos requeridos 4 los encontramos en la planilla de vuelo (Anexo V) que se viene rellenando durante el proceso. El resultado de la corrección atmosférica es una imagen que recibe el nombre de 'Imagen_raw_rad_atm'  Corrección geométrica - PARGE: Se realizan los mismos pasos descritos anteriormente en PARGE para el cálculo del ancho de escena, sin embargo esta vez se corrigen geométricamente las 160 bandas y la imagen de entrada es 'imagen_raw_rad_atm'. Con este proceso se obtiene la imagen 'Imagen_raw_rad_geo.bsq' y será la base para el cálculo de los índices de vegetación. 4.3 Índices de vegetación. 4.3.1 Descripción de los índices de vegetación: Todas las plantas verdes absorben fuertemente la radiación electromagnética visible (0.4 a 0.65 µm), ello se debe a la absorbancia de los pigmentos de la hoja, principalmente clorofilas, xantofilas y carotenos, y reflejan fuertemente la radiación del infrarrojo cercano 4 Los datos requeridos para el proceso de corrección atmosférica en ATCOR son los siguientes: Fecha de captura de la imagen, geometría del vuelo y geometría solar (altitud de vuelo, altitud del terreno, ángulo de vuelo de la escena y ángulos de acimut y cenit solar), tipo de sensor, tamaño del píxel real, archivo de calibración, datos atmosféricos, tipo de aerosol, visibilidad estimada y vapor de agua. Anexo II Datos de campo Página 23 (0.8 a 1.25 µm) debido a la dispersión de la energía recibida a esta longitud de onda por el mesófilo. Los índices de vegetación resaltan estas diferencias mediante operaciones matemáticas que generalmente implican la diferencia o el cociente de las bandas de una imagen multiespectral. El conocimiento de la cantidad de clorofila en hoja de los vegetales es fundamental en estudios forestales. Por ello se han desarrollado distintos métodos para su estudio, proponiendo una gran variedad de índices que relacionan la reflectividad obtenida por sensores en distintas bandas (Haboudane et al., 2008). Se realiza una búsqueda bibliográfica para concretar qué índices de vegetación se quieren utilizar. Se trata de escoger aquellos orientados a la discriminación de densidades de vegetación y de especies ya que es a partir de las cuales se ha calculado la biomasa localmente. La selección se basó en su robustez, base científica y la aplicabilidad general. Como resultado de la búsqueda se analizan los siguientes índices:  Normalized Difference Vegetation Index (NDVI705). Es una modificación del NDVI tradicional usado con imágenes multiespectrales. Su uso está destinado a trabajar con datos de muy alta resolución espectral, como es el caso de los obtenidos a partir de sensores hiperespectrales. Las aplicaciones incluyen la agricultura de precisión, vigilancia de los bosques, y la detección de estrés de la vegetación. El NDVI705 está definida por la misma fórmula que propuso Rouse et al. (1973) y que se calcula a partir de reflectancia en el rojo y el infrarrojo cercano: El valor de este índice varía de -1 y 1. El rango común de vegetación es de 0,2 a 0,9.  Modified Simple Ratio Index (mSR705): Es una modificación del tradicional Simple Ratio (SR) que se suele aplicar en imágenes multiespectrales. Se diferencia de este en que utiliza todo el ancho de banda en el rojo e incorpora una corrección para la reflexión especular de la hoja (Sims 2002). Las aplicaciones incluyen la agricultura de precisión, monitoreo forestal, y la detección de estrés de la vegetación. El índice mSR705 se define por la siguiente ecuación: El valor de este índice varía de 0 a más de 30. La gama común para la vegetación es de 2 a 8.  Modified normalized difference vegetation index (mNDVI705). Página 30 Ilustración 16. Gráfico de regresión lineal simple entre el contenido de carbono capturado y el índice de vegetación PRI. El índice de vegetación PRI es el que mejor explica el contenido de carbono, pero la recta no se ajusta bien a la nube de puntos y el coeficiente de determinación (R2) es muy bajo, por lo que éste no es un modelo que haga una buena predicción del carbono capturado. En el gráfico de regresión se han destacado en color rojo una serie de datos que de manera notoria debilitan la regresión. En un análisis inicial, de manera visual se aprecia que son coberturas pertenecientes a individuos de copa muy pequeña en unos casos, y en otros se ve que hay anomalías en los píxeles (ver ilustración 16). Anexo II Datos de campo Página 31 Ilustración 17. Píxeles saturados (manchas azules) sobre las copas de los árboles Se extrae el perfil del espectro electromagnético de estos píxeles considerados anómalos y se puede observar que presentan saturación en el rango del visible. Ilustración 18. Perfil del espectro electromagnético de un píxel que presenta saturación en el visible. Por lo que se plantea estudiar cómo se correlacionan los datos una vez eliminados los individuos que presentan anomalías en su reflectividad. De modo que se eliminan del conjunto muestral los árboles con los siguientes números de identificación: 16, 18, 21, 22, 27, 37, 38, 39, 72, 71 y 77. El nuevo análisis de correlación de Pearson se puede ver en el anexo VI, en el cuadro 'Correlación de Pearson con datos depurados'. Se aprecia como las correlaciones entre la variable 'contenido de carbono' e 'índices de vegetación' mejora considerablemente. Nuevamente el índice PRI es el que mejor se asocia con un coeficiente de correlación de Pearson de 0.53. Página 32 El análisis de regresión con este nuevo conjunto de datos se puede consultar en el anexo VI en el cuadro 'Análisis de regresión con datos depurados'. El coeficiente de correlación de Pearson sigue siendo moderado pero considerablemente más fuerte que el anterior y lo mismo sucede con el coeficiente de determinación R2 que en esta ocasión es de 0.28. En la siguiente figura puede verse el gráfico de la nueva regresión lineal, cuya recta de regresión simple queda definida a partir de los coeficientes de la siguiente manera: Ilustración 19. Gráfico de regresión lineal simple entre el contenido de carbono capturado y el índice de vegetación PRI, habiendo eliminado datos que debilitaban la regresión. 5.2 Análisis de variabilidad Al haberse obtenido correlaciones tan bajas entre los índices propuestos y el contenido de carbono, se realiza un análisis de variabilidad. Este análisis se realiza con los datos de NDVI de algunas de las muestras, puesto que es un índice muy conocido y sus valores son fáciles de interpretar, con ello se pretende averiguar si existe ruido que enmascara la información de interés. Se seleccionan aleatoriamente árboles de distinto tamaño, por ejemplo a un intervalo de 100 píxeles. Los individuos seleccionados son los que corresponden a los números de identificación: 52,70, 76, 20, 51 y 40. Anexo II Datos de campo Página 33 En ArcMap se genera un nuevo shape con estos individuos. Este shape será la capa vectorial que se use a modo de ROI para volver a extraer los datos de NDVI en ENVI. Se extraen los ROIs en formato ASCII para realizar el análisis de variabilidad en SPSS. En la siguiente ilustración se muestra la distribución de frecuencia de los valores de NDVI para cada individuo seleccionado. Id: 52. Media= 0.5439 Desviación Típica= 0.0515 Nº de píxeles= 102 Id: 70 Media= 0.6444 Desviación Típica= 0.0488 Nº de píxeles= 204 Id: 76 Media= 0.5568 Desviación Típica= 0.0739 Nº de píxeles= 305 Id: 20 Media= 0.7317 Desviación Típica= 0.0606 Nº de píxeles= 400 Id: 51 Media= 0.6425 Desviación Típica= 0.0801 Nº de píxeles= 602 Id: 40 Media= 0.5345 Desviación Típica= 0.1133 Nº de píxeles= 699 Ilustración 20. Distribución de frecuencias de NDVI en 6 muestras. A la vista de estos resultados se puede decir que los valores de NDVI, son bajos para tratarse de píxeles que están vinculados a la copa de los árboles, habiendo abundantes valores de NDVI por debajo de 0,4. Es posible que debido a la alta resolución espacial, se estén incorporando valores de píxeles relacionados con el suelo, que enmascara el valor que debería dar la copa. Además, la propia arquitectura de los doseles arbóreos de la mayoría de las especies consideradas origina una gran cantidad de discontinuidades que permite la observación de zonas menos irradiadas (sectores sombreados, gap effect) que se vinculan tanto a la perspectiva de la observación de la cubierta, como a la alta resolución espacial de la imagen hiperespectral. En este sentido, si bien las distribuciones de los individuos seleccionados se ajuntan a un tipo normal, la existencia de numerosos píxeles con valores muy bajos (<0.4) provoca que los valores medios del individuo sean inferiores, toda vez que la media es uno de los parámetros estadísticos más influenciados por los casos extremos. Página 34 6 CONCLUSIONES Y CONSIDERACIONES GENERALES Los resultados obtenidos mediante correlación de los datos de índices de vegetación con los de contenido de carbono muestran un nivel de asociación entre estas variables muy bajo. El índice de vegetación PRI es el que mejor explica el contenido de carbono con un coeficiente de Pearson de 0,34, no obstante, al analizar mediante regresión lineal el índice con el contenido de carbono, resulta una ecuación con un coeficiente de determinación R2 muy bajo, lo que lleva a descartar este índice como estimador de carbono para este tipo de formaciones vegetales. A la vista de que hay datos en el grafico de dispersión que debilitan la correlación, se ha observado las características de los individuos que aportaban este comportamiento. Se han analizado 11 de los árboles cuyos valores más se alejan del ajuste de regresión y se observa que son individuos con copas muy pequeñas en unas ocasiones y con saturación en los píxeles en otras ocasiones. Se ha repetido el análisis de regresión y la correlación lineal habiendo eliminado previamente los 11 individuos comentados del conjunto muestral. El coeficiente de correlación de Pearson aumenta a 0.53 y el coeficiente de determinación R2 a 0.28. A pesar de que no son lo suficientemente fuertes para explicar la asociación de valores se advierte un aumento considerable. A la vista de este aumento de correlación, el resultado del estudio puede mejorar si se planificara un muestreo en campo, donde se recoja información mediante muestras con un amplio rango de contenido de carbono, desde individuos con baja concentración de carbono hasta individuos con una alta concentración de éste, ya que el contenido de carbono en el muestreo del presente trabajo se mueve en un rango muy estrecho. Para abordar el problema de la saturación de píxeles se propone analizar el la reflectividad de los mismos respecto de su supuesto comportamiento normal para aplicar filtros espectrales que reduzcan estas distorsiones. El análisis de distribución de valores de NDVI en algunas de las muestras, lleva a pensar que debido a la alta resolución de la imagen hiperespectral (0,32m) se introducen datos de suelo desnudo y zonas escasamente irradiadas, añadiendo ruido y distorsionando los datos relativos a la cubierta arbórea. Es posible que la alta resolución de la imagen hiperespectral, haya contribuido a aumentar la variabilidad en los datos debido al propio carácter anisotrópico de las cubiertas vegetales. Para caracterizar las propiedades espectro-angulares de la reflectividad, (Nicodemus et al., 1977) definen una función de proporcionalidad entre el flujo de radiación incidente y la radiancia reflejada denominada Bidirectional Scattering-Surface Reflectance Distribution Function (BSSRDF), cuya área observada es la denominada función de distribución de la reflectividad bidireccional o BRDF (Bidirectional Reflectance Distribution Function). Esta función, determina las características geométricas de la reflectividad espectral (Camacho et al., 2002). Según Camacho et al. (2002) la BRDF depende, de las características estructurales de la cubierta, de las propiedades ópticas de sus componentes (hojas, ramas y suelo) y, del ángulo cenital solar que determinará el campo de radiación incidente. La dinámica de la BRDF viene determinada por los efectos de gap effect y el backshadow effect. El gap effect, o efecto hueco, es un efecto relacionado con la perspectiva que tenemos en la observación de la cubierta (Camacho et al., 2002). En el caso del presente estudio la Anexo II Datos de campo Página 35 observación se realiza desde el nadir, por lo que la capacidad de penetración es mayor. Además en cubiertas abiertas con vegetación dispersa, la presencia de claros implica una mayor contribución de la respuesta espectral del suelo, condicionando así el valor de la reflectividad al intervalo espectral en que nos encontremos (Kimes 1983), aunque en el presente estudio el concepto de 'claros' debe estar relacionado con la arquitectura la copa del árbol, y los huecos que puedan quedar en su interior. La orientación de las hojas caracterizada por la normal a la superficie de éstas, determina (junto con la posición de la fuente) el ángulo con el que son irradiadas (Camacho et al., 2002). La estructura de la copa del árbol hace que la dispersión sea diferente en unas direcciones o en otras por lo que se crean zonas oscuras o sombreadas, esto es lo que se conoce como backshadow effect. Se puede pensar que la arquitectura de las especies muestreadas en este estudio favorecen estos efectos comentados, conformando cubiertas de distribución vertical o erectófilas. En el caso del litre y el quillay, dos especies siempreverdes, con la disposición de las hojas alterna, coriáceas y con un peciolo corto, o en el caso del espino, con follaje poco denso de hojas pequeñas y alargadas. Por lo tanto si se caracterizara la anisotropía de la BRDF, se podría utilizar la variabilidad como fuente de información para el estudio de contenido de carbono capturado en este tipo de formaciones vegetales con imágenes hiperespectrales. Página 36 7 ANEXOS: Anexo I Plano de localización Página 37 Anexo II Datos de campo Página 38 ID Especie DAC DAM Diametro de copa Altura ID Especie DAC DAM Diametro de copa Altura 1 Quillay 14,00 14,50 7,25 6,5 42 Litre 10,67 9,33 8,50 6 2 Quillay 23,33 24,00 9,50 9 43 Litre 14,33 12,00 9,00 8 3 Espino 6,67 5,33 4,40 2,5 44 Litre 15,00 12,00 4,50 4 4 Espino 9,33 8,33 5,90 4 45 Litre 14,00 14,00 7,60 6 5 Quillay 22,33 21,00 9,90 8 46 Litre 13,67 13,00 8,90 7 6 Litre 7,33 6,67 6,70 5 47 Quillay 16,67 14,33 5,50 8 7 Litre 7,00 6,33 6,20 5 48 Litre 13,67 12,00 7,70 6 8 Litre 8,33 7,00 8,80 4 49 Litre 25,67 16,67 8,40 5 9 Espino 7,00 6,00 5,15 2,5 50 Litre 14,33 10,33 7,00 5 10 Espino 7,00 6,00 4,80 2,5 51 Quillay 24,33 23,00 10,80 11 11 Litre 6,67 5,67 4,40 3,5 52 Quillay 11,33 10,33 5,50 8 12 Litre 9,00 9,00 9,00 4 53 Quillay 22,00 17,67 6,20 12 13 Espino 11,33 9,67 5,80 12 54 Quillay 21,67 17,67 7,40 12 14 Litre 11,67 8,67 6,00 4 55 Quillay 21,67 14,33 8,20 6 15 Litre 16,00 14,33 11,00 5 56 Quillay 21,33 16,00 8,40 10 16 Litre 5,33 4,67 3,20 3 57 Quillay 25,00 23,33 10,20 12 17 Quillay 34,67 25,33 10,50 18 58 Litre 20,33 14,00 9,70 6 18 Quillay 40,00 32,00 2,45 6 59 Litre 10,67 8,67 9,80 5 19 Quillay 16,16 15,33 3,80 6 60 Litre 11,00 7,00 10,40 4 20 Quillay 19,50 19,50 8,00 10 61 Quillay 18,67 16,00 8,50 8 21 Litre 16,50 13,00 4,60 4,5 62 Quillay 28,00 20,67 13,80 9 22 Litre 21,42 19,85 10,40 4,5 63 Litre 11,33 10,33 7,70 5 23 Litre 13,63 11,25 12,20 4,5 64 Litre 21,00 15,00 11,30 8 24 Quillay 15,30 14,00 12,00 7,5 65 Litre 8,00 5,67 13,30 4 25 Quillay 10,89 9,70 5,40 5 66 Quillay 30,67 23,67 9,80 10 26 Quillay 18,75 16,50 8,00 4 67 Quillay 27,33 25,33 9,00 9 27 Quillay 23,00 21,00 5,00 7 68 Quillay 28,67 27,33 11,00 9 28 Quillay 18,33 14,33 6,70 7 69 Quillay 12,67 12,00 7,70 8 29 Quillay 15,67 13,00 7,30 8 70 Quillay 28,67 27,33 11,00 9 30 Litre 11,33 9,67 8,20 6 71 Quillay 20,33 17,67 11,50 12 31 Litre 5,30 4,00 4,20 3 72 Litre 8,67 4,67 5,60 4 32 Quillay 7,25 6,50 4,30 4 73 Litre 11,00 9,00 10,50 5 33 Quillay 20,67 19,50 10,00 11 74 Litre 12,33 9,67 11,50 6 34 Quillay 6,00 5,83 7,60 6 75 Quillay 31,33 21,33 7,00 10 35 Quillay 11,83 9,83 9,50 10 76 Quillay 32,00 26,50 7,00 10 36 Quillay 27,33 24,66 11,20 12 77 Quillay 23,33 20,67 6,50 10 37 Quillay 36,00 16,00 6,00 13 78 Litre 11,33 8,67 10,30 5 38 Quillay 48,00 28,00 5,00 8 79 Quillay 21,33 17,00 7,80 10 39 Litre 16,00 13,67 9,00 10 80 Litre 25,67 21,00 11,40 5 40 Litre 12,33 10,67 6,00 6 81 Litre 15,00 12,33 6,70 4 41 Litre 12,00 11,00 4,00 4 82 Litre 11,67 9,00 5,20 5 Anexo II Datos de campo Página 39 Anexo VI Estadística Página 46 MCARI Correlación de Pearson ,123 ,624** ,650** -,072 ,226 ,883** ,643** 1 -,574** Sig. (bilateral) ,307 ,000 ,000 ,553 ,058 ,000 ,000 ,000 N 71 71 71 71 71 71 71 71 71 IDN Correlación de Pearson ,305** -,945** -,939** -,675** ,553** -,447** -,973** -,574** 1 Sig. (bilateral) ,010 ,000 ,000 ,000 ,000 ,000 ,000 ,000 N 71 71 71 71 71 71 71 71 71 *. La correlación es significante al nivel 0,05 (bilateral). **. La correlación es significativa al nivel 0,01 (bilateral). Prueba de Kolmogorov-Smirnov PRI mSR mNDVI RG OSAVI NDVI MCARI IDN N 82 82 82 82 82 82 82 82 Parámetros normalesa,b Media -,336091 2,283546 ,384733 1,796153 ,001822 ,612972 257,552231 -,842917 Desviación típica ,0596308 ,2293264 ,0441704 ,2295447 ,0234451 ,0888210 76,8476944 ,0404534 Diferencias más extremas Absoluta ,137 ,054 ,069 ,138 ,072 ,053 ,062 ,064 Positiva ,071 ,052 ,056 ,138 ,047 ,053 ,061 ,064 Negativa -,137 -,054 -,069 -,105 -,072 -,044 -,062 -,049 Z de Kolmogorov-Smirnov 1,242 ,492 ,625 1,248 ,648 ,476 ,561 ,578 Sig. asintót. (bilateral) ,092 ,969 ,830 ,089 ,796 ,977 ,911 ,892 a. La distribución de contraste es la Normal. b. Se han calculado a partir de los datos. Anexo VI Estadística Página 47 Análisis de regresión lineal Estadísticos descriptivos Media Desviación típica N Carbono por píxel ,335818 ,4318756 82 PRI -,336091 ,0596308 82 Correlaciones Carbono por píxel PRI Correlación de Pearson Carbono por píxel 1,000 ,342 PRI ,342 1,000 Sig. (unilateral) Carbono por píxel . ,001 PRI ,001 . N Carbono por píxel 82 82 PRI 82 82 Resumen del modelob Modelo R R cuadrado R cuadrado corregida Error típ. de la estimación Estadísticos de cambio Cambio en R cuadrado Cambio en F gl1 gl2 Sig. Cambio en F 1 ,342a ,117 ,106 ,4083434 ,117 10,605 1 80 ,002 a. Variables predictoras: (Constante), PRI b. Variable dependiente: Carbono por píxel Anexo VI Estadística Página 48 ANOVAa Modelo Suma de cuadrados gl Media cuadrática F Sig. 1 Regresión 1,768 1 1,768 10,605 ,002b Residual 13,340 80 ,167 Total 15,108 81 a. Variable dependiente: Carbono por píxel b. Variables predictoras: (Constante), PRI Coeficientesa Modelo Coeficientes no estandarizados Coeficientes tipificados t Sig. B Error típ. Beta 1 (Constante) 1,169 ,260 4,500 ,000 PRI 2,478 ,761 ,342 3,257 ,002 a. Variable dependiente: Carbono por píxel Estadísticos sobre los residuosa Mínimo Máximo Media Desviación típica N Valor pronosticado -,243816 ,558994 ,335818 ,1477524 82 Residual -,4159766 2,3772898 0E-7 ,4058150 82 Valor pronosticado tip. -3,923 1,510 ,000 1,000 82 Residuo típ. -1,019 5,822 ,000 ,994 82 a. Variable dependiente: Carbono por píxel Anexo VI Estadística Página 49 Análisis de regresión lineal con datos depurados Estadísticos descriptivos Media Desviación típica N Carbono por píxel ,218033 ,1618754 71 PRI -,333533 ,0513696 71 Correlaciones Carbono por píxel PRI Correlación de Pearson Carbono por píxel 1,000 ,530 PRI ,530 1,000 Sig. (unilateral) Carbono por píxel . ,000 PRI ,000 . N Carbono por píxel 71 71 PRI 71 71 Resumen del modelob Modelo R R cuadrado R cuadrado corregida Error típ. de la estimación Estadísticos de cambio Cambio en R cuadrado Cambio en F gl1 gl2 Sig. Cambio en F 1 ,530a ,281 ,271 ,1382433 ,281 26,978 1 69 ,000 a. Variables predictoras: (Constante), PRI b. Variable dependiente: Carbono por píxel Anexo VI Estadística Página 50 Resumen del modelob Modelo R R cuadrado R cuadrado corregida Error típ. de la estimación Estadísticos de cambio Cambio en R cuadrado Cambio en F gl1 gl2 Sig. Cambio en F 1 ,530a ,281 ,271 ,1382433 ,281 26,978 1 69 ,000 a. Variables predictoras: (Constante), PRI b. Variable dependiente: Carbono por píxel Coeficientesa Modelo Coeficientes no estandarizados Coeficientes tipificados t Sig. Correlaciones B Error típ. Beta Orden cero Parcial Semiparcial 1 (Constante) ,775 ,109 7,143 ,000 PRI 1,671 ,322 ,530 5,194 ,000 ,530 ,530 ,530 a. Variable dependiente: Carbono por píxel Estadísticos sobre los residuosa Mínimo Máximo Media Desviación típica N Valor pronosticado ,040952 ,351887 ,218033 ,0858222 71 Residual -,2628916 ,3937906 0E-7 ,1372523 71 Valor pronosticado tip. -2,063 1,560 ,000 1,000 71 Residuo típ. -1,902 2,849 ,000 ,993 71 a. Variable dependiente: Carbono por píxel Bibliografía Página 51 8 REFERENCIAS BIBLIOGRÁFICAS Baret, F., y G. Guyot. «Potentials and limits of vegetation indices for LAI and APAR assessment.» Remote Sensing of Environment, nº 35 (1991): 61-173. Camacho de Coca, F. J. García-Haro, M. A. Gilabert y J. Meliá. «La anisotropía de la BRDF: Una nueva signatura de las cubiertas vegetales.» Revista de Teledetección, nº 18 (2002): 29-46. Cano, J. Herrera, P. Vidal. Sectorización de Viña Tabolí por Nivel de afeccición de Clorosis Férrica. Santiago de Chile.: Escuela de Ingeniería Forestal, Facultad de Ciencias Silvoagropecuarias, Universidad Mayor., 2013. Chile, Biblioteca del Congreso Nacional de. http://siit2.bcn.cl/nuestropais/region13/clima.htm. (último acceso: 19 de Octubre de 2013). Cruz, P. Honeyman, P., Hube, C., Urrutia, J., Ravanal, C., Venegas, A., & C, S. Modelo de Gestión Forestal para el uso sustentable de los Bosques Mediterráneos Chilenos. Santiago. Santiago de Chile: Univesidad Mayor, 2008. ENVI User's Guide. ENVI Version 4.1. September 2004 Edition. RSI. Research Systems Inc. , 2004. Flores, d. & Díaz, M. «Conservación del Bosque Esclerófilo en el Paisaje Natural y Cultural de Chile central.» Actas del primer Coloquio sobre la Herencia Natural de Chile. Santiago de Chile: Universidad Mayor, 2007. Gamon, J.A., J. Penuelas, and C.B. Field. «A Narrow-Waveband Spectral Index That Tracks Diurnal Changes in Photosynthetic Efficiency.» Remote Sensing of Environment, nº 41 (1992): 35-44. Gamon, J.A., L. Serrano, and J.S. Surfus,. «The Photochemical Reflectance Index: An Optical Indicator of Photosynthetic Radiation Use Efficiency Across Species, Functional Types and Nutrient Levels.» Oecologia , nº 112 (1997): 492-501. Gorte, W, y 7-7266 Specialist in Natural Resources Policy. [email protected]. «Carbon Sequestration in Forests.» Congressional Research Service, 2009. Haboudane, D., Tremblay, N., Miller, J.R., Vigneault, P. «Remote Estimation of Crop Chlorophyll Content Using Spectral Indices Derived From Hyperspectral Data.» IEEE Transactions on Geoscience and Remote Sensing, nº 46 (2008): 423-437. Kalácska, M., SánchezAzofeira, A., Rivard, B., Caelli, T., White, HP., y Calvo Alvarado, J.C. «Ecological fingerprinting of ecosystem succession Estimating secondary tropical dry forest and diversitu using imaging spectroscopy.» Remote Sensing of Environmental, nº 108 (2007): 82-96. Kimes, D. S. «Dynamics of directional reflectance factor distributions for vegetation canopies.» Applied Optics, nº 22 (1983): 1364-1372. Martín, Alberto García. Estimación de la biomasa residual mediante imágenes de satélite y trabajo de campo.Modelización del potencial energético de los bosques turolentes. Tesis Doctoral, 2009. Nicodemus, F. E., RICHMOND, J. C. HSIA, J. J., GINSBERG, I. W. and LIMPERIS, F. Geometrical Considerations and Nomenclature for Reflectance. National Bureau of Standards. NBS. Monograph 160., 1977. Ramírez, F. «Un aporte sobre la historia ecológica del deterioro de los bosques de Chile central.» Actas del primer Coloquio sobre la Herencia Natural de Chile, “La Conservación del Bosque Esclerófilo en el Paisaje Natural y Cultural de Chile central”. Universidad de Chile., 2007. Anexo VI Estadística Página 52 Sims, D.A. and J.A. Gamon,. «Relationships Between Leaf Pigment Content and Spectral Reflectance Across a Wide Range of Species, Leaf Structures and Developmental Stages.» Remote Sensing of Environment, nº 81 (2002): 337-354. Singh, Sandipan Das and T.P. «Correlation analysis between biomass and spectral vegetation indices of forest ecosystem.» International Journal of Engineering Research & Technology (IJERT) 1, nº 5 (2012): ISSN: 2278-0181. Teledet. http://www.teledet.com.uy/tutorial-imagenes-satelitales/imageneshiperespectrales.htm. 2013. (último acceso: 1 de Octubre de 2013). Thomas J. Bruno, Paris D. N. Svoronos. CRC Handbook of Fundamental Spectroscopic Correlation Charts. Taylor andf Francis Group, 2005. Tickle, P., Coops, N., Hafner, S., & Team, T. «Assessing forest productivity at local scales across a native eucalypt forest using a process model, 3PG-SPATIAL.» Forest Ecology Manage, nº 152 (2001): 272-291. UACH. «http://www.uach.cl/programa/carbono.html.» Universidad Austral de Chile. 2013.