Las regiones Mediterráneas están sujetas a alta variabilidad en la precipitación y sequías periódicas. El desarrollo de herramientas para predecir y realizar un seguimiento de la productividad de la vegetación es importante en la producción de pastos y en la agricultura de secano, así como para predecir la estabilidad y el funcionamiento a largo plazo de los ecosistemas. Sin embargo, las respuestas ante la variabilidad interanual son grandes y se solapan con respuestas al clima que muestran tendencias a largo plazo, haciendo complicada la asignación de relaciones causales a los cambios de la vegetación. Los datos hiperespectrales presentan el potencial de captar respuestas de la vegetación no detectadas por sensores de anda ancha, y se pueden utilizar para escalar a sensores de mapeo global de resolución más grosera como por ejemplo AVHRR (Advance Very High Resolution Radiometer) o MODIS (Moderate Resolution Imaging Spectroradiometer). El objetivo de la tesis es la detección de las respuestas de la vegetación, a las variaciones climáticas interanuales utilizando cinco imágenes hiperespectrales AVIRIS (Airbome Visible-Infrared Imaging Spectrometer) y 110 imágenes multiespectrales AVHRR (Advance Very High Resolution Radiorneter) adquiridas entre 1994-1998 en una zona de vegetación natural en la costa Central de California. Se desarrollaron metodologías de análisis a dos escalas, determinando los casos en que se puede extrapolar información entre AVHRR y AVIRIS a pesar de su distinta capacidad espectral, espacial y temporal. Además se estableció la resolución espacial óptima a utilizar en función de parámetros del semivariograrna experimental. En última instancia se pretende predecir la producción de pastos teniendo en cuenta los niveles de precipitación y las señales ENSO (El Niño-Oscilación Sur). Los resultados muestran como la productividad de los pastos se puede predecir en diciembre o en otoño del año anterior en los casos en que el fenómeno de El Niño es fuerte. Por otro lado, los datos AVIRIS proporcionan información adicional al verdor para caracterizar la vegetación como vegetación seca o contenido en humedad. Además los modelos lineales de mezcla se encuentran menos afectados por efectos de iluminación y ruido que los índices de vegetación, son robustos a lo largo del tiempo y su mayor fuente de error se debe a cambios en las componentes del píxel por lo que el uso de mapas de vegetación y/o suelos mejora considerablemente los resultados.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados