1.9: Vegetación e Incendio

Los primeros capítulos de estas notas han abarcado en gran medida temas genéricos en teledetección óptica pasiva, cuestiones de importancia general y técnicas de procesamiento de imágenes que no son específicas de un campo de aplicación u otro. En este capítulo veremos algunas técnicas desarrolladas y ampliamente utilizadas específicamente para la teledetección de dos cosas: la vegetación y el fuego. Se podrían escribir capítulos similares sobre muchas otras aplicaciones específicas de la teledetección: la vegetación y el fuego se utilizan aquí porque el uso de imágenes satelitales para mapearlas y monitorearlas está bien desarrollado y se usa operacionalmente tanto a escala nacional como global.

Vegetación

Dada la cantidad de la Tierra que está cubierta por alguna forma de vegetación verde, no es sorprendente que se haya dedicado mucho esfuerzo de investigación al uso de la teledetección para mapear y evaluar diversos aspectos de la vegetación. Esto es importante para las industrias básicas que apoyan los medios de vida humanos en todo el mundo, como la silvicultura y la agricultura, así como para casi cualquier evaluación ambiental de las áreas terrestres. De hecho, se han realizado tantas investigaciones que se han escrito libros enteros solo sobre la teledetección de la vegetación.

En términos más simples, la capacidad de detectar vegetación en la teledetección óptica pasiva se basa en su firma espectral (Figura 67), que es bastante diferente de otros tipos de superficie.

Figura 27. Reflectancia de agua, suelo y vegetación a diferentes longitudes de onda por SEOS, Educación Científica a través de la Observación de la Tierra para Escuelas Secundarias (SEOS), CC BY-NC-SA 2.0.

Región de longitud de onda visible

La vegetación verde sana absorbe la mayor parte de la luz visible que incide sobre ella, utilizándola para crecer a través del proceso de fotosíntesis. La fotosíntesis es un proceso bioquímico relativamente complejo que comienza con la absorción de un fotón por una molécula de pigmento, lo que desencadena una transición electrónica (el movimiento de un electrón de un nivel de energía a uno superior) que inicia una reacción en cadena que conduce a la producción de material vegetal a partir del componentes químicos básicos de CO ₂ y agua. Una forma de clorofila es el pigmento dominante en casi toda la vegetación, y la clorofila es muy buena para absorber la luz visible, razón por la cual la vegetación tiene bajas reflectancias a través de las longitudes de onda visibles. La clorofila es un poco mejor para absorber longitudes de onda azules y rojas que para absorber longitudes de onda verdes, por lo que se refleja relativamente más radiación verde, dando a la vegetación su aspecto verde.

Región de longitud de onda infrarroja

Los fotones entrantes a longitudes de onda en la región del infrarrojo cercano contienen individualmente menos energía (recuerde que la energía en un fotón es proporcional a su frecuencia, y por lo tanto inversamente proporcional a su longitud de onda). Por lo tanto, estos fotones son incapaces de provocar una transición electrónica por lo que los pigmentos utilizados para la fotosíntesis no pueden utilizarlos, y en general no los absorben. Otras partes de las plantas, especialmente el agua líquida que se encuentra en las hojas, sí absorben estos fotones, los cuales rotan y estiran los enlaces químicos en el agua o en las células vegetales, calentando efectivamente el material absorbente. En general, las plantas no tienen necesidad de calentarse, y a excepción de las longitudes de onda de alrededor de 1.4 μm y 1.9 μm donde el agua es un absorbente fuerte, las plantas reflejan gran parte de la radiación entrante del infrarrojo cercano.

La combinación de baja reflectancia en lo visible y alta reflectancia en las longitudes de onda del infrarrojo cercano es la firma más característica de la vegetación utilizada en la teledetección, y se utiliza para el mapeo rápido y sucio de la vegetación en la Tierra. Considera que la mayoría de las áreas terrestres contienen una mezcla de áreas vegetadas y no vegetadas. A veces esta 'mezcla' es muy unilateral, como en el Amazonas, el desierto del Sahara, o el Ártico canadiense, y a veces es realmente más mixta, como en la sabana africana (Figura 68).

Índices de vegetación

El uso de la reflectancia solo en las longitudes de onda visibles no nos dice cuánta vegetación hay en un área, porque el agua también tiene baja reflectancia en esta región de longitud de onda. Y usar la reflectancia solo en la región del infrarrojo cercano tampoco nos dice mucho sobre la vegetación, porque otros tipos de superficies, como la arena brillante y la nieve brillante que se representan en la Figura 68, también tienen mayor reflectancia del infrarrojo cercano. Sin embargo, la relación de las reflectancias visible e infrarroja cercana es un indicador útil para la cantidad de vegetación presente en un área porque ningún otro tipo de superficie tiene tanto alta como la reflectancia del infrarrojo cercano como la vegetación. Esta observación condujo inicialmente al desarrollo de lo que se llama la Relación Simple (SR):

SR = NIR/Rojo

donde NIR es la reflectancia superficial en la región de longitud de onda del infrarrojo cercano (típicamente alrededor de 700-1000 nm), y RED es la misma para la región de longitud de onda roja (600-700 nm).

68: Cuatro áreas con características de vegetación bastante diferentes. Arriba a la izquierda: La sabana africana contiene una mezcla de árboles y cobertura de pasto. Árboles En La Sabana Africana de Lynn Greyling, PublicDomainPictures.net, CC0 1.0. Arriba a la derecha: El desierto del Sahara está en la mayoría de los lugares sin vegetación. Desierto del Sahara por Azer Koçulu, Wikimedia Commons, CC0 1.0. Abajo a la izquierda: La selva amazónica está cubierta de densa vegetación. Selva Amazónica por CIFOR (Neil Palmer/CIAT), Flickr, CC BY-NC-ND 2.0. Abajo a la derecha: El Ártico canadiense tiene grandes áreas sin vegetación. Suelo estampado en tundra canadiense por Raymond M. Coveney, Wikimedia Commons, CC BY-SA 3.0.

Si bien los valores de reflectancia superficial siempre deben usarse en principio para calcular este y cualquier otro índice de vegetación, en la práctica estos cálculos a menudo se hacen en su lugar basados en la reflectancia TOA o incluso la radiancia TOA (¡o incluso valores DN!). La Relación Simple tiene un inconveniente que significa que rara vez se usa: sus valores se acercan al infinito cuando la reflectancia roja se acerca a cero, lo que hace que las diferencias entre valores grandes sean difíciles de interpretar. Por lo tanto, se usa más comúnmente una mejora simple llamada Índice de Vegetación de Diferencia Normalizada (NDVI), basada en las mismas dos mediciones:

NDVI = (NIR-Rojo)/(NIR+Rojo)

Los valores de NDVI van desde un mínimo de -1 hasta un máximo de +1. Los valores típicos para el suelo desnudo son alrededor de 0, para el agua alrededor de -0.2, y para la vegetación en el rango 0.1-0.7 dependiendo de la salud y densidad de la vegetación. Debido a que NDVI se basa únicamente en dos mediciones, en las regiones de longitud de onda infrarroja cercana y roja, se puede calcular con datos de los primeros sensores multiespectrales en órbita, incluyendo la serie Landsat (desde 1972) y la serie AVHRR (desde 1978). Esto permite visualizar fácilmente la cobertura vegetal, en escalas pequeñas o grandes, como la que se muestra en la Figura 69.

69: Compuesto NDVI de la Tierra, mostrando diferencias relativas en la cobertura vegetal. Globalndvi tmo 200711 lrg de Reto Stockli y Jesse Allen (NASA), Wikimedia Commons, dominio público.

Los índices de vegetación se pueden utilizar para más que producir bonitas imágenes de la distribución global de la vegetación. Como resultado del calentamiento global, que es especialmente pronunciado en la región ártica, las partes del norte de Canadá están experimentando rápidos cambios en la distribución de la vegetación y los patrones de crecimiento. El monitoreo de tales cambios en esta región grande y muy escasamente poblada se basa en las tendencias de NDVI a largo plazo en los meses de verano, lo que entre otras cosas demuestra que la región que experimenta un calentamiento más rápido también experimenta un crecimiento más rápido en la densidad de vegetación. Otro uso importante de los índices de vegetación es en la predicción del rendimiento de los cultivos: al rastrear el NDVI a través de una temporada de crecimiento agrícola, se puede cuantificar el desarrollo de los cultivos y predecir estadísticamente sus rendimientos eventuales. Probablemente el uso más importante de dichos modelos de predicción de cultivos es pronosticar sequías, fallas de cultivos y hambrunas en partes del mundo donde la gente depende de la agricultura local para su suministro de alimentos. Esto se hace sistemáticamente para los países que son propensos a la hambruna por la Red de Sistemas de Alerta Temprana de Hambruna (FEWS), una organización con sede en Estados Unidos, y también lo hacen muchos gobiernos nacionales y organizaciones regionales/globales. Por lo tanto, los índices de vegetación tienen literalmente el potencial de salvar vidas, si la comunidad global responde a las predicciones generadas por ellos.

Se han introducido muchos refinamientos desde el desarrollo del NDVI, para crear índices de vegetación que funcionan mejor bajo una variedad de condiciones. Estos incluyen el Índice de Vegetación Ajustado al Suelo, el Índice de Vegetación Mejorada utilizado con los datos MODIS y el Índice Global de Vegetación utilizado con los datos MERIS. Estos nuevos índices de vegetación fueron diseñados específicamente para ser más robustos a las diferentes condiciones ambientales, como las variaciones en el brillo del suelo y las condiciones atmosféricas. A pesar de tales refinamientos, todos los índices de vegetación adolecen de un inconveniente fundamental: si bien su interpretación es bastante clara en términos relativos (valores más altos indican vegetación más verde), su relación con las características reales medibles de la vegetación utilizadas por personas fuera del campo de la teledetección es no está claro.

Se ha desarrollado un índice de vegetación que no pretende representar la densidad de vegetación, sino representar diferencias relativas en el contenido hídrico de la vegetación, específicamente para aprovechar la característica de absorción de agua alrededor de 1.4 μm que se muestra en la Figura 67. Se llama Índice de Diferencia de Agua Normalizada (NDVI), y su ecuación genérica es:

NDVI = (NIR-SWIR)/(NIR+SWIR)

donde SWIR denota una medición en la región infrarroja de onda corta (1.4 μm). La vegetación seca contiene menos agua, y por lo tanto absorbe menos de la radiación SWIR, reduciendo el valor de NWI.

Para cualquier índice de vegetación, las bandas específicas que se utilizan como las bandas 'RED', 'NIR' y 'SWIR' dependen del sensor en cuestión, y no todos los sensores tienen bandas apropiadas para calcular uno u otro índice.

Mapeo de atributos reales de vegetación

Los atributos de la vegetación que son más utilizados por las personas que no son de teledetección incluyen, entre otras cosas, la biomasa aérea, la radiación absorbida fotosintéticamente activa (APAR) y el índice de área foliar (LAI). La biomasa aérea se puede medir (cortando y pesándola) en kg/ha, y es de interés fundamental en el monitoreo de las tendencias de la vegetación. APAR es la cantidad de radiación que es absorbida por la vegetación (por unidad de área), y está fuertemente ligada al crecimiento de la vegetación y al rendimiento de los cultivos. LAI es el área (unilateral) de las hojas dividida por el área de tierra, por lo que es una medida sin unidades de densidad foliar. Debido a que el intercambio de (agua y) gas entre la vegetación y la atmósfera ocurre a través de las hojas, el LAI puede ser utilizado como un proxy para este intercambio, lo cual es importante para la función de la vegetación como sumidero de carbono, entre otras cosas. Todos estos atributos de vegetación están así más directamente vinculados a la función de la vegetación en el entorno, y ciertamente más directamente interpretables, que lo es un índice de vegetación. Pero también son mucho más difíciles de mapear con datos de teledetección.

Enfoque empírico

Un enfoque simple para mapear LAI se ilustra en la Figura 70, en la que los valores de NDVI se han retrocedido frente a LAI medido en campo. Como es obvio a partir de la Figura 70, lo que medimos en los datos de teledetección está relacionado, pero no muy de cerca, y ciertamente no linealmente, con el LAI real medido en el suelo. Sin embargo, las líneas de regresión pueden ser utilizadas para producir una primera aproximación de LAI a partir de estos datos de teledetección. Un enfoque similar se puede tomar para mapear otros atributos de vegetación.

Figura 8) de LeLong et al., CC BY 3.0.

Enfoque de transferencia radiativa

Los enfoques más sofisticados para mapear atributos de vegetación se basan en modelos de transferencia radiativa. Los modelos de transferencia radiativa construyen un mundo 3D simple que consiste en a) el suelo, b) algo de vegetación en el suelo, c) la atmósfera y d) el Sol. Cada uno de estos elementos tiene atributos específicos que definen cómo interactúan con la radiación: El Sol emite cierta cantidad de radiación en cada longitud de onda modelada, la atmósfera absorbe y dispersa esta radiación en cierto grado, y la vegetación y el suelo absorben y reflejan la radiación. Una vez especificado, el modelo se puede 'ejecutar' para determinar cuál sería la radiancia TOA (u otro parámetro de radiación medible) para una combinación dada en la definición de elemento. Estos elementos pueden entonces ser cambiados y el modelo 'correr' de nuevo para ver cómo el cambio afecta el resplandor de TOA. Por ejemplo, se pueden incluir diferentes densidades de vegetación, que representan diferentes valores de LAI, cada una de las cuales produce una combinación única de radiancias TOA en diferentes longitudes de onda. Para producir una imagen robusta de cómo LAI influye en la luminosidad de TOA, los otros elementos también deben ser variados, por lo que la influencia del color del suelo y los constituyentes atmosféricos también se capturan en el proceso. Aún más importante, también se debe considerar la variación de la vegetación que no es de LAI. Las hojas individuales pueden tener diferentes firmas espectrales dependiendo de su composición de pigmento, las hojas de diferentes formas y orientación interactúan con la radiación del Sol de manera diferente, y la estructura del dosel también ejerce su propia influencia (por ejemplo, las hojas están distribuidas aleatoriamente, uniformemente o en un manera agrupada?). Variar todos estos parámetros, cada vez que se ejecuta el modelo de transferencia radiativa para determinar cómo se vería su combinación específica en la parte superior de la atmósfera, le permite construir una tabla de consulta con a) condiciones ambientales que incluyen el parámetro de interés (por ejemplo, LAI) y b) el TOA resultante resplandor (espectral). Al mapear LAI con una imagen de satélite, el resplandor TOA observado de cada píxel puede entonces coincidir con la entrada en la tabla que coincide más estrechamente para determinar el valor probable de LAI en ese píxel.

Figura 7) de Huaguo Huang, CC BY 4.0.

Fuego

Otro subcampo de la teledetección se refiere al mapeo del fuego. El fuego activo se detecta con relativa facilidad porque está caliente, y el calor se puede detectar con sensores térmicos, y porque crea humo, y el humo es visible en las imágenes de satélite. La detección de incendios activos con datos satelitales está tan bien desarrollada que se fabrica un 'producto de fuego activo' casi instantáneo cada vez que un sensor MODIS o VIIRS pasa sobre un área.

72: Ejemplo de detección activa de incendios desde el espacio durante los incendios forestales australianos de 2019. Imagen satelital del humo de incendios forestales sobre el este de Australia por la Agencia Espacial Europea, Flickr, CC BY-SA 2.0.

Una vez terminado un incendio, puede ser importante evaluar cuánta área se quemó y qué tan intensamente se quemó. Esto tiene importantes implicaciones para la recuperación de la vegetación y la biota asociada en la zona, y también puede ayudarnos a responder preguntas importantes relacionadas con el cambio climático, como cómo la frecuencia, duración, tamaño e intensidad de los incendios forestales están cambiando a medida que el clima se calienta. Si bien existen diferentes formas de evaluar estos parámetros, el enfoque más comúnmente utilizado consiste en cuantificar algo llamado Relación de Quemadura Normalizada (NBR). El NBR se calcula como:

NBR = (NIR-SWIR)/(NIR+SWIR)

que, se podría decir, es lo mismo que la definición de NWI! Y está cerca, pero el término SWIR abarca un rango bastante amplio de longitudes de onda, y mientras que para NDWI la definición original de 'SWIR' refería a longitudes de onda alrededor de 1.24 μm, para NBR 'SWIR' fue diseñada específicamente para la banda 7 en Landsat 4 y 5, que se centra alrededor de 2.2 μm. Sin embargo, el NBR es realmente solo un índice de vegetación, y aunque no es el único índice que se puede usar para mapear impactos de incendios, y ni siquiera necesariamente el mejor, es el más comúnmente utilizado. Para usarlo para la cuantificación de la severidad del fuego, es necesario comparar los valores de NBR en dos imágenes, una de antes y otra de después del incendio, lo que lleva al cálculo de ΔNBR:

ΔNBR = NBR _antes — NBR _después

Para minimizar los efectos de otros factores ambientales en este cálculo, es ideal utilizar 'fechas de aniversario' para calcular δNBR, aunque esto no es necesario si se dispone de dos imágenes de un periodo pequeño que abarca justo antes y justo después del incendio (Figura 73).

73: Ejemplo de una imagen previa al disparo (arriba a la izquierda), una imagen posterior al disparo (parte superior media), NBR previa al disparo (arriba a la derecha), NBR posterior al disparo (abajo a la izquierda) y ΔNBR (parte inferior media). Si bien el impacto del fuego es evidente en las imágenes originales, el uso de ΔNBR ayuda a resaltar la diferencia entre las dos imágenes. Ejemplo de relación de quemadura normalizada de un incendio en Camp Gurnsey, Wyoming en 2006 por Jason Karl, The Landscape Toolbox, CC0 1.0.

Debido a que NBR se calcula como una diferencia normalizada, sus valores oscilan entre -1 y +1, por lo que ΔNBR oscila, en teoría, de -2 a +2, con valores más altos que indican mayor severidad del fuego. Al igual que con otros índices de vegetación, los valores extremos son raros, por lo que incluso valores de 0.2-0.3 indican impactos de fuego relativamente severos.

74: Un ejemplo tanto de vegetación como de fuego, ambos de los cuales se pueden mapear bien con teledetección. Incendio Forestal, por Yivers, Pixabay, Licencia Pixabay.