Comparación espacial y temporal de índices de la vegetación para verdor y humedad y aplicación para estimar LAI en el Desierto Sonorense*

Comparison of vegetation indexes in the Sonoran desert incorporating soil and moisture indicators and application to estimates of LAI

Víctor M. Rodríguez-Moreno^1§ y Stephen H. Bullock¹

¹ Centro de Investigación Científica y de Educación Superior de Ensenada (CICESE). Departamento de Geología y División Ciencias de la Tierra. Carretera Ensenada-Tijuana Núm. 3918, 22860. Ensenada, Baja California, México. Tel +52 646 1750500. (sbullock@cicese.mx). ^§Autor para correspondencia: rmoreno@cicese.edu.mx.

*Recibido: julio de 2012
Aceptado: enero de 2013

Resumen

Se realizó una comparación multitemporal de cuatro índices de la vegetación en 50 sitios en una región árida subtropical con costa. Los índices de verdor (NDVI, SAVI y TSAVI) y de humedad (NDII) fueron evaluados. NDVI y SAVI estuvieron muy correlacionados mientras que TSAVI fluctuó menos y NDII mostró fuertes variaciones estacionales. La corrección topográfica (superficie iluminada) de los datos crudos causó un incremento en el valor de pendiente de la línea del suelo >20%. Los índices, excepto NDII, se usaron para estimar el Índice de área foliar, y el análisis señal-a-ruido evidenció que SAVI está muy cercano a NDVI, pero TSAVI tuvo mucha mayor señal en los meses secos.

Palabras clave: corrección topográfica, teledetección, índice de área foliar.

Abstract

A multi-temporal comparison was made of four spectral vegetation indexes among 50 sites in a subtropical, coastal arid region. Greenness indexes (NDVI, SAVI and TSAVI) and one of moisture (NDII) were evaluated. NDVI and SAVI were very closely correlated, while TSAVI fluctuated less and NDII showed strong seasonal variations. Topographic correction (illuminated surface) of raw data usually increased the slope of TSAVI's soil line by >20%. The indexes, except NDII, were used to estimate Leaf Area Index; signal-to-noise analysis of LAI suggested that SAVI is usually close to NDVI but TSAVI has much more signal in the drier months.

Introducción

Los índices de vegetación basados en datos remotos se han utilizado cada vez con más frecuencia como indicadores cuantitativos del funcionamiento de los ecosistemas. Esto es debido a su diseño conceptual y estructural de que, a partir de datos indirectos, se infiera el monto de energía absorbida, reflejada o irradiada por los objetos según sus propiedades ópticas al entrar en contacto con su superficie. Consuetudinariamente se han utilizado para realizar estudios espaciales y multitemporales por la caracterización de ecosistemas, escalando observaciones locales y también para evidenciar la respuesta de la vegetación a las variaciones en los flujos radiante e hídrico.

El índice más empleado es el índice de la vegetación de diferencia normalizada (Normalized Difference Vegetation Index-NDVI), un cociente que representa las características funcionales de la planta activa y que contrasta la reflectancia de las bandas infrarrojo cercano (Near Infrared-NIR) y rojo (Red-R). Utilizando las mismas bandas, el índice de vegetación con ajuste de suelo (Soil Adjusted Vegetation Index-SAVI) también representa el vigor y la estructura del dosel, pero además incorpora un ajuste arbitrario para la cobertura incompleta del terreno.

El índice transformado con ajuste de suelo (Transformed Soil Adjusted Index-TSAVI) mejora este ajuste arbitrario mediante la incorporación de una "línea de suelo", calculada a partir de la comparación de todos los pixeles en los dominios NIR y R para obtener indicadores de la cantidad y el color de suelo expuesto (Gosamo-Gosa, 2009). Otra alternativa entre los índices, aunque no ampliamente utilizado, es el Índice infrarrojo de diferencia normalizada (Normalized Difference Infrared Index-NDII), que representa el contenido de agua de la cubierta del suelo, utiliza las longitudes de onda NIR e infrarrojo de onda corta (Short Wave Infrared-SWIR) y puede ser un indicador útil para diferenciar especies de hoja caduca (caducifolios) de especies de plantas suculentas.

El índice NDVI se ha utilizado para la estimación de parámetros importantes del flujo de energía (Asrar et al., 1989; Myneni et al., 1997). Pero, SAVI parece ser menos afectado por las variaciones en el brillo del suelo y por lo tanto sus valores para una cubierta vegetal dada son más bien independientes al reflejo del suelo (Gilabert et al., 2002). Una comparación cuantitativa entre NDVI y SAVI indicó una tendencia sistemática de producir valores altos de NDVI en suelos más oscuros que en ligeros (Gilabert et al., 2002). La influencia del suelo en el valor de los índices se espera que sea frecuente especialmente en áreas de ecosistemas abiertos con cobertura escasa (Huete, 1988).

Por otro lado, la reflectancia en SWIR está primeramente asociada con la absorción de agua, aunque por sí sola no puede usarse para estimar el contenido de humedad a escala de paisaje (Toomey y Vierling, 2005). NDII ha sido reportado como un indicador muy preciso del contenido de humedad foliar en variados ecosistemas (Hardisky et al., 1983; Chuvieco et al., 2002; Cheng et al., 2008).

Debido al papel de las hojas verdes en una amplia gama de procesos biológicos y físicos, la densidad de la cobertura de hojas en el terreno es medida a través del índice de área foliar (Leaf Area Index-LAI). El modelado de ecosistemas a gran escala, que se utiliza para simular una gama de respuestas en el terreno a la variabilidad y los cambios en el clima (Myneni et al., 1997), requiere de incorporar un conjunto de variables del terreno entre las cuales LAI es clave por sus implicaciones biológicas, biogeoquímicas y meteorológicas (Montieth, 1977; Jarvis y Leverenz, 1983).

La estimación del LAI se realiza por métodos directos, que implican muestreo destructivo y la colecta de hojarasca, e indirectos, basados en el registro del espectro electromagnético por sensores para radiometría y modelos de transferencia radiativa. La teledetección representa la única alternativa viable por escala, cobertura, temporalidad y costo, para caracterizar y monitorear el estado de la vegetación. Hay evidencia que soporta la estimación del LAI a partir de índices de la vegetación, por lo menos en regiones con cobertura alta (Green et al., 1997; Turner et al., 1999; Berterretche et al., 2005; Tian et al., 2007; Zeng y Moskal, 2009).

La región de estudio está en la parte central de la península de Baja California en el noroeste de México (Figura 1). Es un desierto de latitud media, con influencia costera y vientos predominantes procedentes del océano frío. Esta región de la península es <80 km de ancho, y su extremo oriental está sometido a la influencia de corrientes y vientos cálidos del Golfo de California. La precipitación media anual es de ~120 mm en el lado del Pacífico y de ~80 mm en la vertiente del Golfo (promedios de cuatro y dos estaciones, respectivamente, 1957-2009) (Figura 2). Lo característico del régimen de precipitación son los grandes sistemas frontales en invierno y un monzón con precipitación en el verano derivada de tormentas tropicales y subtropicales del Pacífico oriental (Salinas-Zavala et al., 2002).

La vegetación y la flora corresponden en gran medida a la subregión Vizcaíno del Desierto Sonorense y en menor medida a la subregión de la Costa del Golfo (Shreve, 1964). La vegetación incluye una sorprendente diversidad de formas de vida, incluyendo esclerófilos siempre verdes, plantas suculentas de mesófilo arosetado, arbustos de hoja caduca, cactus en una variedad de formas, árboles de madera blanda y otras combinaciones de rasgos en hoja, tallo y raíz. La región de estudio está inmersa en su mayor parte dentro del área natural protegida para flora y fauna "Valle de los Cirios".

Materiales y métodos

Utilizamos imágenes de Landsat 5 TM (Thematic Mapper) que constituyen un recurso valioso debido a su acervo histórico y cobertura mundial, adecuada resolución espacial, y registro radiométrico; tiene amplio uso en estudios de seguimiento a los sistemas de producción de especies cultivadas y de ecología. Por otro lado, la línea del suelo representa una relación robusta en reflectancia entre el rojo y el infrarrojo cercano de un tipo de suelo individual (Richardson y Wiegand, 1977; Yoshioka et al., 2010): NIR= β₁R + β₀, donde β₁ es la pendiente de la línea del suelo y β₀ es el intercepto. El procesamiento de las imágenes incluyó las correcciones radiométrica, ambiental, atmosférica y topográfica, todas aplicadas en ERDAS v.9.2.

Se calcula la distancia aproximada de la tierra al sol y el ángulo incidente (γi), definido como el ángulo entre la normal al terreno y los rayos del sol (Civco, 1989). La superficie de iluminación (SI), la cual varía de -1 a +1, fue calculada según:

Donde: θ_p es el ángulo de la pendiente; θ_z es el ángulo cenital solar; θ_a es el ángulo de azimut solar; y θ₀ es el ángulo de exposición. El valor así calculado de reflectancia para cada píxel es apropiado para áreas naturales, con cobertura del suelo muy expuesta y baja cobertura vegetal (Vercher et al., 2002).

La estacionalidad de la vegetación se abordó a través de 14 imágenes Landsat, sustancialmente libres de nubosidad. Las fechas corrieron desde comienzos del verano (temporada de secas) pasando por otoño e invierno (temporada de lluvias), hasta finales de primavera de 2009: específicamente, 06 de julio, 07 de agosto, 08 de septiembre, 10 de octubre, 26 de octubre, 11 de noviembre, 29 de diciembre, 14 de enero, 30 de enero, 3 de marzo, 19 de marzo, 4 de abril, 20 de abril y 06 de mayo.

Para enlazar los datos radiométricos y la mejor representación del paisaje, se usaron polígonos hexagonales de de 5.4 ha (~60 pixeles) como la unidad básica de muestreo. En el esquema hexagonal, todos los vecinos son equidistantes y cada par de celdas vecinas es único. En una cuadrícula, no está claro qué parte de la variación se explica por la configuración espacial en sí, cuando los valores entre vecinos en la horizontal y vertical se comparan con los valores en dirección diagonal. Los seis triángulos equiláteros que forman la trama hexagonal pueden usarse para registrar frecuencias y son más fáciles de ubicar en el campo (Jurasinsky, 2010). Los polígonos se ubicaron por criterios estrictamente al azar, con restricción de distancia mínima de separación de 10 km (Figura 1).

La media de la reflectancia para cada sitio, se utilizó para calcular el NDVI (Ec. 2) (Rouse et al., 1973), SAVI (Ec. 3) (Huete, 1988), TSAVI (Ec. 4) (Baret y Guyot, 1991) y NDII (Ec. 5) (Hardisky et al., 1983). LAI se puede aproximar con cierta justificación física con una relación de tres parámetros (Baret y Guyot, 1991; Richter, 2010).

En la Ec. 6, VI es el valor del índice; a₀ está relacionado con el coeficiente de extinción; a₁ es el valor del índice que corresponde a suelo desnudo y a₂ es el valor de índice cuando LAI tiende al valor de saturación (∞). Debido a que es difícil ajustar los parámetros para diferentes sitios y temporadas, el fijarlos ha sido sugerido para estudios multitemporales, y en el presente estudio, a₀, a₁ y a₂ se mantuvieron constantes en 0.72, 0.61 y 0.65. Los valores absolutos resultantes para LAI pueden no tener correspondencia con la comunidad biótica, pero la tendencia estacional de la cubierta del suelo puede ser capturada (Richter, 2010). La eficiencia de los VI para derivar LAI, según Wu et al. (2007), depende de tres factores inherentes al VI: su estabilidad ante otros factores de perturbación, su sensibilidad a una unidad de cambio de LAI, y su rango dinámico. Para evaluar su eficacia, se calculó la relación señal-a-ruido usando la ecuación definida por (LePrieur et al., 1994).

Resultados

Corrección topográfica de todos los índices

En lo que respecta a la corrección topográfica, la media para todos los índices, excepto para TSAVI, estuvieron altamente correlacionadas entre los tratamientos no corregidos (no "iluminado") y corregidos. Con excepción de un valor atípico extremo, la correlación fue 0.999 para NDVI y NDII (p< 0.0001); para SAVI fue de 0.537 (p= 0.058) debido a dos valores atípicos. En el caso de TSAVI, la relación estuvo lejos de ser significativa (p> 0.5). Esto no es inesperado dada la estructura simple para calcular los tres primeros. TSAVI se vio fuertemente afectado y la aplicación de la corrección topográfica puede ser considerada un tratamiento esencial para su uso en regiones con topografía accidentada.

Sensibilidad de la línea del suelo a la corrección topográfica

El efecto de la iluminación del terreno sobre la línea del suelo realza la importancia de esta corrección al derivar TSAVI. El rango para la pendiente de la línea del suelo sobre los datos con la corrección topográfica fue de 0.34 a 5.88 entre todos los polígonos y fechas, mientras que sin la corrección fue de 0.30 a 2.61. La mayor dispersión de pendientes con iluminación fue en septiembre, mientras que los valores de no iluminado se observaron más diversos a finales de diciembre. Para el periodo de estudio y todos los polígonos, el coeficiente de regresión fue de 0.89 +0.149 para iluminados y 0.84 +0.176 para los no iluminados. Las pendientes fueron generalmente mayores para el tratamiento iluminado, hasta en un 20-40%, pero en algunos casos hasta por un orden de magnitud (Figura 3).

En los consecuentes análisis, se utilizaron los datos de los índices con la corrección topográfica.

Los cuatro índices registraron su media máxima regional a principios de septiembre de 2008 (Figura 4a), que fue tal vez tan notable por su disminución subsecuente, y que se puede atribuir a la tormenta tropical "julio" de finales de agosto como un pulso al ecosistema. Sólo NDII mostró un patrón que pudiera corresponder a las lluvias de invierno (Figura 4 y 2), mientras que los otros índices, al menos en sus promedios regionales, no difirieron mucho de los valores mínimos observados en julio y a principios de agosto de 2008. TSAVI fue notablemente más plano en su patrón durante todo el periodo de análisis, NDVI fue 150% de SAVI de octubre a mayo. Las correlaciones entre polígonos y entre fechas de NDVI y SAVI fueron de 0.63 y 0.65 antes de una tormenta tropical en agosto, entre 0.77 y 0.91 hasta marzo y más variable en abril y mayo (todos p< 0.001). Ambos índices mostraron correlaciones similares con NDII, de -0.42 a -0.22 en pleno verano, un pico de correlación de 0.67 a principios de septiembre, seguido por una disminución gradual hasta aproximadamente 0.5 a principios de marzo, y valores bajos (alternadamente positivos y negativos) avanzada la temporada de crecimiento.

La relación entre la media y la desviación estándar entre los polígonos no fue significativa para NDVI (p> 0.1) en sorprendente contraste con SAVI (r= 0.96, p< 0.001) y en menor medida NDII (r= 0.76, p <0.01) y TSAVI (r= 0.64, p< 0.02). Los coeficientes de variación entre la media de los polígonos fue similar para NDVI, SAVI y NDII (respectivamente, 0.219, 0.276 y 0.245), pero mayor para TSAVI (0.467).

La asimetría (Joanes y Gill, 1998) fue más variable que la media del índice excepto quizás para NDII (Figura 4b). En general fue positiva (derecha) y significativa en los tres índices en octubre, noviembre y marzo. NDII tuvo un sesgo significativo en 12 de 14 fechas, con un valor negativo solo a principios de septiembre. Para TSAVI, la asimetría fue común, más variable en el tiempo, y negativa cuando los otros índices tuvieron picos de asimetría positiva.

Índice de área foliar estimado y relación señal-a-ruido (SNR)

La relación señal-a-ruido promedio para cada polígono para cada fecha se comparó entre los índices (Figura 5). SAVI y TSAVI tuvieron mayor señal que NDVI, por factores de aproximadamente 2.5 y 4, respectivamente, en el verano de 2008. A finales del otoño e invierno, las SNR's fueron muy similares con erráticas y notables excepciones. En marzo y abril, la SNR en LAI_TSAVI aumentó notablemente mientras que la de LAI_SAVI disminuyó y se mantuvo ligeramente por debajo de la SNR para LAI_NDVI.

Discusión

En consideración a que los grupos funcionales de plantas en esta región tienen menos de 30% de cobertura de dosel, lo cual es mayor que la suma de hojas y tallos, dos formas de compensación para reflectancia del suelo se examinaron aquí. La primera conlleva una leve modificación de NDVI para SAVI (Ec. 3), pero el valor del parámetro de cobertura es difícil de justificar, y como se mostró aquí, la modificación no produce nueva información significativa. La reflectancia del suelo claramente debería depender de la variación intra-regional por la óptica de los minerales en las rocas, el tamaño de las partículas en la superficie, las costras del suelo para reacciones físico químicas y biológicas, de los desechos de las plantas y la humedad (Escadafal et al., 2011).

Considerando la diversidad de formas y grupos funcionales en el área de estudio, así como su extensión, la estimación de las líneas del suelo sub-regionales la consideramos esencial. Con base en el área de los polígonos, los resultados fueron muy buenos en términos de los coeficientes de regresión de las líneas del suelo. Las variaciones temporales en los parámetros de la línea de suelo se esperaban también (Baret et al., 1993). Esto justifica el procedimiento de cálculo de la línea del suelo para cada polígono para cada fecha.

Debido a que NDVI y SAVI se derivaron de las mismas bandas espectrales y difieren sólo en constantes arbitrarias, no es sorprendente que generalmente estuvieran estrechamente relacionados. Sin embargo, los dos no son equivalentes, como se demostró por: 1) las diferencias estacionales en relación con otros promedios regionales; 2) contrastes en la variabilidad entre los sitios; 3) diferente sensibilidad a la corrección topográfica; y 4) las diferencias estacionales en la relación señal-a-ruido del LAI derivado de uno u otro índice. Estos dos índices podrían variar aún más si las constantes en SAVI estuvieran sujetos a ajustes significativos basados en datos específicos de campo (Gilabert et al., 2002).

El índice NDII, se ha utilizado para mostrar las variaciones en el contenido de agua de la cubierta de suelo (Ceccato et al., 2002). En una región de clima mediterráneo, un resultado notable fue que NDII mostró fuertes patrones correspondientes a la precipitación a pesar de tratar vegetación esclerófila. En nuestra región de estudio, los índices de verdor también se incrementaron brevemente después de la tormenta tropical, pero fue difícil de percibir una respuesta clara a la precipitación de invierno, ni por picos ni por extensión. De hecho, sus valores estuvieron típicamente cerca o por debajo de los observados en condiciones de sequía fuerte a mediados del verano. Los cambios menores de octubre a abril, tal vez convexos para NDVI y SAVI, y el incremento de TSAVI, fueron inesperadamente débiles para un año con precipitación mayor a la normal.

Puede ser productivo para futuras investigaciones, considerar la importancia de las diferentes formas de vida en la cubierta del suelo, ya que éstas pueden ocasionar, por sus características morfológicas y fisiológicas, respuestas diferentes en los cuatro índices, en el espacio y el tiempo. Las bandas NIR y SWIR [utilizadas en NDII] son las bandas necesarias para obtener indicadores de humedad en el dosel y pueden caracterizar mejor las variaciones fotosintéticas en arbustos de hoja caduca o en sequía, en esclerófilo siempre verde o especies de tallo suculento. Por otro lado, el espectro de reflectancia de las hojas en particular y tallos fotosintéticos tan comunes de esta región, no ha sido objeto de investigación exploratoria o sistemática por lo cual se abre un abanico de posibilidades.

Es de notarse el hecho de que todos los índices tuvieran valores más bajos a finales de primavera que en el verano más seco a mediados del año anterior. Una variación estacional fuerte en la reflectancia del suelo requiere de más estudios, pero podría estar relacionado con un cambio generalizado en la humedad cerca de la superficie, o a una disminución de la actividad en las costras criptogámicas que podrían ser favorecidos por neblinas a principios del verano. A este respecto, las micrófitas reflejan de manera similar que las plantas vasculares y sus valores de NDVI pueden ser tan altos como 0.30 unidades (Karnieli et al., 1996, 2002). Además, con los dos índices por debajo de 0.18 a finales de primavera, sus incrementos en Mayo son de notarse.

La variación de los índices de vegetación entre los sitios es claramente no aleatoria en el tiempo, como se muestra arriba. Además, parece probable que las diferencias en el desarrollo de la vegetación podrían estar afectadas por la variación en las características del terreno que deben afectar los balances de energía y del agua a través de procesos tales como el flujo de radiación local, los patrones climáticos regionales y los procesos pedogénicos, que operan en escalas de tiempo diferentes. Desde hace tiempo se reconoce que las variables del terreno (elevación, exposición y pendiente) afectan los balances de calor e hídrico del suelo y de la vegetación (Franklin et al., 2000). El presente análisis sugiere que los índices más apropiados para estudios de estos efectos sería TSAVI en cuanto a verdor y NDII para la humedad de la vegetación.

Conclusiones

Todos los índices respondieron bruscamente a un evento de lluvia aislado, durante el verano, mientras que su capacidad de reflejar las respuestas de la vegetación a la temporada de lluvias invernales no fueron evidentes en forma de pulsos, sino muy débiles y amplias, con la notable excepción de una respuesta fuerte y clara de NDII. La insensibilidad a la temporada de lluvias en invierno demanda mayores estudios. Valores mayores de los índices a mediados de verano después de una sequía prolongada, que en pleno invierno o a principios de primavera, también merecen atención; se puede indicar que este podría ser un aporte importante al valor de los índices de las costras criptogámicas del suelo.

Agradecimientos

Los autores desean manifestar su gratitud al Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias (INIFAP), al Centro de Investigación Científica y de Educación Superior de Ensenada (CICESE), a la Secretaría del Medio Ambiente y Recursos Naturales y al Consejo Nacional de Ciencia y Tecnología (SEMARNAT-CONACYT Proyecto: 23777) por su apoyo técnico y financiero.

Literatura citada

Asrar, G.; Myneni, R. B.; Li, Y. and Kanemasu, E. T. 1989. Measuring and modeling spectral characteristics of a tallgrass prairie. Remote Sens. Environ. 27:143-155.         [ Links ]

Baret, F. and Guyot, G. 1991. Potentials and limits of vegetation indices for LAI and APAR assessment. Remote Sens. Environ. 35:161-173.         [ Links ]

Baret, F.; Jackquemoud, S. and Hanocq, J. F. 1993. About the soil line concept in remote sensing. Remote Sens. Rev. 5:281-284.         [ Links ]

Berterretche, M.; Hudak, A. T.; Cohen, W. B.; Maiersperger, T. K.; Gower, S. T. and Dungan, J. 2005. Comparison of regression and geostatistical methods for mapping leaf area index (LAI) with Landsat ETM+ data over a boreal forest. Remote Sens. Environ. 96:49-61.         [ Links ]

Borel, C. C. 1996. Nonlinear spectral mixing theory to model multispectral signatures. Proc. Applied Geologic Remote Sens. Conf. 2:11-30. OSTI 195673.         [ Links ]

Ceccato, P.; Flasse, S. and Grégoire, J. M. 2002b. Designing a spectral index to estimate vegetation water content from remote sensing data. Part 2. Validation and applications. Remote Sens. Environ. 82:198-207.         [ Links ]

Chavez, Jr., P. S. 1988. An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote Sens. Environ. 24:459-479.         [ Links ]

Cheng, Y. B.; Ustin, S. L.; Riaño, D. and Vanderbilt, V. C. 2008. Water content estimation from hyperspectral images and MODIS indexes in Southeastern Arizona. Remote Sens. Environ. 112:363-374.         [ Links ]

Chuvieco, E.; Riano, D.; Aguado, I. and Cocer, D. 2002. Estimation of fuel moisture content from multitemporal analysis of Landsat Thematic Mapper reflectance data: applications in fire danger assessment. Int. J. Remote Sens. 23:2145-2162.         [ Links ]

Civco, D. L. 1989. Topographic normalization of Landsat Thematic mapper digital imagery. PERS 55:1303-1309.         [ Links ]

Escadafal, R.; Albinet, F. and Simonneaux, V. Arid land cover change trend analysis with series of satellite images for desertification monitoring in Northern Africa. http://www.isprs.org/publications/related/ISRSE/html/papers/953.pdf (consulto marzo, 2011).         [ Links ]

Franklin, J.; McCullough, P. and Gray, C. 2000. Terrain variables used for predictive mapping of vegetation communities in Southern California, en: terrain analysis: principles and applications, Wilson, J. P. and Gallant, J. C. (Eds.). John Wiley and Sons, Inc. Canada. 331-353 pp.         [ Links ]

Gilabert, M. A.; Piqueras-González, J. García-Haro, F. J. and Meliá, J. 2002. A generalized soil-adjusted vegetation index. Remote Sens. Environ. 82:303-310.         [ Links ]

Gonsamo-Gosa, A. 2009. Remote sensing of leaf area index: enhanced retrieval from close-range and remotely sensed optical observations. Academic Dissertation, Department of Geography, Faculty of Science, University of Helsinki, Finland.         [ Links ]

Green, E. P.; Murnby, P. J.; Edwards, A. J.; Clark, C. D. and Ellis, A. C. 1997. Estimating leaf area index of mangroves from satellite data. Aquat. Bot. 58:11-19.         [ Links ]

Hardisky, M. A.; Klemas, V. and Smart, R. M. 1983. The influence of soil salinity, growth form, and leaf moisture on the spectral radiance of Spartina alterniflora canopies. Photo Eng. Rem. S. 49:77-83.         [ Links ]

Huete, A. R. 1988. A soil-adjusted vegetation index (SAVI). Remote Sens. Environ. 25:295-309.         [ Links ]

Jarvis, P. G. and Leverenz, J. W. 1983. Productivity of temperate, deciduous and evergreen forests, In: Physiological Plant Ecology IV. Ecosystem processes: mineral cycling, productivity and man's influence. Lange, O. L.; Nobel, P. S.; Osmond, C. B. y Ziegler, H. (Eds.). Springer-Verlag, Berlin. 233-280 pp.         [ Links ]

Joanes, D. N. and Gill, C. A. 1998. Comparing measures of sample skewness and kurtosis. The statistician 47:183-189.         [ Links ]

Jurasinski, G. Why hexagons? Systematic grids-optimizing cell arrangement. http://homepage.mac.com/terhorab/gerald/downloads/whyhexaagons.pdf. (consultado abril, 2010).         [ Links ]

Karnieli, A.; Gabai, A.; Ichoku, C.; Zaady, E. and Shachak, M. 2002. Temporal dynamics of soil and vegetation spectral responses in a semi-arid environment. Int. J. Remote Sens. 23(19):4073-4087.         [ Links ]

Karnieli, A.; Shachak, M.; Tsoar, H.; Zaady, E.; Kaufman, Y.; Danin, A. and Porter, W. 1996. The effect of microphytes on the spectral reflectance of vegetation in semiarid regions. Remote Sens. Environ. 57:88-96.         [ Links ]

LePrieur, D.; Verstraete, M. M. and Pinty, B. 1994. Evaluation of the performance of various vegetation indices to retrieve cover from AVHRR data. Remote Sens. Rev. 10:265-284.         [ Links ]

Matsushita, B.; Yang, W.; Chen, J.; Onda, Y. and Qiu, G. 2007. Sensitivity of the enhanced vegetation index (EVI) and normalized difference vegetation index (NDVI) to topographic effects: a case study in high-density cypress forest. Sensors. 7:2636-2651.         [ Links ]

Myneni, R. B.; Nemani, R. R. and Running, S. W. 1997. Estimation of global leaf area index and absorbed par using radiative transfer models. IEEE T. Geosci. Remote. 35:1380-1393.         [ Links ]

Riaño, D.; Chuvieco, E.; Salas, J. and Aguado, I. 2003. Assessment of different topographic correction in Landsat-TM data for mapping vegetation types. IEEE T. Geosci. Remote. 41:1056-1061.         [ Links ]

Richardson, A. J. and Wiegand, C. L. 1977. Distinguishing vegetation from soil background information. Photogramm. Eng. Rem. S. 43:1541-1552.         [ Links ]

Richter, R. Atmospheric/topographic correction for airborne imagery. ATCOR 4-User guide. DLR German Aerospace Center. Wessling, Germany. ftp://ftp.dfd.dlr.de/put/richter/ATCOR/atcor4_manual_2010.pdf. (consultado marzo, 2010).         [ Links ]

Rouse, J. W.; Hass, R. H.; Schell, J. A. and Deering, D. W. 1973. Monitoring vegetation systems in the Great Plains with ERTS. Third ERTS Symposium, NASA SP-351. 1:309-317.         [ Links ]

Salinas-Zavala, C. A.; Douglas, A. V. and Díaz, H. F. 2002. Inter-annual variability of NDVI in Northwest Mexico. Associated climatic mechanisms and ecological implications. Remote Sens. Environ. 82:417-430.         [ Links ]

Shreve, F. 1964. Vegetation of the Sonoran Desert. In: vegetation and flora of the Sonoran Desert. Shreve, F. y Wiggins, I. Stanford University Press. Stanford, CA. 6-186 pp.         [ Links ]

Tian, Q. ; Luo, Z. ; Chen, J. M.; Chen, M. and Hui, F. 2007. Retrieving leaf area index for coniferous forest in Xingguo County, China with Landsat ETM+ images. J. Environ. Manage. 85:624-627.         [ Links ]

Toomey, M. and Vierling, L. A. 2005. Multispectral remote sensing of landscape level foliar moisture: techniques and applications for forest ecosystem monitoring. Can. J. Forest Res. 35:1087-1097.         [ Links ]

Turner, D. P.; Cohen, W. B.; Kennedy, R. E.; Fassnacht, K. S. and Briggs, J. M. 1999. Relationship between leaf area index and Landsat TM spectral vegetation indices across three temperate zones sites. Remote Sens. Environ. 70:52-68.         [ Links ]

Vercher, A.; Gilabert, M. A.; Camacho de Coca, F. y Meliá, J. 2002. Influencia del ángulo cenital de iluminación en los índices de vegetación. Revista de Teledetección. 18:75-89.         [ Links ]

Wu, J.; Wang, D. and Bauer, M. E. 2007. Assessing broadband vegetation indices and QuickBird data in estimating leaf area index of corn and potato canopies. Field Crop Res. 102:33-42.         [ Links ]

Yoshioka, H.; Miura, T.; Demattê, J. A. M.; Batchily, K. and Huete, A. R. 2010. Soil line influences on two band vegetation indices and vegetation isolines: a numerical study. Remote Sensing. 2:545-561.         [ Links ]

Zheng, G. and Moskal, M. 2007. Retrieving leaf area index (LAI) using remote sensing: theories, methods and sensors. Sensors. 9:2719-2745.         [ Links ]