Estimación de variables esenciales de la vegetación en un ecosistema de dehesa utilizando factores de reflectividad simulados estacionalmente

Abstract

Los pastos arbolados y arbustivos son vitales para la producción ganadera extensiva y sostenible, la conservación de la biodiversidad y la provisión de servicios ecosistémicos y se localizan en áreas que serán previsiblemente más afectadas por el cambio climático. Sin embargo, las características estructurales, fenológicas, y las propiedades ópticas de la vegetación en estos ecosistemas mixtos, como los ecosistemas adehesados en la Península Ibérica que combinan un estrato herbáceo y/o arbustivo con un dosel arbóreo disperso, constituyen un serio desafío para su estudio mediante teledetección. Este trabajo combina métodos físicos y empíricos para la estimación de variables de la vegetación esenciales para la modelización de su funcionamiento: índice de área foliar (LAI, m2 /m2 ), contenido en clorofila a nivel de hoja (Cab,leaf, μg/cm2 ) y dosel (Cab,canopy, g/m2 ) y contenido en materia seca a nivel de hoja (Cm,leaf, g/cm2 ) y dosel (Cm,canopy, g/m2 ), en un ecosistema de dehesa. Para este propósito se construyó una base de datos espectral simulada considerando las cuatro principales etapas fenológicas del estrato herbáceo, el más dinámico del ecosistema, (rebrote otoñal, máximo verdor, inicio de la senescencia y senescencia estival) mediante la combinación de los modelos de transferencia radiativa PROSAIL y FLIGHT. Esta base de datos se empleó para ajustar diferentes modelos predictivos basados en índices de vegetación (IV) propuestos en la literatura y en Partial Least Squares Regression (PLSR). PLSR permitió obtener los modelos con mayor poder de predicción (R2 ≥ 0,93, RRMSE ≤ 10,77 %), tanto para las variables a nivel de hoja como a nivel de dosel. Los resultados sugieren que los efectos direccionales y geométricos controlan las relaciones entre los factores de reflectividad (R) simulados y los parámetros foliares. Se observa una alta variabilidad estacional en la relación entre variables biofísicas e IVs, especialmente para LAI y Cab que se confirma en el análisis PLSR. Los modelos desarrollados deben ser aún validados con datos espectrales medidos con sensores próximos o remotos.