Jornal de Sensoriamento Remoto e GIS

Abstrato

Recuperação do índice de área foliar de dados de deteção remota usando abordagens estatísticas avançadas

Gowda PH, Oommen T, Misra D, Schwartz RC, Howell TA, Wagle P

O mapeamento e monitorização do índice de área foliar (IAF) é fundamental para modelar o balanço energético superficial, a evapotranspiração e a produtividade da vegetação. A deteção remota ajuda na recolha rápida de IAF em campos individuais em grandes áreas, de forma económica e em termos de tempo e custo, utilizando a regressão empírica entre o IAF e os índices de vegetação espectral (SVI). No entanto, estas relações podem ser ineficazes quando a geometria do sensor da superfície solar, a reflectância de fundo e as variações induzidas pela atmosfera na reflectância da copa são maiores do que as variações na própria copa. Isto requer o desenvolvimento de modelos LAI-SVI superiores e específicos da região. Nos últimos anos, os métodos de aprendizagem estatística, como as máquinas de vetores de suporte (SVM) e as máquinas de vetores relevantes (RVM), têm tido sucesso em relação aos modelos de regressão de mínimos quadrados ordinários (OLS) para processos complexos. O objetivo deste estudo é desenvolver e comparar modelos de refletância baseados em OLS, SVM e RVM para estimar o IAF para as principais culturas de verão nas planícies altas do Texas. O IAF foi medido em 47 campos comerciais selecionados aleatoriamente nos condados de Moore e Ochiltree. A recolha de dados foi feita coincidindo com as passagens do satélite Landsat 5 na área de estudo. Numerosas derivações de SVIs foram examinadas para estimar o IAF utilizando os modelos OLS, SVM e RVM. A análise dos resultados indicou que os modelos SVI-LAI baseados na razão das bandas 4 e 3 da TM e no índice de vegetação por diferença normalizada (NDVI) são mais sensíveis ao IAF. Os valores de R2 para os modelos selecionados variaram de 0,79 a 0,96, tendo o modelo SVM produzido os melhores resultados. No entanto, a precisão dos modelos LAI reportados necessita de uma avaliação mais aprofundada que tenha em conta a variabilidade espacial no campo no LAI para uma aplicabilidade mais ampla.