Utilizamos cookies

Este sitio web utiliza cookies propias y de terceros para mantener la sesión y obtener datos estadísticos de navegación de los usuarios. Para más información vea la Política de cookies.

arrow_upward
LAI vs NDMI en SNAP
  •   Copernicus Teledetección Europe

Hoy queremos mostraros cómo SNAP puede utilizarse para un análisis rápido y sencillo pero potente de datos de teledetección.

En el curso de unos trabajos sobre estimación de riesgo de incendios forestales, estamos estudiando dos índices representativos del estado de la vegetación que se pueden calcular con imágenes de satélite. Por un lado el LAI (Leaf Area Index), que está relacionado con la biomasa total de la vegetación, y por tanto con el combustible disponible. Y por otro el NDMI (Normalized Difference Moisture Index), que está relacionado con la humedad de la vegetación, y por tanto su facilidad para entrar en combustión.

El LAI varía entre 0 (nada de vegetación) y más de 10 (vegetación muy densa y activa). El NDMI es un índice normalizado y por tanto varía entre -1 y +1. Valores inferiores a aproximadamente 0.25 denotan, en principio, vegetación escasa o con poca humedad.

En principio son dos variable independientes; pero no del todo. Por ejemplo, si una planta tiene un gran estrés hídrico puede desprenderse de parte de sus hojas para mantener activas otras, por lo que es poco probable que tenga un alto LAI y un bajo NDMI.

Por otra parte, si se utilizan datos de teledetección, el modelo de LAI y el NDMI usan bandas similares. En Sentinel-2, el NDMI usa las bandas 8 (infrarrojo próximo) y 11 (infrarrojo 1.6 micras). Y el LAI, en el caso de SNAP, se calcula con una red neuronal que utiliza 8 bandas, incluyendo 8 y 11.

Hemos querido visualizar hasta que punto la información que ofrecen NDMI y LAI es independiente. Para ello hemos usado una única imagen del oeste de la península ibérica del pasado mes de julio, con la que hemos calculado LAI y NDMI y hemos hecho un diagrama bivariante en SNAP.

El LAI lo hemos calculado desde el menú principal, usando Optical > Thematic Land Processing > Biophysical Processor > Biophysical Processor S2

El NDMI lo hemos generado utilizando la opción Raster > Band Maths, introduciendo la expresión indicada arriba.

En ambos caso hemos partido de un producto Sentinel-2 L2A con todas las bandas remuestreadas a 20 m, creado con la opción Raster > Geometric > Resampling

El diagrama bivariante lo hemos generado con Analysis > Scatter Plot. Simplemente hemos seleccionado las bandas previamente calculadas y hemos ajustado los límites a los valores que veis en la figura adjunta.

LAIvsNDMI_all

Se aprecia que la nube de puntos utiliza solo una porción definida del diagrama, lo que indica una reducida libertad en los valores que pueden tomar estas variables en un píxel. En riesgo de incendios, en particular, nos preocupan áreas con bajo NDMI y alto LAI, porque pueden indicar abundante combustible seco. En el diagrama bivariante vemos que esa combinación está muy restringida, habiendo un límite inferior bastante definido que nos indica la baja probabilidad de vegetación muy densa y seca. Pero aun así, hay bastantes píxeles con valores de NDMI bajos y LAI > 1, que serán los preocupantes en el caso de incendios forestales.

En cualquier caso, esto no es más que una imagen particular, y la hemos incluido aquí como ejemplo del potencial de Sentinel-2 y SNAP, y no para obtener conclusiones, que necesitarán un estudio mucho más amplio.