Variabilidad en la respuesta espectral de especies forestales en un contexto urbano

La discriminación correcta de especies es fundamental para la gestión del arbolado urbano y su cuantificación mediante inventarios forestales. En el presente estudio se evalúo el potencial de clasificación de 3 especies forestales: Erythrina fusca, Ficus benjamina y Terminalia catappa, aplicando un...

Full description

Autores:
Maya Mesa, Melissa
Tipo de recurso:
Work document
Fecha de publicación:
2019
Institución:
Universidad Nacional de Colombia
Repositorio:
Universidad Nacional de Colombia
Idioma:
spa
OAI Identifier:
oai:repositorio.unal.edu.co:unal/75651
Acceso en línea:
https://repositorio.unal.edu.co/handle/unal/75651
Palabra clave:
Plantas
Discriminación de especies
Datos multiespectrales
Datos hiperespectrales
Análisis Discriminante Lineal
Posición del dosel
Árboles urbanos
Rights
openAccess
License
Atribución-NoComercial 4.0 Internacional
id UNACIONAL2_585db67a967534af3b2b0c81cfd58122
oai_identifier_str oai:repositorio.unal.edu.co:unal/75651
network_acronym_str UNACIONAL2
network_name_str Universidad Nacional de Colombia
repository_id_str
dc.title.spa.fl_str_mv Variabilidad en la respuesta espectral de especies forestales en un contexto urbano
dc.title.alternative.spa.fl_str_mv Variabilidad en la respuesta espectral de especies forestales en un contexto urbano
title Variabilidad en la respuesta espectral de especies forestales en un contexto urbano
spellingShingle Variabilidad en la respuesta espectral de especies forestales en un contexto urbano
Plantas
Discriminación de especies
Datos multiespectrales
Datos hiperespectrales
Análisis Discriminante Lineal
Posición del dosel
Árboles urbanos
title_short Variabilidad en la respuesta espectral de especies forestales en un contexto urbano
title_full Variabilidad en la respuesta espectral de especies forestales en un contexto urbano
title_fullStr Variabilidad en la respuesta espectral de especies forestales en un contexto urbano
title_full_unstemmed Variabilidad en la respuesta espectral de especies forestales en un contexto urbano
title_sort Variabilidad en la respuesta espectral de especies forestales en un contexto urbano
dc.creator.fl_str_mv Maya Mesa, Melissa
dc.contributor.advisor.spa.fl_str_mv Botero Fernández, Verónica
dc.contributor.author.spa.fl_str_mv Maya Mesa, Melissa
dc.subject.ddc.spa.fl_str_mv Plantas
topic Plantas
Discriminación de especies
Datos multiespectrales
Datos hiperespectrales
Análisis Discriminante Lineal
Posición del dosel
Árboles urbanos
dc.subject.proposal.spa.fl_str_mv Discriminación de especies
Datos multiespectrales
Datos hiperespectrales
Análisis Discriminante Lineal
Posición del dosel
Árboles urbanos
description La discriminación correcta de especies es fundamental para la gestión del arbolado urbano y su cuantificación mediante inventarios forestales. En el presente estudio se evalúo el potencial de clasificación de 3 especies forestales: Erythrina fusca, Ficus benjamina y Terminalia catappa, aplicando un Análisis Discriminante Lineal a los datos obtenidos a partir de una imagen de alta resolución espacial con 4 bandas espectrales (R, G, B y NIR) y la adquisición de espectros foliares de reflectancia tomados en 3 alturas de la copa. Los individuos muestreados estaban localizados en 3 Campus universitarios de la ciudad de Medellín: Universidad Nacional, Eafit y Universidad de Medellín. La clasificación a partir de los datos multiespectrales obtuvo mejores resultados con la información espectral sin transformar con una precisión general de 67,25%. Sin embargo, las precisiones individuales para las especies E. fusca y F. benjamina fueron 87,41% y 83,33%, respectivamente; T. catappa no fue discriminada con este tipo de datos. A partir de los datos hiperespectrales, se observó una mejor clasificación con los espectros transformados con Varianza Normal Estándar (SNV), obteniendo una precisión general de 78,69%, y específica de 82,99%, 51,68% y 94,89% para E. fusca, F. benjamina y T. catappa, respectivamente. Las bandas seleccionadas con el algoritmo Relief que influyeron en la discriminación espectral de especies correspondieron a una región del espectro visible (400 – 420 nm) y del borde rojo (716 – 745 nm), además de un intervalo en el infrarrojo cercano (841 – 907 nm). Se evidenciaron diferencias estadísticamente significativas (P < 0,05) en la reflectancia foliar dentro del perfil vertical del dosel, mostrando un patrón descendente desde la altura superior a la inferior. No se encontraron diferencias estadísticamente significativas en los espectros foliares de acuerdo con la clasificación de los árboles según la distancia y tipo a las fuentes contaminantes (vías). Estos resultados sugieren que los datos hiperespectrales son una fuente potencial de información para la identificación de especies forestales y pueden proporcionar un conocimiento a priori de la composición florística en la ejecución de inventarios forestales urbanos.
publishDate 2019
dc.date.issued.spa.fl_str_mv 2019-09-17
dc.date.accessioned.spa.fl_str_mv 2020-02-19T20:54:41Z
dc.date.available.spa.fl_str_mv 2020-02-19T20:54:41Z
dc.type.spa.fl_str_mv Documento de trabajo
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/workingPaper
dc.type.version.spa.fl_str_mv info:eu-repo/semantics/acceptedVersion
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_8042
dc.type.content.spa.fl_str_mv Text
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/WP
format http://purl.org/coar/resource_type/c_8042
status_str acceptedVersion
dc.identifier.uri.none.fl_str_mv https://repositorio.unal.edu.co/handle/unal/75651
url https://repositorio.unal.edu.co/handle/unal/75651
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv Adam, E., Mutanga, O., & Rugege, D. (2010). Multispectral and hyperspectral remote sensing for identification and mapping of wetland vegetation: a review. Wetlands Ecology and Management, 18(3), 281–296. https://doi.org/10.1007/s11273-009- 9169-z
Alcaldía de Medellín. (2011). Árboles nativos y ciudad, aportes a la silvicultura urbana de Medellín (Primera ed). Medellín: Fondo Editorial Jardín Botánico de Medellín.
Alonzo, M., McFadden, J. P., Nowak, D. J., & Roberts, D. A. (2016). Mapping urban forest structure and function using hyperspectral imagery and lidar data. Urban Forestry & Urban Greening, 17, 135–147. https://doi.org/https://doi.org/10.1016/j.ufug.2016.04.003
Asner, G. P., Martin, R. E., Carranza-Jiménez, L., Sinca, F., Tupayachi, R., Anderson, C. B., & Martinez, P. (2014). Functional and biological diversity of foliar spectra in tree canopies throughout the Andes to Amazon region. New Phytologist, 204(1), 127– 139. ttps://doi.org/10.1111/nph.12895
Barnes, R. J., Dhanoa, M. S., & Lister, S. J. (1989). Standard Normal Variate Transformation and De-Trending of Near-Infrared Diffuse Reflectance Spectra. Applied Spectroscopy, 43(5), 772–777. https://doi.org/10.1366/0003702894202201
Botelho, I. M. S. (2017). Uso da espectroscopia no infravermelho próximo (NIR) como ferramenta no reconhecimento de espécies de Burseraceae de diferentes regiões geográficas da Amazônia. Dissertação de mestrdao, Instituto Nacional de Pesquisas da Amazônia/ Universidade Federal do Amazonas.
Camacho, M. (2014). Metodología para identificar frailejón (Espeletia sp) usando las características pictórico-morfológicas de imágenes de satélite para su patronamiento espectral. Universidad Nacional de Colombia.
Castro-Esau, K. L., Sánchez-Azofeifa, G. A., Rivard, B., Wright, S. J., & Quesada, M. (2006). Variability in leaf optical properties of mesoamerican trees and the potential for species classification. American Journal of Botany, 93(4), 517–530. https://doi.org/10.3732/ajb.93.4.517
Clark, M. L., Roberts, D. A., Clark, M. L., & Roberts, D. A. (2012). Species-Level Differences in Hyperspectral Metrics among Tropical Rainforest Trees as Determined by a Tree-Based Classifier. Remote Sensing, 4(6), 1820–1855. https://doi.org/10.3390/rs4061820
Dittmann, S., Thiessen, E., & Hartung, E. (2017). Applicability of different non-invasive methods for tree mass estimation: A review. Forest Ecology and Management, 398, 208–215. https://doi.org/http://dx.doi.org/10.1016/j.foreco.2017.05.013
Encina-Zelada, C., Cadavez, V., Pereda, J., Gómez-Pando, L., Salvá-Ruíz, B., Teixeira, J. A., … Gonzales-Barron, U. (2017). Estimation of composition of quinoa (Chenopodium quinoa Willd.) grains by Near-Infrared Transmission spectroscopy. LWT - Food Science and Technology, 79, 126–134. https://doi.org/https://doi.org/10.1016/j.lwt.2017.01.026
Fassnacht, F. E., Neumann, C., Forster, M., Buddenbaum, H., Ghosh, A., Clasen, A., … Koch, B. (2014). Comparison of feature reduction algorithms for classifying tree species with hyperspectral data on three central european test sites. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(6), 2547– 2561. https://doi.org/10.1109/JSTARS.2014.2329390
Ghosh, A., Fassnacht, F. E., Joshi, P. K., & Kochb, B. (2014). A framework for mapping tree species combining hyperspectral and LiDAR data: Role of selected classifiers and sensor across three spatial scales. International Journal of Applied Earth Observation and Geoinformation, 26(1), 49–63. https://doi.org/10.1016/j.jag.2013.05.017
Guindon, L., Bernier, P. Y., Beaudoin, A., Pouliot, D., Villemaire, P., Hall, R. J., … StAmant, R. (2014). Annual mapping of large forest disturbances across Canada’s forests using 250 m MODIS imagery from 2000 to 2011. Canadian Journal of Forest Research, 44(12), 1545–1554. https://doi.org/10.1139/cjfr-2014-0229
Harrison, D., Rivard, B., & Sánchez-Azofeifa, A. (2018). Classification of tree species based on longwave hyperspectral data from leaves, a case study for a tropical dry forest. International Journal of Applied Earth Observation and Geoinformation, 66, 93–105. https://doi.org/10.1016/J.JAG.2017.11.009
Jensen, R. R., Hardin, P. J., & Hardin, A. J. (2012). Classification of urban tree species using hyperspectral imagery. Geocarto International, 27(July 2014), 443–458. https://doi.org/10.1080/10106049.2011.638989
Korpela, I., Heikkinen, V., Honkavaara, E., Rohrbach, F., & Tokola, T. (2011). Variation and directional anisotropy of reflectance at the crown scale — Implications for tree species classification in digital aerial images. Remote Sensing of Environment, 115(8), 2062–2074. https://doi.org/https://doi.org/10.1016/j.rse.2011.04.008
Larrahondo Aguilar, J. E., & Palau, F. J. (2001). Espectroscopia de infrarrojo cercano - nirprincipios generales, determinación de nitrógeno en tejido foliar de caña de azúcar, calibración y validación del equipo Bran y Luebbe, modelo infraalyzer 500. CENICAÑA. Retrieved from http://ceiba.agro.uba.ar/cgi-bin/koha/opacdetail.pl?biblionumber=10542
Li, P., & Wang, Q. (2013). Developing and validating novel hyperspectral indices for leaf area index estimation: Effect of canopy vertical heterogeneity. Ecological Indicators, 32, 123–130. https://doi.org/10.1016/j.ecolind.2013.03.025
Liu, Y. J., Tran, T., Postma, G., Buydens, L. M. C., & Jansen, J. (2018). Estimating the number of components and detecting outliers using Angle Distribution of Loading Subspaces (ADLS) in PCA analysis. Analytica Chimica Acta, 1020, 17–29. https://doi.org/https://doi.org/10.1016/j.aca.2018.03.044
MILTON, E. J. (1987). Review Article Principles of field spectroscopy. International Journal of Remote Sensing, 8(12), 1807–1827. https://doi.org/10.1080/01431168708954818
Parazoo, N. C., Bowman, K., Fisher, J. B., Frankenberg, C., Jones, D. B. A., Cescatti, A., … Montagnani, L. (2014). Terrestrial gross primary production inferred from satellite fluorescence and vegetation models. Global Change Biology, 20(10), 3103–3121. https://doi.org/10.1111/gcb.12652
Pflugmacher, D., Cohen, W. B., & E. Kennedy, R. (2012). Using Landsat-derived disturbance history (1972–2010) to predict current forest structure. Remote Sensing of Environment, 122, 146–165. https://doi.org/http://dx.doi.org/10.1016/j.rse.2011.09.025
Secretaría de Medio Ambiente de Medellín. (2015). Manual de silvicultura urbana para Medellín– Gestión, Planeación y manejo de la infraestructura verde (Segunda ed). Medellín: Fondo Editorial Jardín Botánico de Medellín.
Suarez, L., Restrepo-Coupe, N., Hueni, A., Chisholm, L. A. (2015). Vegetation spectroscopy. In & S. J. Held, S. Phinn, M. Soto-Berelov (Ed.), AusCover Good Practice Guidelines: A technical handbook supporting calibration and validation activities of remotely sensed data product (pp. 221–233).
Tovar-Corzo, G. (2013). An approximation urbanistic silviculture in Colombia. Bitacora Urbano Territorial, 22(1), 119–136. Retrieved from https://www.scopus.com/inward/record.uri?eid=2-s2.0- 84890545275&partnerID=40&md5=8ce5825ba729e546ab655c206dbc1202
Van Deventer, H., Azong Cho, M., Mutanga, O., Naidoo, L., & Dudeni-Tlhone, N. (2015). Reducing Leaf-Level Hyperspectral Data to 22 Components of Biochemical and Biophysical Bands Optimizes Tree Species Discrimination. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(6), 3161–3171. https://doi.org/10.1109/JSTARS.2015.2424594
Wilkes, P., Jones, S. D., Suarez, L., Haywood, A., Mellor, A., Woodgate, W., … Skidmore, A. K. (2016). Using discrete-return airborne laser scanning to quantify number of canopy strata across diverse forest types. Methods in Ecology and Evolution, 7(6), 700–712. https://doi.org/10.1111/2041-210X.12510
Zhang, C., Jiang, H., Liu, F., & He, Y. (2017). Application of Near-Infrared Hyperspectral Imaging with Variable Selection Methods to Determine and Visualize Caffeine Content of Coffee Beans. Food and Bioprocess Technology, 10(1), 213–221. https://doi.org/10.1007/s11947-016-1809-8
Zhang, J., Rivard, B., Sánchez-Azofeifa, A., & Castro-Esau, K. (2006). Intra- and interclass spectral variability of tropical tree species at La Selva, Costa Rica: Implications for species identification using HYDICE imagery. Remote Sensing of Environment, 105(2), 129–141. https://doi.org/10.1016/J.RSE.2006.06.010
Zhang, K., & Hu, B. (2012). Individual urban tree species classification using very high spatial resolution airborne multi-spectral imagery using longitudinal profiles. Remote Sensing, 4(6), 1741–1757. https://doi.org/10.3390/rs4061741
Zolkos, S. G., Goetz, S. J., & Dubayah, R. (2013). A meta-analysis of terrestrial aboveground biomass estimation using lidar remote sensing. Remote Sensing of Environment, 128, 289–298. https://doi.org/http://dx.doi.org/10.1016/j.rse.2012.10.017
Zomer, R. J., Trabucco, A., & Ustin, S. L. (2009). Building spectral libraries for wetlands land cover classification and hyperspectral remote sensing. Journal of Environmental Management, 90(7), 2170–2177. https://doi.org/10.1016/j.jenvman.2007.06.028
dc.rights.spa.fl_str_mv Derechos reservados - Universidad Nacional de Colombia
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.spa.fl_str_mv Atribución-NoComercial 4.0 Internacional
dc.rights.spa.spa.fl_str_mv Acceso abierto
dc.rights.uri.spa.fl_str_mv http://creativecommons.org/licenses/by-nc/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv Atribución-NoComercial 4.0 Internacional
Derechos reservados - Universidad Nacional de Colombia
Acceso abierto
http://creativecommons.org/licenses/by-nc/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.spa.fl_str_mv 115
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.department.spa.fl_str_mv Departamento de Geociencias y Medo Ambiente
dc.publisher.branch.spa.fl_str_mv Universidad Nacional de Colombia - Sede Medellín
institution Universidad Nacional de Colombia
bitstream.url.fl_str_mv https://repositorio.unal.edu.co/bitstream/unal/75651/1/1022096477.2019.pdf
https://repositorio.unal.edu.co/bitstream/unal/75651/2/license.txt
https://repositorio.unal.edu.co/bitstream/unal/75651/3/license_rdf
https://repositorio.unal.edu.co/bitstream/unal/75651/4/1022096477.2019.pdf.jpg
bitstream.checksum.fl_str_mv bf51bc20bdba39eeb6a54fb2248141ba
6f3f13b02594d02ad110b3ad534cd5df
42fd4ad1e89814f5e4a476b409eb708c
279e9162d4148d4731c514aebdcda5da
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad Nacional de Colombia
repository.mail.fl_str_mv repositorio_nal@unal.edu.co
_version_ 1814089471702859776
spelling Atribución-NoComercial 4.0 InternacionalDerechos reservados - Universidad Nacional de ColombiaAcceso abiertohttp://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Botero Fernández, Verónica5a96ec0f-4c32-4d4d-84a1-0ee28ea48dc0-1Maya Mesa, Melissab2fb0d46-cca1-445e-b12e-b7f090fcd5ae2020-02-19T20:54:41Z2020-02-19T20:54:41Z2019-09-17https://repositorio.unal.edu.co/handle/unal/75651La discriminación correcta de especies es fundamental para la gestión del arbolado urbano y su cuantificación mediante inventarios forestales. En el presente estudio se evalúo el potencial de clasificación de 3 especies forestales: Erythrina fusca, Ficus benjamina y Terminalia catappa, aplicando un Análisis Discriminante Lineal a los datos obtenidos a partir de una imagen de alta resolución espacial con 4 bandas espectrales (R, G, B y NIR) y la adquisición de espectros foliares de reflectancia tomados en 3 alturas de la copa. Los individuos muestreados estaban localizados en 3 Campus universitarios de la ciudad de Medellín: Universidad Nacional, Eafit y Universidad de Medellín. La clasificación a partir de los datos multiespectrales obtuvo mejores resultados con la información espectral sin transformar con una precisión general de 67,25%. Sin embargo, las precisiones individuales para las especies E. fusca y F. benjamina fueron 87,41% y 83,33%, respectivamente; T. catappa no fue discriminada con este tipo de datos. A partir de los datos hiperespectrales, se observó una mejor clasificación con los espectros transformados con Varianza Normal Estándar (SNV), obteniendo una precisión general de 78,69%, y específica de 82,99%, 51,68% y 94,89% para E. fusca, F. benjamina y T. catappa, respectivamente. Las bandas seleccionadas con el algoritmo Relief que influyeron en la discriminación espectral de especies correspondieron a una región del espectro visible (400 – 420 nm) y del borde rojo (716 – 745 nm), además de un intervalo en el infrarrojo cercano (841 – 907 nm). Se evidenciaron diferencias estadísticamente significativas (P < 0,05) en la reflectancia foliar dentro del perfil vertical del dosel, mostrando un patrón descendente desde la altura superior a la inferior. No se encontraron diferencias estadísticamente significativas en los espectros foliares de acuerdo con la clasificación de los árboles según la distancia y tipo a las fuentes contaminantes (vías). Estos resultados sugieren que los datos hiperespectrales son una fuente potencial de información para la identificación de especies forestales y pueden proporcionar un conocimiento a priori de la composición florística en la ejecución de inventarios forestales urbanos.Magister en Medio Ambiente y DesarrolloMaestría115application/pdfspaPlantasDiscriminación de especiesDatos multiespectralesDatos hiperespectralesAnálisis Discriminante LinealPosición del doselÁrboles urbanosVariabilidad en la respuesta espectral de especies forestales en un contexto urbanoVariabilidad en la respuesta espectral de especies forestales en un contexto urbanoDocumento de trabajoinfo:eu-repo/semantics/workingPaperinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_8042Texthttp://purl.org/redcol/resource_type/WPDepartamento de Geociencias y Medo AmbienteUniversidad Nacional de Colombia - Sede MedellínAdam, E., Mutanga, O., & Rugege, D. (2010). Multispectral and hyperspectral remote sensing for identification and mapping of wetland vegetation: a review. Wetlands Ecology and Management, 18(3), 281–296. https://doi.org/10.1007/s11273-009- 9169-zAlcaldía de Medellín. (2011). Árboles nativos y ciudad, aportes a la silvicultura urbana de Medellín (Primera ed). Medellín: Fondo Editorial Jardín Botánico de Medellín.Alonzo, M., McFadden, J. P., Nowak, D. J., & Roberts, D. A. (2016). Mapping urban forest structure and function using hyperspectral imagery and lidar data. Urban Forestry & Urban Greening, 17, 135–147. https://doi.org/https://doi.org/10.1016/j.ufug.2016.04.003Asner, G. P., Martin, R. E., Carranza-Jiménez, L., Sinca, F., Tupayachi, R., Anderson, C. B., & Martinez, P. (2014). Functional and biological diversity of foliar spectra in tree canopies throughout the Andes to Amazon region. New Phytologist, 204(1), 127– 139. ttps://doi.org/10.1111/nph.12895Barnes, R. J., Dhanoa, M. S., & Lister, S. J. (1989). Standard Normal Variate Transformation and De-Trending of Near-Infrared Diffuse Reflectance Spectra. Applied Spectroscopy, 43(5), 772–777. https://doi.org/10.1366/0003702894202201Botelho, I. M. S. (2017). Uso da espectroscopia no infravermelho próximo (NIR) como ferramenta no reconhecimento de espécies de Burseraceae de diferentes regiões geográficas da Amazônia. Dissertação de mestrdao, Instituto Nacional de Pesquisas da Amazônia/ Universidade Federal do Amazonas.Camacho, M. (2014). Metodología para identificar frailejón (Espeletia sp) usando las características pictórico-morfológicas de imágenes de satélite para su patronamiento espectral. Universidad Nacional de Colombia.Castro-Esau, K. L., Sánchez-Azofeifa, G. A., Rivard, B., Wright, S. J., & Quesada, M. (2006). Variability in leaf optical properties of mesoamerican trees and the potential for species classification. American Journal of Botany, 93(4), 517–530. https://doi.org/10.3732/ajb.93.4.517Clark, M. L., Roberts, D. A., Clark, M. L., & Roberts, D. A. (2012). Species-Level Differences in Hyperspectral Metrics among Tropical Rainforest Trees as Determined by a Tree-Based Classifier. Remote Sensing, 4(6), 1820–1855. https://doi.org/10.3390/rs4061820Dittmann, S., Thiessen, E., & Hartung, E. (2017). Applicability of different non-invasive methods for tree mass estimation: A review. Forest Ecology and Management, 398, 208–215. https://doi.org/http://dx.doi.org/10.1016/j.foreco.2017.05.013Encina-Zelada, C., Cadavez, V., Pereda, J., Gómez-Pando, L., Salvá-Ruíz, B., Teixeira, J. A., … Gonzales-Barron, U. (2017). Estimation of composition of quinoa (Chenopodium quinoa Willd.) grains by Near-Infrared Transmission spectroscopy. LWT - Food Science and Technology, 79, 126–134. https://doi.org/https://doi.org/10.1016/j.lwt.2017.01.026Fassnacht, F. E., Neumann, C., Forster, M., Buddenbaum, H., Ghosh, A., Clasen, A., … Koch, B. (2014). Comparison of feature reduction algorithms for classifying tree species with hyperspectral data on three central european test sites. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(6), 2547– 2561. https://doi.org/10.1109/JSTARS.2014.2329390Ghosh, A., Fassnacht, F. E., Joshi, P. K., & Kochb, B. (2014). A framework for mapping tree species combining hyperspectral and LiDAR data: Role of selected classifiers and sensor across three spatial scales. International Journal of Applied Earth Observation and Geoinformation, 26(1), 49–63. https://doi.org/10.1016/j.jag.2013.05.017Guindon, L., Bernier, P. Y., Beaudoin, A., Pouliot, D., Villemaire, P., Hall, R. J., … StAmant, R. (2014). Annual mapping of large forest disturbances across Canada’s forests using 250 m MODIS imagery from 2000 to 2011. Canadian Journal of Forest Research, 44(12), 1545–1554. https://doi.org/10.1139/cjfr-2014-0229Harrison, D., Rivard, B., & Sánchez-Azofeifa, A. (2018). Classification of tree species based on longwave hyperspectral data from leaves, a case study for a tropical dry forest. International Journal of Applied Earth Observation and Geoinformation, 66, 93–105. https://doi.org/10.1016/J.JAG.2017.11.009Jensen, R. R., Hardin, P. J., & Hardin, A. J. (2012). Classification of urban tree species using hyperspectral imagery. Geocarto International, 27(July 2014), 443–458. https://doi.org/10.1080/10106049.2011.638989Korpela, I., Heikkinen, V., Honkavaara, E., Rohrbach, F., & Tokola, T. (2011). Variation and directional anisotropy of reflectance at the crown scale — Implications for tree species classification in digital aerial images. Remote Sensing of Environment, 115(8), 2062–2074. https://doi.org/https://doi.org/10.1016/j.rse.2011.04.008Larrahondo Aguilar, J. E., & Palau, F. J. (2001). Espectroscopia de infrarrojo cercano - nirprincipios generales, determinación de nitrógeno en tejido foliar de caña de azúcar, calibración y validación del equipo Bran y Luebbe, modelo infraalyzer 500. CENICAÑA. Retrieved from http://ceiba.agro.uba.ar/cgi-bin/koha/opacdetail.pl?biblionumber=10542Li, P., & Wang, Q. (2013). Developing and validating novel hyperspectral indices for leaf area index estimation: Effect of canopy vertical heterogeneity. Ecological Indicators, 32, 123–130. https://doi.org/10.1016/j.ecolind.2013.03.025Liu, Y. J., Tran, T., Postma, G., Buydens, L. M. C., & Jansen, J. (2018). Estimating the number of components and detecting outliers using Angle Distribution of Loading Subspaces (ADLS) in PCA analysis. Analytica Chimica Acta, 1020, 17–29. https://doi.org/https://doi.org/10.1016/j.aca.2018.03.044MILTON, E. J. (1987). Review Article Principles of field spectroscopy. International Journal of Remote Sensing, 8(12), 1807–1827. https://doi.org/10.1080/01431168708954818Parazoo, N. C., Bowman, K., Fisher, J. B., Frankenberg, C., Jones, D. B. A., Cescatti, A., … Montagnani, L. (2014). Terrestrial gross primary production inferred from satellite fluorescence and vegetation models. Global Change Biology, 20(10), 3103–3121. https://doi.org/10.1111/gcb.12652Pflugmacher, D., Cohen, W. B., & E. Kennedy, R. (2012). Using Landsat-derived disturbance history (1972–2010) to predict current forest structure. Remote Sensing of Environment, 122, 146–165. https://doi.org/http://dx.doi.org/10.1016/j.rse.2011.09.025Secretaría de Medio Ambiente de Medellín. (2015). Manual de silvicultura urbana para Medellín– Gestión, Planeación y manejo de la infraestructura verde (Segunda ed). Medellín: Fondo Editorial Jardín Botánico de Medellín.Suarez, L., Restrepo-Coupe, N., Hueni, A., Chisholm, L. A. (2015). Vegetation spectroscopy. In & S. J. Held, S. Phinn, M. Soto-Berelov (Ed.), AusCover Good Practice Guidelines: A technical handbook supporting calibration and validation activities of remotely sensed data product (pp. 221–233).Tovar-Corzo, G. (2013). An approximation urbanistic silviculture in Colombia. Bitacora Urbano Territorial, 22(1), 119–136. Retrieved from https://www.scopus.com/inward/record.uri?eid=2-s2.0- 84890545275&partnerID=40&md5=8ce5825ba729e546ab655c206dbc1202Van Deventer, H., Azong Cho, M., Mutanga, O., Naidoo, L., & Dudeni-Tlhone, N. (2015). Reducing Leaf-Level Hyperspectral Data to 22 Components of Biochemical and Biophysical Bands Optimizes Tree Species Discrimination. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(6), 3161–3171. https://doi.org/10.1109/JSTARS.2015.2424594Wilkes, P., Jones, S. D., Suarez, L., Haywood, A., Mellor, A., Woodgate, W., … Skidmore, A. K. (2016). Using discrete-return airborne laser scanning to quantify number of canopy strata across diverse forest types. Methods in Ecology and Evolution, 7(6), 700–712. https://doi.org/10.1111/2041-210X.12510Zhang, C., Jiang, H., Liu, F., & He, Y. (2017). Application of Near-Infrared Hyperspectral Imaging with Variable Selection Methods to Determine and Visualize Caffeine Content of Coffee Beans. Food and Bioprocess Technology, 10(1), 213–221. https://doi.org/10.1007/s11947-016-1809-8Zhang, J., Rivard, B., Sánchez-Azofeifa, A., & Castro-Esau, K. (2006). Intra- and interclass spectral variability of tropical tree species at La Selva, Costa Rica: Implications for species identification using HYDICE imagery. Remote Sensing of Environment, 105(2), 129–141. https://doi.org/10.1016/J.RSE.2006.06.010Zhang, K., & Hu, B. (2012). Individual urban tree species classification using very high spatial resolution airborne multi-spectral imagery using longitudinal profiles. Remote Sensing, 4(6), 1741–1757. https://doi.org/10.3390/rs4061741Zolkos, S. G., Goetz, S. J., & Dubayah, R. (2013). A meta-analysis of terrestrial aboveground biomass estimation using lidar remote sensing. Remote Sensing of Environment, 128, 289–298. https://doi.org/http://dx.doi.org/10.1016/j.rse.2012.10.017Zomer, R. J., Trabucco, A., & Ustin, S. L. (2009). Building spectral libraries for wetlands land cover classification and hyperspectral remote sensing. Journal of Environmental Management, 90(7), 2170–2177. https://doi.org/10.1016/j.jenvman.2007.06.028ORIGINAL1022096477.2019.pdf1022096477.2019.pdfTesis de Maestría en Medio Ambiente y Desarrolloapplication/pdf5375472https://repositorio.unal.edu.co/bitstream/unal/75651/1/1022096477.2019.pdfbf51bc20bdba39eeb6a54fb2248141baMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-83991https://repositorio.unal.edu.co/bitstream/unal/75651/2/license.txt6f3f13b02594d02ad110b3ad534cd5dfMD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8701https://repositorio.unal.edu.co/bitstream/unal/75651/3/license_rdf42fd4ad1e89814f5e4a476b409eb708cMD53THUMBNAIL1022096477.2019.pdf.jpg1022096477.2019.pdf.jpgGenerated Thumbnailimage/jpeg4707https://repositorio.unal.edu.co/bitstream/unal/75651/4/1022096477.2019.pdf.jpg279e9162d4148d4731c514aebdcda5daMD54unal/75651oai:repositorio.unal.edu.co:unal/756512023-06-21 10:28:58.507Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.coUExBTlRJTExBIERFUMOTU0lUTwoKQ29tbyBlZGl0b3IgZGUgZXN0ZSDDrXRlbSwgdXN0ZWQgcHVlZGUgbW92ZXJsbyBhIHJldmlzacOzbiBzaW4gYW50ZXMgcmVzb2x2ZXIgbG9zIHByb2JsZW1hcyBpZGVudGlmaWNhZG9zLCBkZSBsbyBjb250cmFyaW8sIGhhZ2EgY2xpYyBlbiBHdWFyZGFyIHBhcmEgZ3VhcmRhciBlbCDDrXRlbSB5IHNvbHVjaW9uYXIgZXN0b3MgcHJvYmxlbWFzIG1hcyB0YXJkZS4KCk5PVEFTOgoqU0kgTEEgVEVTSVMgQSBQVUJMSUNBUiBBRFFVSVJJw5MgQ09NUFJPTUlTT1MgREUgQ09ORklERU5DSUFMSURBRCBFTiBFTCBERVNBUlJPTExPIE8gUEFSVEVTIERFTCBET0NVTUVOVE8uIFNJR0EgTEEgRElSRUNUUklaIERFIExBIFJFU09MVUNJw5NOIDAyMyBERSAyMDE1LCBQT1IgTEEgQ1VBTCBTRSBFU1RBQkxFQ0UgRUwgUFJPQ0VESU1JRU5UTyBQQVJBIExBIFBVQkxJQ0FDScOTTiBERSBURVNJUyBERSBNQUVTVFLDjUEgWSBET0NUT1JBRE8gREUgTE9TIEVTVFVESUFOVEVTIERFIExBIFVOSVZFUlNJREFEIE5BQ0lPTkFMIERFIENPTE9NQklBIEVOIEVMIFJFUE9TSVRPUklPIElOU1RJVFVDSU9OQUwgVU4sIEVYUEVESURBIFBPUiBMQSBTRUNSRVRBUsONQSBHRU5FUkFMLgoqTEEgVEVTSVMgQSBQVUJMSUNBUiBERUJFIFNFUiBMQSBWRVJTScOTTiBGSU5BTCBBUFJPQkFEQS4KUGFyYSB0cmFiYWpvcyBkZXBvc2l0YWRvcyBwb3Igc3UgcHJvcGlvIGF1dG9yOiBBbCBhdXRvYXJjaGl2YXIgZXN0ZSBncnVwbyBkZSBhcmNoaXZvcyBkaWdpdGFsZXMgeSBzdXMgbWV0YWRhdG9zLCBZbyBnYXJhbnRpem8gYWwgUmVwb3NpdG9yaW8gSW5zdGl0dWNpb25hbCBVTiBlbCBkZXJlY2hvIGEgYWxtYWNlbmFybG9zIHkgbWFudGVuZXJsb3MgZGlzcG9uaWJsZXMgZW4gbMOtbmVhIGRlIG1hbmVyYSBncmF0dWl0YS4gRGVjbGFybyBxdWUgZGljaG8gbWF0ZXJpYWwgZXMgZGUgbWkgcHJvcGllZGFkIGludGVsZWN0dWFsIHkgcXVlIGVsIFJlcG9zaXRvcmlvIEluc3RpdHVjaW9uYWwgVU4gbm8gYXN1bWUgbmluZ3VuYSByZXNwb25zYWJpbGlkYWQgc2kgaGF5IGFsZ3VuYSB2aW9sYWNpw7NuIGEgbG9zIGRlcmVjaG9zIGRlIGF1dG9yIGFsIGRpc3RyaWJ1aXIgZXN0b3MgYXJjaGl2b3MgeSBtZXRhZGF0b3MuIChTZSByZWNvbWllbmRhIGEgdG9kb3MgbG9zIGF1dG9yZXMgYSBpbmRpY2FyIHN1cyBkZXJlY2hvcyBkZSBhdXRvciBlbiBsYSBww6FnaW5hIGRlIHTDrXR1bG8gZGUgc3UgZG9jdW1lbnRvLikgRGUgbGEgbWlzbWEgbWFuZXJhLCBhY2VwdG8gbG9zIHTDqXJtaW5vcyBkZSBsYSBzaWd1aWVudGUgbGljZW5jaWE6IExvcyBhdXRvcmVzIG8gdGl0dWxhcmVzIGRlbCBkZXJlY2hvIGRlIGF1dG9yIGRlbCBwcmVzZW50ZSBkb2N1bWVudG8gY29uZmllcmVuIGEgbGEgVW5pdmVyc2lkYWQgTmFjaW9uYWwgZGUgQ29sb21iaWEgdW5hIGxpY2VuY2lhIG5vIGV4Y2x1c2l2YSwgbGltaXRhZGEgeSBncmF0dWl0YSBzb2JyZSBsYSBvYnJhIHF1ZSBzZSBpbnRlZ3JhIGVuIGVsIFJlcG9zaXRvcmlvIEluc3RpdHVjaW9uYWwsIHF1ZSBzZSBhanVzdGEgYSBsYXMgc2lndWllbnRlcyBjYXJhY3RlcsOtc3RpY2FzOiBhKSBFc3RhcsOhIHZpZ2VudGUgYSBwYXJ0aXIgZGUgbGEgZmVjaGEgZW4gcXVlIHNlIGluY2x1eWUgZW4gZWwgcmVwb3NpdG9yaW8sIHBvciB1biBwbGF6byBkZSA1IGHDsW9zLCBxdWUgc2Vyw6FuIHByb3Jyb2dhYmxlcyBpbmRlZmluaWRhbWVudGUgcG9yIGVsIHRpZW1wbyBxdWUgZHVyZSBlbCBkZXJlY2hvIHBhdHJpbW9uaWFsIGRlbCBhdXRvci4gRWwgYXV0b3IgcG9kcsOhIGRhciBwb3IgdGVybWluYWRhIGxhIGxpY2VuY2lhIHNvbGljaXTDoW5kb2xvIGEgbGEgVW5pdmVyc2lkYWQgY29uIHVuYSBhbnRlbGFjacOzbiBkZSBkb3MgbWVzZXMgYW50ZXMgZGUgbGEgY29ycmVzcG9uZGllbnRlIHByw7Nycm9nYS4gYikgTG9zIGF1dG9yZXMgYXV0b3JpemFuIGEgbGEgVW5pdmVyc2lkYWQgTmFjaW9uYWwgZGUgQ29sb21iaWEgcGFyYSBwdWJsaWNhciBsYSBvYnJhIGVuIGVsIGZvcm1hdG8gcXVlIGVsIHJlcG9zaXRvcmlvIGxvIHJlcXVpZXJhIChpbXByZXNvLCBkaWdpdGFsLCBlbGVjdHLDs25pY28gbyBjdWFscXVpZXIgb3RybyBjb25vY2lkbyBvIHBvciBjb25vY2VyKSB5IGNvbm9jZW4gcXVlIGRhZG8gcXVlIHNlIHB1YmxpY2EgZW4gSW50ZXJuZXQgcG9yIGVzdGUgaGVjaG8gY2lyY3VsYSBjb24gdW4gYWxjYW5jZSBtdW5kaWFsLiBjKSBMb3MgYXV0b3JlcyBhY2VwdGFuIHF1ZSBsYSBhdXRvcml6YWNpw7NuIHNlIGhhY2UgYSB0w610dWxvIGdyYXR1aXRvLCBwb3IgbG8gdGFudG8sIHJlbnVuY2lhbiBhIHJlY2liaXIgZW1vbHVtZW50byBhbGd1bm8gcG9yIGxhIHB1YmxpY2FjacOzbiwgZGlzdHJpYnVjacOzbiwgY29tdW5pY2FjacOzbiBww7pibGljYSB5IGN1YWxxdWllciBvdHJvIHVzbyBxdWUgc2UgaGFnYSBlbiBsb3MgdMOpcm1pbm9zIGRlIGxhIHByZXNlbnRlIGxpY2VuY2lhIHkgZGUgbGEgbGljZW5jaWEgQ3JlYXRpdmUgQ29tbW9ucyBjb24gcXVlIHNlIHB1YmxpY2EuIGQpIExvcyBhdXRvcmVzIG1hbmlmaWVzdGFuIHF1ZSBzZSB0cmF0YSBkZSB1bmEgb2JyYSBvcmlnaW5hbCBzb2JyZSBsYSBxdWUgdGllbmVuIGxvcyBkZXJlY2hvcyBxdWUgYXV0b3JpemFuIHkgcXVlIHNvbiBlbGxvcyBxdWllbmVzIGFzdW1lbiB0b3RhbCByZXNwb25zYWJpbGlkYWQgcG9yIGVsIGNvbnRlbmlkbyBkZSBzdSBvYnJhIGFudGUgbGEgVW5pdmVyc2lkYWQgTmFjaW9uYWwgeSBhbnRlIHRlcmNlcm9zLiBFbiB0b2RvIGNhc28gbGEgVW5pdmVyc2lkYWQgTmFjaW9uYWwgZGUgQ29sb21iaWEgc2UgY29tcHJvbWV0ZSBhIGluZGljYXIgc2llbXByZSBsYSBhdXRvcsOtYSBpbmNsdXllbmRvIGVsIG5vbWJyZSBkZWwgYXV0b3IgeSBsYSBmZWNoYSBkZSBwdWJsaWNhY2nDs24uIGUpIExvcyBhdXRvcmVzIGF1dG9yaXphbiBhIGxhIFVuaXZlcnNpZGFkIHBhcmEgaW5jbHVpciBsYSBvYnJhIGVuIGxvcyDDrW5kaWNlcyB5IGJ1c2NhZG9yZXMgcXVlIGVzdGltZW4gbmVjZXNhcmlvcyBwYXJhIHByb21vdmVyIHN1IGRpZnVzacOzbi4gZikgTG9zIGF1dG9yZXMgYWNlcHRhbiBxdWUgbGEgVW5pdmVyc2lkYWQgTmFjaW9uYWwgZGUgQ29sb21iaWEgcHVlZGEgY29udmVydGlyIGVsIGRvY3VtZW50byBhIGN1YWxxdWllciBtZWRpbyBvIGZvcm1hdG8gcGFyYSBwcm9ww7NzaXRvcyBkZSBwcmVzZXJ2YWNpw7NuIGRpZ2l0YWwuIFNJIEVMIERPQ1VNRU5UTyBTRSBCQVNBIEVOIFVOIFRSQUJBSk8gUVVFIEhBIFNJRE8gUEFUUk9DSU5BRE8gTyBBUE9ZQURPIFBPUiBVTkEgQUdFTkNJQSBPIFVOQSBPUkdBTklaQUNJw5NOLCBDT04gRVhDRVBDScOTTiBERSBMQSBVTklWRVJTSURBRCBOQUNJT05BTCBERSBDT0xPTUJJQSwgTE9TIEFVVE9SRVMgR0FSQU5USVpBTiBRVUUgU0UgSEEgQ1VNUExJRE8gQ09OIExPUyBERVJFQ0hPUyBZIE9CTElHQUNJT05FUyBSRVFVRVJJRE9TIFBPUiBFTCBSRVNQRUNUSVZPIENPTlRSQVRPIE8gQUNVRVJETy4KUGFyYSB0cmFiYWpvcyBkZXBvc2l0YWRvcyBwb3Igb3RyYXMgcGVyc29uYXMgZGlzdGludGFzIGEgc3UgYXV0b3I6IERlY2xhcm8gcXVlIGVsIGdydXBvIGRlIGFyY2hpdm9zIGRpZ2l0YWxlcyB5IG1ldGFkYXRvcyBhc29jaWFkb3MgcXVlIGVzdG95IGFyY2hpdmFuZG8gZW4gZWwgUmVwb3NpdG9yaW8gSW5zdGl0dWNpb25hbCBVTikgZXMgZGUgZG9taW5pbyBww7pibGljby4gU2kgbm8gZnVlc2UgZWwgY2FzbywgYWNlcHRvIHRvZGEgbGEgcmVzcG9uc2FiaWxpZGFkIHBvciBjdWFscXVpZXIgaW5mcmFjY2nDs24gZGUgZGVyZWNob3MgZGUgYXV0b3IgcXVlIGNvbmxsZXZlIGxhIGRpc3RyaWJ1Y2nDs24gZGUgZXN0b3MgYXJjaGl2b3MgeSBtZXRhZGF0b3MuCkFsIGhhY2VyIGNsaWMgZW4gZWwgc2lndWllbnRlIGJvdMOzbiwgdXN0ZWQgaW5kaWNhIHF1ZSBlc3TDoSBkZSBhY3VlcmRvIGNvbiBlc3RvcyB0w6lybWlub3MuCg==

Publicaciones similares