ambient@
EVALUACIÓN DE VARIABLES BIOFÍSICAS MEDIANTE TELEDETECCIÓN EN PINARES MEDITERRÁNEOS
El estrés de la vegetación en el Mediterráneo se relaciona en muchos casos con el estado hídrico de la vegetación, lo que condiciona procesos como el balance energético, el ciclo hidrológico, o el riesgo de incendio (Chuvieco et al., 2002; Deshayes et al., 2006).
El índice de área foliar (expresado por su acrónimo en inglés LAI, leaf area index) es una variable clave para estudiar los procesos fisiológicos en ecosistemas forestales (Asner et al., 2003; Le Maire et al., 2008), tales como pronosticar el crecimiento, la productividad o el intercambio gaseoso (Reichstein et al., 2003). El concepto de LAI hace referencia al conjunto de masa foliar de una cobertura vegetal y, por tanto, a su capacidad de fotosíntesis, relacionado con el contenido de pigmentos (i.e., clorofila), la transpiración de la planta y el intercambio de CO2. Estas funciones son importantes para los intercambios entre la vegetación y la atmósfera (Nemani et al., 1993). Por otro lado la clorofila (Chls; clorofila a y b) es posiblemente el pigmento más importante de las plantas, ya que controla la cantidad de radiación solar que el árbol absorbe y, por lo tanto, la capacidad fotosintética y la producción de los sistemas forestales, suministra un cálculo aproximado del estado nutritivo de la planta o permite evaluar diferentes niveles de estrés (Balckburn, 2007).
Es muy frecuente encontrar que los ecólogos y los forestales demanden cartografías de distribución espacial de estos parámetros para su aplicación en trabajos de gestión (evaluación de estrés, selvicultura preventiva, secuestro de C, etc.). Sin embargo, esta cartografía no puede ser elaborada mediante procedimientos de campo (Reich et al., 1999), debido a los problemas instrumentales y operativos que esto supone (Gower et al., 1999). Por esa razón, la mejor alternativa para obtener cartografías de parámetros ecofisiológicos en grandes superficies es la combinación de datos de campo con imágenes procedentes de sensores remotos, mediante modelos más o menos complejos (Ej. índices de vegetación, modelos físicos, etc.), que permiten invertir los datos y extrapolarlos a escala de bosque (Cohen et al., 2003).
Por estas razones, el LAI y el contenido de clorofila son los parámetros ecofisiológicos que mayor interés han despertado en los estudios de teledetección aplicados a estrés. La mayoría de los estudios hasta el momento han utilizados índices de vegetación obtenidos a partir de sensores multiespectrales (en particular Landsat TM 5, ETM+, y SPOT) (Peddle et al., 1999; Le Maine et al., 2008; Main et al., 2011), aunque también se han utilizado modelos de reflectancia del dosel (Kuusk, 1998). Los sensores hiperespectrales (CASI, AHS, Hyperion, etc.), que disponen de un elevado número de bandas, tienen el potencial de medir características de la vegetación difíciles de medir, a priori, por los sensores multiespectrales convencionales (Zarco-Tejada et al., 2001; Moorthy et al., 2008; Main et al., 2011; Hernández Clemente et al., 2011). Las ventajas de estos sensores son el mayor número de bandas disponibles, y el ancho de dichas bandas, ya que la estimación de LAI y de clorofila es más sensible a la reflectancia en las regiones espectrales de bandas más estrechas.
Los datos radiométricos adquiridos por los diferentes sensores se pueden convertir o no en índices espectrales de vegetación (acrónimo en inglés SVI), los cuales son dependientes del sensor, lo que dificulta la capacidad de comparar los resultados entre sensores debido a las diferencias entre sus características espectrales y espaciales (Steven et al., 2003). En este caso, resulta conveniente una normalización entre los índices calculados a partir de sensores homólogos cuando se pretende hacer una comparación de los valores obtenidos. Teillet et al.(1997) evaluaron el índice de vegetación normalizado (NDVI Normalized Difference Vegetation Index en su denominación en inglés) para
diferentes sensores (Landsat TM, AVHRR, MODIS, MERIS), y observaron que los valores de ese índice estaban significativamente afectados por las diferencias en el ancho de las bandas espectrales, especialmente en el comportamiento de las bandas del Red Edge y del infrarrojo cercano.
Por todo lo anterior, es difícil inferir de los estudios existentes que los sensores hiperespectrales disponibles tengan alguna ventaja comparativa frente a los sensores multiespectrales. Hay trabajos que parecen indicar una mejora de los resultados a partir de sensores hiperespectrales, aunque a veces miden otras variables distintas del LAI (Lefsky et al., 2001). Además deben tenerse en cuenta los modelos de corrección de las imágenes, así como el tipo y calidad de los datos de campo. Todo lo anterior pone en evidencia que el número creciente de sensores disponibles requiere de trabajos específicos para valorar y normalizar los datos de cada sensor (Bricaud et al., 2002), y profundizar en la integración de sensores para la determinación de parámetros de vegetación tales como la cobertura (Asner et al., 2003), la química de dosel (Johnson et al., 1994), o la estructura y composición de las hojas (Hernández-Clemente et al., 2011). Por otro lado, existen pocos trabajos realizados en condiciones mediterráneas, lo que hace difícil generalizar los resultados procedentes de otros tipos de biomasa.
En este trabajo se compara la aplicabilidad de diferentes sensores multiespectrales e hiperespectrales para la estimación del LAI y del contenido de clorofila en masas artificiales de pinar en Andalucía (Navarro Cerrillo et al., 2007). Se utilizan un conjunto de imágenes de distintos sensores: Hyperion, ChrisProba, Landsat TM5 y Quickbird, con diferentes resoluciones espaciales y espectrales, para generar cartografía de variables ecofisiológicas a distintas escalas.
SELECCIÓN DE SENSORES E ÍNDICES PARA LA ESTIMACIÓN DE PARÁMETROS BIOFÍSICOS EN PINARES
De todos los sensores disponibles, en esta investigación se utilizaron imágenes de dos sensores multiespectrales (Tabla 1) y tres sensores hiperespectrales. Los procedimientos de corrección se adecuaron a cada imagen, procediendo a su georeferenciacion y corrección radiométrica.
RELACIONES ENTRE ÍNDICES DE VEGETACIÓN Y PARÁMETROS ECO FISIOLÓGICOS
En la tabla 3 se observan los resultados obtenidos para Pinus sylvestris y Pinus nigra en comparación con los obtenidos con el sensor AHS y la imagen QuickBird (de similar resolución espacial). Los coeficientes de determinación entre las medidas de campo y los índices de vegetación seleccionados fueron muy variables en función del índice y del sensor empleado, aunque sólo para el sensor AHS las correlaciones presentaron valores aceptables (R2>0,50). En el caso de la estimación de LAI en P. sylvestris, los coeficientes de determinación fueron ligeramente inferiores a las obtenidas con AHS, mientras que en P. nigra se alejaron mucho de los valores de AHS. En ambos casos el índice que mejores resultados dio fue el Modified Simple Ratio Index (MSR). Las regresiones entre la clorofila y los distintos índices ensayados paraP. sylvestris fueron significativamente menores, mientras que para P. nigra el valor del índice de Gitelson fue del mismo orden que el obtenido con AHS y el NDVI un 10% inferior.
Entre los sensores de media resolución espacial (Landsat TM, Hyperion y ChrisProba) se obtuvieron resultados muy similares para LAI (R2>0,55) (Tabla 4), aunque los coeficientes de determinación para clorofila fueron muy bajos. Por término medio, usando el criterio del valor del error cuadrático medio (RMSE), los índices Simple Ratio Index (SR) y Modified Simple Ratio Index (MSR) muestran la misma capacidad para estimar los valores de LAI en bosques de pino, y pueden considerase mejores que el NDVI.
El NDVI (y su homólogo SR) han sido los índices de vegetación espectral más ampliamente usados para calcular el LAI (Cohen et al., 2003). Por lo tanto, es importante, en un estudio de integración de sensores, contrastar los resultados de otros índices con los obtenidos para el NDVI. Los resultados indican que el NDVI es, en general, menos sensible a los valores de LAI (Tabla 3 y 4). En el caso de los sensores hiperespectrales los valores de NDVI fueron más altos que para la imagen Landsat TM, lo cual puede deberse a los efectos atmosféricos en las bandas visibles del sensor Landsat TM. La dispersión del componente rojo de la relación del NDVI, reduce el contraste entre el IR y el rojo, y disminuye los valores de NDVI en las bandas del visible (Turner et al., 1999).
La baja correlación entre el NDVI y el LAI se ha mostrado en numerosos estudios (Chen & Cihlar, 1996; Turner et al., 1999; Cohen et al., 2003). El NDVI ha sido durante casi tres décadas el índice más popular para calcular el LAI en diferencies biomas, pero nuestros resultados y los de otros autores indican que hay otros índices que pueden ser más apropiados (Stenberg et al., 2004). Esto se ve apoyado por el hecho de que numerosos estudios han confirmado la importante contribución de las bandas del infrarrojo cercano (SWIR, Short Wave Infra Red en su denominación en inglés) a la estimación del LAI (Nemani et al., 1993; Lee et al., 2004). Es interesante destacar que además de las regiones del infrarrojo cercano y del Red Edge, donde se fundamenta la mayoría de los índices de vegetación de uso común en la actualidad, y de uso frecuente en estudios forestales, donde se han utilizado con bastante éxito, se puede ver como en sistemas naturales complejos se pueden incluir índices que utilicen bandas de otras regiones como SWIR, que también han mostrado su aplicación a los estudios de parámetros eco fisiológicos.
En los resultados de este trabajo se observa que en el caso del LAI, existe una mejora significativa de las relaciones obtenidas entre los índices calculados a partir de sensores hiperespectrales, sobre las obtenidas a partir de sensores multiespectrales. Para los sensores de media resolución esta diferencia alcanza valores cercanos al 20% para el índice SR. Mientras que entre los sensores de alta resolución espacial esta diferencia es muy variable, dependiendo del índice utilizado y de la especie estudiada, siendo en todos los casos superior al 10%.
En lo que respecta al contenido en clorofila, los sensores de media resolución presentaron coeficientes de determinación con los índices calculados muy bajos, por lo que no parece que sean los más adecuados para elaborar cartografía de este parámetro. Por otro lado, en el caso de los sensores de alta resolución espacial, los coeficientes de determinación entre los índices considerados y el contenido de clorofila presentaron valores aceptables en el caso de AHS y muy variables en el caso de QuickBird. En este sentido, a la luz de los resultados puede afirmarse que la determinación del contenido de clorofila parece estar más influenciada por la resolución espacial de los datos que por la resolución espectral, por lo que no puede decirse que los sensores hiperespectrales presenten ventajas comparativas sobre los multiespectrales para el cálculo de esta variable ecofisiologica.
Los resultados parecen indicar que, en función de que parámetro se esté estudiando, los sensores hiperespectrales pueden suponer una ventaja comparativa frente a los sensores multiespectrales. En la estimación de valores de LAI en ecosistemas forestales los coeficientes de determinación más altos se obtuvieron para sensores hiperespectrales (Hyperion R2=76,4, índice SR frente a Landsat R2=57,4, índice SR). Por el contrario, la estimación de la contenido de clorofila presentó valores del coeficiente de determinación bajos para todos los sensores (R2<17,7).
CARTOGRAFÍA DE PARÁMETROS BIOFÍSICOS
El producto final que se pretende obtener a partir del análisis de la información procedente de sensores es una cartografía de parámetros biofísicos en grandes superficies. En el caso de este estudio se utilizaron sensores de media resolución espacial ChrisProba, Hyperion y Landsat TM, y el índice Modified Simple Ratio Index (MSR) para del cálculo de LAI y, el índice Gitelson para el contenido de clorofila.
La cartografía de valores de LAI obtenida a partir del índice MSR utilizando los sensores AHS, ChrisProba, Hyperion y Landsat TM, resultan bastante coherentes entre sí, siendo este hecho más destacable entre los sensores hiperespectrales. La variabilidad espacial del rango de valores y la coherencia en su distribución apoya la consistencia de las cartografías obtenidas. El patrón de distribución de los valores más altos coincide con los fondos de valle y las laderas con orientación norte que son las áreas con mayor densidad y vigor del arbolado. Por otro lado, en algunos casos son apreciables las fajas de repoblación. En el caso de la cartografía del contenido de clorofila, obtenidas mediante el índice Gitelson para AHS, ChrisProba, Hyperion y Landsat TM, la variabilidad espacial es mucho mayor, y no puede observarse la misma coherencia entre los productos obtenidos a partir de los distintos sensores, por lo que son poco reconocibles patrones lógicos de distribución espacial.
APLICACIÓN DE LA INTEGRACIÓN DE SENSORES PARA LA CARTOGRAFÍA DE PARÁMETROS BIOFÍSICOS EN MASAS ARTIFICIALES DE PINAR EN ANDALUCÍA
Las relaciones obtenidas entre los valores de LAI y los índices de vegetación seleccionados son similares a las obtenidas en estudios previos. Estas relaciones han sido verificadas muchas veces y ampliamente discutidas (Deshayes et al., 2006; Le Maire et al., 2008).
Las dificultades de aplicar los índices de vegetación a la estimación de LAI parecen estar relacionadas con el comportamiento espectral de la hoja, en particular de las coníferas, por la forma de la acícula (Roberts et al., 2004). A nivel del dosel, el componente estructural del bosque también influye en la capacidad de estimación del LAI, al intervenir árboles que ocupan espacios distintos dentro de la masa, por ejemplo árboles dominados, que contribuyen de manera significativa al valor de LAI en campo, pero que el índice de vegetación no recoge de forma adecuada (Soudani et al., 2003).
Las relaciones entre el LAI y los índices de vegetación estudiados muestran que los tres sensores de resolución espacial media se pueden aplicar para elaborar cartografía en pinares, aunque la fiabilidad de los modelos es mayor para los sensores hiperespectrales. Entre los tres índices estudiados, Simple Ratio Index (SR) puede ser considerado el mejor para la elaboración de cartografía de LAI en masas artificiales de pinar de Pinus sylvestris y P. nigra en las condiciones de estudio. Los valores obtenidos para el sensor QuickBird fueron mucho más bajos que aquellos calculados con los sensores de resolución espacial media, lo que pone bajo cuestión el uso de este sensor para elaborar cartografía de LAI a escalas de detalle, aunque los resultados obtenidos requieren mayor estudio. No obstante, estos resultados pueden estar relacionados con el efecto de las bandas de QuickBird en el cálculo de los índices (Thenkabail et al., 2004), así como el aparente efecto de las especies estudiadas.
En conjunto las diferencias entre sensores pueden deberse a las distintas condiciones de iluminación del dosel durante la adquisición de cada una de las imágenes, a las diferencias estructurales y químicas del dosel (variaciones de LAI a lo largo del perfil vertical del dosel, densidad, contenido de clorofila), y a los efectos atmosféricos. Por ejemplo, el intervalo de adquisición de las imágenes fue de un mes entre Chris-Proba, Landsat, QuickBird y AHS (julio de 2008), y la imagen procedente del sensor Hyperion (agosto de 2008). Sin embargo, este último sensor presentó valores de los índices de vegetación similares a la Chris-Proba, y las diferencias mayores se observaron para los sensores multiespectrales, en particular para QuickBird. Durante el período de tiempo entre la adquisición de las imágenes se puede suponer que las diferencias temporales de LAI fueron pequeñas, y por tanto no explican las diferencias de los resultados entre sensores, aunque algunos estudios en bosques de coníferas indican que el LAI cambia ligeramente durante la estación vegetativa desde el final de julio al final de agosto (Gond et al. 1999).
La suposición de que el LAI pudo cambiar durante el periodo vegetativo no está respaldada por nuestras observaciones fenológicas durante el periodo de estudio. Creemos que pueden tener más importancia las variaciones en las características estructurales de la masa, tales como la densidad (área basimétrica), y la distribución espacial de los pies, en un estrato claramente dominante y un estrato dominado, con numerosos árboles que contribuyen de manera significativa al valor total de LAI de la parcela, pero que los valores de los índices no reflejan de forma adecuada, por lo que el efecto de la diferencia en la resolución espacial entre los sensores; sin embargo, parecen ser insignificantes.
CONCLUSIONES
Los sensores hiperespectrales se han empezado a utilizar para estudiar ecosistemas mediterráneos recientemente. Como muchos otros sensores sobre plataformas espaciales, su uso va en aumento en detrimento de los sensores multiespectrales, por lo que es necesario realizar estudios comparados entre estos tipos de sensores. Este estudio fue diseñado para explorar si los sensores hiperespectrales pueden mejorar la estimación del LAI y de contenido de clorofila en comparación con los sensores multiespectrales. Los resultados más importantes de este trabajo pueden resumirse en lo siguientes:
1. El número de bandas parece ser una ventaja importante de los datos hiperspectrales sobre los multiespectrales para medir LAI en masas artificiales de pinar, por lo que puede disponerse de cartografía de esta variable a un costo razonable.
2. El NDVI no parece ser el índice más adecuado para estimar LAI en este tipo de sistemas forestales, mostrando mejores resultados los índices SR y MSR. Esto indica que el uso generalizado del NDVI en trabajos de cartografía de LAI debería ser reconsiderado, utilizando preferentemente índices basados en las bandas del infrarrojo.
3. Los sensores e índices utilizados no han permitido una adecuada estimación del contenido de clorofila en los bosques de pinar estudiados, por lo que se descarta, con estos resultados, su aplicación para elaborar cartografía fiable de esta variable en masas de pinar
4. La integración de sensores hiperespectrales de resolución espacial media con otro tipo de sensores como LiDAR (acrónimo del inglés Laser Imaging Detection and Ranging) abre nuevas perspectivas para el análisis espacial y temporal de variables fisiológicas en bosques.
BIBLIOGRAFÍA
Asner, G. P., Scurlock, J. M., & Hicke, J. A. 2003. Global synthesis of leaf area index observations: Implications for ecological and remote sensing studies. Global Ecology and Biogeography, 12, 91-205.
Blackburn, G. A. 2007. Hyperspectral remote sensing of plant pigments. Journal of Experimental Botany, Vol. 58, No. 4, pp. 855–867.
Chen, J. M., Rich, P. M., Gower, S. T., Norman, J. M., & Plummer, S. 1997. Leaf area index of boreal forests: Theory, techniques and measurements. Journal of Geophysical Research. Atmospheres, 102, 429-443.
Chuvieco, E., Riano, D., Aguado, I., Cocero, D., 2002. Estimation of fuel moisture content from multitemporal analysis of Landsat Thematic Mapper reflectance data: applications in fire danger assessment. International Journal of Remote Sensing 23 (11), 2145-2162.
Cohen, W. B., Maierpserger, T. K., Gower, S. T., & Turner, D. P. 2003a. An improved strategy for regression of biophysical variables and Landsat ETM+ data. Remote Sensing of Environment, 84, 561-571.
Deshayes, M., Guyon, D., Jeanjean, H., Stach, N., Jolly, A., & Hagolle, O. 2006. The contribution of remote sensing to the assessment of drought effects in forest ecosystems. Annals of Forest Science. 63 (6) 579-595.
Gitelson, A., Merzlyak, M. 1997. Remote estimation of chlorophyll content in higher plant leaves. International Journal of Remote Sensing. 18, 2691-2698.
Gower, S., Kucharik, C., & Norman, J. 1999. Direct and indirect estimation of leaf area index, PAR, and net primary production of terrestrial ecosystems. Remote Sensing of Environment, 70, 29-51.
Green, R. O., Eastwood, M. L., & Williams, O. 1998. Imaging spectroscopy and the Airborne Visible/infrared Imaging Spectrometer (AVIRIS).Remote Sensing of Environment, 65, 227- 240.
Hernández-Clemente, R., Navarro-Cerrillo, R. M., Suárez, L., Morales, F., & Zarco-Tejada, P. J. 2011. Assessing structural effects on PRI for stress detection in conifer forests. Remote Sensing of Environment, 115, 2360-2375.
Johnson, L. F., Hlavka, C. A., & Peterson, D. L. 1994. Multivariate analysis of AVIRIS data for canopy biochemical estimation along the Oregon transect. Remote Sensing of Environment, 47, 216- 230.
Kuusk, A. 1998. Monitoring of vegetation parameters on large areas by the inversion of a canopy reflectance model. International Journal of Remote Sensing, 19, 2893-2905.
Le Maire G., François C., Soudani K., Berveiller D., Pontailler J., Bréda N., Genet H., Davi H., Dufrêne E., 2008. Calibration and validation of hyperspectral indices for the estimation of broadleaved forest leaf chlorophyll content, leaf mass per area, leaf area index and leaf canopy biomass. Remote Sensing of Environment 112 3846–3864
Lee, K-S., Cohen, W. B., Kennedy, R.E., Maiersperger, T. K., & Gower, S. T. 2004. Hyperspectral versus multispectral data for estimating leaf area index in four different biomes. Remote Sensing of Environment. Volume 91, Issues 3-4, 30 June 2004, Pages 508-520.
Lefsky, M., Cohen, W., & Spies, T. 2001. An evaluation of alternative remote sensing products for forest inventory, monitoring, and mapping of Douglas-fir forests in western Oregon. Canadian Journal of Forest Research, 31, 78- 87.
Main, R., Cho, M. A., Mathieu, R., O’Kennedy, M. M., Ramoelo, A., & Koch, S. 2011. An investigation into robust spectral indices for leaf chlorophyll estimation. ISPRS Journal of Photogrammetry and Remote Sensing, 66, 751-761
Moorthy I., Miller J. R., & Noland T. L. 2008.Estimating chlorophyll concentration in conifer needles with hyperspectral data: An assessment at the needle and canopy level. Remote Sensing of Environment, 112, 2824-2838.
Navarro-Cerrillo, R.M., Varo, M.A., Lanjeri, S., Hernández-Clemente, R. 2007. Cartografía de defoliación en los pinares de pino silvestre (Pinus sylvestris L.) y pino salgareño (Pinus nigra Arnold) en la Sierra de los Filabres. Ecosistemas. 16, 163-171.
Nemani, R., Pierce, L., Running, S., Band, L., 1993. Forest ecosystem processes at the watershed scale: sensitivity to remotely sensed leaf-area index estimates. International Journal of Remote Sensing 14 (13), 2519-2534.
Peddle, D. R., Hall, F. R., & LeDrew, E. F. 1999. Spectral mixture analysis and geometric-optical reflectance modelling of boreal forest biophysical structure. Remote Sensing of Environment, 67, 288-297.
Reichstein, M., Tenhunen, J., Roupsard, O., Ourcival, J. M., Rambal, S., Miglietta, F., Peressotti, A., Pecchiari, M., Tirone, G., and Valentini, R. 2003. Inverse modeling of seasonal drought effects on canopy CO2/H20 exchange in three Mediterranean ecosystems. Journal of Geophysical Research. 10 108(D23), 4726.
Roberts, D. A., Ustin, S. L., Ogunjemiyo, S., Greenberg, J., Dobrowski, S. Z.,Chen, J., 2004. Spectral and structural measures of Northwest forest vegetation at leaf to landscape scales. Ecosystems, 7, 545-562.
Rouse, J.W., Haas, R.H, Schell, J.A., Deering, D.W., Harlan, J.C. (1974). Monitoring the Vernal Advancement of Retrogradation of Natural Vegetation. NASA/GSFC, Type III, Final Report, Greenbelt, MD.
Soudani, K., Trautmann, J., & Walter, J. -M. N. 2003. Leaf area index and canopy stratification in Scots pine (Pinus sylvestris L.) stands. International Journal of Remote Sensing, 18, 3605-3618.
Stenberg, P., Rautiainen, M., Manninen, T., Voipio, P., & Smolander, Heikki 2004. Reduced simple ratio better than NDVI for estimating LAI in Finnish pine and spruce stands. Silva Fennica, 38(1), 3-14.
Teillet, P. M., Staenz, K., & Williams, D. J. 1997. Effects of spectral, spatial, and radiometric characteristics on remote sensing vegetation indices of forested regions. Remote Sensing of Environment, 61, 139- 149.
Thenkabail, P. S., Enclona, E. A., Ashton, M. S., Legg, C., & Jean De Dieu, M. 2004. Hyperion, IKONOS, ALI, and ETM+ sensors in the study of African rainforests. Remote Sensing of Environment, 90, 23-43.
Turner, D., Cohen, W., Kennedy, R., Fassnacht, K., & Briggs, J. 1999. Relationships between leaf area index and Landsat TM spectral vegetation indices across three temperate zone sites. Remote Sensing of Environment, 70, 2 - 68.
Vogelman, T.C., Rock B.N., Moss, D.M. 1993. Red edge spectral measurements from sugar maple leaves. Remote Sensing of Environment 14, 1563–1575.
Zarco-Tejada, P. J., Miller, J. R., Mohammed, G. H., Noland, T. L., & Sampson, P. H. 2001. Scaling-up and Model Inversion methods with narrow-band Optical Indices for Chlorophyll Content Estimation in closed Forest Canopies with Hyperspectral Data. IEEE Transactions on Geoscience and Remote Sensing, 39, 1491-1507.