See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/336103446

Estimación del contenido de clorofila a nivel de cubierta (CCC) en cultivos:

Comparativa de índices de vegetación y el producto de nivel 2A de Sentinel-2

Conference Paper · September 2019

CITATION READS

1 403

5 authors, including:

Nieves Pasqualotto Vicente Jesús Delegido

University of Valencia University of Valencia
15 PUBLICATIONS   76 CITATIONS    109 PUBLICATIONS   2,184 CITATIONS   

SEE PROFILE SEE PROFILE

Alejandro A Pezzola Cristina Winschel

Instituto Nacional de Tecnología Agropecuaria Instituto Nacional de Tecnología Agropecuaria
24 PUBLICATIONS   70 CITATIONS    9 PUBLICATIONS   14 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Crop SAR Classification View project

Modelling the lake selección of white-headed duck Oxyura leucocephala in central Spain View project

All content following this page was uploaded by Nieves Pasqualotto Vicente on 27 September 2019.

The user has requested enhancement of the downloaded file.

 Estimación del contenido de clorofila a nivel de cubierta (CCC) en cultivos:
Comparativa de índices de vegetación y el producto de nivel 2A de Sentinel-2
Nieves Pasqualotto (1), Jesús Delegido (1), Alejandro Pezzola (2), Cristina Winschel (2), José Moreno (1)
(1)
Laboratorio de Procesamiento de Imágenes, Universidad de Valencia. C/ Catedrático José Beltrán, 2. 46980 Paterna,
Valencia, M.Nieve.Pasqualotto@uv.es, Jesus.Delegido@uv.es, Jose.Moreno@uv.es
(2)
Laboratorio de Teledetección y SIG, Estación Experimental Agropecuaria Hilario Ascasubi, Instituto Nacional de
Tecnología Agropecuaria. Ruta Nac. 3 sur km. 794 (8142) Hilario Ascasubi, Argentina, Pezzola.Alejandro@inta.gob.ar,
Winschel.Cristina@inta.gob.ar

Resumen: El objetivo de este trabajo es analizar diferentes metodologías para la estimación del contenido en clorofila a
nivel de cubierta (CCC), resultado de la clorofila a nivel de hoja (LCC) y el índice de área foliar (LAI), mediante el
satélite Sentinel-2. El CCC es un parámetro biofísico indicador del estado de salud de los cultivos y fundamental en la
predicción de la productividad. Se pretende definir cuál es el método de estimación de CCC más óptimo para un uso
operativo en el monitoreo de zonas agrícolas. Se analizan nueve índices de vegetación diferentes establecidos por la
bibliografía para la estimación de CCC. Por otro lado, se validan los productos de CCC y LAI obtenidos directamente a
través del programa SNAP e imágenes Sentinel-2 nivel 2A mediante una red neuronal artificial (ANN). Ambos métodos
se han validado utilizando una base de datos compuesta por datos in situ de CCC, obtenidos en una zona agrícola en
Villarino - Buenos Aires (Argentina). Como resultado se obtiene que el índice de estimación de CCC con mejores
estadísticos es el NDRE2 con un ajuste lineal (R2 = 0,83, RMSE = 0,31 g/m2), produciendo una subestimación próxima
al 20 %. Por otro lado, los productos automáticos de Sentinel-2 de LAI (R2 = 0,70, RMSE = 0,78 m2/m2) y CCC (R2 =
0,75, RMSE = 0,45 g/m2) presentan buenos estadísticos, produciendo una subestimación mínima (< 10%). Como
principal conclusión de este estudio, es que los productos de Sentinel-2, como es el CCC, presentan un gran potencial
para ser utilizados de manera automática y operativa en estudios agrícolas.
Palabras clave: cultivos, CCC, LAI, índices de vegetación, ANN, Sentinel-2

Canopy chlorophyll content (CCC) estimation in crops:

Comparison of vegetation indices and Sentinel-2 Level 2A product
Abstract: The aim of this work is to analyze different methodologies for the estimation of canopy chlorophyll content
(CCC), determined by the leaf chlorophyll content (LCC) and the leaf area index (LAI), using the Sentinel-2 satellite.
CCC is a biophysical parameter indicator of crop health state and fundamental in the productivity prediction. The
purpose is to define the most optimal CCC estimation method for operational use in the monitoring of agricultural
areas. Nine different CCC vegetation indices established by the bibliography are analyzed. On the other hand, the CCC
and LAI products obtained directly through the SNAP program and Sentinel-2 level 2A images by means of an artificial
neural network (ANN) are validated. Both methods have been tested using a dataset composed of CCC in situ data,
obtained in an agricultural area of Villarino - Buenos Aires (Argentina). As a result, the vegetation index with the best
statistics is the NDRE2 with a linear fitting (R2 = 0.83, RMSE = 0.31 g/m2), producing an underestimation close to 20
%. On the other hand, LAI’s Sentinel2 Level 2A (R2 = 0.70, RMSE = 0.78 m2/m2) and CCC's Sentinel-2 Level 2A (R2 =
0.75, RMSE = 0.45 g/m2) automatic products present good statistics, producing a minimal underestimation (< 10%).
The main conclusion of this study is that Sentinel-2 Level 2A products, such as the CCC, have great potential to be used
automatically and operationally in agricultural studies.
Keywords: crops, CCC, LAI, vegetation indices, ANN, Sentinel-2

primaria, siendo considerada la propiedad vegetal más

1. INTRODUCCIÓN
El conocimiento espacial de parámetros biofísicos
como el contenido en clorofila a nivel de cubierta
(CCC – g clorofila/m2 suelo) es fundamental para el
monitoreo de los ecosistemas agrícolas (Wang et al.,
2010). Monitorear el crecimiento de los cultivos
durante toda la etapa de desarrollo es importante para
detectar anomalías y poder paliarlas a tiempo,
minimizando las pérdidas en productividad. La medida
de CCC es importante por su función indicadora del
estado de salud de la planta y de la productividad
relevante para la estimación de la productividad
(Gitelson et al., 2006). El CCC generalmente se
obtiene como el resultado de la clorofila a nivel de hoja
(LCC g clorofila/m2 hoja) por el índice de área foliar
(LAI m2 hoja/m2 suelo), obtenidos mediante métodos
destructivos. Este método requiere mucho tiempo y un
intenso trabajo, por lo que es necesaria una
metodología de estimación alternativa. En los últimos
años, la teledetección ha sido ampliamente utilizada
para la estimación de parámetros biofísicos, por su
capacidad de adquirir información a distintas escalas
espaciales y temporales. Para realizar un buen
monitoreo de cultivos con teledetección, la resolución
espacial debe ser al menos de 20 m y la frecuencia de
revisita menor a una semana (Mulla, 2013). Aquí es
cuando cobra importancia la nueva misión Sentinel-2
(S2) de la Agencia Espacial Europea (ESA), la cual
presenta una resolución espacial de hasta 10 m y una
frecuencia de revisita de 5 días en el Ecuador.
Los métodos de estimación de los parámetros
biofísicos de la vegetación a través de la teledetección
se pueden clasificar en dos grupos (Verrelst et al.,
2015) (1) métodos empíricos, que relacionan el
parámetro biofísico de interés con la información
espectral a través de regresiones lineales (p.ej. índices
de vegetación) o no lineales (p.ej. machine learning) y
(2) métodos de base física, que se refieren a la
inversión de modelos de transferencia radiativa
(RTMs). Diversos autores han propuesto índices de
vegetación para la estimación de CCC, principalmente
utilizando la región espectral situada en el red-edge
(690–750 nm), región entre el máximo de absorción de
clorofila en el rojo y máxima reflectividad en el
infrarrojo cercano (NIR) debida a la abundancia de
estructura celular en la hoja (LAI). La ESA ha
incorporado productos de parámetros biofísicos, como
el LAI y CCC, proporcionados directamente por las
imágenes de S2 a través del programa SNAP (Sentinel
Application Platform) (Weiss and Baret, 2016). Con
ello, se puede obtener parámetros biofísicos como el
LAI, CCC o el contenido en agua, con un indicador de
calidad asociado. Estos parámetros son producto de
una red neuronal artificial (ANN), calibrada con datos
simulados generados a través de RTMs, principalmente
a través del modelo SAIL (Verhoef, 1984).
El objetivo de este trabajo es validar los productos de
LAI y CCC proporcionados por las imágenes de S2 a
través de SNAP, así como analizar los principales
índices de vegetación establecidos por la bibliografía
para la estimación de CCC. Para ello se utiliza una
amplia base de datos con información in situ de
diferentes cultivos en una zona agrícola de Argentina,
con el fin de definir cual es la mejor metodología para
obtener el CCC a través del satélite S2.
2. MATERIAL Y MÉTODOS
2.1. Base de datos experimental
Los datos de campo fueron recogidos en la provincia
de Buenos Aires, en las zonas de irrigación y secano
del municipio de Villarino, entre los paralelos de 38º y
41º latitud sur y los meridianos 62º y 64º longitud
oeste, durante los días 16, 17, 21 y 23 de noviembre de
2018. La base de datos está compuesta específicamente
por 50 valores de CCC, cada uno de ellos
correspondientes a un ESU (Elementary Sample Units)
de 20 m x 20 m. Cada valor de CCC es el resultado de
la multiplicación de LAI y LCC. Los valores de LCC
se obtuvieron con el instrumento SPAD-502, utilizando
la Ecuación 1 como calibración (Delegido et al., 2014).
En cada ESU se tomaron 30 valores de LCC en un área
de 20x20 m y se asignó la media aritmética. Los
valores de LAI se midieron con la aplicación
PocketLAI (Confalonieri et al., 2014) realizando 27
medidas en el mismo área y asignado al ESU el valor
promedio. Se recogieron datos de LAI y LCC de
agropiro, alfalfa, avena, cebada, cebolla, patata y trigo.
También se georreferenciaron 12 suelos desnudos, a
los que se asignó un valor de CCC igual acero. La
Tabla 1 muestra el número de ESUs medidos de cada
cultivo.
LCC (g cm-2) = 0,021752 SPAD2,1129 (1)
Tabla 1. Número de ESUs por tipo de cultivo utilizados
Cultivo nº ESUs Cultivo nº ESUs
Agropiro 9 Cebolla 9
Alfalfa 5 Patata 9
Avena 6 Trigo 8
Cebada 4 Suelo desnudo 12
2.2 Imágenes Sentinel-2 y productos de
SNAP nivel 2A
Las imágenes de S2 fueron descargadas del servidor de
la ESA (https://scihub.copernicus.eu/) a nivel 1C,
geométricamente corregidas, y mediante Sen2cor
(Louis et al., 2016), integrado en el programa SNAP,
se obtuvieron las imágenes de nivel 2A corregidas
atmosféricamente. Las imágenes nivel 2A fueron
además remuestreadas para obtener imágenes con
píxeles de 10 m. En cada ESU se ha extraído el
correspondiente espectro de S2, obtenido del punto
central de cada ESU de la imagen más cercana a la
fecha de obtención de los valores de campo.
Finalmente, mediante SNAP, se obtuvieron los
productos de LAI y CCC para cada ESU, escogiendo
tan solo aquellos en los que el indicador de calidad era
óptimo.
2.3 Análisis de los índices de CCC
establecidos
Se ha realizado una revisión de los índices más
comúnmente utilizados para la estimación de CCC por
la bibliografía y se han seleccionado los nueve que se
consideran más representativos. Se ha analizado el
comportamiento de cada índice con la base de datos
experimental con el objetivo de seleccionar aquél que
presente mejores estadísticos.
3. RESULTADOS
3.1. Validación de los productos nivel 2A
de Sentinel-2
En primer lugar, se validaron los productos de LAI y
CCC extraídos de las imágenes de S2 para cada uno de
los ESUs, comparándolos con los correspondientes
valores in situ. Por un lado, la Figura 1a muestra los
valores de LAI in situ frente al producto de LAI de S2
obtenido automáticamente a través de una red neuronal Tabla 2. Índices analizados para estimar CCC
(R2 = 0,70, RMSE = 0,78 m2/m2). Por otro lado, la
Figura 1b, presenta los valores de CCC in situ frente a Referencia Abreviación Fórmula
aquellos obtenidos automáticamente con S2 (R2 = 0,75, (Gitelson et al.,
CIred-edge
RMSE = 0,45 g/m2). En ambas validaciones se 2003)
comprueba que los productos proporcionados por S2 se (Gitelson et al.,
CIgreen
2003)
aproximan a la verdad-terreno.
(Daughtry et al.,
MCARI
2000)
(Haboudane et al.,
TCARI
2002)
(Rondeaux et al.,
OSAVI
1996)
(Dash and Curran,
MTCI
2004)
(Gitelson and
NDRE1
Merzlyak, 1994)
(Barnes et al.,
NDRE2
2000)
(Delegido et al.,
NAOC
2010)

Tabla 3. Estadísticos para los índices estudiados de

CCC con la base de datos in situ, con ajuste lineal
RMSE
Abreviación Ajuste lineal R2
(g/m2)
CIred-edge y = 0,4963x + 0,1661 0,827 0,32
CIgreen y = 0,2890x + 0,0304 0,802 0,34
MCARI y = 2,2332x + 0,3348 0,754 0,38
TCARI y = 0,7444x + 0,3348 0,754 0,38
OSAVI y = 3,8135x - 0,0136 0,819 0,32
MTCI y = 0,5163x - 0,2070 0,777 0,36
NDRE1 y = 3,2665x – 0,0446 0,822 0,32
Figura 1. a) Comparación de LAI in situ frente al NDRE2 y = 3,0190x – 0,1235 0,831 0,31
producto LAI de S2, b) Valores in situ de CCC frente a NAOC y = 3,4856x – 0,4546 0,803 0,34
CCC de S2. Con ajuste lineal (rojo) y recta 1:1 (negro)

3.2 Comportamiento de los índices de CCC

Tras la validación de los productos de S2, se
seleccionaron nueve de los principales índices
establecidos por la bibliografía (Tabla 2). Estos índices
se aplicaron a la base de datos experimental, con el fin
de analizar su comportamiento ante una gran
diversidad de cultivos. Los resultados estadísticos de
cada uno de los índices, con un ajuste de tipo lineal, se
muestran en la Tabla 3. Atendiendo al coeficiente de
determinación, R2, el índice que mejor se ajusta con los
valores in situ es el NDRE2 (R2 = 0,83, RMSE = 0,31
g/m2), siendo el CIred-edge el que ocuparía la segunda Figura 2. Representación de CCC in situ frente al
posición. Ambos utilizan las bandas 783 y 705 nm, calculado con NDRE2. En rojo se presenta el ajuste
destacando el hecho de la importancia de las bandas lineal y en negro la recta 1:1
del red-edge en estos estudios.

En la Figura 2 se muestra gráficamente el CCC in situ 4. CONCLUSIONES

frente al CCC estimado con el índice NDRE2,
En este estudio se validan los productos de LAI y CCC
observándose que presenta mayor correlación (R2 =
proporcionados por Sentinel-2 a través del programa
0,83) que el producto de CCC de S2, pero presenta una
SNAP de la ESA. Ambos productos presentan buena
subestimación próxima al 20 %.
correlación (R2 > 0,7) con datos in situ de LAI y CCC
 de siete cultivos diferentes de una región del sur de
Buenos Aires, Argentina. Por otro lado, se ha hecho
una selección de nueve índices de vegetación utilizados
para la estimación de CCC, y se han aplicado a la base
de datos in situ, obteniéndose que el índice con mejores
estadísticos es el NDRE2 (R2 = 0,83), superando al
producto de S2 en correlación, pero produciendo una
subestimación del 20 % con respecto a la verdad-
terreno. Este estudio demuestra que los productos
proporcionados por las imágenes S2 presentan gran
potencial para ser utilizados de manera operativa en la
estimación de los parámetros biofísicos LAI y CCC.
5. AGRADECIMIENTOS
Este trabajo ha sido gracias a la beca predoctoral de la
Generalitat Valenciana Vali+d (nº expediente
ACIF/2016/378) y al proyecto SENSAGRI (H2020-
EO-2016-730074).
6. BIBLIOGRAFÍA
Barnes, E.M., Clarke, T.R., Richards, S.E., Colaizzi,
P.D., Haberland, J., Kostrzewski, M., Waller, P.,
Choi, C., Riley, E., Thompson, T., Lascano, R.J.,
Li, H., Moran, M.S., 2000. Coincident detection
of crop water stress, nitrogen status and canopy
density using ground-based multispectral data,
in: Proceedings of the Fifth International
Conference on Precision Agriculture.
Confalonieri, R., Francone, C., Foi, M., 2014. The
PocketLAI smartphone app: an alternative
method for leaf area index estimation, in:
International Environmental Modelling and
Software Society (IEMSs). p. 6.
Dash, J., Curran, P.J., 2004. The MERIS terrestrial
chlorophyll index. Int. J. Remote Sens. 2523,
5403–5413. doi:10.1080/0143116042000274015
Daughtry, C.S.T., Walthall, C.L., Kim, M.S., De
Colstoun, E.B., McMurtrey, J.E., 2000.
Estimating corn leaf chlorophyll concentration
from leaf and canopy reflectance. Remote Sens.
Environ. 74, 229–239. doi:10.1016/S0034-
4257(00)00113-9
Delegido, J., Alonso, L., González, G., Moreno, J.,
2010. Estimating chlorophyll content of crops
from hyperspectral data using a normalized area
over reflectance curve (NAOC). Int. J. Appl.
Earth Obs. Geoinf. 12, 165–174.
doi:10.1016/j.jag.2010.02.003
Delegido, J., Van Wittenberghe, S., Verrelst, J., Ortiz,
V., Veroustraete, F., Valcke, R., Samson, R.,
Rivera, J.P., Tenjo, C., Moreno, J., 2014.
Chlorophyll content mapping of urban vegetation
in the city of Valencia based on the hyperspectral
NAOC index. Ecol. Indic. 40, 34–42.
doi:10.1016/j.ecolind.2014.01.002
Gitelson, A., Merzlyak, M.N., 1994. Spectral
reflectance changes associated with autumn
View publication stats
senescence of Aesculus hippocastanum L. and
Acer platanoides L. leaves. Spectral features and
relation to chlorophyll estimation. J. Plant
Physiol. 143, 286–292.
Gitelson, A.A., Gritz, Y., Merzlyak, M.N., 2003.
Relationships between leaf chlorophyll content
and spectral reflectance and algorithms for non-
destructive chlorophyll assessment in higher
plant leaves. J. Plant Physiol. 160, 271–282.
doi:10.1078/0176-1617-00887
Gitelson, A.A., Viña, A., Verma, S.B., Rundquist,
D.C., Arkebauer, T.J., Keydan, G., Leavitt, B.,
Ciganda, V., Burba, G.G., Suyker, A.E., 2006.
Relationship between gross primary production
and chlorophyll content in crops: Implications for
the synoptic monitoring of vegetation
productivity. J. Geophys. Res. Atmos. 111, 1–13.
doi:10.1029/2005JD006017
Haboudane, D., Miller, J.R., Tremblay, N., Zarco-
Tejada, P.J., Dextraze, L., 2002. Integrated
narrow-band vegetation indices for prediction of
crop chlorophyll content for application to
precision agriculture. Remote Sens. Environ. 81,
416–426. doi:10.1016/S0034-4257(02)00018-4
Louis, J., Debaecker, V., Pflug, B., Main-Knorn, M.,
Bieniarz, J., Mueller-Wilm, U., Cadau, E.,
Gascon, F., 2016. Sentinel-2 SEN2COR: L2A
processor for users, in: Proceedings Living
Planet Symposium. pp. 1–8.
Mulla, D.J., 2013. Twenty five years of remote sensing
in precision agriculture: Key advances and
remaining knowledge gaps. Biosyst. Eng. 114,
358–371.
doi:10.1016/j.biosystemseng.2012.08.009
Rondeaux, G., Steven, M., Baret, F., 1996.
Optimization of soil-adjusted vegetation indices.
Remote Sens. Environ. 55, 95–107.
doi:10.1016/0034-4257(95)00186-7
Verhoef, W., 1984. Light scattering by leaf layers with
application to canopy reflectance modeling: the
SAIL model. Remote Sens. Environ. 16, 125–
141. doi:10.1016/0034-4257(84)90057-9
Verrelst, J., Camps-Valls, G., Muñoz-Marí, J., Rivera,
J.P., Veroustraete, F., Clevers, J.G.P.W.,
Moreno, J., 2015. Optical remote sensing and the
retrieval of terrestrial vegetation bio-geophysical
properties - A review. ISPRS J. Photogramm.
Remote Sens. 108, 273–290.
doi:10.1016/j.isprsjprs.2015.05.005
Wang, K., Franklin, S.E., Guo, X., Cattet, M., 2010.
Remote sensing of ecology, biodiversity and
conservation: A review from the perspective of
remote sensing specialists. Sensors 10, 9647–
9667. doi:10.3390/s101109647
Weiss, M., Baret, F., 2016. S2ToolBox Level 2
products: LAI, FAPAR, FCOVER. Sentin.
ToolBox Level2 Prod.