Resumen de Análisis de la diversidad funcional del estrato herbáceo en un ecosistema de dehesa a partir de datos hiperespectrales "in situ"

Carlos Gonzalo, Vicente Felipe Burchard Levine, Víctor Rolo Romero, María del Rosario González Cascón, Gerardo Moreno Marcos, M. Pilar Martín Isabel

• español

  El presente trabajo aborda la estimación de la diversidad funcional (FD) del estrato herbáceo en un ecosistema de dehesa mediante datos hiperespectrales obtenidos con un espectro-radiómetro portátil ASD FieldSpec® 3 (Analytical Spectral Devices Inc., Boulder, CO, EE. UU.). Los datos ópticos se correlacionaron con variables biofísicas (área foliar específica (SLA), biomasa aérea (AGB), índice de área foliar (LAI) y contenido de nitrógeno (N%)) e índices de diversidad tradicionales como Shannon y Evenness y otros relacionados con la diversidad funcional como el índice multidimensional de dispersión funcional (FDis) usando como variables predictoras: a) índices de vegetación (VIs) y métodos de regresión simple, y b) bandas espectrales y Partial Least Squares Regression (PLSR). Las correlaciones, especialmente de las variables biofísicas relacionadas con FDis, mejoraron sustancialmente al utilizar información hiperespectral (R2 >0.6, rRMSE <0.1) lo que confirma el interés de la dimensión espectral para estimar la diversidad funcional de un ecosistema complejo como es el caso de los pastizales semi-áridos.

• English

  The aim of this paper is the estimation of functional diversity (FD) of the herbaceous stratum in a ‘dehesa’ ecosystem using hyperspectral data obtained with an ASD FieldSpec® 3 (Analytical Spectral Devices Inc., Boulder, CO, EE. UU.) spectroradiometer. Optical data were correlated with biophysical variables (specific leaf area (SLA), above-ground biomass (AGB), leaf area index (LAI) and nitrogen content (N%)) and traditional diversity indices (Shannon and Evenness) and functional diversity indices (FDis) using as predictor variables: a) vegetation indices (VIs) and simple regression methods, and b) spectral bands and Partial Least Squares Regression (PLSR). Correlations, especially with biophysical variables, improved substantially when using hyperspectral information (R2 >0.6, rRMSE <0.1), which confirms the interest of the spectral dimension to estimate the functional diversity of a complex ecosystem such as semi-arid grasslands.