Spatial Predictions of Cover Attributes of Rangeland Ecosystems Using Regression Kriging and Remote Sensing

El buen manejo de los pastizales exige tener una información exacta sobre la condición de los pastizales dentro de las grandes extensiones. Un enfoque comúnmente aplicado para hacer predicciones espaciales de los atributos relacionados con la condición de los pastizales (ejemplo, arbustos o cobertura del suelo desnudo) de los sensores remotos es mediante la regresión entre el campo y los datos de los sensores remotos. Estos han funcionado bien en algunas situaciones pero tienen limitada utilidad cuando las correlaciones entre campo e imagen de datos son bajas y no toman ventaja de toda la información contenida en lo datos de campo. Yo comparé las predicciones espaciales de una regresión generalizada de mínimos cuadrados (GLS) a un interpolador geoestadistico, regresión kriging (RK), para tres atributos de los pastizales (porcentaje de cobertura de arbustos, suelo desnudo y cheatgrass [Bromus tectorum L.]) en un área de estudio en el sur de Idaho. La técnica RK combina, la regresión con interpolación especial de residuales GLS para mejorar las predicciones de la condición de los pastizales sobre grandes áreas. Empleé una técnica de teledetección, basada en objetos y análisis de imágenes (OBIA), al segmento de los polígonos de imágenes Landsat 5 Thematic Mapper (ejemplo objetos) debido a que previas investigaciones han proporcionado correlaciones más altos OBIA de los datos imagen-campo y que pueden usarse para seleccionar apropiadamente escalas para análisis. La dependencia espacial, y la disminución en la auto correlación con el aumento de la distancia, fue aun más robusto por el porcentaje de cobertura arbustiva (muestras auto correlacionadas hasta una distancia [ejemplo., rango] de 19 098 m), pero estuvieron presente en las tres variables (rangos de 12 646 m y 768 m para suelo desnudo y cobertura de cheatgrass, respectivamente). Como resultado RK produjo calores más exactos que la regresión GLS sola para los tres atributos cuando se predijeron versus valores observados de cada uno de los atributos que se midieron pero dejando uno afuera para la validación cruzada. Los resultados de RK pueden usarse en la evaluación de la condición de los pastizales dentro de grandes áreas. La habilidad de crear mapas que cuantifican cómo cambia la seguridad de la predicción con la distancia de las muestras de campo, es un importante beneficio de la regresión kriging y convierte este enfoque adecuado para una planeación de manejo a nivel paisaje.