Tesis:
Vegetation dynamic patterns of arid rangelands : a multifractal approach
- Autor: SANZ SANCHO, Ernesto
- Título: Vegetation dynamic patterns of arid rangelands : a multifractal approach
- Fecha: 2023
- Materia:
- Escuela: E.T.S. DE INGENIERÍA AGRONÓMICA, ALIMENTARIA Y DE BIOSISTEMAS
- Departamentos: MATEMÁTICA APLICADA
- Acceso electrónico: https://oa.upm.es/73567/
- Director/a 1º: TARQUIS ALFONSO, Ana María
- Resumen: Los pastos son ecosistemas complejos con dinámicas espaciales y temporales no lineales. Sin embargo, sus dinámicas temporales se han empezado solo a investigar más recientemente y todavía no se conocen completamente. Los pastos cubren un 30-40% de la superficie terrestre de la Tierra, y su degradación, causada por el incremento del mal uso de estos ecosistemas, es una preocupación a nivel global, afectando al 73% de los pastos terrestres. La teledetección y métodos de monitoreo con satélites son comúnmente usados para el estudio en ecología y agricultura. Entre los diferentes índices satélites, el Índice de Vegetación de Diferencia Normalizada (NDVI, por sus siglas en inglés) es uno de los más usados como índice de vegetación por ecólogos. El NDVI muestra una buena correlación con la biomasa de diferentes tipos de vegetaciones climas áridos y semiáridos. Las anomalías del NDVI (NDVIa y ZNDVI) son otros índices que han demostrado su utilidad para la identificación de sequías y estrés hídrico en vegetación, por ello tiene gran potencial para el estudio de ecosistemas áridos y semiáridos.
Dado el incremento de la longitud de las series temporales disponibles a través de la teledetección, en la actualidad se están utilizando y desarrollando herramientas relacionadas con la complejidad para el estudio de las relaciones temporales entre series de teledetección y sus interacciones con otros parámetros físicos como la temperatura y la precipitación, dos de los variables climáticas más influyentes en el crecimiento de la vegetación. Los fractales son una herramienta bien establecidas en los estudios de complejidad. Esta herramienta permite describir las relaciones escalares que se encuentran en la naturaleza y estas se pueden, a su vez relacionarse y ser entendidas en términos de principios físicos y biológicos. Por ejemplo, la persistencia de una serie temporal (la probabilidad de que la serie mantenga o no su tendencia actual) puede ser relacionada con el manejo de vegetación, como el pastoreo o tratamientos forestales, así como con diferentes tipos de vegetaciones.
El objetivo principal es el mejor entendimiento de las relaciones entre diferentes variables físicas en pastos áridos como un sistema complejo, dinámico y agrícola; así como el estudio de la naturaleza fractal de sus series temporales de índices de vegetación. Para ello se ha dividido en cuatro objetivos específicos. El primer objetivo es analizar la respuesta temporal del NDVI frente a la temperatura y la precipitación en las áreas seleccionadas. Análisis de correlación y regresión fueron utilizadas en diferentes fases o momentos del año, ajustando los límites de esas fases a cambios fenológicos década área. Los resultados de esta investigación muestran que la relación entre el NDVI con las variables meteorológicas cambiaba dependiendo de las fases seleccionadas. Ya que los cambios en dinámicas de la vegetación no siempre coinciden con los cambios de las estaciones, diferentes fases temporales específicas a cada región deben ser propuestas y optimizadas para estudiar las respuestas temporales del NDVI.
El segundo objetivo se centra en el estudio de la relación entre el índice de contenido hídrico del suelo y el NDVI, y analizar si es factible utilizar la serie de anomalía de ambos índices para proponer un índice de alarma de sequía. Para ello, se calculó las anomalías y se analizó la probabilidad de coincidencia de anomalías negativas teniendo en cuenta el posible retraso entre las dos series de anomalías. Los resultados muestran que, para ciertos periodos del año, el índice de anomalía del contenido hídrico del suelo tiene una alta probabilidad de predecir con antelación las anomalías negativas del NDVI.
El tercer objetivo es analizar la estructura de memoria de las series temporales de vegetación áridas de las áreas seleccionadas, así como comparar diferentes métodos para su estudio. La estructura de memoria está relacionada con la persistencia de la serie y nos permite entender mejor los cambios de tendencia de la serie. Adicionalmente se ha estudiado la multifractalidad de las áreas de estudio. Se analizaron tres métodos fractales y multifractales (rango reescalado, función de estructura generalizado y análisis multifractal de fluctuación sin tendencia). Estos resultados muestran la importancia de eliminar la tendencia de las series temporales (cuando está presente) para el estudio multifractal.
Por último, el cuarto objetivo es estudiar si es factible agrupar áreas de pastos áridos con diferentes tipos de vegetación usando los patrones anuales y la persistencia de sus series de vegetación. Se han comparado dos métodos para calcular el exponente de Hurst (rango reescalado y análisis de fluctuación sin tendencia) y dos métodos de agrupamiento (K-means y random forest no supervisado). Los resultados muestran que el uso del índice de Hurst usando análisis de fluctuación sin tendencia y el random forest no supervisado mejoró la clasificación de zonas de pastos. Estos pastos presentan un gran rango de persistencia, especialmente visible en las zonas arbustivas con diferentes estados de la sucesión de vegetación (desde arbustos rodeados de zonas herbáceas a arbustos con árboles dispersos). El uso de la persistencia permitió mejorar el análisis de agrupamiento y esta debería ser tenida en cuenta cuando se trabaja y estudia zonas de pastos.
Esta tesis ha demostrado el potencial del análisis multifractal para ayudar a caracterizar tipos de pastos áridos y sus tendencias temporales para mejorar nuestro entendimiento sobre la complejidad de los pastos. Especialmente la persistencia o antipersistencia de las series temporales de vegetación junto con el estudio de otras variables físicas, como el contenido hídrico del suelo, puede mejorar la gestión de pastos y se recomienda tenerlas en consideración como métricas de complejidad temporal.
ABSTRACT
Rangelands are complex ecosystems with non-linear dynamics in space and time, however, their temporal dynamics have only recently started to be studied and they are not fully understood. Rangelands comprise 30-40% of the Earth´s landmass and their degradation caused by increasing misuse remains a global concern, affecting 73 % of all rangelands. Remote sensing and satellite monitoring methods are commonly used to study ecology and agriculture. Among different satellite indices, the Normalized Difference Vegetation Index (NDVI) is the most widely used vegetation index by rangeland ecologists. The NDVI reveals a good correlation with the biomass of different vegetation types in arid and semi-arid areas. NDVI anomalies (NDVIa and ZNDVI) are other indexes proven useful for identifying drought and water stress on vegetation; therefore, it is suited to study arid and semi-arid ecosystems
Given the increasing lengths of temporal series from remote sensing, complexity tools are being used and developed to study the temporal relationships among remote sensing series and their interaction with other physical parameters such as temperature and precipitation. Fractals are a well-established tool to measure mathematical properties of both temporally and spatially complex systems such as rangelands. Fractals can describe scaling relationships that are found in nature. For example, the persistence of time series (the probability of the series continuing or not its current trend).
This work has the main goal of further understanding the relationships among different physical variables in arid rangelands as a complex agricultural dynamical system, and the fractal nature of vegetation index time series. And it is divided into four main specific objectives.
The first objective was to reveal the temporal response of NDVI to temperature and precipitation in our target areas. Correlation and regression analysis were studied at different phases throughout the year adjusting the limits of these phases to phenological changes to the vegetation of each area. Finally, the areas were compared using the aridity index. The results revealed that the relationship between NDVI and meteorological variables shifted when the phases of the year changed. The vegetation dynamics in arid areas do not always match the seasons and specific phases should be delimited and optimized to study the NDVI temporal responses.
The second goal was to study the relationship between the soil water content index and the NDVI and assess the feasibility of their anomaly series as a drought warning index. In this section, we calculated their anomaly and study the probability of coincidence of their negative anomalies with lags between anomaly indexes. The results show that for particular periods of the year, the anomaly of the water content index has a strong probability to inform in advance where the negative anomaly of NDVI is going to decrease.
The third goal is to analyse the memory structure of arid vegetation time series, comparing different methods. The memory structure is related to the persistence of a series. Additionally, we studied the multifractality of the target areas. For this section, we analyse three fractal or multifractal methods and compared their results (rescale range, generalized structure function and multifractal detrended fluctuation analysis). These results show the relevance of detrending the time series when the series presents an increasing or decreasing trend to analyse their multifractal character.
Finally, the fourth objective is to study the feasibility of clustering rangeland areas with different vegetation types based on the annual patterns and the persistence of their vegetation series. We compared two methods to calculate the persistence using the Hurst exponent (rescale range and detrended fluctuation analysis) and two different methods of unsupervised classification or clustering (K-means and Unsupervised Random Forest). The results showed the use of the Hurst exponent from detrended fluctuation analyses in unsupervised random forest improved the clustering of rangeland areas. The rangelands presented a large diversity of persistence, especially reflected as a continuum for shrublands (with different types of vegetation mixes: sometimes associated mainly with grasses and sometimes with trees, in different proportions). Persistence improved the clustering analysis and it should be taken into consideration when working with rangeland.
In summary, this thesis has shown the potential of multifractal analysis to help characterize arid rangeland types and time trends to further understand the insights into rangelands' complexity. Especially the persistence character of rangeland vegetation time series with the study of meteorological and other physical attributes, such as water soil content, could aid in rangeland management and it is recommended to be taken under consideration as temporal complexity metrics.