Characterization of the climate-vegetation-soil complexity using vegetation indices

Almeida-Ñauñay, Andrés Felipe (2022). Characterization of the climate-vegetation-soil complexity using vegetation indices. Thesis (Doctoral), E.T.S. de Ingeniería Agronómica, Alimentaria y de Biosistemas (UPM).


Title: Characterization of the climate-vegetation-soil complexity using vegetation indices
  • Almeida-Ñauñay, Andrés Felipe
Item Type: Thesis (Doctoral)
Read date: 16 December 2022
Faculty: E.T.S. de Ingeniería Agronómica, Alimentaria y de Biosistemas (UPM)
Department: Matemática Aplicada
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[thumbnail of ANDRES_FELIPE_ALMEIDA_NAUNAY.pdf] PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (7MB)


Multiple studies describe vegetation as a spatial-time-varying complex ecological system, varying in time and space, with non-linear relationships between the different variables. Therefore, developing and implementing methodologies that allow us to broaden our knowledge of the system is essential. Throughout this thesis, the complexity of the climate-vegetation-soil system is analysed from two points of view. First is the temporal component through the time series analysis in natural grasslands. Secondly, the spatial complexity is analysed by studying a high intra-variability system created by different doses of Nitrogen in wheat crops (Triticum aestivum L.).

Satellites have shown the potential for monitoring vegetation and climate dynamics across larger areas. At the same time, unmanned aerial vehicles (UAV) are more frequently used for monitoring several crops to improve the management, knowing the variability that many fields present. For these purposes, vegetation indices (VIs) are used to obtain information through the relationship between the measurements of vegetation reflectance at different bandwidths of the electromagnetic spectrum.

The most critical drivers that regulate vegetation growth are precipitation and temperature. The excess or deficit of these key factors involves high potential risks, such as drought, a significant limitation in the vegetation growth in semiarid Mediterranean areas. The VIs can be combined with meteorological indices to characterise climate-vegetation-soil scenarios better.

This work is divided into four main chapters. The first chapter's main objective was to reveal the relationship between agricultural and meteorological drought. Two Mediterranean grasslands vulnerable to drought were selected. Then, several correlations were calculated between climate and agricultural drought indices. The former was evaluated by the Standardised Precipitation Index (SPI) and Standardised Precipitation-Evapotranspiration Index (SPEI)). The latter was represented by Vegetation Health Index (VHI) and Standardised VHI (SVHI).

Our results revealed that SPEI was better correlated with VHI compared to SPI. In addition, SVHI obtained better results in the critical vegetation phases than VHI. Overall, SPEI and SVHI were the best-correlated indices. The quarterly scale showed stronger relationships than the monthly scale; the most correlated time frames were Mediterranean spring and autumn.
The main objective of the second chapter was to assess the response of VIs to the temporal dynamics of temperature and precipitation in two semiarid Mediterranean grasslands. The Normalized Difference Vegetation Index (NDVI) and the Modified Soil Adjusted Vegetation Index (MSAVI), which included a soil factor adjustment, were calculated from the MODIS product (MOD09A1), presenting a spatial resolution of 500 x 500 m. Correlations and cross-correlations between VIs and each climatic variable were computed. Different lagged responses of each VIs series were detected, varying in zones, phenological seasons, and climatic variables. These differences indicated that a linear correlation was insufficient to characterise their relationships.

Recurrence and Cross Recurrence Plots (RPs and CRPs) were applied to reveal the characterization of such complex systems. Furthermore, the recurrence quantification analysis (RQA) measured the system's complexity. RPs pointed out that short-term predictability and high dimensionality of VIs series, as well as precipitation, characterised this dynamic. Meanwhile, temperature showed a more regular pattern and lower dimensionality. Comparing both VIs, the MSAVI showed a more evident pattern than NDVI. CRPs revealed that precipitation was a critical variable in distinguishing between zones due to their complex pattern and influence on the soil’s water balance that the VI replicates.

The third chapter's main objective was to visualize the dynamic response of the series anomalies of the NDVI and MSAVI and climate series. For this purpose, two natural grassland areas with different agro-climatic characteristics were selected in central Spain, and recurrence techniques were employed on images of a higher spatial resolution (250x250 m).

RPs showed different VIs responses in both areas. Once more, the MSAVI patterns showed a clear structure, while NDVI presented a noisy pattern showing a higher stochastic behaviour. When CRPs were applied over anomalies series, we could observe that precipitation is more synchronised with VIs anomalies, most likely because of the influence of soil moisture in vegetation growth. Overall, our results suggest that the VI time series show a more evident pattern and differentiate both sites better when a variable soil adjustment factor is included.

In the fourth part of the work, the main objective was to assess the influence of the bare soil in high-resolution images obtained by a multispectral sensor on board an unmanned aerial vehicle (UAV) and whether decreasing its effect may contribute to a better assessment of plant traits.
The experimental area of winter wheat crop, located at Aranjuez (Madrid, Spain), was divided into four sectors with 133 plots. Different N doses were applied to the plots to create high experimental intra-variability. Each plot measured yield, protein content, and nitrogen (N) output at harvest. An UAV was flown at growth stages (GS) – GS32, GS39, and GS65 – to ensure accurate crop monitoring. Four VIs, NDVI, MSAVI, Normalized Difference Red Edge Index (NDRE) and Blue-Red Index (BRI1), were selected based on the sensor spectral information.

A sequential cutting method, named threshold value optimization (TVO), was implemented to remove soil background pixels. Based on a percentile approach, threshold values were computed from the VIs distributions. Then, the predictive performance of the VIs in each segmentation was evaluated.

The results indicated that NDVI, MSAVI, and NDRE could predict wheat traits. However, the optimal thresholds were not constant and ranged from 0.1 to 0.3 depending on the VI and the wheat trait. The TVO improved yield and N output estimation at the stem elongation growth stage (GS32). On the other hand, the TVO achieved a limited improvement in estimating protein content at anthesis (GS65).

In summary, this thesis has demonstrated that remote sensing is a vital tool to help characterise the high complexity of agroecological systems. The merging of this tool with non-linear and optimisation methods improves the usefulness of vegetation and precipitation indices.


Múltiples estudios describen la vegetación como un sistema ecológico complejo, que varía en el tiempo y en el espacio, y que presentan relaciones no lineares entre las distintas variables que lo conforman. Por tanto, es fundamental desarrollar y aplicar nuevas metodologías que permitan ampliar nuestro conocimiento del sistema. A lo largo de este trabajo, la complejidad del sistema clima-vegetación suelo se analiza desde dos puntos de vista. En primer lugar, la componente temporal, a través del análisis de series temporales en pastizales naturales. En segundo lugar, se analiza la complejidad espacial, a través del estudio de un sistema de alta intravariabilidad, como es el caso de un cultivo de alto rendimiento con distintas dosis de fertilización nitrogenada (Triticum aestivum L.).

Los satélites han demostrado un gran potencial para monitorizar la dinámica del clima y la vegetación en extensas áreas. Al mismo tiempo, los vehículos aéreos no tripulados (UAV) son frecuentemente utilizados para ayudar en la monitorización y el manejo de cultivos en los que la variabilidad es muy alta. Por este motivo, los índices de vegetación (IVs) se utilizan para obtener información mediante la relación entre la reflectancia medidas en la vegetación a distintas longitudes de onda del espectro electromagnético.

Por lo que sabemos, las variables climáticas regulan el crecimiento de la vegetación, siendo la precipitación y la temperatura los factores más importantes. El exceso o déficit de estos factores, posibilita riesgos importantes, como es el caso de la sequía, elemento clave en el desarrollo de la vegetación en climas mediterráneos semiáridos. Los índices de vegetación combinados con índices climáticos permite caracterizar adecuadamente el sistema clima-vegetación-suelo.

Este trabajo se divide en cuatro capítulos principales. El objetivo del primer capítulo, era hallar la relación entre sequía agrícola y sequía meteorológica. Para el análisis, se seleccionaron dos zonas de pastos mediterráneos vulnerables a la sequía. Después, se evaluó la correlación entre los índices de sequía meteorológica: Índice estandarizado de precipitación (SPI) e índice estandarizado de la precipitación-evapotranspiración (SPEI); y los índices de sequía agrícola; Índice de la salud de la vegetación (VHI) e Índice estandarizado de la salud de la vegetación (SVHI).

Nuestros resultados revelaron que el SPEI se correlacionó mejor con el VHI en comparación con el SPI. Además, el SVHI presentó mejores resultados durante las fases críticas de desarrollo de vegetación, comparado con el VHI. En general, SPEI y SVHI fueron los índices mejor correlacionados y la escala que mostró mejores resultados fue la trimestral donde las fases más correlacionadas fueron la primavera y el otoño mediterráneos.

El objetivo principal del segundo capítulo del trabajo era evaluar la respuesta de los IVs a la dinámica temporal de la temperatura y la precipitación de dos zonas de pastos mediterráneas. Para ello, se calcularon el Índice de Vegetación de Diferencia Normalizada (NDVI) y el Índice de Vegetación Ajustado al Suelo (MSAVI), el cual incluye un factor de corrección del suelo a partir del producto (MOD09A1) de la colección de imágenes MODIS con una resolución de 500 x 500m. Como paso preliminar, se realizó un análisis de correlaciones y correlaciones cruzadas entre los distintos IVs con cada una de las variables climáticas. Las diferencias indicaban que un análisis de correlación linear es insuficiente para caracterizar estas relaciones.

Posteriormente, se caracterizó y cuantificó la complejidad del sistema, para ello se utilizaron los mapas recurrencia (RP), recurrencia cruzada (CRP) y el análisis de cuantificación de la recurrencia (RQA). Los RPs mostraron una predictibilidad a corto plazo y una alta dimensionalidad de las series de IVs, siendo la precipitación, el factor clave de esta dinámica. Mientras, la temperatura mostró un patrón más regular y de una menor dimensionalidad. Comparando ambos índices, el MSAVI mostró un patrón mas claro que el NDVI. Por otro lado, los CRPs revelaron que la precipitación es una variable crítica para distinguir entre zonas, debido a su patrón complejo y a su influencia en el balance hídrico del suelo, cuyo comportamiento reflejan los IVs.

En el tercer capítulo, el objetivo principal es la visualización de la respuesta dinámica de las series de anomalías de NDVI, MSAVI, y clima. En este caso, se seleccionaron dos zonas de pastizal natural con diferentes características agroclimáticas en el centro de España y se utilizaron técnicas de recurrencia en imágenes de mayor resolución espacial 250x250 m.

Los RPs mostraron que la respuesta de los IVs era distinta en cada una de las zonas. El MSAVI presentaba una estructura clara, mientras que el NDVI mostraba un patrón ruidoso, asociado a un comportamiento más estocástico. En los CRPs de las series de anomalías, se pudo observar que la precipitación estaba más sincronizada con las anomalías de IVs, que las series originales, probablemente debido a la influencia de la humedad del suelo. En general, los resultados sugieren que las series de IVs ajustadas con un factor de corrección del suelo muestran un patrón más evidente y diferencian mejor entre ambos sitios. En la cuarta parte del trabajo, el objetivo principal era verificar la influencia de los pixeles de suelo en las imágenes de alta resolución (UAVs) y comprobar si su disminución contribuye a mejorar la evaluación de las características productivas de la vegetación.

El experimento de trigo, estaba situado en Aranjuez (Madrid, España). El área se dividió en cuatro sectores con 133 parcelas en total y se aplicaron distintas dosis de N a las parcelas para crear una alta intravariabilidad espacial. Durante la cosecha, en cada una de las parcelas se midió el rendimiento, el contenido en proteína y el nitrógeno total en grano. EL UAV capturó las imágenes en distintas etapas de crecimiento del cultivo (GS) - GS32, GS39, y GS65 – para asegurar una correcta monitorización del cultivo. A partir de la información espectral se seleccionaron cuatro IVs: NDVI, MSAVI, el Índice de Diferencia Normalizada de Borde Rojo (NDRE) y el Índice Rojo-Azul (BRI1).

Se desarrolló un método de corte secuencial basado en el cálculo de valores umbral a partir de los percentiles de las distribuciones de cada uno de los IVs. Este método se denominó optimización del valor umbral (TVO) y su objetivo principal es eliminar los píxeles que se corresponden al suelo. Tras aplicar la metodología a las imágenes de alta resolución, se evaluó el rendimiento predictivo de los IVs en cada una de las segmentaciones.

Nuestros resultados sugieren que NDVI, MSAVI y NDRE son una herramienta adecuada para analizar las características productivas del trigo. Sin embargo, los valores umbrales óptimos no eran constantes y variaban de 0,1 a 0,3 dependiendo del VI y de la característica productiva del trigo a analizar. El TVO mejoró la estimación del rendimiento y el contenido de N en la fase de elongación del tallo (GS32). Por otro lado, el TVO no logró una mejora considerable en la estimación del contenido de proteína en la antesis (GS65).

En resumen, esta tesis ha demostrado que las herramientas de teledetección son escenciales para caracterizar la gran complejidad de los sistemas agroecológicos. Y que, junto con las metodologías no lineales y los métodos de optimización, es posible mejorar la utilidad de los índices de vegetación y precipitación.

Funding Projects

Government of Spain
Caos hamiltoniano y complejidad en sistemas dinámicos
Madrid Regional Government
Horizon 2020
Boosting Agricultural Insurance based on Earth Observation data
Government of Spain

More information

Item ID: 72375
DC Identifier:
OAI Identifier:
DOI: 10.20868/UPM.thesis.72375
Deposited by: Archivo Digital UPM 2
Deposited on: 12 Jan 2023 08:22
Last Modified: 11 Jul 2023 22:30
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM