Descripción de la zona de estudio

La RBMM se ubica entre los límites del estado de Michoacán y México, sobre el eje volcánico transversal. El clima es templado subhúmedo con lluvias en verano. Las temperaturas medias anuales en los diferentes microclimas van de 8°C a 22 °C, y las mínimas para el mes más frío están entre -3 °C y 18 °C. Las precipitaciones promedio van desde 700 mm hasta 1 250 mm. El relieve es accidentado, con altitudes que llegan a los 4 000 msnm. El bosque es principalmente de coniferas, siendo el oyamel (Abies religiosa) la especie más representativa (^{CONANP, 2001}). En este estudio se consideró el polígono principal, con una superficie de 56 000 ha, que se encuentra entre las coordenadas 19°44'27'' y 19°18'32'' de latitud norte y 100°22'26'' y 100°09'07'' de longitud oeste.

Construcción de mapas de LAI y fAPAR de alta resolución

Datos de campo. Se realizó una campaña de campo, entre los meses de julio y septiembre de 2007, en la que se establecieron 62 unidades elementales de muestreo (ESU, Elementary Simple Unit) de 20 m x 20 m (tamaño equivalente a un pixel de una imagen SPOT 4) (^{Baret y col., 2005}). En cada ESU se tomaron 24 fotografías hemisféricas, con una cámara Nikon Coolpix (E995, Japón), y un lente hemisférico (Nikon Fisheye Converter FC-E8, Japón). De las 24 fotografías, 12 se tomaron con la cámara apuntando hacia el cielo, para que aparecieran las copas de los árboles (up), y 12 con la cámara apuntando hacia el suelo, para que apareciera la vegetación baja (down). Con el fin de asegurar la representación del ESU, en ambos casos, las 12 fotografías se distribuyeron según el siguiente esquema: una en el centro del ESU y una en cada esquina, así como en el centro de cada lado, y tres aleatoriamente en el interior. Las fotografías se analizaron con el programa CAN EYE (^{INRA, 2013}), que estima, entre otras variables, el LAIeff y la fAPAR (Instantaneous Black Sky a las 10 a. m.), a partir de la fracción de huecos bidireccional. El LAI de cada ESU se calculó como la suma del promedio de las 12 mediciones up y las 12 mediciones down; la fAPAR de cada ESU, como el promedio de las 12 mediciones up. Además del bosque propiamente dicho, en la zona de estudio hay otros dos tipos de coberturas: el suelo desnudo y los claros. Durante el trabajo de campo no se tomaron fotografías hemisféricas de estas coberturas, ya que el objeto de estudio era el bosque; sin embargo, con el fin de incluirlas en la base de datos, se buscó asignarles un valor razonable. Para las zonas de suelo desnudo, tales como sitios sin vegetación, construcciones, zonas urbanas, entre otras, se asignó un valor de 0 al LAI y a la fAPAR. Para los claros, como pastizales o llanos entre el arbolado, se tomó el promedio del LAI y la fAPAR de la vegetación baja, obtenido del análisis de las fotografías down.

Datos radiométricos. Para asociar valores radiométricos a los datos de campo, se buscó una imagen satelital SPOT-4 de fecha cercana a los muestreos. Las imágenes SPOT-4 tienen cuatro bandas: verde (centrada en la longitud de onda 545 nm), rojo (645 nm), infrarrojo cercano NIR (835 nm) e infrarrojo medio SWIR (1 665 nm); resolución espacial de 20 m y temporal de 28 días. Dado que todas las imágenes SPOT-4 disponibles en catálogo para el verano de 2007 presentaban nubes en una parte importante de la zona de estudio, se tomó como base la imagen de agosto 2007 y se utilizaron las imágenes de mayo, junio y julio para completar la información faltante, formando un mosaico.

Las imágenes adquiridas en el formato 1A de Spotimage, se ortorectificaron con el programa Erdas Imagine Inc., tomando puntos de control y utilizando como referencia el mosaico global Landsat-circa-2000 (^{GLCF, 2013}) y como modelo digital de elevación, el Continuo de Elevaciones del Instituto Nacional de Estadística y Geografía (^{INEGI, 2013}). Después, se calibraron y se corrigieron atmosféricamente, utilizando el módulo Flaash (Fast Line-of Sight Atmospheric Analysis of Spectral Hypercubes) del programa ENVI (Exelis, Visual Information Solutions, Inc.). Las imágenes corregidas se recortaron, según el límite oficial de la reserva. Dado que algunas de las imágenes contenían la banda SWIR, se prescindió de ella en todos los casos, utilizando únicamente las bandas roja, verde y NIR.

Para asegurar la correspondencia de los valores de reflectancia de todas las imágenes con respecto a la imagen base, se seleccionaron 4 250 pares (mayo-junio-julio y agosto) de pixeles de vegetación, con los que se calcularon regresiones lineales para cada una de las tres bandas espectrales utilizadas. Las ecuaciones ajustadas se aplicaron a las imágenes asociadas. Para la construcción del mosaico, los pixeles no disponibles en la imagen de agosto (seleccionados manualmente) se sustituyeron por los correspondientes de la imagen ajustada de la fecha más cercana en la que estuvieran disponibles.

Con el fin de eliminar del mosaico el efecto del relieve, se aplicó una corrección topográfica, siguiendo el método de corrección-C de Meyer (^{Meyer y col., 1993}). Los datos radiométricos correspondientes a los 62 valores ESUs muestreados, se obtuvieron del mosaico SPOT, corregido topográficamente, ubicando los pixeles correspondientes a los puntos de muestreo a partir de sus coordenadas. Adicionalmente, con el fin de representar otros tipos de cobertura presentes en la zona de estudio, se seleccionaron 10 puntos característicos de suelo y otros 5 de claros, conformando así una base de datos de 77 puntos. A partir de los valores de reflectancia, se calcularon algunos índices de vegetación, como SR, DVI, NDVI, RDVI, entre otros (fórmulas y definiciones según ^{Jones y Vaughan, 2010}) (Tabla 1). Se trata de expresiones matemáticas simples que se calculan en cada pixel a partir de los valores de las reflectancias en las bandas roja e infrarroja.

Tabla 1. Fórmulas matemáticas de los índices de vegetación utilizados. 

Table 1. Mathematical formulas of the vegetation indices used. 

Funciones de transferencia. Para la definición de las funciones de transferencia se utilizó el método empírico, que consiste en ajustar y validar un modelo matemático entre los valores de la variable biofísica medidos en campo (variables dependientes) y los valores de reflectancia y/o los índices de vegetación (variables independientes) tomados o calculados a partir de la imagen satelital (^{Baret y col., 2005}; ^{Baret y Buis, 2008}). Para evitar que las funciones de transferencia dependan de la elección de los datos de ajuste y validación, en particular si no se cuenta con una base de datos amplia, se utiliza la validación cruzada, que consiste en la partición del conjunto de datos en k subconjuntos, (k-1) para el ajuste y 1 para la validación, con k iteraciones. En este trabajo, el ajuste de las funciones se realizó considerando tantas particiones como datos disponibles (k = 77).

Se probaron diferentes modelos lineales (45 en total), consistentes en combinaciones simples de las bandas espectrales SPOT y/o los índices de vegetación calculados a partir de las mismas. Para cada uno de estos modelos, y para cada variable biofísica (LAI y fAPAR), se ajustaron 77 funciones (número de datos disponibles, igual al número de iteraciones de la validación cruzada); y para cada una se calculó la raíz del error cuadrático medio ponderado (PRMSE, Weighted [Ponderado] Root Mean Square Error) utilizando la función Robustfit del programa Matlab (MathWorks, Inc.), considerando los 76 puntos de ajuste. Se trata de un error ponderado, que asigna un peso cercano a 0 a los puntos más alejados de la distribución general (outliers) en la regresión lineal, y un peso de 1 a los puntos que se encuentran sobre la recta de regresión. Para representar a cada uno de los 45 modelos se escogió la función con el PRMSE más bajo, de las 77 ajustadas. Para conocer el nivel de dependencia de esa función con respecto a las particiones de los datos, se calculó la raíz del error cuadrático medio cruzado (CRMSE, Cross Root Mean Square Error), que es un error que considera el total de las iteraciones. Para cada modelo, el CRMSE es el promedio de la diferencia entre el valor medido y el estimado en el punto de validación, es decir en el que no se tomó para el ajuste (expresión matemática en la Tabla 2). Con el fin de evaluar la capacidad del modelo para estimar valores dentro de un rango amplio, se obtuvo el índice de concordancia, d, que varía entre 0 (sin concordancia) y 1 (máxima concordancia con el rango de valores esperado) (^{Willmott and Wicks, 1980}) (Tabla 2).

Tabla 2. Expresiones matemáticas de los valores estadísticos calculados: w_i:. pesos de la función robustfit (O ≤ w_i ≤ 1), y_i:, valores observados, Ŷ_i:, valores estimados, n: número de puntos, m: número de coeficientes de la regresión lineal, Y-. promedio de los valores medidos, Cov: covarianza. 

Table 2. Mathematical expressions for the calculated statistical values: w_i:. robustfit function weights (0 ≤ w_i ≤ 1), y_i:. observed values, Ŷ_i:. estimated values, n: number of points, m: number of coefficients of the linear regression, Y-: average of the measured values, Cov: covariance. 

Se consideró que, para cada variable biofísica, la función que podía estimarla mejor era aquella que, teniendo un alto índice de concordancia, presentaba errores de ajuste (PRMSE) y validación (CRMSE) pequeños. Esta función se seleccionó como función de transferencia, y se calculó el RMSE asociado a la estimación de la variable con esa función, considerando únicamente los valores ESUs (sin suelos, ni claros). Este valor corresponde al error asociado al mapa construido con esa función. También se calculó el RMSE relativo (RMSEr), con respecto al promedio de los valores medidos en campo. Adicionalmente, se calculó el sesgo estadístico (Bias y Bias relativo, Biasr), para conocer si las funciones sobreestimaban o subestimaban los valores con respecto a los datos de campo (Tabla 2).

Construcción de los mapas. Finalmente, las funciones de transferencia elegidas se aplicaron a cada pixel del mosaico SPOT, para obtener los mapas de variables biofísicas de la RBMM, 2007.

Obtención de los mapas de baja resolución

Los mapas GEOV1 de LAI, fAPAR y sus errores asociados, correspondientes al 13 de agosto de 2007, fueron obtenidos en línea (^{Geoland2, 2013}), y recortados a la zona de estudio. Se trata de mapas de variables biofísicas, no de imágenes, por lo que no es necesario analizarlos para obtener los valores de LAI y fAPAR. Estos mapas presentan huecos (pixeles faltantes o sin valor asignado, por presencia de nubes en las diez imágenes diarias utilizadas para su cálculo) en algunos puntos de la RBMM.

Comparación de los mapas de alta y baja resolución

Los mapas de alta resolución (20 m), obtenidos a partir de las imágenes SPOT 4, se pasaron al tamaño de pixel de los mapas de baja resolución (1 km), para después compararlos con los GEOV1. Para obtener cada pixel de baja resolución se calculó el promedio y la desviación estándar de los 2 500 pixeles (50 x 50) de alta resolución correspondientes a la misma posición geográfica, sin considerar los pixeles fuera de la zona de estudio (en los límites de la reserva) o los que no pudieron sustituirse al formar el mosaico. Los mapas así obtenidos, correspondientes al promedio de cada variable, se compararon con los equivalentes de la serie GEOV1, considerando únicamente los pixeles válidos en ambos. Se calculó el coeficiente de correlación (r), el coeficiente de determinación (R²⁾, el error cuadrático medio (RMSE) y el sesgo (Bias) (Tabla 2).

Mapas de alta resolución

Datos de campo. Los datos de campo de LAI presentaron un valor mínimo de 3 y un máximo de 6.6. Para la misma zona de estudio, ^{Velasco-López y col. (2010)}, reportan valores de LAI entre 2 y 4, correspondientes a una campaña de campo realizada en diciembre 2001 (época de secas). La fAPAR presentó un mínimo de 0.72 y un máximo de 0.96. Para el suelo, tanto el LAI como la fAPAR se consideraron iguales a 0; para los claros se asignó 1.48 al LAI y 0.73 a la fAPAR (promedios de los valores down de los valores ESUs).

Datos radiométricos. La Figura 1 muestra las imágenes pre-procesadas. Se puede constatar que las imágenes de mayo y julio no incluyen el total de la RBMM, y que las imágenes de junio, julio y agosto presentan nubes sobre diferentes lugares de la zona de estudio. La Figura 2 muestra el mosaico resultado de la sustitución de los pixeles no disponibles en la imagen de agosto, por los de la imagen de fecha más cercana en la que estos pixeles estuvieron disponibles; en el mosaico está corregido el efecto del relieve. Se observan en blanco algunas zonas con nubes que no se pudieron sustituir. Este mosaico constituye la base de datos radiométricos de la que se extrajeron los valores de reflectancia asociados a los datos de campo.

(c) CNES 2011, producida por ERMEXS-UMSNH bajo licencia de "SPOTIMAGE, S.A"

Figura 1. Imágenes SPOT ortorectificadas, calibradas, corregidas atmosféricamente y recortadas al límite de la RBMM. La visualización en el sistema RGB corresponde a la combinación: R (cañón rojo): banda 3 (NIR); G (cañón verde): banda 2 (Rojo); B (cañón azul): banda 1 (verde). Esto hace que la vegetación aparezca en rojo.  

Figure 1. Orthorectified SPOT images, calibrated and atmospherically corrected, with the MBBR mask. Visualization in the RGB system corresponds to the combination: R (red canyon): band 3 (NIR); G (green canyon): band 2 (red); B (blue canyon): band 1 (green). This makes vegetation appear in red. 

(c) CNES 2011, producida por ERMEXS-UMSNH bajo licencia de "SPOTIMAGE, S.A"

Figura 2. Mosaico SPOT de la RBMM corregido topográficamente. La visualización en el sistema RGB corresponde a la combinación: R (cañón rojo): banda 3 (NIR); G (cañón verde): banda 2 (Rojo); B (cañón azul): banda 1 (verde). Esto hace que la vegetación aparezca en rojo.  

Figure 2. SPOT mosaic topographically corrected of the MBBR. Visualization in the RGB system corresponds to the combination: R (red canyon): band 3 (NIR); G (green canyon): band 2 (red); B (blue canyon): band 1 (green). This makes vegetation appear in red. 

Funciones de transferencia. De las 45 funciones elegidas (PRMSE más bajo) para representar cada uno de los 45 modelos lineales considerados para cada variable biofísica, se eliminaron las que estimaban valores absurdos para suelo, quedando 35 funciones válidas para el LAI y 10 para la fAPAR. La Figura 3 resume los diferentes valores estadísticos calculados para cada una de estas funciones, dispuestas por orden creciente del índice de concordancia, d. Este índice tuvo valores relativamente bajos (entre 0.3 y 0.45, para un máximo teórico de 1), lo que puede deberse a que los sitios de bosque muestreados presentaban densidades similares de arbolado. Para cada variable se eligió la función de trans ferencia que presentó el valor de d más alto (LAI: d = 0.46; fAPAR: d = 0.45). En todos los casos, el CRMSE resultó menor que el PRMSE. Esto puede deberse a que el CRMSE es un promedio de las diferencias entre cada uno de los valores medidos en campo y su esti mación con la función que fue ajustada con todos los puntos, excepto ese. Esto trae como resultado una gran variabilidad en los valores de error asociados a cada modelo, pero un valor promedio bajo. Si la validación de cada modelo se hubiera realizado con todos los puntos o con un subconjunto de puntos reservado para la validación, probablemente el error de validación habría sido superior al de ajuste.

Figura 3. Errores de ajuste (PRMSE [línea contínua]) y validación (CRMSE [línea discontinua]) e índice de concordancia, d, (punto-raya), asociados a las funciones que representan los modelos considerados.  

Figure 3. Errors of adjustment (PRMSE [solid line]) and validation (CRMSE [dashed line) and index of agreement, d, (dot-dashed line) associated to the functions that represent the models considered. 

Para el LAI, la función de transferencia elegida entre las ajustadas (la de mayor d) fue:

LAI = -0.56 + 0.53*SR

donde SR corresponde al índice de vegetación Simple Ratio, que se calcula para cada pixel como el cociente entre la reflectancia roja y la infrarroja en ese pixel (ver fórmula en la Tabla 1). Esta función presenta un PRMSE intermedio (0.89), si bien su CRMSE es relativamente alto (0.6). En el caso de la fAPAR, la función es:

fAPAR = -2.09 + 0.04*Verde + 0.24*Rojo - 0.15*NIR + 1.42*RDVI

donde Rojo, Verde y NIR son las reflectancias de cada pixel en las correspondientes bandas del mosaico y RDVI es el índice Renormalize Difference Vegetation Index (ver fórmula en la Tabla 1). Para esta función, el valor de PRMSE es de 0.1 y el de CRMSE es de 0.05; ambos valores son relativamente bajos. Estas funciones no son directamente utilizables para otra imagen, ni siquiera de la misma zona y la misma época del año, porque están adaptadas a los valores de reflectancia de la imagen para las que se ajustaron. Esto implica que cada vez que se requiera un mapa de una variable biofísica, para una zona y una fecha, se tendrá que repetir el ajuste entre una imagen y un conjunto de puntos de campo, de esa zona y fecha. Este es el principal inconveniente de los modelos empíricos de construcción de mapas de variables biofísicas, en oposición a los modelos físicos (^{Baret y Buis, 2008}).

Mapas de alta resolución. La Figura 4a muestra los valores de LAI y fAPAR medidos en campo y los compara con los valores estimados por las funciones de transferencia elegidas, en los pixeles correspondientes a los 77 puntos de muestreo (bosque [ESUs], suelo y claros). Para las dos variables, los valores estimados por la función de transferencia elegida, son sistemáticamente más bajos que los medidos en campo, siendo mayor la subestimación para el LAI (Bias = -0.18, Biasr = 3.89 %), que para la fAPAR (Bias = -0.01, Biasr = 1.09 %). Los valores de suelo son sobreestimados en ambos casos, y los de claros, para el LAI; sin embargo, estas coberturas no eran el verdadero objetivo del trabajo y los datos asociados se tomaron con menor rigor que los de bosque. El RMSE asociado al LAI (calculado únicamente para los sitios de bosque) fue de 0.94 (RMSEr = 20.75 %), mientras que el asociado a la fAPAR fue de 0.07 (RMSEr = 8.41 %). En general estos errores se pueden asociar a diferentes factores, como la heterogeneidad del sitio, el ruido radiométrico, la localización del pixel, la precisión del geo-posicionador, la estimación de los datos de campo con fotografías hemisféricas, entre otros (^{Weiss y col., 2004}). Por otra parte, es común que las estimaciones del LAI resulten menos precisas que las de fAPAR. El LAI es una variable descriptiva de la estructura y densidad del dosel y su definición implica tomar en cuenta la coexistencia de diferentes capas de vegetación, la forma y disposición de las hojas, el recubrimiento entre ellas y la presencia de otros elementos, como ramas y troncos. Esto hace que la estimación del LAI a partir de valores radiométricos resulte compleja e imprecisa, en particular para bosques densos de coniferas. En el caso de la fAPAR, se estima la capacidad de la vegetación de interceptar la luz recibida; se considera el total integrado para un día, lo que simplifica la estimación (^{Baret y col., 2012}).

Figura 4. a) Valores de LAI y fAPAR medidos en campo vs. estimados con las funciones de transferencia (ESUs en negro; suelos en rojo; claros en azul); b) Valor de cada pixel en los mapas GEOV1 de LAI y fAPAR vs. valor del mismo pixel en los mapas de alta resolución, convertidos a resolución de 1 km.  

Figure 4. a) Measured field values of LAI and fAPAR vs. estimated with transfer functions (ESUs, in black; soil, in red; grasslands, in blue); b) The value of each pixel in the GEOV1 maps of LAI and fAPAR vs. the value of the same pixel in high resolution maps converted to 1 km resolution. 

Comparación de los mapas de alta y baja resolución

La Figura 5a muestra los mapas obtenidos al aplicar las funciones de transferencia a cada pixel del mosaico SPOT (Figura 2). Se puede constatar una buena concordancia entre los mapas y el mosaico. A las zonas de vegetación densa (en rojo oscuro en el mosaico), en particular al norte, centro-oeste y sur de la RBMM, les corresponden valores altos de LAI y fAPAR; en general se trata de las zonas donde el bosque de oyamel está mejor conservado; sin embargo, hay que señalar que el nivel más alto de LAI (en el centro), corresponde a una zona de matorral (^{Ramírez y col., 2008}) y de bosque afectado por plagas (^{Champo-Jiménez y col., 2012}), donde, por tratarse de imágenes de la época de lluvias, la vegetación baja es muy abundante y enmascara la ausencia de árboles de oyamel (nótese que en el mosaico corresponde a un tono de rojo más claro que la zona de bosque). Para detectar las zonas donde el oyamel presenta problemas de estrés o enfermedad, sería recomendable utilizar imágenes de la época de secas o comparar varias épocas del año. Por otra parte, las zonas de agricultura y suelo (rojo claro y tonos azulados en el mosaico), como la zona agrícola y urbana de Angangueo (al centro-noroeste), el límite este de la RBMM, el ejido Crescencio Morales y el norte de Cerro Pelón (al centro-sur), y la punta sur, están asociadas a valores bajos de las variables biofísicas. Asimismo, el mapa de LAI obtenido es coherente con el de ^{Velasco-López y col. (2010)}, correspondiente al mes de diciembre de 2001 (época de secas), salvo las áreas deforestadas entre las dos fechas, como el ejido Crescencio Morales (^{Champo-Jiménez y col., 2012}). Ese trabajo se realizó con una metodología más simple, con menos puntos de campo correspondientes a una zona pequeña dentro de la reserva, y menos funciones; no incluye mapa de fAPAR.

Figura 5. a) Mapas obtenidos al aplicar las funciones de transferencia al mosaico SPOT (generados con datos provenientes de la ERMEXS - UMSNH 2012); b) los mismos mapas a resolución de 1 km; c) desviación estándar asociada al cambio de resolución; d) mapas de la serie GEOV1 correspondientes al 13 de agosto de 2007; e) error asociado al mapa.  

Figure 5. a) Maps obtained by applying transfer functions to SPOT mosaic (generated with data from the ERMEXS - UMSNH 2013); b) the same maps converted to a 1 km resolution; c) standard deviation associated with the change of resolution; d) GEOV1 series maps corresponding to August 13, 2007; e) error associated with the map. 

La Figura 5b y 5c, muestra los mapas del promedio (SPOTm [1 km]) y la desviación estándar (SPOTstd [1 km]), correspondientes al paso de alta (20 m), a baja resolución fllkm), de los mapas obtenidos con el mosaico SPOT (Figura 5a). En la misma figura aparecen los mapas de LAI y fAPAR de la serie GEOV1 correspondientes al 13 de agosto de 2007 (Figura 5d), así como el error asociado a cada pixel (GEOV1err) (Figura 5e); se observan los huecos debidos a la presencia de nubes. En general se puede constatar una buena correspondencia entre las zonas de alto y bajo LAI y fAPAR en los dos tipos de mapas (Figura 5b) (Figura 5d). Esto constituye una validación adicional de los mapas construidos, ya que la comparación es con respecto a mapas completamente independientes, construidos con una metodología diferente, a nivel global. Se observa que las zonas con mayor desviación estándar (Figura 5c) son también las que presentan el mayor error GEOV1err (Figura 5e); corresponden a las zonas más heterogéneas, que se pueden asociar a pixeles mixtos.

Para las dos variables consideradas, la comparación pixel a pixel (Figura 4b), de los mapas SPOT (convertidos a una resolución de 1 km), con los mapas GEOV1, considerando todos los pixeles válidos en ambos (Figura 5b y 5d), mostró una correlación baja (LAI: r = 0.53; R² = 0.28; fAPAR: r = 0.52; R² = 0.27), pero significativa (P < 0.05), y valores aceptables de rmse (LAI: rmse = 0.76; RMSEr = 19.03 %; fAPAR: RMSE = 0.07, RMSEr = 8.17 %), del mismo orden que los obtenidos entre los mapas SPOT y los datos de campo (Figura 4a). Con respecto a GEOV1, los mapas obtenidos a partir de las imágenes SPOT tienden a subestimar los valores, tanto del LAI (Bias = -0.35, Biasr = 8.84 %), como de la fAPAR (Bias = -0.005, Biasr = 0.60 %).

Por su parte, los datos GEOV1 han sido comparados, en un ejercicio de validación global, con mapas de alta resolución de sitios de (3 km x 3 km), en todo el planeta, construidos con una metodología similar a la aquí presentada (^{Baret y col., 2012}). En la comparación global se obtuvo una mejor correlación (LAI: R² = 0.72; fAPAR: R² = 0.8) que en la comparación con los mapas del presente trabajo. Esto puede deberse a que los puntos de muestreo utilizados para la validación global de GEOV1 fueron homogéneos y planos, y entre todos representaban diferentes tipos de cobertura, en contraste con las características de la RBMM, que es una zona con mucho relieve y un solo tipo de vegetación (bosque de oyamel). Por el contrario, el error de validación de los mapas globales con los sitios de campo, es mayor (LAI: RMSE = 1.01; fAPAR: RMSE = 0.10) al error asociado a los mapas de este trabajo, lo que también sería una consecuencia del diferente número de coberturas consideradas. En definitiva, la metodología propuesta ha permitido construir mapas coherentes con los mapas globales, de menor error y mayor resolución.