USO DE FIRMAS ESPECTRALES PARA LA IDENTIFICACIÓN DE ESPECIES

VEGETALES

Abner Herrera (201907620)1

¹ Análisis de la Vegetación, Departamento de Botánica, Recursos Naturales Renovables y

Conservación, Escuela de Biología, Facultad de Ciencias Químicas y Farmacia, USAC.

Resumen

Las firmas espectrales, patrones únicos de reflectancia/absorción de luz en distintas longitudes de

onda, permiten identificar especies vegetales mediante sensores remotos. Aunque las plantas
comparten propiedades bioquímicas básicas, su variabilidad espectral está influenciada por
factores como pigmentos, estructura foliar, humedad y condiciones ambientales. Estudios
demuestran que técnicas como la espectroscopía en el infrarrojo cercano y algoritmos de análisis
pueden discriminar entre especies agrícolas (trigo, soja) y malezas, así como caracterizar bosques
tropicales. Sin embargo, desafíos como la heterogeneidad forestal, la resolución espacial y la
falta de datos de referencia limitan su aplicación en regiones como Guatemala. Avances en
sensores hiperespectrales y métodos estadísticos prometen mejorar la identificación remota de
biodiversidad, optimizando la conservación y manejo de ecosistemas.

Introducción

Una firma espectral “es la característica única de un objeto, específicamente sus propiedades de
emisión y reflectancia, las cuales también varían dependiendo de su entorno” (Ballado et al,
2017). Cabe destacar que el espectro utilizado en una firma espectral no es únicamente el de la
luz visible, sino también el infrarrojo. La información adicional permite, además de la distinción
del color reflejado, distinguir la cantidad de calor reflejado en distintas longitudes de onda.

Dado que se mide la reflexión de color y calor, las plantas poseen firmas espectrales que son
fácilmente distinguibles respecto a otros objetos como agua, suelo, hielo, minerales, concreto y
la lista sigue. Incluso, distintos órganos de una planta poseen firmas espectrales distintas por la
variación en las características entre tallos, hojas, frutos y flores. Sin embargo, al tomar como
referencia la parte foliar, las firmas espectrales entre especies vegetales son similares y es
necesario el uso de algoritmos y herramientas estadísticas para su distinción.

En términos generales, el procedimiento para hacer posible la identificación de especies

vegetales es fotografiar una especie con las cámaras satelitales a una corta distancia (Ozdil et al.
(2018) utilizó una distancia de 20 m), medir las firmas espectrales de las partes de la planta
expuestas al sol y hacer una media ponderada de las distintas firmas espectrales. Posteriormente
se puede utilizar esta firma obtenida en condiciones controladas y contrastar las observaciones
propias. La problemática es la ausencia de esa información y el ruido presente en las
observaciones satelitales.

Hacer posible la identificación vegetal ex situ es un avance considerable que no solo ahorra
recursos, sino que hace accesible regiones de difícil acceso humano.

Contenido

Las plantas presentan una composición físico-química relativamente homogénea que reduce su
diversidad espectral cuando se compara con otros materiales como suelos o minerales. No
obstante, dentro de una misma especie vegetal, los patrones espectrales muestran variaciones
asociadas a factores genéticos, fenológicos, morfológicos, epigenéticos y nutricionales (De
Carvalho Lopes & Neto, 2018). Estas diferencias se manifiestan principalmente en la intensidad
de reflectancia/absorbancia y en la morfología de las curvas espectrales, donde los pigmentos
fotosintéticos y el contenido hídrico generan las distinciones más marcadas (De Carvalho Lopes
& Neto, 2018). Además, la firma espectral cambia según el órgano vegetal analizado (flores,
hojas, tallos o la copa completa)(De Carvalho Lopes & Neto, 2018).

Esta variabilidad controlada permite desarrollar sistemas de identificación basados en firmas

espectrales. En el estudio de Jurado-Expósito et al. (2003) emplearon espectroscopía de
infrarrojo cercano (NIR, por sus siglas en inglés) para diferenciar siete tipos de malas hierbas de
hoja ancha, junto con muestras de girasol y residuos de trigo; los resultados mostraron patrones
de reflectancia en la región de 750-950 nm, que resultó óptima para distinguir entre los tres
grupos vegetales.

¿Cuáles son los factores clave que contribuyen a la alta variabilidad de la reflectancia en el
infrarrojo cercano en las firmas espectrales de la vegetación?

Fuera del laboratorio, la alta variabilidad de la reflectancia en el infrarrojo cercano en las firmas
espectrales de la vegetación está influenciada por la morfología del dosel, variables bioquímicas
y biofísicas, y la variabilidad estructural de la vegetación (Dim et al., 2007; Xiao et al., 2014;
Gutman et al., 2021). Estos factores interactúan a diferentes escalas, desde la hoja hasta la
regional, afectando las propiedades de reflectancia observadas en datos de teledetección.
Comprender estos elementos es crucial para mejorar la precisión del monitoreo y modelado de la
vegetación.

La variabilidad en la morfología del dosel, como diferencias en el índice de área foliar (IAF) y la
distribución de biomasa, afecta significativamente la reflectancia en el NIR (Bartlett et al., 1988).
Por ejemplo, doseles en regiones boreales con mayores IAF proyectados horizontalmente por
unidad de biomasa exhiben mayor reflectancia en el NIR en comparación con doseles en
regiones meridionales (Bartlett et al., 1988). La configuración estructural del dosel, incluyendo
altura, forma y densidad, también contribuye a la variabilidad en la reflectancia, ya que influye
en la distribución de la radiación solar entre los componentes de la vegetación (Dim et al., 2007).

A escala foliar, las variaciones en el contenido de clorofila, la estructura de las hojas y el

contenido de agua son los principales impulsores de la varianza en la reflectancia en la región del
NIR (Xiao et al., 2014). A escala del dosel, el IAF es un factor crítico, aunque su influencia en la
reflectancia disminuye a medida que el IAF aumenta (Xiao et al., 2014). Además, el contenido
de clorofila y agua sigue desempeñando un papel importante en la determinación de la
reflectancia en el NIR (Xiao et al., 2014).

El diseño de índices de vegetación que utilizan reflectancia en el NIR es crucial para estimar
variables biofísicas como el IAF y el contenido de clorofila del dosel (Gutman et al., 2021). Los
pesos asignados a la reflectancia en el NIR en estos índices pueden afectar su sensibilidad y
precisión (Gutman et al., 2021).

Si bien estos factores son fundamentales para entender la variabilidad de la reflectancia en el

NIR, es importante considerar las limitaciones de los modelos e índices actuales (Viña et al.,
2004). La sensibilidad de la reflectancia a las variables de la vegetación puede variar
significativamente entre escalas y tipos de vegetación, lo que hace necesario continuar con
investigaciones y validaciones mediante datos de campo para refinar estos modelos y ampliar su
aplicabilidad (Viña et al., 2004).

Identificación de especies vegetales

Antes de adentrarnos en la discusión de identificación de especies es importante observar los
cultivos agrícolas, que por su importancia económica ya han sido estudiados y a través de ellos
se puede comprender las diferencias que se pueden observar en sus firmas espectrales y los
factores que causan éstas diferencias.

Se sabe que la vegetación refleja la luz de manera diferente según su estructura y estado de salud.
Por ejemplo: cultivos como el trigo muestran una pendiente pronunciada en la región del
infrarrojo cercano (NIR, 760-900 nm). Mientras que la soja presenta una meseta más plana en
esta misma región (Thenkabail et al., 2018). En el caso del arroz las firmas espectrales varían
según las etapas de crecimiento y el manejo de nutrientes (Gopinath et al., 2023). Estas
diferencias son una señal positiva para la identificación de plantas en ensambles naturales. Sin
embargo, se ha de resaltar la primer diferencia entre cultivos y poblaciones vegetales naturales:
la heterogeneidad dentro de un mismo espacio.

Los bosques tropicales son reconocidos por su alta diversidad de especies y su papel ecológico
crucial, pero su inaccesibilidad dificulta los estudios de campo exhaustivos (Clark, 2011). La
teledetección, especialmente con el surgimiento de sensores hiperespectrales, ofrece una
alternativa prometedora para el mapeo detallado y a gran escala de la composición, estructura y
función de los bosques en amplias escalas espaciales y temporales (Clark, 2011). El principal
desafío al utilizar imágenes hiperespectrales para distinguir especies en el dosel tropical radica
en detectar diferencias espectrales consistentes entre especies frente a una alta variabilidad
intraespecífica (Clark, 2011).

En cuanto a estudios que han contribuido significativamente al entendimiento y aplicación de la

teledetección hiperespectral en bosques tropicales, se ha abordado la espectroscopía de
laboratorio y campo que vincula las firmas espectrales foliares con rasgos bioquímicos y
estructurales (Clark, 2011). Por ejemplo, Asner & Vitousek (2005) midieron la química de hojas
expuestas al sol en numerosas especies de bosques tropicales australianos. Este estudio
estableció que la reflectancia espectral foliar contiene información distintiva relacionada con
propiedades bioquímicas, lo que permite la discriminación de especies basada en características
espectrales.

La investigación de Kalacska et al. (2007) profundizó en técnicas de reducción de datos

aplicadas tanto a nivel foliar como de dosel, con el objetivo de identificar las características
espectrales más relevantes para la identificación de especies. Cochrane (2011), se centró en la
variabilidad de la reflectancia vegetal entre especies y cómo esta puede aprovecharse
estadísticamente para la clasificación. Rivard et al. (2008) destacaron la importancia de
seleccionar bandas espectrales óptimas, demostrando que ciertas longitudes de onda son más
sensibles a diferencias químicas y, por lo tanto, más efectivas para discriminar especies con datos
hiperespectrales.

En cuanto a la evaluación de biodiversidad, Brando et al. (2010), examinaron variaciones

temporales y estacionales en índices de vegetación amazónicos, proporcionando información
sobre cómo la fenología y los factores climáticos influyen en las firmas espectrales y la
detectabilidad de diferentes especies o grupos funcionales a lo largo del tiempo.

En conjunto, estos estudios demuestran que la teledetección hiperespectral ofrece vías

prometedoras para discriminar especies. Sin embargo, aún hace falta afinar las herramientas y
seguir investigando; especialmente en países como Guatemala donde aún no hay estudios
exploratorios sobre firmas espectrales.

Desafíos técnicos
El mapeo de árboles individuales en bosques tropicales mediante sensores hiperespectrales
aerotransportados y/o satelitales enfrenta algunos desafíos técnicos. La reflectancia del dosel está
influenciada por la arquitectura de las copas, la estratificación foliar, los espacios vacíos y las
sombras, factores que afectan la penetración y dispersión de fotones (Clark, 2011). Se introduce
el concepto de profundidad efectiva de penetración de fotones (PEPF) para cuantificar hasta qué
nivel dentro del dosel la señal espectral contiene información relevante (Clark, 2011). La
delimitación automatizada de copas mediante técnicas de segmentación es compleja,
especialmente porque los árboles en bosques densos suelen entrelazarse, las copas se superponen
y las sombras o lianas dificultan la segmentación (Clark, 2011).

La clasificación de especies del dosel con datos hiperespectrales emplea métodos basados en
píxeles u objetos (Clark, 2011). Los enfoques por objetos permiten agrupar información espectral
en copas o clusters, facilitando el uso de algoritmos avanzados como aprendizaje automático
(machine learning, ML), mapeo por ángulo espectral (Spectral Angle Mapping, SAM), análisis
discriminante lineal (Linear Discriminant Analysis, LDA) y árboles de decisión (Decision Trees,
DT) (Clark, 2011).

Aunque se ha avanzado en la aplicación de la teledetección hiperespectral para el mapeo de

especies en bosques tropicales, este campo aún está en desarrollo (Clark, 2011). La
operacionalización de mapas a nivel de especie en escalas regionales o globales sigue siendo un
objetivo futuro (Clark, 2011). Entre las necesidades críticas destacan el desarrollo continuo de
conjuntos de datos hiperespectrales de alta calidad y el refinamiento de técnicas analíticas (Clark,
2011). Estos avances permitirán un monitoreo más preciso, escalable y dinámico de la
biodiversidad en bosques tropicales, esencial para su conservación y manejo (Clark, 2011).

Caracterización de plantas tropicales mediante la transformada rápida de Fourier de la

firma espectral

Ballado et al. (2017), en su estudio analiza la caracterización de las firmas espectrales de plantas
tropicales mediante un dispositivo espectroscópico de diseño personalizado y la aplicación del
análisis de Transformada Rápida de Fourier (FFT) para diferenciar plantas basándose en sus
datos espectrales. La investigación se centra en cinco plantas tropicales comunes: plátano,
mango, coco, aguacate y piña, analizando cómo sus espectros de luz reflejada varían cuando
crecen en diferentes condiciones ambientales como tierras áridas, humedales y zonas cercanas al
mar. Los investigadores destacan que los pigmentos vegetales como la clorofila y los
carotenoides influyen en la reflectancia dentro de rangos específicos de longitud de onda,
particularmente dentro del espectro visible de 400-800 nm.

La metodología implica el diseño de un sistema hardware que captura datos espectrales de hojas
de plantas mediante una rejilla de difracción y un sensor CCD, con visualización de datos en
tiempo real a través de una pantalla LCD y transmisión a una computadora mediante una placa
GIZduino conectada por USB. El componente software procesa estas lecturas espectrales, que
luego se analizan utilizando el algoritmo FFT de MATLAB. Los resultados de FFT revelan picos
distintos en dominios de frecuencia alrededor de 190 Hz para varias plantas, que varían
dependiendo del ambiente de la planta, lo que indica que la humedad del suelo y los factores
ambientales influyen en las firmas espectrales.
Los resultados del estudio demuestran que las firmas espectrales difieren significativamente
entre plantas cultivadas en diferentes condiciones, con frecuencias de pico específicas que se
correlacionan con los niveles de humedad ambiental. La comparación estadística entre las
lecturas del dispositivo prototipo y los espectrómetros estándar muestra resultados creíbles,
validando la efectividad del dispositivo. Los investigadores concluyen que su sistema identifica
exitosamente las características espectrales de plantas tropicales y puede servir como base para
mapear ecosistemas agrícolas y costeros, con aplicaciones potenciales en clasificación de
plantas, monitoreo ambiental y gestión de recursos.

Sin embargo, el estudio señala limitaciones, como el rango espectral restringido del dispositivo
de 400-800 nm y el número limitado de lecturas espectrales capturadas. Las recomendaciones
para futuras investigaciones incluyen expandir el rango espectral y aumentar la precisión de los
datos para mejorar la diferenciación de plantas. En general, este trabajo contribuye al creciente
campo de herramientas de análisis espectral para estudios de plantas y medio ambiente,
ilustrando cómo se pueden aprovechar las firmas espectrales para el mapeo de ecosistemas y la
evaluación de la salud vegetal en regiones tropicales.

El uso de firmas espectrales en Guatemala

Quizá es ambicioso pensar en este momento utilizar firmas espectrales en nuestro país para
identificar especies puesto que no existen estudios exploratorios en el país utilizando esta
herramienta. En cambio, es factible iniciar con una caracterización de los bosques locales
mediante firmas espectrales: observar las diferencias a una escala mayor y empezar a entender lo
que estos datos representan.

Por ese motivo se presenta en el apéndice 1, las firmas espectrales de agua, suelo, vegetación y
nube utilizando información de Sentinel-2 en los alrededores del lago de Atitlán, Sololá,
Guatemala. Estos resultados concuerdan con las descripciones de las firmas espectrales descritas
en la literatura citada. La información del satélite Sentinel-2 es de acceso libre en el sitio web
Copernicus ([Link] y en el apéndice 2 se incluye un script en
R para la visualización de la gráfica, el cuál fue obtenido del sitio web de Geoinnova y
modificado para los datos del lago de Atitlán. Actualmente existen herramientas de bajo costo
que pueden ser explotadas para iniciar con estas caracterizaciones.

El siguiente paso ha de ser el registro de las firmas espectrales, que en este caso si se ha de
invertir en las cámaras que utilizan los satélites y hacer para todas las especies conocidas. Por
último se puede pensar en identificar mediante estas firmas.

Conclusiones

Es factible utilizar las firmas espectrales de plantas para la identificación de especies vegetales,
sin embargo aún hay obstáculos que deben sortearse para que este método sustituya las
observaciones in situ. Estos obstáculos incluyen la heterogeneidad encontrada dentro de los
bosques, lo que implica la dificultad de aislar en un pixel los datos de reflectancia de una única
especie; así como la dificultad de desarrollar mejor equipo de medición para aumentar la
resolución de las cámaras.

Literatura citada
Aggarwal, S. (2004). Principles of remote sensing. Satellite remote sensing and GIS applications
in agricultural meteorology, 23(2), 23-28.
Asner, G. P., & Vitousek, P. M. (2005). Remote analysis of biological invasion and
biogeochemical change. Proceedings Of The National Academy Of Sciences, 102(12),
4383-4386. [Link]
Ballado, A., Lazaro, J., Avendano, G., De Claro, C. A. R. M., Sandoval, G. K., & Viloria, R. A.
(2017). Characterization using spectral signature of tropical plants through fast fourier
transform. 2021 IEEE 13th International Conference On Humanoid, Nanotechnology,
Information Technology, Communication And Control, Environment, And Management
(HNICEM), 1-6. [Link]
Bartlett, D. S., Hardisky, M. A., Johnson, R. W., Gross, M. F., Klemas, V., & Hartman, J. M.
(1988). Continental scale variability in vegetation reflectance and its relationship to
canopy morphology. International Journal of Remote Sensing, 9(7), 1223–1241.
[Link]
Brando, P. M., Goetz, S. J., Baccini, A., Nepstad, D. C., Beck, P. S. A., & Christman, M. C.
(2010). Seasonal and interannual variability of climate and vegetation indices across the
Amazon. Proceedings Of The National Academy Of Sciences, 107(33), 14685-14690.
[Link]
Clark, M. (2011). Identification of canopy species in tropical forests using hyperspectral data. En
Hyperspectral Remote Sensing of Vegetation (pp. 423-446). CRC Press.
Cochrane, M. A. (2000). Using vegetation reflectance variability for species level classification
of hyperspectral data. International Journal Of Remote Sensing, 21(10), 2075-2087.
[Link]
Copernicus browser. (2025, 29 abril). Copernicus Browser.
[Link]
De Carvalho Lopes, D., & Neto, A. J. S. (2018). Classification and Authentication of Plants by
Chemometric Analysis of Spectral Data. En Comprehensive analytical chemistry (pp.
105-125). [Link]
Dim, J. R., Kajiwara, K., & Honda, Y. (2007). Vegetation canopy optical and structural
variability based on radiometric and laser analysis. 6742, 108–115.
[Link]
Geoinnova. (2021, 29 octubre). Cómo crear firmas espectrales de Sentinel-2 con R. Geoinnova.
[Link]
Gopinath, G., Surendran, U., Vishak, J., Sasidharan, N., & Fasil CT, M. (2023). Hyper spectral
data and vegetative indices for paddy: A case study in Kerala, India. Remote Sensing
Applications: Society and Environment. [Link]
Gutman, G., Skakun, S., Gitelson, A. A., & Gitelson, A. A. (2021). Revisiting the use of red and
near-infrared reflectances in vegetation studies and numerical climate models. 4,
100025. [Link]
Jurado-Expósito, M., López-Granados, F., Atenciano, S., Garcı́a-Torres, L., & González-
Andújar, J. (2003). Discrimination of weed seedlings, wheat (Triticum aestivum) stubble
and sunflower (Helianthus annuus) by near-infrared reflectance spectroscopy (NIRS).
Crop Protection, 22(10), 1177-1180. [Link]
Kalacska, M., Bohlman, S., Sanchez-Azofeifa, G., Castro-Esau, K., & Caelli, T. (2007).
Hyperspectral discrimination of tropical dry forest lianas and trees: Comparative data
reduction approaches at the leaf and canopy levels. Remote Sensing Of Environment,
109(4), 406-415. [Link]
Ozdil, O., Esin, Y. E., Demirel, B., & Ozturk, S. (2018). Representative Signature Generation for
Plant Detection in Hyperspectral Images. IGARSS 2022 - 2022 IEEE International
Geoscience And Remote Sensing Symposium, 2709-2712.
[Link]
Rivard, B., Sanchez-Azofeifa, N. A., Foley, S., & Calvo-Alvarado, J. (2008). Species
Classification of Tropical Tree Leaf Reflectance and Dependence on Selection of
Spectral Bands. En CRC Press eBooks (pp. 141-159).
[Link]
Thenkabail, P. S., Lyon, J. G., & Huete, A. (2018). Advances in Hyperspectral Remote Sensing
of Vegetation and Agricultural Crops (pp. 3–37). CRC Press.
[Link]
Viña, A., Henebry, G. M., & Gitelson, A. A. (2004). Satellite monitoring of vegetation
dynamics: Sensitivity enhancement by the wide dynamic range vegetation index.
Geophysical Research Letters, 31(4). [Link]
Xiao, Y., Zhao, W., Zhou, D., & Gong, H. (2014). Sensitivity Analysis of Vegetation
Reflectance to Biochemical and Biophysical Variables at Leaf, Canopy, and Regional
Scales. IEEE Transactions on Geoscience and Remote Sensing, 52(7), 4014–4024.
[Link]
Zhuge, X., Zou, X., & Wang, Y. (2017). A Fast Cloud Detection Algorithm Applicable to
Monitoring and Nowcasting of Daytime Cloud Systems. IEEE Transactions On
Geoscience And Remote Sensing, 55(11), 6111-6119.
[Link]

Apéndices
Apéndice 1. Firmas espectrales de agua, suelo, vegetación y nube utilizando información de
Sentinel-2 en los alrededores del lago de Atitlán.

Las líneas 1 a 3 (parte baja de la gráfica) corresponden a tres puntos aleatorios dentro del lago
de Atitlán y reflejan poco en la longitud de onda correspondiente al color azul. Las líneas 4 a 6
(color rosado) corresponden a tres puntos de suelo, su firma espectral tiene un patrón
ascendente a lo largo del espectro. Las líneas 7 a 9 (color verde) corresponden a tres puntos
de vegetación, tienen un patrón similar y difieren principalmente en el infrarrojo cercano. La
línea 10 (color celeste y arriba en la gráfica) corresponde a un punto sobre una nube, la cual
refleja la mayor proporción de radiación para todas las longitudes de onda.

Apéndice 2. Script utilizado en R para generar las firmas espectrales mediante información
satelital del Sentinel-2.
´´´
library(raster)
path_folder = "C:/Users/path/to/jp2_files//"

jp2_files <- [Link](path_folder, [Link] = T)

jp2_files

pattern <- c("B02_20m", "B03_20m", "B04_20m", "B05_20m", "B06_20m",

"B07_20m","B08_20m", "B11_20m", "B12_20m")
pattern

stack_files <- unique(grep(paste(pattern,collapse="|"), jp2_files, value=TRUE))

stack_files
sen2 <- stack(stack_files)

df_clic <- [Link](matrix(ncol = 2, nrow = 0))

colnames(df_clic) <- c("x","y")
plotRGB(brick(jp2_files[14]), r=1, g=2, b=3)

for (c in 1:10){
df_clic <- rbind(df_clic,[Link](click()))
}

spdf <- SpatialPointsDataFrame(coords = df_clic[,c(1,2)], data = df_clic, proj4string = crs(sen2))

text(spdf,1:10,cex=1.5)
ext_sen <- [Link](t(extract(sen2, spdf)))
print(ext_sen)
ext_sen <- cbind(ext_sen,c(492,560,665,705,740,783,842,1610,2190))

rownames(ext_sen) <- c("blue","green","red","RE1","RE2","RE3","NIR","SWIR1","SWIR2")

colnames(ext_sen) <- c("1","2","3","4","5","6","7","8","9","10","bands")

library(reshape)

ext_melt <- melt(ext_sen,id=c("bands"))

ext_melt$value <- ext_melt$value/10000*100

library(randomcoloR)

palette <- distinctColorPalette(10)

library(ggplot2)

ggplot(data = ext_melt, aes(x=bands, y=value, color=variable)) +

geom_line(size=1.3, alpha=0.6) +
geom_point(shape=19, size=2) +
scale_color_manual(values = palette) +
scale_x_sqrt(breaks=c(492,560,665,705,740,783,842,1610,2190)) +
ylim(0, 85) +
annotate("text", x = c(492,560,665,705,740,783,842,1610,2190), y=0,
label = c("blue","green","red","RE1","RE2","RE3","NIR","SWIR1","SWIR2"), size=2.5) +
theme_bw(base_size = 10) +
labs(title="Firmas espectrales Sentinel-2", x="Longitud de onda (μm)", y="Reflectividad (%)")
´´´