Phenocams

Como hemos mencionado en varias ocasiones, la novedad que aporta nuestro proyecto MoniCa es la integración de forma holística de información hasta ahora dispersa en distintos tipos de soluciones: Información Geoespacial, Sensores IoT, OpenData e Imágenes de Satélite, conformando una única base de datos Big data en la que se podrá llevar a cabo análisis cruzado con toda la información mediante el uso de técnicas predictivas de Machine Learning.

En esta ocasión, vamos a hablar sobre las phenocams, las cuales conectadas en tiempo real a través de Internet, permiten extraer índices de color, lo que permite capturar los cambios estacionales en el verdor (fenología) (Richardson et al., 2009, 2007; Sonnentag et al., 2012). Esta técnica es una alternativa a las observaciones tradicionales de la fenología agroforestal, lo que permite establecer fechas de transición fenológica determinadas a partir de la serie temporal, en lugar de observaciones sobre el terreno de eventos como la brotación y apertura de hojas. Las imágenes, grabadas cada 30 minutos desde el amanecer hasta el anochecer, se procesan con métodos de análisis que arrojan información cuantitativa sobre los cambios de color de la vegetación, a partir de la cual se pueden derivar medidas de fenología de forma análoga al procesamiento de los índices de vegetación derivados de las imágenes de satélite. Con una perspectiva a escala de dosel, pero con la capacidad de resolver organismos individuales, el enfoque de las phenocams proporciona, por tanto, un vínculo directo entre el seguimiento sobre el terreno por parte de observadores humanos y el seguimiento por satélite con una resolución espacial y temporal comparativamente menor. Las imágenes obtenidas a partir de phenocams permiten contribuir al estudio de los impactos del cambio climático en la vegetación, además de salvar la brecha existente entre la fenología basada en observaciones de campo (i. e. fenología a nivel de especie individual) y la fenología de superficie terrestre (i.e. fenología a nivel de paisaje) (Seyednasrollah et al. 2019).