Videnskab
 Science >> Videnskab >  >> Natur

Forbedring af plantevækstsporing med satellitbilledfusionsteknikker

Ægte farvebillede og landdækningskort over undersøgelsesområdet. (A) Landsat ægte farvebillede af undersøgelsesområdet den 16. september 2020 og (B) dets landdækningskort. Kredit:Journal of Remote Sensing (2024). DOI:10.34133/remotesensing.0118

Kapaciteten til nøjagtigt at overvåge timingen af ​​vegetationsvækstfaser, kendt som landoverfladefænologi (LSP), i fine rumlige skalaer er afgørende for at forstå økosystemfunktioner og forvaltning af naturressourcer. På trods af fremskridt komplicerer sparsomheden af ​​højopløselige satellitdata forårsaget af skydække og begrænsede genbesøg denne opgave.



En undersøgelse, offentliggjort i Journal of Remote Sensing vurderer nøjagtigheden af ​​to spatiotemporale datafusionsalgoritmer, Spatial og Temporal Adaptive Reflectance Fusion Model (STARFM) og genererer samtidig fuldlængde normaliseret difference vegetation Index Time series (SSFIT), ved at udtrække forårsfænologiske datoer i fine skalaer. Disse algoritmer sigter mod at rekonstruere højopløsnings- og skyfri tidsseriedata for at forbedre detektionsnøjagtigheden af ​​begyndelsen af ​​vækstsæsonen (SOS) på tværs af heterogene landskaber.

Ved at bruge Harmonized Landsat Sentinel-2 (HLS) og Moderate Resolution Imaging Spectroradiometer (MODIS) data til en simuleringsundersøgelse i Ogden, Utah, evaluerede forskerholdet STARFM- og SSFIT-algoritmerne i forhold til traditionelle interpolationsmetoder ved rekonstruktion af højkvalitets Enhanced Vegetation Index (EVI2) ) tidsserier for nøjagtigt at identificere SOS.

Undersøgelsen viste, at disse algoritmer markant forbedrer nøjagtigheden af ​​fænologiske datoer, især når begrænsede skyfri Landsat-billeder er tilgængelige i vigtige vækstperioder.

Forskningen adresserede udfordringerne ved skydække og sparsom højopløselig billedoptagelse, som er afgørende for detaljeret overvågning af vegetationsvækst. Ved at kombinere hyppige MODIS-observationer med detaljerede, omend sjældne, HLS-data, lavede teamet syntetiserede, skyfri billeder, der kombinerer høj opløsning med regelmæssige optagelsesintervaller.

Professor Xiaolin Zhu, den tilsvarende forfatter, understreger nødvendigheden af ​​nøjagtigt at fange de fænologiske stadier for at afbøde økologiske og landbrugsmæssige risici forbundet med klimavariabilitet. "Vores forskning søger at bygge bro over kløften inden for fænologiovervågning ved at udnytte styrkerne ved både grov- og finopløselige satellitbilleder gennem avancerede datafusionsteknikker."

Denne forskning fremhæver den kritiske rolle, som datafusionsteknikker spiller for at fremme jordoverfladefænologiovervågning ved at tage fat på udfordringerne med skydække og satellitbilleder med grov opløsning.

Ved at forbedre nøjagtigheden af ​​detektion af vegetationsstadier understøtter undersøgelsen forbedret miljøforvaltning og klimatilpasningsindsats. Det viser integrationen af ​​satellitdata som et væsentligt spring fremad inden for fænologisk forskning og praktiske anvendelser.

Flere oplysninger: Jiaqi Tian et al., Effectiveness of Spatiotemporal Data Fusion in Fine-Scale Land Surface Phenology Monitoring:A Simulation Study, Journal of Remote Sensing (2024). DOI:10.34133/remotesensing.0118

Leveret af TranSpread




Varme artikler