Wetenschap
Verbetering van het volgen van de plantengroei met technieken voor het samenvoegen van satellietbeelden
Het vermogen om de timing van vegetatiegroeifasen, bekend als landoppervlakfenologie (LSP), op fijne ruimtelijke schaal nauwkeurig te monitoren, is van cruciaal belang voor het begrijpen van ecosysteemfuncties en het beheren van natuurlijke hulpbronnen. Ondanks de vooruitgang compliceert de schaarste aan satellietgegevens met hoge resolutie, veroorzaakt door bewolking en de beperkte herhalingstijden, deze taak.
Een onderzoek, gepubliceerd in het Journal of Remote Sensing beoordeelt de nauwkeurigheid van twee spatiotemporele datafusie-algoritmen, het Spatial and Temporal Adaptive Reflectance Fusion Model (STARFM) en het gelijktijdig genereren van genormaliseerde verschilvegetatie-indextijdreeksen (SSFIT) over de volledige lengte, bij het extraheren van lentefenologische data op fijne schalen. Deze algoritmen zijn bedoeld om tijdreeksgegevens met hoge resolutie en wolkenvrij te reconstrueren om de detectienauwkeurigheid van het begin van het groeiseizoen (SOS) in heterogene landschappen te verbeteren.
Met behulp van geharmoniseerde Landsat Sentinel-2 (HLS) en Moderate Resolution Imaging Spectroradiometer (MODIS) gegevens voor een simulatiestudie in Ogden, Utah, evalueerde het onderzoeksteam de STARFM- en SSFIT-algoritmen aan de hand van traditionele interpolatiemethoden bij het reconstrueren van hoogwaardige Enhanced Vegetation Index (EVI2). ) tijdreeksen om de SOS nauwkeurig te identificeren.
Het onderzoek toonde aan dat deze algoritmen de nauwkeurigheid van fenologische data aanzienlijk verbeteren, vooral wanneer er beperkte wolkenvrije Landsat-beelden beschikbaar zijn tijdens cruciale groeiperioden.
Het onderzoek richtte zich op de uitdagingen van bewolking en schaarse beeldopname met hoge resolutie, essentieel voor gedetailleerde monitoring van de vegetatiegroei. Door frequente MODIS-waarnemingen samen te voegen met gedetailleerde, zij het zeldzame, HLS-gegevens, heeft het team gesynthetiseerde, wolkenvrije beelden gemaakt die een hoge resolutie combineren met regelmatige opname-intervallen.
Professor Xiaolin Zhu, de corresponderende auteur, benadrukt de noodzaak van het nauwkeurig vastleggen van de fenologische stadia om de ecologische en landbouwrisico's die verband houden met klimaatvariabiliteit te beperken. "Ons onderzoek probeert de kloof in fenologische monitoring te overbruggen door gebruik te maken van de sterke punten van satellietbeelden met zowel grove als fijne resolutie via geavanceerde datafusietechnieken."
Dit onderzoek benadrukt de cruciale rol van datafusietechnieken bij het bevorderen van de fenologische monitoring van landoppervlakken door de uitdagingen van bewolking en satellietbeelden met grove resolutie aan te pakken.
Door de nauwkeurigheid van de detectie van vegetatiestadia te verbeteren, ondersteunt de studie verbeterde inspanningen op het gebied van milieubeheer en klimaatadaptatie. Het toont de integratie van satellietgegevens als een belangrijke stap voorwaarts in fenologisch onderzoek en praktische toepassingen.