Früher|Nächster

Fernerkundliche Schätzung der Bedeckungsgrade holziger und krautiger Pflanzen im gemäßigten lückigen Wald-Grasland durch Integration von Drohnen- und Satellitenbildern

  • role： First author第一作者
  • Affiliation：

    Institute of Desertification Studies, Chinese Academy of Forest, Beijing 100091, China

  • Email：lixiaoya@caf.ac.cn
  • Introduction：李晓雅，研究方向为生态遥感与机器学习。E-mail：lixiaoya@caf.ac.cn
LI Xiaoya1,  
  • Affiliation：

    Institute of Forest Resource Information Techniques, Chinese Academy of Forest, Beijing 100091, China

TIAN Xin2,  
  • Affiliation：

    Institute of Microelectronics of the Chinese Academy of Sciences, Beijing 100029, China

DUAN Tao3,  
  • Affiliation：

    Institute of Desertification Studies, Chinese Academy of Forest, Beijing 100091, China

CAO Xiaoming1,  
  • Affiliation：

    Institute of Desertification Studies, Chinese Academy of Forest, Beijing 100091, China

YANG Kaijie1,  
  • Affiliation：

    Institute of Desertification Studies, Chinese Academy of Forest, Beijing 100091, China

LU Qi1,  
  • role： Corresponding author通信作者
  • Affiliation：

    Institute of Desertification Studies, Chinese Academy of Forest, Beijing 100091, China

  • Email：wangfeng@caf.ac.cn
  • Introduction：王锋，研究方向为干旱区生态遥感和模型。E-mail：wangfeng@caf.ac.cn
WANG Feng1*

Resümee

Das in der halbtrockenen Zone Chinas verbreitete gemäßigte lückige Wald-Grasland-Ökosystem stellt einen Übergangstyp zwischen Wald und Grasland dar und entwickelt sich unter einzigartigen Klima- und Geländebedingungen auf Sandboden als zonale Spitzenvegetationsgemeinschaft. Das lückige Wald-Grasland zeichnet sich durch ein Mischwachstum von Bäumen, Sträuchern und krautiger Vegetation sowie eine hohe räumliche Heterogenität aus. Die Fernerkundung der Vegetation ist schwierig und stellt weltweit immer noch die ungenaueste Landbedeckungskategorie dar. Wie man Genauigkeit und Umfang gleichzeitig berücksichtigt und den Wachstumszustand verschiedener Pflanzentypen im regionalen Maßstab des gemäßigten lückigen Wald-Graslands überwacht, ist derzeit ein Hotspot und eine Herausforderung bei der Fernerkundung der Vegetation in Trockengebieten. Diese Studie basiert auf maschinellen Lernalgorithmen, verwendet bodennahe Drohnensensorplattformen zur Erfassung von Oberflächenvegetationstypinformationen zur Erstellung eines Trainingsdatensatzes und kombiniert hochauflösende Satellitenbilder, um ein Schätzmodell für die Bedeckungsgrade von holzigen und krautigen Pflanzen in lückigem Wald-Grasland zu entwickeln. Damit wurde eine synchrone Schätzung der Bedeckungsgrade von holzigen und krautigen Pflanzen von Drohnen bis zu Satelliten der gemäßigten lückigen Wald-Grasländergebnisse erreicht und die Unterschiede in der Schätzung der Bedeckungsgrade holziger und krautiger Vegetation zwischen zwei hochauflösenden Satellitenbildern verglichen. Die Ergebnisse zeigen: (1) Bodennah aufgenommenes Drohnenfernerkundungsbildmaterial ermöglicht eine genaue Klassifizierung der Bodenbedeckungstypen und liefert viele genaue Trainingsproben für regionale Schätzmodelle der Bedeckungsgrade holziger und krautiger Pflanzen im gemäßigten lückigen Wald-Grasland; (2) Basierend auf maschinellen Lernalgorithmen können die mit GF-6- und Sentinel-2-Satellitenbildern erstellten lückigen Wald-Grasland-Bedeckungsmodelle die Bedeckungsgrade von holzigen und krautigen Pflanzen gut schätzen. Die Bestimmtheitsmaße der auf GF-6 basierenden Schätzungen für holzige und krautige Bedeckung betragen jeweils 0,72 bzw. 0,66, mit RMSE von 6,76 % bzw. 10,69 %, und Schätzgenauigkeiten von 46,31 % bzw. 77,88 %; die auf Sentinel-2 basierenden Schätzungen weisen Bestimmtheitsmaße von 0,72 bzw. 0,81, RMSE von 6,53 % bzw. 8,20 % und Schätzgenauigkeiten von 54,30 % bzw. 83,17 % auf; (3) Die Schätzgenauigkeit der auf Sentinel-2-Satellitenbildern basierenden Bedeckungsgrade für holzige und krautige Pflanzen ist geringfügig höher als die der GF-6-Satelliten, wobei die Schätzgenauigkeit für krautige Pflanzen bei beiden Satellitenbildern deutlich höher ist als die der holzigen Pflanzen. Diese Studie bietet neue Ansätze für die Ausweitung der Schätzung der Bedeckungsgrade holziger und krautiger Pflanzen von Landschafts- auf regionaler Ebene in lückigem Wald-Grasland. Die Methode der skalenübergreifenden kooperativen Beobachtung von Drohnen bis zu Satelliten kann eine wirksame Methodik zur Überwachung des Wachstumszustands verschiedener Lebensformen in regionalen gemäßigten lückigen Wald-Grasland-Ökosystemen bieten. Zukünftig kann auf Basis multitemporaler hochauflösender Satellitendaten eine dynamische Überwachung der Bedeckungsgrade holziger und krautiger Pflanzen im regionalen Maßstab realisiert werden.

Schlüsselwort

Fernerkundung; Ulmen-Lückenschlag; Drohnen; GF-6; Sentinel-2; Random Forest; Klassifikations- und Regressionsbäume

References

  1. 1.
    Adams J B, Smith M O and Johnson P E. 1986. Spectral mixture modeling: a new analysis of rock and soil types at the Viking lander 1 site. Journal of Geophysical Research: Solid Earth, 91(B8): 8098-8112
  2. 2.
    Brandt M, Hiernaux P, Tagesson T, Verger A, Rasmussen K, Diouf A A, Mbow C, Mougin E and Fensholt R. 2016. Woody plant cover estimation in drylands from Earth Observation based seasonal metrics. Remote Sensing of Environment, 172: 28-38
  3. 3.
    Breiman L. 2001. Random forests. Machine Learning, 45(1): 5-32
  4. 4.
    Breiman L, Friedman J, Olshen R A and Stone C J. 1984. Classification and Regression Trees. Belmont, CA: Wadsworth International Group
  5. 5.
    Cai D, Li W L, Zhu Y L, Su W L, Zhu G F, Zhao Z G and Wei W. 2019. Remote sensing monitoring of vegetation coverage in Gannan grassland based on multi-source data. Journal of Lanzhou University (Natural Sciences), 55(3): 373-379
  6. 6.
    Cai Z L, Miao Z H, Chang X, Liu Y H, Hao G and He L T. 2019. Research on grassland fractional vegetation coverage inversion method based on drone large quadrat data and domestic satellite. Acta Agrestia Sinica, 27(5): 1431-1440
  7. 7.
    Chen Q, Li X S, Xiu X M and Yang G B. 2019. Large scale shrub coverage mapping of sandy land at 30 m resolution based on Google Earth Engine and machine learning. Acta Ecologica Sinica, 39(11): 4056-4069
  8. 8.
    Cui Y L, Sun H, Wang G X, Li C J and Xu X Y. 2019. A probability-based spectral unmixing analysis for mapping percentage vegetation cover of arid and semi-arid areas. Remote Sensing, 11(24): 3038
  9. 9.
    DeFries R S, Achard F, Brown S, Herold M, Murdiyarso D, Schlamadinger B and de Souza CJr. 2007. Earth observations for estimating greenhouse gas emissions from deforestation in developing countries. Environmental Science and Policy, 10(4): 385-394
  10. 10.
    González-Roglich M and Swenson J J. 2016. Tree cover and carbon mapping of Argentine savannas: scaling from field to region. Remote Sensing of Environment, 172: 139-147
  11. 11.
    Guo Q H, Hu T Y, Ma Q, Xu K X, Yang Q L, Sun Q H, Li Y M and Su Y J. 2020. Advances for the new remote sensing technology in ecosystem ecology research. Chinese Journal of Plant Ecology, 44(4): 418-435
  12. 12.
    Han D, Wang H Z, Zheng B Y and Wang F. 2018. Vegetation type classification and fractional vegetation coverage estimation for an open elm (Ulmus pumila) woodland ecosystem during a growing season based on an unmanned aerial vehicle platform coupled with decision tree algorithms. Acta Ecologica Sinica, 38(18): 6655-6663
  13. 13.
    Haralick R M. 1979. Statistical and structural approaches to texture. Proceedings of the IEEE, 67(5): 786-804
  14. 14.
    Harris A, Carr A S and Dash J. 2014. Remote sensing of vegetation cover dynamics and resilience across southern Africa. International Journal of Applied Earth Observation and Geoinformation, 28: 131-139
  15. 15.
    Herrmann S M, Wickhorst A J and Marsh S E. 2013. Estimation of tree cover in an agricultural parkland of Senegal using rule-based regression tree modeling. Remote Sensing, 5(10): 4900-4918
  16. 16.
    Higginbottom T P, Symeonakis E, Meyer H and van der Linden S. 2018. Mapping fractional woody cover in semi-arid savannahs using multi-seasonal composites from Landsat data. ISPRS Journal of Photogrammetry and Remote Sensing, 139: 88-102
  17. 17.
    Hunter F D L, Mitchard E T A, Tyrrell P and Russell S. 2020. Inter-seasonal time series imagery enhances classification accuracy of grazing resource and land degradation maps in a savanna ecosystem. Remote Sensing, 12(1): 198
  18. 18.
    James G, Witten D, Hastie T and Tibshirani R. 2013. An Introduction to Statistical Learning. New York: Springer
  19. 19.
    Jia K, Yao Y J, Wei X Q, Gao S, Jiang B and Zhao X. 2013. A review on fractional vegetation cover estimation using remote sensing. Advances in Earth Science, 28(7): 774-782
  20. 20.
    Kattenborn T, Lopatin J, Förster M, Braun A C and Fassnacht F E. 2019. UAV data as alternative to field sampling to map woody invasive species based on combined Sentinel-1 and Sentinel-2 data. Remote Sensing of Environment, 227: 61-73
  21. 21.
    Latifovic R and Olthof I. 2004. Accuracy assessment using sub-pixel fractional error matrices of global land cover products derived from satellite data. Remote Sensing of Environment, 90(2): 153-165
  22. 22.
    Li X S, Gao Z H, Li Z Y, Bai L N and Wang B Y. 2010. Estimation of sparse vegetation coverage in arid region based on hyperspectral mixed pixel decomposition. Chinese Journal of Applied Ecology, 21(1): 152-158
  23. 23.
    Liao X H, Xiao Q and Zhang H. 2019. UAV remote sensing: popularization and expand application development trend. Journal of Remote Sensing, 23(6): 1046-1052
  24. 24.
    Liu L F, Chen Y H and Li J. 2003. Texture analysis methods used in remote sensing images. Remote Sensing Technology and Application, 18(6): 441-447
  25. 25.
    Ludwig M, Morgenthal T, Detsch F, Higginbottom T P, Lezama Valdes M, Nauß T and Meyer H. 2019. Machine learning and multi-sensor based modelling of woody vegetation in the Molopo Area, South Africa. Remote Sensing of Environment, 222: 195-203
  26. 26.
    Prasad A M, Iverson L R and Liaw A. 2006. Newer classification and regression tree techniques: bagging and random forests for ecological prediction. Ecosystems, 9(2): 181-199
  27. 27.
    Reinhard E, Adhikhmin M, Gooch B and Shirley P. 2001. Color transfer between images. IEEE Computer Graphics and Applications, 21(4): 34-41
  28. 28.
    Shi Y F, Jin Y H and Jin L S. 2011. Review on elm sparse forest grassland in China. Technology of Soil and Water Conservation, (2): 32-35
  29. 29.
    Tian F, Brandt M, Liu Y Y, Rasmussen K and Fensholt R. 2017. Mapping gains and losses in woody vegetation across global tropical drylands. Global Change Biology, 23(4): 1748-1760
  30. 30.
    Wan C J, Wu X D and Lin X W. 2019. Impact of spatial and temporal scales of remote sensing data on the spatiotemporal change in geographic elements. Journal of Remote Sensing, 23(6): 1064-1077
  31. 31.
    Wang F, Pan X B, Gerlein-Safdi C, Cao X M, Wang S, Gu L H, Wang D F and Lu Q. 2020. Vegetation restoration in Northern China: a contrasted picture. Land Degradation and Development, 31(6): 669-676
  32. 32.
    Wang H Z, Han D, Mu Y, Jiang L N, Yao X L, Bai Y F, Lu Q and Wang F. 2019. Landscape-level vegetation classification and fractional woody and herbaceous vegetation cover estimation over the dryland ecosystems by unmanned aerial vehicle platform. Agricultural and Forest Meteorology, 278: 107665
  33. 33.
    Yang J, Weisberg P J and Bristow N A. 2012. Landsat remote sensing approaches for monitoring long-term tree cover dynamics in semi-arid woodlands: comparison of vegetation indices and spectral mixture analysis. Remote Sensing of Environment, 119: 62-71
  34. 34.
    Yu S L and Chen H W. 2007. Characteristics and formation causes of temperate sparse forest grassland ecosystem in Inner Mongolia Plateau. Chinese Journal of Ecology, 26(4): 549-554
  35. 35.
    Yu S L. 2011. Geographical distribution, ecological position, and formation causes of temperate zone sparse forest in China. Science Technology Review, 29(25): 26-29
  36. 36.
    Yue J, Mu G J, Tang Z H, Yang X F, Lin Y C and Xu L S. 2020. Remote sensing estimation models for vegetation coverage in desert regions of Xinjiang based on NDVI. Arid Land Geography, 43(1): 153-160
  37. 37.
    Zhang S, Zhao Y J, Bai Y F, Yang L and Sun Z Y. 2019. Remote sensing identification of grassland shrubs using low-altitude unmanned aerial vehicles. Tropical Geography, 39(4): 512-520
  38. 38.
    Zhang W M, Brandt M, Wang Q, Prishchepov A V, Tucker C J, Li Y M, Lyu H and Fensholt R. 2019. From woody cover to woody canopies: how Sentinel-1 and Sentinel-2 data advance the mapping of woody plants in savannas. Remote Sensing of Environment, 234: 111465
  39. 39.
    Zhou P C, Cheng G, Yao X W and Han J W. 2021. Machine learning paradigms in high-resolution remote sensing image interpretation. National Remote Sensing Bulletin, 25(1): 182-197

Lesen Sie die ganze Passage

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website