Anterior|Siguiente

Estimación por teledetección de la cobertura de plantas leñosas y herbáceas en el pastizal claro templado basada en la integración de imágenes de drones y satélites

  • 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*

resumen

El ecosistema de pastizal claro templado, distribuido en la zona semiárida de China, es un tipo de ecosistema de transición entre el bosque y la pradera, desarrollado en suelos arenosos con condiciones climáticas y topográficas únicas. El pastizal claro está caracterizado por una mezcla de árboles, arbustos y vegetación herbácea con alta heterogeneidad espacial. La monitorización de la vegetación mediante teledetección es difícil y hasta ahora sigue siendo el tipo de cobertura terrestre más impreciso a nivel global. Cómo equilibrar precisión y alcance, y realizar la monitorización del estado de crecimiento de diferentes tipos de plantas a escala regional del pastizal claro templado es un punto clave y un desafío en la teledetección de la vegetación en zonas áridas. Este estudio está basado en algoritmos de aprendizaje automático, utilizando una plataforma de observación con drones a baja altura para obtener información sobre tipos de vegetación de superficie y construir un conjunto de datos de entrenamiento, combinándolo con imágenes satelitales de alta resolución para establecer un modelo de estimación de cobertura de plantas leñosas y herbáceas en el pastizal claro templado. Se logró una estimación sincronizada de la cobertura de plantas leñosas y herbáceas desde drones hasta satélites y se compararon las diferencias en la estimación de cobertura entre dos tipos de imágenes satelitales de alta resolución. Los resultados del estudio indican: (1) el uso de imágenes de teledetección a baja altitud con drones puede clasificar con precisión los tipos de cobertura de superficie, proporcionando abundantes datos de entrenamiento precisos para modelos regionales de estimación de cobertura de plantas leñosas y herbáceas en el pastizal claro templado; (2) basados en algoritmos de aprendizaje automático, los modelos de cobertura construidos con imágenes satelitales GF-6 y Sentinel-2 pueden estimar eficazmente la cobertura de plantas leñosas y herbáceas. Los coeficientes de determinación para las estimaciones basadas en GF-6 de cobertura leñosa y herbácea fueron 0.72 y 0.66 respectivamente, con errores cuadráticos medios de 6.76% y 10.69%, y precisiones de estimación del 46.31% y 77.88%; para Sentinel-2 los coeficientes fueron 0.72 y 0.81, errores cuadráticos medios de 6.53% y 8.20%, y precisiones de estimación de 54.30% y 83.17%; (3) la precisión de la estimación basada en las imágenes satelitales Sentinel-2 fue ligeramente superior a la de GF-6 para la cobertura de plantas leñosas y herbáceas, y la precisión para la cobertura de plantas herbáceas fue significativamente mayor que para las leñosas en ambas imágenes satelitales. Este estudio aporta un nuevo enfoque para extender la estimación de la cobertura de plantas leñosas y herbáceas del nivel paisajístico al regional. El método de observación colaborativa multinivel desde drones hasta satélites proporciona un soporte metodológico efectivo para monitorizar el estado de crecimiento de diferentes tipos de plantas en el pastizal claro templado a escala regional, y en el futuro, los datos satelitales de alta resolución multitemporales podrían facilitar el monitoreo dinámico de la cobertura de plantas leñosas y herbáceas a escala regional.

palabra clave

teledetección; pastizal de olmo claro; drones; GF-6; Sentinel-2; bosque aleatorio; árboles de clasificación y regresión

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

Leer el texto completo

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