Материалы 20-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса»
Москва, ИКИ РАН, 14–18 ноября 2022 г.

(http://conf.rse.geosmis.ru)

XX..330

Полу-эмпирический подход разделения индекса листовой поверхности рассчитанного по данным ДЗЗ между верхним и нижним ярусами лесов России (лекция)

Шабанов Н.В. (1), Барталев С.А. (1), Ховратович Т.С. (1), Жарко В.О. (1), Медведев А.А. (2), Тельнова Н.О. (2)
(1) Институт космических исследований РАН, Москва, Россия
(2) Институт географии РАН, Москва, РФ
Много-ярусность это характерная особенность архитектуры леса. Ярусы различаются в отношении биохимических циклов, фенологии и функциональной роли в экосистемах. Фундаментальной научной проблемой является разделение фитомассы между ярусами. Решения данной задачи методами ДЗЗ весьма ограничены- большинство ДЗЗ продуктов предоставляют оценку полной биомассы, разделение на компоненты есть в немногих продуктах с ограниченной точностью, пространственным и временным покрытием. В данной работе мы разработали полу-эмпирический алгоритм для разделения полной индекса листовой поверхности (Leaf Area Index, LAI) леса по верхнему и нижнему ярусам. Входными данными алгоритма являются продукты, расчитанные в ИКИ на основе спутниковых данных MODIS- LAI, проективное покрытие крон и преобладающие породы леса на разрешении 230м. Алгоритм рассчитывает оценку LAI по ярусам по территории лесов России. Новизна данной работы в следующем. С теоретической стороны в алголриме использован принцып биологического и радиационного взаимодействия ярусов леса, как основа для разделения LAI. Новая параметрическая модель позволяет анализировать связь между LAI ярусов и проективным покрытием крон. С практической стороны новый продукт предоставляет более высокую точность и пространственное разрешение по всей территории лесов России. Рассчитанные статистики улучшают точность оценки LAI по ярусам и проективного покрытия крон пород леса. В данной работе новый продукт был сравнен/валидирован по отношению к следующим источникам- (1) продукт SPOT-VGT LAI крон деревьев по территории восточной Сибири, (2) наземные измерения LAI по участкам вблизи г. Якутск в восточной Сибири, (3) беспилотным измерениям проективного покрытия по участку разреженного леса в центральной части Кольского полуострова. Результаты валидации показывают что в разреженных лесах необходимо учитывать влияние нижнего яруса при сопоставлении спутниковой оценки полного LAI леса с наземными измерениями, которые, как правило, включают только верхний ярус.

Работа выполнена в рамках проекта РНФ № 19-77-30015. Обработка данных ДЗЗ проводилась с использованием ресурсов ЦКП «ИКИ-Мониторинг» (Лупян и др., 2019), развиваемого и поддерживаемого в рамках темы «Мониторинг» (госрегистрация № 01.20.0.2.00164).

Ключевые слова: леса России, много-ярусная архитектура леса, индекс листовой поверхности, проективное покрытие крон
Литература:
  1. Лупян Е.А., Прошин А.А., Бурцев М.А., Кашницкий А.В., Балашов И.В., Барталев С.А., Константинова А.М., Кобец Д.А., Мазуров А.А., Марченков В.В., Матвеев А.М., Радченко М.В., Сычугов И.Г., Толпин В.А., Уваров И.А. Опыт эксплуатации и развития центра коллективного пользования системами архивации, обработки и анализа спутниковых данных (ЦКП «ИКИ-Мониторинг») // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С.151-170. DOI: 10.21046/2070-7401-2019-16-3-151-170.
  2. Asner, G.P., Scurlock, J.M.O, & Hicke, J.A., 2003. Global synthesis of leaf area index observations: implications for ecological and remote sensing studies. Global Ecology & Biogeography. 12, 191–205.
  3. Bacour, C., Baret, F., Beal, D., Weiss, M., & Pavageau, K., 2006. Neural network estimation of LAI, fAPAR, fCover and LAIxC(ab), from top of canopy MERIS reflectance data: Principles and validation. Remote Sens. Environ. 105, 313–325.
  4. Bacour, C., & Bréon, F.M., 2005. Variability of biome reflectance directional signatures as seen by POLDER. Remote Sens. Environ. 98, 80–95.
  5. Baret, F., Hagolle, O., Geiger, B., Bicheron, P., Miras, B., Huc, M., Berthelot, B., Nino, F., Weiss, M., Samain, O., Roujean, J. L., & Leroy, M., 2007. LAI, fAPAR and fCover CYCLOPES global products derived from VEGETATION – Part 1: Principles of the algorithm. Remote Sens. Environ. 110, 275–286, doi:10.1016/j.rse.2007.02.018
  6. Baret, F., Weiss, M., Lacaze, R., Camacho, F., Makhmara, H., Pacholcyzk, P., and Smets, B., 2013. GEOV1: LAI and FAPAR essential climate variables and FCOVER global time series capitalizing over existing products. Part1: Principles of development and production. Remote Sens. Environ. 137, 299–309, doi:10.1016/j.rse.2012.12.027.
  7. Bartalev, A., Belward, A., Erchov, D., & Isaev, A., 2003. A new SPOT4-VEGETATION derived land cover map of northern Eurasia. Int. J. Remote Sens. 24(9), 1977– 1982
  8. Bartalev, S., Egorov, V., Zharko, V., Loupian, E., Plotnikov, D., Khvostikov, S., Shabanov, N., 2016. Land cover mapping over Russia using Earth observation data. Moscow. Russian Academy of Sciences’ Space Research Institute, 208 p. (in Russian)
  9. Bréda, N.J.J., 2003. Ground-based measurements of leaf area index: a review of methods, instruments and current controversies. J Exp. Bot. 54(392), 2403–2417.
  10. Bonan, G.B., Oleson, K.W., Vertenstein, M., Levis, S., Zeng, X., Dai, Y., Dickinson, R., & Yang, Z., 2002. The land surface climatology of the com-munity land model coupled to the NCAR community climate model. J. Clim. 15, 3123–3149.
  11. Chen, J.M. & Leblanc, S.G., 2001. Multiple-scattering scheme useful for geometric optical modeling. IEEE Trnasactions on Geosci. Remote Sens. 39, 1061−1071.
  12. Cohen et al. 2006. MODIS Land Cover and LAI Collection 4 Product Quality Across Nine Sites in the Western Hemisphere. IEEE Trnasactions on Geosci. Remote Sens. 44(7), 1843-1857
  13. DeFries, R.S., Townshend, J.R.G., & Hansen, M.C., 1999. Continuous fields of vegetation characteristics at the global scale at 1-km resolution. J. Geophys. Res. 104(D14), 16911 – 16923.
  14. Delbart, N., Kergoat, L., Toan, T.L., Lhermitte, J., & Picard, G., 2005. Determination of phenological dates in boreal regions using normalized difference water index. Remote Sens. Environ. 97, 26-38.
  15. Deng, D., Chen, J.M., Plummer, S., Chen, M., & Pisek, J., 2006. Global LAI algorithm integrating the bidirectional information. IEEE Trnasactions on Geosci. Remote Sens. 44, 2219−2229.
  16. Dickinson, R.E., Henderson-Sellers, A., Kennedy, P.J. and Wilson, M.F. (1986). Biosphere-Atmosphere Transfer Scheme (BATS) for the NCAR CCM, NCAR Res., Boulder, CO, NCAR/TN-275-STR
  17. Eriksson, H.M., Ekludh, L., Kuusk, A., Nilson, T., 2006. Impact of understory vegetation on forest canopy reflectance and remotely sensed LAI estimates. Remote Sens. Environ. 103, 408-418.
  18. Garrigues, S., Lacaze, R., Baret, F., Morisette, J.T.,Weiss, M., et al. (2008). Validation and intercomparison of global leaf area index products derived from remote sensing data. J. Geophys. Research, 113, doi:10.1029/2007JG000635.
  19. Gonsamo, A., D’Odorico, P., Pellikka, P., 2013. Measuring fractional canopy element cover and openness – definitions and methodologies revisited. Oikos Advanced Ecology. 122, 1283-1991
  20. Gower, S.T., Kucharik, C.J., & Norman, J.M., 1999. Direct and indirect estimation of leaf area index, fAPAR, and net primary production of terrestrial ecosystems. Remote Sens. Environ. 70, 29−51.
  21. Hansen, M., Potapov, P., Moore, R., Hancher, M., Turubanova, S., Tyukavina, A., Thau, D., Stehman, S., Goetz, S., Loveland, T., Kommareddy, A., Egorov, A., Chini, L., Justice, C., Townshend, J., 2013. High-resolution global maps of 21st-century forest cover change. Science. 342, 850–853.
  22. Hollinger, D.Y., Kelliher, F.M., Schulze, E., Bauer, G., Arneth, A., Byers, J.N., Hunt, J.E., McSeveny, T.M., Kobak, K.I., Milukova, I., Sogatchev, A., Tatarinov, F., Varlargin, A., Ziegler, W., Vygodskaya, N.N., 1998. Forest-atmosphere carbon dioxide exchange in eastern Siberia. Agric. For. Meteorol. 90(4), 291-306.
  23. Huang, D., Knyazikhin, Y., Wang, W., Privette, J., Deering, D.W., Stenberg, P., Shabanov, N.V., Tan, B., Myneni, R.B., 2008. Stochastic transport theory for investigating the three-dimensional canopy structure from space measurements. Remote Sens. Environ. 112(1), 35-50.
  24. Isaev, A.S., 1990. Forest Map of the USSR at Scale 1:2500000 Moscow. Central Administration for Geodesy and Cartography (GUGK). Moscow, Russia
  25. Jiao, T., Liu, R.G., Liu, Y., Pisek, J., and Chen, J. M., 2014. Mapping global seasonal forest background reflectivity with Multi-angle Imaging Spectroradiometer data. J. Geophys. Res.-Biogeosci. 119, 1063–1077.
  26. Knyazikhin, Y., Martonchik, J.V., Myneni, R.B., Diner, D.J., Runing, S., 1998. Synergistic algorithm for estimating vegetation canopy leaf area index and fraction of absorbed photosynthetically active radiation from MODIS and MISR data. J. Geophys. Res. Atmos., 103(D24), 32,257-77.
  27. Kobayashi, H., and Iwabuchi, H., 2008. A coupled 1-D atmosphere and 3-D canopy radiative transfer model for canopy reflectance, light environment, and photosynthesis simulation in a heterogeneous landscape. Remote Sens. Environ. 112, 173– 185.
  28. Kobayashi, H., Delbart, N., Suzuki, R., and Kushida, K., 2010. A satellite based method for monitoring seasonality in the overstory leaf area index of Siberian larch forest. J. Geophys. Res.-Biogeosci. 115, G01002, doi:10.1029/2009jg000939.
  29. Komiyama, A., Kato, S., & Teranishi, M., 2001. Differential overstory leaf flushing contributes to the formation of a patchy understory. Journal of Forestry Research. 6, 163−171.
  30. Kuusk, A., Lang, M., Nilson, T., 2004. Simulations of the reflectance of ground vegetation in sub-boreal forests. Agric. For. Meteorol. 126, 33-46.
  31. Li, X., Huang H., Shabanov, N.V., Chen, L., Yan, K., Shi, J., (2020). Extending the stochastic radiative transfer theory to simulate BRF over forests with heterogeneous distribution of damaged foliage inside of tree crowns. Remote Sens. Environ., 250, 112040.
  32. Lisein, J., Pierrot-Deseilligny, M., Bonnet, S., Lejeune, P., 2013. Aphotogrammetric workflow for the creation of a forest canopy height model from small unmanned aerialsystem imagery. Forests. 4, 922–944.
  33. Liu, Y., Liu, R.G., and Chen, J.M., 2012. Retrospective retrieval of longterm consistent global leaf area index (1981–2011) from combined AVHRR and MODIS data. J. Geophys. Res.-Biogeo., 117, G04003, doi:10.1029/2012jg002084.
  34. Liu, Y., Liu, R., Pisek, J., Chen, J.M., 2017. Separating overstory and understory leaf area indices for global needleleaf and deciduous broadleaf forests by fusion of MODIS and MISR data, Biogeosciences, 14, 1,093–1,110.
  35. Loupian, E.A., Proshin, A.A., Bourtsev, M.A., Kashnitskiy, A.V., Balashov, I.V., Bartalev, S.A. Konstantinova, A.M., et al., 2019. Experience of development and operation of the IKI-Monitoring center for collective use of systems for archiving, processing and analyzing satellite data. Sovremennye Problemy Distantsionnogo Zondirovaniya Zemli iz Kosmosa. 16(3), 151–170. (in Russian).
  36. Marklund, L.G., 1988. Biomass functions for pine, spruce and birch in Sweden. Report, 45, 1−71. Swedish University of Agricultural Sciences, Umeå, Sweden: Department of Forest Survey.
  37. Medvedev, A.A., Telnova, N.O., Kudikov, A.V., Alekseenko, N.A., 2020. Use of photogrammetric point clouds for the analysis and mapping of structural variables in sparse northern boreal forests. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa. 7(1), 150–163 (in Russian).
  38. Miklashevich, T.S., Bartalev, S.A., Plotnikov, D.E., 2019. Interpolation algorithm for the recovery of long satellite data time series of vegetation cover observation. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa. 16(6), 143-154 (in Russian).
  39. Miller, J., White, P., Chen, J., Peddle, D., McDemid, G., Fournier, R., et al., 1997. Seasonal change in the understory reflectance of boreal forests and influence on canopy vegetation indices. J. Geophys. Research. 102, 29475−29482.
  40. Nilson, T., 1971. Theoretical analysis of frequency of gaps in plant stands. Agric. For. Meteorol. 8(1), 25–38.
  41. Osawa, A., O.A. Zyranova, Y. Matsurura, T. Kajimoto, and R.W. Wein (eds), Permafrost Ecosystems. Siberian Larch Forests. 2010. Springer Scicnce+Business Media B.V.
  42. Pisek, J. and Chen, J.M., 2009. Mapping forest background reflectivity over North America with Multi-angle Imaging SpectroRadiometer (MISR) data, Remote Sens. Environ., 113, 2412–2423, doi:10.1016/j.rse.2009.07.003.
  43. Pisek, J., Rautiainen, M., Heiskanen, J., and Mottus, M., 2012. Retrieval of seasonal dynamics of forest understory reflectance in a Northern European boreal forest from MODIS BRDF data, Remote Sens. Environ., 117, 464–468.
  44. Potter, C.S., Randerson, J.T., Field, C.B., Matson P.A., Vitousek, P.M., Mooney, H.A., and Klooster, S.A., 1993. Terrestrial ecosystem production: A process model based on global satellite and surface data. Global Bio-geochem. Cycles. 7(4), 811–841.
  45. Rautiainen, M., Mõttus, M., Heiskanen, J., Akujärvi, A.,Majasalmi, T., & Stenberg, P., 2011. Seasonal reflectance dynamics of common understory types in a Northern European boreal forest. Remote Sens. Environ. doi:10.1016/j.rse.2011.06.005.
  46. Rautiainen, M. and Heiskanen, J., 2013. Seasonal contribution of understory vegetation to the reflectance of a boreal landscape at different spatial scales. IEEE Geosci. Remote Sens. Lett. 10, 923–927.
  47. Rees, W., Tutubalina, O., & Golubeva, E. 2004. Reflectance spectra of subarctic lichens between 400 and 2400 nm. Remote Sens. Environ., 90, 281–292.
  48. Ryu, Y., Lee, G., Jeon, S., Song, Y., and Kimm, H., 2014. Monitoring multi-layer canopy spring phenology of temperate deciduous and evergreen forests using low-cost spectral sensors. Remote Sens. Environ., 149, 227–238, doi:10.1016/j.rse.2014.04.015
  49. Ross, J., The radiation regime and architecture of plant stands. Hague: Dr. W. Junk Publishers; 1981.
  50. Sellers, P.J., et al., 1997. Modeling the exchanges of energy, water, and carbon between continents and the atmosphere. Science. 275(5299), 502–509.
  51. Shabanov, N.V., Knyazikhin, Y., Baret, F., Myneni, R.B., 2000. Stochastic modeling of radiation regime in discontinuous vegetation canopies. Remote Sens. Environ. 74(1), 125-144.
  52. Shabanov, N.V. & Gastellu-Etchegorry, J.-P., 2018. The stochastic Beer–Lambert–Bouguer law for discontinuous vegetation canopies, J. Quant. Spectroscopy & Radiative Transfer, 214, 18-32.
  53. Shabanov, N.V. et al., 2021. Climate-driven phenological changes in the Russian Arctic derived from MODIS LAI time series 200-2019. Environ. Res. Lett. 16, 084009
  54. Shabanov, N.V. et al., 2021. Validation of the MODIS LAI product over sparse boreal forest of the Kola peninsula using UAV data, Sovremennye problem distantsionnogo zondirovaniya Zemli iz kosmosa. 18(2), 156-170.
  55. Shin, N., Kotani, A., Sato, T., Sugimoto A., Maximov, T.C., Nogovitcyn, A., Miyamoto, Y., Kobayashi, H., Tei, S., 2020. Direct measurements of leaf area index in deciduous needle-leaf forest, eastern Siberia, Polar Science, 25, 100550, 1-8.
  56. Song et al., 2021. A Method for Quantifying Understory Leaf Area Index in a Temperate Forest through Combining Small Footprint Full-Waveform and Point Cloud LiDAR Data. Remote Sens. 13, 3036. https://doi.org/10.3390/rs13153036
  57. Solberg, S., 2009. Mapping LAI in a Norway spruce forest using airborne laser scanning, Remote Sens. Environ. 113, 2317-2327
  58. Suzuki, R., Yoshikawa, K., & Maximov, T.C., 2001. Phenological photographs of Siberian larch forest from 1997 to 2000 at Spasskaya Pad, Republic of Sakha, Russia, http://www.jamstec.go.jp/iorgc/hcorp/data/database/products/phenol/index.htm
  59. Tan, B., Woodcock, C.E., Hu, J., Zhang, P., Ozdogan, M., Huang, D., Yang, W., Knyazikhin, Y., Myneni, R. B., 2006. The impact of gridding artifacts on the local spatial properties of MODIS data: Implications for validation, compositing, and band-to-band registration across resolutions. Remote Sens. Environ. 105, 98–114.
  60. Tanioka et al., 2020. A Spatial Relationship between Canopy and Understory Leaf Area Index in an Old-Growth Cool-Temperate Deciduous Forest. Forests, 11, 1037, doi:10.3390/f11101037
  61. Turner, D. P., Ollinger, S., & Kimball, J., 2004. Integrating remote sensing and ecosystem processmodels for landscape- to regional-scale analysis of the carbon cycle. BioScience. 54, 573−584.
  62. Utkin, A.I., Ermolova, L.S., Utkina, I.A., Leaf area of forest species: fundamentals, parameterisation and applications. Moscow: Nauka Publisher, 2008. 290 pp. (in Russian).
  63. Verger, A., Baret, F., Weiss, M., Filella, I., Peñuelas, J., 2015. GEOCLIM: A global climatology of LAI, FAPAR, and FCOVER from VEGETATION observations for 1999–(2010). Remote Sens. Environ., 166, 126–137.
  64. Vygodskaya, N.N., Milyukova, I., Varlagin, A., Tatarinov, F., Sogachev, A., Kobak, K.I., Desyatkin, R., Bauer, G., Hollinger, D.Y. Kelliher, F.M., Schulze, E.-D. (1997). Leaf conductance and CO2 assimilation of Larix gmelinii growing in an eastern Siberian boreal forest. Tree Physiology. 17(10), 607–615.
  65. Wang, Y., Woodcock, C.E., Buermann, W., Stenberg, P., Voipio, P., Smolander, H., Hame, T., Tian, Y., Hu, J., Knyazikhin, Y., & Myneni R.B., 2004. Evaluation of the MODIS LAI algorithm at a coniferous forest site in Finland. Remote Sens. Environ. 91, 114-127
  66. Waring, R.H., & Law, B.E., 1994. Remote sensing of leaf area index and radiation intercepted by understory vegetation. Ecological Applications. 4, 272–279.

Презентация доклада



Ссылка для цитирования: Шабанов Н.В., Барталев С.А., Ховратович Т.С., Жарко В.О., Медведев А.А., Тельнова Н.О. Полу-эмпирический подход разделения индекса листовой поверхности рассчитанного по данным ДЗЗ между верхним и нижним ярусами лесов России (лекция) // Материалы 20-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». Москва: ИКИ РАН, 2022. C. 506. DOI 10.21046/20DZZconf-2022a

XVIII Международная научная Школа-конференция молодых ученых по фундаментальным проблемам дистанционного зондирования Земли из космоса

506