Zeitschrift für Fernerkundung und GIS

Abstrakt

Abrufen des Blattflächenindex aus Fernerkundungsdaten mithilfe fortschrittlicher statistischer Ansätze

Gowda PH, Oommen T, Misra D, Schwartz RC, Howell TA, Wagle P

Die Kartierung und Überwachung des Blattflächenindex (LAI) ist entscheidend für die Modellierung des Oberflächenenergiehaushalts, der Evapotranspiration und der Vegetationsproduktivität. Fernerkundung hilft bei der schnellen und kostengünstigen Erfassung des LAI auf einzelnen Feldern über große Flächen hinweg, indem empirische Regression zwischen LAI und spektralen Vegetationsindizes (SVI) verwendet wird. Diese Beziehungen können jedoch unwirksam sein, wenn die Sonnenoberflächensensorgeometrie, die Hintergrundreflexion und die durch die Atmosphäre verursachten Schwankungen der Kronendachreflexion größer sind als die Schwankungen im Kronendach selbst. Dies erfordert die Entwicklung überlegener und regionsspezifischer LAI-SVI-Modelle. In den letzten Jahren haben sich statistische Lernmethoden wie Support Vector Machines (SVM) und Relevant Vector Machines (RVM) bei komplexen Prozessen gegenüber den Regressionsmodellen mit gewöhnlichen kleinsten Quadraten (OLS) als erfolgreich erwiesen. Ziel dieser Studie ist die Entwicklung und der Vergleich von OLS-, SVM- und RVM-basierten Reflexionsmodellen zur Schätzung des LAI für wichtige Sommerkulturen in den texanischen Hochebenen. Der LAI wurde auf 47 zufällig ausgewählten kommerziellen Feldern in den Landkreisen Moore und Ochiltree gemessen. Die Datenerfassung erfolgte zeitgleich mit den Überflügen des Satelliten Landsat 5 über dem Untersuchungsgebiet. Zahlreiche SVI-Ableitungen wurden zur Schätzung des LAI mithilfe von OLS-, SVM- und RVM-Modellen untersucht. Die Analyse der Ergebnisse ergab, dass die SVI-LAI-Modelle, die auf dem Verhältnis der TM-Bänder 4 und 3 und dem normalisierten differenziellen Vegetationsindex (NDVI) basieren, am empfindlichsten auf den LAI reagieren. Die R2-Werte für ausgewählte Modelle variierten zwischen 0,79 und 0,96, wobei das SVM-Modell die besten Ergebnisse lieferte. Die Genauigkeit der gemeldeten LAI-Modelle muss jedoch weiter untersucht werden, um die räumliche Variabilität des LAI im Feld zu berücksichtigen und eine breitere Anwendbarkeit zu erreichen.