Ett internationellt team av forskare, ledda av professor Jin Wu från School of Biological Sciences vid University of Hong Kong (HKU), har gjort ett lovande framsteg när det gäller att kartlägga växtfunktioner från rymden med hjälp av tidsseriesatellitdata. Studien, publicerad i Remote Sensing of Environment , visar upp den innovativa kombinationen av Sentinel-2-satellituppdraget och dess dynamiska tidsseriemöjligheter.
Detta innovativa tillvägagångssätt låser inte bara upp en djupare förståelse för väsentliga bladegenskaper, ger avgörande insikter i den funktionella mångfalden och ekosystemens funktion hos terrestra ekosystem, utan det utrustar oss också med kraftfulla verktyg för att effektivt hantera pressande miljöutmaningar.
Växtegenskaper är avgörande för att reglera viktiga ekosystemprocesser som kolbindning, lufttemperaturreglering och storskalig hydrologisk reglering. De avgör också hur ekosystem reagerar på olika miljöstressorer, vilket i slutändan avgör deras hälsa, motståndskraft och sårbarhet för klimatförändringar.
Storskalig kartläggning av dessa egenskaper har dock varit utmanande på grund av begränsningar i befintliga metoder, såsom svårigheten att fånga egenskaper över stora områden och frågor som datatillgänglighet, egenskapskomplexitet och mättekniker.
För att övervinna dessa utmaningar utnyttjade professor Wus team kraften i satellitteknik och introducerade ett banbrytande tillvägagångssätt som kombinerar vegetationsspektroskopi och fenologi. Deras tillvägagångssätt använde högupplösta bilder från Sentinel-2-satelliten, som fångade multispektral data med ett veckointervall med en 10-meters upplösning.
Genom att analysera dessa satellitbilder observerade och registrerade teamet reflektioner av ljus från växtblad, vilket gav värdefulla insikter om vegetationens fysiska och biokemiska egenskaper. Dessa observationer jämfördes sedan med tidpunkten för växtlivscykelhändelser, känd som fenologi.
Genom att integrera data från satellitbilder och fenologiska observationer har teamet kunnat erhålla omfattande information om växtfunktionella egenskaper över höga dimensioner. Denna integration har stor potential för att utvidga till andra dimensioner av växtegenskaper, såsom växthälsa, funktion och motståndskraft.
Denna metod genomgick grundliga och rigorösa tester för att utvärdera dess effektivitet, tillämpbarhet över olika skalor och potential för övervakning med hög genomströmning. Testet använde benchmarkdata för 12 bladegenskaper som samlats in från 14 geografiskt avlägsna platser inom National Ecological Observatory Network (NEON) i östra USA.
Shuwen Liu, den första författaren och en Ph.D. kandidat från professor Wus labb, sade:"Vårt tillvägagångssätt fångar effektivt mångfalden av växtegenskaper i fina rumsliga skalor samtidigt som noggrannheten bibehålls över stora områden." Liu förklarade vidare att deras metod övervinner begränsningarna hos andra metoder som enbart förlitar sig på växtfunktionstyper eller enstaka bildförvärv.
Det föreslagna tillvägagångssättet överträffade traditionella metoder som förlitar sig på miljövariabler eller enstaka Sentinel-2-bilder som prediktorer utan att kräva miljövariabler för att förbättra prediktiv förmåga. Detta fynd understryker betydelsen av fenologisk information i egenskapsprediktionen och antyder att teorin om "bladekonomisk spektrum" kan vara den underliggande mekanismen som driver deras tekniska framgång.
Med tanke på modellens bevisade effektivitet på 14 olika ekosystemplatser över hela USA, visar den ett stort löfte för expansion till nationell och global skala, vilket möjliggör övervakning av växtfunktionella egenskaper från ekosystem till regional och nationell nivå.
När han reflekterar över den framtida potentialen för denna forskning, sa professor Wu, "Framtida studier kommer att fokusera på bredare validering för att fullt ut utnyttja denna teknologis potential inom gränsöverskridande grundläggande vetenskap, som att förstå terrestra ekosystems känslighetsreaktion på klimatförändringar och identifiera deras respektive tipppunkter.
"Dessutom finns det stor potential för tillämpad vetenskap, särskilt när det gäller att utforska naturbaserade klimatlösningar."
Mer information: Shuwen Liu et al, Spectra-phenology integration för högupplöst, exakt och skalbar kartläggning av bladfunktionella egenskaper med tidsserie Sentinel-2-data, Remote Sensing of Environment (2024). DOI:10.1016/j.rse.2024.114082
Tillhandahålls av University of Hong Kong
