Förmågan att noggrant övervaka tidpunkten för vegetationens tillväxtfaser, känd som markytans fenologi (LSP), i fina rumsliga skalor är avgörande för att förstå ekosystemfunktioner och hantera naturresurser. Trots framsteg komplicerar den sparsamma högupplösta satellitdata som orsakas av molntäcke och begränsade återbesökstider denna uppgift.
En studie publicerad i Journal of Remote Sensing bedömer noggrannheten hos två spatiotemporala datafusionsalgoritmer, Spatial och Temporal Adaptive Reflectance Fusion Model (STARFM) och genererar samtidigt fullängds normaliserad differensvegetationsindextidsserie (SSFIT), vid extrahering av vårens fenologiska datum i fina skalor. Dessa algoritmer syftar till att rekonstruera högupplösta och molnfria tidsseriedata för att förbättra detekteringsnoggrannheten för början av växtsäsongen (SOS) över heterogena landskap.
Med hjälp av Harmonized Landsat Sentinel-2 (HLS) och Moderate Resolution Imaging Spectroradiometer (MODIS) data för en simuleringsstudie i Ogden, Utah, utvärderade forskargruppen STARFM- och SSFIT-algoritmerna mot traditionella interpolationsmetoder för att rekonstruera högkvalitativt Enhanced Vegetation Index (EVI2) ) tidsserier för att exakt identifiera SOS.
Studien visade att dessa algoritmer avsevärt förbättrar noggrannheten hos fenologiska datum, särskilt när begränsade molnfria Landsat-bilder är tillgängliga under avgörande tillväxtperioder.
Forskningen tog upp utmaningarna med molntäcke och gles högupplöst bildtagning, avgörande för detaljerad övervakning av vegetationstillväxt. Genom att slå samman frekventa MODIS-observationer med detaljerade, om än sällsynta, HLS-data, skapade teamet syntetiserade, molnfria bilder som kombinerar hög upplösning med regelbundna tagningsintervall.
Professor Xiaolin Zhu, motsvarande författare, betonar nödvändigheten av att exakt fånga de fenologiska stadierna för att mildra ekologiska och jordbruksmässiga risker förknippade med klimatvariationer. "Vår forskning strävar efter att överbrygga klyftan inom fenologiövervakning genom att utnyttja styrkorna hos både grova och finupplösta satellitbilder genom avancerade datafusionstekniker."
Den här forskningen belyser den kritiska rollen som datafusionstekniker spelar för att utveckla markytans fenologiövervakning genom att ta itu med utmaningarna med molntäcke och satellitbilder med grov upplösning.
Genom att förbättra noggrannheten för detektering av vegetationsstadiet, stöder studien förbättrad miljöledning och klimatanpassningsinsatser. Den visar upp integrationen av satellitdata som ett betydande steg framåt inom fenologisk forskning och praktiska tillämpningar.
Mer information: Jiaqi Tian et al, Effectiveness of Spatiotemporal Data Fusion in Fine-Scale Land Surface Phenology Monitoring:A Simulation Study, Journal of Remote Sensing (2024). DOI:10.34133/fjärranalys.0118
Tillhandahålls av TranSpread
