أكثر

مشكلة تحويل إسقاط MODIS LAI من الجيب الجيبي إلى الجغرافي

مشكلة تحويل إسقاط MODIS LAI من الجيب الجيبي إلى الجغرافي


أحاول تغيير الإسقاط الجيبي لبيانات MODIS (LAI) إلى الإسقاط الجغرافي. في الواقع لقد فعلت ذلك. ولكن عندما أعدت إسقاطه بواسطة ERDAS ، تحركت البيانات النقطية للخرج LAI على بعد حوالي 10 كم إلى الجانب الغربي من ملف الشكل الفعلي وجربته بواسطة ENVI ، تحركت البيانات النقطية الناتجة أيضًا على بعد حوالي 20 كم ولكن إلى الجانب الشمالي من ملف الشكل. أنا أستخدم ملف الأشكال للتحقق من دقة البيانات النقطية الناتجة. كان شكل بحيرة.

كما جربته في R لتحويل الإسقاط باستخدام البرنامج النصي التالي

مكتبة (sp) مكتبة (rgdal) (نقطية) Sys.setenv (TZ = 'GMT') lai_real <-raster ("E:  LAI  LAI_hdf  MOD15A2_LAI_2014  مجلد جديد  mod15a2.a2014169.h23_26 .img ") (lai_real) <- CRS (" + init = epsg: 4326 ") writeRaster (lai_real ، اسم الملف =" E:  LAI  LAI_hdf  MOD15A2_LAI_2014  New Folder  mod15a2.a2014169.h23_26_geo .img "، datatype =" FLT8S "، الكتابة فوق = TRUE)

لكنها لا تعمل.

كيف يمكنني تحويل إسقاط LAI من الجيبي إلى الجغرافي (خط الطول / العرض)؟

إذا كان توضيحي غير واضح ، فيرجى زيارة الرابط الذي تمت مشاركته أدناه. آمل أن تفهم بعد ذلك المشكلة التي أواجهها في تحويل الجيبية إلى جغرافي (WGS84) https://www.dropbox.com/s/cucntnt8kh7m1dl/Hovsgol.png "> تنسيق النظام erdas-imagine modis envi lai

تقييم منتج MODIS LAI باستخدام LAI المستقل المشتق من الليدار: دراسة حالة في غابة صنوبرية مختلطة

تقدم هذه الدراسة تقييمًا بديلاً لمنتج MODIS LAI لغابة إبرة دائمة الخضرة تبلغ مساحتها 58000 هكتار تقع في سلسلة جبال روكي الغربية في شمال ولاية أيداهو باستخدام بيانات ليدار للنموذج (R 2 = 0.86 ، RMSE = 0.76) وخريطة LAI بدقة أعلى عبر عدد كبير من وحدات البكسل MODIS في مجملها. تم تجميع تقديرات LAI ذات الدقة المعتدلة (30 م) المستندة إلى lidar إلى دقة منتج MODIS LAI البالغ طوله 1 كم ومقارنتها بعمليات استرجاع MODIS المتزامنة مؤقتًا. تم تجميع الاختلافات في MODIS والقيم المشتقة من LAI وتحليلها بواسطة عدة عوامل مختلفة ، بما في ذلك خوارزمية استرجاع MODIS وهندسة الشمس / المستشعر وعدم تجانس البكسل الفرعي في كل من خصائص الغطاء النباتي والتضاريس. من الأمور ذات الأهمية الخاصة التباين في النتائج عندما تم تحليل MODIS LAI وفقًا لفئة استرجاع الخوارزمية. لاحظنا اتفاقًا جيدًا نسبيًا بين قيم LAI المشتقة من lidar و MODIS LAI للبكسل المستردة باستخدام خوارزمية RT الرئيسية دون تشبع لـ LAI LAI 4. علاوة على ذلك ، بالنسبة إلى النطاق الكامل لقيم LAI ، هناك مبالغة كبيرة في تقدير LAI (بالنسبة إلى LAI المشتق من lidar ) حدث عندما تم استخدام إما RT الرئيسي مع استرجاع خوارزمية التشبع أو النسخ الاحتياطي لملء المنتج المركب بغض النظر عن التعقيد الهيكلي للنباتات الفرعية أو هندسة الشمس / المستشعر. هذه النتائج مهمة لأن عمليات استرجاع الخوارزمية القائمة على خوارزمية النقل الإشعاعي الرئيسية مع أو بدون تشبع تتميز بأنها مناسبة للتحقق ونمذجة النظام الإيكولوجي اللاحقة ، ومع ذلك يبدو أن حجم الاختلاف خاص بفئة جودة الاسترجاع والخصائص الهيكلية للنباتات.

يسلط الضوء

► تم تقييم MODIS LAI باستخدام LAI على غرار lidar للغابات الصنوبرية المختلطة في ولاية أيداهو ، الولايات المتحدة الأمريكية. يُعزى أداء MODIS LAI جزئيًا إلى فئة استرجاع النقل الإشعاعي (RT). تأثر تردد ودقة استرجاع LAI بهيكل الغطاء النباتي ذي البكسل الفرعي.


نبذة مختصرة

تغطي الغابات الصنوبرية والمختلطة ما يقرب من 42٪ من مناطق غابات هندوراس ، إلا أن انتشار خنفساء لحاء الصنوبر (Dendroctonus spp.) يمثل خطرًا بيئيًا تسبب في آثار بيئية واقتصادية لا حصر لها في هندوراس. في هذا البحث ، من أجل التخطيط لمزيد من الإجراءات المركزة للسيطرة على تفشي PBB ، من الضروري تحديد تلك المناطق التي لديها قابلية عالية لانتشار PBB خلال المواسم الجافة والممطرة. ولهذا الغرض ، نطلب ربط النقاط التاريخية لتفشي PBB (2017-2019) ، بسلسلة من المتغيرات البيئية والبشرية التي أثرت وفقًا لمراجعة الأدبيات على بدء انتشار فاشيات PBB. لتقييم المتغيرات المناخية الحالية ، استخدمنا منتج درجة حرارة سطح الأرض MODIS (LST-MOD11A2) وسرعة الرياح وهطول الأمطار ودرجة الحرارة المكتسبة من بيانات WorldClim. لتقييم قوة الغطاء النباتي ، نستخدم مؤشر رطوبة الجفاف الطبيعي المقدّر من منتج انعكاس السطح MODIS (MOD09A3). لإعطائنا فهمًا لكثافة الغابة ، نقارن منتجين ، مؤشر MODIS Leaf Area (LAI-MOD15A2H) ، وحقول MODIS النباتية المستمرة (VFC-MOD44B). قمنا بتضمين الارتفاع والجانب والمنحدر كمتغيرات وحصلنا على هذه البيانات من بيانات ارتفاع التضاريس العالمية متعددة الدقة (GMTED-2010). أخيرًا ، استخدمنا بيانات أنظمة المعلومات الجغرافية لاشتقاق القرب من أنواع مختلفة من الطرق كبيانات بشرية المنشأ وكثافة حرائق الغابات. نقوم بتحليل أولي للمتغيرات ونستبعد المتغيرات التي تظهر أقل أهمية. علاوة على ذلك ، قمنا بدمج أكثر المتغيرات ذات الصلة المحددة بنقاط PBB باستخدام خوارزمية Random Forest (RF) لتلائم النموذج ثم توقعنا قابلية انتشار PBB الحالي للموسم الجاف والممطر. أشارت النتائج إلى أن المتغيرات المناخية لها تأثير كبير في تحديد المناطق عالية الحساسية. تظهر نتائج تنبؤاتنا حساسية عالية وعالية جدًا في الأجزاء الشمالية الشرقية والوسطى من البلاد على وجه الخصوص. يمكن أن تؤدي النتائج التي تم الحصول عليها إلى تحسين التدابير الوقائية والمكافحة للحد من الآثار البيئية السلبية التي تسببها فاشيات PBB.


نبذة مختصرة

تم إجراء تقييم استكشافي لتحديد قوة الارتباط والتوقيت الأمثل للعديد من منتجات التصوير المركب بمقياس الطيف الإشعاعي المعتدل الشائع الاستخدام (MODIS) مقابل غلات المحاصيل لعشر سلع زراعية مهمة على مستوى العالم. شملت المحاصيل التي تم تحليلها الشعير والكانولا والذرة والقطن والبطاطا والأرز والذرة الرفيعة وفول الصويا والشمندر والقمح. تضمنت بيانات MODIS التي تم فحصها مؤشر الفروق الطبيعية للغطاء النباتي (NDVI) ، وجزء الإشعاع النشط ضوئيًا (FPAR) ، ومؤشر مساحة الأوراق (LAI) ، وإجمالي الإنتاج الأولي (GPP) ، بالإضافة إلى درجة حرارة سطح الأرض أثناء النهار (DLST) والليل. LST (NLST). كانت الصور المستخدمة جميعها ذات فترات زمنية مدتها 8 أيام ، لكن NDVI كان بدقة مكانية تبلغ 250 مترًا بينما كانت المنتجات الأخرى 1000 متر. تم أيضًا تقييم مجموعات بيانات MODIS هذه من سواتل Terra و Aqua ، مع اختلاف أوقات تجاوزهما ، لتوثيق أي اختلافات. نظر تحليل متابعة ، باستخدام بيانات Terra 250 m NDVI كمعيار ، في فائدة التنبؤ بالإنتاجية لـ NDVI على مقياسين مكانيين (250 م مقابل 1000 م) ، دقيقتين زمنيتين (8 أيام مقابل 16 يومًا) ) ، وقيمت أيضًا مؤشر الغطاء النباتي المحسن (EVI ، عند 250 مترًا ، لمدة 16 يومًا). امتدت التحليلات إلى مناطق الزراعة الرئيسية في الولايات المتحدة (الولايات المتحدة) من صيف 2008 - 2013 واستخدمت بيانات متوسط ​​إنتاجية المحاصيل السنوية على مستوى المقاطعة من وزارة الزراعة الأمريكية كأساس. أظهرت جميع المحاصيل ، باستثناء الأرز ، على الأقل بعض الارتباطات الإيجابية لكل من المؤشرات المتعلقة بالنباتات في منتصف موسم النمو ، مع أداء مؤشر NDVI أفضل قليلاً من FPAR. كان LAI إلى حد ما أقل ارتباطًا بقوة وكان GPP ضعيفًا بشكل عام. على العكس من ذلك ، أظهرت بعض المحاصيل ، خاصة الكانولا والذرة وفول الصويا ، أيضًا ارتباطات سلبية مع DLST في منتصف الصيف. ومع ذلك ، لم يتم ربط NLST أبدًا بإنتاجية المحاصيل ، بغض النظر عن المحصول أو التوقيت الموسمي. تم العثور على الاختلافات بين نتائج Terra و Aqua لتكون ضئيلة. أظهر دقة 1000 م NDVI أداءً أضعف إلى حد ما من 250 م ويقترح أن الدقة المكانية مفيدة ولكنها ليست ضرورة. كانت علاقات NDVI لمدة 8 أيام مقابل 16 يومًا للعوائد متشابهة جدًا بخلاف الدقة الزمنية. أخيرًا ، أظهر مؤشر الضعف الاقتصادي غالبًا أفضل أداء لجميع المتغيرات ، مع مراعاة جميع الأشياء.


4. النتائج

4.1 التغيرات الموسمية للمؤشرات المشتقة من MODIS في كل قارة

المؤشرات المشتقة من MODIS لها اختلافات مختلفة في قارات مختلفة (الشكل 2). في أوراسيا وأمريكا الشمالية ، تتغير جميع المؤشرات (LST و NPP و NDVI و LAI) موسميًا ، مع القيم القصوى في الصيف (يوليو أو أغسطس) والقيم الدنيا في الشتاء (يناير أو فبراير). لدى LST في أستراليا اتجاه معاكس لذلك الموجود في أوراسيا وأمريكا الشمالية ، لكن التغيير الموسمي ليس واضحًا. تذبذب NPP و NDVI و LAI صغير جدًا في إفريقيا وأستراليا وأمريكا الجنوبية. تتمتع أمريكا الجنوبية دائمًا بأكبر قيمة من NPP و NDVI و LAI.

تقع أوراسيا وأمريكا الشمالية في نصف الكرة الشمالي والحساسية الموسمية لخضرة النبات وظواهر الثلوج هي الأسباب الرئيسية للتغييرات في المؤشرات. تقع أستراليا في نصف الكرة الجنوبي ، مع وجود نسبة كبيرة من المناطق العارية تؤدي إلى تقلبات صغيرة في NPP و NDVI و LAI. يحتوي حوض نهر الأمازون في أمريكا الجنوبية على أعلى غطاء نباتي في العالم ، وبالتالي فإن NPP و NDVI و LAI كلها أعلى في أمريكا الجنوبية. يرتبط LST ارتباطًا وثيقًا بنوع الغطاء الأرضي ، خاصة في المناطق المكشوفة [39] ، وهو السبب الرئيسي لارتفاع قيمة هذه المعلمة في إفريقيا وأستراليا.

4.2 تحليل الارتباط بين TANSO XCO2 والمؤشرات المشتقة من MODIS

R 2 و RMSE بين TANSO XCO2 والمؤشرات المشتقة من MODIS تم تحليلها عبر شهور في كل قارة. تم النظر في المؤشرات التسعة التالية في التحليل: LST (من MOD11C3) و EVI و NDVI (من MOD13C2) و LAI و FPAR (من MOD15A2) و GPP و NPP و GN (GPP ناقص NPP) و NG (NPP / GPP) ( MOD17A2).

معاملات الارتباط المختلفة بين TANSO XCO2 والمؤشرات المستندة إلى MODIS تم العثور عليها في قارات مختلفة (الجدول 1). في أفريقيا ، كانت أعلى معاملات الارتباط بين XCO2 و NPP (R 2 = 0.61 و RMSE = 1.21). على الرغم من أن القيم بين XCO2 و NDVI و LST لم تكن عالية جدًا (R 2 = 0.39 و 0.24 ، RMSE = 1.53 و 1.70 ، على التوالي) ، لكنها تلبي معايير اختيار النموذج (انظر القسم 4.3). في أستراليا ، نظرًا لأن المعدل الأعلى للمناطق المكشوفة يمكن أن يزيد من انعكاس الخلفية ، كان أعلى معامل ارتباط بين XCO2 و LST (R 2 = 0.41 ، RMSE = 0.85). على الرغم من أن المناطق العارية في أوراسيا واسعة أيضًا ، إلا أن الغابات في سيبيريا وجنوب الصين تزيد من الارتباط بين XCO2 و NDVI و EVI (R 2 = 0.44 و 0.42 ، RMSE = 1.73 و 1.76 على التوالي). في أمريكا الشمالية ، معاملات الارتباط بين XCO2 ووصل NDVI إلى R 2 = 0.65 (RMSE = 1.15) وأقل القيم التي تم تحديدها لنموذج TVP هي R 2 = 0.49 (بين XCO2 و LST و NDVI). في أمريكا الجنوبية ، كانت أعلى معاملات الارتباط بين XCO2 و LST (R 2 = 0.64 ، RMSE = 1.39). تم أيضًا اختيار مؤشر NG (R 2 = 0.19 ، RMSE = 2.09) لبناء النموذج.

تشير القيم المختلفة إلى أن ثاني أكسيد الكربون2 تأثر التركيز بعوامل مختلفة مرتبطة بمختلف أنواع المناخ والغطاء الأرضي [2]. يوضح الجدول 1 أيضًا أن LST كان مهمًا في جميع القارات الخمس ، مما يشير إلى أن LST عامل مهم في CO2 بحث التركيز. فيما يتعلق بالمؤشرات المختارة في القارات الخمس ، فقط أستراليا لديها متوسط ​​RMSE أقل من 1 أوراسيا لديها أعلى متوسط ​​RMSE (1.87).


3 نتائج

3.1 مقارنة بين منتجات LAI العالمية

3.1.1 الاتساق المكاني لمنتجات LAI العالمية

[17] يوضح الشكل 1 التوزيع الجغرافي لمتوسط ​​LAIs العالمي من 2003 إلى 2010. منتجات MODIS و GEOV1 و GLASS و GLOBMAP LAI متسقة بشكل عام في أنماطها المكانية وتتفق مع مقاديرها. يرتبط الاتساق العام بحقيقة أن جميع المنتجات تمثل LAI الحقيقي ، حتى لو كانت خوارزميات الاسترجاع ومصادر بيانات الانعكاس تختلف عن بعضها البعض. يظهر نصفي الكرة الأرضية بوضوح مواسمية معاكسة. هناك ثلاث قمم LAI واضحة في نصف الكرة الشمالي ، والتي تقع في المناطق الاستوائية (0 درجة شمالا) ، وشبه الاستوائية (20 درجة شمالا) ، والمناطق الشمالية (60 درجة شمالا). المناطق الاستوائية ، على سبيل المثال ، الأمازون وأفريقيا الوسطى ، لديها أعلى LAIs (& gt 5.0) ، تليها المناطق الشمالية ، والتي تتوافق مع توزيع الغابات. قيم LAI متوسطة عند خطوط العرض الوسطى وترتبط بالأنشطة الزراعية والغابات عريضة الأوراق ، على سبيل المثال ، فوق الولايات المتحدة وأوروبا والصين. قيم LAI منخفضة جدًا (& lt 1.0) فوق مناطق قليلة الغطاء النباتي. يمكن رؤية قيم LAI المفقودة (المناطق البيضاء في الشكل 1) بسهولة في المناطق الصحراوية وأثناء الشتاء وهي ناتجة عن نقص بيانات الإدخال عالية الجودة. MODIS و GLASS متشابهان جدًا ، وكلاهما يظهر أعلى مستويات LAIs (4.3) في المناطق الاستوائية. قيم GEOV1 و GLOBMAP أقل قليلاً (

0.5) في المناطق الاستوائية مقارنة بقيم MODIS و GLASS. قيم GLOBMAP أقل أيضًا (

0.6) من منتجات LAI الحقيقية الأخرى في المناطق شبه الاستوائية. تظهر جميع المنتجات قمم LAI صغيرة (

1.5) وتقلب عالي حول 40 درجة جنوبا 50 درجة جنوبا. تنتج LAIs JRC-TIP (الفعالة) بوضوح أقل القيم (& lt 1.5) على نطاق عالمي وهي ، في المتوسط ​​، حوالي ثلث القيم المحسوبة بواسطة المنتجات الأخرى.

3.1.2 مناخات LAI العالمية

[18] الشكل 2 يوضح علم المناخ لجميع منتجات LAI من 2003 إلى 2010. جميع المنتجات تظهر بشكل عام تطورًا موسميًا سلسًا مع قيم أعلى في الصيف وأقل في الشتاء. تتفق جميع العوامل المناخية بشكل جيد للغاية بالنسبة لمحاصيل الأعشاب / الحبوب والشجيرات ، مع انحرافات متوسطة أقل من 0.33 (الجدول 3). تم تسجيل فروق صغيرة (& lt 0.85) للمحاصيل عريضة الأوراق والسافانا. بالنسبة للمحاصيل عريضة الأوراق ، تكون قيم GEOV1 و GLASS أعلى قليلاً (

0.25) من قيم MODIS ، بينما تكون قيم GLOBMAP و JRC-TIP أقل (

0.20) من قيم MODIS. بالنسبة إلى السافانا ، تتشابه قيم MODIS و GEOV1 و GLASS ، لكن قيم GLOBMAP و JRC-TIP أقل (

0.45) من قيم MODIS.

أنواع المناطق الأحيائية العشب / Crop-C شجيرة المحاصيل- ب السافانا EBF DBF ENF DNF غير V. الحضاري متوسط
يعني LAI موديس 0.64 0.41 1.17 1.38 4.64 2.04 1.58 1.34 0.14 1.01 1.43
GEOV1 0.84 0.57 1.42 1.53 4.05 2.27 2.03 1.55 0.20 0.94 1.55
زجاج 0.79 0.51 1.46 1.58 4.50 2.28 1.91 1.54 0.15 0.65 1.55
GLOBMAP 0.51 0.27 0.98 0.92 4.13 2.07 1.95 1.30 0.15 0.51 1.23
JRC-TIP 0.61 0.41 0.96 0.83 1.53 0.92 0.46 0.53 0.19 0.50 0.78
أرض- SAF 0.78 0.54 1.46 1.67 3.46 2.31 2.03 0.31 1.26 1.63
ريبة موديس 0.07 0.05 0.09 0.16 0.38 0.36 0.43 0.33 0.02 0.12 0.17
GEOV1 0.17 0.13 0.26 0.31 0.66 0.41 0.36 0.33 0.00 0.22 0.24
JRC-TIP 0.40 0.24 0.69 0.62 1.14 0.62 0.42 0.39 0.01 0.44 0.43
أرض- SAF 0.25 0.21 0.36 0.47 0.88 0.54 0.43 0.2 0.3 0.36
عدم اليقين النسبي (٪) موديس 9.1 11.8 6.5 11.0 8.8 15.8 23.9 19.0 4.8 3.8 11.5
GEOV1 33.8 35.1 24.6 23.5 15.9 23.3 18.4 25.9 6.2 29.3 26.6
JRC-TIP 126.7 133.9 101.0 103.9 78.9 103.3 137.2 141.3 104.0 130.7 114.3
أرض- SAF 56.8 57.2 37.4 30.3 25.2 25.4 30.1 102.3 32.1 37.8
  • (أ) Land-SAF مستمدة من 2007 إلى 2010 على أفريقيا. يتم حساب العمود الأخير من المتوسط ​​العالمي لجميع وحدات البكسل المزروعة. Crop-C و Crop-B تشير إلى محاصيل الحبوب والمحاصيل عريضة الأوراق ، على التوالي. ترمز EBF و DBF و ENF و DNF إلى الغابة عريضة الأوراق دائمة الخضرة والغابات عريضة الأوراق المتساقطة وغابة الإبرة دائمة الخضرة والغابات المتساقطة الأوراق ، على التوالي. يشير Non-V إلى النوع غير النباتي. في جميع الإحصاءات ، تم النظر في القيم الموجبة (& gt0) لـ LAI ، والقيم غير السلبية (0) لعدم اليقين وعدم اليقين النسبي.

[19] تنتج MODIS و GEOV1 و GLASS و GLOBMAP LAIs مستقرة نسبيًا لـ EBF على مدار العام. يبالغ كل من MODIS و GLASS في تقدير GEOV1 و GLOBMAP بنحو 0.50. تمت مناقشة الأسباب المحتملة في القسم 4.1. تنتج جميع منتجات LAI الأربعة الحقيقية قيمًا مماثلة لـ DBF و ENF و DNF. ينتج GEOV1 قيمًا أعلى قليلاً للغابات ذات الأوراق الإبرية في الشتاء ، خاصةً DNF ، والذي يرجع جزئيًا إلى تلوث الثلوج والسحب. تحدث المبالغة في التقدير أيضًا في منتج CYCLOPES السابق وستتم مناقشتها بمزيد من التفصيل في القسم 3.5. بالنسبة إلى JRC-TIP ، تمثل قيم LAI الفعالة حوالي نصف منتجات LAI الحقيقية الأخرى في المتوسط ​​(الجدول 3). يكون الاستخفاف أقل وضوحًا بالنسبة للأنواع العشبية ، حيث تتشابه الملامح الزمنية JRC-TIP مع تلك الخاصة بـ GLOBMAP. يكون التقليل أكثر وضوحًا لأنواع الغابات خلال مرحلة النضج ، حيث يصل إلى 4.0 بالنسبة إلى EBF. قيم LAI للمناطق غير المزروعة منخفضة بشكل مفهوم (& lt 0.30). تشكل وحدات البكسل الحضرية نسبة صغيرة من البيانات وتعرض تباينًا موسميًا واضحًا.

3.1.3 العلاقات والتحويلات بين منتجات LAI

[20] يوضح الشكل 3 مخططات تشتت الكثافة بين منتجات LAI العالمية. تُظهر منتجات MODIS و GEOV1 و GLASS و GLOBMAP LAI ارتباطات خطية قوية مع بعضها البعض ، مع ص 2 قيم تتراوح بين 0.743 و 0.896. على الرغم من أن نقاط البيانات مبعثرة ، إلا أن الارتباط بين GEOV1 و MODIS مرتفع عند ص 2 = 0.789 ، ويختلفان بنسبة 0.38 LAI فقط (الشكل 3 أ). يصبح كل من MODIS و GEOV1 مشبعين عند حوالي 6.0 ، نظرًا لحقيقة أن GEOV1 المنصهر يتم تشغيله بشكل أساسي بواسطة MODIS لقيم LAI الأكبر. يشير الاتفاق الممتاز بين MODIS و GEOV1 إلى أنه بعد مراعاة معادلة الاندماج (1) ، فإن GEOV1 LAI قريبة من MODIS true LAI. يظهر GLASS أعلى ارتباط مع MODIS (ص 2 = 0.855) و GEOV1 (ص 2 = 0.896). من المتوقع أن يكون هناك تناسق جيد بين MODIS و GEOV1 و GLASS لأن خوارزمية الاندماج تستخدم أفضل تقديرات LAI (المعادلتان (1) و (3)) في عملية تدريب الشبكة العصبية ، والتي تسهل القيم المتطرفة المحتملة الملوثة بالسحب والثلج ، أو التأثيرات الجوية ويوفر اتساقًا محسنًا بين المنتجات. ينتج GLOBMAP عددًا صغيرًا من قيم LAI المرتفعة نسبيًا (& gt 7.0 أرقام 3d − 3f) ، والتي تتوافق مع EBF في جنوب الأمازون وترتبط ببيانات مؤشر التكتل على مستوى البكسل المنخفض نسبيًا (0.5 - 0.6) [هو وآخرون., 2012 ليو وآخرون. ، 2012]. تختلف الرسومات الخاصة بـ JRC-TIP عن رسومات مخططات التشتت الأخرى (الأشكال 3g − 3j). تبلغ قيم JRC-TIP حوالي ثلث قيم LAI الأخرى ولها علاقة منخفضة (ص 2 ≤ 0.661) مع هذه المنتجات. يتشبع LAI الفعال بشكل عام عند 3.0 أو أعلى قليلاً ، وهو ما يمثل حدًا أعلى لعمليات استرجاع JRC-TIP فيما يتعلق بالقيم السابقة وأوجه عدم اليقين المتعلقة بالرصد [بينتي وآخرون. ، 2011b].

[21] يعطي الجدول 4 معادلات التحويل بين منتجات LAI لأنواع المناطق الأحيائية المختلفة. تم استخدام MODIS LAI كخط أساس لأن GEOV1 و GLASS و GLOBMAP و JRC-TIP متصلة إلى حد ما بـ MODIS في عملية استرجاع LAI. تؤدي الوظيفة الخطية أداءً جيدًا في ترجمة قيم LAI بين المنتجات المختلفة ، على الرغم من وجود بعض التباين. تم العثور على علاقات جيدة للأعشاب / محاصيل الحبوب والشجيرات و DBF و ENF و DNF. العلاقات المعتدلة (ص 2 ≤ 0.60) للمحاصيل عريضة الأوراق بسبب المبالغة في التقدير (

1.0−2.0) بواسطة GEOV1 و GLASS و GLOBMAP في حزام الذرة وفول الصويا في الغرب الأوسط للولايات المتحدة والتقليل من التقدير (

2.0) في غرب أفريقيا الاستوائية في الصيف (الشكل 1). تكشف العلاقات المعتدلة المماثلة للسافانا عن اختلافات بين المنتجات لهذا النوع من المناطق الأحيائية المعقدة هيكليًا [فانغ وآخرون. ، 2013]. العلاقات المنخفضة (ص 2 & lt 0.42) للغابات عريضة الأوراق دائمة الخضرة يمكن أن يُعزى جزئيًا إلى النطاق الصغير للقيم العالية لهذا النوع المحدد من المناطق الأحيائية ، على الرغم من أن الانحرافات المتوسطة بين المنتجات أقل من 0.50 (الشكل 2).

  • (أ) المعادلات المشتقة من القيم الموجبة (& gt0) LAI ، 2003-2010 (0.05 درجة). تعرض كل خلية معادلات التحويل (ص & lt 0.001) ، و ص 2 و RMSE بين قوسين.

3.2 حالات عدم اليقين النظرية لمنتجات LAI

3.2.1 الاتساق المكاني لأوجه عدم التيقن من LAI

[22] يتم عرض خرائط عدم اليقين الخاصة بـ MODIS و GEOV1 و JRC-TIP في الشكل 4. بشكل عام ، تتشابه الأنماط المكانية لأوجه عدم اليقين ، وترتبط جيدًا بتوزيع أنواع المناطق الأحيائية ، وتوضح أن المناطق الاستوائية (20 درجة) S − 15 ° N) والمناطق الشمالية (60 ° N) بها درجات عدم يقين أعلى من المناطق الأخرى. تكون أوجه عدم اليقين العامة بالترتيب التالي بشكل عام: MODIS & lt GEOV1 & lt JRC-TIP. هذا الاتجاه أكثر وضوحا في خطوط العرض المنخفضة. يتراوح عدم اليقين في MODIS بين 0.10 و 0.35 في المناطق الاستوائية ، في حين أن عدم اليقين GEOV1 هو & gt 0.40 بين 10 درجات شمالاً و 10 درجات جنوباً. ينتج JRC-TIP أعلى درجة من عدم اليقين (

1.00) في المناطق الاستوائية. كما أن عدم اليقين بشأن LAI مرتفع أيضًا في المناطق الشمالية ، مما يعكس المشهد المعقد الناجم عن ضعف الإضاءة وانخفاض زاوية ذروة الطاقة الشمسية (SZA) والتلوث بالثلج والسحب والتأثير السفلي [بيسيك وآخرون., 2010 وايس وآخرون. ، 2007]. ترتبط اتساع التباين الموسمي بصريًا بمنتجات LAI ، مع ارتفاع درجة عدم اليقين بشكل عام في يوليو مقارنة بشهر يناير ، باستثناء المناطق الاستوائية. تحدث فجوات البيانات في الغالب بسبب حدوث الثلوج والسحب ، خاصة في شهر يناير. في يوليو ، لوحظ ارتفاع درجة عدم اليقين في GEOV1 ، مقارنةً بـ MODIS ، في شرق أمريكا الشمالية وأوروبا وشرق آسيا. بالنسبة إلى JRC-TIP ، تكون أوجه عدم اليقين أعلى أيضًا بالنسبة للغابات ومناطق LAI المرتفعة ، على سبيل المثال ، في شرق الولايات المتحدة والصين. علاوة على ذلك ، فإن النطاقات الديناميكية لأوجه عدم اليقين الخاصة بـ JRC-TIP أعلى بكثير من تلك الخاصة بـ MODIS و GEOV1 ، مما يعكس التباين الشهري الأعلى في بيانات LAI التي تم استردادها بواسطة MODIS albedo (القسم 2.5).

3.2.2 الاختلاف الزمني في عدم اليقين بشأن LAI

[23] تمت مقارنة الاختلاف الزمني في عدم اليقين LAI بالنسبة لـ MODIS و GEOV1 و JRC-TIP في الشكل 5. بشكل موسمي ، تكون نسبة عدم اليقين في المنتج أعلى نسبيًا في الصيف وأقل في الشتاء. وبالمثل ، فإن حجم الاختلافات بين المنتجات المختلفة يكون عادة أعلى في الصيف منه في الشتاء. بشكل عام ، يحقق كل من MODIS و GEOV1 درجات عدم يقين منخفضة مماثلة (0.17 مقابل 0.24). يظهر عدم اليقين في JRC-TIP نمطًا موسميًا واضحًا لجميع أنواع المناطق الأحيائية. في المتوسط ​​، يبلغ عدم اليقين في JRC-TIP (0.43) ضعف حالات عدم اليقين في MODIS و GEOV1 (الجدول 3).

[24] عند النظر في أنواع المناطق الأحيائية الفردية ، تكون حالات عدم اليقين بشكل عام في ترتيب MODIS & lt GEOV1 & lt JRC-TIP للأعشاب / محاصيل الحبوب والشجيرات والمحاصيل عريضة الأوراق والسافانا. تعتبر حالات عدم التيقن MODIS و GEOV1 مستقرة إلى حد ما وعند مستوى منخفض (& lt 0.30) على مدار العام لأنواع المناطق الأحيائية هذه ، والتي ترتبط بقيم LAI المنخفضة. بالنسبة إلى JRC-TIP ، يصل عدم اليقين إلى حوالي 0.96 بالنسبة للمحاصيل عريضة الأوراق في أغسطس. تكون أوجه عدم اليقين بالنسبة للغابات أعلى بشكل عام من تلك المتعلقة بغير الغابات (الشكل 5). لوحظ أعلى درجة من عدم اليقين بالنسبة لـ EBF ، والتي ترتبط جزئيًا بقيم LAI العالية لنوع المنطقة الأحيائية (انظر المزيد من التفسيرات في القسم 3.3.2). أوجه عدم اليقين بشأن MODIS (

0.66) مستقرة على مدار العام. في المقابل ، تكون حالات عدم اليقين في JRC-TIP أعلى في الربيع (

0.99). تُظهر MODIS و GEOV1 أوجه عدم يقين مماثلة لـ DBF و ENF و DNF ، بمتوسط ​​فروق أقل من 0.1 (الجدول 3). تعرض كل من MODIS و GEOV1 و JRC-TIP تغيرات زمنية مماثلة لأنواع المناطق الأحيائية الثلاثة للغابات ، مع وجود شكوك أكبر في الصيف عنها في الشتاء. بالنسبة لـ DBF ، يكون عدم اليقين في JRC-TIP أعلى قليلاً (

0.20) من حالات عدم اليقين MODIS و GEOV1.

3.3 حالات عدم اليقين النسبية لمنتجات LAI

3.3.1 الاتساق المكاني لأوجه عدم اليقين النسبية

[25] تختلف خرائط عدم اليقين النسبية بين منتجات LAI (الشكل 6). تنتج MODIS أدنى درجات عدم التيقن النسبية وينتج JRC-TIP أعلى القيم. تحدث أكبر التناقضات الملحوظة في المناطق الشمالية (60 درجة شمالاً). توجد أعلى حالات عدم اليقين النسبية بشكل عام في مناطق التحول البيئي ، مثل الأجزاء الغربية ذات الغطاء النباتي المتناثرة من الأمريكتين ، والساحل ، وجنوب إفريقيا ، وآسيا الوسطى ، وأستراليا ، وكذلك مناطق السافانا. تُظهر MODIS شكوكًا نسبيًا منخفضة جدًا في شرق الولايات المتحدة ، والأمازون ، ووسط إفريقيا ، وجنوب شرق آسيا ، ومناطق القطب الشمالي. يعرض GEOV1 شكوكًا نسبية أعلى من MODIS عند خطوط العرض المنخفضة ولكنه أقل من MODIS في المناطق الشمالية. تتراوح نسبة عدم اليقين النسبية في GEOV1 بين 20٪ و 40٪ في المناطق الشمالية خلال فصل الصيف. تظهر حالات عدم اليقين النسبية JRC-TIP تباينًا مكانيًا قويًا في أمريكا الجنوبية وأفريقيا وشرق آسيا ، خاصة في يناير. تُظهر حالات عدم اليقين النسبية لـ JRC-TIP تباينًا مكانيًا أكثر من المنتجين الآخرين خلال فصل الصيف.

3.3.2 علاقات عدم اليقين - LAI

[26] بشكل عام ، تكون حالات عدم اليقين النسبية لمنتجات LAI الثلاثة بالترتيب التالي: MODIS & lt GEOV1 & lt JRC-TIP (الجدول 3). عدم اليقين النسبي لـ GEOV1 (26.6٪) هو أكثر من ضعف ذلك من MODIS (11.5٪). بالنسبة لكل من MODIS و GEOV1 ، فإن أوجه عدم اليقين النسبية بالنسبة للغابات عريضة الأوراق أقل من تلك الخاصة بالغابات ذات الأوراق الإبرية (الجدول 3). يوضح الشكل 7 العلاقة العامة بين أوجه عدم اليقين في المنتج وقيم LAI. تبلغ أوجه عدم اليقين في MODIS و GEOV1 حوالي 10-14 ٪ من قيم LAI (الشكلان 7 أ و 7 ب). بالنسبة إلى JRC-TIP ، يبلغ عدم اليقين الإجمالي حوالي 52٪ من قيم LAI ، مع إزاحة قدرها 0.24 (ص 2 = 0.397). يشير الشكل إلى أن حالات عدم اليقين يتم تعديلها إلى حد كبير بواسطة قيم LAI ، خاصة بالنسبة لـ GEOV1 (ص 2 = 0.843). تشير العلاقة الخطية القوية بين عدم اليقين في GEOV1 و LAI إلى أن أوجه عدم اليقين النسبية قد تكون متأصلة في خصائص المنتج. في المقابل ، يبدو أن MODIS و JRC-TIP لديهما أقصى تقلبات في عدم اليقين في المنتج لقيم LAI الوسيطة عند حوالي 4.0 و 2.0 ، على التوالي.

[27] لكل منتج ، هناك ذروتان من LAI وعدم اليقين ، تتوافقان مع أنواع المناطق الأحيائية العشبية والخشبية ، والتي يمكن تحديدها بوضوح في مخططات تشتت الكثافة (الشكل 7). بالنسبة إلى MODIS ، تقع القمتان في LAI & lt 2 وبين 5 و 6 على التوالي. بالنسبة إلى GEOV1 ، تقع مواقع القمتين عند LAI & lt 3 وبين 4 و 5.5 على التوالي ، وتكون قيم عدم اليقين أعلى من تلك التي تنتجها MODIS. يوضح الشكل 7 ب أيضًا أن الحد الأقصى لـ GEOV1 LAI يبلغ حوالي 6.7 ، بينما تكون قمم عدم اليقين حوالي 1.0. تقع قمم JRC-TIP عند LAI & lt 1.3 وبين 1.2 و 2.0 على التوالي ، مما يوضح قيم LAI الأقل فعالية مع درجة عدم يقين عالية نسبيًا.

3.3.3 الاختلاف الزمني في حالات عدم اليقين النسبية لـ LAI

[28] يوضح الشكل 8 مناخات حالات عدم اليقين النسبية لـ MODIS و GEOV1 و JRC-TIP. على عكس قيم وشكوك LAI ، لم يتم ملاحظة اتجاهات موسمية متسقة لأي نوع حيوي معين. بالنسبة لـ MODIS ، تحدث اختلافات موسمية صغيرة لـ DBF و ENF و DNF ، بينما تكون حالات عدم اليقين النسبية مستقرة نسبيًا لأنواع المناطق الأحيائية الأخرى. تقل نسبة عدم التيقن من MODIS عن 20٪ لجميع المناطق الأحيائية ، باستثناء ENF (23.9٪). لوحظ أصغر عدم يقين نسبي بالنسبة لـ EBF (8.8٪). بالنسبة إلى GEOV1 ، باستثناء EBF (15.9٪) ، تكون جميع أوجه عدم اليقين النسبية أعلى من 20٪. وبالمقارنة ، فإن أوجه عدم اليقين النسبية لـ MODIS أقل قليلاً من تلك الخاصة بـ GEOV1 لجميع أنواع المناطق الأحيائية ، باستثناء ENF. يمكن رؤية أكبر الانحرافات بين المنتجين في المناطق الأحيائية غير الحرجية. لا تُظهر حالات عدم اليقين النسبية لـ MODIS و GEOV1 أي تغيير موسمي تقريبًا لـ EBF. يصل عدم اليقين النسبي الإجمالي لـ JRC-TIP إلى حوالي 114.3 ٪ (الجدول 3). نظرًا للقيم المنخفضة نسبيًا وارتفاع درجة عدم اليقين ، فإن ملفات تعريف JRC-TIP بها شكوك نسبية عالية للغاية (& gt 100٪) لمعظم العام ، باستثناء فصل الصيف عندما تنخفض درجة عدم اليقين النسبية إلى حوالي 60٪ بالنسبة لـ DBF (الشكل 8f) .

3.4 مقارنة بين منتجات LAI في إفريقيا

3.4.1 التوصيف المكاني

[29] يوضح الشكل 9 أداء منتجات LAI الستة في إفريقيا في يوليو 2010. لوحظت أعلى قيم LAI في مناطق الغابات المطيرة الاستوائية (& gt 5.0) ، لكنها تختلف اختلافًا كبيرًا بين المنتجات المختلفة. بالنسبة لمعظم المناطق الأخرى ، تُظهر جميع المنتجات LAIs متشابهة إلى حد ما ومنخفضة (& lt 2.0). ومع ذلك ، يحتوي MODIS على بعض وحدات البكسل المفقودة في مناطق الغابات المطيرة ، وتكشف خريطة حالة MODIS (غير معروضة) أن وحدات البكسل هذه تتوافق مع عمليات الاسترداد الضعيفة الناتجة عن التلوث السحابي المتسق في البيانات. تعاني GEOV1 و GLOBMAP و JRC-TIP أيضًا من فجوات بيانات مماثلة ، خاصة على طول ساحل خليج غينيا. وبالمقارنة ، يعرض GLASS خريطة LAI الأكثر استمرارية ، ويرجع ذلك إلى تكامل MODIS و CYCLOPES ونهج الشبكة العصبية السنوي (القسم 2.3). يُظهر GLOBMAP مستويات عالية من LAI متشابهة ولكنها مركزة في المناطق الاستوائية ولكنها تعطي قيمًا أقل قليلاً للمناطق الأخرى في القارة. يعتبر JRC-TIP أقل (& lt 3.0) من جميع المنتجات الأخرى ، حتى بالنسبة للغابات الاستوائية المطيرة. تعتبر Land-SAF أصغر في المناطق الاستوائية ولكنها أعلى في المناطق الأخرى مقارنة بمنتجات LAI الحقيقية الأخرى. يكشف Land-SAF أيضًا عن نمط تنازلي فريد وسلس من المناطق الاستوائية إلى خطوط العرض الأعلى بسبب عمليات المراقبة المتكررة والمتوسط ​​الشهري للقيم اليومية.

3.4.2 حالات عدم اليقين المتعلقة بالأرض التابعة للقوات المسلحة السودانية وشكوك نسبية

[30] الشكل 10 يوضح عدم اليقين بين Land-SAF والشكوك النسبية المحسوبة في يناير ويوليو بين عامي 2007 و 2010 ، على التوالي. يوضح الشكل أن أوجه عدم اليقين في 10 ° شمالاً − 18 درجة جنوباً (& gt 0.2) أعلى بوضوح من تلك الموجودة في المناطق الأخرى. تهاجر ذروة عدم اليقين من حوض شرق الكونغو في يناير (1.0-1.5) إلى حوض شمال الكونغو في يوليو (& gt 1.5) ، وهو ما يتوافق مع الهجرة الموسمية لـ EBF في إفريقيا [فايفر وآخرون. ، 2012]. تكون الشكوك النسبية مستقرة نسبيًا على مدار العام وتكون أقل بين 5 درجات شمالاً و 20 درجة جنوباً (& lt 30٪). يتم توزيع درجات عدم اليقين النسبية الأعلى (& gt 30٪) بشكل رئيسي في المناطق الانتقالية بين السافانا والشجيرات والأعشاب.

3.4.3 توصيف المقطع العرضي

[31] الشكل 11 يقارن LAIs ، وعدم اليقين ، والشكوك النسبية على طول 25 درجة شرقًا في يوليو 2010. تم ترشيح المنحنيات باستخدام طريقة متوسط ​​متحرك 2.5 درجة لإظهار الأداء العام للمنتجات المختلفة. من أقصى الشمال إلى أقصى الجنوب ، تزداد قيم LAI تدريجياً من 15 درجة شمالاً إلى 5 درجات شمالاً وتنتج قيمة EBF قصوى تبلغ حوالي 5.0. بعد انخفاض مفاجئ إلى أقل من 2.0 على طول 4 درجات جنوباً ، تنخفض قيم LAI تدريجياً من السافانا الخشبية إلى الشجيرات المفتوحة. تُظهر المناطق الاستوائية (5 درجات شمالاً 4 درجات جنوباً) اختلافات ملحوظة إلى حد ما بالنسبة لـ EBF ، حيث تتراوح قيم LAI من 3.4 (Land-SAF) إلى 5.2 (MODIS). هذا يؤكد الملاحظة السابقة للانحرافات الكبيرة لـ EBF وستتم مناقشتها بمزيد من التفصيل في القسم 4.1. في خطوط العرض شبه الاستوائية (4 درجات جنوباً 25 درجة جنوباً ، و 5 درجات شمالاً 10 درجة شمالاً) ، تهيمن أنظمة السافانا على المناظر الطبيعية وتختلف قيم LAI اختلافًا كبيرًا بين المنتجات المختلفة. تنتج MODIS و GLASS و Land-SAF قيمًا مماثلة للسافانا الخشبية بين 5 درجات شمالاً و 8 درجات شمالاً. ومع ذلك ، ينتج GEOV1 أعلى ، وينتج GLOBMAP قيمًا أقل (بحوالي 1.0) من MODIS و GLASS و Land-SAF. توجد أيضًا اختلافات كبيرة بين نصفي الكرة الأرضية لأنظمة السافانا. تحدث السافانا والسافانا الخشبية في نصف الكرة الشمالي في نطاق ضيق من خطوط العرض (حوالي 3 درجات) ، لكن قيم LAI الخاصة بها أعلى (

1.5) من نظرائهم في نصف الكرة الجنوبي. على عكس نصف الكرة الشمالي ، تُظهر Land-SAF قيمًا أعلى من جميع المنتجات الأخرى من 4 درجات جنوبًا جنوبًا. يمكن أن يرتبط الأداء الغريب لأنظمة السافانا بهيكل الغطاء النباتي الفريد لهذا النوع من المناطق الأحيائية الذي يتميز بهيكل نباتي ديناميكي للغاية ، يتنوع عبر المكان والزمان ويقوده موسم هطول الأمطار [بوسيني وحنان, 2007 فايفر وآخرون. ، 2012]. قد تكون بعض هذه الاختلافات مرتبطة أيضًا بفترات تكوين المنتج المختلفة. For example, the daily Land-SAF product may be able to optimally capture the high frequent LAI changes caused by precipitation, whereas this sort of information may be missed by other products with a longer composition cycle.

[32] In a similar manner to LAI, the uncertainties are also higher for woody savannas and EBF (Figure 11b). The MODIS uncertainties are below 0.5 over the whole transect. The GEOV1 uncertainties are around 0.75 for both woody savannas and EBF. JRC-TIP and Land-SAF have similar profiles as the transect moves from 10°N to the south, reaching about 1.4 for woody savannas and EBF, but decreasing to < 0.5 for other latitudes. Land-SAF assigns a constant uncertainty value (0.3) to bare surfaces, such as the deserts at the two ends of Africa (from 10°N and from 15°S). The relative uncertainties produce bowl-shaped profiles with increasing values from lower to higher latitudes (Figure 11c). MODIS, GEOV1, and Land-SAF values are similar for savannas and EBF (10°N−19°S), which are slightly lower than the values for the other biome types at higher latitudes. The three products show relatively larger discrepancies for savannas and open shrublands from 19°S, which indicates the complex structures for these biome types. The relative uncertainties for JRC-TIP (> 100%) are also lower for savannas and EBF than for grasslands and open shrublands.

3.5 Improvement Over Heritage Products

[33] The differences between the GEOV1 and GLOBMAP products and the heritage products are plotted in Figure 12. The improvement in GEOV1 over the earlier CYCLOPES is clear, both regarding accuracy and spatial and temporal consistency (not shown). CYCLOPES tends to underestimate MODIS, especially for higher LAI values, mainly due to the differences in LAI definitions between CYCLOPES (closer to effective LAI) and MODIS (true LAI) [Fang et al., 2012b ]. In contrast, the global average GEOV1 value is slightly higher than that of MODIS (Table 3), and this is due to the new fusion algorithm (equation (1)). The MODIS-GEOV1 differences are much smaller than the previous MODIS-CYCLOPES differences [Fang et al., 2012b ]. GEOV1 values have increased over the CYCLOPES values for all vegetated biomes, especially for the forest types (Figure 12a), indicating the effectiveness of the new fusion algorithm. The highest increase is found for EBF (

0.96). Geographically, GEOV1 matches better with MODIS in Amazon and boreal regions, whereas CYCLOPES usually underestimates MODIS in these regions [Fang et al., 2012b ].

[34] The GEOV1 uncertainties are also smaller than those of CYCLOPES (Figure 12b). Substantial differences are found for broadleaf crops and savanna. For CYCLOPES, the typical uncertainties in summer are close to 0.80 and 0.70 for broadleaf crops and savanna, respectively [Fang et al., 2012c ]. In comparison, the corresponding GEOV1 uncertainties are about 0.40 and 0.30, respectively. The reduction of the GEOV1 uncertainties (0.36 on average) are most significant for forest types, to a similar level with MODIS (Figure 5) which reaffirms the improvement of GEOV1 for these biome types. The relative uncertainty uniformly decreased by about 20−32% for all biomes (Figure 12c).

[35] Previous validation and intercomparison studies have shown that GLOBCARBON underestimates MODIS by about 1.0 for EBF due to algorithm differences and the different clumping processing methods [ESA, 2007 Fang et al., 2012b Garrigues et al. ، 2008]. The present study reveals much improved spatial and temporal consistency between GLOBMAP and the other products for EBF. Overall, GLOBMAP has increased by about 1.5 over GLOBCARBON for EBF (Figure 12d). The improvement in consistency is mainly attributed to the enhanced MODIS reflectance data utilized in GLOBMAP [He et al., 2012 Liu et al., 2012 ].

3.6 Comparison With the GCOS Accuracy Requirement

[36] Figure 13 shows the percentage of pixels that falls within the GCOS quality thresholds for uncertainty (0.5) and relative uncertainty (20%). Based on a yearly average, 93.2% of MODIS pixels are within the GCOS quality requirement for uncertainty, followed by GEOV1 (85.8%) and JRC-TIP (74.5%). Seasonally, the number of pixels meeting the requirement is about 15% lower in summer than in winter for MODIS, GEOV1, and JRC-TIP, which reflects the higher LAI values and the associated retrieval uncertainties during the peak growing season. Land-SAF shows a minor seasonality, and about 82.0% of the data have met the quality requirement in continental Africa. This is comparable to that reported in the Land-SAF validation report, which states that the mean uncertainty is below 0.6 for 71% of the land surface [García-Haro et al. ، 2008]. With regard to different biome types, forested pixels have a slightly lower percentage of pixels than nonforest types that have met the quality requirement (Figure 13b). This is partly related to the generally higher LAI values and uncertainties for forests. EBF have the lowest percentage of pixels that have met the requirement for GEOV1 (17.1%), JRC-TIP (26.4%), and Land-SAF (17.8%), which indicates the difficulty of LAI retrieval for this biome type (section 4.1).

[37] With regard to the relative uncertainty threshold (20%), the number of good retrievals is ranked as follows: MODIS (78.5%) > GEOV1 (44.6%) > Land-SAF (13.3%) > JRC-TIP (5.7%). For GEOV1, the percentage of good retrievals shows small seasonal variations, ranging from 31.0% in October to 58.6% in August, whereas there are nearly no seasonal changes for the other three products (Figure 13c). Pixels with good retrievals are distributed over various biome types (Figure 13d). Unlike the absolute uncertainties (Figure 13b), there is no clear dominant contributing biome type for the relative uncertainties (Figure 13d).

[38] In this study, the theoretical uncertainties are derived by each product separately, using different approaches, tools, and resolutions. In order to consolidate the differences in product uncertainties, a triple collocation error model (TCEM) has been developed to calculate theoretical uncertainties for the MODIS, CYCLOPES, and GLOBCARBON LAI products [Fang et al., 2012c ]. The results from this study (Table 3) show that the average uncertainties (< 0.50) and the relative uncertainties (< 40%) are comparable to those estimated by TCEM, which shows the validity of exploring theoretical uncertainties using both product QQIs and the TCEM approach. The TCEM study [Fang et al., 2012c ] indicates that less than 39.5% of MODIS and nearly half of CYCLOPES retrievals (49.1%) have met the quality requirement for absolute uncertainty (0.5). With regard to the relative uncertainties, the percentages of good retrievals are only 19.2% and 37.7% for MODIS and CYCLOPES, respectively. Results from the present study indicate that the relative uncertainties associated with the products clearly have a significantly higher percentage of good retrievals compared to those obtained using the independent TCEM approach. These differences reflect the different approaches in deriving the theoretical uncertainties and should be considered in evaluating the product uncertainties.


خلفية

Northern Ethiopian highlands are supporting large number of agricultural community whose livelihoods directly depends on farming. However, coupled with increasing population pressure and terrain characteristics of the area, there was reported massive land degradation manifested by soil erosion and resultant nutrient depletion, forest degradation and massive expansion of agricultural land use pattern with costs of other natural cover (Gete and Hurni 2001 Hurni et al. 2010 Woldeamlak and Solomon 2013). Similarly, studies undertaken specific to Guna-Tana watershed and Upper Blue Nile basin like (Hurni et al. 2005 Mellander et al. 2013 Seleshi et al. 2012, 2013, 2016 Adugnaw et al. 2016 Nigussie et al. 2017) have identified watershed level resource degradation problems emanated from anthropogenic and biophysical factors.

Since 1970s Ethiopian government have launched various soil and water conservation programs to curve resource degradation. Programs implemented at first phase during the Derg regime (1970s) and earlier phases of current government (1980s) were reported ineffective due to its top-down approach basically focused on physical soil erosion control measures (Osman and Sauerborn 2001 Essayas et al. 2014 Nigussie et al. 2015 Gebregziabher et al. 2016). Renovated watershed level soil and water conservation programs that have based community and its livelihoods as center piece of intervention like Community Based Natural Resources Management (CNRM), Integrated Watershed Soil and Water Conservation Program (ISWCP), Sustainable Land Management Program (SLM), Millennium Reforestation Program and Integrated Safety Net Programs (ISP) have been implemented nationally in many regions of Ethiopia including Guna-Tana watershed (Nigussie et al. 2015 Gebregziabher et al. 2016). In addition to these programs, every farm household is participating for 60 days annually in soil and water conservation works as community based campaign in Guna-Tana watershed.

The government repeatedly reported these soil and water conservation programs as effective in halting resource degradation scenarios and by reversing the trend while simultaneously improving rural livelihoods and ecosystem rehabilitation. Contrary to prospectus government reports, still there was natural vegetation degradation with opportunity cost of human induced land use pattern (Temesgen and Tesfahun 2014 Adugnaw et al. 2016). In these respect, some studies have reported as ISWCP have brought significant changes in agricultural productivity (Chisholm and Tassew 2012 Schmidt and Fanaye 2012), reduction of soil erosion and sedimentation (Kebede 2014 Nigussie et al. 2015 Molla 2016 Asnake 2017 Lemlem et al. 2017), vegetation change and positive hydrological responses (Fikir et al. 2009 Nyssen et al. 2010 Shimeles 2012), climate change adaptation (Meaza 2015), biomass recovery (Essayas et al. 2014 Lemlem et al. 2017). Though these studies have reported prospectus impacts of integrated soil and water conservation programs, still there is no any study undertaken to show long-term watershed level vegetation productivity and vegetation regeneration to see impacts of conservation programs on ecosystem health and productivity.

Remote sensing approaches were selected to harness its capability to provide spatially explicit account of ecosystem parameters (Xiaoming et al. 2010 Li et al. 2014) especially in places like Guna-Tana watershed where there is acute shortage of in situ based hydro-meteorological observations and complete absence of flux tower observing stations for ecosystem health modeling. One of the basic attributes of vegetation to measure through remote sensing for ecosystem health assessment is vigor (Eve et al. 1999 Li et al. 2014). Hence, the study has used remotely sensed net primary productivity (NPP) and enhanced vegetation index (EVI), which are repeatedly used as ecosystem productivity, health and vegetation regeneration and degradation at different ecosystems and geographic regions (Potter et al. 1993 Li et al. 2012 Feng et al. 2013 Zhou et al. 2013 Pan et al. 2014 Binyam et al. 2015 Neumann et al. 2015 Chen et al. 2017). Vegetation vigor (EVI) measures health of vegetation while NPP measures amount of net carbon assimilated to ecosystems after supporting respiration and transpiration which is common ecosystem health parameter. Therefore, the prime objective of this study was to assess impacts of integrated soil and water conservation programs on vegetation productivity and regeneration by using long-term and frequently observed satellite imagery from 2000 to mid of 2017.


Towards Fine-Scale Yield Prediction of Three Major Crops of India Using Data from Multiple Satellite

There is enormous scope and prospective of crop yield prediction at finer scale for both farm-level crop management as well as for crop insurance settlement at gram panchayat (GP) level in India. Now with the advent of satellite sensors like the MSI from Sentilnel-2 with fine spatial resolution, the possibility of generating frequent information on crop condition at field scale is increasing. This study demonstrated the combined use of high-resolution data from Sentinel-2 (10 m and 20 m) moderate-resolution data from MODIS (500 m) and coarser-resolution radiation data from INSAT-3D (4 km) for estimating yield of three major crops of India at GP and taluka level using a semi-physical model based on crop-specific radiation use efficiency. The novelty of this study lies in the data fusion approach using parameters from multiple spatial resolution of Geostationary and Lower Earth Orbiting satellites within the basic semi-physical model framework. The methodology has been demonstrated in Cuttack district of Odisha for rice Rajkot district of Gujarat for cotton and Indore district of MP and Fatehabad district of Haryana for wheat. We validated our result at GP, taluka and district level. At GP level, the root mean square error (RMSE) was found to be 16.5% for rice and 5.8% for wheat in Indore district. At taluka level, the RMSE was found to be 15%, 5.7%, 4.4% and 7.4% for rice, wheat in Indore district, wheat in Fatehabad district and cotton, respectively. The study concluded that high resolution remote sensing data would be of immense use for finer scale yield estimation, which can be aggregated at GP and taluka level with satisfactory accuracy (ص = 95%).

هذه معاينة لمحتوى الاشتراك ، والوصول عبر مؤسستك.


Results :

The Refugee Camp Locations :

It appears as though the resulting vegetation change over the years in the Refugee camp locations is random.

The IRD Refugee Camp Areas :

In these images the resulting vegetation change also appears to be random. Taking a closer look you can see a region west of the refugee camp locations in red. In 2002, there was a major increase in vegetation in the area, but in 2003 there had been an overall decrease. In 2004 and 2005 the decrease in vegetation appears to be intensifying.


Wheat Acreage Mapping and Yield Prediction Using Landsat-8 OLI Satellite Data: a Case Study in Sahibganj Province, Jharkhand (India)

The emergence of remote sensing technologies and availability of satellite data over three decades have facilitated to monitor and understand the agricultural systems in many intensive agricultural regions. Here, we performed a comprehensive study on utilization of multi-temporal satellite data (i.e., Landsat-8 and MODIS) for wheat acreage and yield estimation during winter season (2016–2017) over the Sahibganj District in Jharkhand (India). Phenological variables were derived using the time-series normalized difference vegetation index (NDVI), which helps to understand the phenological transitions of wheat. The NDVI profile was used to derive rules for decision tree classifier to map the acerage of wheat. The key findings indicate that the acerage of wheat was estimated as

3870 ha. Further, the long-term wheat statistics data were used to derive a yield model. Based on this model, wheat production was predicted as

4523 t for the winter season 2016–2017, while, the mean was 3482 t. Predicted wheat yield was as

1.17 t/ha, which was underestimated by 0.07 t/ha. Thus, it can be concluded that the accuracy of yield prediction depends on the precision of wheat acerage map derived from remote sensing data. A significant challenge for accurate acerage mapping could be the coarser spatial resolution of satellite data as the average plot sizes of Indian farmers can be far smaller than pixel sizes of the satellite data. Nevertheless, this comprehensive case study inferred that satellite-derived wheat acerage can be preferred to predict yield instead of traditional-based survey estimates.