研究人员利用无人机和地面传感器绘制出温带森林物候图

   电子分析员        

物候是气候变化对生态系统影响的一个明显标志。因此,监测植被物候的时空格局对了解地球系统的变化具有重要意义。广泛的传感器已用于监测植被物候,包括安装在各种平台上具有不同观察几何图形的数码相机。传感器视角、视角和分辨率可以潜在地影响物候学的估计。研究人员比较三种不同方法的远程遥感植被phenology-an无人飞行器(UAV)的,下RGB相机,below-canopy,向上的半球形摄像机与蓝色(B),绿色(G)和近红外(NIR)乐队,和tower-based RGB PhenoCam定位在一个斜角树冠层估计春季物候转向郁闭杂交物种,温带森林在维吉尼亚州的美国。研究人员的研究有两个目的:(1)比较上面,below-canopy推理的树冠绿色(使用绿色色坐标和归一化植被指数)和树冠结构属性(叶面积和差距分数)通过匹配below-canopy半球形高空间分辨率的照片(0.03米)无人机图像,找到比较合适的空间覆盖和分辨率;(2)比较无人机、陆基和塔基图像在估计春季物候过渡时间时的表现。研究人员发现,无人机图像20米半径的空间缓冲区与该系统中冠层以下图像最接近。从春季物候期到生长季节,当冠层的绿化度稳定下来时,传感器和平台在+/−5天内达成一致。研究人员表明,将无人机图像与基于塔台的观测平台和基于地块的物候研究观测相结合,有可能通过无人机图像确定基于地块的森林结构措施,限制物候相的不确定性估计,并更有力地评估场地异质性。


相关论文以题为“Mapping Temperate Forest Phenology Using Tower, UAV, and Ground-Based Sensors”于北京时间2020年09月10号发表在《Drones》上。


研究人员利用无人机和地面传感器绘制出温带森林物候图


温带森林中的春季物候是气候变化调节光合作用近期影响的生物学指标。近地表光学遥感,特别是亚轨道和地面方法,非常适合物候观测,最常用的传感器是RGB相机,即捕获红色,绿色和蓝色通道中反射率的相机。为了进行物候观察,可以使用RGB摄像机,该摄像机可以在树冠上方(从空中,无人驾驶飞机(UAV)),树冠下方(基于三脚架或地面,朝上进入树冠)或斜视角度(通常基于塔顶,越过机顶顶部)。光学传感器的比较表明它们是健壮,但是需要跨平台验证来验证顶篷的视角或观察角度如何影响顶篷水平物候评估。基于UAV的传感器具有比星载平台(例如MODIS,Landsat)更高的分辨率,可将高分辨率的地块观测图档提升至展位或景观水平,但这种潜力必须通过现场测量来充分认识,因为遥感方法是最好的在通过地面验证获悉时。


基于无人机的传感器部分填补了观测分辨率和范围上的一个巨大空白,同时提供了比星载制图所实际获得的更高的时间分辨率。在物候学和生态学研究中,在时空和空间上都存在取舍。这成为优化问题,其中必须优先考虑分辨率或范围。例如,具有相对短的返回间隔的,提供诸如MODIS和AVIRIS之类的全局覆盖的星载传感器提供了大约10 s天的相对高的时间分辨率,但是通过牺牲空间分辨率来实现。相反,小型商业卫星(例如CubeSats)可以提供具有每日返回间隔的亚米空间分辨率,但只能在特定范围内,高度有限的空间范围。只需几个小时,就可以在几公顷的区域内收集无人机图像。因此,与固定的RGB图像相比,在空间范围上具有优势。但是,存在一些折衷,因为无人机确实需要获得许可的运营商,并且其使用可能会受到当地法规或法律的限制,而这些法规或法规几乎普遍要求无人机保持在“视线”内。此外,无人机也可能受到天气和电池寿命的限制,这可能会限制或阻止数据收集。基于UAV的传感器(即朝下)的最低视角可能会引入潜在的混淆和与基于塔的传感器的倾斜角无关的错误。这些限制不妨碍通过UAV图像为候研究作为优势大于缺点,但是,森林生态系统迄今为止已经相对代表性不足。在温带地区和热带系统中对树级物候的研究表明,UAV影像作为解决站点异质性并更精确地量化物候时空分布的手段的潜力。在森林系统中基于多时空无人机的研究可以提供对物候现象的空间驱动力的详细了解,因此必须在一系列生态系统中进行评估。


这项研究的目的是评估记录植被物候的三种方法:(1)商业上设计用于B,G和B的植被研究的地面,顶棚下,朝上的数字单镜头反光(DSLR)相机。 NIR频道;(2)基于无人机的向下或天底视角的RGB相机;(3)基于塔的斜视角RGB相机,专门用于物候研究,是PhenoCam网络的一部分。这些传感器之间的比较是必要的,以便了解从任何特定角度表示的物候要素是什么,以及如何组合这些测量值可以提供更具代表性的植被物候测量值。


基于无人机的超机盖测量


研究人员使用的Mavic Pro配备了库存的12.3 MP RGB相机和35毫米等效镜头,ISO范围为100–1600,畸变焦点小于1.5%(图1)。研究人员使用DroneDeploy(DroneDeploy;美国加利福尼亚州旧金山)来规划塔楼周围的飞行路线,前后重叠88%,飞行高度为100 m。无人机车载摄像机的白平衡设置为固定色温6000K。收集数据后,研究人员使用PhotoScan(Agisoft;俄罗斯圣彼得堡)创建了空间分辨率为1-2 m,分辨率为0.03 m的正马赛克图像。将这些数据栅格化并裁剪到大约5.5公顷(37.9225,-78.276至37.9325,-78.275)周围的矩形边界框,以进行进一步分析。然后,研究人员从无人机正射影像的红色,绿色和蓝色通道中得出绿色色坐标(GCC)值,并使用以下公式计算出GCC :


GCC无人机= DNG /(DNR + DNG + DNB)


其中DN代表红色(DNR),绿色(DNG)和蓝色(DNB)通道的数字编号(0到255)。GCC对冠层照明的差异或相机之间的差异不太敏感。对于2018年5月7日(DOY 127)的正射影像,正射影像重建并未完全成功,导致移除了大约一半的裁剪场景(包括四个相机地块)。


研究人员利用无人机和地面传感器绘制出温带森林物候图


图1. 在整个生长季节开始的每个测量时期,在图2中拍摄的半球归一化植被指数(NDVI)图像。4月26日的图像显示了“遮光剂”,该图像被遮盖了。通过WinSCANOPY(Regent Instruments;魁北克,魁北克,加拿大)中基于颜色的像素分类算法,可以校正光线环境和天空条件的变化。


低于机盖的测量


研究人员使用24百万像素Sony 6000 DSLR Compact 2571相机(摄政仪器;加拿大魁北克省魁北克省)和180°半球镜,最大视场为90°来捕获半球冠层图像(图1)。相机具有三个波段-蓝色,绿色和NIR。为了计算NDVI,将蓝色用作吸收带,将NIR用作反射带。这与基于空间的NDIV方法不同,在该方法中,红色通道是吸收带,因为蓝色通道由于大气瑞利散射而更加分散。对于基于地面和基于无人机的植被应用,蓝色通道可实现出色的波段识别。


摄像机安装在自动调平的三脚架上,镜头距离地面1 m,朝上,望着天篷。在每个地块位置,从4月下旬至5月下旬大约在每周的清晨时间(1000年前)在中心拍摄5张图像,并在基本方向上偏离中心10 m(图2)。对于4月26日的图像,研究人员使用了“防晒霜”,这是制造商提供的尼龙尼龙小盘,附在一根可弯曲的杆上,用于阻挡镜片上的太阳,然后在以后的过程中将“防晒霜”遮盖掉分析。对于六月的第一周,仅提供在绘图中心拍摄的图像。研究人员仅在基于无人机的影像同时出现时才使用影像集进行分析。


研究人员利用无人机和地面传感器绘制出温带森林物候图


图2. 左侧(A,B)的无人机图像显示了边界空间内的两个标绘位置,以及在测量周期的两个端部均从基于UAV的图像(GCC UAV)测量的绿色坐标。在右侧(C),显示了使用下方机盖摄像头采集图像的绘图位置内的实验图。


研究人员使用半像素图像半径为1925 px(总图像尺寸为6000×4000 px)的WinSCANOPY(Regent Instruments;魁北克,QU,加拿大)为每幅图像计算叶面积指数(LAI),NDVI和间隙分数WinSCANOPY中的颜色分类算法,它更能容忍天空条件的变化,允许使用深蓝色天空或部分云覆盖的图像。在每个测量期间都建立了基于颜色的分类调色板。


基于塔的测量


对于林冠的斜视图,研究人员使用了安装在Pace Estate涡流协方差塔上的基于塔的RGB PhenoCam摄像机(图3)。研究人员访问了从R 3.6.2(R核心团队)中的phenocamr软件包获取的来自该相机的PhenoCam数据,用于站点“ pace”,研究人员按照phenocamr文档建议的软件包工作流程下载并分析了3天时间间隔数据: 1)数据扩展;(2)离群检测;(3)平滑;(4)物相计算。包装中包含的phenocamr小插图中提供了有关该过程的完整详细信息。该工作流程提供了由PhenoCam GCC值(GCC PC)通知的“上升”期。


研究人员利用无人机和地面传感器绘制出温带森林物候图


图3. 来自不同位置的不同传感器显示了顶篷的不同视角。所有图像均显示2018年6月4日。在左上角,研究人员可以看到基于塔的PhenoCam提供的倾斜角度,其中显示了Pace Estate森林冠层的广阔范围;在右下角,NDVI图像来自地面的,朝上的,安装在三脚架上的NDVI摄像机,该摄像机从下方看向树冠;右上角是从安装在无人机上的天底视图RGB摄像头拍摄的正射影像表示的遮篷。右下方的卡通片显示了每个传感器提供的顶篷的相对角度。


缩放上方和下方的图像


研究人员发现有一个最优的,但不同的测绘半径,可以在该半径上对GCC UAV进行平均,最近似于冠层下测得的NDVI和结构属性,LAI和间隙分数。随着GCC UAV的平均面积增加,在冠层下测得的NDVI与GCC UAV之间的关系会增强,这可以通过R 2值的增加以及置信区间的缩小来证明(图4)。NDVI和GCC UAV之间的统计关系稳定在缓冲区大小约35 m处,其中R2渐近。研究人员还观察到20 m左右的置信区间大小显着减小。尽管合成图像的效果似乎很小,但其性能始终优于仅中心图像。但是,对于LAI,缓冲区大小为14至16 m可以解决最大的方差,随后在缓冲区大小较大时R 2值减小。中心图像和合成图像之间的细微差异表明,合成图像比仅中心图像没有明显优势。


GCC UAV与LAI和缺口分数之间的强烈共识足以通过基于UAV的度量标准扩展这些发现。与Keenen等类似。研究人员观察到GCC UAV之间的非线性关系间隙分数表示在高叶面积和低间隙分数时绿色饱和度。比较研究人员4月下旬和6月初的测量结果,研究人员看到一致的绿化导致间隙分数的一致降低。这些关系对于这种森林类型是很强的,但是还不知道如何比较一个更加异构的森林(例如斑驳的干扰,更多的物种)。考虑到研究人员对数据的解释,研究人员建议,在比研究人员年龄均匀,以阔叶为主的温带森林更异质的森林中,LAI比缺口分数甚至NDVI / GCC更具可变性。


研究人员还显示,每个传感器在+/- 2天内近似从休眠期到生长季过渡到全冠层关闭的时间,这与MODIS估算值一致,尽管MODIS数据估算的过渡时间稍早。但是,PhenoCam估计是在5天后发现的,这一发现与其他工作同时存在。Landsat 8提供的最新天篷关闭日期比其他传感器晚了近15天,这可能是由于更长的返回间隔以及由于云层覆盖而导致质量下降的数据的可能性更高。尽管超出了本文的范围,但研究人员展示的20 m半径缓冲区适合比较顶棚和顶棚的物候测量(图4)以及潜在的结构属性,并且在某些星载遥感平台的传感器能力范围内,例如但不限于,Sandinal-2统一Landsat Sentinal-2(10–20 m)或Planet Labs(3–5 m)卫星星座。


研究人员利用无人机和地面传感器绘制出温带森林物候图


图4. GCC UAV使用15 m的缓冲区大小(A)相对于LAI(R 2 = 0.81; RSE = 0.538)回归,使用20 m的缓冲区大小(B)回归的间隙分数(RSE = 3.20 );误差棒表示标准偏差。在右侧,分别针对整个修剪的栅格范围,使用GCC UAV使用方程式2和3为修剪的栅格范围建模的LAI(C)和间隙分数(D)。


结论


虽然三种近地面方法(UAV,基于地面的摄像头和PhenoCam)提供了对冠层绿化时间的类似估计,但每个传感器都有各自的优缺点。与科学中的许多实例一样,问题决定了仪器的选择。无人机可提供出色的空间覆盖范围和分辨率,但需要特殊的培训和许可,并且通常使用专有软件来生成正射影像。PhenoCam具有很高的时间分辨率,可以联网到PhenoCam网络,具有一致的协议和开源分析管道,并且可以在多个环境中进行比较。但是,它们确实需要现有的站点基础结构(例如,互联网访问,塔式安装)。PhenoCam也是固定的,会牺牲空间覆盖范围和网站异质性,然而,倾斜的PhenoCams顶篷视图在很大程度上避免了来自地面或天空的图像干扰,从而将顶篷隔离开来进行分析-在干旱系统中通常不是这种情况。与其他被调查的传感器相比,基于地面的摄像机能够更完全地隔离树冠,这使用户能够更轻松地测量其他结构信息,例如树冠间隙分数,而不仅仅是绿色。它们受到较小的空间覆盖范围和较高的用户关注度的限制。但是,每个传感器的确提供了冠层物候的可靠估计,在生态学和遥感研究中具有广泛的用途。研究人员所调查的三个传感器相互补充,并提供有关树冠物候学以及在某种程度上树冠结构的其他信息。


论文链接:https://www.mdpi.com/2504-446X/4/3/56/htm



最新评论(0)条评论
不吐不快,我来说两句

还没有人评论哦,抢沙发吧~

相关新闻推荐