aalto1 untyped-item.component.html
Predicting tree cover in northern peatlands from hyperspectral satellite data
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Engineering |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
Degree programme
Language
en
Pages
72
Series
Abstract
Tree cover indicates soil carbon pools and biodiversity of northern peatlands, which are threatened by climate warming and land use. Hyperspectral imaging satellites can measure biophysical variables of tree covered peatlands with high spectral resolution and thus support peatland related research of climate change and biodiversity. No previous studies on northern peatland tree cover have used nationwide hyperspectral imaging satellite data, and new methods are needed to understand the potential of this technology. This thesis evaluated the accuracy of predicting height, canopy cover, above-ground biomass, and effective leaf area index using EnMAP satellite imagery of Finnish peatlands (N60°-70°). Effects of drainage and mire complex type were assessed by sampling four subsets: 1) drained peatlands, 2) non-drained peatlands, 3) raised bogs, and 4) aapa mires.
For all subsets, non-linear support vector regression (SVR) outperformed linear partial least squares regression (PLSR) in predicting the biophysical variables. Generally, height and canopy cover achieved the lowest relative errors (rRMSE of SVR between 25%-61% and 21%-58%, respectively) compared to above-ground biomass and effective leaf area index (32%-91% and 33%-76%). Relative error was ~2-times larger in non-drained than drained peatlands and was also significantly larger in aapa mires than raised bogs. Variable importance in projection (VIP) scores of PLSR models found most important spectral regions near wavelengths at 418 nm, 707 nm, 1128 nm, 1331 nm, 1968 nm, and 2445 nm.
The results reveal the applicability of hyperspectral imaging satellite data for predicting canopy cover and tree height in northern peatlands. Further research is needed to improve the prediction accuracy for above-ground biomass and effective leaf area index, because the non-normal distribution of these variables in non-drained peatlands and aapa mires is a problem for accurate modelling. Solutions may be to exclude treeless pixels from regression and to utilize important spectral regions, identified in this thesis, for example in vegetation indices.
Overall, hyperspectral satellite imaging can provide accurate estimates of peatland tree cover for nationwide modelling. However, future research should expand to international extents, because the new generation satellites (such as CHIME and SBG) are anticipated to provide routine hyperspectral imaging data for environmental research globally by the end of this decade.
Puuston määrä indikoi maaperän hiilivarastoja sekä biodiversiteettiä pohjoisilla soilla, joita uhkaavat ilmaston lämpeneminen ja maankäyttö. Hyperspektrikuvantavat satelliitit mittaavat puuston biofysikaalisia muuttujia korkealla spektrisellä resoluutiolla ja tukevat täten ilmastonmuutoksen sekä luontokadon tutkimusta pohjoisilla soilla. Laajamittaista satelliittitutkimusta hyperspektrisellä aineistolla ei ole tehty näillä alueilla, joten menetelmäkehitys on tarpeen. Tässä diplomityössä arvioitiin miten tarkasti puuston pituus, latvuspeitto, maanpäällinen biomassa ja efektiivinen lehtialaindeksi voidaan ennustaa suomalaisilla soilla (N60°-70°) hyperspektrisiä EnMAP-kuvia käyttäen. Ojituksen sekä suotyypin vaikutusta tarkasteltiin jakamalla aineisto 1) ojitettuihin soihin, 2) ojittamattomiin soihin, 3) keidassoihin ja 4) aapasoihin.
Epälineaarinen tukivektoriregressio (SVR) suoriutui muuttujien ennustamisessa paremmin kuin lineaarinen pienimmän neliösumman regressio (PLSR). Pienimmät suhteelliset virheet (rRMSE) havaittiin pituudelle sekä latvuspeitolle (SVR:n rRMSE 25-61 % ja 21-58 %), mutta parhaimmillaan myös maanpäällisen biomassan sekä efektiivisen lehtialaindeksin ennustusteet olivat tarkkoja (SVR:n rRMSE 32-91 % ja 33-76 %). Suhteellinen virhe oli noin kaksi kertaa suurempi ojittamattomilla kuin ojitetuilla soilla sekä suurempi aapasoilla kuin keidassoilla. Selittävien muuttujien tärkeysarvot (VIP-arvot) korostivat, että PLSR hyödynsi eniten 418 nm, 707 nm, 1128 nm, 1331 nm, 1968 nm ja 2445 nm spektrialueita.
Tuloksista päätellen hyperspektrikuvantavat satelliitit soveltuvat erityisesti latvuspeiton ja pituuden arviointiin pohjoisilla soilla. Maanpäällisen biomassan ja efektiivisen lehtialaindeksin ennustetarkkuuksien parantamiseksi tarvitaan jatkotutkimusta, sillä näiden muuttujien epänormaali jakauma aiheutti mallinnushaasteita ojittamattomilla soilla sekä aapasoilla. Ratkaisuna voi toimia täysin puuttomien pikselien erottaminen muusta aineistosta ja diplomityössä löydettyjen tärkeiden spektrialueiden hyödyntäminen esim. osana kasvillisuusindeksejä.
Yleisesti ottaen hyperspektrinen satelliittikuvantaminen voi tuottaa tarkkoja suon puustoisuuden ennusteita suomenlaajuisessa mallinnuksessa. Jatkotutkimusta tulisi kuitenkin tehdä myös kansainvälisillä alueilla, sillä suunnitteilla olevien satelliittien (kuten CHIME:n ja SBG:n) odotetaan tuovan hyperspektrikuvia globaaliin tutkimuskäyttöön jo tämän vuosikymmenen lopulla.
Description
Supervisor
Rautiainen, MiinaThesis advisor
Juola, JussiHovi, Aarne