Tidsserieanalys av vegetation med Sentinel 2 Lars Eklundh Institutionen för Naturgeografi och Ekosystemvetenskap Fjärranalysdagarna, 21 22 oktober, 2015, Stockholm Innehåll Vegetationsstudier med satellit Tidsserieanalys Nytt vegetationsindex Möjligheter och svårigheter med Sentinel 2 Sentinel 2 150812
Information från satellit om växtlighet Var? Vilken slags? o Arter o Marktäcke o Struktur Hur mycket? o Täckningsgrad o Biomassa: timmer, bladvolym Vilken funktion? o Ekosystemtjänster o Fotosyntes o Kolets och vattnets kretslopp När? o Fenologi och säsongsdynamik o Förändringar i tiden Tidsdimensionen kan hjälpa till att förstå funktionen och identifiera vegetationen Sentinel 2 150812
Vegetationens spektrala signal B G R Akly, C., 2005 Crum, Shannon (after Hoffer, 1978) Modified from: http://www.ndpteachers.org/millers/links.htm
Vegetationens produktion av biomassa (kol) Enkel produktionsmodell: GPP 365 APAR 1 Produktion av av biomassa (kol) Effektivitet i = Absorption av synligt ljus fotosyntesen Vegetationstyp + klimatdata Fotokemisk reflektans (PRI) Fluorescens Spektrala vegetationsindex från satellit, t.ex. NDVI MODIS data, 250 1000 m upplösning
Vegetationens kolupptag i olika miljöer Svenska skogar Afrikanska savanner Grönländsk tundra Uppmätt GPP GPP (g C m -2 day -1 ) 12 10 8 6 4 2 0 All coniferous sites R 2 = 0.70-2 0 5 10 15 20 25 EVI2xPPFD (mol m -2 day -1 ) GPP från MODIS Uppmätt GPP GPP från MODIS GPP från Landsat år Schubert et al., 2012, Rem Sens Env, 126. Sjöström et al., 2009, Biogeosciences, 6. Sjöström et al., 2011, Rem Sens Env, 115. Tagesson et al. 2012, JAG, 18.
Tidsserieanalys av FA data Satellitbilder för olika tidpunkter Kurva för varje pixel Resultatkarta
Typer av tidsserienalys Datautjämning: minska oönskat brus i tidsserierna Extrahera säsongsdata (fenologi): parametrar för växtsäsonger (start, slut, längd, amplitud, ) Trendanalys: studera förändring över tid pga klimatvariationer, markanvändningsförändring, m.m.) Identifiera plötsliga händelser: störningar (avverkning, insektsangrepp, stormar ) Vanligtvis används vegetationsindex (NDVI, EVI m.fl.) och grovupplösande data NDVI NDVI 1 0,5 0 1 0,5 0 1 24 47 70 93 116 139 162 185 Time 1 24 47 70 93 116 139 162 185 Time
TIMESAT: datautjämning och definition av växtsäsonger Hantera brusiga tidsserier Jämna ut data Extrahera växtsäsonger Kartera säsongsdata TIMESAT hämtas gratis från: http://web.nateko.lu.se/timesat Jönsson & Eklundh 2002, 2004
Steg i databehandlingen Data 1 0.8 0.6 0.4 0.2 8-dagars Row: 1 Col: MODIS-data 1 0 1 47 93 139 185 Time Data 1 0.8 0.6 0.4 0.2 Utrensning Row: 1 Col: av outliers 1 0 1 47 93 139 185 Time 1 Identifikation Row: 1 av Col: antal 1 säsonger 1 Funktionsanpassning Row: 1 Col: till 1 säsongerna 0.8 0.8 Data 0.6 0.4 Data 0.6 0.4 0.2 0.2 0 1 47 93 139 185 Time 0 1 47 93 139 185 Time
Olika matematiska metoder för anpassning 1 Global metod 0.8 0.6 Data 0.4 0.2 Lokal metod 0-0.2 24 47 70 93 116 Time Globala metoder Dubbel logistiska funktioner Asymmetriska Gaussiska funktioner Lokala metoder Savitzky Golay filter Splines LOESS
Anpassning till dataegenskaper Anpassning till övre envelopen Hantering av datakvalitet (t.ex. pga. moln) med viktningar
Extrahering av säsongsdata i TIMESAT peak value peak date amplitude start small integral end length base level large integral Eklundh, L., and Jönsson, P., 2015, TIMESAT 3.2 with parallel processing Software Manual. Lund University, 88 pp.
Trendanalys av långa tidsserier (NOAA, MODIS) Linjära metoder Linjär minsta-kvadrat Icke-parametriska metoder Data 1 0,5 0 1 24 47 70 93 116 139 162 185 Time Icke-linjära metoder Polynom Segmentering Data 2 1,5 1 0,5 0 1 1 24 47 70 93 116 139 162 185 Time NDVI 0,5 0 1 24 47 70 93 116 139 162 185 Time
Trendanalys med polynom Jamali et al. 2014: Remote Sensing of Environment, vol 141, pp 79 89 dolda trender
Trendtyper i Sahel 1982 2006 (NOAA NDVI)
Segmentering av tidsserier med DBEST Jamali et al. 2015, Remote sensing of Environment, 156, pp 182 195.
Förändringar i Irak 1982 2006 (NOAA NDVI) Förändringstyp Storlek Start Varaktighet Jamali et al. 2015, Rem Sens Env, 156, 182 195.
Studier av skogsstörningar SPOT image Angrepp av ungersk gransköldlus, Skåne, 2010 damage MODIS Grid Skador MODIS NDVI Olsson et al. 2012, For. Ecol. Man., 285. Upplösningen i SPOT behövs för att Identifiera alla angrepp Tidsserier (MODIS) låter oss titta bakåt i tiden: skador från 2009 upptäcktes
Angrepp av björkmätare (Abisko) samt tallsteklar (Norge, Finland) June July Aug. 10 km Stora insektsskador lätta att se i homogena områden Eklundh et al. 2009, Rem. Sens. Env., 113. Mindre skador och områden med intensiv skogsskötsel kräver hög upplösning Olsson et al. 2015, Silva Fennica, submitted Utveckling av en metod för nära realtidsövervakning av skador baserat på Kalmanfilter Olsson et al. 2015, Rem. Sens. Env., submitted.
PPI Nytt vegetationsindex för växtdynamik Baserat på strålningsteori fysikalisk förklaring Linjärt relaterat till bladyteindex (leaf area index) Fungerar även i tät vegetation Tämligen okänsligt för snö Framtaget för tidsseriestudier Starkt relaterat till GPP Jin, H. and Eklundh, L., 2014, A physically based vegetation index for improved monitoring of plant phenology. Remote Sensing of Environment, 152, 512 525.
Hur förändras växtsäsongerna? Förändring av säsongsstart SOS Trend 2000 2014 Påverkan av temperatur på förändringen Jin et al. 2015, manuskript
NordSpec spektrala mätningar i fält Zackenberg High Arctic fen NDVI 2008- Abisko Subarctic birch forest NDVI - PRI, 2005-06, 2009- Stordalen Peatland NDVI - PRI 2009- Degerö Peatland NDVI 2013 - Hyytiälä Pine forest NDVI 2009- Stordalen Degerö Skogaryd Hyytiälä Norunda Fäjemyr Norunda Coniferous forest NDVI - PRI 2009- Norunda Clearcut NDVI 2011- Skogaryd Spruce forest NDVI 2013- Fäjemyr Peatland NDVI 2009- Sudan Savanna NDVI 2010- Senegal Savanna NDVI 2012- Multispektralt sensornätverk Närhet till fluxtorn: ICOS, FLUXNET Mäter året runt med 10 min intervall Kalibrerade för långtidsstabilitet Eklundh et al., 2011, Sensors, 11. Jin & Eklundh, 2014, IEEE TGRS, 53.
Kontinuerlig multispektral datainsamling 2 4 kanaler 10 min intervall Året runt mätningar spektral mast Fluxtorn PAR upp multispektral upp PAR ner multispektral ner
Jämförelser av fältmätningar med satellitdata Abisko björkskog 2010 GPP (gc m -2 day -1 ) 8 6 4 2 0 Abisko Tower NDVI MODIS NDVI EC Tower GPP Fält NDVI -2 0,9 0,6 FPAR / NDVI 0,3 0 MODIS MOD43A2 NBAR NDVI -0,3 0 60 120 180 240 300 360 DOY in 2010 Modifierad från Eklundh et al. (2011)
Tidsserieanalys med Sentinel 2 Möjlighet att analysera enskilda vegetationsbestånd snarare än ekosystemet Bättre matchning mot fältdata Skalan motsvarar bättre de behov som finns inom areella näringar, naturvård, planering m.m. TIMESAT fenologi extraherad med SPOTdata Kombination av tidsinformation med spektral och rumslig upplösning ger möjlighet till säkrare klassningar
SPOT5 Take 5 nkning av SPOT 5 s bana 2015 för simulering av Sentinel 2 tidssteg och upplösning
tmaningar för tidsserieanalys av Sentinel 2 Oregelbundna data i tiden Molnighet Långa perioder utan data, t.ex. vintertid Mycket stora datamängder Robusta och snabba anpassningsmetoder helt avgörande Utnyttja statistiska metoder för att skatta trolig säsongsutveckling när data saknas Kombination av Sentinel 2 med t.ex. Landsat
Tack! Web: http://www.nateko.lu.se/ TIMESAT: http://www.nateko.lu.se/timesat E mail: lars.eklundh@nateko.lu.se
Referenser L., Jin H., Schubert P., Guzinski R. and Heliasz M. (2011) An Optical Sensor Network for Vegetation Phenology Monitoring and ite Data Calibration. Sensors 11, 7678 7709. L., Johansson T. and Solberg S. (2009) Mapping insect defoliation in Scots pine with MODIS time series data. Remote Sensing ironment 113, 1566 1573. L. and Olsson L. (2003) Vegetation index trends for the African Sahel 1982 1999. Geophys Res Lett 30, 1430 1433., Jönsson P., Eklundh L., Ardö J. and Seaquist J. (2015) Detecting changes in vegetation trends using time series ntation. Remote Sensing of Environment 156, 182 195., Seaquist J., Eklundh L. and Ardö J. (2014) Automated mapping of vegetation trends with polynomials using NDVI imagery he Sahel. Remote Sensing of Environment 141, 79 89. Eklundh L. (2014) A physically based vegetation index for improved monitoring of plant phenology. Remote Sensing of nment 152, 512 525. Eklundh L. (2014) In situ calibration of light sensors for long term monitoring of vegetation. IEEE Transactions of Geoscience emote Sensing 53, 3405 3416. nsson A.M., Olsson C., Lindström J., Bolmgren K., Langvall O. and Eklundh L. (2015) Plant phenology trends at European ern latitudes and relationships with climate variability. Manuscript P. and Eklundh L. (2004) TIMESAT a program for analysing time series of satellite sensor data. Computers and Geosciences 3 845., Eklundh L. and Ardö J. (2005) A recent greening of the Sahel trends, patterns and potential causes. Journal of Arid nments 63, 556 566., Jönsson P., & Eklundh, L., (2012), A new invasive insect in Sweden Physokermes inopinatus tracing forest damage with te based remote sensing, Forest Ecology and Management, 285, 29 37. P., Lagergren F., Aurela M., Christensen T., Grelle A., Heliasz M., Klemedtsson L., Lindroth A., Pilegaard K., Vesala T. and dh L. (2012) Modeling GPP in the Nordic forest landscape with MODIS time series data comparison with the MODIS GPP ct. Remote Sensing of Environment 126, 136 147. M., Ardö J., Arneth A., Cappelaere B., Eklundh L., de Grandcourt A., Kutsch W.L., Merbold L., Nouvellon Y., Scholes B., ist J. and Veenendaal E.M. (2011) Exploring the potential of MODIS EVI for modeling gross primary production across African