• search hit 4 of 17
Back to Result List

Determination of structural and chemical forest attributes using hyperspectral remote sensing data - Case studies in Norway spruce forests

Erfassung struktureller und chemischer Forstattribute mit hyperspektralen Fernerkundungsdaten - Fallstudien in Fichtenforsten

  • It has been the overall aim of this research work to assess the potential of hyperspectral remote sensing data for the determination of forest attributes relevant to forest ecosystem simulation modeling and forest inventory purposes. A number of approaches for the determination of structural and chemical attributes from hyperspectral remote sensing have been applied to the collected data sets. Many of the methods to be found in the literature were up to now just applied to broadband multispectral data, applied to vegetation canopies other than forests, reported to work on the leaf level or with modelled data, not validated with ground truth data, or not systematically compared to other methods. Attributes that describe the properties of the forest canopy and that are potentially open to remote sensing were identified, appropriate methods for their retrieval were implemented and field, laboratory and image data (HyMap sensor) were acquired over a number of forest plots. The study on structural attributes compared statistical and physical approaches. In the statistical section, linear predictive models between vegetation indices derived from HyMap data and field measurements of structural forest stand attributes were systematically evaluated. The study demonstrates that for hyperspectral image data, linear regression models can be applied to quantify leaf area index and crown volume with good accuracy. For broadband multispectral data, the accuracy was generally lower. The physically-based approach used the invertible forest reflectance model (INFORM), a combination of well established sub-models FLIM, SAIL and LIBERTY. The model was inverted with HyMap data using a neural network approach. In comparison to the statistical approach, it could be shown that the reflectance model inversion works equally well. In opposition to empirically derived prediction functions that are generally limited to the local conditions at a certain point in time and to a specified sensor type, the calibrated reflectance model can be applied more easily to different optical remote sensing data acquired over central European forests. The study on chemical forest attributes evaluated the information content of HyMap data for the estimation of nitrogen, chlorophyll and water concentration. A number of needle samples of Norway spruce were analysed for their total chlorophyll, nitrogen and water concentrations. The chemical data was linked to needle spectra measured in the laboratory and canopy spectra measured by the HyMap sensor. Wavebands selected in statistical models were often located in spectral regions that are known to be important for chlorophyll detection (red edge, green peak). Predictive models were applied on the HyMap image to compute maps of chlorophyll concentration and nitrogen concentration. Results of map overlay operations revealed coherence between total chlorophyll and zones of stand development stage and between total chlorophyll and zones of soil type. Finally, it can be stated that the hyperspectral remote sensing data generally contains more information relevant to the estimation of the forest attributes compared to multispectral data. Structural forest attributes, except biomass, can be determined with good accuracy from a hyperspectral sensor type like HyMap. Among the chemical attributes, chlorophyll concentration can be determined with good accuracy and nitrogen concentration with moderate accuracy. For future research, additional dimensions have to be taken into account, for instance through exploitation of multi-view angle data. Additionally, existing forest canopy reflectance models should be further improved.
  • Die fernerkundliche Erfassung struktureller und chemischer Forstattribute ist in der aktuellen Ökosystemforschung, der Entwicklung zukünftiger Inventarisierungsverfahren und für das Umweltmonitoring von hoher Relevanz. Bisherige Untersuchungen zur Quantifizierung von Forstgrößen aus Fernerkundungsdaten, die zumeist auf der Auswertung multispektraler Satellitenbilder basierten, verliefen mit unterschiedlichem Erfolg. Das Ziel dieser Forschungsarbeit liegt in der Bewertung der Möglichkeiten, strukturelle und chemische Forstattribute mit hyperspektralen Fernerkundungsdaten bestimmen zu können. Untersucht werden Fichtenforsten (Picea abies L. Karst.) in Eifel und Hunsrück. Ein maßgeblicher Aspekt der Untersuchungen stellt die Nutzung und Modifizierung bestehender sowie die Entwicklung neuer Methodenansätze zur erfolgreichen Bestimmung der Zielgrößen dar. Die dazu benötigten Referenzdaten wurden im Rahmen von Gelände- und Laborarbeiten erhoben. Bildspektrometerdaten (HyMap-Sensor) wurden 1999 und 2003 akquiriert und radiometrisch und geometrisch korrigiert. Für die Bestimmung struktureller Forstattribute wurden statistisch- und physikalisch-basierte Verfahren implementiert. Im statistischen Teil der Studie wird der Zusammenhang zwischen unterschiedlichen Vegetationsindizes und im Gelände gemessenen Bestandsvariabeln analysiert. Die Studie demonstriert, dass Hyperspektraldaten gut zur Quantifizierung wichtiger Forstattribute wie Blattflächenindex und Kronenvolumen, aber nicht biomassebezogener Größen geeignet sind. Breitband-Indices erzielen dabei generell geringere Genauigkeiten. Der physikalisch-basierte Ansatz verwendet das Invertierbare Forstreflexionsmodell (INFORM), eine Kombination aus etablierten Untermodellen FLIM, SAIL und LIBERTY. Nachdem das Modell mit Attributdaten aus Geländeerhebungen parametrisiert worden ist, wird es auf HyMap-Daten mittels Künstlicher Neuronaler Netze invertiert. Die Genauigkeit, die mit dem physikalisch-basierten Ansatz erzielt wird, ist mit den Fehlerwerten empirischer Verfahren vergleichbar. Kalibrierte Reflexionsmodelle haben jedoch den Vorteil, dass sie generell auf unterschiedliche Sensortypen und unter wechselnden Rahmenbedingungen anwendbar sind. Die Untersuchung chemischer Forstattribute hat zum Ziel, den Informationsgehalt von Bildspektrometerdaten hinsichtlich der Bestimmung von Stoffkonzentrationen in Fichtennadeln zu bewerten. Gemessene Konzentrationen von Chlorophyll, Stickstoff und Wasser wurden mit den entsprechenden Reflexionsspektren auf Blatt- und Bestandsebene verknüpft. Selektierte Wellenlängen zur Schätzung von Chlorophyll befinden sich typischerweise im "red edge" und im Randbereich der Chlorophyllabsorptionsbanden. Regressionsmodelle zur Schätzung von Stickstoff haben meist einen deutlichen Bezug zu den Absorptionsbanden von Chlorophyll oder Protein oder zum "red edge". Die Verwendung der genannten Absorptionsbanden wird auch durch vergleichbare Untersuchungen anderer Vegetationstypen bestätigt. Die räumliche Verteilung der Blattchlorophyllkonzentration im Untersuchungsgebiet spiegelt die Nährstoffversorgung der Böden wider. So werden über basenreichen Basaltverwitterungslehmen im Mittel deutlich höhere Chlorophyllkonzentrationen beobachtet als auf den basenarmen Sanden des Mittleren Buntsandsteins. Im Rahmen der vorliegenden Arbeit wurden Bildspektrometerdaten verwendet, um quantitative Bestandsattribute in Fichtenforsten fernerkundlich abzuleiten. Die abgeleiteten Parameterkarten können als wichtiger Beitrag zur Entwicklung fortgeschrittener Inventarisierungsstrategien und zur Parametrisierung von Stoff- und Energieflussmodellen angesehen werden. Zukünftige Strategien sollten weitere Dimensionen, wie z. B. multidirektionelle Beobachtungen, in den Auswerteprozess miteinbeziehen, um eine verbesserte Bestimmung wichtiger Oberflächenparameter zu erzielen. Zudem ist eine weitere Verbesserung bestehender Bestandsreflexionsmodelle anzustreben.

Download full text files

Export metadata

Additional Services

Share in Twitter Search Google Scholar
Metadaten
Author:Martin Schlerf
Advisor:Joachim Hill
Document Type:Doctoral Thesis
Language:English
Date of completion:2006/07/13
Publishing institution:Universität Trier
Granting institution:Universität Trier, Fachbereich 6
Date of final exam:2005/12/14
Release Date:2006/07/13
Tag:Blattflächenindex; Hyperspektraldaten; Reflexionsmodellierung; Vegetationsindex
Hyperspectral; Leaf Area Index; Reflectance Modeling; Remote sensing; Vegetation Index
GND Keyword:Biomasse; Biomonitoring; Chlorophyll; Fernerkundung; Fichte; Modellierung; Spektroskopie; Vegetation
Source:Remote Sensing of Environment
Institutes:Fachbereich 6 / Geographie und Geowissenschaften
Dewey Decimal Classification:5 Naturwissenschaften und Mathematik / 55 Geowissenschaften, Geologie / 550 Geowissenschaften

$Rev: 13581 $