Estimating grassland parameters from Sentinel-2: A model comparison study
Grassland plays an important role in German agriculture. The interplay of ecological processes in grasslands secures important ecosystem functions and, thus, ultimately contributes to essential ecosystem services. To sustain, e.g., the provision of fodder or the filter function of soils, agricultural management needs to adapt to site-specific grassland characteristics. Spatially explicit information derived from remote sensing data has been proven instrumental for achieving this. In this study, we analyze the potential of Sentinel-2 data for deriving grassland-relevant parameters. We compare two well-established methods to calculate the aboveground biomass and leaf area index (LAI), first using a random forest regression and second using the soil–leaf-canopy (SLC) radiative transfer model. Field data were recorded on a grassland area in Brandenburg in August 2019, and were used to train the empirical model and to validate both models. Results confirm that both methods are suitable for mapping the spatial distribution of LAI and for quantifying aboveground biomass. Uncertainties generally increased with higher biomass and LAI values in the empirical model and varied on average by a relative RMSE of 11% for modeling of dry biomass and a relative RMSE of 23% for LAI. Similar estimates were achieved using SLC with a relative RMSE of 30% for LAI retrieval, and a relative RMSE of 47% for the estimation of dry biomass. Resulting maps from both approaches showed comprehensible spatial patterns of LAI and dry biomass distributions. Despite variations in the value ranges of both maps, the average estimates and spatial patterns of LAI and dry biomass were very similar. Based on the results of the two compared modeling approaches and the comparison to the validation data, we conclude that the relationship between Sentinel-2 spectra and grassland-relevant variables can be quantified to map their spatial distributions from space. Future research needs to investigate how similar approaches perform across different grassland types, seasons and grassland management regimes.
Grünland spielt eine wichtige Rolle in der deutschen Agrarlandschaft. Das Zusammenspiel ökologischer Prozesse unterstützt wichtige Ökosystemfunktionen und somit letztlich eine Reihe zentraler Ökosystemleistungen. Um diese gesellschaftlich relevanten Ökosystemleistungen wie z.B. die Bereitstellung von Futter oder die Filterfunktion der Böden zu erhalten, ist ein dem Grünlandstandort angepasstes Management entscheidend. Hierfür haben sich aus Fernerkundungsdaten abgeleitete räumlich explizite Informationen als sehr hilfreich erwiesen. In dieser Studie stellen wir die zwei methodischen Ansätze der empirischen Modellierung sowie des Strahlungstransfermodells soil–leaf-canopy (SLC) gegenüber, und beleuchten die Vor- und Nachteile beider Methoden für die Ableitung grünlandrelevanter Parameter aus Sentinel-2-Daten. Basierend auf Felddaten zu Biomasse und Blattflächenindex (LAI), die auf einer Grünlandfläche in Brandenburg im August 2019 aufgenommen wurden, konnten die Ansätze trainiert und validiert werden. Die Ergebnisse zeigen, dass beide Methoden die räumliche Verteilung des LAI sehr gut erfassen und die oberirdische Biomasse quantifizieren können. In der empirischen Modellierung nahmen die Unsicherheiten mit höheren LAI- und Biomassewerten zu und variierten im Durchschnitt um einen relativen RMSE von 11% für die Modellierung von trockener Biomasse und einen relativen RMSE von 23% für LAI. Ähnliche Ergebnisse wurden bei der Verwendung von SLC mit einem relativen RMSE von 30% für die LAI-Modellierung und 47% für die Schätzung der trockenen Biomasse erzielt. Die aus beiden Ansätzen resultierenden Karten zeigten übereinstimmende und realistische räumliche Muster von LAI- und Biomasseverteilungen. Trotz Abweichungen in den Wertebereichen beider Karten sind die durchschnittlichen Schätzungen von LAI und Biomasse sehr ähnlich. Die Ergebnisse beider Modellansätze und der Abgleich mit den erhobenen Validierungsdaten belegen, dass die Beziehung zwischen Sentinel-2-Spektren und grünlandrelevanten Variablen geeignet sind, deren räumliche Verteilung quantitativ abzubilden. Künftige Untersuchungen werden zeigen, welche Möglichkeiten und Grenzen beide Ansätze bei der Übertragung auf unterschiedliche Grünlandtypen unterschiedliche Jahreszeiten und bei verschiedenem Flächenmanagement aufzeigen.
Vorschau
Zitieren
Zugriffsstatistik
Rechte
Nutzung und Vervielfältigung:
