Tidsserieanalys av vegetation
medSentinel‐2
Lars Eklundh
Institutionen för Naturgeografi och Ekosystemvetenskap
Fjärranalysdagarna, 21‐22 oktober, 2015, Stockholm
•
•
•
•
Sentinel‐2 150812
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
Innehåll
Vegetationsstudier med satellit
Tidsserieanalys
Nytt vegetationsindex
Möjligheter och svårigheter med Sentinel‐2
Informationfrånsatellitomväxtlighet
• 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
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
Vegetationensspektralasignal
B
G
R
Akly, C., 2005
Crum, Shannon (after Hoffer, 1978)
Modified from: http://www.ndpteachers.org/millers/links.htm
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
Vegetationensproduktionavbiomassa(kol)
365
GPP APAR
Enkel produktionsmodell:
1
Produktion av
av biomassa (kol)
=
Effektivitet i fotosyntesen
∙ Absorption av synligt ljus
• Vegetationstyp + klimatdata
• Fotokemisk reflektans (PRI) • Fluorescens
MODIS data, 250 – 1000 m upplösning
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
Spektrala vegetationsindex från satellit, t.ex. NDVI
Vegetationenskolupptagiolikamiljöer
Afrikanska savanner
Grönländsk tundra
12
All coniferous sites
6
GPP från Landsat
8
2
R = 0.70
Uppmätt GPP
-1
10
-2
Uppmätt GPP GPP (g C m day )
Svenska skogar
4
2
0
-2
0
5
10
15
-2
20
25
-1
EVI2xPPFD (mol m day )
GPP från MODIS
Schubert et al. , 2012, Rem Sens Env, 126.
GPP från MODIS
Sjöström et al., 2009, Biogeosciences, 6.
Sjöström et al., 2011, Rem Sens Env, 115.
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
år
Tagesson et al. 2012, JAG, 18.
Tidsserieanalys av FA‐data
Satellitbilder för olika tidpunkter
Kurva för varje pixel
Resultatkarta
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
Typeravtidsserienalys
• Datautjämning: minska oönskat brus i tidsserierna
• Identifiera plötsliga händelser: störningar (avverkning, insektsangrepp, stormar…)
Vanligtvis används vegetationsindex (NDVI, EVI m.fl.) och grovupplösande data
1
0,5
0
1
24
47
70
93 116 139 162 185
Time
1
24
47
70
93 116 139 162 185
Time
1
NDVI
• Trendanalys: studera förändring över tid pga klimatvariationer, markanvändningsförändring, m.m.)
NDVI
• Extrahera säsongsdata (fenologi): parametrar för växtsäsonger (start, slut, längd, amplitud, …)
0,5
0
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
TIMESAT:datautjämningochdefinitionav
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
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
Stegi databehandlingen
Row: 1 Col:
1
Utrensning
av outliers
Row: 1 Col:
1
8-dagars
MODIS-data
1
1
0.8
Data
0.8
Data
0.6
0.4
0.4
0.2
0.2
0
0.6
0
1
47
93
139
185
1
47
93
1
0.8
0.8
0.6
0.6
Data
Data
Funktionsanpassning
Row: 1 Col:till
1 säsongerna
Row: 1 av
Col:antal
1
Identifikation
säsonger
0.4
0.2
0
185
Time
Time
1
139
0.4
0.2
1
47
93
139
185
0
1
Time
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
47
93
139
Time
185
Olikamatematiskametoderföranpassning
1
Global metod
0.8
Data
0.6
0.4
Lokal
metod
0.2
0
-0.2
24
47
70
Time
”Globala” metoder
• Dubbel‐logistiska funktioner
• Asymmetriska Gaussiska funktioner
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
93
116
”Lokala” metoder
• Savitzky‐Golay filter
• Splines
• LOESS
Anpassningtilldataegenskaper
Anpassning till övre envelopen
Hantering av datakvalitet (t.ex. pga. moln) med viktningar
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
Extrahering av säsongsdata i TIMESAT
peak date
peak value
amplitude
start
small
integral
length
end
base level
large
integral
Eklundh, L., and Jönsson, P., 2015, TIMESAT 3.2 with parallel processing ‐ Software Manual. Lund University, 88 pp. Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
Trendanalysavlångatidsserier(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
Data
• Polynom
• Segmentering
2
1,5
1
0,5
0
1
24
47
70
93 116
Time
139
162
185
1
24
47
70
93 116 139 162 185
Time
NDVI
1
0,5
0
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
Trendanalysmedpolynom
ܻ ݐൌ ܾ ܾଵ ݐ ܾଶ ݐଶ ܾଷ ݐଷ ߝ
Jamali et al. 2014: Remote Sensing of Environment, vol 141, pp 79‐89
”dolda trender” Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
TrendtyperiSahel1982‐2006(NOAANDVI)
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
SegmenteringavtidsseriermedDBEST
Jamali et al. 2015, Remote sensing of Environment, 156, pp 182‐195.
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
FörändringariIrak1982‐2006(NOAANDVI)
Förändringstyp
Start
Storlek
Varaktighet
Jamali et al. 2015, Rem Sens Env, 156, 182‐195.
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
Studieravskogsstörningar
SPOT image
Angrepp av ungersk gransköldlus, Skåne, 2010
MODIS Grid
Skador
MODIS NDVI
damage
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
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
Angreppavbjörkmätare(Abisko)
samttallsteklar(Norge,Finland)
June
July
• 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.
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
Aug.
10 km
PPI– Nyttvegetationsindexförväxtdynamik
•
•
•
•
•
•
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. Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
Hurförändrasväxtsäsongerna?
Förändring av säsongsstart
SOS Trend
2000‐2014 Påverkan av temperatur
på förändringen
Jin et al. 2015, manuskript
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
NordSpec– spektralamätningarifält
Stordalen
Hyytiälä
Degerö
Norunda
Skogaryd
Fäjemyr
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-
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. Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
Kontinuerligmultispektraldatainsamling
•
•
•
spektral mast
PAR upp
PAR ner
Fluxtorn
multispektral
upp
multispektral
ner
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
2‐4 kanaler
10 min intervall
Året‐runt‐mätningar
Jämförelseravfältmätningarmedsatellitdata
Abisko björkskog 2010
GPP (gC·m-2·day-1)
8
Abisko
Tower NDVI
6
MODIS NDVI
4
Fält‐
NDVI
EC Tower GPP
2
0
-2
0,9
FPAR / NDVI
0,6
MODIS
MOD43A2
NBAR
NDVI
0,3
0
-0,3
0
60
120
180
240
300
360
DOY in 2010
Modifierad från Eklundh et al. (2011)
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
TidsserieanalysmedSentinel‐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 SPOT‐
data
• Kombination av tidsinformation
med spektral och rumslig
upplösning ger möjlighet till säkrare klassningar
Lunds Universitet / Institutionen för Naturgeografi och Ekosystemvetenskap
SPOT5Take5
nkning av SPOT 5’s bana 2015 för simulering av Sentinel‐2 tidssteg och upplösning
UtmaningarförtidsserieanalysavSentinel‐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: [email protected]
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 vironment 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 entation. 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 the Sahel. Remote Sensing of Environment 141, 79‐89. d Eklundh L. (2014) A physically based vegetation index for improved monitoring of plant phenology. Remote Sensing of onment 152, 512‐525. d Eklundh L. (2014) In situ calibration of light sensors for long‐term monitoring of vegetation. IEEE Transactions of Geoscience Remote Sensing 53, 3405‐3416. önsson 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
33‐845.
., Eklundh L. and Ardö J. (2005) A recent greening of the Sahel—trends, patterns and potential causes. Journal of Arid onments 63, 556‐566. P, Jönsson P., & Eklundh, L., (2012), A new invasive insect in Sweden ‐Physokermes inopinatus ‐ tracing forest damage with ite based remote sensing, Forest Ecology and Management, 285, 29‐37. t 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 uct. Remote Sensing of Environment 126, 136‐147. m M., Ardö J., Arneth A., Cappelaere B., Eklundh L., de Grandcourt A., Kutsch W.L., Merbold L., Nouvellon Y., Scholes B., uist J. and Veenendaal E.M. (2011) Exploring the potential of MODIS EVI for modeling gross primary production across African
