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