Studying mixed grassland ecosystems I: suitable hyperspectral vegetation indices

Abstract

AbstractHyperspectral remote sensing data with a greater number of bands and narrower bandwidths can be effectively exploited for the study of ecosystem patterns and processes. Hyperspectral remote sensing of semiarid mixed grassland faces the following two challenges, however: (i) providing a good understanding of the performance of different vegetation indices (VIs) in estimating biophysical properties of grassland with a small amount of green vegetation, a large amount of dead material on the ground, and variable soil–ground conditions; and (ii) examining the spatial characterization of hyperspectral remotely sensed data to optimize sampling procedures and address scaling issues. Using ground-based hyperspectral and biophysical data, this study has compared the predictive capability of VIs for estimation of grassland leaf area index (LAI) (this paper) and examined the spatial variation of grassland LAI (the companion paper). The results in this paper indicate that the relationships between grassland LAI and VIs are significant. The performance of the renormalized difference vegetation index (RDVI), adjusted transformed soil-adjusted vegetation index (ATSAVI), and modified chlorophyll absorption ratio index 2 (MCARI2) was slightly better than that of the other VIs in the groups of ratio-based, soil-line-related, and chlorophyll-corrected VIs, respectively. By incorporating the cellulose absorption index (CAI) as a litter factor in ATSAVI, a new VI was computed (L-ATSAVI), and it improved the LAI estimation capability in our study area by about 10%.Les données de télédétection hyperspectrale, qui ont l'avantage d'offrir un plus grand nombre de bandes et des longueurs d'onde plus étroites, sont ainsi utiles pour l'étude des patrons et des processus des écosystèmes. Toutefois, la télédétection hyperspectrale des prairies mixtes en milieu semi-aride fait face à deux défis : (i) pour bien comprendre la performance des différents indices de végétation (IV) dans l'estimation des propriétés biophysiques des prairies présentant un faible couvert de végétation verte, une grande quantité de matériaux morts au sol et des conditions variables du sol/terrain ; (ii) pour étudier la caractérisation spatiale des données de télédétection hyperspectrale dans le but d'optimiser les procédures d'échantillonnage et de répondre aux problèmes d'échelle. À l'aide de données hyperspectrales et biophysiques acquises au sol, cette étude a comparé les capacités prédictives des IV pour l'estimation du LAI (« leaf area index ») de prairie (le présent article) et examiné la variation spatiale du LAI de prairie (l'article connexe). Les résultats présentés dans cet article indiquent que les relations entre le LAI de prairie et les IV sont significatives. Les performances des indices RDVI (« renormalized difference vegetation index »), ATSAVI (« adjusted transformed soil-adjusted vegetation index ») et MCARI2 (« modified chlorophyll absorption ratio index 2 ») étaient légèrement meilleures que les autres IV dans les groupes d'IV basés respectivement sur les ratios, reliés à la droite des sols et corrigés pour la chlorophylle. En incorporant l'indice CAI (« cellulose absorption index ») à titre de facteur de litière dans le ATSAVI, un nouvel indice a été calculé (L-ATSAVI) et celui-ci a permis d'améliorer le potentiel d'estimation du LAI dans notre zone d'étude d'environ 10 %.[Traduit par la Rédaction]