A Comparison of Spectral Mixture Analysis and Ten Vegetation Indices for Estimating Boreal Forest Biophysical Information from Airborne Data

RÉSUMÉ L'analyse des spectres mixtes (ASM) permet de dériver le pourcentage de couronnes ensoleillées, de fond et d'ombre à l'intérieur d'un pixel d'une image de télédétection. Il a été démontré que l'information à l'échelle du sous-pixel peut fournir de façon continue des estimations significativement améliorées d'information biophysique sur la forêt comme la biomasse, l'indice de surface foliaire (LAI) et la production primaire nette (NPP) comparativement aux estimations de NDVI (Normalised Difference Vegetation Index) utilisant des images aéroportées ou satellitales. Toutefois, un certain nombre d'indices de végétation ont été proposés à titre d'amélioration au NDVI. Dans cet article, dix indices de végétation différents ont été utilisés pour prédire les paramètres biophysiques de la forêt et les résultats ont été comparés avec les résultats obtenus par analyse des spectres mixtes utilisant les données multispectrales aéroportées du projet COVER de la NASA, dans la Superior National Forest du Minnesota, aux États-Unis. Cet ensemble de données a été acquis à travers une gamme d'angles solaires zénithaux à la limite de résolution spatiale et dans les bandes spectrales du capteur Thematic Mapper de Landsat. Les indices de végétation suivants ont été dérivés des données de télédétection: NDVI, SR, MSR, RDVI, WDVI, GEMI, NLI et trois autres indices de végétation ajustés en fonction du sol (SAVI, SAVI-1, SAVI-2). Des résultats ont été obtenus à des angles solaires zénithaux de 30°, 45° et 60° pour la biomasse, LAI, NPP, DBH, la densité de tiges et la fraction de surface terrière. Dans tous les cas, les fractions d'ombre dérivées de l'analyse des spectres mixtes ont fourni des résultats significativement meilleurs que tout autre indice de végétation, avec une amélioration de l'ordre de 20% comparativement aux meilleurs résultats obtenus par les indices de végétation. Dans la plupart des cas, un ou plusieurs des nouveaux indices de végétation ont apporté une amélioration variant de faible à modérée comparativement au NDVI, WDVI et SAVI-1 ayant la meilleure performance parmi les indices de végétation grâce probablement à l'inclusion de la réflectance de fond. En conclusion, quoique les différents indices de végétation puissent apporter une amélioration par rapport au NDVI, ceux-ci apparaissent comme fonctionnellement équivalents et fondamentalement semblables en termes de statistiques de premier ordre quant à leur potentiel à prédire les paramètres biophysiques de la forêt, potentiel qui est surpassé par les approches basées sur la décomposition des images à l'échelle du sous-pixel comme l'analyse des spectres mixtes et la modélisation de la réflectance optique du couvert.

[1]  Richard G. Lathrop,et al.  Ground-based canopy transmittance and satellite remotely sensed measurements for estimation of coniferous forest canopy structure , 1991 .

[2]  Yosio Edemir Shimabukuro,et al.  The least-squares mixing models to generate fraction images derived from remote sensing multispectral data , 1991, IEEE Trans. Geosci. Remote. Sens..

[3]  J. Roujean,et al.  Estimating PAR absorbed by vegetation from bidirectional reflectance measurements , 1995 .

[4]  A. Huete,et al.  A Modified Soil Adjusted Vegetation Index , 1994 .

[5]  Michael A. Wulder,et al.  Optical remote-sensing techniques for the assessment of forest inventory and biophysical parameters , 1998 .

[6]  J. R. Jensen,et al.  Subpixel classification of Bald Cypress and Tupelo Gum trees in thematic mapper imagery , 1997 .

[7]  Alan H. Strahler,et al.  Geometric-optical bidirectional reflectance modeling of the discrete crown vegetation canopy: effect of crown shape and mutual shadowing , 1992, IEEE Trans. Geosci. Remote. Sens..

[8]  Karl Fred Huemmrich,et al.  Remote Sensing of Forest Biophysical Structure Using Mixture Decomposition and Geometric Reflectance Models , 1995 .

[9]  F. Hall,et al.  Physically based classification and satellite mapping of biophysical characteristics in the southern boreal forest , 1997 .

[10]  Ronald J. P. Lyon,et al.  Influence of rock-soil spectral variation on the assessment of green biomass , 1985 .

[11]  A. Huete,et al.  A review of vegetation indices , 1995 .

[12]  J. Chen.  Evaluation of Vegetation Indices and a Modified Simple Ratio for Boreal Applications , 1996 .

[13]  J. A. Schell,et al.  Monitoring vegetation systems in the great plains with ERTS , 1973 .

[14]  J. Clevers.  Application of a weighted infrared-red vegetation index for estimating leaf Area Index by Correcting for Soil Moisture , 1989 .

[15]  P. S. Eagleson,et al.  The structure of red-infrared scattergrams of semivegetated landscapes , 1989 .

[16]  A. Huete.  A soil-adjusted vegetation index (SAVI) , 1988 .

[17]  Derek R. Peddle,et al.  Integration of a Geometric Optical Reflectance Model with an Evidential Reasoning Image Classifier for Improved Forest Information Extraction , 1999 .

[18]  N. Goel,et al.  Influences of canopy architecture on relationships between various vegetation indices and LAI and Fpar: A computer simulation , 1994 .

[19]  Scott J. Goetz,et al.  Biophysical, morphological, canopy optical property, and productivity data from the Superior National Forest , 1992 .

[20]  D. Peddle.  Spectral Mixture Analysis and Geometric-Optical Reflectance Modeling of Boreal Forest Biophysical Structure , 1999 .

[21]  G. Birth,et al.  Measuring the Color of Growing Turf with a Reflectance Spectrophotometer1 , 1968 .

[22]  G. Guyot,et al.  Factors affecting the spectral response of forest canopies: A review , 1989 .

[23]  C. Jordan.  Derivation of leaf-area index from quality of light on the forest floor , 1969 .

[24]  Derek R. Peddle,et al.  Spectral Mixture Analysis of Airborne Remote Sensing Imagery for Improved Prediction of Leaf Area Index in Mountainous Terrain, Kananaskis Alberta , 2000 .

[25]  F. Baret,et al.  Potentials and limits of vegetation indices for LAI and APAR assessment , 1991 .

[26]  P. Syrén.  Reflectance anisotropy for nadir observations of coniferous forest canopies , 1994 .

[27]  Steven W. Running,et al.  Remote sensing of temperate coniferous forest leaf area index The influence of canopy closure, understory vegetation and background reflectance , 1990 .

[28]  A. H. Feiveson,et al.  Statistical error analysis for biomass density and leaf area index estimation , 1991 .