• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  •  Science >> Scienza >  >> Natura
    Miglioramento del monitoraggio della crescita delle piante con tecniche di fusione di immagini satellitari
    Immagine a colori reali e mappa della copertura del suolo dell'area di studio. (A) Immagine Landsat a colori reali dell'area di studio il 16 settembre 2020 e (B) la sua mappa di copertura del suolo. Credito:Giornale del telerilevamento (2024). DOI:10.34133/remotesensing.0118

    La capacità di monitorare accuratamente i tempi delle fasi di crescita della vegetazione, note come fenologia della superficie terrestre (LSP), su scala spaziale fine è fondamentale per comprendere le funzioni dell’ecosistema e gestire le risorse naturali. Nonostante i progressi, la scarsità di dati satellitari ad alta risoluzione causata dalla copertura nuvolosa e i tempi di rivisitazione limitati complicano questo compito.



    Uno studio, pubblicato sul Journal of Remote Sensing valuta l'accuratezza di due algoritmi di fusione dei dati spaziotemporali, Spatial and Temporal Adaptive Reflectance Fusion Model (STARFM) e genera simultaneamente serie temporali dell'indice di vegetazione normalizzato a lunghezza intera (SSFIT), nell'estrazione delle date fenologiche primaverili su scala fine. Questi algoritmi mirano a ricostruire dati di serie temporali ad alta risoluzione e senza nuvole per migliorare la precisione di rilevamento dell'inizio della stagione di crescita (SOS) in paesaggi eterogenei.

    Utilizzando i dati Harmonized Landsat Sentinel-2 (HLS) e Moderate Risoluzione Imaging Spectroradiometer (MODIS) per uno studio di simulazione a Ogden, Utah, il gruppo di ricerca ha valutato gli algoritmi STARFM e SSFIT rispetto ai metodi di interpolazione tradizionali nella ricostruzione dell'indice di vegetazione avanzato (EVI2) di alta qualità ) serie temporali per identificare con precisione l'SOS.

    Lo studio ha dimostrato che questi algoritmi migliorano significativamente la precisione delle date fenologiche, soprattutto quando sono disponibili limitate immagini Landsat prive di nuvole durante i periodi di crescita cruciali.

    La ricerca ha affrontato le sfide legate alla copertura nuvolosa e all'acquisizione di immagini sparse ad alta risoluzione, fondamentali per il monitoraggio dettagliato della crescita della vegetazione. Unendo frequenti osservazioni MODIS con dati HLS dettagliati, anche se poco frequenti, il team ha creato immagini sintetizzate e prive di nuvole che combinano l'alta risoluzione con intervalli di acquisizione regolari.

    Il professor Xiaolin Zhu, l'autore corrispondente, sottolinea la necessità di catturare accuratamente le fasi fenologiche per mitigare i rischi ecologici e agricoli associati alla variabilità climatica. "La nostra ricerca cerca di colmare il divario nel monitoraggio della fenologia sfruttando i punti di forza delle immagini satellitari a risoluzione grossolana e fine attraverso tecniche avanzate di fusione dei dati."

    Questa ricerca evidenzia il ruolo fondamentale delle tecniche di fusione dei dati nel far progredire il monitoraggio della fenologia della superficie terrestre affrontando le sfide della copertura nuvolosa e delle immagini satellitari a risoluzione grossolana.

    Migliorando la precisione del rilevamento dello stadio della vegetazione, lo studio supporta una migliore gestione ambientale e gli sforzi di adattamento climatico. Presenta l'integrazione dei dati satellitari come un significativo passo avanti nella ricerca fenologica e nelle applicazioni pratiche.

    Ulteriori informazioni: Jiaqi Tian et al, Efficacia della fusione dei dati spaziotemporali nel monitoraggio fenologico della superficie terrestre su scala fine:uno studio di simulazione, Journal of Remote Sensing (2024). DOI:10.34133/remotesensing.0118

    Fornito da TranSpread




    © Scienza https://it.scienceaq.com