Suite

Problème de conversion de projection de MODIS LAI de sinusoïdal à géographique

Problème de conversion de projection de MODIS LAI de sinusoïdal à géographique


J'essaie de changer la projection sinusoïdale des données MODIS (LAI) en géographique. En fait je l'ai fait. Mais lorsque je le reprojette par ERDAS, le raster LAI en sortie s'est déplacé d'environ 10 km vers le côté ouest du fichier de formes réel et je l'ai essayé par ENVI, le raster en sortie s'est également déplacé d'environ 20 km mais vers le côté nord du fichier de formes. J'utilise le fichier de formes pour vérifier la précision du raster en sortie. C'était la forme d'un lac.

Aussi je l'ai essayé dans R pour convertir la projection en utilisant le script suivant

bibliothèque(sp) bibliothèque(rgdal) bibliothèque(raster) Sys.setenv(TZ='GMT') lai_real <-raster("E:LAILAI_hdfMOD15A2_LAI_2014Nouveau dossiermod15a2.a2014169.h23_26 .img") projection(lai_real) <- CRS("+init=epsg:4326") writeRaster(lai_real, filename="E:LAILAI_hdfMOD15A2_LAI_2014Nouveau dossiermod15a2.a2014169.h23_26_geo .img", datatype="FLT8S", overwrite=TRUE)

Mais ça ne marche pas.

Comment puis-je convertir la projection du LAI de sinusoïdale à géographique (lat/long) ?

Si mon explication n'est pas claire, veuillez visiter le lien partagé ci-dessous. J'espère alors que vous comprenez quel problème j'ai pour convertir sinusoïdal en géographique (WGS84) https://www.dropbox.com/s/cucntnt8kh7m1dl/Hovsgol.png">coordinate-system erdas-imagine modis envi lai

Évaluation du produit MODIS LAI à l'aide d'un LAI indépendant dérivé du lidar : une étude de cas dans une forêt mixte de conifères

Cette étude présente une évaluation alternative du produit MODIS LAI pour une forêt à feuilles persistantes de 58 000 ha située dans l'ouest de la chaîne des Rocheuses dans le nord de l'Idaho en utilisant des données lidar pour modéliser (R 2 = 0,86, RMSE = 0,76) et cartographier LAI à une résolution plus élevée. sur un grand nombre de pixels MODIS dans leur intégralité. Les estimations de LAI basées sur le lidar à résolution modérée (30 m) ont été agrégées à la résolution du produit MODIS LAI de 1 km et comparées à des récupérations MODIS coïncident dans le temps. Les différences dans les valeurs MODIS et dérivées du lidar de LAI ont été regroupées et analysées par plusieurs facteurs différents, notamment l'algorithme de récupération MODIS, la géométrie soleil/capteur et l'hétérogénéité sous-pixel dans les caractéristiques de la végétation et du terrain. La disparité des résultats lorsque MODIS LAI a été analysé selon la classe de récupération d'algorithme est particulièrement intéressante. Nous avons observé un accord relativement bon entre les valeurs LAI dérivées du lidar et MODIS pour les pixels récupérés avec l'algorithme RT principal sans saturation pour LAI LAI ≤ 4. De plus, pour toute la plage de valeurs LAI, une surestimation considérable de LAI (par rapport au LAI dérivé du lidar ) se sont produits lorsque le RT principal avec des récupérations d'algorithmes de saturation ou de secours ont été utilisés pour remplir le produit composite indépendamment de la complexité structurelle de la végétation sous-pixellisée ou de la géométrie soleil/capteur. Ces résultats sont significatifs car les récupérations d'algorithmes basées sur l'algorithme de transfert radiatif principal avec ou sans saturation sont caractérisées comme adaptées à la validation et à la modélisation de l'écosystème ultérieure, mais l'ampleur de la différence semble être spécifique à la classe de qualité de récupération et aux caractéristiques structurelles de la végétation.

Points forts

► MODIS LAI évalué avec le LAI modélisé par lidar pour une forêt mixte de conifères dans l'Idaho, aux États-Unis. ► Performance MODIS LAI en partie attribuée à la classe de récupération de transfert radiatif (RT). ► Fréquence et précision de récupération du LAI influencées par la structure de la végétation sous-pixel.


Abstrait

Les forêts de conifères et mixtes couvrent environ 42% des zones boisées du Honduras, mais les épidémies de dendroctone du pin (PBB) (Dendroctonus spp.) sont un danger environnemental qui a causé des impacts écologiques et économiques incalculables au Honduras. Dans cette recherche, afin de planifier des mesures plus focalisées pour contrôler les épidémies de PBB, il est essentiel d'identifier les zones qui ont une forte sensibilité à une épidémie de PBB pendant les saisons sèches et pluvieuses. À cette fin, nous devons associer les points historiques d'épidémie de PBB (2017-2019), avec une série de variables environnementales et anthropiques qui, selon la revue de la littérature, ont affecté l'initiation et la propagation des épidémies de PBB. Pour évaluer les variables climatiques actuelles, nous avons utilisé le produit MODIS de température de surface terrestre (LST-MOD11A2), la vitesse du vent, les précipitations et la température acquises à partir des données WorldClim. Pour évaluer la vigueur de la végétation, nous utilisons l'indice d'humidité de sécheresse normalisé estimé à partir du produit de réflectance de surface MODIS (MOD09A3). Pour nous donner une idée de la densité de la forêt, nous comparons deux produits, le MODIS Leaf Area Index (LAI-MOD15A2H) et le MODIS Vegetation Continuous Fields (VFC-MOD44B). Nous avons inclus l'altitude, l'aspect et la pente en tant que variables et avons acquis ces données à partir des données d'altitude de terrain multirésolution mondiales (GMTED-2010). Enfin, nous avons utilisé les données des systèmes d'information géographique pour dériver la proximité de différents types de routes en tant que données anthropiques et densité des feux de forêt. Nous effectuons une analyse préliminaire des variables et éliminons celles qui présentent le moins d'importance. De plus, nous avons intégré les variables les plus pertinentes identifiées avec les points PBB en utilisant l'algorithme Random Forest (RF) pour ajuster le modèle, puis nous avons prédit la susceptibilité actuelle aux épidémies de PBB pour la saison sèche et la saison des pluies. Les résultats ont indiqué que les variables climatiques pèsent lourdement dans la détermination des zones à forte sensibilité. Nos résultats de prédiction montrent une susceptibilité élevée et très élevée dans le nord-est et le centre du pays en particulier. Les résultats acquis peuvent conduire à de meilleures mesures de prévention et de contrôle pour réduire les effets écologiques négatifs causés par les épidémies de PBB.


Abstrait

Une évaluation exploratoire a été entreprise pour déterminer la force de corrélation et le moment optimal de plusieurs produits d'imagerie composite du spectroradiomètre imageur à résolution modérée (MODIS) couramment utilisés par rapport aux rendements des cultures pour 10 produits agricoles d'importance mondiale. Les cultures analysées comprenaient l'orge, le canola, le maïs, le coton, les pommes de terre, le riz, le sorgho, le soja, la betterave à sucre et le blé. Les données MODIS étudiées comprenaient l'indice de végétation par différence normalisée (NDVI), la fraction de rayonnement photosynthétiquement actif (FPAR), l'indice de surface foliaire (LAI) et la production primaire brute (GPP), en plus de la température de la surface terrestre (DLST) diurne et nocturne. LST (NLST). Les images utilisées avaient toutes des intervalles de temps de 8 jours, mais le NDVI avait une résolution spatiale de 250 m tandis que les autres produits étaient de 1000 m. Ces ensembles de données MODIS ont également été évalués à partir des satellites Terra et Aqua, avec leurs temps de passage différents, pour documenter toute différence. Une analyse de suivi, utilisant les données Terra 250 m NDVI comme référence, a examiné l'utilité de prédiction de rendement du NDVI à deux échelles spatiales (250 m contre 1000 m), deux précisions temporelles (8 jours contre 16 jours ), et a également évalué l'indice de végétation amélioré (EVI, à 250 m, 16 jours). Les analyses ont porté sur les principales zones agricoles des États-Unis (É.-U.) à partir des étés 2008-2013 et ont utilisé comme base les données annuelles de rendement des cultures au niveau des comtés du département américain de l'Agriculture. Toutes les cultures, à l'exception du riz, ont montré au moins quelques corrélations positives avec chacun des indices liés à la végétation au milieu de la saison de croissance, le NDVI étant légèrement meilleur que le FPAR. Le LAI était un peu moins fortement corrélé et le GPP globalement faible. À l'inverse, certaines cultures, en particulier le canola, le maïs et le soja, ont également montré des corrélations négatives avec la DLST au milieu de l'été. Cependant, le NLST n'a jamais été corrélé au rendement des cultures, indépendamment de la culture ou du moment saisonnier. Les différences entre les résultats de Terra et d'Aqua se sont avérées minimes. Le NDVI de résolution de 1000 m a montré des performances un peu moins bonnes que le 250 m et suggère que la résolution spatiale est utile mais pas une nécessité. Les relations NDVI de 8 jours versus 16 jours avec les rendements étaient très similaires, sauf pour la précision temporelle. Enfin, l'EVI a souvent montré les meilleures performances de toutes les variables, tout bien considéré.


4. Résultats

4.1. Variations saisonnières des indices dérivés de MODIS sur chaque continent

Les indices dérivés de MODIS présentent des variations différentes selon les continents (Figure 2). En Eurasie et en Amérique du Nord, tous les indices (LST, NPP, NDVI et LAI) changent de façon saisonnière, avec des valeurs maximales en été (juillet ou août) et des valeurs minimales en hiver (janvier ou février). Le LST en Australie a la tendance opposée à celle trouvée en Eurasie et en Amérique du Nord, mais le changement saisonnier n'est pas aussi évident. Les fluctuations de NPP, NDVI et LAI sont assez faibles en Afrique, en Australie et en Amérique du Sud. L'Amérique du Sud a toujours la plus grande valeur de NPP, NDVI et LAI.

L'Eurasie et l'Amérique du Nord sont situées dans l'hémisphère nord et la sensibilité saisonnière du verdissement des plantes et des événements neigeux sont les principales raisons des variations des indices. L'Australie est située dans l'hémisphère sud, avec un grand pourcentage de zones nues, ce qui entraîne une faible fluctuation de NPP, NDVI et LAI. Le bassin du fleuve Amazone en Amérique du Sud a la couverture végétale la plus élevée au monde, ainsi, le NPP, le NDVI et le LAI sont tous plus élevés en Amérique du Sud. Le LST est étroitement associé au type d'occupation du sol, en particulier dans les zones dénudées [39], ce qui est la principale raison de la valeur plus élevée de ce paramètre en Afrique et en Australie.

4.2. Analyse de corrélation entre TANSO XCO2 et les indices dérivés de MODIS

Le R 2 et le RMSE entre TANSO XCO2 et les indices dérivés de MODIS ont été analysés sur plusieurs mois sur chaque continent. Les neuf indices suivants ont été considérés dans l'analyse : LST (de MOD11C3), EVI et NDVI (de MOD13C2), LAI et FPAR (de MOD15A2), GPP, NPP, GN (GPP moins NPP) et NG (NPP/GPP) ( du MOD17A2).

Différents coefficients de corrélation entre TANSO XCO2 et des indices basés sur MODIS ont été trouvés sur différents continents (tableau 1). En Afrique, les coefficients de corrélation les plus élevés étaient entre XCO2 et NPP (R 2 = 0,61 et RMSE = 1,21). Bien que les valeurs entre XCO2 et le NDVI et le LST n'étaient pas très élevés (R 2 = 0,39 et 0,24, RMSE = 1,53 et 1,70, respectivement), mais ils répondent à la norme de sélection des indices du modèle (voir la section 4.3). En Australie, parce que le taux plus élevé de zones nues peut augmenter la réflectance du fond, le coefficient de corrélation le plus élevé était entre XCO2 et LST (R 2 = 0,41, RMSE = 0,85). Bien que les zones nues en Eurasie soient également étendues, les forêts de Sibérie et du sud de la Chine augmentent la corrélation entre XCO2 et NDVI et EVI (R 2 = 0,44 et 0,42, RMSE = 1,73 et 1,76, respectivement). En Amérique du Nord, les coefficients de corrélation entre XCO2 et NDVI atteint R 2 = 0,65 (RMSE = 1,15) et les valeurs les plus basses qui ont été sélectionnées pour le modèle TVP est R 2 = 0,49 (entre XCO2 et LST et NDVI). En Amérique du Sud, les coefficients de corrélation les plus élevés étaient entre XCO2 et LST (R2 = 0,64, RMSE = 1,39). L'indice de NG (R 2 = 0,19, RMSE = 2,09) a également été sélectionné pour la construction du modèle.

Les différentes valeurs indiquent que le CO2 la concentration a été influencée par différents facteurs associés à différents types de climat et de couverture terrestre [2]. Le tableau 1 montre également que le LST était important sur les cinq continents, ce qui indique que le LST est un facteur important dans le CO2 recherche de concentration. En ce qui concerne les indices sélectionnés dans les cinq continents, seule l'Australie avait un RMSE moyen inférieur à 1 L'Eurasie avait le RMSE moyen le plus élevé (1,87).


3. Résultats

3.1 Intercomparaison des produits LAI mondiaux

3.1.1 Cohérence spatiale des produits LAI mondiaux

[17] La ​​figure 1 montre la répartition géographique des LAI moyens mondiaux de 2003 à 2010. Les produits MODIS, GEOV1, GLASS et GLOBMAP LAI sont généralement cohérents dans leurs schémas spatiaux et concordent en ce qui concerne leurs magnitudes. La cohérence générale est associée au fait que tous les produits représentent le vrai LAI, même si leurs algorithmes de récupération et leurs sources de données de réflectance diffèrent les uns des autres. Les deux hémisphères présentent clairement une saisonnalité opposée. Il y a trois pics LAI clairs dans l'hémisphère nord, qui sont situés dans les régions tropicales (0°N), subtropicales (20°N) et boréales (60°N). Les régions équatoriales, par exemple l'Amazonie et l'Afrique centrale, ont les LAI les plus élevés (> 5,0), suivies des zones boréales, ce qui est conforme à la répartition des forêts. Les valeurs LAI sont intermédiaires aux latitudes moyennes et sont associées aux activités agricoles et aux forêts de feuillus, par exemple, aux États-Unis, en Europe et en Chine. Les valeurs LAI sont très faibles (< 1,0) sur les zones à végétation clairsemée. Les valeurs LAI manquantes (zones blanches sur la figure 1) peuvent être facilement observées dans les régions désertiques et pendant l'hiver et sont causées par le manque de données d'entrée de qualité. MODIS et GLASS sont très similaires et présentent tous deux les LAI les plus élevés (4,3) dans les régions tropicales. Les valeurs GEOV1 et GLOBMAP sont légèrement inférieures (

0,5) dans les régions tropicales par rapport aux valeurs MODIS et GLASS. Les valeurs GLOBMAP sont également plus faibles (

0,6) que les autres vrais produits LAI dans les régions subtropicales. Tous les produits présentent de petits pics LAI (

1.5) et une forte variabilité autour de 40°S−50°S. Les LAI (effectifs) du JRC-TIP produisent clairement les valeurs les plus faibles (< 1,5) à l'échelle mondiale et représentent, en moyenne, environ un tiers des valeurs calculées par les autres produits.

3.1.2 Climatologies globales du LAI

[18] La figure 2 montre les climatologies de tous les produits LAI de 2003 à 2010. Tous les produits montrent généralement une évolution saisonnière douce avec des valeurs plus élevées en été et plus faibles en hiver. Toutes les climatologies concordent très bien pour les graminées/céréales et les arbustes, avec des écarts moyens inférieurs à 0,33 (tableau 3). De petites différences (< 0,85) sont enregistrées pour les cultures feuillues et la savane. Pour les cultures à feuilles larges, les valeurs GEOV1 et GLASS sont légèrement plus élevées (

0,25) que les valeurs MODIS, tandis que les valeurs GLOBMAP et JRC-TIP sont inférieures (

0,20) que les valeurs MODIS. Pour la savane, les valeurs MODIS, GEOV1 et GLASS sont similaires, mais les valeurs GLOBMAP et JRC-TIP sont plus faibles (

0,45) que les valeurs MODIS.

Types de biomes Herbe/Culture-C Arbuste Culture-B Savane EBF DBF ENF DNF Non-V Urbain Moyenne
LAI moyen MODIS 0.64 0.41 1.17 1.38 4.64 2.04 1.58 1.34 0.14 1.01 1.43
GEOV1 0.84 0.57 1.42 1.53 4.05 2.27 2.03 1.55 0.20 0.94 1.55
UN VERRE 0.79 0.51 1.46 1.58 4.50 2.28 1.91 1.54 0.15 0.65 1.55
GLOBMAP 0.51 0.27 0.98 0.92 4.13 2.07 1.95 1.30 0.15 0.51 1.23
JRC-TIP 0.61 0.41 0.96 0.83 1.53 0.92 0.46 0.53 0.19 0.50 0.78
Terre-SAF 0.78 0.54 1.46 1.67 3.46 2.31 2.03 0.31 1.26 1.63
Incertitude MODIS 0.07 0.05 0.09 0.16 0.38 0.36 0.43 0.33 0.02 0.12 0.17
GEOV1 0.17 0.13 0.26 0.31 0.66 0.41 0.36 0.33 0.00 0.22 0.24
JRC-TIP 0.40 0.24 0.69 0.62 1.14 0.62 0.42 0.39 0.01 0.44 0.43
Terre-SAF 0.25 0.21 0.36 0.47 0.88 0.54 0.43 0.2 0.3 0.36
Incertitude relative (%) MODIS 9.1 11.8 6.5 11.0 8.8 15.8 23.9 19.0 4.8 3.8 11.5
GEOV1 33.8 35.1 24.6 23.5 15.9 23.3 18.4 25.9 6.2 29.3 26.6
JRC-TIP 126.7 133.9 101.0 103.9 78.9 103.3 137.2 141.3 104.0 130.7 114.3
Terre-SAF 56.8 57.2 37.4 30.3 25.2 25.4 30.1 102.3 32.1 37.8
  • a Land-SAF dérivé de 2007 à 2010 sur l'Afrique. La dernière colonne est calculée à partir de la moyenne globale de tous les pixels végétalisés. Les cultures C et B désignent respectivement les cultures céréalières et les cultures feuillues. EBF, DBF, ENF et DNF représentent respectivement la forêt de feuillus à feuilles persistantes, la forêt de feuillus à feuilles caduques, la forêt de feuillus à feuilles persistantes et la forêt de feuillus à feuilles caduques. Non-V indique le type sans végétation. Dans toutes les statistiques, des valeurs positives (>0) ont été prises en compte pour le LAI et des valeurs non négatives (≥0) pour l'incertitude et l'incertitude relative.

[19] MODIS, GEOV1, GLASS et GLOBMAP produisent des LAI relativement stables pour EBF au cours de l'année. MODIS et GLASS surestiment GEOV1 et GLOBMAP d'environ 0,50. Les raisons possibles sont discutées dans la section 4.1. Les quatre vrais produits LAI produisent des valeurs similaires pour DBF, ENF et DNF. GEOV1 produit des valeurs légèrement plus élevées pour les forêts d'aiguilles en hiver, en particulier pour le DNF, ce qui est en partie dû à la contamination par la neige et les nuages. La surestimation se produit également dans le produit CYCLOPES antérieur et sera discutée plus en détail dans la section 3.5. Pour le JRC-TIP, les valeurs effectives du LAI sont en moyenne environ la moitié des autres vrais produits du LAI (tableau 3). La sous-estimation est moins prononcée pour les types herbacés, pour lesquels les profils temporels du JRC-TIP sont similaires à ceux de GLOBMAP. La sous-estimation est plus prononcée pour les types forestiers au stade de maturité, atteignant 4,0 pour l'EBF. Les valeurs LAI pour les zones non végétalisées sont, naturellement, faibles (< 0.30). Les pixels urbains représentent un petit pourcentage des données et affichent une variation saisonnière claire.

3.1.3 Relations et conversions entre les produits LAI

[20] La figure 3 montre les diagrammes de dispersion de densité entre les produits LAI globaux. Les produits MODIS, GEOV1, GLASS et GLOBMAP LAI présentent de fortes corrélations linéaires entre eux, avec R 2 valeurs comprises entre 0,743 et 0,896. Bien que les points de données soient dispersés, la corrélation entre GEOV1 et MODIS est aussi élevée à R 2 = 0,789, et ils ne diffèrent que de 0,38 LAI (figure 3a). MODIS et GEOV1 deviennent tous deux saturés à environ 6,0, en raison du fait que le GEOV1 fusionné est principalement piloté par MODIS pour des valeurs LAI plus importantes. L'excellent accord entre MODIS et GEOV1 indique qu'après prise en compte de l'équation de fusion (1), le GEOV1 LAI est proche du vrai LAI de MODIS. GLASS montre la corrélation la plus élevée avec MODIS (R 2 = 0,855) et GEOV1 (R 2 = 0,896). La bonne cohérence entre MODIS, GEOV1 et GLASS est attendue car l'algorithme de fusion utilise les meilleures estimations de LAI (équations (1) et (3)) dans le processus d'apprentissage du réseau de neurones, qui lisse les valeurs aberrantes éventuelles contaminées par les nuages, la neige , ou les effets atmosphériques et offre une meilleure cohérence entre les produits. GLOBMAP produit un petit nombre de valeurs LAI plutôt élevées (> 7,0 Figures 3d−3f), qui correspondent à l'EBF dans le sud de l'Amazonie et sont liées aux données de l'indice d'agglutination au niveau des pixels assez faible (0,5−0,6) [Il et al., 2012 Liu et al., 2012 ]. Les graphiques du JRC-TIP sont différents de ceux des autres nuages ​​de points (figures 3g−3j). Les valeurs JRC-TIP représentent environ un tiers des autres valeurs LAI et ont une relation faible (R 2 0,661) avec ces produits. Le LAI effectif sature généralement à 3,0 ou légèrement plus, ce qui représente une limite supérieure pour les récupérations JRC-TIP en ce qui concerne les valeurs antérieures et les incertitudes d'observation [Pinty et al., 2011b ].

[21] Le tableau 4 donne les équations de conversion entre les produits LAI pour différents types de biomes. Le MODIS LAI a été utilisé comme référence car GEOV1, GLASS, GLOBMAP et JRC-TIP sont, dans une certaine mesure, connectés à MODIS dans le processus de récupération du LAI. La fonction linéaire fonctionne bien dans la traduction des valeurs LAI entre les différents produits, bien qu'il existe une certaine variabilité. De bonnes relations sont trouvées pour les graminées/cultures céréalières, les arbustes, le DBF, l'ENF et le DNF. Les relations modérées (R 2 ≤ 0,60) pour les cultures feuillues sont dues à des surestimations (

1,0-2,0) par GEOV1, GLASS et GLOBMAP dans la ceinture de maïs et de soja du Midwest des États-Unis et sous-estimations (

2.0) en Afrique de l'Ouest tropicale en été (Figure 1). Les relations tout aussi modérées pour la savane révèlent des différences entre les produits pour ce type de biome structurellement compliqué [Fang et al., 2013 ]. Les faibles relations (R 2 < 0,42) pour la forêt feuillue sempervirente peut être en partie attribuée à la petite plage de valeurs élevées pour ce type de biome particulier, même si les écarts moyens entre les produits sont inférieurs à 0,50 (Figure 2).

  • a Équations dérivées de valeurs LAI positives (>0), 2003-2010 (0,05°). Chaque cellule affiche les équations de conversion (p < 0,001), et R 2 et les valeurs RMSE entre parenthèses.

3.2 Incertitudes théoriques des produits LAI

3.2.1 Cohérence spatiale des incertitudes LAI

[22] Les cartes d'incertitude pour MODIS, GEOV1 et JRC-TIP sont présentées à la figure 4. En général, les schémas spatiaux des incertitudes sont similaires, bien corrélés avec la distribution des types de biomes, et montrent que les régions tropicales (20° S−15°N) et les régions boréales (60°N) ont des incertitudes plus élevées que les autres régions. Les incertitudes globales sont généralement dans l'ordre suivant : MODIS < GEOV1 < JRC-TIP. Cette tendance est plus évidente aux latitudes inférieures. L'incertitude MODIS varie entre 0,10 et 0,35 dans les régions tropicales, alors que l'incertitude GEOV1 est > 0,40 entre 10°N et 10°S. JRC-TIP produit l'incertitude la plus élevée (

1,00) dans les régions tropicales. Les incertitudes du LAI sont également élevées dans les régions boréales, ce qui reflète le paysage complexe causé par un faible éclairage, un faible angle zénithal solaire (SZA), la contamination par la neige et les nuages ​​et l'effet du sous-étage [Pisek et al., 2010 Weiss et al., 2007 ]. Les amplitudes de variabilité saisonnière sont visuellement corrélées avec les produits LAI, avec une incertitude généralement plus élevée en juillet qu'en janvier, sauf pour les régions tropicales. Les lacunes dans les données sont principalement causées par l'apparition de neige et de nuages, en particulier en janvier. En juillet, des incertitudes GEOV1 plus élevées que MODIS sont observées dans l'est de l'Amérique du Nord, en Europe et en Asie de l'Est. Pour le JRC-TIP, les incertitudes sont également plus élevées pour les régions forestières et à fort IAI, par exemple dans l'est des États-Unis et en Chine. De plus, les plages dynamiques des incertitudes pour JRC-TIP sont considérablement plus élevées que celles de MODIS et GEOV1, ce qui reflète la variation mensuelle plus élevée des données LAI récupérées par MODIS albedo (section 2.5).

3.2.2 Variation temporelle des incertitudes LAI

[23] La variation temporelle des incertitudes LAI pour MODIS, GEOV1 et JRC-TIP est comparée sur la Figure 5. Saisonnièrement, les incertitudes du produit sont relativement plus élevées en été et plus faibles en hiver. De même, l'ampleur des écarts entre les différents produits est normalement plus élevée en été qu'en hiver. Dans l'ensemble, MODIS et GEOV1 atteignent des incertitudes également faibles (0,17 contre 0,24). L'incertitude du JRC-TIP montre un schéma saisonnier clair pour tous les types de biomes. En moyenne, l'incertitude JRC-TIP (0,43) est environ le double des incertitudes MODIS et GEOV1 (tableau 3).

[24] Lorsque les types de biomes individuels sont pris en compte, les incertitudes sont généralement de l'ordre de MODIS < GEOV1 < JRC-TIP pour les graminées/cultures céréalières, les arbustes, les cultures à feuilles larges et la savane. Les incertitudes MODIS et GEOV1 sont assez stables et à un niveau faible (< 0,30) sur l'année pour ces types de biomes, ce qui est lié aux faibles valeurs de LAI. Pour le JRC-TIP, l'incertitude atteint environ 0,96 pour les cultures feuillues en août. Les incertitudes pour les forêts sont généralement plus élevées que celles pour les non-forêts (Figure 5). L'incertitude la plus élevée est observée pour l'EBF, qui est en partie liée aux valeurs élevées de LAI pour le type de biome (voir plus d'explications dans la section 3.3.2). Les incertitudes pour MODIS (

0,66) sont stables sur l'année. En revanche, les incertitudes du JRC-TIP sont plus élevées au printemps (

0,99). MODIS et GEOV1 présentent des incertitudes similaires pour DBF, ENF et DNF, avec des différences moyennes inférieures à 0,1 (tableau 3). MODIS, GEOV1 et JRC-TIP présentent tous des variations temporelles similaires pour les trois types de biomes forestiers, avec des incertitudes plus importantes en été qu'en hiver. Pour DBF, l'incertitude JRC-TIP est légèrement plus élevée (

0,20) que les incertitudes MODIS et GEOV1.

3.3 Incertitudes relatives des produits LAI

3.3.1 Cohérence spatiale des incertitudes relatives du LAI

[25] Les cartes d'incertitude relative diffèrent selon les produits LAI (Figure 6). MODIS produit les incertitudes relatives les plus faibles et JRC-TIP produit les valeurs les plus élevées. Les plus grands écarts discernables se produisent dans les régions boréales (60°N). Les incertitudes relatives les plus élevées se situent généralement dans les zones de transition écologique, telles que les parties occidentales à végétation clairsemée des Amériques, du Sahel, de l'Afrique du Sud, de l'Asie centrale et de l'Australie, ainsi que les zones de savane. MODIS montre des incertitudes relatives très faibles dans l'est des États-Unis, l'Amazonie, l'Afrique centrale, l'Asie du Sud-Est et les régions arctiques. GEOV1 affiche des incertitudes relatives plus élevées que MODIS aux latitudes inférieures, mais est inférieure à MODIS dans les régions boréales. Les incertitudes relatives pour GEOV1 sont comprises entre 20 % et 40 % dans les régions boréales durant l'été. Les incertitudes relatives du JRC-TIP présentent une forte variabilité spatiale en Amérique du Sud, en Afrique et en Asie de l'Est, en particulier en janvier. Les incertitudes relatives du JRC-TIP montrent plus de variabilité spatiale que les deux autres produits durant l'été.

3.3.2 Relations incertitude-LAI

[26] Globalement, les incertitudes relatives pour les trois produits LAI sont dans l'ordre suivant : MODIS < GEOV1 < JRC-TIP (Tableau 3). L'incertitude relative pour GEOV1 (26,6%) est plus du double de celle de MODIS (11,5%). Pour MODIS et GEOV1, les incertitudes relatives pour les forêts de feuillus sont plus faibles que celles pour les forêts d'aiguilles (tableau 3). La figure 7 illustre la relation générale entre les incertitudes du produit et les valeurs LAI. Les incertitudes pour MODIS et GEOV1 sont d'environ 10-14% des valeurs LAI (Figures 7a et 7b). Pour JRC-TIP, l'incertitude globale est d'environ 52% des valeurs LAI, avec un décalage de 0,24 (R 2 = 0,397). La figure indique que les incertitudes sont largement modulées par les valeurs du LAI, notamment pour GEOV1 (R 2 = 0,843). La forte relation linéaire entre l'incertitude GEOV1 et le LAI indique que les incertitudes relatives pourraient être inhérentes aux propriétés du produit. En revanche, MODIS et JRC-TIP semblent avoir des fluctuations d'incertitude de produit maximales pour les valeurs intermédiaires de LAI à environ 4,0 et 2,0, respectivement.

[27] Pour chaque produit, il existe deux pics de LAI et d'incertitude, correspondant aux types de biomes herbacés et ligneux, qui peuvent être clairement identifiés dans les nuages ​​de points de densité (Figure 7). Pour MODIS, les deux pics sont situés à LAI < 2 et entre 5 et 6, respectivement. Pour GEOV1, les emplacements des deux pics sont à LAI < 3 et entre 4 et 5,5, respectivement, et les valeurs d'incertitude sont plus élevées que celles produites par MODIS. La figure 7b montre également que le maximum GEOV1 LAI est d'environ 6,7, tandis que les pics d'incertitude sont d'environ 1,0. Les emplacements des pics du JRC-TIP se situent respectivement à LAI < 1,3 et entre 1,2 et 2,0, ce qui illustre les valeurs de LAI effectives inférieures avec des incertitudes relativement élevées.

3.3.3 Variation temporelle des incertitudes relatives du LAI

[28] La figure 8 montre les climatologies des incertitudes relatives pour MODIS, GEOV1 et JRC-TIP. Contrairement aux valeurs et aux incertitudes du LAI, aucune tendance saisonnière cohérente n'est observée pour un type de biome particulier. Pour MODIS, de petites variations saisonnières se produisent pour DBF, ENF et DNF, tandis que les incertitudes relatives sont relativement stables pour les autres types de biomes. Les incertitudes relatives MODIS sont inférieures à 20 % pour tous les biomes, à l'exception de l'ENF (23,9 %). La plus petite incertitude relative est observée pour EBF (8,8%). Pour GEOV1, à l'exception d'EBF (15,9%), les incertitudes relatives sont toutes supérieures à 20%. En comparaison, les incertitudes relatives pour MODIS sont légèrement inférieures à celles de GEOV1 pour tous les types de biomes, à l'exception de l'ENF. Les écarts les plus importants entre les deux produits peuvent être observés pour les biomes non forestiers. Les incertitudes relatives pour MODIS et GEOV1 ne montrent pratiquement aucun changement saisonnier pour EBF. L'incertitude relative globale pour le JRC-TIP atteint environ 114,3 % (tableau 3). En raison des valeurs relativement plus faibles et des incertitudes plus élevées, les profils JRC-TIP ont des incertitudes relatives extrêmement élevées (> 100%) pendant la majeure partie de l'année, sauf pendant l'été où les incertitudes relatives diminuent à environ 60% pour DBF (Figure 8f) .

3.4 Intercomparaison des produits LAI en Afrique

3.4.1 Caractérisation spatiale

[29] La figure 9 montre les performances des six produits LAI en Afrique en juillet 2010. Les valeurs LAI les plus élevées sont observées dans les régions de forêt tropicale humide (> 5,0), mais elles varient considérablement entre les différents produits. Pour la plupart des autres domaines, tous les produits présentent des LAI modérément similaires et faibles (< 2.0). Cependant, MODIS contient des pixels manquants dans les régions de forêt tropicale, et la carte d'état MODIS (non illustrée) révèle que ces pixels correspondent à de mauvaises récupérations causées par une contamination nuageuse constante dans les données. GEOV1, GLOBMAP et JRC-TIP souffrent également de lacunes de données similaires, en particulier le long de la côte du golfe de Guinée. En comparaison, GLASS affiche la carte LAI la plus continue, ce qui est dû à l'intégration de MODIS et CYCLOPES et à l'approche annuelle du réseau de neurones (section 2.3). GLOBMAP montre des LAI similaires, mais concentrés, élevés dans les zones tropicales, mais donne des valeurs légèrement inférieures pour d'autres zones du continent. JRC-TIP est naturellement inférieur (< 3.0) à tous les autres produits, même pour la forêt tropicale humide. Land-SAF est plus petit dans les zones équatoriales mais plus élevé dans les autres régions par rapport aux autres vrais produits LAI. Land-SAF révèle également un modèle décroissant particulièrement lisse des régions tropicales aux latitudes plus élevées en raison de ses observations plus fréquentes et d'une moyenne mensuelle des valeurs quotidiennes.

3.4.2 Incertitudes Terre-SAF et incertitudes relatives

[30] La figure 10 montre les incertitudes Land-SAF et les incertitudes relatives calculées en janvier et juillet entre 2007 et 2010, respectivement. La figure montre que les incertitudes pour 10°N−18°S (> 0,2) sont nettement plus élevées que celles des autres régions. Les incertitudes maximales migrent de l'est du bassin du Congo en janvier (1,0–1,5) vers le nord du bassin du Congo en juillet (> 1,5), ce qui correspond à la migration saisonnière de l'EBF en Afrique [Pfeifer et al., 2012 ]. Les incertitudes relatives sont relativement stables sur l'année et sont plus faibles entre 5°N et 20°S (< 30%). Les incertitudes relatives les plus élevées (> 30%) sont principalement distribuées dans les zones de transition entre la savane, les arbustes et les graminées.

3.4.3 Caractérisation d'un transect

[31] La figure 11 compare les LAI, les incertitudes et les incertitudes relatives le long du transect 25°E en juillet 2010. Les courbes ont été filtrées en utilisant une méthode de moyenne mobile à 2,5° pour montrer les performances générales des différents produits. Du nord le plus au sud, les valeurs LAI augmentent progressivement de 15°N à 5°N et produisent une valeur EBF maximale d'environ 5,0. Après une diminution soudaine à moins de 2,0 le long de 4°S, les valeurs de LAI diminuent progressivement des savanes boisées aux zones arbustives ouvertes. Les zones tropicales (5°N−4°S) présentent des différences assez marquées pour l'EBF, avec des valeurs de LAI variant de 3,4 (Land-SAF) à 5,2 (MODIS). Cela confirme l'observation antérieure d'écarts importants pour l'EBF et sera discuté plus en détail dans la section 4.1. Aux latitudes subtropicales (4°S−25°S et 5°N−10°N), le paysage est dominé par des systèmes de savane et les valeurs LAI diffèrent considérablement entre les différents produits. MODIS, GLASS et Land-SAF produisent des valeurs similaires pour les savanes boisées entre 5°N et 8°N. Cependant, GEOV1 produit des valeurs plus élevées et GLOBMAP produit des valeurs inférieures (d'environ 1,0) que MODIS, GLASS et Land-SAF. Des différences substantielles existent également entre les deux hémisphères pour les systèmes de savane. Les savanes et les savanes boisées de l'hémisphère nord se trouvent dans une bande latitudinale étroite (environ 3°), mais leurs valeurs LAI sont plus élevées (

1.5) que celles de leurs homologues de l'hémisphère sud. Contrairement à l'hémisphère nord, Land-SAF montre des valeurs plus élevées que tous les autres produits de 4°S vers le sud. La performance particulière des systèmes de savane pourrait être liée à la structure de végétation unique de ce type de biome qui est marquée par une structure de végétation très dynamique, variant dans l'espace et dans le temps et entraînée par la saisonnalité des précipitations.Bucini et Hanan, 2007 Pfeifer et al., 2012 ]. Certaines de ces différences peuvent également être liées aux différentes périodes de composition des produits. For example, the daily Land-SAF product may be able to optimally capture the high frequent LAI changes caused by precipitation, whereas this sort of information may be missed by other products with a longer composition cycle.

[32] In a similar manner to LAI, the uncertainties are also higher for woody savannas and EBF (Figure 11b). The MODIS uncertainties are below 0.5 over the whole transect. The GEOV1 uncertainties are around 0.75 for both woody savannas and EBF. JRC-TIP and Land-SAF have similar profiles as the transect moves from 10°N to the south, reaching about 1.4 for woody savannas and EBF, but decreasing to < 0.5 for other latitudes. Land-SAF assigns a constant uncertainty value (0.3) to bare surfaces, such as the deserts at the two ends of Africa (from 10°N and from 15°S). The relative uncertainties produce bowl-shaped profiles with increasing values from lower to higher latitudes (Figure 11c). MODIS, GEOV1, and Land-SAF values are similar for savannas and EBF (10°N−19°S), which are slightly lower than the values for the other biome types at higher latitudes. The three products show relatively larger discrepancies for savannas and open shrublands from 19°S, which indicates the complex structures for these biome types. The relative uncertainties for JRC-TIP (> 100%) are also lower for savannas and EBF than for grasslands and open shrublands.

3.5 Improvement Over Heritage Products

[33] The differences between the GEOV1 and GLOBMAP products and the heritage products are plotted in Figure 12. The improvement in GEOV1 over the earlier CYCLOPES is clear, both regarding accuracy and spatial and temporal consistency (not shown). CYCLOPES tends to underestimate MODIS, especially for higher LAI values, mainly due to the differences in LAI definitions between CYCLOPES (closer to effective LAI) and MODIS (true LAI) [Fang et al., 2012b ]. In contrast, the global average GEOV1 value is slightly higher than that of MODIS (Table 3), and this is due to the new fusion algorithm (equation (1)). The MODIS-GEOV1 differences are much smaller than the previous MODIS-CYCLOPES differences [Fang et al., 2012b ]. GEOV1 values have increased over the CYCLOPES values for all vegetated biomes, especially for the forest types (Figure 12a), indicating the effectiveness of the new fusion algorithm. The highest increase is found for EBF (

0.96). Geographically, GEOV1 matches better with MODIS in Amazon and boreal regions, whereas CYCLOPES usually underestimates MODIS in these regions [Fang et al., 2012b ].

[34] The GEOV1 uncertainties are also smaller than those of CYCLOPES (Figure 12b). Substantial differences are found for broadleaf crops and savanna. For CYCLOPES, the typical uncertainties in summer are close to 0.80 and 0.70 for broadleaf crops and savanna, respectively [Fang et al., 2012c ]. In comparison, the corresponding GEOV1 uncertainties are about 0.40 and 0.30, respectively. The reduction of the GEOV1 uncertainties (0.36 on average) are most significant for forest types, to a similar level with MODIS (Figure 5) which reaffirms the improvement of GEOV1 for these biome types. The relative uncertainty uniformly decreased by about 20−32% for all biomes (Figure 12c).

[35] Previous validation and intercomparison studies have shown that GLOBCARBON underestimates MODIS by about 1.0 for EBF due to algorithm differences and the different clumping processing methods [ESA, 2007 Fang et al., 2012b Garrigues et al., 2008 ]. The present study reveals much improved spatial and temporal consistency between GLOBMAP and the other products for EBF. Overall, GLOBMAP has increased by about 1.5 over GLOBCARBON for EBF (Figure 12d). The improvement in consistency is mainly attributed to the enhanced MODIS reflectance data utilized in GLOBMAP [He et al., 2012 Liu et al., 2012 ].

3.6 Comparison With the GCOS Accuracy Requirement

[36] Figure 13 shows the percentage of pixels that falls within the GCOS quality thresholds for uncertainty (0.5) and relative uncertainty (20%). Based on a yearly average, 93.2% of MODIS pixels are within the GCOS quality requirement for uncertainty, followed by GEOV1 (85.8%) and JRC-TIP (74.5%). Seasonally, the number of pixels meeting the requirement is about 15% lower in summer than in winter for MODIS, GEOV1, and JRC-TIP, which reflects the higher LAI values and the associated retrieval uncertainties during the peak growing season. Land-SAF shows a minor seasonality, and about 82.0% of the data have met the quality requirement in continental Africa. This is comparable to that reported in the Land-SAF validation report, which states that the mean uncertainty is below 0.6 for 71% of the land surface [García-Haro et al., 2008 ]. With regard to different biome types, forested pixels have a slightly lower percentage of pixels than nonforest types that have met the quality requirement (Figure 13b). This is partly related to the generally higher LAI values and uncertainties for forests. EBF have the lowest percentage of pixels that have met the requirement for GEOV1 (17.1%), JRC-TIP (26.4%), and Land-SAF (17.8%), which indicates the difficulty of LAI retrieval for this biome type (section 4.1).

[37] With regard to the relative uncertainty threshold (20%), the number of good retrievals is ranked as follows: MODIS (78.5%) > GEOV1 (44.6%) > Land-SAF (13.3%) > JRC-TIP (5.7%). For GEOV1, the percentage of good retrievals shows small seasonal variations, ranging from 31.0% in October to 58.6% in August, whereas there are nearly no seasonal changes for the other three products (Figure 13c). Pixels with good retrievals are distributed over various biome types (Figure 13d). Unlike the absolute uncertainties (Figure 13b), there is no clear dominant contributing biome type for the relative uncertainties (Figure 13d).

[38] In this study, the theoretical uncertainties are derived by each product separately, using different approaches, tools, and resolutions. In order to consolidate the differences in product uncertainties, a triple collocation error model (TCEM) has been developed to calculate theoretical uncertainties for the MODIS, CYCLOPES, and GLOBCARBON LAI products [Fang et al., 2012c ]. The results from this study (Table 3) show that the average uncertainties (< 0.50) and the relative uncertainties (< 40%) are comparable to those estimated by TCEM, which shows the validity of exploring theoretical uncertainties using both product QQIs and the TCEM approach. The TCEM study [Fang et al., 2012c ] indicates that less than 39.5% of MODIS and nearly half of CYCLOPES retrievals (49.1%) have met the quality requirement for absolute uncertainty (0.5). With regard to the relative uncertainties, the percentages of good retrievals are only 19.2% and 37.7% for MODIS and CYCLOPES, respectively. Results from the present study indicate that the relative uncertainties associated with the products clearly have a significantly higher percentage of good retrievals compared to those obtained using the independent TCEM approach. These differences reflect the different approaches in deriving the theoretical uncertainties and should be considered in evaluating the product uncertainties.


Contexte

Northern Ethiopian highlands are supporting large number of agricultural community whose livelihoods directly depends on farming. However, coupled with increasing population pressure and terrain characteristics of the area, there was reported massive land degradation manifested by soil erosion and resultant nutrient depletion, forest degradation and massive expansion of agricultural land use pattern with costs of other natural cover (Gete and Hurni 2001 Hurni et al. 2010 Woldeamlak and Solomon 2013). Similarly, studies undertaken specific to Guna-Tana watershed and Upper Blue Nile basin like (Hurni et al. 2005 Mellander et al. 2013 Seleshi et al. 2012, 2013, 2016 Adugnaw et al. 2016 Nigussie et al. 2017) have identified watershed level resource degradation problems emanated from anthropogenic and biophysical factors.

Since 1970s Ethiopian government have launched various soil and water conservation programs to curve resource degradation. Programs implemented at first phase during the Derg regime (1970s) and earlier phases of current government (1980s) were reported ineffective due to its top-down approach basically focused on physical soil erosion control measures (Osman and Sauerborn 2001 Essayas et al. 2014 Nigussie et al. 2015 Gebregziabher et al. 2016). Renovated watershed level soil and water conservation programs that have based community and its livelihoods as center piece of intervention like Community Based Natural Resources Management (CNRM), Integrated Watershed Soil and Water Conservation Program (ISWCP), Sustainable Land Management Program (SLM), Millennium Reforestation Program and Integrated Safety Net Programs (ISP) have been implemented nationally in many regions of Ethiopia including Guna-Tana watershed (Nigussie et al. 2015 Gebregziabher et al. 2016). In addition to these programs, every farm household is participating for 60 days annually in soil and water conservation works as community based campaign in Guna-Tana watershed.

The government repeatedly reported these soil and water conservation programs as effective in halting resource degradation scenarios and by reversing the trend while simultaneously improving rural livelihoods and ecosystem rehabilitation. Contrary to prospectus government reports, still there was natural vegetation degradation with opportunity cost of human induced land use pattern (Temesgen and Tesfahun 2014 Adugnaw et al. 2016). In these respect, some studies have reported as ISWCP have brought significant changes in agricultural productivity (Chisholm and Tassew 2012 Schmidt and Fanaye 2012), reduction of soil erosion and sedimentation (Kebede 2014 Nigussie et al. 2015 Molla 2016 Asnake 2017 Lemlem et al. 2017), vegetation change and positive hydrological responses (Fikir et al. 2009 Nyssen et al. 2010 Shimeles 2012), climate change adaptation (Meaza 2015), biomass recovery (Essayas et al. 2014 Lemlem et al. 2017). Though these studies have reported prospectus impacts of integrated soil and water conservation programs, still there is no any study undertaken to show long-term watershed level vegetation productivity and vegetation regeneration to see impacts of conservation programs on ecosystem health and productivity.

Remote sensing approaches were selected to harness its capability to provide spatially explicit account of ecosystem parameters (Xiaoming et al. 2010 Li et al. 2014) especially in places like Guna-Tana watershed where there is acute shortage of in situ based hydro-meteorological observations and complete absence of flux tower observing stations for ecosystem health modeling. One of the basic attributes of vegetation to measure through remote sensing for ecosystem health assessment is vigor (Eve et al. 1999 Li et al. 2014). Hence, the study has used remotely sensed net primary productivity (NPP) and enhanced vegetation index (EVI), which are repeatedly used as ecosystem productivity, health and vegetation regeneration and degradation at different ecosystems and geographic regions (Potter et al. 1993 Li et al. 2012 Feng et al. 2013 Zhou et al. 2013 Pan et al. 2014 Binyam et al. 2015 Neumann et al. 2015 Chen et al. 2017). Vegetation vigor (EVI) measures health of vegetation while NPP measures amount of net carbon assimilated to ecosystems after supporting respiration and transpiration which is common ecosystem health parameter. Therefore, the prime objective of this study was to assess impacts of integrated soil and water conservation programs on vegetation productivity and regeneration by using long-term and frequently observed satellite imagery from 2000 to mid of 2017.


Towards Fine-Scale Yield Prediction of Three Major Crops of India Using Data from Multiple Satellite

There is enormous scope and prospective of crop yield prediction at finer scale for both farm-level crop management as well as for crop insurance settlement at gram panchayat (GP) level in India. Now with the advent of satellite sensors like the MSI from Sentilnel-2 with fine spatial resolution, the possibility of generating frequent information on crop condition at field scale is increasing. This study demonstrated the combined use of high-resolution data from Sentinel-2 (10 m and 20 m) moderate-resolution data from MODIS (500 m) and coarser-resolution radiation data from INSAT-3D (4 km) for estimating yield of three major crops of India at GP and taluka level using a semi-physical model based on crop-specific radiation use efficiency. The novelty of this study lies in the data fusion approach using parameters from multiple spatial resolution of Geostationary and Lower Earth Orbiting satellites within the basic semi-physical model framework. The methodology has been demonstrated in Cuttack district of Odisha for rice Rajkot district of Gujarat for cotton and Indore district of MP and Fatehabad district of Haryana for wheat. We validated our result at GP, taluka and district level. At GP level, the root mean square error (RMSE) was found to be 16.5% for rice and 5.8% for wheat in Indore district. At taluka level, the RMSE was found to be 15%, 5.7%, 4.4% and 7.4% for rice, wheat in Indore district, wheat in Fatehabad district and cotton, respectively. The study concluded that high resolution remote sensing data would be of immense use for finer scale yield estimation, which can be aggregated at GP and taluka level with satisfactory accuracy (p = 95%).

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


Results :

The Refugee Camp Locations :

It appears as though the resulting vegetation change over the years in the Refugee camp locations is random.

The IRD Refugee Camp Areas :

In these images the resulting vegetation change also appears to be random. Taking a closer look you can see a region west of the refugee camp locations in red. In 2002, there was a major increase in vegetation in the area, but in 2003 there had been an overall decrease. In 2004 and 2005 the decrease in vegetation appears to be intensifying.


Wheat Acreage Mapping and Yield Prediction Using Landsat-8 OLI Satellite Data: a Case Study in Sahibganj Province, Jharkhand (India)

The emergence of remote sensing technologies and availability of satellite data over three decades have facilitated to monitor and understand the agricultural systems in many intensive agricultural regions. Here, we performed a comprehensive study on utilization of multi-temporal satellite data (i.e., Landsat-8 and MODIS) for wheat acreage and yield estimation during winter season (2016–2017) over the Sahibganj District in Jharkhand (India). Phenological variables were derived using the time-series normalized difference vegetation index (NDVI), which helps to understand the phenological transitions of wheat. The NDVI profile was used to derive rules for decision tree classifier to map the acerage of wheat. The key findings indicate that the acerage of wheat was estimated as

3870 ha. Further, the long-term wheat statistics data were used to derive a yield model. Based on this model, wheat production was predicted as

4523 t for the winter season 2016–2017, while, the mean was 3482 t. Predicted wheat yield was as

1.17 t/ha, which was underestimated by 0.07 t/ha. Thus, it can be concluded that the accuracy of yield prediction depends on the precision of wheat acerage map derived from remote sensing data. A significant challenge for accurate acerage mapping could be the coarser spatial resolution of satellite data as the average plot sizes of Indian farmers can be far smaller than pixel sizes of the satellite data. Nevertheless, this comprehensive case study inferred that satellite-derived wheat acerage can be preferred to predict yield instead of traditional-based survey estimates.