Lumen optisten kaukokartoitusmenetelmien kehittäminen boreaalisella metsävyöhykkeellä. Kirsikka Heinilä SYKE/HY

Transkriptio

1 Lumen optisten kaukokartoitusmenetelmien kehittäminen boreaalisella metsävyöhykkeellä Kirsikka Heinilä SYKE/HY

2 Content Motivaatio Johdanto Lumen heijastusominaisuudet Lumisen metsän heijastusominaisuudet Metsän ominaisuuksien vaikutus havaittuun reflektanssiin Lumisen metsän reflektanssin mallintaminen Johtopäätökset 2

3 Motivaatio Boreaalinen metsävyöhyke asutuin kausittaisen lumipeitteen alueista Tulvaennusteet, vesivoima, maatalous Ilmastonmuutoksella merkittävä vaikutus boreaalisen metsävyöhykkeeseen Satelliitit tuottavat sekä ajallisesti että alueellisesti tehokasta tietoa lumipeitteestä Puusto peittää lumipeitteen näkyvyyttä Säteilyn käyttäytymistä lumisessa metsässä on tutkittu melko vähän Boreaalinen metsäyöhyke ( Satelliittikomposiitti, Tammikuu 2004, NASA 3

4 Johdanto Tavoitteena kehittää entistä tarkempia kaukokartoitusmenetelmiä metsän lumipeitteen havainnoimiseksi Käytössä SYKEn ja IL:n laajat optisten mittausten aineistot Maasto Masto Lentokone Satelliitti Eri spatiallisen ja spektraalisen resoluution mittausten yhdistäminen Tietoa puun latvuston vaikutuksesta havaittuun reflektanssiin Tuloksia tullaan hyödyntämään SYKEn operatiivisessa lumituotteen kehittämisessä 4

5 Päivittäinen lumipalvelu Lähes reaaliaikaista lumitietoa SYKE:n operatiivisen hydrologisen mallin käyttöön SCAmod (Snow Covered Area model) menetelmä kehitetty SYKE:ssä Metsämäki, S., S. T. Anttila, M. J. Huttunen ja J. M. Vepsäläinen A feasible method for fractional snow cover mapping in boreal zone based on a reflectance model. Remote Sens. Environ., Vol 95, pp

6 Päivittäiset MODIS -kuvat Automaattinen esiprosessointi Pilvimaskaus Transmissiivisuus Heijastusmalli Reflektanssiarvot: märkä lumi paljasmaa metsä SCA Numeeriset arvot hydrologiseen malliin SCA-kartat julkiseen jakeluun (WWW)

7 Tutkimusalue Lapin ilmatieteellisen tutkimuskeskuksen alue Sodankylässä Laajat ja ainutlaatuiset mittasarjat Alue edustaa tyypillistä pohjoisboreaalista metsäaluetta 7

8 Mastospektrometri Korkea spektraalinen, spatiaalinen ja temporaalinen resoluutio Kaksi mitta-aluetta: metsäalue ja metsänaukko Aineisto sisältää Keskiarvoistettu reflektanssi 185 m 2 alueelle aallonpituusalue nm Yli 350 kanavaa Samanaikaiset valokuvat kohteesta 8

9 Airborne Imaging Spectrometer for Applications (AISA) Kaksi AISA kampanjaa Sodankylän alueella Mittaukset tehty AisaDUAL -sensorilla Aallonpituusalue nm 359 spektraalista kanavaa Spatiaalinen resoluutio 0.8 metriä Kaista 240 metriä Käytössä Oxford RT GPS/INS Mahdollistaa tarkemmat mittaukset AisaHAWK (SWIR, nm) AisaEAGLE (VNIR, nm) 9

10 Airborne Imaging Spectrometer for Applications (AISA) Ensimmäinen kampanja , puut lumettomana , puissa lunta Puuston vaikutus lumisesta metsästä havaittuun reflektanssiin Lumisten puiden vaikutus lumisesta metsästä havaittuun reflektanssiin 18 March March 2010 at 10:05 UTC at 10:05 UTC Solar azimuth ( ) Solar elevation ( ) Snow depth (cm) Grain size (mm) Snow surface temperature ( C) -6-7 Air temperature ( C)

11 Airborne Imaging Spectrometer for Applications (AISA) Toinen kampanja Lumipeite pälvinen, ohut ja märkä Lumipeitteen syvyyden vaikutus havaittuun reflektanssiin Aluskasvillisuuden vaikutus Lumen alta paljastuneen märän maaperän reflektanssin tutkimus tärkeää sulannan aikaisten lumituotteiden parantamiseksi 11

12 Lumen reflektanssi Lumella on korkea reflektanssi näkyvän valon alueella verrattuna muihin luonnon kohteisiin Raekoko Vesiarvo Valaistusgeometria Syvyys Lika Varjoisan lumen reflektanssi huomattavasti matalampi kuin valaistun Tärkeä huomioida metsän lumipeitteen kartoituksessa 12

13 Mastosta havaittu metsän reflektanssi Metsän heijastussuhde aallonpituusalueella 555 nm Hypoteesi Valaistun metsän reflektanssi on herkkä valaistusgeometrialle Pilvisellä säällä metsän reflektanssin vaihtelua aiheuttavat lumen ominaisuudet Varjojen vaikutus Lumen metamorfoosin vaikutus on nähtävissä vaikka puusto peitää alueesta 40% 13

14 Mastosta havaittu reflektanssi Metsän heijastussuhde aallonpituusalueella 555 nm Valaistusgeometria vaikutus Useat aiemmat tutkimukset ovat osoittaneet että lumi heijastaa säteilyä enemmän eteenpäin kun taas kasvillisuus heijastaa enemmän taaksepäin Metsän latvuston taaksepäinsironta dominoi sirontamekanismia vaikka latvusto peittää alle puolet alasta (40 %) Katkoviivat edustavat taaksepäinsirontaa ja yhtenäiset viivat eteenpäinsirontaa 14

15 Puuston ominaisuuksien vaikutus havaittuun reflektanssiin AISA mittaukset metsästä melko homogeenisen lumipeitteen aikaan mahdollistavat hyvän tutkimusalustan LIDAR (Light Detection and Ranging) mittauksia samalta alueelta Kasvillisuuden korkeuskartta (TH) Puuston peittoalakartta (CC) Näiden tulon käyttäytyminen CCxTH oli myös tutkimuskohteena Korreloi metsän biomassan ja tilavuuden kanssa MODIS bands Central Bandwidth (nm) wavelength (nm) Band Band Band Band MODIS-based indices Formulation Normalized difference snow (Band 4 - Band 6) / (Band 4 + Band 6) index (NDSI) Normalized difference (Band 2 - Band 1) / (Band 2 + Band 1) vegetation index (NDVI) 15

16 Puuston peittoala vs. AISA mittaukset = 1 N=

17 CCxTH vs. AISA mittaukset N= Korrelaatio oli melko eksponentiaalinen reflektanssien kohdalla Tämä on yhtenevä tulos mallinnusmenetelmämme kanssa joka on yhdistelmä lineaarisesta mallista ja säteilynkuljetusyhtälöstä 17

18 Lumisten puiden vaikutus metsästä havaittuun reflektanssin Sääolosuhteet olivat samankaltaiset molempina päivinä -Lumi puissa aiheutti 40% kasvun näkyvän valon reflektanssiin

19 Lumisten puiden vaikutus indekseihin Suhteellinen ero NDSI:ssä kasvaa metsän peittoalan kasvaessa NDVI:n kohdalla käytös on päinvastainen, suhteellinen ero pienenee kun CC kasvaa NDSI on herkempi indeksi havainnoimaan lumiset puut kuin NDVI = )/2 100% V sf = indeksi kun latvusto on lumeton V sc = indeksi kun latvustossa on lunta d r = suhteellinen ero Crown Coverage Crown Coverage Crown Coverage Crown Coverage 10-30% 30-50% 50-70% 70-90% NDSI NDVI V sf V sc d r V sf V sc d r V sf V sc d r V sf V sc d r % % % % % % % % 19

20 NASAn käytössä oleva lumialgoritmi MODIS algoritmi määrittää pikselin lumiseksi mikäli sen arvo osuu määritetylle alueelle NDSI ja NDVI -avaruudessa lumen sulannan aikaisia AISA -mittauksia tullaan hyödyntämään tarkempien NDSI ja NDVI arvojen määrittämiseen erottamaan lumipeitteiset metsät lumettomista CC= 40% Snow depth ~ 80 cm Snow-free canopy Binary snow algorithm by Klein, A.G., Hall, D.K., & Riggs, G.A. (1998). Improving snow cover mapping in forests through the use of a canopy reflectance model. Hydrological Processes, 12,

21 NASAn lumitulkintojen toimivuus metsäisillä alueilla täysin lumipeittesenä aikana Landsat/ETM+ kuvasta (15 March 2003) näkyy tiheän metsän alue NDSI in MODIS 500m-resolution MOD10_L2 binary snow product, white=snow, black=no snow MOD10_L2 fractional snow product 21

22 Lumipeitteisen metsän reflektanssin mallinnus Mastosta mitattua reflektanssia kuvattiin lumen ja puuston reflektanssien avulla Täysi lumipeite mahdollistaa puuston vaikutuksen tutkimisen Malli on lineaarisen yhdistelmämallin ja säteilynkuljetusyhtälön yhdistelmä Samankaltainen malli on käytössä SCAmod:ssa ill.snow,shd.snow,trees valaistun lumen reflektanssi Varjoisan lumen reflektanssi Tiheän metsän reflektanssi t t 2 F ill.snow Transmissiivisuus Tehoisa transmissiivisuus Valaistun lumen suhteellinen osuus 22

23 Lumipeitteisen metsän reflektanssin mallinnus Mastosta mitatun ja mallinnetun lumisen metsän reflektanssin vertailu osoitti että metsän transmissiivisuus riippuu aallonpituudesta Metsän latvuston transmissiivisuus määritettiin kolmelle eri aallonpituusalueelle minimoimalla erotuksen neliöjuuri Yleisesti ottaen malli toimi hyvin AISA mittauksia hyödyntämällä malli voidaan sovittaa toimimaan myös erityyppisissä metsissä 23

24 Johtopäätökset Metsän latvusto vaikuttaa voimakkaasti kohteen bidirektionaalisiin heijastusominaisuuksiin Lumen ominaisuuksilla on selvä vaikutus havaittuun metsän reflektanssiin Metsän ominaisuuksien havaittiin selittävän hyvin reflektanssin alueellista vaihtelua Todistaa transmissivisuustiedon tarpeellisuuden lumitulkinnoissa NDSIn todettiin vaihtelevan runsaasti etenkin tiheissä metsissä Tulee huomioida NDSI -pohjaisissa lumituotteissa NDSI reagoi herkemmin lumisiin puihin kuin NDVI 24

25 Johtopäätökset Metsän ominaisuuksien ja reflektanssin välinen korrelaatio oli lähes eksponentiaalinen Yhtenevä tulos kehitetyn mallin kanssa Laboratoriomittaukset eri kohteiden reflektansseista ovat käyttökelpoisia tulkittaessa kohteen ominaisuuksia satelliittikuvilta Tuloksia tullaan hyödyntämään mallin kehityksessä sopimaan erilaisissa metsissä Seuraavassa vaiheessa lumen sulannan aikaiset AISA - mittaukset Lumen syvyyden vaikutus reflektanssiin Aluskasvillisuuden vaikutus ohuen lumipeitteen reflektanssiin Lumitulkintaan sopivien NDSI ja NDVI raja-arvojen määrittäminen 25

26 Julkaisut Heinilä, K., Salminen, M., Pulliainen, J., Cohen, J., Metsämäki, S. & Pellikka, P. (2014). The effect of boreal forest canopy to reflectance of snow covered terrain based on airborne imaging spectrometer observations. International Journal of Applied Earth Observation and Geoinformation, 27, Part A, p. Metsämäki, S., Mattila, O.-P., Pulliainen, J., 692 Niemi, K., Luojus, K. & Böttcher, K. (2012). An optical reflectance model-based method for fractional snow cover mapping applicable to continental scale. Remote Sensing of Environment, 123, Niemi, K., Metsämäki, S., Pulliainen, J., Suokanerva, H., Böttcher, K., Leppäranta, M., & Pellikka, P. (2012). The behaviour of mast-borne spectra in a snow-covered boreal forest. Remote Sensing of Environment, 124, Pulliainen, J., Salminen, M., Heinilä, K., Cohen, J., & Hannula, H.-R. (2014). Semi-empirical modeling of the scene reflectance of snow-covered boreal forest: Validation with airborne spectrometer and LIDAR observations. Remote Sensing of Environment, Remote Sensing of Environment (2014), Salminen, M., Pulliainen, J., Metsämäki, S., Böttcher, K., & Heinilä, K. (2013). MODIS-derived snow-free ground reflectance statistics of selected Eurasian non-forested land cover types for the application of estimating fractional snow cover. Remote Sensing of Environment, 138,

27 Kiitos! 27