Correlating Leaf Area Index of Ponderosa Pine with Hyperspectral CASI Data

RÉSUMÉ

Des évaluations de l'indice de surf ace foliaire (ISF) d'un peuplement de pins Ponderosa, en Oregon, ont été corrélées avec des données hyperspectrales acquises à l'aide d'un spectromètre-imageur compact CASI (Compact Airborne Spectrographic Imager). Huit valeurs d'ISF allant de 0,87 à 2,72 ont été mesurées au moyen d'un analyseur de couvert forestier LAI-2000 sur le site d'étude. Les dérivées spectrales de premier et de deuxième ordre des spectres de réflectance des données de l'imageur CASI ont été utilisées en vue d'éliminer les effets du sol sur les réflectances spectrales de la forêt. Une régression multiple par étapes a été utilisée pour examiner la relation existant entre l'ISF et les données de l'imageur CASI. Cette méthode donne comme résultat des équations linéaires à plusieurs variables et les valeurs correspondantes pour les coefficients de détermination (CD) et les estimations d'erreurs-types (EET) pour les valeurs estimées de l'ISF.

Les résultats montrent que la technique des dérivées spectrales peut améliorer les corrélations entre l'ISF et les spectres dérivés de l'imageur CASI comparativement aux corrélations entre l'ISF et les spectres de réflectance des données de l'imageur CASI lorsque des facteurs de variabilité environnementale tels que la réflectance du sol et les effets atmosphériques varient moins rapidement que les signaux spectraux. Par conséquent, la méthode des dérivées spectrales permet d'améliorer l'exactitude des valeurs estimées de l'ISF. Par exemple, le plus haut coefficient de détermination, dans l'estimation de l'ISF, obtenu â partir d'une seule bande spectrale, est 0,681 avec une erreur-type estimée de 0,345. Ces valeurs respectives ont été considérablement améliorées pour devenir 0,904 et 0,189, après avoir utilisé les dérivées de premier ordre, et 0,898 et 0,195, avec les dérivées de deuxième ordre.

SUMMARY

Leaf area index (LAI) estimates collected from a Ponderosa pine stand in Oregon were correlated with the hyperspectral data acquired using a Compact Airborne Spectrographic Imager (CASI). Eight LAI values ranging from 0.87 to 2.72 were measured using an LAI-2000 Plant Canopy Analyzer at the study site. First- and second-order spectral derivatives of reflectance spectra from the CASI data were used to suppress the effects of the soil background on the forest spectral reflectances. A piece-wise multiple regression procedure was then used to explore the relationships between the LAI and the CASI data. This procedure produces multivariate linear equations and their associated goodness-of-fit (GOF) values (coefficients of determination) and standard errors (SE) for LAI estimation.

Results show that the spectral derivative technique can increase the correlations between LAI and the derivative spectra of CASI data as compared to those between LAI and the reflectance spectra of CASI data when environmental variability such as background soil and atmospheric effects vary at a lower rate when compared with signal spectra. Therefore, the spectral derivative approach leads to improved accuracies of LAI estimation. For instance, the highest GOF obtained for single-channel LAI prediction is 0.681 with a SE of 0.345. These values have been considerably improved to 0.904 and 0.189, and 0.898 and 0.195 after taking the first- and second-order derivatives, respectively.

Additional information

Notes on contributors

Peng Gong

Peng Gong is with the Department of Geomatics Engineering, The University of Calgary, Calgary, Alberta T2N 1N4.

Ruiliang Pu

Ruiliang Pu is with the Department of Forestry, Nanjing Forestry University, Nanjing, China, 210037.

John R. Miller

John R. Miller is with the Department of Physics, York University and the Earth-Observations Laboratory, The Institute for Space and Terrestrial Science, 4850 Keele Street, North York, Ontario M3J 3K1.