Abstract
Different types of remote sensing data, including optical, synthetic aperture radar (SAR), and digital elevation model (DEM), have been used to investigate diverse vegetation properties in grasslands. However, it is not known if integrating these data can improve investigation accuracy and how much of a contribution that each of these data can make to the investigation. In this research, WorldView-2, Sentinel-1, and DEM data are used to estimate vegetation leaf area index (LAI) in a heterogeneous grassland in Canada. From the 3 types of data, 121 optical, 13 SAR, and 7 DEM variables were extracted. Four combinations of the variables, including optical, optical + SAR, optical + DEM, and optical + SAR + DEM, were designed and used to evaluate the contribution of each type of data to the LAI estimation. Four random forest models using these 4 combinations of variables were established to estimate LAI. Results show that the first model built with only optical variables achieved a good accuracy (R2 = 0.630, RMSE = 0.701) that is comparable to other studies. Integrating SAR and DEM variables with optical variables improved LAI estimation accuracy, but not substantially. SAR data’s marginal contribution is likely a result of the heterogeneous nature of the grassland ecosystem.
RÉSUMÉ
Différentes données de télédétection, optiques, RSO et des MNA servent à étudier diverses propriétés de la végétation dans les Prairies. Toutefois, il est important de savoir si l’intégration de ces données peut améliorer la précision des résultats et quelle est la contribution de chacune. Dans cette étude, des images WorldView-2 et Sentinel-1, et un MNA ont été utilisés pour estimer l’indice de surface foliaire (LAI) de la végétation d’une prairie hétérogène au Canada. De ces données, 121 variables des images optiques, 13 variables RSO et sept variables topographiques ont été extraites. Quatre combinaisons de variables, comprenant optique seulement, optique + RSO, optique + MNA et optique + RSO + MNA, ont été utilisées pour évaluer la contribution de chaque type de données pour l’estimation de la LAI. Quatre modèles de l’algorithme “Forêts aléatoires” ont ainsi été établis à l’aide de ces quatre combinaisons de variables. Le premier modèle construit avec des variables optiques seulement atteint une bonne précision (R2 = 0.630, RMSE = 0.701), c’est comparable à d’autres études. L’ajout des variables RSO et celles du MNA avec les variables optiques est parvenu à améliorer la précision de l’estimation de LAI, mais pas beaucoup. La contribution marginale des données SAR est probablement le résultat de la nature hétérogène de l’écosystème des prairies.
Declaration of interest
No potential conflict of interest was reported by the authors.