Publication Cover
Canadian Journal of Remote Sensing
Journal canadien de télédétection
Volume 33, 2007 - Issue 4
43
Views
14
CrossRef citations to date
0
Altmetric
Article

Assessment of a global leaf area index product from SPOT-4 VEGETATION data over selected sites in Canada

Pages 341-356 | Published online: 02 Jun 2014
 

Abstract

Leaf area index (LAI) is a fundamental land surface parameter for various earth science applications. A new set of recently developed LAI algorithms has been employed for producing a global LAI dataset at 1 km resolution and in time steps of 10 days, using the Satellite pour l'observation de la terre (SPOT) VEGETATION sensor data. This paper presents the results of a regional validation of the new product at seven reference sites in Canada. Differences in land cover classifications and quality of the input sensor data were identified as the largest sources of scene-wide bias errors; the aggregation of the images from 1 km to 4 km resolution led to a reduction of errors in the order of 12%. Systematic errors were observed over mountainous areas where terrain shading, clumping, and bidirectional reflectance distribution function (BRDF) normalization are problematic. Overall, the new global LAI dataset was found to be reasonably accurate and proved to have the potential to become a sound alternative to the global moderate-resolution imaging spectroradiometer (MODIS) LAI product.

L'indice de surface foliaire (LAI) est un paramètre important qui caractérise la surface terrestre dans de nombreuses applications dans le domaine des sciences de la terre. Un nouvel ensemble d'algorithmes, développés récemment, a été utilisé pour produire une distribution du LAI à l'échelle globale, à une résolution spatiale de 1 km et une résolution temporelle de 10 jours, utilisant les données SPOT-VEGETATION. Cet article présente les résultats d'une validation régionale de ce nouveau produit sur sept sites de référence au Canada. Les différences de classification de la couverture du sol et la qualité des données ont été identifiées comme les plus grandes sources d'erreurs systématiques. L'agrégation des images de 1 km à 4 km permet de réduire les erreurs d'environ 12 %. Des erreurs systématiques ont été observées au-dessus des secteurs montagneux où l'ombrage, le clumping et la normalisation de la fonction de distribution de la réflectance bidirectionnelle (FDRB) sont problématiques. Les résultats obtenus pour les septs sites de référence suggèrent que la distribution du LAI que nous avons produite est assez exacte et a le potentiel pour devenir une alternative au produit MODIS-LAI.

Reprints and Corporate Permissions

Please note: Selecting permissions does not provide access to the full text of the article, please see our help page How do I view content?

To request a reprint or corporate permissions for this article, please click on the relevant link below:

Academic Permissions

Please note: Selecting permissions does not provide access to the full text of the article, please see our help page How do I view content?

Obtain permissions instantly via Rightslink by clicking on the button below:

If you are unable to obtain permissions via Rightslink, please complete and submit this Permissions form. For more information, please visit our Permissions help page.