Improving the retrieval of the biophysical parameters of vegetation canopies using the contribution index

Abstract

Biophysical parameters, such as leaf area index (LAI) and leaf chlorophyll content, play crucial roles in precision agricultural management, forest ecology monitoring, and global climate change studies. Accurate and robust retrieval of these parameters from remote sensing data still remains a challenge. One of the commonly used methods is through the inversion of a physical canopy model. However, it is often an ill-posed problem, mainly due to the model complexity and observation uncertainties. In this study, a contribution index (CI) was derived to quantify the effect of a given observation on the retrieval of model parameters of interest that accounted for both the uncertainty of this observation and its sensitivity to the model parameters. The CI was used in the merit function to weight each observation to improve the physical model inversion. To evaluate the CI based merit function, the look-up table (LUT) model inversion was conducted using the coupled PROSPECT and SAIL model to retrieve LAI and leaf chlorophyll content. The results using both simulated and real hyperspectral data showed that employing CI significantly improved the retrieval accuracy by reducing the prediction errors by at least 10 % compared with the traditional LUT method.

Les paramètres biophysiques tels que l'indice de surface foliaire (LAI) et la teneur en chlorophylle des feuilles, jouent un rôle crucial dans la gestion de l'agriculture de précision, le suivi écologique des forêts et les études sur les changements climatiques à l'échelle du globe. L'extraction précise et robuste de ces paramètres à partir des données de télédétection demeure un défi. Une des méthodes communément utilisées repose sur l'inversion d'un modèle physique du couvert. Cependant, c'est souvent un problème mal posé principalement à cause de la complexité du modèle et des incertitudes liées aux observations. Dans cette étude, un indice de contribution (IC) a été dérivé pour quantifier l'effet d'une observation donnée sur l'extraction des paramètres d'intérêt du modèle qui permettait de rendre compte à la fois de l'incertitude de cette observation et de sa sensibilité par rapport aux paramètres du modèle. L'indice IC a été utilisé dans la fonction de mérite pour pondérer chaque observation afin d'améliorer l'inversion du modèle physique. Pour évaluer la fonction de mérite basée sur l'indice IC, une inversion du modèle basée sur la table de correspondance (LUT) a été réalisée à l'aide du modèle couplé PROSPECT et SAIL pour extraire le LAI et la teneur en chlorophylle des feuilles. Les résultats utilisant à la fois les données hyperspectrales simulées et réelles ont montré que l'utilisation de l'indice IC a permis d'améliorer significativement la précision de l'extraction en réduisant les erreurs de prédiction d'au moins 10  % comparativement à la méthode LUT traditionnelle.

[Traduit par la Rédaction]

Acknowledgements

The authors are grateful for the financial support through research grants provided by the Natural Sciences and Engineering Research Council (NSERC) of Canada. The database of the field campaigns in Ottawa (ON) were obtained from a project led by Dr. E. Pattey, jointly funded by Agriculture and Agri-Food Canada, the Canadian Space Agency through the Government Related Initiatives Program (GRIP) and GEOmatics for Informed Decisions (GEOIDE). We acknowledge the contributions of AAFC and York University staff, post-doctoral fellows, and summer students who participated in the data collection and analyses during the 1999–2001 periods. The CHRIS data were provided by ESA through the project led by Dr. Anne Smith of Agriculture and Agri-Food Canada.