![Sample our Environment & Agriculture journals, sign in here to start your access, latest two full volumes FREE to you for 14 days]({"type":"image" , "src" : "/sda/5934/TOC-Subject-Sample-2021-Environment-Agriculture.jpg"})
Abstract
The mapping of tree species, in general and specifically in diverse savanna environments, is of great interest to ecologists and natural resource managers. This study focused on the fusion of imaging spectroscopy and small-footprint waveform light detection and ranging (wLiDAR) data to improve per species structural parameter estimation towards classification and herbaceous biomass modeling. The species classification approach was based on stepwise discriminant analysis (SDA) and used feature metrics from hyperspectral imagery (HSI) combined with wLiDAR data. It was found that fusing data with the SDA did not improve classification significantly, especially compared with the HSI classification results. As for herbaceous biomass modeling, the statistical approach used for the fusion of wLiDAR and HSI was forward selection regression modeling, which selects significant independent metrics and models those to measured biomass. The results indicated that fine scale wLiDAR may not be able to provide accurate measurement of herbaceous biomass, although other factors could have contributed to the relatively poor results, such as the senescent state of grass, the narrow biomass range that was measured, and the low biomass values, i.e., the limited laser-target interactions. We concluded that although fusion did not result in significant improvements over single modality approaches in these two use cases, there is a need for further investigation during the peak growing season.
La cartographie d'espèces d'arbres en général, et dans les milieux diversifiés de savane en particulier, est d'un grand intérêt pour les écologistes et les gestionnaires des ressources naturelles. Dans cette étude, l'accent est mis sur la fusion des données de spectroscopie imageante et wLiDAR à faible empreinte pour améliorer l'estimation des paramètres structuraux par espèce en vue de la classification et de la modélisation de la biomasse herbacée. L'approche de classification des espèces était basée sur une analyse discriminante pas à pas et celle-ci était basée sur des mesures des caractéristiques dérivées des images hyperspectrales en combinaison avec des données wLiDAR. On a pu observer que la fusion des données à l'aide de l'analyse discriminante pas à pas n'améliorait pas les résultats de classification de façon significative, particulièrement par rapport aux résultats de la classification des données hyperspectrales. Quant à la modélisation de la biomasse herbacée, l'approche statistique utilisée pour la fusion des données wLiDAR et hyperspectrales était la modélisation basée sur la régression par sélection progressive des variables qui sélectionne les mesures indépendantes significatives et qui modélise celles-ci en biomasse mesurée. Les résultats montrent que les données wLiDAR à échelle fine ne sont potentiellement pas en mesure de fournir une mesure précise de la biomasse herbacée, quoique d'autres facteurs aient pu contribuer aux résultats relativement faibles tels que l’état de sénescence de la couverture herbeuse, l’étendue réduite de la biomasse mesurée et les faibles valeurs de biomasse c.-à-d. les interactions laser-cible limitées. En conclusion, bien que la fusion ne se soit pas soldée par des améliorations notables par rapport aux approches unimodales dans ces deux applications, il est nécessaire de mener davantage de recherches au plus fort de la période de croissance.
[Traduit par la Rédaction]
Acknowledgements
The HSI and wLiDAR data were collected using the Carnegie Airborne Observatory, which is funded by the W.M. Keck Foundation, Gordon and Betty Moore Foundation, Carnegie Institution, and William Hearst III. The flight campaign was funded by the Andrew Mellon Foundation. T. Kennedy-Bowdoin, R. Martin, D. Knapp, and R. Emerson assisted with data collection and processing. This research was supported by the Canadian Air Force Post-Graduate Training Program and the Chester F. Carlson Center for Imaging Science of Rochester Institute of Technology.
| List of symbols | ||
| β comp, | = | backscatter of the composite waveform |
| β ind, | = | backscatter count for each waveform i |
| n, | = | total number of waveforms used to construct the composite waveform |
| d 1, | = | distance from the FWHM of the first peak to the last peak |
| d 2, | = | distance between the FWHM of the first peak to the first valley |
| t, | = | time |
| µ, | = | location of the estimated peaks measured for each waveform |
| N, | = | intensity of each peak of a waveform |
| σ, | = | standard deviation or width of each pulse |
|
| = | kappa coefficient |
|
| = | “proportion of correct allocations” based on a z-value |
| H 0, | = | null hypothesis |
| R 2, | = | coefficient of determination |