Detecting Spatial Patterns of Tundra Plant Communities Using High-Resolution Multi and Hyperspectral Imagery
| Title: | Detecting Spatial Patterns of Tundra Plant Communities Using High-Resolution Multi and Hyperspectral Imagery |
| Author(s): | Putkiranta, Pauli |
| Contributor: | University of Helsinki, Faculty of Biological and Environmental Sciences |
| Degree program: | Master's Programme in Ecology and Evolutionary Biology |
| Specialisation: | Ecology and evolutionary biology |
| Language: | English |
| Acceptance year: | 2023 |
| Abstract: |
Arktisen alueen ekosysteemien yhteisörakenne on suuren muutoksen edessä lämpenemisen, varvuuntumisen, ikiroudan sulamisen ja muiden ympäristömuutosten myötä. Näiden ekosysteemien tilallisen heterogeenisyyden takia tällaisten muutosten paikallisen tason ymmärtäminen vaatii korkean resoluution aineistoa. Satelliitti- ja ilmakuvat ovat muodostuneet vakiomenetelmäksi laajojen alueiden ja rakenteiden kartoittamisessa. Sensoriteknologian kehitys, miehittämättömien lennokkien leviäminen sekä prosessorien tehostuminen mahdollistavat korkeampien spatiaali- ja spektraaliresoluutioiden käytön. Näin ollen tarkempia ekologisia havaintoja voidaan tehdä kaukokartoitusmenetelmin
Tässä tutkielmassa arvioin kuinka kasvava spektraaliresoluutio vaikuttaa matalakasvuisin tunturinummen kasviyhteisöjen kaukokartoitukseen perustuvaan mallinnukseen. Laajaan kenttäaineistoon pohjaten arvioin biomassaa, lehtipinta-alaa, lajien lukumäärää, Shannonin biodiversiteetti-indeksiä sekä sumeita yhteisöklustereita. Mallinnan nämä satunnaisilla metsillä käyttäen eri spektraali-, spatiaali- ja ajallisten ominaisuuksien kuva-aineistoja sekä topografista aineistoa. Lopuksi yleistän mallit kasvillisuuskartoiksi.
Lehtipinta-ala ja biomassa ennustuvat parhaiten 0,64 ja 0,59 selitysasteilla, ja multispektriaineisto on tärkein selittäjä. Biodiversiteettimuuttujat selittyvät parhaiten 0,40–0,50 selitysasteilla niin, että tärkeimmät selittävät muuttujat ovat topografisia ja hyperspektrisiä. Yhteisöklustereiden kuuluvuusarvojen selitysasteet ovat parhaimmillaan 0,27–0,53, ja tärkeimmät selittävät muuttujat vaihtelevat yhteisöklusterista toiseen. Näitä tuloksia soveltaen voi arvioida eri korkean resoluution kaukokartoitusmenelmiä vastaavien kasviyhteisöjen mallintamiseen.
Arctic ecosystems face drastic changes in community structure due to warming, shrubification, permafrost loss, and other environmental changes. Due to the spatial heterogeneity of these ecosystems, understanding such changes on a local scale requires high-resolution data. Earth observation using satellite imagery and aerial photography has become a staple in mapping large areas and general patterns. Advances in sensor technology, the proliferation of unmanned aerial vehicles (UAVs), and increases in processing capacity enable the use of higher spatial and spectral resolutions. As a result, more detailed ecological observations can be made using remote sensing methods.
In this thesis, I assess how increased spectral resolution affects the remote-sensing based modelling of plant communities in low-growth oroarctic tundra heaths. Based on a large field observation dataset, I estimate biomass, leaf area index, species richness, Shannon's biodiversity index, and fuzzy community clusters. I then build random forest models of these with image data of varying spectral, spatial, and temporal specifications and topographical data. Finally, I create maps of the vegetation.
Leaf area index and biomass are best estimated of the response variables, with R2 values of 0.64 and 0.59, respectively, with multispectral data proving the most important explanatory dataset. Biodiversity metrics are best estimated with R2 values of 0.40–0.50 with the most important explanatory variables being topographical and hyperspectral, and community cluster with R2 values of 0.27–0.53, with the importance of various explanatory variables depending on the cluster being estimated. These results can help choose a suitable high-resolution remote sensing approach for modelling plant communities in similar conditions.
|
| Keyword(s): | tundra plant communities remote sensing multispectral imaging hyperspectral imaging biomass leaf area index biodiversity |
Files in this item
| Files | Size | Format | View |
|---|---|---|---|
| Putkiranta_Pauli_tutkielma_2023.pdf | 10.14Mb |