Application of the Earth Observation Land Data Assimilation System Prototype a Tool for Crop Monitoring

Transkript

1 Application of the Earth Observation Land Data Assimilation System Prototype a Tool for Crop Monitoring Sina Truckenbrodt, Christiane Schmullius Nutzung von RapidEye-Daten im Kontext der Synergie mit anderen Sensoren und in Vorbereitung auf künftige Missionen Bonn, April 2015

2 Measured LAI 1 Motivation LAI = * NDI r² = Was bedingt die Streuung der Messwerte von LAI und optimiertem NDVI? Messrauschen wenige Kanäle zeitliche Dynamik Messunsich. berücksichtigt? relevante Info relevante Prozesse enthalten? berücksichtigt? NDI Abb.: Relation zwischen LAI und NDI (DELEGIDO et al. 2013, verändert) Datenassimilation = mathematisches Modell + Beobachtung von Variablen in Zeit + Beobachtung von Variablen im Raum (DORIGO et al. 2007) Earth Observation Land Data Assimilation System (= EO-LDAS; LEWIS et al. 2012) The EO-LDAS Prototype a Tool for Crop Monitoring 2

3 Gliederung 1 Motivation 2 EO-LDAS-Prototyp 3 Projektziele 4 Feldkampagne 5 Inverse Mode Grundidee 6 Erste Simulationen im Forward Mode Zusammenfassung Literatur The EO-LDAS Prototype a Tool for Crop Monitoring 3

4 2 EO-LDAS-Prototyp Beobachtung jahreszeitliche phänologische Variationen h(x) Prozessmodell Modell Strahlungstransfermodelle Atmosphärenmodell 6s (KOTCHENOVA et al. 2006) Erdoberflächenmodelle Semi-discret model (GOBRON et al. 1997) Leaf reflectance/ transmittance model (FÉRET et al. 2008) Soil reflectance model (PRICE 1990) gemessene Reflektanz y(x) Minimierung Kostenfunktion Zustandsvariablen x modellierte Reflektanz h(x) Abb.: Funktionsweise des EO-LDAS-Prototyps (inverse mode) The EO-LDAS Prototype a Tool for Crop Monitoring 4

5 2 EO-LDAS-Prototyp Zustandsparameter: Blattflächenindex (LAI) Pflanzenhöhe Blattdimension Chlorophyllgehalt (Chl) a+b Anteil alternden Pflanzenmaterials Biomasse Anzahl der Blattschichten Bodenhelligkeit Bodenfeuchte Blattwinkelverteilung Blattwassergehalt The EO-LDAS Prototype a Tool for Crop Monitoring 5

6 2 EO-LDAS-Prototyp Zustandsvariablen x h(x) Prozessmodell Modell Strahlungstransfermodelle Atmosphärenmodell 6s (KOTCHENOVA et al. 2006) Erdoberflächenmodelle Semi-discret model (GOBRON et al. 1997) Leaf reflectance/ transmittance model (FÉRET et al. 2008) Soil reflectance model (PRICE 1990) modellierte Reflektanz h(x) Erweiterung von Zeitreihen-Produkten Abb.: Funktionsweise des EO-LDAS-Prototyps (forward mode) The EO-LDAS Prototype a Tool for Crop Monitoring 6

7 3 Projektziele Erprobung und Validierung des EO-LDAS-Prototyps : Ableitung von Zustandsgrößen Simulation von Spektren (u.a. Sentinel-2, RapidEye, Spot 5) Treibhausgas-Bilanzierung The EO-LDAS Prototype a Tool for Crop Monitoring 7

8 4 Feldkampagne Blattflächenindex (LAI) Pflanzenhöhe Blattdimension Chlorophyllgehalt (Chl) a+b Anteil alternden Pflanzenmaterials Biomasse Anzahl der Blattschichten Bodenhelligkeit Bodenfeuchte Blattwinkelverteilung Blattwassergehalt Abb.: Messung von Chl a+b, LAI, Bodenfeuchte und spektralen Informationen (Photos: S. Truckenbrodt) The EO-LDAS Prototype a Tool for Crop Monitoring 8

9 4 Feldkampagne Gebesee Berlin München The EO-LDAS Prototype a Tool for Crop Monitoring 9

10 4 Feldkampagne Abb.: Entwicklungsunterschiede von Weizen in der Jahren 2013 und 2014 (Photos: J. Jänichen, S. Stuhler, S.Truckenbrodt) The EO-LDAS Prototype a Tool for Crop Monitoring 10

11 Plant Area Index 5 Inverse Mode - Grundidee M a i J u n A u g Phänologiemodell Abschätzung Zustandsgröße Abb.: Phänologiemodell ( Mittelwert μ; Standardabweichung σ) Bsp.: PAI am N (μ PAI = 4,1 ; σ² PAI = 0,25 ) a priori-information The EO-LDAS Prototype a Tool for Crop Monitoring 11

12 5 Inverse Mode - Grundidee Beobachtung Modell Parameter PAI 3,3 rot 1 0 NIR 1 0 PAI = 3,68 * NDVI - 0,66 r² = 0,48 (SHANG et al. 2014) Chl = 15,96 * NDVI + 34,39 r² = 0,14 (SCHELLING & SCHULTHESS 2010) 0 N (μ obs_pai = 2,6; σ² obs_pai = 0,2 ) Messung = Messwert + Messunsicherheit N (μ obs_chl = 46,7; σ² obs_chl = 14,4) Chl/SPAD 48,8 22,7 Abb.: Ableitung von PAI und Chl (a+b) für Winterweizen aus RapidEye-Daten vom The EO-LDAS Prototype a Tool for Crop Monitoring 12

13 Chl a+b / SPAD 5 Inverse Mode - Grundidee 3.5 Posteriori- Information Beobachtung, Messung a priori- Information obs post μ PAI σ² PAI μ Chl / SPAD σ² Chl /SPAD in-situ / PAI Isolinien zur pdf der a priori-information / der Beobachtung Mittelwerte Abb.: Wahrscheinlichkeitsdichtefunktionen (pdf) der Ein- und Ausgangsgrößen (Chl a+b Daten: OPPELT 2002) The EO-LDAS Prototype a Tool for Crop Monitoring 13

14 6 Erste Simulationen im Forward Mode Feldmessung PAI, Chl a+b, Pflanzenhöhe, Blattfeuchtegehalt Simulation: EO-LDAS forward mode hyperspektrale Top-of-Canopy Reflektanz (TOC) multispektrale TOC Aggregierung nach GREEN & SHIMADA (1997) Monte-Carlo-Algorithmus zur Quantifizierung der Unsicherheiten The EO-LDAS Prototype a Tool for Crop Monitoring 14

15 6 Erste Simulationen im Forward Mode Top-of-Canopy Reflektanzen von Winterweizen am aus RapidEye-Akquisition abgeleitet simulierte für RapidEye-Bänder abgeschätzte Unsicherheiten bzgl. der Simulation / Mittelwert / Standardabweichung Spektrometermessungen pro Plot / Mittelwert / Standardabweichung Simulationen pro Plot The EO-LDAS Prototype a Tool for Crop Monitoring 15

16 Zusammenfassung Der EO-LDAS Prototyp ermöglicht: Ableitung von Zustandsparametern der Vegetation und des Bodens durch Datenassimilation Flächenhafte, konsistente Parameterzeitreihen Simulation spektraler Daten Verdichten und Verlängern von Zeitreihenprodukten Ziel des Projekts EO-LDAS-App ist die Anwendung und Validierung dieser beiden Optionen The EO-LDAS Prototype a Tool for Crop Monitoring 16

17 Danksagung Dr. Jussi Baade Elisabeth Braun Thomas Brockmann Nicolas Dalla Valle Matthias Döring Dr. Achim Friker Martin Gutwin Sabrina Haase Matthias Hirth Jannik Jänichen Arvid Jasper Eric Krüger Gina Lukaszczyk Theresa Möller Noel Naschold Nicole Neumann Christoph Niemann Dr. Antje Moffat Thomas Pfeuffer Bastian Reinwarth Thomas Reinwarth Oles Ridush Frank Riedel Johannes Rosentreter Miguel Schmuck Julia Siemens Paul Strobel Sophie Stuhler Dr. Bernd Vennemann Katja Willner Irene Walde ESA RESA The EO-LDAS Prototype a Tool for Crop Monitoring 17

18 Literatur DELEGIDO, J., J. VERRELST, C.M. MEZA, J.P.RIVERA, L. ALONSO & J. MORENO (2013): A red-edge spectral index for remote sensing estimation of green LAI over agroecosystems. European Journal of Agronomy 46, DORIGO, W.A., R. ZURITA-MILLA, A.J.W. DE WIT, J. BRAZILE, R. SINGH & M.E. SCHAEPMAN (2007): A review on reflective remote sensing and data assimilation techniques for enhanced agroecosystem modeling. International Journal of Applied Earth Observation and Geoinformation 9, DÖRING, M. (1988): LPG Pflanzenproduktion Andisleben. Maßstab 1: Erfurt: VEB Geodäsie und Kartographie. FERET, J.B., C. FRANÇOIS, G.P. ASNER, A.A. GITELSON, R.E. MARTIN, L.B.R. BIDEL, S.L. USTIN, G. LE MAIRE & S. JACQUEMOUD (2008): PROSPECT-4 and 5: Advances in the leaf optical properties model separating photosynthetic pigments. Remote Sensing of Environments 112, GOBRON, N., B. PINTY, M.M. VERSTRAETE & Y. GOVAERTS (1997): A semidiscrete model for the scattering of light by vegetation. Journal of Geophysical Research 102(D8), GREEN R.O. & M. SHIMADA (1997): On Orbit calibration of a multispectral satellite sensor using a high altitude airborne imaging spectrometer. Advances in Space Research 19(9), KOTCHENOVA, S.Y., E.F. VERMOTE, R. MATARRESE & F.J. KLEMM JR. (2006): Validation of a vector version of the 6S radiative transfer code for atmospheric correction of satellite data. Part I: Path radiance. Applied Optics 45 (26), LEWIS, P., J. GÓMEZ-DANS, T. KAMINSKI, J. SETTLE, T. QUAIFE, N. GOBRON, J. STYLES & M. BERGER (2012a): An Earth Observation Land Data Assimilation System (EO-LDAS). Remote Sensing of Environment 120, OPPELT, N. (2002): Monitoring of Plant Chlorophyll and Nitrogen Status Using the Airborne Imaging Spectrometer AVIS. Dissertation, LMU München: Fakultät für Geowissenschaften. PRICE, J.C. (1990): On the information content of soil reflectance spectra. Remote Sensing of Environment 33, SCHELLING, K. & U. SCHULTHESS (2010): Abschätzung des Chlorophyllgehaltes von Pflanzenbeständen mit RapidEye Satellitenbilddaten. In: CLAUPHEIM, W., L. THEUVSEN, A. KÄMPF & M. MORGENSTERN (Hrsg.): Referate der 30. GIL- Jahrestagung in Hohenheim 2010 Precision Agriculture Reloaded informationsgestützte Landwirtschaft. Ges. f. Informatik: Bonn The EO-LDAS Prototype a Tool for Crop Monitoring 18

19 Literatur SHANG, J., J. LIU, T. HUFFMAN, B. QIAN, E. PATTEY, J. WANG, T. ZHAO, X. GENG, D. KROETSCH, T. DONG & N. LANTZA (2014): Estimating plant area index for monitoring crop growth dynamics using Landsat-8 and RapidEye Images. Journal of Applied Remote Sensing 8, TLVERMGEO (THÜRINGER LANDESAMT FÜR VERMESSUNG UND GEOINFORMATION)(Hrsg.)(2006): TK10 Blatt 4931-NO, Walschleben. Maßstab 1: Erfurt: TLVermGEO. TLVERMGEO (THÜRINGER LANDESAMT FÜR VERMESSUNG UND GEOINFORMATION)(Hrsg.)( ): TK10 Blatt 4831-SO, Gebesee. Maßstab 1: Erfurt: TLVermGEO. TLVERMGEO (THÜRINGER LANDESAMT FÜR VERMESSUNG UND GEOINFORMATION)(Hrsg.)( ): TK10 Blatt 4931-NW, Dachwig. Maßstab 1: Erfurt: TLVermGEO. TLUG (THÜRINGER LANDESANSTALT FÜR UMWELT UND GEOLOGIE)(Hrsg.)(2000): Digitale Bodengeologische Konzeptkarte 1: Maßstab: 1: Weimar: TLUG. TLVA (THÜRINGER LANDESVERMESSUNGSAMT)(Hrsg.)(2003): TK10 Blatt 4831-SW, Herbsleben. Maßstab 1: Erfurt: TLVA The EO-LDAS Prototype a Tool for Crop Monitoring 19