Journal de télédétection et SIG

Abstrait

Récupération de l'indice de surface foliaire à partir de données de télédétection à l'aide d'approches statistiques avancées

Gowda PH, Oommen T, Misra D, Schwartz RC, Howell TA, Wagle P

La cartographie et la surveillance de l'indice de surface foliaire (LAI) sont essentielles pour modéliser le bilan énergétique de surface, l'évapotranspiration et la productivité de la végétation. La télédétection permet de collecter rapidement l'indice de surface foliaire sur des champs individuels sur de grandes superficies, de manière rentable et rapide, en utilisant la régression empirique entre l'indice de surface foliaire et les indices de végétation spectrale (SVI). Cependant, ces relations peuvent être inefficaces lorsque la géométrie du capteur de surface solaire, la réflectance de fond et les variations induites par l'atmosphère sur la réflectance de la canopée sont plus importantes que les variations de la canopée elle-même. Cela nécessite le développement de modèles LAI-SVI supérieurs et spécifiques à la région. Ces dernières années, les méthodes d'apprentissage statistique telles que les machines à vecteurs de support (SVM) et les machines à vecteurs pertinents (RVM) ont été couronnées de succès par rapport aux modèles de régression des moindres carrés ordinaires (OLS) pour les processus complexes. L'objectif de cette étude est de développer et de comparer des modèles de réflectance basés sur les OLS, les SVM et les RVM pour estimer l'indice de surface foliaire pour les principales cultures d'été dans les hautes plaines du Texas. L'indice de surface foliaire a été mesuré dans 47 champs commerciaux sélectionnés au hasard dans les comtés de Moore et d'Ochiltree. La collecte des données a été effectuée de manière à coïncider avec les survols du satellite Landsat 5 sur la zone d'étude. De nombreuses dérivations de SVI ont été examinées pour estimer le LAI à l'aide des modèles MCO, SVM et RVM. L'analyse des résultats a indiqué que les modèles SVI-LAI basés sur le rapport des bandes TM 4 et 3 et l'indice de végétation par différence normalisée (NDVI) sont les plus sensibles au LAI. Les valeurs R2 des modèles sélectionnés variaient de 0,79 à 0,96, le modèle SVM produisant les meilleurs résultats. Cependant, la précision des modèles LAI rapportés doit être évaluée plus avant pour tenir compte de la variabilité spatiale sur le terrain du LAI pour une applicabilité plus large.