ABSTRACT

Aboveground vegetation biomass in northern treeless landscapes – peatlands and Arctic tundra – has been modelled with spectral information derived from optical remote sensing in several studies. However, synthesized overviews of biomass patterns across circumpolar sites have been limited. Based on data from eight study sites in Europe, Siberia and Canada, we ask (1) how biomass is divided between plant functional types (PFTs) and (2) how well biomass patterns can be detected with widely available, moderate spatial resolution (3–10 m) satellite imagery and topographic data. We explain biomass patterns using random forest regressions with the predictors being spectral bands and indices calculated from multi-temporal Sentinel-2 and PlanetScope imagery and topographic information calculated from ArcticDEM data. Our results indicate that there are notable differences in vegetation composition between northern landscapes with mosses, graminoids and deciduous shrubs being the most dominant PFTs. Remote sensing data detects biomass patterns, but regression performance varies between sites (explained variance 36–70%, normalized root mean square error 9–19%). There is also variability between sites whether Sentinel-2 or PlanetScope data is more suitable to detect biomass patterns and which the most important predictors are. Topographic information has a minor or negligible importance in most of the sites. Our results suggest that there is no easily generalizable relationship between satellite-derived vegetation greenness and biomass.

摘要

在一些研究中，已经利用光学遥感得出的光谱信息对北部无树景观（泥炭地和北极苔原）中的地上植被生物量进行了建模。然而，跨极点的生物量模式的综合概述受到了限制。基于来自欧洲，西伯利亚和加拿大的八个研究地点的数据，我们问（1）如何将生物量分为植物功能类型（PFT）和（2）如何以广泛可用的中等空间分辨率检测良好的生物量模式（3 –10 m）卫星图像和地形数据。我们使用随机森林回归来解释生物量模式，其中预测因子是根据多时相Sentinel-2和PlanetScope影像计算出的谱带和指数，以及根据ArcticDEM数据计算出的地形信息。我们的结果表明，北部景观之间的植被组成存在显着差异，其中苔藓，类动物和落叶灌木是最主要的PFT。遥感数据可以检测生物量模式，但是不同站点之间的回归性能有所不同（解释方差为36–70％，归一化均方根误差为9–19％）。无论Sentinel-2数据还是PlanetScope数据更适合检测生物量模式，并且最重要的预测因子是哪个位置，站点之间也存在差异。在大多数站点中，地形信息的重要性很小或可以忽略。我们的结果表明，卫星衍生的植被绿色度与生物量之间没有容易概括的关系。类粉尘和落叶灌木是最主要的PFT。遥感数据可以检测出生物量模式，但是不同站点之间的回归性能有所不同（解释方差为36％至70％，归一化均方根误差为9％至19％）。无论Sentinel-2数据还是PlanetScope数据更适合检测生物量模式，并且最重要的预测因子是哪个位置，站点之间也存在差异。在大多数站点中，地形信息的重要性很小或可以忽略。我们的结果表明，卫星衍生的植被绿色度与生物量之间没有容易概括的关系。类粉尘和落叶灌木是最主要的PFT。遥感数据可以检测出生物量模式，但是不同站点之间的回归性能有所不同（解释方差为36％至70％，归一化均方根误差为9％至19％）。无论Sentinel-2数据还是PlanetScope数据更适合检测生物量模式，并且最重要的预测因子是哪个位置，站点之间也存在差异。在大多数站点中，地形信息的重要性很小或可以忽略。我们的结果表明，卫星衍生的植被绿色度与生物量之间没有容易概括的关系。无论Sentinel-2数据还是PlanetScope数据更适合检测生物量模式，并且最重要的预测因子是哪个位置，站点之间也存在差异。在大多数站点中，地形信息的重要性很小或可以忽略不计。我们的结果表明，卫星衍生的植被绿色度与生物量之间没有容易概括的关系。无论Sentinel-2数据还是PlanetScope数据更适合检测生物量模式，并且最重要的预测因子是哪个位置，站点之间也存在差异。在大多数站点中，地形信息的重要性很小或可以忽略。我们的结果表明，卫星衍生的植被绿色度与生物量之间没有容易概括的关系。