ABSTRACT There is fine-scale spatial heterogeneity in key vegetation properties including leaf-area index (LAI) and biomass in treeless northern peatlands, and hyperspectral drone data with high spatial and spectral resolution could detect the spatial patterns with high accuracy. However, the advantage of hyperspectral drone data has not been tested in a multi-source remote sensing approach (i.e. inclusion of multiple different remote sensing datatypes); and overall, sub-meter-level leaf-area index (LAI) and biomass maps have largely been absent. We evaluated the detectability of LAI and biomass patterns at a northern boreal fen (Halssiaapa) in northern Finland with multi-temporal and multi-source remote sensing data and assessed the benefit of hyperspectral drone data. We measured vascular plant percentage cover and height as well as moss cover in 140 field plots and connected the structural information to measured aboveground vascular LAI and biomass and moss biomass with linear regressions. We predicted both total and plant functional type (PFT) specific LAI and biomass patterns with random forests regressions with predictors including RGB and hyperspectral drone (28 bands in a spectral range of 500–900 nm), aerial and satellite imagery as well as topography and vegetation height information derived from structure-from-motion drone photogrammetry and aerial lidar data. The modeling performance was between moderate and good for total LAI and biomass (mean explained variance between 49.8 and 66.5%) and variable for PFTs (0.3–61.6%). Hyperspectral data increased model performance in most of the regressions, usually relatively little, but in some of the regressions, the inclusion of hyperspectral data even decreased model performance (change in mean explained variance between −14.5 and 9.1%-points). The most important features in regressions included drone topography, vegetation height, hyperspectral and RGB features. The spatial patterns and landscape estimates of LAI and biomass were quite similar in regressions with or without hyperspectral data, in particular for moss and total biomass. The results suggest that the fine-scale spatial patterns of peatland LAI and biomass can be detected with multi-source remote sensing data, vegetation mapping should include both spectral and topographic predictors at sub-meter-level spatial resolution and that hyperspectral imagery gives only slight benefits.

中文翻译：

---

超高分辨率遥感泥炭地叶面积指数和生物量估算

摘要 北部无树泥炭地的叶面积指数（LAI）和生物量等关键植被特性存在精细尺度的空间异质性，具有高空间和光谱分辨率的高光谱无人机数据可以高精度地检测空间格局。然而，高光谱无人机数据的优势尚未在多源遥感方法中进行测试（即包含多种不同的遥感数据类型）；总体而言，亚米级叶面积指数 (LAI) 和生物量图基本上不存在。我们使用多时相和多源遥感数据评估了芬兰北部北部北方沼泽 (Halssiaapa) 的 LAI 和生物量模式的可探测性，并评估了高光谱无人机数据的益处。我们测量了 140 个田地中的维管植物百分比覆盖率和高度以及苔藓覆盖率，并将结构信息与测量的地上维管 LAI 以及生物量和苔藓生物量进行线性回归联系起来。我们通过随机森林回归预测了总和植物功能类型 (PFT) 特定的 LAI 和生物量模式，预测因子包括 RGB 和高光谱无人机（500-900 nm 光谱范围内的 28 个波段）、航空和卫星图像以及地形和植被高度信息来源于运动结构无人机摄影测量和航空激光雷达数据。对于总 LAI 和生物量（平均解释方差在 49.8% 和 66.5% 之间）和 PFT 变量（0.3-61.6%），建模性能介于中等和良好之间。高光谱数据在大多数回归中提高了模型性能，通常相对较少，但在一些回归中，包含高光谱数据甚至会降低模型性能（平均解释方差在 -14.5 和 9.1% 之间的变化）。回归中最重要的特征包括无人机地形、植被高度、高光谱和 RGB 特征。LAI 和生物量的空间模式和景观估计在有或没有高光谱数据的回归中非常相似，特别是对于苔藓和总生物量。结果表明，泥炭地 LAI 和生物量的精细空间格局可以通过多源遥感数据进行检测，植被图应包括亚米级空间分辨率的光谱和地形预测因子，而高光谱图像只能提供轻微的好处。包含高光谱数据甚至会降低模型性能（平均解释方差在 -14.5% 和 9.1% 之间的变化）。回归中最重要的特征包括无人机地形、植被高度、高光谱和 RGB 特征。LAI 和生物量的空间模式和景观估计在有或没有高光谱数据的回归中非常相似，特别是对于苔藓和总生物量。结果表明，泥炭地 LAI 和生物量的精细空间格局可以通过多源遥感数据进行检测，植被图应包括亚米级空间分辨率的光谱和地形预测因子，而高光谱图像只能提供轻微的好处。包含高光谱数据甚至会降低模型性能（平均解释方差在 -14.5% 和 9.1% 之间的变化）。回归中最重要的特征包括无人机地形、植被高度、高光谱和 RGB 特征。LAI 和生物量的空间模式和景观估计在有或没有高光谱数据的回归中非常相似，特别是对于苔藓和总生物量。结果表明，泥炭地 LAI 和生物量的精细空间格局可以通过多源遥感数据进行检测，植被图应包括亚米级空间分辨率的光谱和地形预测因子，而高光谱图像只能提供轻微的好处。5% 和 9.1% 点）。回归中最重要的特征包括无人机地形、植被高度、高光谱和 RGB 特征。LAI 和生物量的空间模式和景观估计在有或没有高光谱数据的回归中非常相似，特别是对于苔藓和总生物量。结果表明，泥炭地 LAI 和生物量的精细空间格局可以通过多源遥感数据进行检测，植被图应包括亚米级空间分辨率的光谱和地形预测因子，而高光谱图像只能提供轻微的好处。5% 和 9.1% 点）。回归中最重要的特征包括无人机地形、植被高度、高光谱和 RGB 特征。LAI 和生物量的空间模式和景观估计在有或没有高光谱数据的回归中非常相似，特别是对于苔藓和总生物量。结果表明，泥炭地 LAI 和生物量的精细空间格局可以通过多源遥感数据进行检测，植被图应包括亚米级空间分辨率的光谱和地形预测因子，而高光谱图像只能提供轻微的好处。LAI 和生物量的空间模式和景观估计在有或没有高光谱数据的回归中非常相似，特别是对于苔藓和总生物量。结果表明，泥炭地 LAI 和生物量的精细空间格局可以通过多源遥感数据进行检测，植被图应包括亚米级空间分辨率的光谱和地形预测因子，而高光谱图像只能提供轻微的好处。LAI 和生物量的空间模式和景观估计在有或没有高光谱数据的回归中非常相似，特别是对于苔藓和总生物量。结果表明，泥炭地 LAI 和生物量的精细空间格局可以通过多源遥感数据进行检测，植被图应包括亚米级空间分辨率的光谱和地形预测因子，而高光谱图像只能提供轻微的好处。