Plant diversity is an important parameter in maintaining forest ecosystem services, functions and stability. Timely and accurate monitoring and evaluation of large-area wall-to-wall maps on plant diversity and its spatial heterogeneity are crucial for the conservation and management of forest resources. However, traditional botanical field surveys designed to estimate plant diversity are usually limited in their spatiotemporal resolutions. Using Sentinel-1 (S-1) and Sentinel-2 (S-2) data at high spatiotemporal scales, combined with and referenced to botanical field surveys, may be the best choice to provide accurate plant diversity distribution information over a large area. In this paper, we predicted and mapped plant diversity in a subtropical forest using 24 months of freely and openly available S-1 and S-2 images (10 m × 10 m) data over a large study area (15,290 km2). A total of 448 quadrats (10 m × 10 m) of forestry field surveys were captured in a subtropical evergreen-deciduous broad-leaved mixed forest to validate a machine learning algorithm. The objective was to link the fine Sentinel spectral and radar data to several ground-truthing plant diversity indices in the forests. The results showed that: (1) The Simpson and Shannon-Wiener diversity indices were the best predicted indices using random forest regression, with ȓ2 of around 0.65; (2) The use of S-1 radar data can enhance the accuracy of the predicted heterogeneity indices in the forests by approximately 0.2; (3) As for the mapping of Simpson and Shannon-Wiener, the overall accuracy was 67.4% and 64.2% respectively, while the texture diversity’s overall accuracy was merely 56.8%; (4) From the evaluation and prediction map information, the Simpson, Shannon-Wiener and texture diversity values (and its confidence interval values) indicate spatial heterogeneity in pixel level. The large-area forest plant diversity indices maps add spatially explicit information to the ground-truthing data. Based on the results, we conclude that using the time-series of S-1 and S-2 radar and spectral characteristics, when coupled with limited ground-truthing data, can provide reasonable assessments of plant spatial heterogeneity and diversity across wide areas. It could also help promote forest ecosystem and resource conservation activities in the forestry sector.

中文翻译：

---

基于组合 SENTINEL-1/2 数据绘制植物多样性图——亚热带山地森林的机遇

植物多样性是维持森林生态系统服务、功能和稳定性的重要参数。及时准确地监测和评估大面积的植物多样性及其空间异质性地图对于森林资源的保护和管理至关重要。然而，旨在估计植物多样性的传统植物田间调查通常在时空分辨率方面受到限制。在高时空尺度上使用 Sentinel-1 (S-1) 和 Sentinel-2 (S-2) 数据，结合并参考植物实地调查，可能是提供大面积准确植物多样性分布信息的最佳选择。在本文中，我们使用 24 个月免费和公开可用的 S-1 和 S-2 图像 (10 m × 10 m) 数据在一个大的研究区域 (15,290 km2) 预测和绘制了亚热带森林中的植物多样性。在亚热带常绿落叶阔叶混交林中，共捕获了 448 个样方（10 m × 10 m）的林业实地调查，以验证机器学习算法。目的是将精细的哨兵光谱和雷达数据与森林中的几个地面真实植物多样性指数联系起来。结果表明： (1) Simpson 和 Shannon-Wiener 多样性指数是随机森林回归预测的最佳指标，2 约为 0.65；(2) 使用S-1雷达数据可以将森林异质性指数预测精度提高约0.2；(3) 关于 Simpson 和 Shannon-Wiener 的映射，整体准确率分别为67.4%和64.2%，而纹理多样性的整体准确率仅为56.8%；(4) 从评估和预测图信息来看，Simpson、Shannon-Wiener 和纹理多样性值（及其置信区间值）表示像素级的空间异质性。大面积森林植物多样性指数地图将空间明确的信息添加到地面实况数据中。基于这些结果，我们得出结论，使用 S-1 和 S-2 雷达的时间序列和光谱特征，再加上有限的地面实况数据，可以对广泛区域的植物空间异质性和多样性进行合理评估。它还可以帮助促进林业部门的森林生态系统和资源保护活动。而纹理多样性的整体准确率仅为56.8%；(4) 从评估和预测图信息来看，Simpson、Shannon-Wiener 和纹理多样性值（及其置信区间值）表示像素级的空间异质性。大面积森林植物多样性指数地图将空间明确的信息添加到地面实况数据中。基于这些结果，我们得出结论，使用 S-1 和 S-2 雷达的时间序列和光谱特征，再加上有限的地面实况数据，可以对广泛区域的植物空间异质性和多样性进行合理评估。它还可以帮助促进林业部门的森林生态系统和资源保护活动。而纹理多样性的整体准确率仅为56.8%；(4) 从评估和预测图信息来看，Simpson、Shannon-Wiener 和纹理多样性值（及其置信区间值）表示像素级的空间异质性。大面积森林植物多样性指数地图将空间明确的信息添加到地面实况数据中。基于这些结果，我们得出结论，使用 S-1 和 S-2 雷达的时间序列和光谱特征，再加上有限的地面实况数据，可以对广泛区域的植物空间异质性和多样性进行合理评估。它还可以帮助促进林业部门的森林生态系统和资源保护活动。Simpson、Shannon-Wiener 和纹理多样性值（及其置信区间值）表示像素级别的空间异质性。大面积森林植物多样性指数地图将空间明确的信息添加到地面实况数据中。基于这些结果，我们得出结论，使用 S-1 和 S-2 雷达的时间序列和光谱特征，再加上有限的地面实况数据，可以对广泛区域的植物空间异质性和多样性进行合理评估。它还可以帮助促进林业部门的森林生态系统和资源保护活动。Simpson、Shannon-Wiener 和纹理多样性值（及其置信区间值）表示像素级别的空间异质性。大面积森林植物多样性指数地图将空间明确的信息添加到地面实况数据中。基于这些结果，我们得出结论，使用 S-1 和 S-2 雷达的时间序列和光谱特征，再加上有限的地面实况数据，可以对广泛区域的植物空间异质性和多样性进行合理评估。它还可以帮助促进林业部门的森林生态系统和资源保护活动。大面积森林植物多样性指数地图将空间明确的信息添加到地面实况数据中。基于这些结果，我们得出结论，使用 S-1 和 S-2 雷达的时间序列和光谱特征，再加上有限的地面实况数据，可以对广泛区域的植物空间异质性和多样性进行合理评估。它还可以帮助促进林业部门的森林生态系统和资源保护活动。大面积森林植物多样性指数地图将空间明确的信息添加到地面实况数据中。基于这些结果，我们得出结论，使用 S-1 和 S-2 雷达的时间序列和光谱特征，再加上有限的地面实况数据，可以对广泛区域的植物空间异质性和多样性进行合理评估。它还可以帮助促进林业部门的森林生态系统和资源保护活动。