Original paper
Multi-Temporal Hyperspectral and Radar Remote Sensing for Estimating Winter Wheat Biomass in the North China Plain
Koppe, Wolfgang; Gnyp, Martin L.; Hennig, Simon D.; Li, Fei; Miao, Yuxin; Chen, Xinping; Jia, Liangliang; Bareth, Georg
Photogrammetrie - Fernerkundung - Geoinformation Jahrgang 2012 Heft 3 (2012), p. 281 - 298
published: Jun 1, 2012
DOI: 10.1127/1432-8364/2012/0117
ArtNo. ESP172201203006, Price: 29.00 €
Abstract
This paper illustrates the results obtained in the frame of experimental campaigns carried out on winter wheat fields in the North China Plain from March 2006 to June 2007. Investigations focused on the methodology of estimating biomass on a regional scale with hyperspectral (EO-1 Hyperion) and microwave data (Envisat ASAR). Special importance is drawn to the combined analysis of microwave and optical satellite data for crop monitoring. Since hyperspectral and synthetic aperture radar (SAR) sensors respond to crop characteristics differently, their complementary information content can support the estimation of crop conditions. During the regular field measurements, satellite data from jointing to ripening stages were acquired. Linear regression models between measured surface reflection as well as surface backscatter and wheat's standing biomass were established. For hyperspectral data, the normalized ratio index (NRI) based on 825 nm and 1225 nm wavebands was calculated from 2006 data as input for the regression model. In addition, Envisat ASAR VV polarization data were related to winter wheat crop parameters. Bivariate correlation results from this study indicate that both multi-temporal EO-1 Hyperion as well as Envisat ASAR data provide notable relationships with crop conditions. As expected, linear correlation of hyperspectral data performed slightly better for biomass estimation (R2 = 0.83) than microwave data (R2 = 0.75) for the 2006 field survey. Based on the results, hyperspectral Hyperion data seem to be more sensitive to crop conditions. Improvements for crop parameter estimation were achieved by combining hyperspectral indices and microwave backscatter into a multiple regression analysis as a function of crop parameters. Combined analysis was performed for biomass estimation (R2 = 0.90) with notable improvements in prediction power.
Kurzfassung
Ziel der vorliegenden Studie ist die Betrachtung des Potentials multi-temporaler optischer und Radarfernerkundung zur Ableitung der Biomasse des Winterweizens auf regionaler Ebene. Hierzu wurden in der nordchinesischen Tiefebene in den Wachstumsperioden 2006 und 2007 umfangreiche Feldmessungen von Bestandsparametern während der Satellitenüberflüge durchgeführt. Die verwendeten Satellitendaten sind zum einen Hyperspektraldaten (EO-1 Hyperion) und zum anderen C-Band Radardaten (Envisat ASAR). Neben der separaten Auswertung von Hyperspektral- und SAR-Daten wurde weiterhin das Synergiepotential aus beiden Aufnahmeverfahren betrachtet. Mit Hilfe von linearen Regressionsmodellen zwischen Satellitendaten und Biomasse wurde die Sensitivität hyperspektraler Reflexion und Radarrückstreuung im Hinblick auf das Wachstum des Winterweizens untersucht. Für die Hyperspektraldaten erwies sich der normalized ratio Index (NRI) mit den Wellenlängenbereichen 825 nm und 1225 nm als sensitiv für die Ableitung von Biomasse. Das Modell wurde auf Basis von Daten der Wachstumsperiode 2006 entwickelt und auf die Wachstumsperiode 2007 zur Validierung angewendet. Weiterhin wurde die gemessene Biomasse mit der gleichpolarisierten (VV) C-Band Rückstreuung des Envisat ASAR Sensors linear in Beziehung gesetzt. Als Ergebnis zeigt sich ein deutlicher Zusammenhang zwischen Fernerkundungsdaten und Biomasse, wobei der Regressionskoeffizient deutlich höher für den NRI basierend auf Hyperspektraldaten (R2 = 0.83) ausfällt, als der lineare Zusammenhang mit der Radarrückstreuung (R2 = 0.75). Um den komplementären Informationsgehalt von Hyperspektral- und Radardaten zu nutzen, wurde ein multiples Regressionsmodell erstellt, welches eine Verbesserung der Biomasseschätzung ermöglicht (R2 = 0.90).
Keywords
sar • hyperspectral imaging • vegetation indices • multi-spectral • biomass