Podsumowanie

W ostatniej części rozdziału przedstawione zostanie porównanie skuteczności modeli PROSPECT i PROSAIL, a następnie ogólne podsumowanie.

Porównywano analogiczne zestawy danych dwóch modeli: dane obliczone bezpośrednio z pomiarów terenowych PROSPECT-1 i PROSAIL-1 oraz dane zmodyfikowane PROSPECT-2 i PROSAIL-2.

Badając pierwsze zestawy danych stwierdzono, że łączny uśredniony pierwiastek błędu średniokwadratowego w zakresie widma od 0,4 do 2,5 µm, obliczony na podstawie zestawu danych PROSAIL-1 w stosunku do pomiarów terenowych wyniósł 0,1058, czyli był o 0,0068 większy niż w przypadku PROSPECT-1, gdzie wyniósł 0,099 (tab. 21.).

W modelowaniu z zestawami danych modyfikowanych pierwiastek błędu średniokwadratowego w przypadku PROSAIL-2 osiągnął wartość 0,0362, a w przypadku zestawu PROSPECT-2 wyniósł 0,0311. Wartość pierwiastka błędu średniokwadratowego w całym modelowanym zakresie była większa w modelu PROSAIL niż w PROSPECT, jednak różnice między modelami nie były duże.

W przypadku zestawów danych niezmodyfikowanych (PROSPECT-1 i PROSAIL-1) w zakresach podczerwieni (0,8-1,5 i 1,5-2,5 µm) lepsze wyniki modelowania uzyskano

z użyciem modelu PROSPECT. W zakresach promieniowania 0,4-0,6 i 0,4-0,8 µm bardziej skuteczny był model na poziomie pokrywy roślinnej PROSAIL.

Tab. 21. Średnie wartości pierwiastków błędu średniokwadratowego obliczone między krzywymi odbicia spektralnego modelowanymi algorytmem PROSPECT i PROSAIL i uzyskanymi z pomiarów terenowych. W tabeli zaznaczono zielonym kolorem, w przypadku którego modelu otrzymano lepsze wyniki w zależności od użytego zestawu danych

Tab. 21. The Root Mean Square Error values calculated using field measurements and PROSPECT and PROSAIL modelling. The green coloured cells of the table indicates better results for each database

Zestaw danych Database

Zakres w µm Wavelength in µm

0,4-2,5 0,4-0,6 0,4-0,8 0,8-1,5 1,5-2,5

PROSPECT-1 0,0990 0,0287 0,0398 0,0964 0,1151

PROSAIL-1 0,1058 0,0253 0,0376 0,1072 0,1230

PROSPECT-2 0,0311 0,0175 0,0314 0,0341 0,0247

PROSAIL-2 0,0362 0,0098 0,0270 0,0519 0,0177

W drugim zestawie danych (PROSPECT-2 i PROSAIL-2) wyniki były podobne, z wyjątkiem zakresu środkowej podczerwieni, gdzie bardziej skuteczny okazał się model PROSAIL niż PROSPECT. Ponadto podobnie w zakresach 0,4-0,6 i 0,4-0,8 µm lepsze wyniki modelowania uzyskano z użyciem modelu na poziomie pokrywy roślinności, a w bliskiej podczerwieni 0,8-1,5 µm z wykorzystaniem PROSPECT.

Bardzo zbliżone relacje między wielkościami błędów uzyskano w przypadku modelowania PROSPECT i PROSAIL na podstawie obu zestawów danych w podziale łąk na rodzaje: uprawiane o dużej biomasie, uprawiane o zredukowanej biomasie i nieuprawiane.

Porównano też różnice w skuteczności modelowania z użyciem PROSPECT i PROSAIL w zależności od wartości LAI, zawartości biomasy świeżej i wody. W przypadku wszystkich trzech parametrów różnice w skuteczności modelowania obu modeli były dość podobne, szczególnie w zakresach 0,8-1,5 i 1,5-2,5 µm. Rozbieżności między modelami były widoczne przy porównywaniu istotności statystycznej różnic w wielkości błędów.

W przypadku trzech kategorii wartości LAI różnice istotne statystycznie stwierdzono w przypadku modelu PROSAIL. Ilość biomasy świeżej bardziej wpływała na skuteczność modelowania z użyciem PROSAIL niż PROSPECT. Zawartość wody miała równe znaczenie w skuteczności symulacji odbicia w obu modelach. Generalnie, skuteczność modelowania z użyciem PROSAIL bardziej zależała od zawartości parametrów biofizycznych niż miało to miejsce w przypadku PROSPECT.

Na końcu porównano skuteczność symulacji wartości teledetekcyjnych wskaźników roślinności z użyciem obu modeli. Wskaźniki były nieco lepiej modelowane z użyciem PROSPECT (tab. 22.).

Tab. 22. Średnia różnica między wartością wskaźników obliczonych z krzywych odbicia spektralnego zmierzonych w terenie i modelowanych z użyciem modeli PROSPECT i PROSAIL. W tabeli zaznaczono na zielono, dla którego modelu otrzymano lepsze wyniki

Tab. 22. The average difference between the vegetation indices calculated using the spectral reflectance from field measurements and modelled using PROSPECT and PROSAIL. The green coloured cells of the table indicates better results for each index

Teledetekcyjny wskaźnik roślinności Vegetation index

Model

PROSPECT-2 PROSAIL-2 Normalized Difference Vegetation Index 0,035 0,075 Red Edge Normalized Difference Vegetation Index 0,048 0,067 Normalized Difference Lignin Index 0,008 0,007

Cellulose Absorption Index 0,004 0,004

Water Band Index 0,020 0,039

W przypadku znormalizowanego różnicowego wskaźnika zieleni (NDVI) średnia różnica między wartościami mierzonymi a obliczonymi z użyciem PROSPECT była o około połowę mniejsza niż w przypadku modelu PROSAIL. Używając PROSPECT, uzyskano także dokładniejsze wartości krawędziowego czerwonego wskaźnika roślinności (NDVI705) i wskaźnika kanału wody (WBI). Nieco inne wyniki otrzymano z zastosowaniem wskaźników określających zawartość suchych części roślin – celulozy i ligniny. Średnia różnica między wartościami wskaźnika absorpcji celulozy (CAI) wyniosła 0,004, czyli tyle samo co w przypadku modelowania z użyciem PROSPECT i PROSAIL. Modelując wartości znormalizowanego różnicowego wskaźnika ligniny (NDLI), nieco lepsze rezultaty uzyskano z wykorzystaniem modelu na poziomie pokrywy roślinnej PROSAIL.

Porównując modelowanie wykonane na poziomie liści i na poziomie pokrywy roślinnej z wykorzystaniem dwóch modeli, można stwierdzić, że w całym zakresie widma od 0,4 do 2,5 µm lepsze wyniki uzyskuje się z użyciem modelu PROSPECT.

Wartości pierwiastka błędu średniokwadratowego w symulacjach wykonywanych z pierwszym zestawem danych (PROSPECT-1 i PROSAIL-1) wzrastają wraz z długością fali.

Największe błędy występują w zakresie środkowej podczerwieni (1,5-2,5 µm), w której duży wpływ na wartość współczynnika odbicia ma zawartość wody w roślinach. Wartości błędów

w modelowaniu z wykorzystaniem zestawów danych PROSPECT-1 i PROSAIL-1 w tym zakresie są największe. Mniejsze wartości błędu uzyskiwane są w zakresie bliskiej podczerwieni (0,8-1-5 µm), w której dominujący wpływ na wartość odbicia promieniowania wywiera ilość biomasy suchej.

Znacznie mniejsze błędy w porównaniu z zakresem podczerwonym występują w zakresach 0,4-0,6 µm i 0,4-0,8 µm. Najlepszą dokładność modelowania określa się w zakresie 0,4-0,6 µm. W przedziale od 0,4 do 0,8 µm stwierdza się najmniejsze różnice w modelowaniu wskaźników z wykorzystaniem z jednej strony zestawów danych niezmodyfikowanych (PROSPECT-1 i PROSAIL-1) i z drugiej – zmodyfikowanych (PROSPECT-2 i PROSAIL-2).

W przypadku zestawu danych PROSPECT-2 i PROSAIL-2 największe wartości pierwiastka błędu średniokwadratowego w modelowaniu krzywych odbicia spektralnego występują w zakresie bliskiej podczerwieni (0,8-1,5 µm), a nieco mniejsze w zakresie widma 0,4-0,8 µm. Najmniejsze wartości pierwiastka błędu średniokwadratowego modelowanych krzywych spektralnych uzyskuje się w zakresie 0,4-0,6 µm.

Z badania wartości pierwiastka błędu średniokwadratowego pojedynczych poligonów wynika, że spośród omawianych zakresów widma zakres widzialny jest tym, w którym lepsze wyniki modelowania odbicia spektralnego uzyskuje się przy wykorzystaniu modelu PROSAIL. W zakresie bliskiej podczerwieni (0,8-1,5 µm) lepszy jest model PROSPECT.

Przy stosowaniu w modelowaniu odbicia spektralnego w zakresie środkowej podczerwieni (1,5-2,5 µm) danych niezmienionych (PROSPECT-1 i PROSAIL-1) skuteczniejszy jest model PROSPECT. Przy stosowaniu zestawów danych zmodyfikowanych (PROSPECT-2 i PROSAIL-2) natomiast lepsze rezultaty daje model PROSAIL.

Niezależnie od modelu w każdym z zakresów widma, w przypadku stosowania zestawu danych zmodyfikowanych (PROSPECT-2 i PROSAIL-2) wielkość pierwiastka błędu średniokwadratowego jest znacznie mniejsza niż w przypadku danych niezmodyfikowanych (PROSPECT-1 i PROSAIL-1). Oznacza to, że poprawienie danych wejściowych do modelu w istotny sposób wpływa na skuteczność modelowania. Ponadto zakres zmienności błędów z zastosowaniem zestawu danych zmodyfikowanych (PROSPECT-2 i PROSAIL-2) jest znacznie mniejszy.

Badając założenia modeli, stwierdzono, że wpływ na skuteczność modelowania mają rodzaj łąki i wartości parametrów biofizycznych. W pierwszej kolejności będą podsumowane badania na danych niezmodyfikowanych (PROSPECT-1 i PROSAIL-1).

W zakresach 0,4-0,6 i 0,4-0,8 µm niezależnie od rodzaju łąki uzyskano zbliżone uśrednione wartości pierwiastka błędu średniokwadratowego. W zakresie podczerwieni (0,8-2,5 µm) najmniejsze błędy występują w charakterystykach spektralnych na terenie łąk nieuprawianych, a największe na obszarach łąk uprawianych o zredukowanej biomasie.

Jedynie w modelowaniu z użyciem algorytmu PROSAIL w zakresie środkowej podczerwieni (1,5-2,5 µm) różnice były istotne statystycznie. Stwierdzono, że aspekty środowiskowe mają niewielki wpływ na rezultaty modelowania.

Poprawność modelowania zależy także od wartości parametrów biofizycznych.

Niezależnie od modelu, stosując oba zestawy danych (PROSPECT-1 i PROSAIL-1), stwierdzono tę samą zależność dotyczącą biomasy świeżej. W przypadku klas łąk o jej większej zawartości błąd jest mniejszy. Wspomniane różnice są istotne statystycznie w całym modelowanym zakresie 0,4-2,5 µm i w podczerwieni 0,8-2,5 µm. W zakresie podczerwieni (0,8-2,5 µm) mniejsze błędy występują na terenie łąk o większej wartości wskaźnika powierzchni projekcyjnej liści (LAI), ale różnice są istotne statystycznie tylko w przypadku modelowania według algorytmu PROSAIL.

Zbliżone tendencje przy stosowaniu obu modeli stwierdza się, badając wpływ zawartości wody w roślinach na skuteczność modelowania. Im większa jest zawartość wody, tym większa wartość błędu, a tym samym ograniczona skuteczność modelowania. Także i w tym przypadku, w obu modelach, w całym zakresie widma 0,4-2,5 µm i w podczerwieni (0,8-2,5 µm), różnice są istotne statystycznie.

W zakresie widma widzialnego nie stwierdzono w przypadku żadnego z badanych parametrów istotnych różnic statystycznie.

Oceniając skuteczność modelowania odbicia spektralnego z użyciem zestawów danych zmodyfikowanych (PROSPECT-2 i PROSAIL-2, gdzie modyfikacja dotyczyła danych wejściowych związanych z zawartość w roślinach barwników i wody), należy stwierdzić, że w porównaniu z zestawami danych niemodyfikowanych różnice między poszczególnymi aspektami modelowania są znacznie mniejsze.

Takie same rezultaty, stosując oba modele, uzyskuje się w przypadku podziału poligonów na trzy rodzaje łąk. Różnice w wartościach pierwiastków błędów średniokwadratowych między poszczególnymi rodzajami łąk są bardzo niewielkie.

Największe błędy stwierdza się w przypadku łąk uprawianych o dużej biomasie, czyli nieskoszonych. Tylko w zakresie widma 0,4-0,6 µm w modelowaniu z użyciem algorytmu PROSPECT różnice są istotne statystycznie.

Oceniając wpływ zawartości poszczególnych substancji w roślinach (biomasy świeżej, LAI i wody) na skuteczność modelowania odpowiedzi spektralnych, wyrażaną pierwiastkiem błędu średniokwadratowego, z wykorzystaniem zmodyfikowanych zestawów danych (PROSPECT-2 i PROSAIL-2) można stwierdzić, że różnice w modelowaniu między poszczególnymi klasami badanych parametrów są znacznie mniejsze przy tych zestawach danych niż przy zestawach danych niezmodyfikowanych (PROSPECT-1 i PROSAIL-1).

Jedynie w nielicznych przypadkach występują różnice istotne statystycznie.

W zakresie bliskiej podczerwieni (0,8-1,5 µm) niezależnie od modelu wartość pierwiastka błędu średniokwadratowego maleje wraz ze wzrostem biomasy świeżej.

Używając modelu PROSPECT, można stwierdzić, że im większa jest wartość wskaźnika projekcyjnej powierzchni liści (LAI) i ilość biomasy, tym większy błąd występuje w zakresie środkowej podczerwieni. W modelowaniu z użyciem PROSAIL zawartość biomasy ma wpływ na różnice w skuteczności modelowania, które są istotne statystycznie we wszystkich zakresach z wyjątkiem 0,8-1,5 µm.

Większość teledetekcyjnych wskaźników roślinności modelowanych za pomocą obu algorytmów ma wartości zbliżone do wzorcowych. Mniejsze różnice między modelowaną wartością wskaźnika a obliczoną na podstawie pomiarów terenowych uzyskuje się z użyciem modelu PROSPECT. Wyjątkiem jest wskaźnik określający zwartość ligniny (NDLI).

Zbliżoną skuteczność niezależnie od modelu uzyskuje się w przypadku wskaźnika zawartości celulozy (CAI). Oba modele dają bardzo dobre wyniki odnośnie do wskaźnika kanału wody (WBI), dość dobre są też wyniki dotyczące znormalizowanego różnicowego wskaźnika zieleni (NDVI).

Na podstawie przeprowadzonych badań można stwierdzić, że środowisko ma niewielki wpływ na skuteczność tego modelowania odbicia spektralnego z wykorzystaniem obu algorytmów. Jednocześnie poprawność modelowania zdecydowanie zależy od wartości parametrów biofizycznych roślinności.