Weryfikacja i opracowanie wyników badań

Ostatnim etapem badań była weryfikacja uzyskanych wartości odbicia z dwóch modeli przez porównanie z wartościami zmierzonymi w terenie. Przeanalizowano błędy w modelowaniu poszczególnych krzywych odbicia spektralnego dotyczących poligonów oraz

wartości błędu uśrednione w zależności od kategorii łąk i zawartości wybranych parametrów biofizycznych.

Jak opisano wcześniej, w przypadku obu modeli utworzono po dwa zestawy krzywych odbicia spektralnego (tab. 9.). Pierwszy zestaw (PROSPECT-1 i PROSAIL-1) był utworzony na podstawie parametrów wejściowych obliczonych z pomiarów terenowych (z wyjątkiem danych ustalanych jako stałe i parametru strukturalnego N). Drugi zastaw danych wyjściowych (PROSPECT-2 i PROSAIL-2) różnił się od pierwszego dopasowaniem indywidualnym parametrów określających zawartość chlorofilu (a tym samym karotenoidów) oraz wody na każdym poligonie. W odniesieniu do dwóch modeli i obu zestawów danych oceniono błąd modelowania, porównując uzyskane krzywe z krzywymi spektralnymi uzyskanymi na podstawie pomiarów terenowych.

Tab. 9. Zestawy danych używane w badaniach modeli PROSPECT i PROSAIL

Tab. 9. Databases used in the analysis of PROSPECT and PROSAIL model

Model

Dane (Database)

PROSPECT PROSAIL

Obliczone na podstawie pomiarów terenowych

(Database calculated using field measurements)

PROSPECT-1 PROSAIL-1

Poprawione dane Cab, Car, Cw

(Corrected database) PROSPECT-2 PROSAIL-2

Aby zweryfikować skuteczność modelowania obliczono pierwiastek błędu średniokwadratowego (Root Mean Square Error – RMSE) dla każdej modelowanej krzywej.

W ten sam sposób krzywe odbicia spektralnego były weryfikowane w innych opracowaniach (Nouvellon, Moran, Seen, Bryant, Rambal, Ni, Bégué, Chehbouni, Emmerich, Heilman, Qi, 2001; Darvishzadeh, Atzberger, Skidmore, Schlerf, 2011; Yerba, Chuvieco, Riaño, 2008, Zhang, Zhao, 2009). Z użyciem RMSE oceniano wielkość błędu przy modelowaniu substancji z użyciem modeli transferu promieniowania (Weiss, Troufleau, Baret, Chauki, Prévot, Olioso, Bruguier, Brisson, 2001; Botha, Leblon, Zebarth, Watmough, 2007; Koetz, Sun, Morsdorf, Ranon, Kneubühler, Itten, Allgöwer, 2007; Jacquemoud, Verhoef, Baret, Bacour, Zarco-Tejada, Asner, François Ustin, 2009; Darvishzadeh, Atzberger, Skidmore, Schlerf, 2011; le Maire, Marsden, Verhoef, Ponzoni, Seen, Bégué, Stape, Nouvellon, 2011).Wartość RMSE obliczono ze wzoru:

√

gdzie:

R_terenowe – wielkość współczynnika odbicia fali o długości λ zmierzona w terenie;

Rmodelowane – wielkość współczynnika odbicia fali o długości λ uzyskana z modelu, n – liczba długości fali, dla których liczono wielkość błędu.

Wielkość błędu była policzona w odniesieniu do wszystkich poligonów w zakresie od 0,4 do 2,5 µm. Przy obliczaniu RMSE nie brano pod uwagę usuniętych zakresów.

Obliczono średnią także w zależności od długości fali: w dwóch zakresach w świetle widzialnym – 0,4-0,6 µm i 0,4-0,8 µm oraz w zakresach w podczerwieni bliskiej (0,8-1,5 µm) i środkowej (1,5-2,5 µm). Zakresy te są związane z parametrami, które mają największy wpływ na wielkość odbicia. W przypadku pierwszego zakresu na modelowanie mają wpływ wszystkie parametry modelu, ale dominuje zawartość barwników (karotenoidów i chlorofilu).

Na zakres 0,4-0,8 µm największy wpływ ma chlorofil. W zakresie od 0,8 do 1,5 µm dominujący wpływ ma zawartość masy suchej i LAI. W ostatnim zakresie dominuje zawartość wody. Następnie wartości RMSE zostały uśrednione dla wszystkich poligonów w każdym z zestawów danych.

Kolejnym etapem było określenie wielkości średniego błędu modelowania w zależności od rodzaju łąk. Wszystkie poligony podzielono na 3 kategorie: uprawiane o zredukowanej biomasie (skoszone), uprawiane o dużej biomasie i nieuprawiane. Policzono średnie wartości błędu RMSE w całym zakresie 0,4-2,5 µm i w 4 fragmentach spektrum w przypadku wszystkich badanych rodzajów łąk. Obliczenia przeprowadzono na wszystkich zestawach danych PROSPECT-1, PROSPECT-2, PROSAIL-1 i PROSAIL-2. Określono istotność statystyczną różnic między grupami, używając rangowego nieparametrycznego testu Kruskala-Wallisa dla trzech prób niezależnych.

Tab. 10. Kategorie poligonów ze względu na wartość badanych parametrów

Tab. 10. The different type of polygons regarding to the biophysical parameters

Parametr Parameter

Kategoria I First type

Kategoria II Second type

Kategoria III Third type Biomasa świeża (Fresh biomass)

(kg/m²) <0,75 0,76 - 1,5 > 1,5

Powierzchni liści (Leaf Area Index)

(m²/m²) <2 2,01 - 4 >4

Zawartości wody (Water content)

(%) <70 70,1 - 80 >80

Na podstawie wszystkich zestawów danych obliczono średnią wielkość błędu RMSE w zależności od zmiennych biofizycznych roślinności: ilości biomasy świeżej, wielkości parametru LAI i procentowej zawartości wody. Wyróżniono 3 kategorie poligonów pomiarowych, z odpowiednio zdefiniowanym przedziałem wartości każdego z tych parametrów (tab. 10.).

W każdym podziale brano pod uwagę rozpiętość zmiennej i liczebność poligonów w każdej z kategorii. Następnie obliczono średnią wielkość błędu RMSE w całym modelowanym zakresie widma EM w wymienionych 4 zakresach tego widma³ w przypadku każdego parametru i kategorii poligonu. Także w tym przypadku określono istotność statystyczną różnic między kategoriami za pomocą rangowego testu nieparametrycznego Kruskala-Wallisa dla trzech prób niezależnych.

Końcowym etapem opracowania charakterystyk spektralnych było policzenie teledetekcyjnych wskaźników roślinności na charakterystykach spektralnych pobranych w terenie i modelowanych za pomocą PROSPECT i PROSAIL. Ten etap wykonano jedynie na podstawie zestawów danych z empirycznie dopasowanymi wartościami parametrów określającymi zawartość wody i chlorofilu (zestawy PROSPECT-2 i PROSAIL-2). Zestaw pierwszy w przypadku obu modeli pominięto, ponieważ błędy w modelowaniu były zbyt duże.

Przy obliczaniu wartości teledetekcyjnych wskaźników roślinności było możliwe porównanie wartości jednocześnie w więcej niż jednym kanale spektralnym. Ten sposób pozwala na określenie, czy błędy występujące w modelowanej krzywej odbicia spektralnego mogą zostać pominięte i nie mają istotnego wpływu na interpretację wskaźników. Błędy w modelowaniu pojedynczych wartości współczynnika odbicia mogą nie być znaczące, jednak w przypadku obliczania teledetekcyjnych wskaźników kumulują się. Celem analizy wartości wskaźników było sprawdzenie, czy wskaźniki obliczone z krzywych modelowanych wskazują na inne właściwości środowiska przyrodniczego niż wskaźniki obliczone z krzywych pobranych w terenie.

Początkowo obliczono wartości 22 teledetekcyjnych wskaźników roślinności.

Do dokładnej analizy wybrano jednak tylko 5, wskazujących ogólną kondycję roślinności, określających zawartość chlorofilu, ilość suchej masy roślinnej i zawartość wody. Wybrane wskaźniki są często używane w innych badaniach dotyczących roślinności. Poniżej przedstawione są teledetekcyjne wskaźniki roślinności zastosowane w badaniach.

3 0,4-0,6 µm, 0,4-0,8 µm, 0,8-1,5 µm, 1,5-2,5 µm.

1. Normalized Difference Vegetation Index (NDVI) określa pokrycie terenu przez roślinność i jej kondycję (Rouse, Haas, Schell, Deering, 1973). Obliczając wartości wskaźnika, wykorzystano maksymalne odbicie z zakresu bliskiej podczerwieni i minimalne z zakresu czerwonego zakresu widma według wzoru:

.

2. Red Edge Normalized Difference Vegetation Index (NDVI705) służy do badania niewielkich zmian w rozwoju roślinności i kondycji dzięki zastosowaniu wartości odbicia z pasma Red Edge (Gitelson, Merzlyak, 1994). Wartości wskaźnika wahają się od -1 do 1, a w przypadku roślinności zielonej osiąga wartość od 0,2 do 0,9. Wskaźnik obliczany jest według wzoru:

.

3. Normalized Difference Lignin Index (NDLI) jest przeznaczony do szacowania zawartości ligniny – suchej materii w roślinach (Serrano, Peñuelas Ustin, 2002). Stosuje się go do analizy ekosystemów i badania ilości zeschniętych części roślin oraz zagrożenia pożarowego. Wskaźnik osiąga wartości od 0 do 1, a dotyczącej roślinności zielonej przeciętnie od 0,005 do 0,05. Jest obliczany według wzoru

⁄ ⁄

.

4. Cellulose Absorption Index (CAI) określa, ile jest materii suchej reprezentowanej przez celulozę (Nagler, Inoueb, Glenn, Russ, Daughtry, 2003). Używany jest do badania produktywności roślin, szacowania ich suchej masy i biomasy. Wskaźnik osiąga następujące wartości – od -3 do 4, a w przypadku roślin zielonych od -2 do 4. Jest obliczany według wzoru:

.

5. Water Band Index (WBI) określa zawartość wody w pokrywie roślinnej (Peñuelas, Pinol, Ogaya, Filella, 1997). Wskaźnik ten jest stosowany w badaniach stresu wodnego roślin, w przewidywaniu produktywności roślin, określaniu zagrożenia pożarowego i rolnictwie.

Wskaźnik dotyczący roślinności zielonej osiąga wartości od 0,8 do 1,2. Obliczony jest według wzoru:

.

Wartości wskaźników obliczonych na postawie krzywych modelowanych i zmierzonych w terenie zestawiono na wykresach.