Assessing Agave sisalana biomass from leaf to plantation level using field measurements and multispectral satellite imagery

Show full item record



Permalink

http://urn.fi/URN:NBN:fi:hulib-202006233426
Title: Assessing Agave sisalana biomass from leaf to plantation level using field measurements and multispectral satellite imagery
Author: Vuorinne, Ilja
Contributor: University of Helsinki, Faculty of Science
Publisher: Helsingin yliopisto
Date: 2020
URI: http://urn.fi/URN:NBN:fi:hulib-202006233426
http://hdl.handle.net/10138/316946
Thesis level: master's thesis
Abstract: Biomassa, eli kasviaineksen määrä, on tärkeä muuttuja viljelykasvien kasvun seurannassa sekä arvioitaessa hiilen kiertoa. Kenttätöissä biomassaa voidaan arvioida kasveja vahingoittamatta hyödyntämällä allometrisia malleja. Suuremmassa mittakaavassa biomassaa voidaan kartoittaa kaukokartoitusmenetelmillä. Tässä tutkimuksessa arvioitiin Agave sisalanan eli sisalin lehtien kuivaa biomassaa. Sisal on trooppisilla ja subtrooppisilla alueilla viljeltävä monivuotinen kasvi, jonka lehdistä tuotetaan kuitua ja biopolttoainetta. Lehtibiomassan arvioimiseksi luotiin ensin allometrinen malli, minkä jälkeen biomassa mallinnettiin 8851 hehtaarin plantaasille Kaakkois-Keniassa käyttämällä Sentinel-2 multispektraalista satellittikuva-aineistoa. Allometrista mallia varten kerättiin 38:n lehden otos. Kasvin korkeuden ja lehden suurimman ympärysmitan avulla muodostettiin tilavuusarvio, jonka yhteyttä biomassaan mallinnettiin lineaarisella regressiolla. Muuttujien välille löytyi vahva log-log lineaarinen yhteys ja ristiinvalidointi osoitti, että mallin ennusteet ovat tarkkoja (R2 = 0.96, RMSE = 7.69g). Mallin avulla ennustettiin lehtibiomassa 58:lle koealalle, jotka muodostivat otoksen biomassan mallinnukseen Sentinel-2 kuvalla. Mallinnuksessa käytettiin yleistettyjä additiivisia malleja, joiden avulla tutkittiin lukuisten spektraalisten kasvillisuusindeksien yhteyttä biomassaan. Parhaaksi osoittautuivat indeksit, jotka laskettiin hyödyntämällä vihreää ja lähi-infrapunakanavaa, sekä ns. ”red-edge”-kanavia (D2 = 74%, RMSE = 4.96 Mg/ha). Keskeisin mallin selitysastetta heikentävä tekijä vaikutti olevan suuresti vaihteleva aluskasvillisuuden määrä. Hyödyntämällä parhaaksi todettua kasvillisuusindeksiä lehtibiomassa mallinnettiin koko plantaasin peltoalalle. Biomassa vaihteli 0 ja 45.1 Mg/ha välillä, keskiarvon ollessa 9.9 Mg/ha. Tämän tutkimuksen tuloksena syntyi allometrinen malli, jota voidaan käyttää sisalin lehtibiomassan arviointiin. Jatkotutkimuksissa tulisi ottaa huomioon myös kasvin muut osat, kuten varsi ja juuret. Biomassan mallinnus multispektraalisilla kasvillisuusindekseillä osoitti menetelmän toimivuuden sisalin biomassan kartoituksessa, mutta vaihtelevan aluskasvillisuuden todettiin heikentävän mallin suorituskykyä. Aluskasvillisuuden vaikutusta ja täydentäviä aineistolähteitä tulisi tutkia tulevaisuudessa. Plantaasin lehtibiomassan, ja näin ollen maanpäälle sitoutuneen hiilen määrä, on saman suuruinen, kuin alueen luonnollisella pensassavannilla. Sisal-plantaasin hiilen kierron kokonaisvaltainen ymmärtäminen vaatii kuitenkin lisätietoa kasvien ja maaperän hiilivuosta sekä maaperän hiilensitomisesta.Biomass is an important parameter for crop monitoring and management, as well as for assessing carbon cycle. In the field, allometric models can be used for non-destructive biomass assessment, whereas remote sensing is a convenient method for upscaling the biomass estimations over large areas. This study assessed the dry leaf biomass of Agave sisalana (sisal), a perennial crop whose leaves are grown for fibre and biofuel production in tropical and subtropical regions. First, an allometric model was developed for predicting the leaf biomass. Then, Sentinel-2 multispectral satellite imagery was used to model the leaf biomass at 8851 ha plantation in South-Eastern Kenya. For the allometric model 38 leaves were sampled and measured. Plant height and leaf maximum diameter were combined into a volume approximation and the relation to biomass was formalised with linear regression. A strong log-log linear relation was found and leave-one-out cross-validation for the model showed good prediction accuracy (R2 = 0.96, RMSE = 7.69g). The model was used to predict biomass for 58 field plots, which constituted a sample for modelling the biomass with Sentinel-2 data. Generalised additive models were then used to explore how well biomass was explained by various spectral vegetation indices (VIs). The highest performance (D2 = 74%, RMSE = 4.96 Mg/ha) was achieved with VIs based on the red-edge (R740 and R783), near-infrared (R865) and green (R560) spectral bands. Highly heterogeneous growing conditions, mainly variation in the understory vegetation seemed to be the main factor limiting the model performance. The best performing VI (R740/R783) was used to predict the biomass at plantation level. The leaf biomass ranged from 0 to 45.1 Mg/ha, with mean at 9.9 Mg/ha. This research resulted a newly established allometric equation that can be used as an accurate tool for predicting the leaf biomass of sisal. Further research is required to account for other parts of the plant, such as the stem and the roots. The biomass-VI modelling results showed that multispectral data is suitable for assessing sisal leaf biomass over large areas, but the heterogeneity of the understory vegetation limits the model performance. Future research should address this by investigating the background effects of understory and by looking into complementary data sources. The carbon stored in the leaf biomass at the plantation corresponds to that in the woody aboveground biomass of natural bushlands in the area. Future research is needed on soil carbon sequestration and soil and plant carbon fluxes, to fully understand the carbon cycle at sisal plantation.
Subject: agave sisalana
biomass
allometry
linear regression
remote sensing
vegetation indices
sentinel-2
generalized additive model
Discipline: none


Files in this item

Total number of downloads: Loading...

Files Size Format View
Vuorinne_Ilja_Pro_Gradu_2020.pdf 12.50Mb PDF View/Open

This item appears in the following Collection(s)

Show full item record