Yliopiston etusivulle Suomeksi På svenska In English Helsingin yliopisto

ESTIMATING LEAF AREA INDEX AND ABOVEGROUND BIOMASS BY EMPIRICAL MODELING USING SPOT HRVIR SATELLITE IMAGERY IN THE TAITA HILLS, SE KENYA

Show full item record

Files in this item

Files Description Size Format View/Open
Itkonen_MSc_Est ... d_AGB_using_SPOT_Taita.pdf 7.382Mb PDF View/Open
Use this URL to link or cite this item: http://hdl.handle.net/10138/37685
Vie RefWorksiin
Title: ESTIMATING LEAF AREA INDEX AND ABOVEGROUND BIOMASS BY EMPIRICAL MODELING USING SPOT HRVIR SATELLITE IMAGERY IN THE TAITA HILLS, SE KENYA
Author: Itkonen, Pekka
Contributor: Helsingin yliopisto, Matemaattis-luonnontieteellinen tiedekunta, Geotieteiden ja maantieteen laitos
Thesis level:
Abstract: The indigenous forests of the Taita Hills, SE Kenya, boast a vast biodiversity and provide several vital
ecosystem services to local communities. Population growth and land use change pressures have
resulted in a significant decrease in indigenous forest cover in the Taita Hills in recent decades.
Quantifying the aboveground biomass (agb) and carbon sequestration capacity of the Taita forests
provides a strong argument for striving for their more efficient protection in the context of UN-REDD
programme. Although the role of tropical forests as global carbon sinks has been widely recognized,
their agb and leaf area index (LAI) remain uncertain. Optical remote sensing (RS) provides a
cost-effective means of LAI and agb estimation in remote areas, but empirical modeling using remote
sensor data has limited certainty in densely vegetated tropical forests.
The agb and LAI of the Taita Hills were estimated using empirical regression modeling by relating in
situ data (n = 181 for agb, n = 172 for LAI) and spectral vegetation indices (SVIs) derived from SPOT
HRVIR optical remote sensing data. Field plots (20 m x 20 m = 0.04 ha) were located in indigenous (n
= 80) and exotic (n = 83) forests, woodlands (n = 9) and agroforestry areas (n = 9). In situ LAI was
derived from hemispherical photography (HP) using Lang's approach and the foliage clumping
correction method by Chen & Cihlar. In situ agb was estimated using allometric equations which relate
agb with tree parameters such as tree diameter at breast height. Empirical relations between the
response variables (agb, LAI) and SVIs were utilized in predictive regression modeling. The predictor
variables were selected using forward stepwise regression based on Akaike Information Criterion
(AIC) values.
The regression models resulted having only one predictor each due to the redundancy of the SVIs.
Also topography-based predictor variables were tested, but they were poorly or not at all related with
LAI and agb. The models performed moderately (D2 = 0.62 for LAI model, D2 = 0.41 for agb model).
The total agb and carbon sequestration of the study area were estimated as 4.264 Tg and 2.132 Tg C,
respectively. Mean agb densities of the indigenous forests and the whole study area were estimated
as 463 ± 190 Mg ha-1 and 126 ± 115 Mg ha-1, respectively. Mean in situ LAI of the indigenous forests
and all plots were estimated as 3.66 ± 0.44 and 3.12 ± 0.84, respectively. Indigenous plots had the
highest mean in situ agb density and LAI values compared to exotic forests, woodlands and
agroforestry areas (ANOVA p < 0.001). The RMSE values of the models were 0.59 (18.6 %) for LAI
and 376.85 Mg ha-1 (82.9 %) for agb. The agb model was negatively biased (bias: -107.1 Mg ha-1,
23.6%), but there was no statistically significant bias in the LAI model.
The resulting agb estimates are rather high due to high in situ agb values, partly resulting from the
emphasized contribution of very large trees to biomass on small plots. LAI values are quite low for
dense tropical forests due to indirect estimation method using HP, but still comparable with other
similar studies. As expected, the modeling performance was impaired by SVI saturation effect in
relation to LAI and agb. The agb model was biased most likely due to the use of transformed variables
in linear regression. The predictive models are not transferable to other regions as such, for the
relative prediction performance of SVIs is case-specific and the model parameters have to be
estimated using in situ data for each site. In order to improve the model credibility, a more extensive
dataset based on a random or a systematic sample should be used, having larger plot size and
containing more observations with low LAI and agb values.Kaakkois-Keniassa sijaitsevien Taitavuorten alkuperäismetsissä on erittäin monimuotoinen luonto, ja
ne tarjoavat useita tärkeitä ekosysteemipalveluita paikallisyhteisöille. Väestönkasvusta ja maankäytön
muutospaineista johtuen alkuperäismetsien pinta-ala on pienentynyt viime vuosikymmenien aikana
huomattavasti. Taitavuorten metsien maanpäällisen biomassan ja hiilensidontakapasiteetin
määrällinen arviointi YK:n UN-REDD ohjelman viitekehyksessä toimii vahvana perusteena
alkuperäismetsien tehokkaamman suojelun puolesta ponnistelemiseksi. Trooppiset metsät on
tunnistettu tärkeiksi hiilinieluiksi, mutta niiden maanpäällinen biomassa ja lehtialaindeksi (LAI)
tunnetaan huonosti. Optinen kaukokartoitus mahdollistaa kustannustehokkaan LAIn ja biomassan
arvioinnin syrjäisillä seuduilla, mutta trooppisten metsien empiirinen mallinnus kaukokartoitusaineiston
pohjalta on osin epävarmaa.
Taitavuorten maanpäällinen biomassa ja LAI arvioitiin mallintamalla empiirisesti maastoaineiston ja
SPOT HRVIR -kaukokartoitusaineistosta johdettujen kasvillisuusindeksien välillä havaittuja suhteita.
0.04 hehtaarin (20 m x 20 m) koealoja oli yhteensä 181 kpl, joista 80 alkuperäismetsissä, 83
istutusmetsissä, 9 muilla metsämailla ja 9 peltometsäviljelmillä. Maastossa mitattu LAI johdettiin
hemisfäärivalokuvista Langin metodia käyttäen. Lehvästön ei-satunnaisen tilajakauman vaikutus
huomioitiin Chenin ja Cihlarin korjausta käyttäen. Maastoaineiston biomassa arvioitiin käyttäen
allometrisia biomassayhtälöitä, joissa biomassa arvioidaan puustoparametrien, kuten puun halkaisijan,
pohjalta. Ennustemallien selittäjät valittiin eteenpäin askeltavalla regressiolla käyttäen Akaiken
informaatiokriteeriä (AIC).
Kasvillisuusindeksien informaatiosisällön toisteisuudesta johtuen regressiomalleihin valikoitui vain
yhdet selittäjät. Myös topografiaan perustuvia muuttujia testattiin, mutta niiden ja vasteiden välillä
havaittiin heikko tai ei lainkaan riippuvuutta. Mallien selitysaste oli kohtuullinen (LAI-malli: D2 = 0.62,
biomassamalli: D2 = 0.41). Tutkimusalueen maanpäällinen kokonaisbiomassa oli 4.264 Tg ja
kokonaishiilensidonta 2.132 Tg. Keskimääräinen biomassatiheys oli alkuperäismetsissä 463 ± 190 Mg
ha-1 ja koko tutkimusalueella 126 ± 115 Mg ha-1. Keskimääräinen maastossa mitattu LAI oli
alkuperäismetsissä 3.66 ± 0.44 ja kaikilla koealoilla 3.12 ± 0.84. Alkuperäismetsien maastossa mitatut
keskimääräiset biomassa- ja LAI-arvot olivat tilastollisesti merkitsevästi korkeampia kuin muilla
koealoilla (yksisuuntainen varianssianalyysi, p < 0.001). LAI-mallin RMSE-arvo oli 0.59 (18.6%) ja
biomassamallin RMSE-arvo 376.85 Mg ha-1 (82.9%). Biomassamalli oli negatiivisesti harhainen
(harha: -107.1 Mg ha-1, 23.6%), mutta LAI-mallissa ei havaittu tilastollisesti merkitsevää harhaa.
Mallinnetut biomassa-arvot ovat korkeita johtuen maastoaineiston korkeista biomassalukemista.
Pienille koealoille osuvat hyvin suuret puut vaikuttavat arvioihin huomattavasti. Mallinnetut LAI-arvot
ovat vertailukelpoisia muiden vastaavien tutkimusten kanssa, mutta silti matalahkoja tiheäkasvuisille
trooppisille metsille. Tämä johtuu käytetystä epäsuorasta optisesta LAIn arviointimenetelmästä,
hemisfäärivalokuvauksesta. Kasvillisuusindeksien kyllästyminen suhteessa vastemuuttujiin heikensi
odotetusti mallien ennustekykyä. Biomassamallin harhaisuus johtui todennäköisesti muunnettujen
muuttujien käytöstä lineaarisessa regressiossa. Mallit eivät ole yleistettävissä muille alueille
sellaisinaan, sillä kasvillisuusindeksien keskinäinen paremmuus on tapauskohtaista ja mallien
parametrien määrittäminen vaatii maastoaineistoa tutkimusalueelta. Luotettavampien mallien
rakentamiseksi tarvittaisiin systemaattiseen tai satunnaisotantaan perustuva laajempi aineisto, joka
sisältää enemmän matalan LAIn ja biomassan havaintoja ja jossa koealat ovat suurempia.
URI: http://hdl.handle.net/10138/37685
Date: 2012-12-03
This item appears in the following Collection(s)

Show full item record

Search Helda


Advanced Search

Browse

My Account