Sentinel4Nature: Estimating environmental gradients and properties using remote sensing
Blumentrath, Stefan; Salberg, Arnt-Børre; Cimburova, Zofie; Bakkestuen, Vegar; Erikstad, Lars; Nowell, Megan; Kermit, Martin
Abstract
Blumentrath, S., Salberg, A.-B., Cimburova, Z., Bakkestuen, V., Erikstad, L., Nowell, M., Kermit, M. 2018. Sentinel4Nature: Estimating environmental gradients and properties using remote sensing. NINA Report 1545. Norwegian Institute for Nature Research.
In 2014, the European Space Agency (ESA) launched the first Sentinel satellite as one of a series of complementary sensors that together form the Sentinel mission family. It is part of today’s most ambitious Earth Observation Program: Copernicus (European Space Agency, 2010). At the same time, a new system for describing, mapping and analysing Nature in Norway (NiN) has been developed (Halvorsen et al. 2015). One of the leading principles in NiN is to account for gradual transitions in nature and thus to focus on the underlying environmental gradients and properties (e.g. related to climate, soil, etc.) that govern the occurrence of species and associated nature types.
The aim of the Sentinel4Nature project (financed by ESAs PRODEX funds) has been to develop and advance an approach to remote sensing that focuses on monitoring basic environmental gradients and properties, that utilizes fusion of different data sources (different sensors as well as auxiliary data). In this context, the suitability of remote sensing to identify envi-ronmental gradients in the NiN classification system has been assessed.
Based on a literature review it was estimated that satellite remote sensing can be a useful source of information for almost 50% of the 60 environmental gradients in NiN. The majority of the most suitable gradients is related to availability of water or snow in the landscape.
From the most suitable gradients 1) Reduced growing season due to prolonged snow-lie and 2) Tree canopy cover were selected for case studies that were conducted in one to four cases study sites across Southern- and Midt-Norway. For 1) the date of snow melt was estimated from a time series of Landsat8 and Sentinel-1 observations and for 2) the percentage of canopy cover per pixel was modelled using Sentine-1 and Sentinel-1 data. In both cases fairly accurate models could be developed that improve the current possibilities to map or model vegetation structures or species occurrences. Fusion of imagery from different sensors (in particular radar and optical) significantly improved the model performance. Auxiliary data was less important than expected. However, data on terrain has been important during image en-hancement and correction.
Although the presented methods already perform quite well, future adjustments and improvements in the processing chains and also parameter tuning have to be expected when they are for their application at larger extents and esp. towards arctic environments of the Scandinavian peninsula. Blumentrath, S., Salberg, A.-B., Cimburova, Z., Bakkestuen, V., Erikstad, L., Nowell, M., Kermit, M. 2018. Sentinel4Nature: Estimating environmental gradients and properties using remote sensing. NINA Report 1545. Norsk institutt for naturforskning.
I 2014 skydde det Europeiske Romsenteret (ESA) den første Sentinel satellitten opp som en av en serie av komplementere sensorer som til sammen danner Sentinel familien. Disse er del av dagens mest avanserte jordobservasjonsprogram: Copernicus (European Space Agency, 2010). På samme tid ble det nye systemet for beskrivelse, kartlegging og analyse av naturen i Norge, Natur i Norge (NiN) utviklet (Halvorsen et al. 2015). Et av grunnprinsippene i NiN er å ta hensyn til gradvise overganger i naturen og det å bygge systemet på underliggende miljøvariabler (i.e. Lokale Komplekse Miljøvariabler (LKM) knyttet til bla. klima, jordforhold, osv.) som har en effekt på forekomst av arter og naturtyper.
Formålet med Sentinel4Nature prosjektet (som ble finansiert as ESAs PRODEX program) har vært å utvikle og avansere en tilnærming til fjernmåling som fokusserer på overvåking av underliggende miljøvariabler og egenskaper og som benytter seg av data fra ulike kilder (både ulike sensorer og supplerende data på f.eks. terreng). I denne sammenhengen, ble det også vurdert om satellitt-fjernmåling kan bidrar til kartlegging av de ulike miljøvariablene i NiN.
Basert på en litteratur-studie ble det estimert at satellitt-basert fjernmåling kan være en nyttig informasjonskilde for nesten 50% av de 60 lokale komplekse miljøvariablene in NiN. Mesteparten av miljøvariablene der fjernmåling kan gjøre et positiv bidrag er knyttet til tilgjengelighet av vann eller snø i landskapet.
Fra de mest egnete miljøvariablene ble 1) Snødekkebetinget vekstsesongreduksjon og 2) Tresjiktstetthet valgt for case studier som ble gjennomført i en til fire studieområder på tvers av Sør- and Midtnorge. For 1) ble snøframsmeltingsdato estimert fra en tidsserie av Landsat8 and Sentinel-1 observasjoner og for 2) ble prosentandel med trekronedekning per piksel modellert basert på Sentine-1 og Sentinel-2 data. I begge casene oppnådde de utviklede modellene rimelig høy presisjon og kunne forbedre dagens muligheter til å forklare eller modellere vegetasjonsstrukturer og artsforekomster. Fletting av bildedata fra ulike sensorer derimot (særlig kombinert bruk av radar og optiske data) forbedret modellene vesentlig. Supplerende romlige variabler f.eks. terreng indekser var mindre viktig enn forventet. Men, terrengdata har vært spilt en viktig rolle ift bildeforbedring og -korreksjon.
Selv om de utviklede metodene allerede fungerer rimelig bra, så kan det forventes at framtidige tilpasninger og forbedringer i prosesseringskjedene og parameterne blir nødvendig hvis modellene skal brukes landsdekkende og spesielt mot de nordlige og arktiske områdene på den Skandinaviske halvøya.