Progresos en el mapeo de vegetación de alta resolución: el salto de China hacia un monitoreo ambiental avanzado


Según un estudio publicado en el Journal of Remote Sensing , un equipo de científicos dirigido por Xihan Mu de la Universidad Normal de Beijing ha dado un salto adelante en el seguimiento ambiental y la investigación ecológica


por TranSpread


Avance en el mapeo de vegetación de alta resolución: el salto de China hacia el monitoreo ambiental avanzado
El mapa de cobertura terrestre de China de 30 m. El círculo marrón sólido representa el sitio de Huailai. El círculo rosa sólido indica el sitio de Saihanba. Los círculos rojos sólidos simbolizan las 151 parcelas de las estaciones chinas de monitoreo de conservación de suelo y agua en 22 pequeñas cuencas. Los círculos verdes sólidos representan los sitios BELMANIP2. Las zonas ecológicas y geográficas chinas están numeradas con números romanos. Crédito: Revista de Teledetección (2023). DOI: 10.34133/detección remota.0101

Han creado mapas perfectos de la cobertura vegetal fraccionada (FVC) sobre China con una resolución de 30 metros y a intervalos quincenales, que cubren los años 2010-2020.

Los investigadores adoptaron un modelo adaptativo de series de tiempo para crear composiciones de imágenes claras, fluidas y radiométricamente consistentes del Índice de Vegetación de Diferencia Normalizada (NDVI) utilizando todas las imágenes Landsat disponibles en Google Earth Engine. Utilizando un modelo de mezcla mejorado basado en VI, han desarrollado un método que transforma los conjuntos de datos Landsat NDVI en un mapa detallado de Cobertura Vegetal Fraccionada (FVC).

El corazón de esta innovación es el algoritmo MultiVI, que calcula con precisión los coeficientes de píxeles para transformar NDVI en FVC. Este método marca un avance importante con respecto a los modelos de mezcla tradicionales basados ​​en VI, que generalmente dependen de valores de VI de miembro final derivados estadísticamente y menos precisos.

MultiVI, por otro lado, emplea datos de múltiples ángulos para generar valores VI de miembros finales en píxeles, lo que resulta en un cálculo de FVC más refinado y preciso. Los investigadores validaron este enfoque comparando la FVC generada con mediciones terrestres y productos FVC globales existentes, demostrando su buena consistencia espacial y temporal.

Los resultados subrayaron la superioridad del método a la hora de capturar con precisión patrones y dinámicas detalladas de la vegetación, superando los modelos tradicionales. Este complejo proceso de mapeo fomenta una comprensión más matizada de la cubierta vegetal de la Tierra y tiene aplicaciones potenciales en el monitoreo ambiental , la gestión agrícola y los estudios del cambio climático.

El Dr. Xihan Mu, investigador principal, dijo: “Este método no sólo refina la resolución espacial del mapeo FVC con buena precisión sino que también captura los cambios temporales en la cubierta vegetal, lo que marca un progreso tecnológico en teledetección y monitoreo ecológico “.

El mapeo FVC de 30 m/15 días tiene profundas implicaciones para diversas aplicaciones, mejorando significativamente las evaluaciones ecológicas, el monitoreo de cultivos y el análisis detallado de la vegetación, todos cruciales para comprender y mitigar los efectos del cambio climático. Además, proporciona datos invaluables para la agricultura de precisión, la investigación de ecosistemas urbanos y las evaluaciones de riesgos de erosión del suelo, aumentando así nuestra capacidad para monitorear y responder eficazmente a los cambios ambientales.

Esta investigación representa un nuevo avance en el mapeo de vegetación de alta resolución y ofrece una nueva perspectiva de los ecosistemas terrestres de la Tierra. A medida que este método se siga adoptando y perfeccionando, promete mejorar el seguimiento y la gestión medioambiental, abriendo nuevas posibilidades para un futuro sostenible.

Más información: Tian Zhao et al, Mapeo de la cobertura vegetal fraccionada espacialmente fluida sobre China con una resolución de 30 m e intervalos quincenales en 2010-2020 basado en Google Earth Engine, Journal of Remote Sensing (2023). DOI: 10.34133/detección remota.0101