Effects of subpixel water area fraction on mapping leaf area index and modeling net primary productivity in Canada

摘要

L'extraction des paramètres biophysiques, tels que le LAI (indice de surface foliaire) et la production primaire nette (PPN), à partir des images de télédétection est très utile pour la modélisation des écosystèmes terrestres. L'hétérogénéité spatiale de la surface terrestre entraîne souvent des biais dans les paramètres extraits lorsque les algorithmes dérivés des images à haute résolution sont utilisés directement pour des images à basse résolution. Dans l'environnement nordique du Canada, les masses d'eau ouvertes constituent l'une des constituantes majeures de l'hétérogénéité de surface et, dans les images de télédétection, de nombreux pixels de sol sont mélangés avec ceux des masses d'eau ouvertes de fractions différentes. Dans une image du Canada à une résolution de 1 km, 47% des pixels terrestres contiennent de l'eau et la surface moyenne de fraction d'eau est de 14%. Dans cet article, nous examinons les effets des fractions d'eau à l'échelle du sous-pixel sur l'extraction du LAI et l'estimation de PPN pour l'ensemble des surfaces terrestres au Canada. Un modèle linéaire de fraction a été développé faisant usage de l'information disponible à l'échelle du sous-pixel à cette fin. Les cartes existantes de LAI et de PPN à l'échelle du Canada à une résolution de 1 km dérivées sans recours à l'information au niveau du sous-pixel ont été utilisées pour fins de comparaison.%Retrieving biophysical parameters, such as the leaf area index (LAI) and the net primary productivity (NPP), from remote sensing imagery is very useful for modeling terrestrial ecosystems. Spatial heterogeneity of the land surface often leads to biases in the retrieved parameters when algorithms derived based on high-resolution images are directly used for coarse-resolution images. In the northern environment in Canada, open water bodies are one of the major features of surface heterogeneity, and in remote sensing images a considerable number of land pixels are mixed with open water bodies of different fractions. In an image of Canada at 1 km resolution, there are 47% water-containing land pixels, and their average water area fraction is 14%. In this article, we investigate the effects of subpixel water area fraction on LAI retrieval and NPP estimation for all land areas in Canada. A linear mixture model was developed to use the available subpixel information for this purpose. Previous Canada-wide LAI and NPP maps at 1 km resolution derived without considering the subpixel information were used for comparison. The following conclusions are drawn from this investigation: (ⅰ) LAI retrieval errors are proportional to water area fraction in a pixel, and on average for all of Canada's land mass the retrieved LAI per unit land area without considering the open water effect is 13% smaller than the correct LAI; (ⅱ) the influence of the subpixel water area on LAI retrieval is the largest for the conifer cover type and the smallest for the deciduous cover type among forests; and (ⅲ) because of the LAI bias, NPP per unit land area is also negatively biased by 9% when the subpixel water effect is not considered.