TanDEM-X und tropische Wälder: modell-gestützte

Schätzung der Biomasse und deren Änderungen

Symposium “Neue Perspektiven der Erdbeobachtung”, Köln, 27 Juni 2018

Nikolai Knapp, Rico Fischer, Florian Kugler,

Konstantinos Papathanassiou, Andreas Huth

Biotrop-X Projekt

Kartierung der globalen Waldbiomasse

Mitchard et al. (2013), Carbon Balance Manag

Die Vegetation speichert global 385 bis 650 Gt Kohlenstoff

Genauere, räumlich explizite Quantifizierung Fernerkundung

Starke Abweichungen zwischen bestehenden Biomasse-Karten

Houghton et al. (2009),

J Geophys Res:

Biogeosciences

Seite 2

Biomasseschätzung mittels 3D Struktur

Simulationen:

• Beliebige Plotanzahl

• Beliebige Plotflächen

• Strukturelle Variabilität durch

Störungen

• Zeitreihen

• Parameterisierung verschiedener

Waldtypen

e.g. Shugart et al. (2015), Front Ecol Environ

Knapp et al. (2018), Remote Sens Environ

Airborne lidar

Forest inventory

Empirical data

Simulated forest

Simulated lidar

Simulation data

Empirische Daten:

• Begrenzte Plotanzahl

• Begrenzte Plotflächen

• Begrenzte strukturelle Variabilität

• Begrenzte Anzahl an Zeitpunkten

• Begrenzte Anzahl an Waldtypen

e.g. Lefsky et al. (2002), Glob Ecol Biogeogr;

Lu et al. (2014), Int J Digit Earth

Seite 3

Fragestellungen

1) Wie gut kann die stehende Biomasse mit

Fernerkundungs-basierter Waldhöhe

quantifiziert werden?

2) Wie gut können Biomassenänderungen

mit Fernerkundungs-basierten

Höhenänderungen quantifiziert werden?

Seite 4

Individuen-basiertes Waldmodell

www.formind.org

Kernprozesse:

• Etablierung

• Konkurrenz

• Wachstum

• Mortalität

Störungen:

• Umstürzende Bäume

• Holzeinschlag

• Feuer

Fischer et al. (2016), Ecol Model

Parameterisierung für Barro Colorado Island (Panama)

Neotropischer Tieflandregenwald

Seite 5

Untersuchungsgebiet Barro Colorado Island, Panama

Neotropischer Tieflandregenwald

50-ha Plot

0 55 Höhe [m]

Lidar data provided by James W. Dalling

Lobo & Dalling (2014), Proc R Soc B

Inventory data provided by the Smithsonian Tropical Research

Institute within the CTFS-ForestGEO network

Hubbell et al. (2005)

Anderson-Teixeira et al. (2014), Glob Change Biol

Seite 6

MCH = mean canopy profile height

Parametrisierung:

Barro Colorado

Island, Panama

Simulationsexperiment

Seite 7

3D Punktwolke

0 55 Höhe [m]

Canopy height

model (CHM)

Rasterisierung:

Wert des höchsten

Punktes in jedem

Pixel einer

vorgegebenen

Auflösung

1-m Pixel

100 m

Beispieldatensatz: 9 ha

Feuer-gestörter Regenwald

z.B. Airborne Laserscanning

10-m Pixel

100 m

z.B. SAR Satelliten

(TanDEM-X)

Seite 8

Mittlere Kronenoberflächenhöhe Mean top-of-canopy height (TCH)

1-m Pixel 10-m Pixel

0 55 Höhe [m]

Biomasse

TCH

Plotgrenze

und 100-m Plots und 100-m Plots

TCH = Mittelwert aller

Pixelwerte in einem Plot

100 m 100 m

Seite 9

Mittlere Kronenoberflächenhöhe Mean top-of-canopy height (TCH)

Sampling design:

Seite 10

Knapp et al. (2018),

Remote Sens. Environ.

Variation von Pixel- und Plotgröße

Sampling design:

Jede Graphik

repräsentiert 2800 ha

gestörten simulierten

Regenwald (Barro

Colorado Island)

Seite 11

Knapp et al. (2018),

Remote Sens. Environ.

Höhen-Biomassen-Beziehung Skalenabhängigkeit

Fehler < 10% niedrig hoch

nRMSE

Knapp et al. (2018), Remote Sens. Environ.

Plotgrößen ≥ 1 ha und Pixelgrößen ≤ 10 m ergeben Fehler < 10%

Seite 12

Biomassen-Schätzfehler Skalenabhängigkeit

Relative Schätzfehler (normalized root mean square errors = nRMSE) [%]

für verschiedene Plot- und Pixelgrößen:

Von Höhen- zu Biomassenänderungen

H1 H2

B1 B2 ΔB

Waldwachstum über Zeit:

t2 t1 Δt

Direkter Ansatz

ΔB

iom

asse

ΔHöhe

ΔH

ΔB

Indirekter Ansatz

Bio

mas

se

Höhe

H1 H2

B2

B1

ΔB = B2 – B1

Textur

Dir+Tex Ansatz

ΔH

ΔB

Random forest

ΔH

Textur CHM:

Canopy height model

or

DSM:

Digital surface model

e.g. Meyer et al. (2013), Biogeosciences

Cao et al. (2016), Remote Sens. Environ.

e.g. Dubayah et al. (2010), J. Geophys. Res.

Solberg et al. (2014), Carbon Balance Manag.

Seite 13

Bio

massen

än

deru

ng

üb

er

10 J

ah

re

Kronenhöhenänderung über 10 Jahre

Jeder Punkt

reprästentiert

einen Bestand

von 1 ha

Seite 14

Simulierte Höhen- und Biomassenänderungen

über 10 Jahre

Änderungsschätzungen: 1:1-Graphiken

Indirekter Ansatz: Direkter Ansatz:

Relativer Fehler:

nRMSE = 46%

Relativer Fehler:

nRMSE = 31%

ΔAGB: Änderung der oberirdischen Biomasse in 10 Jahren

Beobachtung Beobachtung

Sch

ätz

un

g

Sch

ätz

un

g

Knapp et al. (2018), Remote Sens.

Seite 15

Knapp et al. (2018), Remote Sens.

Seite 16

Relativer Fehler:

nRMSE = 30%

Beobachtung Beobachtung

Sch

ätz

un

g

Sch

ätz

un

g

Relativer Fehler:

nRMSE = 31%

ΔAGB: Änderung der oberirdischen Biomasse in 10 Jahren

Dir+Tex Ansatz: Indirekter Ansatz:

Änderungsschätzungen: 1:1-Graphiken

Anwendung auf TanDEM-X Daten des

Barro Colorado Island 50-ha Plots

Seite 17

Anwendung auf TanDEM-X Daten des

Barro Colorado Island 50-ha Plots

Seite 18

Beobachtung

Sch

ätz

un

g

1:1-Graphik empirische Daten:

Geringe Änderungen sind von der Schätzungenauigkeit überlagert

Empirische vs. Simulations-Daten:

Zusammenfassung

• Waldmodelle und Fernerkundungssimulationen ermöglichen ein

besseres Verständnis zwischen Größen wie der Waldhöhe (bzw.

Metriken die Waldhöhe beschreiben) und der Biomasse.

• Skaleneffekte und Änderungen über die Zeit können gut mit

Simulationsdaten untersucht werden.

• Gute Biomassenschätzungen (Fehler < 10%) sind bei geeigneter

Auflösung möglich (Plots ≥ 100 m, Pixel ≤ 10 m).

• Schätzungen der Biomassenveränderungen aus Höhenänderungen

sind bei dieser Auflösung mit verschiedenen Ansätzen möglich (aus

ΔCHM oder ΔDSM).

• Es bleibt eine Herausforderung die geringen Änderungen in alten

Wäldern zu schätzen.

Seite 19

Vielen Dank für die

Aufmerksamkeit!

www.formind.org

Seite 20

nikolai.knapp@ufz.de

www.hgf-eda.de

Acknowledgments:

• James W. Dalling for providing Lidar data from Barro Colorado Island

• The Smithsonian Tropical Research Institute for providing inventory data from Barro Colorado Island

• Florian Kugler and Kostas Papathanasiou for providing the TanDEM-X data from Barro Colorado Island

• The Biotrop-X project is funded by the German Federal Ministry for Economic Affairs and Energy (BMWi) under the funding reference

50EE1416.

Page 21

Referenzen

• Anderson-Teixeira, K.J. et al., 2015. CTFS-ForestGEO: A worldwide network monitoring forests in an era of global change. Global Change Biology,

21(2), pp.528–549.

• Bouvier, M. et al., 2015. Generalizing predictive models of forest inventory attributes using an area-based approach with airborne LiDAR data. Remote

Sensing of Environment, 156, pp.322–334.

• Cao, L. et al., 2016. Estimation of forest biomass dynamics in subtropical forests using multi-temporal airborne LiDAR data. Remote Sensing of

Environment, 178, pp.158–171.

• Cazcarra-Bes, V. et al., 2017. Monitoring of Forest Structure Dynamics by Means of L-Band SAR Tomography. Remote Sensing, 9(12), p.1229.

• Coomes, D.A. et al., 2017. Area-based vs tree-centric approaches to mapping forest carbon in Southeast Asian forests from airborne laser scanning

data. Remote Sensing of Environment, 194, pp.77–88.

• Dubayah, R.O. et al., 2010. Estimation of tropical forest height and biomass dynamics using lidar remote sensing at la Selva, Costa Rica. Journal of

Geophysical Research: Biogeosciences, 115(2), pp.1–17.

• Fischer, R. et al., 2016. Lessons learned from applying a forest gap model to understand ecosystem and carbon dynamics of complex tropical forests.

Ecological Modelling, 326, pp.124–133.

• Houghton, R.A., Hall, F. & Goetz, S.J., 2009. Importance of biomass in the global carbon cycle. Journal of Geophysical Research: Biogeosciences,

114(3), pp.1–13.

• Hubbell, S.P., Condit, R. & Foster, R.B., 2005. Barro Colorado Forest Census Plot Data. Available at: http://ctfs.si.edu/webatlas/datasets/bci.

• Knapp, N., Huth, A., et al., 2018. Model-Assisted Estimation of Tropical Forest Biomass Change : A Comparison of Approaches. Remote Sensing,

10(731), pp.1–23.

• Knapp, N., Fischer, R. & Huth, A., 2018. Linking lidar and forest modeling to assess biomass estimation across scales and disturbance states. Remote

Sensing of Environment, 205, pp.199–209.

• Lefsky, M.A., Cohen, W.B., et al., 2002. Lidar remote sensing for ecosystem studies. BioScience, 52(1), pp.19–30.

• Lefsky, M.A., Cohen, W.B., et al., 2002. Lidar remote sensing of above-ground biomass in three biomes. Global Ecology and Biogeography, 11(5),

pp.393–399.

• Lobo, E. & Dalling, J.W., 2014. Spatial scale and sampling resolution affect measures of gap disturbance in a lowland tropical forest: implications for

understanding forest regeneration and carbon storage. Proceedings of the Royal Society B: Biological Sciences, 281(1778), pp.20133218–20133218.

• Lu, D. et al., 2014. A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems. International Journal of Digital

Earth, (December), pp.1–43.

• Meyer, V. et al., 2013. Detecting tropical forest biomass dynamics from repeated airborne lidar measurements. Biogeosciences, 10(8), pp.5421–5438.

• Mitchard, E.T. et al., 2013. Uncertainty in the spatial distribution of tropical forest biomass: a comparison of pan-tropical maps. Carbon balance and

management, 8(1), p.10.

• Shugart, H.H. et al., 2015. Computer and remote-sensing infrastructure to enhance large-scale testing of individual-based forest models. Frontiers in

Ecology and the Environment, 13(9), pp.503–511.

• Solberg, S. et al., 2014. Forest biomass change estimated from height change in interferometric SAR height models. Carbon balance and management,

9(1), p.5.

SEITE 22

Indirect approach: Direct approach:

Dashed lines represent margins of 100 bootstrapping repetitions Page 22

All

Gains

Losses

Evaluation of biomass change estimations

across stand height classes

SEITE 23

Indirect approach:

All

Gains

Losses

Dashed lines represent margins of 100 bootstrapping repetitions Page 23

Dir+tex approach:

Evaluation of biomass change estimations

across stand height classes

Page 24

Alternative Lidar metrics

Top-of-canopy height (TCH)

Relative height percentiles (RH)

Mean canopy height (MCH)

Quadratic mean canopy height (QMCH)

Profile Shannon Index

Fractional canopy cover (FCC)

Profile skewness

P:H ratio

Standard deviation (SD)

Coefficient of variation (CV)

Above ground to ground return ratio (NAGR/NGR)

Normalized root mean square errors (nRMSE) for biomass from various Lidar metrics:

small large

Error

Page 25

Normalized root mean square errors

(nRMSE) for varying plot sizes:

Undisturbed forest nRMSE:

Disturbed forest nRMSE:

Error < 10%

Error < 10%

small large

nRMSE

Error < 10%

nRMSE = RMSE / Mean

Biomass estimation errors at different scales

Knapp et al. (2018), Remote Sens. Environ.

Page 26

Power law curves (TCH-to-biomass) Sampling design:

Page 27

Reference field data Sampling design:

Lidar Modell

Lichtextinktion (Beer-Lambert):

𝑷 𝑳𝑨𝑰 = 𝑷𝟎 ∙ 𝒆−𝒌 ∙ 𝑳𝑨𝑰

Parameter:

P0: Return Wahrscheinlichkeit im obersten

Voxel (Waldoberfläche)

k: Extinktionskoeffizient (NIR Wellenlänge)

Variablen:

LAI: Blattflächenindex [m²/m²]

P(LAI): Return Wahrscheinlichkeit

Knapp et al. (2018), Remote Sens. Environ.

Seite 28

Methods: Lidar calibration

Page 29

Simulated Lidar based on inventory (> 200,000 trees)

Airborne Lidar

0 55 Height [m]

Parameter variation of:

𝑷 𝑳𝑨𝑰 = 𝑷𝟎 ∙ 𝒆−𝒌 ∙ 𝑳𝑨𝑰

Profile matching:

𝐵 = 𝑎 ∗ 𝐻𝑏 𝑑𝐵

𝑑𝐻= 𝑎 ∗ 𝑏 ∗ 𝐻𝑏−1 Δ𝐵 = 𝑎 ∗ 𝑏 ∗ 𝑯𝑏−1 ∗ Δ𝐻

ΔB = 2.7*ΔH

ΔB = 8.2*ΔH

ΔB = 14.4*ΔH

B: Biomass

H: Height

a: prefactor

b: scaling exponent

Envelope of

simulations for

10-yr interval

Explanation of observed change pattern

Seite 30