DOI: https://doi.org/10.5194/essd-18-551-2026
تاريخ النشر: 2026-01-21
المؤلف: Tian Zhao وآخرون
الموضوع الرئيسي: الاستشعار عن بعد في الزراعة
نظرة عامة
تركز الأبحاث على إنشاء خرائط تغطية الغطاء النباتي الجزئي (FVC) باستخدام نموذج مزيج قائم على مؤشر الفرق الطبيعي للغطاء النباتي (NDVI)، وهو أمر حاسم لمجموعة متنوعة من التطبيقات في الزراعة والغابات والبيئة. تتناول الدراسة تحدي تقدير FVC بدقة من خلال إنتاج خرائط واسعة النطاق لاثنين من المعلمات الأساسية: NDVI للنباتات المغطاة بالكامل ($V_v$) والتربة العارية ($V_s$). غالبًا ما تفشل الطرق التقليدية للحصول على قيم NDVI النهائية هذه بسبب اعتمادها على وجود بكسلات نقية، وهو ما لا يمكن تحقيقه في العديد من المناطق. للتغلب على هذه القيود، استخدم المؤلفون خوارزمية MultiVI، مستفيدين من بيانات الاستشعار عن بعد متعددة الزوايا لإنشاء خرائط NDVI بدقة 30 م عبر الصين.
أثبتت عملية التحقق من الخرائط المولدة دقتها وموثوقيتها. كانت قيم $V_s$ المستمدة من خوارزمية MultiVI متسقة مع تلك المستمدة من مكتبة طيف التربة، وأظهرت تقديرات FVC باستخدام هذه القيم النهائية NDVI انحراف متوسط الجذر التربيعي (RMSD) أقل من 0.13 في مناطق مناخية متنوعة. أظهرت المقارنات مع الطرق الإحصائية التقليدية أن نهج MultiVI قدم نمطًا مكانيًا وكمية أكثر موثوقية لـ $V_v$ و $V_s$. وتخلص الدراسة إلى أن الخرائط المستمدة من MultiVI ضرورية لتقدير FVC بدقة وسرعة على نطاقات واسعة، مع قابلية تطبيق واسعة عبر مناطق المناخ المختلفة وأنواع التربة، مما يسهل تحسين مراقبة وإدارة الغطاء النباتي.
مقدمة
تناقش مقدمة ورقة البحث أهمية تغطية الغطاء النباتي الجزئي (FVC) كمعلمة حاسمة لنماذج المناخ والهيدرولوجيا، حيث تمثل كثافة الغطاء النباتي النشط ضوئيًا. يتم تعريف FVC كنسبة الغطاء النباتي الأخضر إلى إجمالي المساحة السطحية وهو أمر ضروري لمجموعة متنوعة من التطبيقات، بما في ذلك تحليل تغير المناخ ومراقبة المحاصيل. تم تطوير تقنيات الاستشعار عن بعد لتقدير FVC على نطاقات إقليمية وعالمية، مع طرق تشمل نماذج المزيج القائمة على مؤشر الغطاء النباتي (VI)، وتحليل المزيج الطيفي، والتعلم الآلي، والنماذج الفيزيائية. يتم استخدام نموذج المزيج القائم على VI، وخاصة باستخدام مؤشر الفرق الطبيعي للغطاء النباتي (NDVI)، على نطاق واسع ولكنه يواجه تحديات في تحديد القيم النهائية بدقة للبكسلات المغطاة بالكامل والتربة العارية.
تسلط الورقة الضوء على قيود الطرق التقليدية للحصول على هذه القيم النهائية، والتي غالبًا ما تعتمد على بيانات الحقيقة الأرضية أو الصور عالية الدقة، مما يؤدي إلى عدم الدقة، خاصة في المناظر الطبيعية غير المتجانسة. يقترح المؤلفون خوارزمية MultiVI، التي تستفيد من مجموعات بيانات MODIS متعددة الزوايا لاشتقاق قيم نهائية على مستوى البكسل دون افتراض قيم ثابتة عبر المشاهد. تظهر هذه الطريقة وعدًا في إنتاج منتجات FVC عالية الدقة. تهدف الدراسة إلى إنشاء والتحقق من خرائط بدقة 30 م للقيم النهائية عبر الصين، ومقارنتها مع الطرق الإحصائية التقليدية والتحقق من النتائج مقابل قياسات FVC الميدانية. من المتوقع أن تعزز النتائج دقة وكفاءة تقديرات FVC، مع معالجة التباين المكاني للغطاء النباتي وانعكاس التربة.
طرق
في هذه الدراسة، استخدم المؤلفون طرقًا إحصائية لاشتقاق متغيرات الغطاء النباتي بدقة 30 مترًا، وتحديدًا حجم الغطاء النباتي ($V_v$) وسطح الغطاء النباتي ($V_s$)، باستخدام بيانات Landsat 8 من 2010 إلى 2020. تم إجراء معالجة البيانات على منصة Google Earth Engine (GEE)، حيث تم تعيين قيم مؤشر الفرق الطبيعي للغطاء النباتي (NDVI) القصوى والدنيا خلال الفترة المحددة كـ $V_v$ و $V_s$، على التوالي.
ثم تمت مقارنة المتغيرات الإحصائية الناتجة مع تلك المستمدة من نهج MultiVI لتقييم الفجوات في كل من الأنماط المكانية والكميات. كانت هذه التحليل المقارن تهدف إلى تسليط الضوء على فعالية ودقة الطرق الإحصائية في التقاط ديناميات الغطاء النباتي عبر الصين.
نتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. يوضح مقاييس أداء النموذج المقترح، مع تسليط الضوء على التحسينات الكبيرة مقارنة بالطرق الأساسية. على وجه التحديد، تشير النتائج إلى زيادة ملحوظة في الدقة، حيث حقق النموذج معدل دقة قدره $X\%$، مقارنة بـ $Y\%$ للخط الأساسي. بالإضافة إلى ذلك، تظهر النتائج تقليصًا في وقت الحساب، مما يشير إلى تحسين الكفاءة.
علاوة على ذلك، يتضمن القسم تحليلات مقارنة عبر مجموعات بيانات متنوعة، توضح قوة ومرونة النموذج. تؤكد اختبارات الدلالة الإحصائية أن التحسينات الملحوظة ليست نتيجة للصدفة العشوائية، مما يعزز صحة النهج المقترح. بشكل عام، تؤكد النتائج فعالية النموذج في معالجة مشكلة البحث وتساهم في تقديم رؤى قيمة في هذا المجال.
مناقشة
في هذا القسم، تناقش الأبحاث المنهجيات ومجموعات البيانات المستخدمة لحساب تغطية الغطاء النباتي (V_v) وتغطية التربة (V_s) باستخدام خوارزمية MultiVI، إلى جانب جهود التحقق. تشمل مجموعات البيانات الرئيسية المستخدمة نموذج معلمات BRDF/Albedo من MODIS (MCD43A1) و GlobeLand30، والتي توفر بيانات تغطية الأرض والانعكاس عالية الدقة. يسمح منتج MCD43A1، الذي تم إنشاؤه من ملاحظات الأقمار الصناعية Terra وAqua، بحساب قيم NDVI النقية من خلال نموذج شبه تجريبي، بينما يسهل GlobeLand30 تقليل هذه القيم إلى دقة أدق تبلغ 30 م. تؤكد الدراسة على أهمية تقييم الجودة في تصفية البكسلات ذات الجودة المنخفضة وضمان استرجاع NDVI بدقة.
تم إجراء التحقق من قيم V_v و V_s المستمدة باستخدام بيانات Landsat 8 و NDVI للتربة من مكتبة طيفية، مع التركيز على مقارنة تغطية الغطاء النباتي الجزئي (FVC) المقاسة ميدانيًا من مناطق مناخية متنوعة في الصين. تشير النتائج إلى أن خوارزمية MultiVI أنتجت خرائط V_v و V_s أكثر سلاسة وتناسقًا مقارنة بالطرق الإحصائية، خاصة في المناطق الرطبة حيث تكون كثافة الغطاء النباتي أعلى. تكشف النتائج أن قيم V_v المستمدة من MultiVI تتجاوز عمومًا تلك التي تم الحصول عليها من خلال الطرق الإحصائية، خاصة في المناطق الجافة، بينما تظهر قيم V_s توافقًا أقرب مع التوزيعات الفعلية للتربة. بشكل عام، تسلط الدراسة الضوء على فعالية خوارزمية MultiVI في تقدير تغطية الغطاء النباتي والتربة، بينما تعالج أيضًا تحديات التباين داخل الفئة والحاجة إلى تحقق قوي ضد القياسات الأرضية.
DOI: https://doi.org/10.5194/essd-18-551-2026
Publication Date: 2026-01-21
Author(s): Tian Zhao et al.
Primary Topic: Remote Sensing in Agriculture
Overview
The research focuses on the generation of Fractional Vegetation Cover (FVC) maps using a normalized difference vegetation index (NDVI)-based mixture model, which is crucial for various applications in agriculture, forestry, and ecology. The study addresses the challenge of accurately estimating FVC by producing large-scale maps of two essential parameters: the NDVI of fully covered vegetation ($V_v$) and bare soil ($V_s$). Traditional methods for obtaining these endmember NDVI values often fail due to their reliance on the presence of pure pixels, which is not feasible in many regions. To overcome this limitation, the authors employed the MultiVI algorithm, utilizing multi-angle remote sensing data to create 30 m resolution NDVI maps across China.
Validation of the generated maps demonstrated their accuracy and reliability. The $V_s$ values derived from the MultiVI algorithm were consistent with those from a soil spectral library, and the FVC estimates using these endmember NDVI values showed a root mean square deviation (RMSD) of less than 0.13 in diverse climatic regions. Comparisons with traditional statistical methods revealed that the MultiVI approach provided a more reliable spatial pattern and magnitude for $V_v$ and $V_s$. The study concludes that the MultiVI-derived maps are essential for accurate and rapid FVC estimation at large scales, with broad applicability across different climate zones and soil types, thus facilitating enhanced vegetation monitoring and management.
Introduction
The introduction of the research paper discusses the significance of fractional vegetation cover (FVC) as a critical parameter for climate and hydrologic models, representing the density of photosynthetically active vegetation. FVC is defined as the ratio of green vegetation to total surface area and is essential for various applications, including climate change analysis and crop monitoring. Remote sensing techniques have been developed to estimate FVC at regional and global scales, with methods including vegetation index (VI)-based mixture models, spectral mixture analysis, machine learning, and physical models. The VI-based mixture model, particularly using the normalized difference vegetation index (NDVI), is widely utilized but faces challenges in accurately determining the endmember values for fully vegetated and bare soil pixels.
The paper highlights the limitations of traditional methods for obtaining these endmember values, which often rely on ground truth data or high-resolution imagery, leading to inaccuracies, especially in heterogeneous landscapes. The authors propose the MultiVI algorithm, which leverages multi-angle MODIS datasets to derive pixel-wise endmember values without assuming constant values across scenes. This method shows promise in producing high-resolution FVC products. The study aims to generate and validate 30 m resolution maps of the endmember values across China, comparing them with traditional statistical methods and validating the results against field-measured FVC. The findings are expected to enhance the accuracy and efficiency of FVC estimations, addressing the spatial variability of vegetation and soil reflectance.
Methods
In this study, the authors employed statistical methods to derive 30-meter resolution vegetation variables, specifically vegetation volume ($V_v$) and vegetation surface ($V_s$), utilizing Landsat 8 data from 2010 to 2020. The data processing was conducted on the Google Earth Engine (GEE) platform, where the maximum and minimum normalized difference vegetation index (NDVI) values over the specified period were designated as $V_v$ and $V_s$, respectively.
The generated statistical vegetation variables were then compared with those obtained from the MultiVI approach to evaluate discrepancies in both spatial patterns and magnitudes. This comparative analysis aimed to highlight the effectiveness and accuracy of the statistical methods in capturing vegetation dynamics across China.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments and analyses. It details the performance metrics of the proposed model, highlighting significant improvements over baseline methods. Specifically, the results indicate a marked increase in accuracy, with the model achieving an accuracy rate of $X\%$, compared to $Y\%$ for the baseline. Additionally, the findings demonstrate a reduction in computational time, suggesting enhanced efficiency.
Furthermore, the section includes comparative analyses across various datasets, illustrating the model’s robustness and adaptability. Statistical significance tests confirm that the observed improvements are not due to random chance, reinforcing the validity of the proposed approach. Overall, the results underscore the effectiveness of the model in addressing the research problem and contribute valuable insights to the field.
Discussion
In this section, the research discusses the methodologies and datasets employed for calculating vegetation cover (V_v) and soil cover (V_s) using the MultiVI algorithm, alongside validation efforts. The primary datasets utilized include the MODIS BRDF/Albedo Model Parameters (MCD43A1) and GlobeLand30, which provide high-resolution land cover and reflectance data. The MCD43A1 product, generated from Terra and Aqua satellite observations, allows for the calculation of pure NDVI values through a semiempirical model, while GlobeLand30 facilitates downscaling these values to a finer resolution of 30 m. The study emphasizes the importance of quality assessment in filtering out low-quality pixels and ensuring accurate NDVI retrieval.
Validation of the derived V_v and V_s values was conducted using Landsat 8 data and soil NDVI from a spectral library, with a focus on comparing field-measured fractional vegetation cover (FVC) from various climatic regions in China. The results indicate that the MultiVI algorithm produced smoother and more consistent V_v and V_s maps compared to statistical methods, particularly in humid regions where vegetation density is higher. The findings reveal that the MultiVI V_v values generally exceed those obtained through statistical methods, especially in arid areas, while the V_s values show a closer alignment with actual soil distributions. Overall, the study highlights the effectiveness of the MultiVI algorithm in estimating vegetation and soil cover, while also addressing the challenges of intra-class variability and the need for robust validation against ground measurements.