Estimation of Oak Leaf Functional Traits for California Woodland Savannas and Mixed Forests: Comparison between Statistical, Physical, and Hybrid Methods Using Spectroscopy - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue Remote Sensing Année : 2024

Estimation of Oak Leaf Functional Traits for California Woodland Savannas and Mixed Forests: Comparison between Statistical, Physical, and Hybrid Methods Using Spectroscopy

Estimation des traits fonctionnels foliaires des chêne pour les savanes boisées et les forêts mixtes de Californie : comparaison entre les méthodes statistiques, physiques et hybrides utilisant la spectroscopie

Résumé

Key leaf functional traits, such as chlorophyll and carotenoids content (C ab and C xc), equivalent water thickness (EWT), and leaf mass per area (LMA), are essential to the characterization and monitoring of ecosystem function. Spectroscopy provides access to these four leaf traits by relying on their specific spectral absorptions over the 0.4-2.5 µm domain. In this study, we compare the performance of three categories of estimation methods to retrieve these four leaf traits from laboratory directional-hemispherical leaf reflectance and transmittance measurements: statistical, physical, and hybrid methods. To this aim, a dataset pooling samples from 114 deciduous and evergreen oak trees was collected on four sites in California (woodland savannas and mixed forests) over three seasons (spring, summer and fall) and was used to assess the performance of each method. Physical and hybrid methods were based on the PROSPECT leaf radiative transfer model. Physical methods included inversion of PROSPECT from iterative algorithms and look-up table (LUT)-based inversion. For LUT-based methods, two distance functions and two sampling schemes were tested. For statistical and hybrid methods, four distinct machine learning regression algorithms were compared: ridge, partial least squares regression (PLSR), Gaussian process regression (GPR), and random forest regression (RFR). In addition, we evaluated the transferability of statistical methods using an independent dataset (ANGERS Leaf optical properties database) to train the regression algorithms. Thus, a total of 17 estimations were compared. Firstly, we studied the PROSPECT leaf structural parameter N retrieved by iterative inversions and its distribution over our oak-specific dataset. N showed a more pronounced seasonal dependency for the deciduous species than for the evergreen species. For the four traits, the statistical methods trained on our dataset outperformed the PROSPECT-based methods. More particularly, statistical methods using GPR yielded the most accurate estimates (RMSE = 5.0 µg•cm-2 ; 1.3 µg•cm-2 ; 0.0009 cm; and 0.0009 g•cm-2 for C ab , C xc , EWT, and LMA, respectively). Among the PROSPECT-based methods, the iterative inversion of this model led to the most accurate results for C ab , C xc , and EWT (RMSE = 7.8 µg•cm-2 ; 2.0 µg•cm-2 ; and 0.0035 cm, respectively), while for LMA, a hybrid method with RFR (RMSE = 0.0030 g•cm-2) was the most accurate. These results showed that estimation accuracy is independent of the season. Considering the transferability of statistical methods, for the four leaf traits, estimation performance was inferior for estimators built on the ANGERS database compared to estimators built exclusively on our dataset. However, for EWT and LMA, we demonstrated that these types of statistical methods lead to better estimation accuracy than PROSPECT-based methods (RMSE = 0.0016 cm and 0.0013 g•cm-2 respectively). Finally, our results showed that more differences were observed between plant functional types than between species or seasons.
Les traits fonctionnels foliaires clés, tels que les teneurs en chlorophylles et en caroténoïdes (Cab et Cxc), l'épaisseur d'eau équivalente (EWT) et la masse foliaire sèche par surface (LMA), sont essentiels pour caractériser et surveiller le fonctionnement des écosystèmes. La spectroscopie permet d'accéder à ces quatre caractéristiques foliaires en s'appuyant sur leurs absorptions spectrales spécifiques dans le domaine 0,4-2,5 µm. Dans cette étude, nous comparons les performances de trois catégories de méthodes d'estimation pour estimer ces quatre traits foliaires à partir de mesures de réflectance et de transmittance de feuilles hémisphériques directionnelles en laboratoire : des méthodes statistiques, physiques et hybrides. À cette fin, un ensemble de données regroupant des échantillons de 114 chênes à feuilles caduques et à feuilles persistantes a été collecté sur quatre sites en Californie (savanes boisées et forêts mixtes) au cours de trois saisons (printemps, été et automne) et a été utilisé pour évaluer les performances de chaque méthode. Les méthodes physiques et hybrides sont basées sur le modèle de transfert radiatif des feuilles PROSPECT. Les méthodes physiques comprennent l'inversion de PROSPECT à partir d'algorithmes itératifs et l'inversion basée des Look-up-Tables (LUT). Pour les méthodes basées sur les LUT, deux fonctions de distance et deux schémas d'échantillonnage ont été testés. Pour les méthodes statistiques et hybrides, quatre algorithmes distincts de régression par apprentissage automatique ont été comparés : Ridge, régression des moindres carrés partiels (PLSR), régression par processus gaussien (GPR) et régression par forêt aléatoire (RFR). En outre, nous avons évalué la transférabilité des méthodes statistiques en utilisant une base de données indépendante (ANGERS) pour entraîner les algorithmes de régression. Au total, 17 estimations ont donc été comparées. Tout d'abord, nous avons étudié le paramètre de structure des feuilles N de PROSPECT, récupéré par inversions itératives, et sa distribution sur notre ensemble de données spécifiques aux chênes. N s'est montré dépendant de la saison et de manière plus prononcée pour les espèces à feuilles caduques que pour les espèces à feuilles persistantes. Pour les quatre traits, les méthodes statistiques entraînées sur notre ensemble de données ont été plus performantes que les méthodes basées sur PROSPECT. Plus particulièrement, les méthodes statistiques utilisant le GPR ont donné des estimations plus précises (RMSE = 5,0 µg.cm-2 ; 1,3 µg.cm-2 ; 0,0009 cm ; et 0,0009 g.cm-2 pour Cab, Cxc, EWT et LMA respectivement). Parmi les méthodes basées sur PROSPECT, l'inversion itérative de ce modèle a conduit à des résultats plus précis pour Cab, Cxc et EWT (RMSE = 7,8 µg.cm-2 ; 2,0 µg.cm-2 ; et 0,0035 cm respectivement) tandis que pour LMA, une méthode hybride avec RFR (RMSE = 0,0030 g.cm-2). Ces résultats montrent que la précision de l'estimation est indépendante de la saison. En ce qui concerne la transférabilité des méthodes statistiques, pour les quatre caractères foliaires, les performances des estimateurs construits sur la base de données ANGERS se sont dégradées par rapport aux estimateurs construits exclusivement sur notre ensemble de données. Cependant, pour l'EWT et le LMA, nous avons démontré que ces types de méthodes statistiques conduisent à une meilleure précision d'estimation que les méthodes basées sur PROSPECT (RMSE = 0,0016 cm et 0,0013 g.cm-2 respectivement). Enfin, nos résultats ont montré que davantage de différences ont été observées entre les types fonctionnels de plantes qu'entre les espèces ou les saisons.
Fichier principal
Vignette du fichier
remotesensing-16-00029.pdf (5.14 Mo) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte
Licence : CC BY - Paternité

Dates et versions

hal-04372161 , version 1 (04-01-2024)

Licence

Paternité

Identifiants

Citer

Thierry Gaubert, Karine Adeline, Margarita Huesca, Susan Ustin, Xavier Briottet. Estimation of Oak Leaf Functional Traits for California Woodland Savannas and Mixed Forests: Comparison between Statistical, Physical, and Hybrid Methods Using Spectroscopy. Remote Sensing, 2024, 16 (1), pp.29. ⟨10.3390/rs16010029⟩. ⟨hal-04372161⟩

Collections

ONERA
11 Consultations
7 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More