Aprimorando o rastreamento do crescimento das plantas com técnicas de fusão de imagens de satélite
Imagem em cores reais e mapa de cobertura do solo da área de estudo. (A) imagem Landsat em cores reais da área de estudo em 16 de setembro de 2020 e (B) seu mapa de cobertura do solo. Crédito:Jornal de Sensoriamento Remoto (2024). DOI:10.34133/remotesensing.0118 A capacidade de monitorizar com precisão o momento das fases de crescimento da vegetação, conhecida como fenologia da superfície terrestre (LSP), em escalas espaciais precisas, é crítica para a compreensão das funções dos ecossistemas e para a gestão dos recursos naturais. Apesar dos avanços, a escassez de dados de satélite de alta resolução causada pela cobertura de nuvens e os tempos limitados de revisita complicam esta tarefa.
Um estudo, publicado no Journal of Remote Sensing avalia a precisão de dois algoritmos de fusão de dados espaço-temporais, Modelo de fusão de refletância adaptativa espacial e temporal (STARFM) e gera simultaneamente séries temporais de índice de vegetação de diferença normalizada completa (SSFIT), na extração de datas fenológicas de primavera em escalas finas. Esses algoritmos visam reconstruir dados de séries temporais de alta resolução e livres de nuvens para melhorar a precisão da detecção do início da estação de crescimento (SOS) em paisagens heterogêneas.
Utilizando dados harmonizados do Landsat Sentinel-2 (HLS) e do espectrorradiômetro de imagem de resolução moderada (MODIS) para um estudo de simulação em Ogden, Utah, a equipe de pesquisa avaliou os algoritmos STARFM e SSFIT em relação aos métodos tradicionais de interpolação na reconstrução do Índice de Vegetação Aprimorado de alta qualidade (EVI2 ) série temporal para identificar com precisão o SOS.
O estudo demonstrou que esses algoritmos melhoram significativamente a precisão das datas fenológicas, especialmente quando imagens Landsat livres de nuvens estão disponíveis durante períodos cruciais de crescimento.
A pesquisa abordou os desafios da cobertura de nuvens e da captura esparsa de imagens de alta resolução, vitais para o monitoramento detalhado do crescimento da vegetação. Ao mesclar observações MODIS frequentes com dados HLS detalhados, embora pouco frequentes, a equipe criou imagens sintetizadas e sem nuvens que combinam alta resolução com intervalos regulares de captura.
O professor Xiaolin Zhu, autor correspondente, enfatiza a necessidade de capturar com precisão os estágios fenológicos para mitigar os riscos ecológicos e agrícolas associados à variabilidade climática. "Nossa pesquisa busca preencher a lacuna no monitoramento da fenologia, aproveitando os pontos fortes das imagens de satélite de resolução grosseira e fina por meio de técnicas avançadas de fusão de dados."
Esta pesquisa destaca o papel crítico das técnicas de fusão de dados no avanço do monitoramento da fenologia da superfície terrestre, abordando os desafios da cobertura de nuvens e das imagens de satélite de baixa resolução.
Ao melhorar a precisão da detecção do estágio da vegetação, o estudo apoia uma melhor gestão ambiental e esforços de adaptação climática. Ele mostra a integração de dados de satélite como um avanço significativo na pesquisa fenológica e nas aplicações práticas.
