Universität zu Köln

Evaluating and Developing Methods for Non-Destructive Monitoring of Biomass and Nitrogen in Wheat and Rice Using Hyperspectral Remote Sensing

Gnyp, Martin Leon (2014) Evaluating and Developing Methods for Non-Destructive Monitoring of Biomass and Nitrogen in Wheat and Rice Using Hyperspectral Remote Sensing. PhD thesis, Universität zu Köln.

[img]
Preview
PDF - Accepted Version
Download (4Mb) | Preview

    Abstract

    Aboveground plant biomass and plant nitrogen are two important parameters for plant growth monitoring, which have a decisive influence on the final yield. Mismanagement of fertilizer or pesticide inputs leads to poor plant growth, environmental pollution, and accordingly, yield loss. Biomass development is driven by nutrient supply, temperature, and phenology. Crop biomass reaches its highest weight at the harvest time. In contrast, plant nitrogen is dependent from fertilizer inputs to the soil and from biomass. Destructive measurement of both parameters is time-consuming and labor-intensive. Remote sensing offers remotely non-direct observation methods from outer space, air space, or close-range in the field by sensors. This dissertation focuses on non-destructive monitoring of plant biomass (the primary parameter) and plant nitrogen (the secondary parameter) using hyperspectral data from non-imaging field spectrometers and the imaging EO-1 Hyperion satellite. The study was conducted on two field crops: winter wheat of two growing seasons of the Huimin test site in the North China Plain; and rice of three growing seasons of the Jiansanjiang test site in the Sanjiang Plain of China. Study fields were set up in different spatial scales, from small experimental scale to large farmers' scale. Extensive field measurements were carried out, including both destructive measuring and non-destructive hyperspectral remote sensing of biomass and plant nitrogen. Besides, two years' Hyperion images were acquired at the Huimin test site. Four different approaches were used to develop the estimation models, which include: vegetation indices (VIs), band combinations, Optimum Multiple Narrow Band Reflectance (OMNBR) and stepwise Multiple Linear Regression (MLR), and derivatives of reflectance. Based on these four approaches, models were constructed, compared, and improved step by step. Additionally, a multiscale approach and a new VI, named GnyLi, were developed. Since experimental and farmers' fields were differently managed, several calibration and validation methods were tested and the field datasets were pooled. All tested approaches and band selections were greatly influenced by single growth stages. The broad band VIs saturated for both crops at the booting stage at the latest and were greatly outperformed by the narrow band VIs with optimized band combinations. Model applications from experimental to farmers' scale using the narrow bands measured by field spectrometers mostly failed due to the effects of different management practices and crop cultivars at both spatial scales. In contrast, the multiscale approach was successfully applied in winter wheat monitoring to transfer data and knowledge from field spectrometer measurements from the experimental scale to the farmers' field scale and the scale that is covered by the Hyperion imagery. The GnyLi and the Normalized Ratio Index (NRI) based on the optimized band combinations performed the best in the up-scaling process in the winter wheat study. In the rice study, MLR or OMNBR models based on 4–6 narrow bands better explained biomass variability compared to VIs based on broad bands and optimized band combinations. The models were more robust when data from different scales were pooled and then randomly divided into calibration and validation datasets. Additional model improvements were obtained using derivatives of reflectance. This dissertation evaluates different hyperspectral remote sensing approaches for non-destructive biomass and plant nitrogen monitoring, with the main focus on biomass estimation. The results and comparisons of different approaches revealed their potentials and limits. Development of new VIs, such as GnyLi, is advantageous due to the saturation problem of broad band VIs. However, the developed VIs need to be tested and improved for different crops and sites. Detection of optimized band combinations facilitates the development of new VIs, which are site-specific and crop-specific. MLR-based models may better explain the biomass variability; nevertheless, with more bands, they are prone to the issues of over-fitting and collinearity. Hence, no more than six bands were recommended to select from the hyperspectral data. Derivatives of reflectance were beneficial at the early growing season of rice when the canopy was strongly influenced by background signals from soil and water. However, their benefits were reduced when more bands were used.

    Item Type: Thesis (PhD thesis)
    Translated abstract:
    AbstractLanguage
    Oberirdische Pflanzenbiomasse und Pflanzenstickstoff sind zwei wichtige Parameter für das Monitoring von Pflanzenwachstum, die einen entscheidenden Einfluss auf den Ertrag haben. Mißmanagement von Stickstoffdüngung und Pestizideinsatz führen zu schlechtem Pflanzenwachstum, Umweltverschmutzung, und entsprechendem Ertragsverlust. Die Entwicklung von Biomasse wird von Nährstoffversorgung, Temperatur, und Phänologie gesteuert. Die Biomasse von Feldfrüchten erreicht ihr höchstes Gewicht zur Erntezeit. Demgegenüber ist Pflanzenstickstoff von der Düngerzufuhr in den Boden und von der Biomasse abhängig. Die destruktive Messung von beiden Parametern ist zeitaufwendig und arbeitsintensiv. Die Fernerkundung bietet indirekte Beobachtungsmethoden durch Sensoren aus dem Weltraum, Luftraum, und dem Nahbereich im Feld. Diese Dissertation legt den Schwerpunkt auf nicht-destruktives Monitoring primär von Pflanzenbiomasse und sekundär von Pflanzenstickstoff unter Verwendung hyperspektraler Daten von nichtbildgebenden Feldspektrometern und dem bildgebenden EO-1 Hyperion Satelliten. Die Studie wurde an zwei Feldfrüchten durchgeführt: während der Wachstumsperioden von Winterweizen in zwei Jahren auf dem Versuchsgelände in Huimin in der nordchinesischen Tiefebene und während der Wachstumsperioden von Reis in drei Jahren auf dem Versuchsgelände in Jiansanjiang in der Sanjiang Ebene von China. Die Versuchsfelder wurden in unterschiedlichen Skalen angelegt, von der kleinen Versuchsfeldskala bis zu großen Farmskala. Umfangreiche Feldmessungen wurden durchgeführt, welche destruktives als auch nicht-destruktives, hyperspektrales Erfassen von Biomasse und Pflanzenstickstoff einbezogen haben. Zusätzlich wurden Hyperionaufnahmen von zwei Jahren für das Versuchsgelände in Huimin berücksichtigt. Vier unterschiedliche Methoden wurden für die Schätzmodelle genutzt: Vegetationsindizes (VIs), Bandkombinationen, Optimierte Multiple Narrow Band Reflexion (OMNBR), schrittweise Multiple Lineare Regression (MLR) und Reflexionsableitungen. Basierend auf diesen vier Methoden wurden Modelle entwickelt, verglichen und schrittweise verbessert. Zusätzlich wurden eine Multiskala-Methode und ein neuer VI namens GnyLi entwickelt. Da die Versuchs- und Farmfelder unterschiedlich bewirtschaftet wurden, wurden einige Kalibrierungs- und Validierungsmethoden getestet und die Felddatensätze zusammengefaßt. Alle getesteten Methoden und Bandselektionen wurden im hohen Maß durch einzelne Entwicklungsstadien beeinflußt. Für beide Feldfrüchte waren die Breitband VIs spätestens zum Stadium des Ährenschwellens gesättigt und wurden durch Schmalband VIs mit optimierten Bandkombinationen deutlich übertroffen. Modellübertragungen von der Versuchs- zur Farmskala unter Verwendung von Schmalband VIs gemessen durch Feldspektrometer waren meistens nicht erfolgreich, bedingt durch unterschiedlichen Bewirtschaftungsverfahren und Feldfruchtsorten in beiden räumlichen Skalen. Im Gegensatz dazu, wurde die Multiskala-Methode erfolgreich auf das Monitoring von Winterweizen angewendet, welche die Transferierbarkeit von Daten und Erkenntnissen der Feldspektrometermessungen von der Versuchsskala auf die Farmskala und die Skala der Hyperionaufnahme, ermöglicht. Der GnyLi und der auf optimierten Bandkombinationen basierende Normalisierte Ratio Index (NRI) erzielten die besten Ergebnisse beim Hochskalierungsprozess in der Winterweizenstudie. In der Reisstudie erklärten MLR oder OMNBR Modelle, die auf 4–6 schmalen Bändern basieren, die Biomassenvariabilität besser als VIs, die auf breiten Bändern und optimierten Bandkombinationen basieren. Die Modelle waren robuster, wenn Daten von unterschiedlichen Skalen zusammengefasst und dann zufällig in Kalibrierungs- und Validierungsdatensätze geteilt wurden. Zusätzliche Modellverbesserungen wurden durch Reflexionsableitungen erreicht. Diese Dissertation bewertet unterschiedliche hyperspektrale Erfassungsmethoden für nicht-destruktives Monitoring von Biomasse und Pflanzenstickstoff mit dem Hauptfokus auf die Abschätzung von Biomasse. Die Ergebnisse und Vergleiche der unterschiedlichen Verfahren zeigen ihre Potentiale und Grenzen auf. Die Entwicklung von neuen VIs, wie z. B. des GnyLi, ist von Vorteil, bedingt durch das Sättigungsproblem von Breitband VIs. Allerdings müssen die entwickelten VIs für verschiedene Feldfrüchte und Standorte getestet und verbessert werden. Die Detektion von optimierten Bandkombinationen ermöglicht die Entwicklung von neuen Bandkombinationen, die standort- und feldfruchtspezifisch sind. MLR-basierte Modelle können besser die Variabilität von Biomasse erklären. Dennoch tendieren sie mit mehr Bändern zu Problemen, wie zum Beispiel Überanpassung und Kollinearität. Deshalb werden nicht mehr als sechs Bänder zur Auswahl von hyperspektralen Daten empfohlen. Die Reflexionsableitungen waren vorteilhaft im frühen Entwicklungsstadium von Reis, wenn der Bestand stark durch Hintergrundsignale vom Boden und Wasser beeinflußt war. Jedoch wurde deren Nutzen gemindert, wenn mehr Bänder verwendet wurden.German
    Creators:
    CreatorsEmail
    Gnyp, Martin Leonmgnyp1@uni-koeln.de
    URN: urn:nbn:de:hbz:38-55976
    Subjects: Natural sciences and mathematics
    Earth sciences
    Agriculture
    Uncontrolled Keywords:
    KeywordsLanguage
    Monitoring, Biomass, Nitrogen, Wheat, Rice, Crop, Remote Sensing, Hyperspectral, Spectrometry, Spectrometer, Agricultural Application, China, North China Plain, Sanjiang Plain, Vegetation Indices, Multiple Linear Regression, OMNBR Models, Derivatives of Reflectance,Band Combinations, Lambda by Lambda, EO-1 Hyperion, Spectral Library, Analysis MethodsEnglish
    Faculty: Mathematisch-Naturwissenschaftliche Fakultät
    Divisions: Mathematisch-Naturwissenschaftliche Fakultät > Geographisches Institut
    Language: English
    Date: 14 February 2014
    Date Type: Publication
    Date of oral exam: 14 April 2014
    Full Text Status: Public
    Date Deposited: 16 Jun 2014 15:04:35
    Referee
    NameAcademic Title
    Bareth, GeorgProf. Dr.
    URI: http://kups.ub.uni-koeln.de/id/eprint/5597

    Actions (login required)

    View Item