Reply on RC2
Description
Abstract. Global products of remote sensing Normalized Difference Vegetation Index (NDVI) are critical to assessing the vegetation dynamic and its impacts and feedbacks on climate change from local to global scales. The previous versions of the Global Inventory Modelling and Mapping Studies (GIMMS) NDVI product derived from the Advanced Very High Resolution Radiometer (AVHRR) provide global biweekly NDVI data starting from the 1980s, being a reliable long-term NDVI time series that has been widely applied in Earth and environmental sciences. However, the GIMMS NDVI products have several limitations (e.g., orbital drift and sensor degradation) and cannot provide continuous data for the future. In this study, we presented a machine learning model that employed massive high-quality and global-wide Landsat NDVI samples and a data consolidation method to generate a new version of the GIMMS NDVI product, i.e., PKU GIMMS NDVI (1982−2020), based on AVHRR and Moderate-Resolution Imaging Spectroradiometer (MODIS) data. A total of 3.6 million Landsat NDVI samples that well spread across the globe were extracted for vegetation biomes in all seasons. The PKU GIMMS NDVI exhibits higher accuracy than its predecessor (GIMMS NDVI3g) in terms of R2 (0.975 over 0.942), mean absolute error (MAE: 0.033 over 0.074), and mean absolute percentage error (MAPE: 9 % over 20 %). Notably, PKU GIMMS NDVI effectively eliminates the evident orbital drift and sensor degradation effects in tropical areas. The consolidated PKU GIMMS NDVI has a high temporal consistency with MODIS NDVI in describing vegetation trends (R2 = 0.962, MAE = 0.032, and MAPE = 6.5 %). The PKU GIMMS NDVI product can potentially provide a more solid data basis for global change studies. The theoretical framework that employs Landsat data samples can facilitate the generation of remote sensing products for other land surface parameters.
Translated Descriptions
Translated Description (Arabic)
الخلاصة. تعتبر المنتجات العالمية للاستشعار عن بعد مؤشر الاختلاف الطبيعي للغطاء النباتي (NDVI) حاسمة لتقييم ديناميكية الغطاء النباتي وتأثيراته وردود الفعل على تغير المناخ من النطاقات المحلية إلى العالمية. توفر الإصدارات السابقة من منتج NDVI لدراسات نمذجة الجرد العالمي ورسم الخرائط (GIMMS) المستمد من مقياس الإشعاع المتقدم عالي الدقة (AVHRR) بيانات NDVI العالمية كل أسبوعين بدءًا من الثمانينيات، وهي سلسلة زمنية موثوقة وطويلة الأجل لمؤشر NDVI تم تطبيقها على نطاق واسع في علوم الأرض والبيئة. ومع ذلك، فإن منتجات GIMMS NDVI لها العديد من القيود (على سبيل المثال، الانجراف المداري وتدهور أجهزة الاستشعار) ولا يمكنها توفير بيانات مستمرة للمستقبل. في هذه الدراسة، قدمنا نموذجًا للتعلم الآلي استخدم عينات لاندسات واسعة النطاق وعالية الجودة وطريقة توحيد البيانات لإنشاء نسخة جديدة من منتج GIMMS NDVI، أي PKU GIMMS NDVI (1982-2020)، بناءً على بيانات AVHRR ومقياس طيف التصوير متوسط الدقة (MODIS). تم استخراج ما مجموعه 3.6 مليون عينة من لاندسات NDVI التي انتشرت بشكل جيد في جميع أنحاء العالم من أجل المناطق الأحيائية النباتية في جميع الفصول. يُظهر PKU GIMMS NDVI دقة أعلى من سابقتها (GIMMS NDVI3g) من حيث R2 (0.975 على 0.942)، ومتوسط الخطأ المطلق (MAE: 0.033 على 0.074)، ومتوسط الخطأ المطلق (MAPE: 9 ٪ على 20 ٪). ومن الجدير بالذكر أن المؤشر الدليلي لتأثيرات الانحراف المداري وتدهور أجهزة الاستشعار في المناطق المدارية يزيل بفعالية الانجراف المداري الواضح وتأثيرات تدهور أجهزة الاستشعار في المناطق المدارية. ويتمتع المؤشر الموحد للغطاء النباتي للغطاء النباتي الحيوي بتناسق زمني عالٍ مع مؤشر موديس للغطاء النباتي في وصف اتجاهات الغطاء النباتي (R2 = 0.962، MAE = 0.032، وMAPE = 6.5 ٪). يمكن أن يوفر منتج PKU GIMMS NDVI قاعدة بيانات أكثر صلابة لدراسات التغير العالمي. يمكن للإطار النظري الذي يستخدم عينات بيانات لاندسات أن يسهل توليد منتجات الاستشعار عن بعد لمعلمات سطح الأرض الأخرى.Translated Description (French)
Résumé. Les produits mondiaux de la télédétection Normalized Difference Vegetation Index (NDVI) sont essentiels pour évaluer la dynamique de la végétation et ses impacts et rétroactions sur le changement climatique, de l'échelle locale à l'échelle mondiale. Les versions précédentes du produit NDVI Global Inventory Modelling and Mapping Studies (GIMMS) dérivé du radiomètre avancé à très haute résolution (AVHRR) fournissent des données NDVI mondiales bihebdomadaires à partir des années 1980, étant une série temporelle NDVI fiable à long terme qui a été largement appliquée dans les sciences de la Terre et de l'environnement. Cependant, les produits GIMMS NDVI ont plusieurs limitations (par exemple, la dérive orbitale et la dégradation des capteurs) et ne peuvent pas fournir de données continues pour l'avenir. Dans cette étude, nous avons présenté un modèle d'apprentissage automatique qui utilisait des échantillons Landsat NDVI massifs de haute qualité et à l'échelle mondiale et une méthode de consolidation des données pour générer une nouvelle version du produit GIMMS NDVI, c'est-à-dire PKU GIMMS NDVI (1982-2020), basée sur les données AVHRR et MODIS (Moderate-Resolution Imaging Spectroradiometer). Un total de 3,6 millions d'échantillons Landsat NDVI bien répartis dans le monde ont été extraits pour les biomes de végétation en toutes saisons. Le PKU GIMMS NDVI présente une précision supérieure à celle de son prédécesseur (GIMMS NDVI3g) en termes de R2 (0,975 sur 0,942), d'erreur absolue moyenne (MAE : 0,033 sur 0,074) et d'erreur absolue moyenne en pourcentage (MAPE : 9 % sur 20 %). Notamment, PKU GIMMS NDVI élimine efficacement la dérive orbitale évidente et les effets de dégradation des capteurs dans les zones tropicales. La NDVI consolidée de la PKU GIMMS a une cohérence temporelle élevée avec la NDVI du MODIS pour décrire les tendances de la végétation (R2 = 0,962, MAE = 0,032 et MAPE = 6,5 %). Le produit PKU GIMMS NDVI peut potentiellement fournir une base de données plus solide pour les études de changement mondiales. Le cadre théorique qui utilise des échantillons de données Landsat peut faciliter la génération de produits de télédétection pour d'autres paramètres de surface terrestre.Translated Description (Spanish)
Resumen. Los productos globales del Índice de Vegetación de Diferencia Normalizada (NDVI) de teledetección son fundamentales para evaluar la dinámica de la vegetación y sus impactos y retroalimentaciones sobre el cambio climático a escala local y global. Las versiones anteriores del producto Global Inventory Modelling and Mapping Studies (GIMMS) NDVI derivado del Advanced Very High Resolution Radiometer (AVHRR) proporcionan datos globales quincenales de NDVI a partir de la década de 1980, siendo una serie temporal confiable de NDVI a largo plazo que se ha aplicado ampliamente en ciencias de la Tierra y ambientales. Sin embargo, los productos GIMMS NDVI tienen varias limitaciones (por ejemplo, deriva orbital y degradación del sensor) y no pueden proporcionar datos continuos para el futuro. En este estudio, presentamos un modelo de aprendizaje automático que empleó muestras Landsat NDVI masivas de alta calidad y globales y un método de consolidación de datos para generar una nueva versión del producto GIMMS NDVI, es decir, PKU GIMMS NDVI (1982-2020), basado en AVHRR y datos de espectrorradiómetro de imágenes de resolución moderada (MODIS). Se extrajeron un total de 3,6 millones de muestras de NDVI de Landsat que se extendieron bien por todo el mundo para biomas de vegetación en todas las estaciones. El PKU GIMMS NDVI exhibe una mayor precisión que su predecesor (GIMMS NDVI3g) en términos de R2 (0.975 sobre 0.942), error absoluto medio (MAE: 0.033 sobre 0.074) y error porcentual absoluto medio (MAPE: 9 % sobre 20 %). En particular, PKU GIMMS NDVI elimina efectivamente la deriva orbital evidente y los efectos de degradación del sensor en áreas tropicales. La PKU GIMMS NDVI consolidada tiene una alta consistencia temporal con MODIS NDVI en la descripción de las tendencias de la vegetación (R2 = 0.962, MAE = 0.032 y MAPE = 6.5 %). El producto PKU GIMMS NDVI puede proporcionar una base de datos más sólida para los estudios de cambio global. El marco teórico que emplea muestras de datos Landsat puede facilitar la generación de productos de teledetección para otros parámetros de la superficie terrestre.Files
essd-2023-1.pdf.pdf
Files
(18.0 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:2713deda740c33969f1296d2e286d081
|
18.0 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- الرد على RC2
- Translated title (French)
- Réponse sur RC2
- Translated title (Spanish)
- Responder en RC2
Identifiers
- Other
- https://openalex.org/W4381050464
- DOI
- 10.5194/essd-2023-1-ac2