Study of vegetation dynamics from satellite: phenological responses to climate change

Abstract

La fenologia és la clau per a controlar els processos fisicoquímics i biològics, especialment l’albedo, la rugositat superficial, conductància de les fulles, fluxos de carboni, aigua i energia. Per tant, l’estimació de la fenologia és cada vegada més important per a comprendre els efectes del canvi climàtic en els ecosistemes i les interaccions biosfera-atmosfera. La teledetecció és una eina útil per a caracteritzar la fenologia, encara que no existeix un consens sobre el tipus de sensor satel·litari i metodologia òptims per a extreure mètriques fenològiques.

Els objectius principals de la meva investigació van ser (i) millorar l’estimació de la fenologia vegetal a partir de dades satel·litàries, (ii) validar les estimacions fenològiques amb observacions terrestres i teledetecció propera a la superfície, i (iii) comprendre les relacions entre les variables climàtiques i la fenologia en un context de canvi climàtic, així com avaluar les respostes de la vegetació en esdeveniments extrems. Aquests objectius s’exploren en els següents tres capítols de la tesi.

En el capítol 2, vaig investigar la sensibilitat de la fenologia a (I) la variable de vegetació: índex de vegetació NDVI, índex d’àrea foliar (LAI), fracció de radiació fotosintèticament activa absorbida (FAPAR) i fracció de coberta vegetal (FCOVER); (II) el mètode suavitzat per a derivar trajectòries estacionals; i (III) el mètode d’estimació fenològica: llindars, funció logística, mitjana mòbil i primera derivada. El mètode basat en llindars aplicat a la sèrie temporal Copernicus Global Land LAI V2 suavitzada va donar resultats òptims al validar-los amb observacions terrestres, amb errors quadràtics mitjans de ~10 d i ~25 d per a l’inici d’estació fenològica i la senescència respectivament.

En el tercer capítol vaig utilitzar mesures fenològiques continues de PhenoCam i FLUXNET a alta resolució temporal (30 minuts). Això permet una comparació més robusta i precisa amb la fenologia estimada a partir de satèl·lit, evitant problemes relacionats amb les diferències en la definició de mètriques fenològiques. Vaig validar la fenologia estimada a partir de sèries de temps de LAI amb PhenoCam i FluxNet en 80 boscos caducifolis. Els resultats van mostrar una forta correlació (R2 > 0,7) entre la fenologia obtinguda mitjançant teledetecció i les observacions terrestres per a l’inici d’estació i R2 > 0,5 per al final d’estació. El mètode basat en llindars va funcionar millor amb un error quadràtic mitjà de ~9 d amb PhenoCam i ~7 d amb FLUXNET per a l’inici de l’estació, i ~12 d i ~10 d, respectivament, per a la senescència.

En el quart capítol vaig investigar els patrons espai – temporals de la resposta fenològica a les anomalies climàtiques en l’hemisferi nord utilitzant la fenologia estimada en el Capítol 2 i validat en el Capítol 2 i Capítol 3, i conjunts de dades climàtiques de múltiples fonts per a 2000-2018 a resolucions de 0,1º. També vaig avaluar l’impacte de les onades de calor extremes i les sequeres en la fenologia. Les anàlisi de correlació parcial de les mètriques fenològiques estimades amb satèl·lit i les variables climàtiques van indicar que els canvis en la temperatura pre estacional van tenir major influència sobre les anomalies fenològiques que la precipitació: com més alta és la temperatura, més aviat es l’inici estacional en la majoria de boscos caducifolis (coeficient de correlació mitjà de -0,31). Tant la temperatura com la precipitació van contribuir a l’avanç i retard del final d’estació. Un retard en la senescència es va correlacionar significativament amb un índex de precipitació – evapotranspiració estandarditzat (SPEI) positiu (~ 30% dels boscos). El final i inici d’estació va canviar > 20 d en resposta de l’onada de calor en la major part d’Europa en 2003 i als Estats Units d’Amèrica l’any 2012.

La fenología es clave para controlar los procesos fisicoquímicos y biológicos, especialmente el albedo, la rugosidad superficial, conductancia de las hojas, flujos de carbono, agua y energía. Por lo tanto, la estimación de la fenología es cada vez más importante para comprender los efectos del cambio climático en los ecosistemas y las interacciones biosfera-atmósfera. La teledetección es una herramienta útil para caracterizar la fenología, aunque no existe consenso sobre el tipo de sensor satelital y metodología óptimos para extraer métricas fenológicas.

Los objetivos principales de mi investigación fueron (i) mejorar la estimación de la fenología vegetal a partir de datos satelitales, (ii) validar las estimaciones fenológicas con observaciones terrestres y teledetección cercana a la superficie, y (iii) comprender las relaciones entre las variables climáticas y la fenología en un contexto de cambio climático, así como evaluar las respuestas de la vegetación a eventos extremos. Estos objetivos se exploran en los siguientes tres capítulos de la tesis.

En el capítulo 2, investigué la sensibilidad de la fenología a (I) la variable de vegetación: índice de vegetación NDVI, índice de área foliar (LAI), fracción de radiación fotosintéticamente activa absorbida (FAPAR) y fracción de cubierta vegetal (FCOVER); (II) el método de suavizado para derivar trayectorias estacionales; y (III) el método de estimación fenológica: umbrales, función logística, media móvil y primera derivada. El método basado en umbrales aplicado a la serie temporal Copernicus Global Land LAI V2 suavizada dio resultados óptimos al validarlos con observaciones terrestres, con errores cuadráticos medios de ~10 d y ~25 d para el inicio de estación fenológica y la senescencia respectivamente.

En el tercer capítulo, utilicé medidas fenológicas continuas de PhenoCam y FLUXNET a alta resolución temporal (30 minutos). Esto permite una comparación más robusta y precisa con la fenología estimada a partir de satélite, evitando problemas relacionados con las diferencias en la definición de métricas fenológicas. Validé la fenología estimada a partir de series de tiempo de LAI con PhenoCam y FluxNet en 80 bosques caducifolios. Los resultados mostraron una fuerte correlación (R2 > 0,7) entre la fenología obtenida mediante teledetección y las observaciones terrestres para el inicio de estación y R2 > 0,5 para el final de estación. El método basado en umbrales funcionó mejor con un error cuadrático medio de ~9 d con PhenoCam y ~7 d con FLUXNET para el inicio de estación, y ~12 d y ~10 d, respectivamente, para la senescencia.

En el cuarto capítulo, investigué los patrones espacio-temporales de la respuesta fenológica a las anomalías climáticas en el hemisferio norte utilizando la fenología estimada en el Capítulo 2 y validado en el Capítulo 2 y Capítulo 3, y conjuntos de datos climáticos de múltiples fuentes para 2000-2018 a resoluciones de 0.1°. También evalué el impacto de las olas de calor extremas y las sequías en la fenología. Los análisis de correlación parcial de las métricas fenológicas estimadas con satélite y las variables climáticas, indicaron que los cambios en la temperatura pre estacional tuvieron mayor influencia sobre las anomalías fenológicas que la precipitación: cuanto mayor es la temperatura, más temprano es el comienzo estacional en la mayoría de los bosques caducifolios (coeficiente de correlación medio de -0,31). Tanto la temperatura como la precipitación contribuyeron al avance y retraso del final de estación. Un atraso en la senescencia se correlacionó significativamente con un índice de precipitación-evapotranspiración estandarizado (SPEI) positivo (~ 30% de los bosques). El final e inicio de estación cambió >20 d en respuesta a la ola de calor en la mayor parte de Europa en 2003 y en los Estados Unidos de América en 2012.

Phenology is key to control physicochemical and biological processes, especially albedo, surface roughness, canopy conductance and fluxes of carbon, water and energy. High-quality retrieval of land surface phenology (LSP) is thus increasingly important for understanding the effects of climate change on ecosystem function and biosphere–atmosphere interactions. Remote sensing is a useful tool for characterizing LSP although no consensus exists on the optimal satellite dataset and the method to extract phenology metrics.

I aimed to (i) improve the retrieval of Land Surface Phenology from satellite data, (ii) validate LSP with ground observations and near surface remote sensing, and (iii) understand the relationships between climate variables and phenology in a climate change context, as well as to assess the responses of vegetation to extreme events. These three main research objectives are explored in the three chapters of the thesis.

In chapter 2, I investigated the sensitivity of phenology to (I) the input vegetation variable: normalized difference vegetation index (NDVI), leaf area index (LAI), fraction of absorbed photosynthetically active radiation (FAPAR), and fraction of vegetation cover (FCOVER); (II) the smoothing and gap filling method for deriving seasonal trajectories; and (III) the phenological extraction method: threshold, logistic-function, moving-average and first derivative based approaches. The threshold-based method applied to the smoothed and gap-filled Copernicus Global Land LAI V2 time series agreed the best with the ground phenology, with root mean square errors of ~10 d and ~25 d for the timing of the start of the season (SoS) and the end of the season (EoS), respectively.

In the third chapter, I took advantage of PhenoCam and FLUXNET capability of continuous monitoring of vegetation seasonal growth at very high temporal resolution (every 30 minutes). This allows a more robust and accurate comparison with LSP derived from satellite time series avoiding problems related to the differences in the definition of phenology metrics. I validated LSP estimated from LAI time series with near-surface PhenoCam and eddy covariance FLUXNET data over 80 sites of deciduous broadleaf forest. Results showed a strong correlation (R2 > 0.7) between the satellite LSP and ground-based observations from both PhenoCam and FLUXNET for the timing of the start (SoS) and R2 > 0.5 for the end of season (EoS). The threshold-based method performed the best with a root mean square error of ~9 d with PhenoCam and ~7 d with FLUXNET for the timing of SoS, and ~12 d and ~10 d, respectively, for the timing of EoS.

In the fourth chapter, I investigated the spatio-temporal patterns of the response of deciduous forests to climatic anomalies in the Northern Hemisphere using LSP derived in Chapter 1 and validated in Chapter 1 and Chapter 2, and multi-source climatic data sets for 2000–2018 at resolutions of 0.1°. I also assessed the impact of extreme heatwaves and droughts on deciduous forest phenology. Analyses of partial correlations of phenological metrics with the timing of the start of the season (SoS), end of the season (EoS), and climatic variables indicated that changes in preseason temperature played a stronger role than precipitation in the interannual variability of SoS anomalies: the higher the temperature, the earlier the SoS in most deciduous forests in the Northern Hemisphere (mean correlation coefficient of -0.31). Both temperature and precipitation contributed to the advance and delay of EoS. A later EoS was significantly correlated with a positive standardized precipitation-evapotranspiration index (SPEI) at the regional scale (~30% of deciduous forests). The timings of EoS and SoS shifted by >20 d in response to heat waves throughout most of Europe in 2003 and in the United States of America in 2012.