MODIS NDVI and additional variables in estimating tree species richness in moist tropical evergreen forests in West Kalimantan, Indonesia | MODIS NDVI sekä lisämuuttujat puulajirunsauden ennustamisessa kosteissa trooppisissa ikivihreissä metsissä West Kalimantanilla, Indonesiassa

Kaukokartoitusmenetelmät mahdollistavat uusia menetelmiä täydentämään perinteisesti maastossa tehtäviä koealamittauksia metsien monimuotoisuuden kartoittamisessa. Satelliittiaineistojen käyttö vie havaintojen spatiaalisen laajuuden sekä tarkan ajallisen toistamisen kokonaan uudelle tasolle. Natural Difference Vegetation Index (NDVI) on yksi eniten käytetyimpiä ja tutkituimpia kasvillisuusindeksejä, jotka perustuvat kasveista heijastuneeseen säteilyyn. NDVI:tä käytetään kuvaamaan kasvillisuuden nettotuottavuutta, joka on yhdistetty myös kasvillisuuden monimuotoisuuteen. Tässä työssä MODIS NDVI:tä sekä lisämuuttujia tutkitaan puulajien lajirunsauden vaihtelun selityskyvyn perusteella. Tutkittava alue sijaitsee maaseudulla West Kalimantanissa, Indonesiassa. Alue sijaitsee trooppisella ikivihreällä metsävyöhykkeellä. Analyysit perustuvat yhden sekä usean muuttujan regressiomalleihin. NDVI-aikasarja kattaa 21 vuotta (2000-2020). NDVI on tutkimuksen ensisijainen selittävä muuttuja, jonka käyttökelpoisuutta pyritään täydentämään yhdistämällä malleihin lisämuuttujia. Lisämuuttujia ovat maanpäällinen biomassan hiili, korkeus merenpinnasta, runkoluku, puiden pituus sekä ympärysmitta rinnankorkeudelta. Tulokset osoittavat vahvaa tilastollista merkitsevyyttä, mutta eivät huomattavan korkeaa selitysastetta NDVI:lle (R2=0,25, p- arvo=2,11e-07). Korkeus merenpinnasta (R2=0,64, p-arvo=2,2e-16) sekä runkoluku (R2=0,36, p-arvo=4,5e-11) toimivat paremmin puulajirunsauden selittäjinä kuin NDVI. Biomassan hiili selitti 19 % puulajirunsauden vaihtelusta (p-arvo=6,136e-06) ja oli siten huonoin selittäjä monen selittäjän malleihin valituista tunnuksista. Puun pituus (R2=0,062, p-arvo=0,0137) sekä rinnanympärysmitta (R2=0,003, p-arvo=0,6101) eivät näyttäneet minkäänlaista potentiaalia puulajirunsauden selittäjinä. Selittävien muuttujien yhdistelmistä paras oli NDVI yhdistettynä korkeuteen meren pinnasta sekä runkolukuun (R2=0,71, p-arvo=2,2e-16). Toiseksi paras oli NDVI yhdistettynä korkeuteen sekä hiileen (R2=0,642, p-arvo=2,2e-16), mutta tämän mallin tulos oli lähes identtinen samanlaiseen malliin ilman maaperän biomassa hiiltä (R2=0,639, p-arvo=2,2e-16), mikä ei vahvistanut oletusta maaperän hiilestä potentiaalisena selittävänä muuttujana puulajirunsauden mallintamisessa. NDVI yhdistettynä runkolukuun selitti 54 % puulajirunsauden vaihtelusta. Tulosten mukaan NDVI, korkeus merenpinnasta sekä runkoluku ovat eri yhdistelminä potentiaalisia selittäviä muuttujia. MODIS NDVI:n ongelmat liittyvät etupäässä sen verrattain karkeaan resoluutioon, mikä vaikuttaa olevan liian karkea puulajirunsauden mallintamiseen. Resoluutio aiheutti myös ongelmia skaalauksessa suhteessa maastokoealoihin, sillä maastokoealat ovat huomattavasti satelliittikuvan pikseliä pienempiä. Tulosten merkittävä yleistettävyysongelma liittyy kapeaan otantaan ekosysteemitasolla, sillä tutkimuksessa tutkittiin vain kosteita trooppisen alueen metsiä. Tulevaisuuden tutkimusten kannalta korkeamman resoluution satelliittiaineistot ovat keskeisessä asemassa tulosten tarkkuuden parantamiseksi. Vaihtoehtoinen mallintamismenetelmä Spektrisen Vaihtelevuuden Hypoteesi (Spectral Variability Hypothesis, SVH), joka huomioi kasvillisuusindeksin heterogeenisuuden linkittäen sen monimuotoisuuteen, vaikuttaa paremmin soveltuvalta menetelmältä metsien puulajitason monimuotoisuuden mallintamiseen kaukokartoituksen avulla.

Remote sensing brings new potential to complement environmental sampling and measuring traditionally conducted in the field. Satellite images can bring spatial coverages and accurately repeated time-series data collection to a whole new level. While developing methos for doing ecological assessment from space in situ sampling is still in key role. Satellite images of relatively coarser pixel size where individual plants or trees are not possible to separate usually utilize vegetation indices as proxies for environmental qualities and measures. One of the most extensively used and studied vegetation index is Natural Difference Vegetation Index (NDVI). It is calculated as normalized ratio between red light and near-infra-red radiation with formula: NDVI=NIR- RED/NIR+RED. Index functions as a measure for plant productivity, that has also been linked to species-level diversity. In this thesis MODIS NDVI (MOD13Q1, 250 m x 250 m resolution) and selected additional variables were examined through their predictive power for explaining variation in tree species richness in six different types of moist tropical evergreen forests in the province of West Kalimantan, on the island Borneo in Indonesia. Simple and multiple regression models were built and tested with main focus on 20- year mean-NDVI. Additional variables used were aboveground carbon, elevation stem count, tree height and DBH. Additional variables were examined initially on individual basis and subsequently potential variables were then combined with NDVI. Results indicate statistically significant, but not very strong predictable power for NDVI (R2=0.25, p-value=2.11e-07). Elevation and number of stems outperformed NDVI in regression analyses (R2=0.64, p-value=2.2e-16 and R2=0.36, p-value=4.5e-11, respectively). Aboveground biomass carbon explained 19% of the variation in tree species richness (p-value=6.136e-06) and thus was the worst predictor selected for multiple regression models. Tree height (R2=0.062, p-value=0.0137) and DBH (R2=0.003, p-value=0.6101) did not show any potential in predicting tree species richness. Best variable combination was NDVI, elevation and stem count (R2=0.71, p-value=2.2e-16). Second best was NDVI, elevation and aboveground biomass carbon (R2=0.642, p-value=2.2e-16), which did not promote for biomass carbon as a potential predictor as model including only NDVI and elevation resulted nearly identically (R2=0.639, p-value=2.2e-16). Model including NDVI and stem count explained 54% of the variation in tree species richness (p-value=2.2e-16) suggesting elevation and stem count being potential variables combined with NDVI for this type of analysis. Problems with MODIS NDVI are mostly linked to the relatively coarse spectral scale which seems to be too coarse for predicting tree species richness. Spectral scale also caused spatial mismatch with field plots as being significantly of different sizes. Applicability in other areas is also limited due to the narrow ecosystem spectrum covered as only tropical evergreen forests were included in this study. For future research higher resolution satellite data is a relevant update. In terms methodology, alternative approach known as Spectral Variability Hypothesis (SVH), which takes into account heterogeneity in spectral reflectance, seems more appropriate method for relating spectral signals to tree species richness.