SCAVI: A Sunlit Canopy Adjusted Vegetation Index

Abstract

. The new Sunlit Canopy Adjusted Vegetation Index (SCAVI) uses subpixel scale spectral mixture analysis (SMA) principles for improved biophysical parameter estimation. SCAVI and a new NDVI-modified extension (SCAVI+N) were formulated after soil-adjusted vegetation index (VI) equations and tested using NASA COVER airborne multispectral data for boreal forest black spruce stands in Superior National Forest, Minnesota, USA. Fifteen VIs and 3 SMA fractions were compared. SCAVI was the top-ranked VI for each of leaf area index (LAI: r2 = 0.72), net primary productivity (NPP: 0.72), and biomass (BIO: 0.63), with an overall r2 = 0.69 being >10% higher than the next-ranked VI. Shadow-adjusted vegetation indices (SHAVI, SHAVI+N) were also formulated but had low predictive capabilities. The best result of all variables was from SMA shadow fraction with overall r2 = 0.78 (LAI 0.79, NPP 0.80, BIO 0.74). The importance of endmember-based analysis was clear, because these occupied the top 6 of the 18 rankings. In the absence of SMA or physically based canopy reflectance modeling (CRM), SCAVI might represent a preferred VI and offers advantages of computational simplicity and involving only 1 endmember. Recommendations included testing SCAVI for other areas, refinement of equations, developing other Endmember-Adjusted Vegetation Indices (EAVIs), and the integration of VI, SMA, and CRM concepts.Résumé. Le nouvel indice de végétation ajusté pour le couvert forestier ensoleillé «Sunlit Canopy Adjusted Vegetation Index» (SCAVI) utilise des principes de l’analyse de mélange spectral «spectral mixture analysis» (SMA) à l’échelle du sous-pixel pour une meilleure estimation des paramètres biophysiques. SCAVI et une nouvelle extension modifiée du NDVI (SCAVI+N) ont été formulés à partir des équations de l'indice de végétation «vegetation index» (VI) ajusté pour le sol et testés à l'aide des données multispectrales aéroportées de NASA COVER pour des peuplements d'épinettes noires dans la forêt boréale, dans Superior National Forest, Minnesota, États-Unis. Quinze VIs et 3 fractions de SMA ont été comparés. Le SCAVI a été classé au premier rang des VIs pour l'indice de surface foliaire «leaf area index» (LAI: r2 = 0,72), la productivité primaire nette «net primary productivity» (NPP: 0,72) et la biomasse (BIO: 0,63), avec un r2 global de 0.69 qui était >10 % plus élevé que le deuxième VI. Des indices de végétation ajustés pour les ombres (SHAVI, SHAVI+N) ont également été formulés mais ont montré des capacités prédictives faibles. Le meilleur résultat de toutes les variables était pour la fraction d'ombre SMA avec un r2 global de 0.78 (LAI 0,79; NPP 0,80; BIO 0,74). L'importance d’une analyse fondée sur des endmembers fut claire, car les analyses qui en incluaient ont obtenu les 6 premiers rangs sur 18. En l'absence de la SMA ou de modélisation de la réflectance du couvert végétal à base physique «canopy reflectance modeling» (CRM), SCAVI peut représenter un VI préféré et offre les avantages de la simplicité de calcul et de l’utilisation d’un seul endmember. Les recommandations incluent de tester SCAVI pour d’autres régions, le raffinement d'équations, le développement d'autres indices de végétation ajustés pour les endmembers «Endmember-Adjusted Vegetation Indices» (EAVIs), et l'intégration des concepts de VI, SMA, et CRM.