Дженнифер Понтиус, Пол Шаберг и Райан Ханаван

J. Pontius — Школа окружающей среды и природных ресурсов Рубенштейна, Университет Вермонта, Берлингтон, Вермонт, США; Северная научно-исследовательская станция Лесной службы Министерства сельского хозяйства США, Берлингтон, Вермонт, США; Jennifer.pontius@uvm.edu

P. Schaberg — Северная научно-исследовательская станция Лесной службы Министерства сельского хозяйства США, Берлингтон, Вермонт, США

R. Hanavan — Отдел защиты здоровья лесов Лесной службы Министерства сельского хозяйства США, Северо-Восточная зона, Дарем, Нью-Гэмпшир, США

© Авторы, 2020. В: J. Cavender-Bares et al. (ред.), *Remote Sensing of Plant Biodiversity*. https://doi.org/10.1007/978-3-030-33157-3_6

Биоразнообразие во многих отношениях является основополагающим компонентом здоровых и продуктивных лесов и поддержания многочисленных предоставляемых ими экосистемных услуг: связывания углерода, круговорота питательных веществ, фильтрации и обеспечения водой, местообитаний диких животных. Лесные ландшафты часто представляют мозаику видов, возрастных классов и структурных характеристик, сформированную естественными нарушениями. Такое разнообразие внутри древостоев и между лесными ландшафтами повышает устойчивость крупных лесных экосистем, позволяя им восстанавливаться и сохранять экологические функции после нарушения (Thompson et al. 2009). Однако вредители и патогены, особенно чужеродные инвазивные насекомые, а также абиотические стрессы — загрязнение и усиление климатических экстремумов — способны изменять природные популяции, сокращать биоразнообразие и нарушать функции и услуги экосистем. Это особенно существенно в экосистемах, где доминируют ключевые или фундаментальные виды, оказывающие непропорционально большое влияние на устойчивость сообщества и функционирование экосистемы (Ellison et al. 2010).

Воздействие вредителей и патогенов на лесное биоразнообразие широко известно. Голландская болезнь вяза была занесена в США в 1930-х годах, а в Великобританию — в 1970-х и глубоко изменила биоразнообразие сельских ландшафтов (Harwood et al. 2011). Горный сосновый лубоед поразил обширные хвойные и смешанные леса Британской Колумбии и серьёзно повлиял на разнообразие птиц (Martin et al. 2006). В западной части США пузырчатая ржавчина сосны нарушила биоразнообразие и экологические процессы, особенно в высокогорьях, где сосна белокорая является ключевым видом (Tomback and Achuff 2010; рисунок 6.1). Азиатский усач и изумрудная ясеневая златка демонстрируют сохраняющиеся угрозы биобезопасности.

Рисунок 6.1. Древние белокорые сосны, погибшие во время недавней вспышки горного соснового лубоеда, на ветреном хребте Йеллоустонского национального парка. Фото: Adam Markham/CleanAir-CoolPlanet.org.

Абиотические стрессы также вызывают упадок, изменяющий конкуренцию и биоразнообразие. Кислотные выпадения, обусловленные повышенными выбросами серы и азота в 1950–1980-х годах, привели к деградации красной ели (Picea rubens Sarg.) (Schaberg et al. 2011) и сахарного клёна (Acer saccharum Marsh.) (Huggett et al. 2007) и увеличению доли менее чувствительного бука крупнолистного (Fagus grandifolia Ehrh.) (Schaberg et al. 2001; Pontius et al. 2016). Потепление уменьшило зимний снежный покров, усилило промерзание почвы и гибель корней, вызвав широкомасштабный упадок жёлтого кедра (Callitropsis nootkatensis), но не совместно произрастающих видов (Hennon et al. 2012). Более тёплый климат расширяет ареалы местных насекомых и болезней; например, южный сосновый лубоед (Dendroctonus frontalis) продвигается на север от ладанной сосны юга США к жёсткой сосне.

Многие управляющие природными ресурсами подчёркивают необходимость раннего обнаружения деградации лесов для уменьшения воздействия новых стрессоров (Genovesi et al. 2015; Sitzia et al. 2016). Чем раньше выявлен упадок, тем успешнее управление и контроль (Epanchin-Niell and Hastings 2010). Для инвазивных вредителей и патогенов выявление начальных очагов критично для ограничения распространения и ущерба (Mumford 2017). Раннее обнаружение полезно и при слабых хронических воздействиях, таких как изменение климата и кислотные выпадения. Их симптомы тонки, развиваются годами и сильно варьируют между сезонами, осложняя установление причин, оценку функций экосистемы и разработку управления. Необходимо чувствительно измерять весь путь от постепенной утраты фотосинтетического аппарата через снижение плотности полога и усыхание до гибели на уровне ландшафта.

Дистанционное зондирование (ДЗ) давно используется для оценки относительной плотности растительности, упадка и гибели. Однако маломасштабные или слабые симптомы на уровне ландшафта выявлять трудно: пространственное разрешение смешивает здоровую и повреждённую растительность, а спектральное разрешение может не фиксировать ранние биогеохимические предвестники. Новые датчики и алгоритмы моделирования расширяют число успешных случаев раннего выявления. В главе изложены научные основы оценки состояния растительности средствами ДЗ с акцентом на детальный и точный мониторинг лесных нарушений и значение для устойчивого управления и сохранения биоразнообразия.

Чтобы понять, как ДЗ выявляет стресс и количественно оценивает упадок, необходимо рассмотреть структурные и физиологические реакции растений. Любой мониторинг основан на способности датчика фиксировать биофизические изменения после воздействия.

Деревья изменяют физиологию и форму в ответ на свет, температуру и влажность. Стресс возникает, когда условия выходят за нормальный или оптимальный диапазон адаптации. Неподвижные долгоживущие деревья выработали многочисленные механизмы избегания, смягчения и восстановления. Некоторые адаптации, например жёлто-оранжевые каротиноиды и красные антоцианы, непосредственно меняют спектральные измерения. Другие, включая изменения запасов углеводов и обмена липидов и белков (Strimbeck et al. 2015), действуют косвенно через удержание и продолжительность жизни листьев.

Размер листа. Малые разворачивающиеся листья трудно выявлять ДЗ (White et al. 2014). Задержка или ускорение распускания почек и расширения листа, увядание, скручивание и складывание влияют на спектральные сигнатуры (рисунок 6.2). Листья после эпизодической гибели листвы часто недоразвиты; сосущие насекомые вызывают потерю углеводов, а листогрызущие уменьшают функциональную площадь.

Рисунок 6.2. Скручивание, увядание и задержка развертывания листа уменьшают индекс листовой поверхности, часто измеряемый в приложениях ДЗ. Фото: Eiku, CC BY-SA 4.0, Wikimedia Commons.

Химия и физиология листа. Хлорофиллы, необходимые для фотосинтеза, ксантофиллы, участвующие в захвате света и фотозащите, и антоцианы с защитными функциями спектрально активны (рисунок 6.3). Холод, ускоряющий распад хлорофилла и синтез антоцианов (Schaberg et al. 2017), меняет сигнатуру. Вода и химические компоненты листа имеют характерные спектральные признаки, поэтому засуха, удобрение и закисление почвы также отражаются в спектрах.

Рисунок 6.3. Многие датчики выявляют изменения концентрации и функционирования пигментов листа до того, как хлороз становится видимым человеку. Фото: CC0, pxhere.com.

Количество и долговечность листвы. Биологические и абиотические факторы сокращают жизнь листьев и вызывают дефолиацию. В западных США доминирует засуха, на востоке — насекомые-дефолиаторы; эпизодические засухи и циклические вспышки меняются во времени. Озон, кислотные выпадения и чужеродные вредители расширили перечень причин. Некоторые непосредственно уничтожают листву, другие поражают стволы и корни: короеды и изумрудная ясеневая златка окольцовывают стебли (рисунок 6.4), возбудитель рака каштана повреждает проводящие ткани, тля адельгида высасывает ассимиляты из флоэмы, а промерзание корней ограничивает поглощение. Итогом становятся меньшие индекс листовой поверхности и плотность полога.

Рисунок 6.4. Под снятой корой зелёного ясеня видны ходы и окольцовывающее повреждение изумрудной ясеневой златки (Agrilus planipennis). Фото: Лесная служба USDA.

Усыхание ветвей, упадок и гибель деревьев. Повторное или сильное повреждение крон и хронический дисбаланс углеродного обмена приводят к усыханию, сначала на концах кроны. Когда дыхание, компенсаторный рост и семеношение превосходят фотосинтетическую способность, потеря кроны усиливает отрицательный баланс и ведёт к гибели. Временное частичное усыхание трудно обнаружить, но длительный процесс и массовая гибель резко меняют спектр из-за снижения плотности полога, роста доли просветов, коры, почвы и подлеска, а в долгосрочном плане — состава видов и лесного покрова (рисунок 6.5).

Рисунок 6.5. Усыхание меняет спектральные характеристики, поскольку пиксели всё больше определяются подлеском, корой и почвенной поверхностью. Фото: Joseph O’Brien, USDA Forest Service, Bugwood.org.

Федеральные и региональные лесные органы США десятилетиями проводят авиационные обследования (рисунок 6.6; Johnson and Wittwer 2008; Johnson and Ross 2008; McConnell 1999). Наблюдатель с самолёта определяет породу по форме кроны и причину по характеру повреждения, нанося полигоны. В 1950–1980-х обследовали главным образом крупные нарушения, использовали редкие маршруты и бумажные карты. Теперь программа Forest Health Monitoring ежегодно охватывает многие штаты и широкий набор биотических, абиотических и структурных нарушений; данные вводятся в планшеты с GPS, а наземная проверка повышает надёжность. Это наиболее распространённый метод картирования здоровья лесов в США и наиболее непосредственно связан с принимающими решения органами.

Рисунок 6.6. Самолёт Cessna 170-B при картировании повреждения дугласовой пихты жуком близ Сатерлина, Орегон. Фото: USDA Forest Service, Region 6.

Ограничения включают масштаб базовой карты, субъективность наблюдателя, приоритеты ведомства, время полёта и сезонную видимость симптомов. Фиксируются лишь достаточно сильные и крупные пятна, различимые на скорости около 100 узлов с высоты 1000–3000 футов. Поэтому результат — грубый субъективный «моментальный снимок» здоровья ландшафта.

Спутниковое наземное ДЗ началось с Landsat в 1972 году. Регулярная мультиспектральная съёмка биосферных процессов при среднем и высоком пространственном разрешении произвела революцию, а непрерывный архив особенно ценен для изучения лесных изменений от регионального до глобального масштаба (рисунок 6.7; Williams et al. 2006).

Первые широкие полосы Landsat использовали для оценки плотности и «зелёности». Плато сильного отражения растительности в ближнем инфракрасном диапазоне отличает её от почвы, камня и воды и позволяет оценивать долю растительности в смешанном пикселе. Оно чувствительно к дефолиации, хлорозу и снижению плотности полога. Разработаны многочисленные вегетационные индексы состояния и биофизических признаков (таблица 6.1), применяемые для вырубок, массовой дефолиации и гибели.

Рисунок 6.7. Снимки Landsat 1984 и 2010 годов показывают сплошную рубку и восстановление леса в штате Вашингтон, демонстрируя способность мультиспектральных датчиков выявлять плотность растительности и нарушения. Изображение NASA, Robert Simmon.

Ранние и слабые симптомы ограничены малым числом широких полос, смешением здоровых и стрессированных крон в пикселе и недостаточной частотой безоблачных наблюдений. Коммерческие спутниковые и авиационные платформы улучшают пространственное и временное разрешение, но стоимость, лицензирование и согласованность долгих рядов остаются важными факторами.

Гиперспектральные датчики регистрируют сотни узких смежных полос и позволяют связывать отражение с конкретными химическими, физиологическими и морфологическими признаками. Это даёт возможность нацеливать ранние симптомы известного стрессора: изменения поглощения хлорофилла при поражении короедом (Lausch et al. 2013), флуоресценцию хлорофилла при изумрудной ясеневой златке (Pontius et al. 2008), плотность полога при адельгиде тсуги (Pontius et al. 2005b).

Исторически доступ ограничивался авиационным AVIRIS NASA, затем появился спутниковый Hyperion на EO-1 и коммерческие авиационные системы ITRES и SPECIM. Новые спутники, включая EnMAP, расширяют мониторинг. Примеры охватывают упадок тсуги в Катскильских горах Нью-Йорка (Hanavan et al. 2015), засуху чапараля Калифорнии (Coates et al. 2015), а слияние гиперспектральных и LiDAR-данных — ранний стресс отдельных крон в городах (Degerickx et al. 2018; Pontius et al. 2017).

У видов уникальные сигнатуры, но общие реакции на стресс сходны (Buschmann and Nagel 1993). Изменения химии и физиологии проявляются в синей области 480–520 нм и красной 600–680 нм, где сильно поглощает хлорофилл. Ещё более выраженные изменения возникают между 750 и 1300 нм. Резкий подъём между красным и NIR — красный край — позволяет измерять наклон и положение точки перегиба при изменении химии листа и плотности полога. SWIR 1650–2200 нм характеризует воду, ключевой ранний сигнал стресса.

Математические комбинации полос — вегетационные индексы — дают сведения об общем состоянии, плотности и функции. Иногда объединяют полосы известных поглощений, иногда используют нерегистрирующую «контрольную» полосу для компенсации освещения и рельефа. Индексы разрабатываются для широкополосных сенсоров или узких диагностических участков. Они уменьшают объём данных и повышают сопоставимость, но могут насыщаться при плотном пологе и быть неспецифичными.

Рисунок 6.8. Гиперспектральное ДЗ состояния растительности возможно благодаря комплексу полос поглощения и отражения в видимом, NIR и SWIR-диапазонах. Обозначены признаки хлорофилла, воды, лигнина, целлюлозы, азота, белков, тяжёлых металлов и других стрессов. Источник: USGS, P. Thenkabail.

Спектральная сигнатура полога является сочетанием оптики листьев, архитектуры, теней, подлеска, почвы и атмосферы. Для раннего выявления необходимы атмосферная и топографическая коррекция, спектральная калибровка, качественные полевые измерения и учёт пород и фенологии. Временные ряды помогают отделять отклонение от нормальной сезонной динамики.

Успешная работа требует согласования спектральной основы, полевых данных, масштаба и управленческой цели. Авторы предлагают последовательность из четырёх основных этапов.

Необходимо определить нормальный диапазон спектров пород, возрастов, структуры, фенологических стадий, почв и топографии. Сигнал стрессированной кроны может быть меньше естественной межвидовой или сезонной изменчивости. Базовые данные должны охватывать здоровые насаждения, разные даты, освещение и условия влажности. Там, где породы спектрально различны, сначала нужна карта состава, чтобы сравнивать подобное с подобным.

Следует заранее установить, какой биофизический признак ожидается: потеря хлорофилла, антоцианы, снижение воды, скручивание, дефолиация, разрежение кроны, усыхание или гибель. Полевые показатели должны совпадать со временем снимка и масштабом пикселя. Нужны образцы всего диапазона от здорового состояния до тяжёлого повреждения и достаточное число независимых участков.

Модели связывают спектральные переменные с наблюдаемыми признаками посредством регрессии, классификации, машинного обучения или спектрального смешения. Требуется точная пространственная привязка крон и участков, исключение краёв и смешанных пикселей, согласование масштаба и предотвращение использования одной и той же единицы в обучении и проверке. Вид модели должен соответствовать конечному продукту — классу, непрерывной степени упадка или вероятности.

Независимая валидация обязательна. Матрица ошибок, чувствительность и специфичность нужны для классов, RMSE и смещение — для непрерывных оценок. Точность должна оцениваться по породам, степени повреждения, ландшафтным условиям и датам. Карта без оценки неопределённости может привести к неверному управлению. Внешняя проверка в иных районах и сезонах показывает переносимость.

Рисунок 6.9. Работы ДЗ располагаются в иерархии: от грубого континентального покрытия к среднему региональному, высокодетальному локальному и полевому/авиационному уровню. С повышением пространственного охвата снижается детализация, а с ростом детализации и знания местности уменьшается охват. Итеративная связь уровней улучшает качество.

Успех требует взаимодействия со специалистами по энтомологии, инвазивным видам, физиологии и лесной экологии и с конечными пользователями. Они помогают найти породы и древостои на разных стадиях, определить важные ландшафтные условия и выбрать полезный продукт: «здоров/погиб», шкалу упадка, карту пород, здоровые рефугиумы, новые очаги для вмешательства или зоны массовой гибели для санитарной заготовки.

Авторы рекомендуют включать пользователей в разработку заявок и дизайна; привлекать местных практиков к поиску участков; представлять проект на региональных встречах и заранее собирать отзывы; обучать заинтересованных лиц полевым методам; проверять удобство шкал, разрешения и форматов по мере разработки; выступать не только на научных, но и профессиональных мероприятиях; публиковать продукты в доступных базах и форматах, включая Google Earth для пользователей без проприетарных ГИС. Это создаёт чувство участия и мост между наукой и управлением, снижая недоверие, связанное с несовпадением научных и управленческих сроков. Примером является ориентированный на заинтересованные стороны проект «Voices from the Land» Harvard Forest (McBride et al. 2017).

ДЗ быстро эволюционировало от аэровизуальных обследований и фотодешифрирования к цифровой обработке и машинному обучению, выявляющему невидимые человеку слабые сигнатуры. Мониторинг угроз всегда был приоритетом лесных ведомств, а изменение землепользования, климата, штормов, пожаров, сокращение ареалов и инвазивные организмы усилили потребность в инструментах почти реального времени. Ряд программ переносит продукты ДЗ конечным пользователям в сроки, полезные для управления.

World Vegetation Health Index NOAA STAR. Продукт NOAA/NESDIS использует AVHRR Global Area Coverage с 1981 года, пространственное разрешение 4 км и семидневные композиты. Индексы оценивают здоровье, влажность и температуру как косвенные показатели покрова, плотности, продуктивности, засухи и фенологии. Шкала 0–100 выражает относительное состояние, а не конкретный симптом или агент, но полезна для засухи, деградации земель и пожаров.

Рисунок 6.10. Портал визуализации и загрузки данных NOAA STAR World Vegetation Health Index.

ForWarn Online Mapper. Система Лесной службы США использует MODIS 250 м и сравнивает текущий NDVI с сезонно сопоставимыми историческими значениями для выявления пожаров, ветровалов, насекомых, болезней, рубок и землепользования (Norman et al. 2013). Улучшенная историческая база помогает диагностировать тяжесть и причину.

Рисунок 6.11. Онлайн-портал USFS ForWarn II предоставляет еженедельные продукты изменений растительности и идентификации, начиная с 2003 года.

Forest Disturbance Monitor и Operational Remote Sensing. FDM использует 16- и 24-дневные композиты MODIS, обновляемые каждые 8 дней, и формирует трёхлетний Real-Time Forest Disturbance и пятилетний Trend Disturbance Data для нацеливания обследований насекомых и болезней и дополнения ежегодного аэровизуального картирования (Chastain et al. 2015). Программа ORS развивает фенологический подход на Landsat 30 м и иных данных среднего разрешения.

Рисунок 6.12. Онлайн-портал USFS Forest Disturbance Monitor.

Ecosystem Disturbance and Recovery Tracker (eDaRT). Автоматизированная система UC Davis, CSTARS и Лесной службы формирует продукты Landsat для выявления и категоризации изменений лесных, кустарниковых и травянистых экосистем (Koltunov et al. 2015). Работы направлены на расширение операционного использования в Калифорнии и западных штатах.

Перспективы миссий. ESA Biomass предназначена для характеристики лесов; FLEX — для измерения флуоресценции хлорофилла. Landsat 9 продолжает почти 50-летний ряд наблюдений, одновременно снимая 11 полос, включая панхроматическую 15 м, с 12-битным радиометрическим разрешением. Такие достижения критичны для раннего стресса и детальной оценки, нужной управляющим.

Облачные среды Google Earth Engine и ESA G-POD автоматизируют получение, предварительную обработку и сложные алгоритмы на больших территориях и регулярных интервалах. ForWarn, FDM и eDaRT делают грубые оценки операционными, однако продукты высокого разрешения и слабого стресса ещё не доступны широким группам.

Основные ограничения:

Стоимость изображений и экспертизы. Гиперспектральные проекты создают огромные данные и требуют специальных коррекций, калибровки и управления. Коммерческий сектор улучшает доступ, но цена сдерживает пользователей. Авиационная система NASA G-LiHT одновременно картирует состав, структуру и функции с помощью многоспектрального LiDAR для 3D-распределения полога, гиперспектрометра для пород, пигментов, питания и воды и тепловой камеры для температуры, жары и влаги (Cook et al. 2013). Она доступнее многих коммерческих аналогов.

Рисунок 6.13. Онлайн-портал данных NASA G-LiHT.

Срок подготовки. Вспышки вредителей, экстремальные события и пожары требуют решений в текущем сезоне, тогда как исследовательские продукты часто появляются позже, особенно при разработке методики. Автоматизированные скрипты и почти оперативные спутниковые продукты расширяют традиционные индексные оценки.

Интеграция в решения. Даже доступная карта не имеет очевидного пути в план. Лесоводы привыкли к инвентаризации древостоев и управленческих единиц, а не к пиксельным растром с высокой вариабельностью; пользователи могут не знать, как оценка точности влияет на доверие. Тесная совместная работа учёных и пользователей помогает встроить пространственные продукты и учиться друг у друга.

Исторически ДЗ успешно оценивало состояние растительности на грубом относительном уровне. Новые датчики и методы анализа теперь позволяют выявлять и отслеживать ранний упадок, нарушения и стресс. На фоне экологических угроз эти сведения критичны для управления, политики и планирования, поддерживающих структуру и функции наземных систем.

Учёным необходимо выйти за пределы традиционной оценки растительности и нацелить ранние и тонкие реакции на начинающиеся или хронические стрессоры, включая климат и загрязнение. Ключевые задачи — связать гиперспектральные данные с конкретными агентами, расширить доступ к высокому разрешению и сделать мониторинг лесов почти реального времени операционным (Senf et al. 2017). Только тесная работа с управляющими позволит реализовать весь потенциал ДЗ для критически важных экологических ресурсов.

Aoki M, Yabuki K, Totsuka T (1981) An evaluation of chlorophyll content of leaves based on the spectral reflectivity in several plants. Res Rep Nat Inst Environ Stud Jpn 66:125–130

Asner GP, Heidebrecht KB (2003) Imaging spectroscopy for desertification studies: compar- ing AVIRIS and EO-1 Hyperion in Argentina drylands. IEEE Trans Geosci Remote Sens 41(6):1283–1296

Barnes JD (1992) A reappraisal of the use of DMSO for the extraction and determination of chlo- rophylls a and b in lichens and higher plants. Environ Experim Bot 32(2):85–100

Blackburn GA (1998) Quantifying chlorophylls and carotenoids at leaf and canopy scales: an evaluation of some hyperspectral approaches. Remote Sens Environ 66(3):273–285

Blackburn GA (1999) Relationships between spectral reflectance and pigment concentrations in stacks of deciduous broadleaves. Remote Sens Environ 70:224–237

Boochs F, Kupfer G, Dockter K, Kuhbauh W (1990) Shape of the red edge as vitality indicator for plants. International Journal of Remote Sensing 11(10):1741–1753

Broge NH, Leblanc E (2001) Comparing prediction power and stability of broadband and hyper- spectral vegetation indices for estimation of green leaf area index and canopy chlorophyll den- sity. Remote Sens Environ 76(2):156–172

Buschmann C, Nagel E (1993) In vivo spectroscopy and internal optics of leaves as a basis for remote sensing of vegetation. Int J Remote Sens 14:711–722

Carter GA (1993) Responses of leaf spectral reflectance to plant stress. Am J Bot 80(3):239–243

Carter GA (1994) Ratios of leaf reflectances in narrow wavebands as indicators of plant stress. Int J Remote Sens 15(3):697–703

Carter GA, Knapp AK (2001) Leaf optical properties in higher plants: linking spectral characteris- tics to stress and chlorophyll concentration. Am J Bot 88(4):677–684

Carter GA, Miller RL (1994) Early detection of plant stress by digital imaging within narrow stress-sensitive wavebands. Remote Sens Environ 50(3):295–302

Carter GA, Knapp AK, Anderson JE, Hoch GA, Smith MD (2005) Indicators of plant species rich- ness in AVIRIS spectra of a mesic grassland. Remote Sens Environ 98:304–316

Chappelle EW, Kim MS, McMurtrey JE III (1992) Ratio analysis of reflectance spectra (RARS): an algorithm for the remote estimation of the concentrations of chlorophyll a, chlorophyll b, and carotenoids in soybean leaves. Remote Sens Environ 39(3):239–247

Chastain RA, Fisk H, Ellenwood JR, Sapio FJ, Ruefenacht B, Finco MV, Thomas V (2015) Near- real time delivery of MODIS-based information on forest disturbances. In: Time-sensitive remote sensing. Springer, New York, pp 147–164

Chen J (1996) Evaluation of vegetation indices and a modified simple ratio for boreal applications. Can J Remote Sens 22(3):229–242

Cheng Y-B, Zarco-Tejada PJ, Riano D, Rueda CA, Ustin SL (2006) Estimating vegetation water content with hyperspectral data for different canopy scenarios: relationships between AVIRIS and MODIS indexes. Remote Sens Environ 105(2006):354–366

Coates AR, Dennison PE, Roberts DA, Roth KL (2015) Monitoring the impacts of severe drought on southern California chaparral species using hyperspectral and thermal infrared imagery. Remote Sens 7(11):14276–14291

Congalton RG (2001) Accuracy assessment and validation of remotely sensed and other spatial information. Int J Wildland Fire 10(3–4):321–328 Cook BD, Corp LW, Nelson RF, Middleton EM, Morton DC, McCorkel JT, Masek JG, Ranson KJ, Ly V, Montesano PM (2013) NASA Goddard's Lidar, Hyperspectral and Thermal (G-LiHT) airborne imager. Remote Sens Environ 5:4045–4066

D’ambrosio N, Szabo K, Lichtenthaler H (1992) Increase of the chlorophyll fluorescence ratio F690/F735 during the autumnal chlorophyll breakdown. Radiat Environ Biophys 31(1):51–62

Datt B (1998) Remote sensing of chlorophyll a, chlorophyll b, chlorophyll a + b, and total carot- enoid content in eucalyptus leaves. Remote Sens Environ 66:111–121

Datt B (1999) Visible/near infrared reflectance and chlorophyll content in Eucalyptus leaves. Int J Remote Sens 20(14):2741–2759

Daughtry CST, Walthall CL, Kim MS, de Colstoun EB, McMurtrey JE (2000) Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance. Remote Sens Environ 74(2):229–239. https://doi.org/10.1016/s0034-4257(00)00113-9

Deblonde G, Cihlar J (1993) A multiyear analysis of the relationship between surface environmen- tal variables and NDVI over the Canadian landmass. Remote Sens Rev 7:151–177

Degerickx J, Roberts DA, McFadden JP, Hermy M, Somers B (2018) Urban tree health assessment using airborne hyperspectral and LiDAR imagery. Int J Appl Earth Obs Geoinf 73:26–38

Ellison AM, Barker-Plotkin AA, Foster DR, Orwig DA (2010) Experimentally testing the role of foundation species in forests: the Harvard Forest Hemlock Removal Experiment. Methods Ecol Evol 1(2):168–179. https://doi.org/10.1111/j.2041-210X.2010.00025.x

Elvidge CD, Chen Z (1995) Comparison of broad-band and narrow-band red and near-infrared vegetation indices. Remote Sens Environ 54(1):38–48

Elvidge CD, Lyon RJ (1985) Estimation of the vegetation contribution to the 1 65/2 22 μm ratio in airborne thematic-mapper imagery of the Virginia Range, Nevada. Int J Remote Sens 6(1):75–88

Epanchin-Niell RS, Hastings A (2010) Controlling established invaders: integrating economics and spread dynamics to determine optimal management. Ecol Lett 13(4):528–541

Fassnacht KS, Cohen WB, Spies TA (2006) Key issues in making and using satellite-based maps in ecology: a primer. For Ecol Manag 222:167–181

Filella I, Penuelas J (1994) The red edge position and shape as indicators of plant chlorophyll content, biomass, and hydric status. Int J Remote Sens 15(7):1459–1470

Gamon JA, Serrano L, Surfus JS (1997) The photochemical reflectance index: an optical indicator of photosynthetic radiation use efficiency across species, functional types, and nutrient levels. Oecologia 112(4):492–501 150 J. Pontius et al.

Gao BC (1996) Ndwi - a normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sens Environ 58(3):257–266

Genovesi P, Carboneras C, Vila M, Walton P (2015) EU adopts innovative legislation on inva- sive species: a step towards a global response to biological invasions? Biol Invasions 17(5):1307–1311

Gitelson A, Merzlyak MN (1994) Quantitative estimation of chlorophyll-a using reflectance spectra: experiments with autumn chestnut and maple leaves. J Photochem Photobiol B Biol 22(3):247–252

Gitelson AA, Merzlyak MN (1996) Signature analysis of leaf reflectance spectra: algorithm devel- opment for remote sensing of chlorophyll. J Plant Physiol 148(3–4):494–500

Gitelson AA, Buschmann C, Lichtenthaler HK (1999) The chlorophyll fluorescence ratio F-735/F-700 as an accurate measure of the chlorophyll content in plants. Remote Sens Environ 69(3):296–302

Gitelson AA, Merzlyak MN, Chivkunova OB (2001) Optical properties and non-destructive esti- mation of anthocyanin content in plant leaves. Photochem Photobiol 74(1):38–45

Haboudane D, Miller JR, Pattey E, Zarco-Tejada PJ, Strachan IB (2004) Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: modeling and valida- tion in the context of precision agriculture. Remote Sens Environ 90(3):337–352. https://doi. org/10.1016/j.rse.2003.12.013

Hanavan RP, Pontius J, Hallett R (2015) A 10-year assessment of hemlock decline in the Catskill Mountain region of New York State using hyperspectral remote sensing techniques. J Econ Entomol 108(1):339–349

Hardisky MA, Klemas V, Smart RM (1983) The influence of soil salinity, growth form, and leaf moisture on the spectral radiance of Spartina alterniflora canopies. Photogramm Eng Remote Sens 49(1):77–83

Harwood T, Tomlinson I, Potter C, Knight J (2011) Dutch elm disease revisited: past, present and future management in Great Britain. Plant Pathol 60(3):545–555

Hennon PE, D'Amore DV, Schaberg PG, Wittwer DT, Shanley CS (2012) Shifting climate, altered niche, and a dynamic conservation strategy for yellow-cedar in the North Pacific coastal rain- forest. Bioscience 62(2):147–158

Horler D, DOCKRAY M, Barber J (1983) The red edge of plant leaf reflectance. Int J Remote Sens 4(2):273–288

Huete AR (1988) A soil adjusted vegetation index (SAVI). Remote Sens Environ 25(3):295–309. https://doi.org/10.1016/0034-4257(88)90106-x

Huete A, Justice C, Liu H (1994) Development of vegetation and soil indices for MODIS- EOS. Remote Sens Environ 49(3):224–234

Huete A, Didan K, Miura T, Rodriguez EP, Gao X, Ferreira LG (2002) Overview of the radio- metric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment 83(1–2):195–213

Huggett BA, Schaberg PG, Hawley GJ, Eagar C (2007) Long-term calcium addition increases growth release, wound closure, and health of sugar maple (Acer saccharum) trees at the Hubbard Brook Experimental Forest. Can J For Res 37(9):1692–1700

Hunt ER, Rock BN (1989) Detection of changes in leaf water content using near infra- red and middle infrared reflectances. Remote Sens Environ 30(1):43–54. https://doi. org/10.1016/0034-4257(89)90046-1

Johnson EW, Ross J (2008) Quantifying error in aerial survey data. Aust For 71(3):216–222

Johnson E, Wittwer D (2008) Aerial detection surveys in the United States. Aust For 71(3):212–215

Jordan CF (1969) Derivation of leaf area index from quality of light on the forest floor. Ecology (Washington DC) 50(4):663–666. https://doi.org/10.2307/1936256

Kaufman YJ, Tanre D (1992) Atmospherically resistant vegetation index (ARVI) for EOS- MODIS. IEEE Trans Geosci Remote Sens 30(2):261–270

Kokaly RF, Despain DG, Clark RN, Livo KE (2003) Mapping vegetation in yellowstone national park using spectral feature analysis of AVIRIS data. Remote Sens Environ 84(3):437–456

Kolb T, Teulon D (1991) Relationship between sugar maple budburst phenology and pear thrips damage. Can J For Res 21(7):1043–1048

Koltunov A, Ramirez C, Ustin SL (2015) eDaRT: the ecosystem disturbance and recovery tracking system prototype supporting ecosystem management in California. NASA Carbon Cycle and Ecosystems Joint Science Workshop College Park, MD, April, 19–24

Kosiba AM, Meigs GW, Duncan J, Pontius J, Keeton WS, Tait E (2018) Spatiotemporal patterns of forest damage in the Northeastern United States: 2000–2016. Forest Ecology and Management 430:94–104.

Lausch A, Heurich M, Gordalla D, Dobner HJ, Gwillym-Margianto S, Salbach C (2013) Forecasting potential bark beetle outbreaks based on spruce forest vitality using hyperspectral remote-sensing techniques at different scales. For Ecol Manag 308:76–89

Lausch A, Erasmi S, King D, Magdon P, Heurich M (2017) Understanding forest health with remote sensing-part II—a review of approaches and data models. Remote Sens 9(2):129

Lillesand TM, Kiefer RW (1994) Remote sensing and photo interpretation, 3rd edn. John Wiley& Sons, New York

Maccioni A, Agati G, Mazzinghi P (2001) New vegetation indices for remote measurement of chlo- rophylls based on leaf directional reflectance spectra. J Photochem Photobiol 61(1,2):52–61

Martin K, Norris A, Drever M (2006) Effects of bark beetle outbreaks on avian biodiversity in the British Columbia interior: implications for critical habitat management. J Ecosyst Manag 7(3):10–24

McBride MF, Lambert KF, Huff ES, Theoharides KA, Field P, Thompson JR (2017) Increasing the effectiveness of participatory scenario development through codesign. Ecol Soc 22(3):16

McConnell TJ (1999) Aerial sketch mapping surveys, the past, present and future. In: Paper from the north American science symposium, toward a unified framework for inventorying and mon- itoring forest ecosystem resources, Guadalajara, Mexico

McMurtrey J III, Chappelle EW, Kim M, Meisinger J (1994) Distinguishing nitrogen fertilization levels in field corn (Zea mays L.) with actively induced fluorescence and passive reflectance measurements. Remote Sens Environ 47(1):36–44

Meroni M, Rossini M, Picchi V, Panigada C, Cogliati S, Nali C, Colombo R (2008) Assessing steady-state fluorescence and PRI from hyperspectral proximal sensing as early indicators of plant stress: the case of ozone exposure. Sensors 8(3):1740–1754. https://doi.org/10.3390/ s8031740

Merzlyak MN, Gitelson AA, Chivkunova OB, Rakitin VY (1999) Non-destructive optical detec- tion of pigment changes during leaf senescence and fruit ripening. Physiol Plant 106(1):135– 141. https://doi.org/10.1034/j.1399-3054.1999.106119.x

Mohammed GH, Binder WD, Gillies SL (1995) Chlorophyll fluorescence - a review of its practical forestry applications and instrumentation. Scand J For Res 10(4):383–410

Mumford R (2017) New approaches for the early detection of tree health pests and pathogens. Impact 1(7):47–49

Myneni RB, Hall FG, Sellers PJ, Marshak AL (1995a) The interpretation of spectral vegetation indexes. IEEE Trans Geosci Remote Sens 33(2):481–486 Myneni RB, Maggion S, Iaquinta J, Privette JL, Gobron N, Pinty B, Kimes DS, Verstraete MM, Williams DL (1995b) Optical remote sensing of vegetation: modeling, caveats, and algorithms. Remote Sens Environ 51:169–188

Norman SP, Hargrove WW, Spruce JP, Christie WM, Schroeder SW (2013) Highlights of satellite- based forest change recognition and tracking using the ForWarn System. Gen Tech Rep SRS- GTR- 180 Asheville, NC: USDA-Forest Service, Southern Research Station, 30 p, 180:1–30

Pearlman JS, Barry PS, Segal CC, Shepanski J, Beiso D, Carman SL (2003) Hyperion, a space- based imaging spectrometer. IEEE Trans Geosci Remote Sens 41:1160–1173

Pearson L, Miller LD (1972) Remote mapping of standing crop biomass for estimation of the pro- ductivity of the short-grass prairie, Pawnee National Grasslands, Colorado. In: Proceedings of the 8th international symposium on remote sensing of the environment, Ann Arbor, MI, 1972. ERIM, Ann Arbor, pp 1357–1381 152 J. Pontius et al.

Penuelas J, Filella I, Biel C, Serrano L, Save R (1993) The reflectance at the 950–970 nm region as an indicator of plant water status. Int J Remote Sens 14(10):1887–1905

Penuelas J, Gamon JA, Fredeen AL, Merino J, Field CB (1994) Reflectance indices associated with physiological changes in nitrogen-limited and water-limited sunflower leaves. Remote Sens Environ 48(2):135–146. https://doi.org/10.1016/0034-4257(94)90136-8

Penuelas J, Baret F, Filella I (1995) Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance. Photosynthetica 31:221–230

Pietrzykowski E, Stone C, Pinkard E, Mohammed C (2006) Effects of Mycosphaerella leaf dis- ease on the spectral reflectance properties of juvenile Eucalyptus globulus foliage. For Pathog 36(5):334–348

Pinty B, Leprieur C, Verstraete MM (1993) Towards a quantitative interpretation of vegetation indices. Part I. Biophysical canopy properties and classical indices. Remote Sens Rev 7:127–150

Pontius J (2014) A new approach for forest decline assessments: maximizing detail and accuracy with multispectral imagery. Int J Remote Sens 35(9):3384–3402. https://doi.org/10.1080/014 31161.2014.903439

Pontius J, Hallett R (2014) Comprehensive methods for earlier detection and monitoring of forest decline. For Sci 60(6):1156–1163. https://doi.org/10.5849/forsci.13-121

Pontius J, Hallett R, Martin M (2005a) Assessing hemlock decline using visible and near-infrared spectroscopy: indices comparison and algorithm development. Appl Spectrosc 59(6):836–843. https://doi.org/10.1366/0003702054280595

Pontius J, Hallett R, Martin M (2005b) Using AVIRIS to assess hemlock abundance and early decline in the Catskills, New York. Remote Sens Environ 97(2):163–173. https://doi. org/10.1016/j.rse.2005.04.011

Pontius JA, Hallett RA, Jenkins JC (2006) Foliar chemistry linked to infestation and susceptibility to hemlock woolly adelgid (Homoptera: Adelgidae). Environ Entomol 35(1):112–120

Pontius J, Martin M, Plourde L, Hallett R (2008) Ash decline assessment in emerald ash borer- infested regions: a test of tree-level, hyperspectral technologies. Remote Sens Environ 112(5):2665–2676. https://doi.org/10.1016/j.rse.2007.12.011

Pontius J, Halman JM, Schaberg PG (2016) Seventy years of forest growth and community dynamics in an undisturbed northern hardwood forest. Can J For Res 46(7):959–967. https:// doi.org/10.1139/cjfr-2015-0304

Pontius J, Hanavan RP, Hallett RA, Cook BD, Corp LA (2017) High spatial resolution spectral unmixing for mapping ash species across a complex urban environment. Remote Sens Environ 199:360–369

Porter WM, Enmark HT (1987) A system overview of the airborne visible/infrared imaging spec- trometer (AVIRIS). In: Imaging Spectroscopy II, vol 834. International Society for Optics and Photonics, Bellingham, WA. pp 22–32

Qi J, Chehbouni A, Huete AR, Kerr YH, Sorooshian S (1994) A modified soil adjusted vegetation index. Remote Sens Environ 48(2):119–126. https://doi.org/10.1016/0034-4257(94)90134-1

Rahman AF, Gamon JA, Fuentes DA, Roberts DA, Prentiss D (2001) Modeling spatially dis- tributed ecosystem flux of boreal forest using hyperspectral indices from AVIRIS imagery. J Geophys Res-Atmos 106(D24):33579–33591

Rock BN, Vogelmann AF, Williams DL, Vogelmann DL, Hoshizaki T (1986) Remote detection of forest damage. Bioscience 36(7):439–445

Rock BN, Hoshizaki T, Miller JR (1988) Comparison of in situ and airborne spectral measure- ments of the blue shift associated with forest decline. Remote Sens Environ 24(1):109–127

Rondeaux G, Steven M, Baret F (1996) Optimization of soil-adjusted vegetation indices. Remote Sens Environ 55(2):95–107. https://doi.org/10.1016/0034-4257(95)00186-7

Roujean J-L, Breon F-M (1995) Estimating PAR absorbed by vegetation from bidirectional reflec- tance measurements. Remote Sens Environ 51(3):375–384

Rouse J, Hass R, Schell J, Deering D, Harlan J (1974) Monitoring the vernal advancement and retrogradation of natural vegetation. NASA Report, Greenbelt, MD

Schaberg PG, Dehayes DH, Hawley GJ (2001) Anthropogenic calcium depletion: a unique threat to forest ecosystem health? Ecosyst Health 7(4):214–228

Schaberg PG, Minocha R, Long S, Halman JM, Hawley GJ, Eagar C (2011) Calcium addition at the Hubbard Brook Experimental Forest increases the capacity for stress tolerance and carbon capture in red spruce (Picea rubens) trees during the cold season. Trees 25(6):1053–1061

Schaberg PG, Murakami PF, Butnor JR, Hawley GJ (2017) Experimental branch cooling increases foliar sugar and anthocyanin concentrations in sugar maple at the end of the growing season. Can J For Res 47(5):696–701

Senf C, Seidl R, Hostert P (2017) Remote sensing of forest insect disturbances: current state and future directions. Int J Appl Earth Obs Geoinf 60:49–60

Serbin SP, Singh A, McNeil BE, Kingdon CC, Townsend PA (2014) Spectroscopic determination of leaf morphological and biochemical traits for northern temperate and boreal tree species. Ecol Appl 24(7):1651–1669

Serbin SP, Singh A, Desai AR, Dubois SG, Jablonski AD, Kingdon CC et al (2015) Remotely esti- mating photosynthetic capacity, and its response to temperature, in vegetation canopies using imaging spectroscopy. Remote Sens Environ 167:78–87

Sims DA, Gamon JA (2002) Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages. Remote Sens Environ 81(2–3):337–354

Singh A, Serbin SP, McNeil BE, Kingdon CC, Townsend PA (2015) Imaging spectroscopy algo- rithms for mapping canopy foliar chemical and morphological traits and their uncertainties. Ecol Appl 25(8):2180–2197

Sitzia T, Campagnaro T, Kowarik I, Trentanovi G (2016) Using forest management to control inva- sive alien species: helping implement the new European regulation on invasive alien species. Biol Invasions 18(1):1–7

Sivanpillai R, Smith CT, Srinivasan R, Messina MG, Ben Wu X (2006) Estimation of managed loblolly pine stand age and density with Landsat ETM+ data. For Ecol Manag 223(1–3):247– 254. https://doi.org/10.1016/j.foreco.2005.11.013

Smith ML, Ollinger SV, Martin ME, Aber JD, Hallett RA, Goodale CL (2002) Direct estimation of aboveground forest productivity through hyperspectral remote sensing of canopy nitrogen. Ecol Appl 12(5):1286–1302

Strimbeck GR, Schaberg PG, Fossdal CG, Schröder WP, Kjellsen TD (2015) Extreme low tem- perature tolerance in woody plants. Front Plant Sci 6:884

Thenkabail PS, Mariotto I, Gumma MK, Middleton EM, Landis DR, Huemmrich KF (2013) Selection of hyperspectral narrowbands (HNBs) and composition of hyperspectral twoband vegetation indices (HVIs) for biophysical characterization and discrimination of crop types using field reflectance and Hyperion/EO-1 data. IEEE J-STARS 6(2):427–439

Thompson I, Mackey B, McNulty S, Mosseler A (2009) Forest resilience, biodiversity, and climate change. In secretariat of the convention on biological diversity, Montreal. Technical Series No. 43. Vol 43, pp 1–67

Tomback DF, Achuff P (2010) Blister rust and western forest biodiversity: ecology, values and outlook for white pines. For Pathol 40(3–4):186–225

Townsend PA, Foster JR, Chastain RA, Currie WS (2003) Application of imaging spectroscopy to mapping canopy nitrogen in the forests of the central appalachian mountains using hyperion and aviris. IEEE Trans Geosci Remote Sens 41(6):1347–1354

Tucker CJ (1979) Red and photographic infrared linear combinations for monitoring vegetation. Remote Sens Environ 8:127–150

Vogelmann JE, Rock BN, Moss DM (1993) Red edge spectral measurements from sugar maple leaves. Int J Remote Sens 14(8):1563–1575

White K, Pontius J, Schaberg P (2014) Remote sensing of spring phenology in northeastern for- ests: a comparison of methods, field metrics and sources of uncertainty. Remote Sens Environ 148:97–107. https://doi.org/10.1016/j.rse.2014.03.017

Williams AP, Hunt ER (2002) Estimation of leafy spurge cover from hyperspectral imagery using mixture tuned matched filtering. Remote Sens Environ 82(2–3):446–456

Williams P, Norris K (2001) Near-infrared Technology in the Agricultural and Food Industries. American Association of Cereal Chemists, Inc., St. Paul 154 J. Pontius et al.

Williams DL, Goward S, Arvidson T (2006) Landsat. Photogramm Eng Remote Sens 72(10):1171–1178

Zarco-Tejada PJ, Miller JR, Mohammed GH, Noland TL, Sampson PH (2002) Vegetation stress detection through chlorophyll a + b estimation and fluorescence effects on hyperspectral imag- ery. J Environ Qual 31(5):1433–1441

Zarco-Tejada PJ, Hornero A, Hernández-Clemente R, Beck PSA (2018) Understanding the tempo- ral dimension of the red-edge spectral region for forest decline detection using high-resolution hyperspectral and sentinel-2a imagery. ISPRS J Photogramm Remote Sens 137:134 Open Access This chapter is licensed under the terms of the Creative Commons Attribution 4.0 International License (http://creativecommons.org/licenses/by/4.0/), which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons license and indicate if changes were made. The images or other third party material in this chapter are included in the chapter’s Creative Commons license, unless indicated otherwise in a credit line to the material. If material is not included in the chapter’s Creative Commons license and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder.