Abstract The fate of the terrestrial biosphere is highly uncertain given recent and projected changes in climate. This is especially acute for impacts associated with changes in drought frequency and intensity on the distribution and timing of water availability. The development of effective adaptation strategies for these emerging threats to food and water security are compromised by limitations in our understanding of how natural and managed ecosystems are responding to changing hydrological and climatological regimes. This information gap is exacerbated by insufficient monitoring capabilities from local to global scales. Here, we describe how evapotranspiration (ET) represents the key variable in linking ecosystem functioning, carbon and climate feedbacks, agricultural management, and water resources, and highlight both the outstanding science and applications questions and the actions, especially from a space‐based perspective, necessary to advance them.

Abstract

 Objective: To identify relative and absolute changes in mortality in the Northern region of England between 1981 and 1991. Design: 1981 and 1991 census data were used to rank 678 wards on an index of material deprivation composed of four variables (unemployment, car ownership, housing tenure, household over-crowding). Standardised mortality ratios (all causes) were calculated for various periods between 1981 and 1991 and for different age categories. Setting: Counties of Cleveland, Cumbria, Durham, Northumberland, and Tyne and Wear. Results: During 1981-91 mortality differentials widened between the most affluent and deprived fifths of wards in all age categories under 75 years. The decline in the relative position of the poorest areas was particularly great, and there was no narrowing of inequalities across the remainder of the socioeconomic spectrum. In absolute terms, there were improvements in mortality in all age categories in the most affluent areas. In the poorest areas improvements in the 55-64 age group were balanced by increased mortality among men aged 15-44, a slight rise among women aged 65-74, and static rates among men aged 45-54. Conclusions: These results re-emphasise the case for linking mortality patterns with material conditions rather than individual behaviour.

Remote sensing provides a broad view of landscapes and can be consistent through time, making it an important tool for monitoring and managing protected areas. An impediment to broader use of remote sensing science for monitoring has been the need for resource managers to understand the specialized capabilities of an ever-expanding array of image sources and analysis techniques. Here, we provide guidelines that will enable land managers to more effectively collaborate with remote sensing scientists to develop and apply remote sensing science to achieve monitoring objectives. We first describe fundamental characteristics of remotely sensed data and change detection analysis that affect the types and range of phenomena that can be tracked. Using that background, we describe four general steps in natural resource remote sensing projects: image and reference data acquisition, pre-processing, analysis, and evaluation. We emphasize the practical considerations that arise in each of these steps. We articulate a four-phase process that guides natural resource and remote sensing specialists through a collaborative process to articulate goals, evaluate data and options for image processing, refine or eliminate unrealistic paths, and assess the cost and utility of different options.

The morphological and biochemical properties of plant canopies are strong predictors of photosynthetic capacity and nutrient cycling. Remote sensing research at the leaf and canopy scales has demonstrated the ability to characterize the biochemical status of vegetation canopies using reflectance spectroscopy, including at the leaf level and canopy level from air- and spaceborne imaging spectrometers. We developed a set of accurate and precise spectroscopic calibrations for the determination of leaf chemistry (contents of nitrogen, carbon, and fiber constituents), morphology (leaf mass per area, Marea), and isotopic composition (δ15N) of temperate and boreal tree species using spectra of dried and ground leaf material. The data set consisted of leaves from both broadleaf and needle-leaf conifer species and displayed a wide range in values, determined with standard analytical approaches: 0.7–4.4% for nitrogen (Nmass), 42–54% for carbon (Cmass), 17–58% for fiber (acid-digestible fiber, ADF), 7–44% for lignin (acid-digestible lignin, ADL), 3–31% for cellulose, 17–265 g/m2 for Marea, and −9.4‰ to 0.8‰ for δ15N. The calibrations were developed using a partial least-squares regression (PLSR) modeling approach combined with a novel uncertainty analysis. Our PLSR models yielded model calibration (independent validation shown in parentheses) R2 and the root mean square error (RMSE) values, respectively, of 0.98 (0.97) and 0.10% (0.13%) for Nmass, R2 = 0.77 (0.73) and RMSE = 0.88% (0.95%) for Cmass, R2 = 0.89 (0.84) and RMSE = 2.8% (3.4%) for ADF, R2 = 0.77 (0.69) and RMSE = 2.4% (3.9%) for ADL, R2 = 0.77 (0.72) and RMSE = 1.4% (1.9%) for leaf cellulose, R2 = 0.62 (0.60) and RMSE = 0.91‰ (1.5‰) for δ15N, and R2 = 0.88 (0.87) with RMSE = 17.2 g/m2 (22.8 g/m2) for Marea. This study demonstrates the potential for rapid and accurate estimation of key foliar traits of forest canopies that are important for ecological research and modeling activities, with a single calibration equation valid over a wide range of northern temperate and boreal species and leaf physiognomies. The results provide the basis to characterize important variability between and within species, and across ecological gradients using a rapid, cost-effective, easily replicated method.

Researchers from a number of disciplines have long sought the ability to estimate the functional attributes of plant canopies, such as photosynthetic capacity, using remotely sensed data. To date, however, this goal has not been fully realized. In this study, fresh-leaf reflectance spectroscopy (λ=450–2500 nm) and a partial least-squares regression (PLSR) analysis were used to estimate key determinants of photosynthetic capacity—namely the maximum rates of RuBP carboxylation (Vcmax) and regeneration (Jmax)—measured with standard gas exchange techniques on leaves of trembling aspen and eastern cottonwood trees. The trees were grown across an array of glasshouse temperature regimes. The PLSR models yielded accurate and precise estimates of Vcmax and Jmax within and across species and glasshouse temperatures. These predictions were developed using unique contributions from different spectral regions. Most of the wavelengths selected were correlated with known absorption features related to leaf water content, nitrogen concentration, internal structure, and/or photosynthetic enzymes. In a field application of our PLSR models, spectral reflectance data effectively captured the short-term temperature sensitivities of Vcmax and Jmax in aspen foliage. These findings highlight a promising strategy for developing remote sensing methods to characterize dynamic, environmentally sensitive aspects of canopy photosynthetic metabolism at broad scales.

A major goal of remote sensing is the development of generalizable algorithms to repeatedly and accurately map ecosystem properties across space and time. Imaging spectroscopy has great potential to map vegetation traits that cannot be retrieved from broadband spectral data, but rarely have such methods been tested across broad regions. Here we illustrate a general approach for estimating key foliar chemical and morphological traits through space and time using NASA's Airborne Visible/Infrared Imaging Spectrometer (AVIRIS-Classic). We apply partial least squares regression (PLSR) to data from 237 field plots within 51 images acquired between 2008 and 2011. Using a series of 500 randomized 50/50 subsets of the original data, we generated spatially explicit maps of seven traits (leaf mass per area (M(area)), percentage nitrogen, carbon, fiber, lignin, and cellulose, and isotopic nitrogen concentration, δ15N) as well as pixel-wise uncertainties in their estimates based on error propagation in the analytical methods. Both M(area) and %N PLSR models had a R2 > 0.85. Root mean square errors (RMSEs) for both variables were less than 9% of the range of data. Fiber and lignin were predicted with R2 > 0.65 and carbon and cellulose with R2 > 0.45. Although R2 of %C and cellulose were lower than M(area) and %N, the measured variability of these constituents (especially %C) was also lower, and their RMSE values were beneath 12% of the range in overall variability. Model performance for δ15N was the lowest (R2 = 0.48, RMSE = 0.95 per thousand), but within 15% of the observed range. The resulting maps of chemical and morphological traits, together with their overall uncertainties, represent a first-of-its-kind approach for examining the spatiotemporal patterns of forest functioning and nutrient cycling across a broad range of temperate and sub-boreal ecosystems. These results offer an alternative to categorical maps of functional or physiognomic types by providing non-discrete maps (i.e., on a continuum) of traits that define those functional types. A key contribution of this work is the ability to assign retrieval uncertainties by pixel, a requirement to enable assimilation of these data products into ecosystem modeling frameworks to constrain carbon and nutrient cycling projections.

The 2017–2027 National Academies' Decadal Survey, Thriving on Our Changing Planet, recommended Surface Biology and Geology (SBG) as a "Designated Targeted Observable" (DO). The SBG DO is based on the need for capabilities to acquire global, high spatial resolution, visible to shortwave infrared (VSWIR; 380–2500 nm; ~30 m pixel resolution) hyperspectral (imaging spectroscopy) and multispectral midwave and thermal infrared (MWIR: 3–5 μm; TIR: 8–12 μm; ~60 m pixel resolution) measurements with sub-monthly temporal revisits over terrestrial, freshwater, and coastal marine habitats. To address the various mission design needs, an SBG Algorithms Working Group of multidisciplinary researchers has been formed to review and evaluate the algorithms applicable to the SBG DO across a wide range of Earth science disciplines, including terrestrial and aquatic ecology, atmospheric science, geology, and hydrology. Here, we summarize current state-of-the-practice VSWIR and TIR algorithms that use airborne or orbital spectral imaging observations to address the SBG DO priorities identified by the Decadal Survey: (i) terrestrial vegetation physiology, functional traits, and health; (ii) inland and coastal aquatic ecosystems physiology, functional traits, and health; (iii) snow and ice accumulation, melting, and albedo; (iv) active surface composition (eruptions, landslides, evolving landscapes, hazard risks); (v) effects of changing land use on surface energy, water, momentum, and carbon fluxes; and (vi) managing agriculture, natural habitats, water use/quality, and urban development. We review existing algorithms in the following categories: snow/ice, aquatic environments, geology, and terrestrial vegetation, and summarize the community-state-of-practice in each category. This effort synthesizes the findings of more than 130 scientists.

Abstract The emergence of citizen science, passive sensors (e.g., trail cameras and acoustic monitoring), and satellite remote sensing have enabled biological data to be collected at unprecedented spatial and temporal scales. There is growing interest in networking these datastreams to expedite the collection and synthesis of environmental and biological data to improve broad-scale ecological monitoring, but there are no examples of such networks being developed to directly inform decision-making by managing agencies. Here, we present the implementation of one such jurisdictional observation network (JON), Snapshot Wisconsin (SW), that links satellite remote sensing (RS) with a volunteer-based trail camera network to generate new insights into wildlife distributions and improve their management by the state agency. SW relies on citizen scientists to deploy trail cameras across the state and classify images of wildlife. As of early 2020 SW comprises nearly 1800 volunteers hosting >2100 active cameras recording >37 million images across a sampling effort of >2000 combined trap-years at >3300 distinct camera locations. We use a set of case studies to demonstrate the potential power of a JON to monitor wildlife with unprecedented combinations of spatial, temporal, and biological resolution and extent. Specifically, we demonstrate that SW markedly improves the spatial and temporal resolution with which black bear distributions can be monitored or forecast, in turn improving the resolution of decision-making. Enhancing the biological resolution of monitoring (e.g., monitoring the distribution of species traits or behaviors) may provide new insights into population drivers, such as the connection between vegetation productivity and white-tailed deer foraging behaviors. Enhanced taxonomic extent provided by trail cameras and other passive sensor networks provide managers new information for a wide range of species and communities that are not otherwise monitored. Our cases further show that JONs synergize existing monitoring practices by serving as a complementary and independent line of evidence or as a tool to enhance the extent and precision of existing models through integrated modeling approaches. SW and other JONS are a powerful new tool for agencies to better achieve their missions and reshape the nature of environmental decision-making.

Abstract Measuring forest biodiversity using terrestrial surveys is expensive and can only capture common species abundance in large heterogeneous landscapes. In contrast, combining airborne imagery with computer vision can generate individual tree data at the scales of hundreds of thousands of trees. To train computer vision models, ground-based species labels are combined with airborne reflectance data. Due to the difficulty of finding rare species in a large landscape, the majority of classification models only include the most abundant species, leading to biased predictions at broad scales. Extending classification models to include rare species requires targeted data collection and algorithmic improvements to overcome large data imbalances between dominant and rare taxa. In addition, large landscapes often require multiple acquisition events, leading to significant within-species variation in reflectance spectra. Using a multi-temporal hierarchical model, we demonstrate the ability to include species predicted at less than 1% frequency in landscape without losing performance on the dominant species. The final model has over 75% accuracy for 14 species with improved rare species classification compared to a baseline deep learning model. After filtering out dead trees, we generate landscape species maps of individual crowns for over 670,000 individual trees at the Ordway Swisher Biological Station within the National Ecological Observatory Network. We estimate the relative abundance of the species within the landscape and provide three measures of uncertainty to generate a range of counts for each species. These maps provide the first estimates of canopy tree diversity within NEON sites to include rare species and provide a blueprint for capturing tree diversity using airborne computer vision at broad scales.