This study used airborne laser altimetry (LiDAR) to examine the surface morphology of two canyon-rim landslides in southern Idaho. The high resolution topographic data were used to calculate surface roughness, slope, semivariance, and fractal dimension. These data were combined with historical movement data (Global Positioning Systems (GPS) and laser theodolite) and field observations for the currently active landslide, and the results suggest that topographic elements are related to the material types and the type of local motion of the landslide. Weak, unconsolidated materials comprising the toe of the slide, which were heavily fractured and locally thrust upward, had relatively high surface roughness, high fractal dimension, and high vertical and lateral movement. The body of the slide, which predominantly moved laterally and consists mainly of undisturbed, older canyon floor materials, had relatively lower surface roughness than the toe. The upper block, consisting of a down-dropped section of the canyon rim that has remained largely intact, had a low surface roughness on its upper surface and high surface roughness along fractures and on its west face (unrelated to landslide motion). The upper block also had a higher semivariance than the toe and body. The topographic data for a neighboring, older and larger landslide complex, which failed in 1937, are similarly used to understand surface morphology, as well as to compare to the morphology of the active landslide and to understand scale-dependent processes. The morphometric analyses demonstrate that the active landslide has a similar failure mechanism and is topographically more variable than the 1937 landslide, especially at scales > 20 m. Weathering and the larger scale processes of the 1937 slide are hypothesized to cause the lower semivariance values of the 1937 slide. At smaller scales (< 10 m) the topographic components of the two landslides have similar roughness and semivariance. Results demonstrate that high resolution topographic data have the potential to differentiate morphological components within a landslide and provide insight into the material type and activity of the slide. The analyses and results in this study would not have been possible with coarser scale digital elevation models (10-m DEM). This methodology is directly applicable to analyzing other geomorphic surfaces at appropriate scales, including glacial deposits and stream beds.

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. Accurately modelling optical snow properties like snow albedo and specific surface area (SSA) are essential for monitoring the cryosphere in a changing climate and are parameters that inform hydrologic and climate models. These snow surface properties can be modelled from spaceborne imaging spectroscopy measurements but rely on digital elevation models (DEMs) of relatively coarse spatial scales (e.g. Copernicus at 30 m), which degrade accuracy due to errors in derived products such as slope and aspect. In addition, snow deposition and redistribution can change the apparent topography, and thereby static DEMs may not be considered coincident with the imaging spectroscopy dataset. Testing in three different snow climates (tundra, maritime, alpine), we established a new method that simultaneously solves snow, atmospheric, and terrain parameters, enabling a solution that is more unified across sensors and introduces fewer sources of uncertainty. We leveraged imaging spectroscopy data from Airborne Visible Infrared Imaging Spectrometer-Next Generation (AVIRIS-NG) and PRecursore IperSpettrale della Missione Applicativa (PRISMA) (collected within 1 h) to validate this method and showed a 25 % increase in performance for the radiance-based method over the static method when estimating SSA. This concept can be implemented in missions such as Surface Biology and Geology (SBG), the Environmental Mapping and Analysis Program (EnMap), and the Copernicus Hyperspectral Imaging Mission for the Environment (CHIME).