Ακριβής αναγνώριση καρπών της αμπέλου με βάση πολλαπλά δορυφορικά δεδομένα
Από RemoteSensing Wiki
Ακριβής αναγνώριση καρπών της αμπέλου με βάση πολλαπλά δορυφορικά δεδομένα
Accurate Recognition of Wine Grape Based on Multi-source Satellite Data
Συγγραφείς: Wenjie Li, Yan Chen, Jingfeng Huang, Yanhong Huang, Lingbo Yang
Δημοσιεύτηκε: 9th International Conference on Agro-Geoinformatics, 2021
Πηγή : 1
Αντικείμενο
Σκοπός της έρευνας ήταν να γίνει αναγνώριση οινοποιήσιμων αμπελιών με χρήση πολλαπλών δορυφορικών δεδομένων. Η τηλεπισκόπηση καθιστά δυνατή τη παρακολούθηση διαφόρων μεταβολών που λαμβάνουν χώρα σε μεγάλες εκτάσεις. Ο δείκτης βλάστησης κανονικοποιημένης διαφοράς (NDVI) αξιοποιεί τα πλεονεκτήματα των χωρικών και χρονικών διαστάσεων, οι οποίες μπορούν να βελτιώσουν την ακρίβεια και την ευαισθησία της αναγνώρισης. Οι οινοποιήσιμες ποικιλίες αμπέλου αποτελούν σημαντική γεωργική εκμετάλλευση στη πόλη Yinchuan. Η μελέτη επικεντρώθηκε στη δημιουργία χρονοσειρών πολλαπλών πηγών NDVI από το 2017 έως το 2019 με βαθμονόμηση του NDVI των GF-1, HJ-1 κα του Sentinel-2 ώστε να υπάρχει συμβατότητα με τον NDVI του Landsat-8. Στη συνέχεια χρησιμοποιήθηκε αλγόριθμος για την ταξινόμηση και την αναγνώριση των αμπέλων. Δείγματα εκπαίδευσης και επαλήθευση έγιναν μέσω της επιτόπιας έρευνας και της εφαρμογής Google Earth.
1. Εισαγωγή
Η παρακολούθηση ενός οινοποιήσιμου σταφυλιού ολοκληρώνεται κυρίως μέσω επιτόπιας έρευνας, η οποία είναι χρονοβόρα και εντατική. Οι υπάρχουσες έρευνες οινοποιήσιμων σταφυλιών αφορούν κυρίως πειράματα πεδίου μικρής κλίμακας. Ο παγετός του χειμώνα και της άνοιξης είναι η πιο συνηθισμένη ζημιά στην περιοχή μελέτης, η οποία επηρεάζει σοβαρά την απόδοση και την ποιότητα του οινοποιήσιμου σταφυλιού. Προκειμένου να διασφαλιστεί η βιώσιμη ανάπτυξη της οινοποιητικής βιομηχανίας σταφυλιών, είναι απαραίτητο να χαρτογραφηθεί η χωρική κατανομή των πρέμνων και να γίνει η παρακολούθηση τυχόν ζημιών. Η ανάπτυξη τεχνικών τηλεπισκόπησης καθιστά δυνατή την παρακολούθηση μεταβολών σε μεγάλες εκτάσεις και για μεγάλα χρονικά διαστήματα. Η χρήση δορυφορικών δεδομένων πολλαπλών πηγών αποτελεί σημαντικό μέσο για τη βελτίωση της ακρίβειας της αναγνώρισης των καλλιεργειών η οποία έχει χρησιμοποιηθεί ευρέως σε γεωργική τηλεπισκόπηση και αναγνώριση καλλιεργειών, όπως το σιτάρι, το αναποφλοίωτο ρύζι και το καλαμπόκι. Ωστόσο, υπάρχουν λίγες έρευνες σχετικά με την αναγνώριση οινοποιήσιμων σταφυλιών και τη παρακολούθηση τους σε μεγάλη κλίμακα. Για την ταξινόμηση χρησιμοποιήθηκαν διάφορες μέθοδοι όπως η μέθοδος random forest.
2. Περιοχή μελέτης και στοιχεία
Ως περιοχή μελέτης επιλέγεται το Yinchuan. Αποτελεί μια από τις περιοχές με τη μεγαλύτερη διάρκεια ηλιοφάνειας της Κίνας.
Στην παρούσα μελέτη χρησιμοποιήθηκαν 30 δορυφορικές εικόνες πολλαπλών πηγών από το 2017 έως το 2019 με χωρική ανάλυση 16m. Ta στάδια προεπεξεργασίας των δορυφορικών εικόνων περιλάμβαναν ραδιομετρική βαθμονόμηση και ατμοσφαιρική διόρθωση. Με βάση την έρευνα πεδίου και την οπτική ερμηνεία από την εφαρμογή Google Earth, πάνω από 1000 δείγματα οινοποιήσιμων σταφυλιών, καλλιεργήσιμων εκτάσεων, δασών, λιβαδιών, ερήμου και νερού επιλέχθηκαν ως δείγματα εκπαίδευσης και ελέγχου. Σε αυτή τη μελέτη, το 60% των δειγμάτων χρησιμοποιήθηκε ως δείγματα εκπαίδευσης και το υπόλοιπο 40% χρησιμοποιήθηκε για τον έλεγχο των αποτελεσμάτων της αναγνώρισης.
3. Μέθοδος
Στην παρούσα εργασία, κατασκευάστηκε ένα δορυφορικό σύστημα πολλαπλών πηγών δεδομένων και συλλέχθηκαν δείγματα της περιοχής μελέτης μέσω οπτικής ερμηνείας και επιτόπιας έρευνας. Στη συνέχεια, λόγω της διαφοράς μεταξύ των φασματικών λειτουργιών διαφορετικών δορυφορικών αισθητήρων, η βαθμονόμηση των εικόνων NDVI πολλαπλών πηγών ήταν απαραίτητη για την αναγνώριση των οινοποιήσιμων σταφυλιών. Τέλος, χρησιμοποιήθηκε η μέθοδος random forest για την ταξινόμηση των επίγειων αντικειμένων και την αναγνώριση των οινοστάφυλων. Η συνάρτηση φασματικής απόκρισης (SRF) αναφέρεται στον λόγο της ενέργειας ακτινοβολίας του αισθητήρα σε ένα ορισμένο μήκος κύματος προς την προσπίπτουσα ενέργεια ακτινοβολίας, η οποία είναι ένας από τους σημαντικούς δείκτες απόδοσης των αισθητήρων. Επιπλέον, χρησιμοποιήθηκε ανάλυση παλινδρόμησης OLS για τη βαθμονόμηση του NDVI μεταξύ διαφορετικών αισθητήρων. Το μοντέλο OLS αναζητά την καλύτερη λειτουργία ελαχιστοποιώντας το τετράγωνο του σφάλματος. Βασική αρχή είναι η δημιουργία της καλύτερης γραμμής προσαρμογής, η οποία αναπαριστά την απόσταση των σημείων. Η χωρική ανάλυση του Landsat-8 είναι 30m, η οποία είναι σύμφωνη με τη χωρική ανάλυση του τελικού χάρτη, οπότε χρησιμοποιήθηκε για τη βαθμονόμηση του NDVI και άλλων δορυφορικών δεδομένων. H μέθοδος random forest αποτελεί μια μέθοδο ταξινόμησης μηχανικής μάθησης με τυχαία επαναδειγματοληψία σε δεδομένα και χαρακτηριστικές μεταβλητές, κατασκευάζοντας cart decision trees και η ταξινόμηση προσδιορίζεται με ψηφοφορία σε πολλαπλά decision trees. H μέθοδος έχει καλή απόδοση και υψηλή ακρίβεια για την ταξινόμηση εικόνων τηλεπισκόπησης.
4. Αποτελέσματα
Από σύνολο τηλεπισκοπικών δεδομένων πολλαπλών πηγών κατασκευάστηκαν και υπολογίστηκαν χρονοσειρές εικόνων NDVI και στη συνέχεια χρησιμοποιήθηκε ταξινομητής RF για την αναγνώριση οινοποιήσιμων σταφυλιών και την εκτίμηση της έκτασης φύτευσης οινοποιήσιμων σταφυλιών στο Yinchuan. Τα δείγματα επιλέχθηκαν με επιτόπια έρευνα και τη χρήση Google Earth για την επαλήθευση των αποτελεσμάτων της ταξινόμησης. Η ακρίβεια ταξινόμησης των άλλων αντικειμένων εδάφους ήταν πάνω από 80%. Η συνολική έκταση φύτευσης των πρέμνων ήταν περίπου 175,3 km2. Η χωρική κατανομή των οινοποιήσιμων σταφυλιών στο Yinchuan χαρτογραφήθηκε με τηλεπισκόπηση και η κατανομή του οινοποιήσιμου σταφυλιού παρουσιάζεται στην παρακάτω εικόνα.
5. Συμπεράσματα
Σύμφωνα με την έρευνα υπήρχε μεγάλη διαφορά μεταξύ διαφορετικών αισθητήρων. Ο NDVI των GF-1 WFV, βαθμονομήθηκε με τον NDVI του Landsat-8 OLI, ο οποίος αποτέλεσε τη βάση δεδομένων για την αναγνώριση του οινοποιήσιμου σταφυλιού. Το RF είναι σημαντική και κοινή μέθοδος ταξινόμησης. Συνολική ακρίβεια που επιτεύχθηκε με τη χρήση του ταξινομητή RF στην παρούσα εργασία ήταν 90,17% και οι PA και UA των οινοποιήσιμων σταφυλιών ήταν 91,23% και 92,14% αντίστοιχα. Η συνολική καλλιεργούμενη έκταση του οινοποιήσιμου σταφυλιού ήταν περίπου 175,3 km2 . Μπορεί να βελτιστοποιηθεί και να βελτιωθεί η απόδοση του αλγορίθμου ταξινόμησης, ή να διερευνηθεί πιο προηγμένη μηχανική μάθηση και βαθιά μάθηση με αλγόριθμους ταξινόμησης για την αναγνώριση οινοποιήσιμων σταφυλιών ή άλλων καλλιεργειών στο μέλλον.
