Αμπελουργία Ακριβείας: Αυτόματος εντοπισμός πρέμνων αμπέλου με τηλεσκοπικά δεδομένα
Από RemoteSensing Wiki
Πρωτότυπος Τίτλος: Αμπελουργία Ακριβείας: Αυτόματος εντοπισμός πρέμνων αμπέλου διαμόρφωσης «κουλούρα» Σαντορίνης σε τηλεσκοπικά δεδομένα πολύ υψηλής χωρικής ανάλυσης.
Συγγραφείς: Αικατερίνη Δεμάγκου
Πηγή: https://dspace.lib.ntua.gr/xmlui/bitstream/handle/123456789/50316/Demagkou_Aikaterini.pdf?sequence=1
Λέξεις Κλειδιά: αμπελουργία ακριβείας, γεωργία ακριβείας, τηλεπισκόπηση, πρέμνα αμπέλου, Σαντορίνη
Αντικείμενο Εφαρμογής: Αυτόματος εντοπισμός πρέμνων αμπέλου με τη χρήση δορυφορικών απεικονίσεων.
Περίληψη
Στην παρούσα εργασία διαπιστώνεται πως η χρήση της τηλεπισκόπησης μπορεί να αξιοποιηθεί για την παρακολούθηση των καλλιεργειών και συγκεκριμένα για την αύξηση της παραγωγής με ταυτόχρονη ελαχιστοποίηση των περιβαλλοντικών επιπτώσεων με τις λεγόμενες τεχνικές Γεωργίας Ακριβείας. Πιο συγκεκριμένα θα μελετηθεί το παράδειγμα της Αμπελουργίας Ακριβείας στη Σαντορίνη, όπου με εικόνες του δορυφορικού αισθητήρα WorldView-3 θα εντοπιστούν αυτόματα μεμονωμένοι πρέμνοι αμπέλου με διαμόρφωση «κουλούρα». Εφαρμόζοντας τεχνικές ταξινόμησης της τηλεπισκόπησης, θα δούμε πως υπερτερούν σε γενίκευση, ακρίβεια και ορθότητα έναντι απλούστερων τεχνικών ανάλυσης.
Εισαγωγή
Καθώς η λήψη δορυφορικών δεδομένων πολύ υψηλής χωρικής ανάλυσης γίνεται όλο και πιο διαδεδομένη σε όλο και περισσότερους τομείς της επιστημονικής και καθημερινής ζωής, η τηλεπισκόπηση καθίσταται σημαντικός παράγοντας στην αυτοματοποίηση συγκεκριμένων διαδικασιών. Τις τελευταίες δεκαετίες χρησιμοποιείται και για την παρακολούθηση και μελέτη των καλλιεργειών. Η παρατήρηση της Γης από δορυφόρους αξιοποιεί τεχνικές γεωπληροφορικής και τηλεπισκόπησης με σκοπό την επίλυση ζητημάτων και την αυτοματοποίηση διαδικασιών στο πεδίο της Γεωργίας Ακριβείας. Συγκεκριμένα η Αμπελουργία Ακριβείας είναι η μέθοδος που θα δώσει στον αμπελουργό και στον οινολόγο τη γνώση για το ποιο μέρος του αμπελώνα θα παραγάγει υψηλότερης ή χαμηλότερης ποιότητας οίνο, ώστε ο τρύγος να γίνει επιλεκτικά. Δεδομένου πως διάφοροι παράγοντες όπως το ανάγλυφο, τα χαρακτηριστικά του εδάφους, τα παράσιτα, οι καιρικές συνθήκες κλπ επηρεάζουν την παραγωγή και ποιότητα των σταφυλιών, είναι εξαιρετικά σημαντική η χρήση των νέων τεχνολογιών για τη βελτιστοποίηση της παραγωγής. Η Αμπελουργία Ακριβείας θεωρείται μια συνεχής κυκλική διαδικασία τριών σταδίων: α) της παρατήρησης και χαρτογράφησης, β) της ερμηνείας (με χρήση λογισμικού GIS) και γ) της εκτίμησης. Στην παρούσα μελέτη περίπτωσης αναπτύχθηκε η μεθοδολογία που προτείνεται για τον αυτόματο εντοπισμό πρέμνων αμπέλου τύπου κουλούρας.
Μέθοδοι
Σαν πρώτο στάδιο επιλέχθηκε η περιοχή μελέτης. Η προς εξέταση περιοχή βρίσκεται μεταξύ των οικισμών Ακρωτήρι και Εμπορειό και καλύπτει μια έκταση 250 περίπου στρεμμάτων. Η δορυφορική εικόνα του WorldView-3 που επιλέχθηκε είναι του 2018 και σε χρονικό εύρος +/- 2 εβδομάδων πριν την έναρξη του περκασμού (veraison). Αυτό είναι το στάδιο λίγο πριν την έναρξη της ωρίμανσης των ραγών, οπότε παύουν να είναι πράσινες και εμφανίζεται προοδευτικά το χρώμα της κάθε ποικιλίας. Θεωρείται δε το πλέον κατάλληλο για τις εφαρμογές αμπελουργίας ακριβείας. Ο δορυφόρος WorldView-3 βρίσκεται σε τροχιά 61.711km και έχει πολύ υψηλή φασματική και χωρική ανάλυση (31cm στο παγχρωματικό, 1,24m στα πολυφασματικά και 3,7m στο μέσο υπέρυθρο). Έχει μέσο χρόνο επανάληψης μικρότερο της μιας ημέρας. Με βάση αυτά τα δεδομένα έχει ωφελήσει πάρα πολύ τη γεωργία και τη σχετική με αυτή εφαρμογές. Δεύτερο στάδιο υπήρξε η προεπεξεργασία της εικόνας. Η πολυφασματική εικόνα διορθώθηκε ραδιομετρικά και συγχωνεύθηκε με την παγχρωματική. Ατμοσφαιρική διόρθωση δεν κατέστη αναγκαία, καθώς η εικόνα ήταν ήδη διορθωμένη. Στο επόμενο στάδιο δημιουργήθηκαν δεδομένα σε περιβάλλον Quantum GIS. Ψηφιοποιήθηκε το σύνολο των αμπελοτεμαχίων και πρέμνων και αναγνωρίστηκαν με φωτοερμηνευτικές μεθόδους. Η επιλογή της τελικής περιοχής μελέτης έγινε με βάση την πυκνότητα των αμπελοτεμαχίων, αλλά και τη διάταξη, την ποιότητα και το μέγεθος των πρέμνων στην περιοχή αυτή. Έτσι δημιουργήθηκαν τα διανυσματικά αρχεία που περιέχουν τα φυτά για την ταξινόμηση που ακολούθησε. Στη συνέχεια αναζητήθηκε η κατάλληλη μέθοδος για τον εντοπισμό των πρεμνών. Για να επιτευχθεί αυτό, βρέθηκε ο δείκτης βλάστησης κανονικοποιημένων διαφορών NDVI (normalised difference vegetation index), που δηλώνει την κατάσταση της ευρωστίας του φυτού, με βάση πως αυτό ανακλά το φως σε ορισμένες συχνότητες. Εξαιτίας κάποιων αδυναμιών του δείκτη NDVI (π.χ. ανιχνεύει τη βλάστηση γενικά) η εικόνα έπρεπε να μετατραπεί σε δυαδική (Binary) για να ξεχωρίσουν όσο το δυνατόν περισσότερο τα πρέμνα. Επόμενη μέθοδος ήταν αυτή που βασίζεται σε χρήση μοντέλων Μερικών Διαφορικών Εξισώσεων (ΜΔΕ). Χρησιμοποιήθηκε δηλαδή ένα μοντέλο που είναι σχεδιασμένο για γενικές διανυσματικές εικόνες και επεξεργάζεται τα διαφορετικά κανάλια της εικόνας με έναν συζευγμένο τρόπο. Αναπτύχθηκε δε μέσω της γλώσσας προγραμματισμού Python και ήταν το φίλτρο δεύτερης παραγώγου LoG (Laplacian of Gaussian). Τέλος έγινε ψηφιακή ταξινόμηση της εικόνας, σημαντικότατη διαδικασία για την εξαγωγή πληροφορίας από την ομαδοποίηση των διάφορων περιοχών εκπαίδευσης. Εκτελέστηκαν και οι δύο τύποι ταξινόμησης επιβλεπόμενη και μη επιβλεπόμενη. Στην πρώτη περίπτωση χρησιμοποιείται ο αλγόριθμος K-means όπου ο χρήστης προσδιορίζει τις ομάδες ταξινόμησης χωρίς να γνωρίζει εκ των προτέρων την κατηγορία κάλυψης γης. Αντίθετα στη δεύτερη περίπτωση, η ταυτότητα των δειγματοληπτικών περιοχών είναι γνωστή στον αναλυτή και εμπεριέχουν μόνο ένα χαρακτηριστικό. Συγκεκριμένα εδώ χρησιμοποιήθηκε ο ταξινομητής Τυχαίων Δασών (Random Forest (RF)), ο οποίος αξιοποιεί πολλά ασυσχέτιστα μεταξύ τους μοντέλα-δέντρα αποφάσεων για να πραγματοποιήσει μια εκτίμηση.
Αποτελέσματα και αξιολόγηση
Εφόσον έγιναν πειράματα με διάφορες τεχνικές μεθόδων για την ανίχνευση πρέμνων, θα ακολουθήσει αξιολόγηση αυτών. Εξετάστηκαν οι Πίνακες Σύγχυσης (Confusion Matrix) και υπολογίστηκαν κάποια στατιστικά στοιχεία. Η διαγώνιος i=j του πίνακα δίνει τις πετυχημένες εκτιμήσεις του μοντέλου, ενώ πάνω από τη διαγώνιο έχουμε τις False Negative προβλέψεις και κάτω τις False Positive, δημιουργώντας έτσι πιθανές περιπτώσεις. Η ποσοτική αξιολόγηση της κάθε μεθόδου ολοκληρώνεται με την εξαγωγή δεικτών από τον παραπάνω πίνακα (Ανάκληση TP/(TP+FN) και Ακρίβεια TP/(TP+FP)). Η κατωφλίωση της συγχωνευμένης εικόνας που είχε εφαρμοστεί ο δείκτης NDVI για τιμή 0,35 έδωσε πολύ μικρή ακρίβεια, όπως διαπιστώθηκε ποιοτικά μέσω φωτοερμηνείας. Στο πείραμα της μεθόδου μοντέλου μη-γραμμικής διάχυσης για την παρεμβολή εικόνας, η εφαρμογή του φίλτρου Laplace απέτυχε να εντοπίσει αποτελεσματικά τα πρέμνα. Υπήρξε μεν ανίχνευση αυτών, όμως εντοπίστηκαν δρόμοι, κτίρια και τα όρια των αμπελοτεμαχίων ενώ δεν ανήκαν σε αυτή την κατηγορία. Η μέθοδος μη-επιβλεπόμενης ταξινόμησης (αλγόριθμος k-means) αξιολογήθηκε μόνο ποιοτικά, ώστε τα αποτελέσματα να λειτουργήσουν σαν οδηγός του φασματικού διαχωρισμού για τη μέθοδο Random Forest. Η εισαγωγή της πολυφασματικής εικόνας με βάση τους δείκτες ποιότητας, έδωσε με την επιβλεπόμενη ταξινόμηση Random Forest αξιοπρεπή αποτελέσματα σε όλους τους δείκτες αξιολόγησης για όλους τους συνδυασμούς δεδομένων που μελετήθηκαν. Τέλος, στην πολυφασματική εικόνα προστέθηκαν κάποιοι φασματικοί δείκτες βλάστησης, οι NDVI, MSAVI (modified soil-adjusted vegetation index) και NDWI (normalised difference water index), οι οποίοι έδωσαν εξίσου ικανοποιητικά αποτελέσματα.
Συμπεράσματα
Η ταξινόμηση Τυχαίων Δασών εντόπισε τα πρέμνα αμπέλου με ακρίβεια σε ποσοστό της τάξης του 73% σε ορθότητα και 88% σε ανάκληση στην περιοχή μελέτης. Είναι αρκετά ακριβή, ωστόσο υπάρχει χώρος για περαιτέρω εξέλιξη και ελαχιστοποίηση των σφαλμάτων. Κάτι τέτοιο δύναται να επιτευχθεί με τη βελτιστοποίηση της προεπεξεργασίας των εικόνων, την ποιοτικότερη και εκτενέστερη παραγωγή δεδομένων ελέγχου και τη χρήση φασματογράφου. Σαν αποτέλεσμα τέλος, οι αμπελώνες θα μπορούσαν να διαχωριστούν ακόμα και ανά ποικιλία με τη βοήθεια της τηλεπισκόπησης.
