Ανάκτηση και χαρτογράφηση συγκέντρωσης βαρέων μετάλλων στο έδαφος χρησιμοποιώντας χρονοσειρά εικόνων Landsat 8
Από RemoteSensing Wiki
Πρότυπος τίτλος: Retrieval and mapping of heavy metal concentration in soil using time series Landsat 8 imagery
Συγγραφείς: Yuan Fang, Linlin Xu, Junhuan Peng, Hongshuo Wang, Alexander Wong, David A. Clausi
Πίνακας περιεχομένων |
Εισαγωγή
Η ρύπανση των εδαφών αλλά και του περιβάλλοντος γενικότερα με βαρέα μέταλλα, ήταν πάντοτε ένα πολύ σοβαρό φαινόμενο. Τα τελευταία χρόνια όμως, με τη ραγδαία ανάπτυξη του σύγχρονου κόσμου, το φαινόμενο έχει αποκτήσει επικίνδυνες διαστάσεις, με αποτέλεσμα να απειλεί τόσο άμεσα όσο και έμμεσα την ανθρώπινη υγεία. Έτσι, κρίνεται απαραίτητος ο προσδιορισμός των επιπέδων βαρέων μετάλλων στο έδαφος, αλλά και η χρονική παρακολούθηση της εδαφικής υποβάθμισης, προκειμένου να προσδιορίζονται το είδος και η βαρύτητα της ρύπανσης. Η παραδοσιακή προσέγγιση για την ανίχνευση των συγκεντρώσεων των βαρέων μετάλλων στο έδαφος είναι δαπανηρή και χρονοβόρα, καθώς βασίζεται σε πολλαπλές δειγματοληψίες μια συγκεκριμένης περιοχής και σε κοστοβόρες εργαστηριακές αναλύσεις. Ανά φάσεις, πολλές παρόμοιες έρευνες χρησιμοποιούν φασματοσκοπικά δεδομένα για να δημιουργήσουν μοντέλα συσχέτισης μεταξύ συγκεντρώσεων βαρέων μετάλλων και φασματικών πληροφοριών και κατόπιν χρησιμοποιούν το μοντέλο για πρόβλεψη της ρύπανσης με τη χρήση πολυφασματικών εικόνων. Όμως, τα φασματοσκοπικά δεδομένα διαφέρουν κατά πολύ από τις εικόνες ψηφιακής τηλεπισκόπησης και έτσι η ανίχνευση και η χαρτογράφηση βαρέων μετάλλων στο έδαφος με αυτόν τον τρόπο καθίσταται δύσκολη και ανακριβής. Η συγκεκριμένη εργασία προσπαθεί να απαλείψει το πρόβλημα αυτό χρησιμοποιώντας εικόνες Landsat 8 μιας περιοχής σε ένα χρονικό εύρος, για την κατασκευή χρονοσειράς εικόνων, προκειμένου να ενισχυθεί η φασματική πληροφορία και να ελαχιστοποιηθούν τα μειονεκτήματα των Landsat 8 δεδομένων (χαμηλότερη πολυφασματική ανάλυση, λιγότερα κανάλια και μικρότερη φασματική πληροφορία) σε σύγκριση με τα εργαστηριακά φασματοφωτομετρικά δεδομένα.
Σκοπός της εργασίας
Η συγκεκριμένη εργασία έχει στόχο τη χαρτογράφηση της κατανομής εδαφικού χαλκού στην περιοχή Shiping στην Κίνα, χρησιμοποιώντας χρονοσειρά εικόνων Landsat 8 και χημικώς μετρήσιμα εδαφικά δεδομένα, τα οποία χρησιμοποιήθηκαν στο αποδοτικότερο, ύστερα από έλεγχο μοντέλο, για την ανάκτηση και πρόβλεψη των συγκεντρώσεων χαλκού στο έδαφος.
Υλικά και μέθοδοι
Περιοχή μελέτης
Η περιοχή μελέτης (Shiping village, Luzhou city, Sichuan province, China) και η τρισδιάστατη απεικόνισή της φαίνονται στην Εικόνα 1.
Δειγματοληψία
Tο 2015 από την περιοχή μελέτης συλλέχθηκαν 138 εδαφικά δείγματα, στα οποία ύστερα από προκατεργασία, ελέγχθηκε με εργαστηριακές χημικές αναλύσεις η συγκέντρωση του χαλκού (Cu). Τα δεδομένα αυτά στη συνέχεια χρησιμοποιήθηκαν σε συνδυασμό με την καλύτερη πρόβλεψη του πιο βέλτιστου μοντέλου από τα τρία που δοκιμάστηκαν (PLSR, SVR, ANN), για την κατασκευή του χάρτη κατανομής χαλκού στην υπό εξέταση περιοχή.
Δορυφορικά δεδομένα
Τα δορυφορικά δεδομένα που χρησιμοποιήθηκαν για τη συγκεκριμένη εργασία περιλάμβαναν 11 εικόνες μεμονωμένων ημερομηνιών Landsat 8 με χαμηλή νεφοκάλυψη, με χρονικό εύρος από το 2013 έως το 2017, με στόχο το σχηματισμό χρονοσειράς για την υπό εξέταση περιοχή. Όσον αφορά τα κανάλια, το κανάλι 8 (παγχρωματικό) διαθέτει χωρική ανάλυση 15 μέτρων και έτσι διαφέρει από τα υπόλοιπα κανάλια που διαθέτουν ανάλυση 30 μέτρων. Για το λόγο αυτό στη συγκεκριμένη εργασία το παγχρωματικό κανάλι υποβαθμίστηκε σε καθεμιά από τις εικόνες, με στόχο να επιτευχθεί χωρική ανάλυση 30 μέτρων όπως και στα υπόλοιπα κανάλια.
Μοντέλα
Οι μέθοδοι (μοντέλα) που χρησιμοποιήθηκαν στη συγκεκριμένη έρευνα για το σχηματισμό του μοντέλου παλινδρόμησης των συγκεντρώσεων εδαφικού χαλκού και των φασματικών δεδομένων χρονοσειράς Landsat 8 ήταν τα: PLSR (Partial Least Square Regression), SVR (Support Vector Regression) και ANN (Artificial Neural Network).
PLSR PLSR
Πρόκειται για ένα πολυπαραγοντικό γραμμικό μοντέλο το οποίο βασίζεται στην υπόθεση ότι μια εξαρτημένη μεταβλητή μπορεί να εκτιμηθεί μέσω ενός γραμμικού συνδυασμού επεξηγηματικών μεταβλητών. Το μοντέλο PLSR είναι η πιο συνηθισμένη μέθοδος για πρόβλεψη εδαφικών δεδομένων.
SVR SVR
Πρόκειται για μια προσέγγιση τεχνητής μάθησης, η οποία χρησιμοποιείται κυρίως στον τομέα ανάκτησης γεωφυσικών παραμέτρων και έχει τα εξής πλεονεκτήματα: (α) καλή εγγενής ικανότητα γενίκευσης και (β) αντοχή στο θόρυβο, σε περίπτωση περιορισμένης διαθεσιμότητας των δειγμάτων αναφοράς. Στη συγκεκριμένη έρευνα υιοθετήθηκε το μοντέλο Epsilon-SVR με λειτουργία σιγμοειδούς πυρήνα.
ΑΝΝ ANN
Πρόκειται για μια μη γραμμική μέθοδο τεχνητής μάθησης, η οποία χρησιμοποιείται στην ανίχνευση συγκεντρώσεων βαρέων μετάλλων στο έδαφος, που παρά το γεγονός ότι πολλές φορές τα παραγόμενα δεδομένα της μπορεί να είναι ασαφή και θορυβώδη, σαν μοντέλο μπορεί να επεξεργαστεί πολύπλοκα και μη γραμμικά δεδομένα. Στη συγκεκριμένη έρευνα υιοθετήθηκε ένα κρυφό επίπεδο του μοντέλου ANN με αναλογία μάθησης 0.01. Τρόπος σύγκρισης μοντέλων
Η επίδοση των τριών χρησιμοποιούμενων μοντέλων εκτιμήθηκε υπολογίζοντας τους αντίστοιχους συντελεστές προσδιορισμού (R2) coefficient of determination και τις αντίστοιχες ρίζες του μέσου τετραγωνικού σφάλματος (RMSE) Root Mean Square Error, δεδομένα που εν τέλει συγκρίθηκαν μεταξύ τους (βλ. Εικόνα 2 και Εικόνα 3).
Αποτελέσματα και Συζήτηση
Με βάση τα στατιστικά δεδομένα που προέκυψαν από την έρευνα, τα οποία φαίνονται στις Εικόνες 2 και 3, και τα τρία μοντέλα έδωσαν πολύ καλύτερα αποτελέσματα στις εικόνες χρονοσειράς σε σχέση με τις εικόνες μεμονωμένων ημερομηνιών Landsat 8. Επιπλέον, ο μέσος συντελεστής προσδιορισμού (R2) στο μοντέλο PLSR ήταν αρκετά υψηλότερος συγκρινόμενος με τους μέσους συντελεστές προσδιορισμού (R2) των μοντέλων SVR και ANN, παρόλο που το μοντέλο ANN είχε υψηλότερο συντελεστή προσδιορισμού (R2) και χαμηλότερη ρίζα μέσου τετραγωνικού σφάλματος (RMSE) στη βέλτιστη εκτέλεση του μοντέλου. Αυτό οφείλεται στον αριθμό και την ευαισθησία των παραμέτρων. Το μοντέλο PLSR έχει μία μόνο σημαντική παράμετρο/μεταβλητή που εύκολα μπορεί να βελτιστοποιηθεί, ενώ τα μοντέλα SVR και ANN απαιτούν από τουλάχιστον δύο σχετικά ευαίσθητες παραμέτρους για την εκτέλεσή τους. Έτσι προκύπτει ότι η καλύτερη και πιο πρακτική μέθοδος για την πρόβλεψη εδαφικού χαλκού είναι το μοντέλο PLSR. Χαρτογράφηση συγκεντρώσεων εδαφικού χαλκού Η χαρτογράφηση της κατανομής των συγκεντρώσεων εδαφικού χαλκού στην υπό εξέταση περιοχή, πραγματοποιήθηκε με τη χρήση της πιο βέλτιστης εκτέλεσης του καλύτερου μοντέλου (εκτέλεση με τους υψηλότερους συντελεστές προσδιορισμού), που όπως αποδείχθηκε ήταν το μοντέλο PLSR. Ο χάρτης πρόβλεψης συγκεντρώσεων εδαφικού χαλκού παρουσιάζεται στην Εικόνα 4 (α). Για την αξιολόγηση του χάρτη χρησιμοποιήθηκε ένας χάρτης ταξινόμησης εδαφοκάλυψης της περιοχής (Εικόνα 4 (β)), ο οποίος συσχετιζόταν με τον παραγόμενο χάρτη σε ποσοστό 86.26%.
Συμπεράσματα
- Τα δεδομένα και οι εικόνες Landsat 8 μπορούν να χρησιμοποιηθούν για την ανίχνευση βαρέων μετάλλων όπως είναι ο χαλκός και μάλιστα με μεγάλη ικανότητα συσχέτισης.
- Η χρονοσειρά εικόνων Landsat 8 αποδίδει πολύ καλύτερα στην ανίχνευση και χαρτογράφηση βαρέων μετάλλων όπως είναι ο χαλκός, σε σχέση με τις εικόνες μεμονωμένων ημερομηνιών Landsat 8 και αυτό γιατί μπορούν να διαχειριστεί καλύτερα τη φασματική πληροφορία.
- Το μοντέλο PLSR ήταν το πιο πρακτικό και αποδοτικό μοντέλο από τα τρία που χρησιμοποιήθηκαν στη συγκεκριμένη έρευνα, καθώς έδωσε τα καλύτερα μέσα αποτελέσματα όσον αφορά τους συντελεστές προσδιορισμού (υψηλοί) και τις ρίζες μέσου τετραγωνικού σφάλματος (χαμηλοί).
- Ο παραγόμενος χάρτης των χημικά μετρούμενων συγκεντρώσεων εδαφικού χαλκού και των φασματικών δεδομένων χρονοσειράς Landsat 8, μέσω της βέλτιστης εκτέλεσης του μοντέλου PLSR είχε αρκετά υψηλή συσχέτιση και συνοχή με το χάρτη ταξινόμησης της περιοχής, πράγμα που σημαίνει ότι το μοντέλο PLSR, μπορεί να εφαρμοστεί ξεκάθαρα ως μέθοδος για την πρόβλεψη βαρέων μετάλλων στο έδαφος.
