Ανάλυση φυτοκάλυψης χώρων ταφής επικίνδυνων αποβλήτων στη Utah και την Arizona χρησιμοποιώντας υπερφασματική τηλεπισκόπηση
Από RemoteSensing Wiki
Συγγραφείς: Jungho Im, John R. Jensen, Ryan R. Jensen, John Gladden, Jody Waugh and Mike Serrato
Λέξεις Κλειδιά: υπερφασματική τηλεπισκόπηση, τοποθεσίες επικίνδυνων αποβλήτων, χαρτογράφηση βλάστησης, εκτίμηση LAI, HyMap
Αντικείμενο
Η βλάστηση χαρακτηρίζεται από αργούς ρυθμούς αλλαγής και επηρεάζεται από άλλες αργές αλλαγές όπως η κλιματική αλλαγή ή η οξύνιση του εδάφους. Παρόλα αυτά, η φυτοκάλυψη σε χώρους ταφής επικίνδυνων αποβλήτων μπορεί να αλλάξει ραγδαία εξαιτίας απρόβλεπτων συνθηκών (π.χ. καθίζηση του εδάφους, biointrusion-βιοεισβολή). Αυτές οι αλλαγές πρέπει να ανιχνεύονται γρήγορα. Συνεπώς, υπάρχει αυξανόμενη απαίτηση για μια αποτελεσματική και αξιόπιστη προσέγγιση στην παρακολούθηση της βλάστησης στους χώρους ταφής.
Σκοπός
Εδώ επιχειρείται η εκτίμηση:
- Η εκτίμηση του δείκτη φυλλώδους επιφάνειας (leaf-area-index, LAI) της βλάστησης χρησιμοποιώντας τρεις μεθόδους (δείκτες βλάστησης, red-edge positioning – REP – και δένδρα παλινδρόμησης μηχανικής μάθησης - machine learning regression trees).
- Η χαρτογράφηση της φυτοκάλυψης χρησιμοποιώντας δέντρα αποφάσεων μηχανικής μάθησης με βάση είτε τα κλιμακωτά δεδομένα ανάκλασης ή mixture tuned matched filtering (MTMF), που προέρχεται από μετρήσεις και δείκτες βλάστησης.
Περιοχές μελέτης και δεδομένα
Οι περιοχές μελέτης αφορούν σε (α) ένα σύστημα διάθεσης υπολειμμάτων ουρανίου κοντά στο Monticello, UT, και (β) φυτείες φυτοαπορρύπανσης με θάμνους της ερήμου κοντά στη Monument Valley, AZ, USA.
Μέθοδοι
1.Leaf Area Index (LAI) Estimation
Τρεις προσεγγίσεις εξετάστηκαν για την εκτίμηση του δείκτη LAI της βλάστησης:
- Μέθοδοι βασισμένες σε δείκτη βλάστησης (vegetation index - VI),
- Red-edge positioning (REP) μέθοδοι και
- machine learning regression trees
2.Vegetation mapping
Για τη χαρτογράφηση της βλάστησης σε χώρους ταφής επικίνδυνων αποβλήτων διερευνήθηκαν δύο προσεγγίσεις ταξινόμησης. Και οι δύο προσεγγίσεις χρησιμοποιούν δένδρα αποφάσεων μηχανικής μάθησης, αλλά το ένα χρησιμοποιεί κλιμακωτά δεδομένα ανάκλασης ως μεταβλητές εισόδου, ενώ το άλλο χρησιμοποιεί mixture tuned- matched filtering (MTMF)- προερχόμενο από μετρήσεις και μία σουίτα των δεικτών βλάστησης ως μεταβλητές εισόδου.
Συζήτηση και αποτελέσματα
Όπως φαίνεται στην Εικόνα 3, όσο μεγαλύτερη είναι η συσχέτιση της τιμής αναφοράς εδάφους του LAI με τα δύο κανάλια που χρησιμοποιούνται για τον υπολογισμό του δείκτη βλάστησης, τόσο πιο μπλε τα pixel στο διάγραμμα. Είναι ενδιαφέρον ότι, τα κανάλια στο ερυθρό και εγγύς υπέρυθρο, τα οποία θεωρείται ότι έχουν περισσότερες πληροφορίες σχετικά με την υγεία της βλάστησης, δεν παράγουν υψηλότερες συσχετίσεις από τα κανάλια στην περιοχή της μέσης υπέρυθρης ακτινοβολίας.
Στην Εικόνα 4, η προσέγγιση REP δεν προέβλεψε τον LAI καλά, με αποτέλεσμα χαμηλές συσχετίσεις (<0,2). Παρόμοια με την προσέγγιση του δείκτη βλάστησης, οι μέθοδοι REP οδήγησαν σε καλύτερη απόδοση για την περιοχή Monument Valley από ότι στο Monticello. Επιπλέον, ενώ η LG_REP είχε ως αποτέλεσμα την καλύτερη απόδοση για την τοποθεσία Monticello, η LI_REP παρήγαγε την υψηλότερη ακρίβεια στην εκτίμηση LAI για την περιοχή Monument Valley.
Όπως φαίνεται στην Εικόνα 5, σε αντίθεση με τα αποτελέσματα της VI- και REP- εκτίμησης LAI, τα δέντρα παλινδρόμησης οδήγησαν σε πολύ καλή απόδοση εκτίμησης LAI (R2> 0,8). Αν και η βαθμονόμηση χρησιμοποιώντας τα δέντρα παλινδρόμησης είχε καλύτερες επιδόσεις από εκείνες που χρησιμοποιούν το δείκτη βλάστησης και τα δεδομένα REP, η διασταυρωμένη επικύρωση δεν αντιστοιχεί στα αποτελέσματα της βαθμονόμησης. Οι τιμές RMSEs μέσω διασταυρωμένης επικύρωσης, χρησιμοποιώντας τα δέντρα παλινδρόμησης, ήταν υψηλότερες από ό, τι εκείνες που χρησιμοποιούν τις άλλες προσεγγίσεις.
Στην Εικόνα 8, παρατηρείται ότι, οι κατηγορίες ήταν πιο συσσωρευμένες στο χάρτη με τα κλιμακωτά δεδομένα ανάκλασης σε σχέση με τη χρήση των μεταβλητών MTMF και δεικτών βλάστησης. Το έδαφος φαίνεται να έχει υπερεκτιμηθεί όταν χρησιμοποιήθηκαν τα δεδομένα ανακλαστικότητας. Αυτοί οι χάρτες ταξινόμησης παρουσίασαν κάποιες ασυμφωνίες με τις πραγματικές συνθήκες.
Η χρήση των δεδομένων προερχόμενων από MTMF μετρήσεις και δεικτών βλάστησης ήταν καλύτερη από ό,τι η χρήση κλιμακωτών δεδομένων ανάκλασης για τη χαρτογράφηση της βλάστησης.
Συμπεράσματα
Αυτή η μελέτη αξιολόγησε τη χρησιμότητα των HyMap υπερφασματικών δεδομένων για τον χαρακτηρισμό της φυτοκάλυψης (δηλαδή, εκτίμηση LAI και χαρτογράφηση των ειδών βλάστησης) σε δύο τοποθεσίες επικίνδυνων αποβλήτων. Τα δέντρα παλινδρόμησης είχαν ως αποτέλεσμα την καλύτερη ακρίβεια βαθμονόμησης για τον υπολογισμό LAI (R2> 0,80), αλλά η αστάθεια των μοντέλων, λόγω του μικρού μεγέθους του δείγματος αποτέλεσε ανησυχητικό παράγοντα. Η προσέγγιση δείκτη βλάστησης στην εκτίμηση LAI αποκάλυψε ότι τα δεδομένα ανακλαστικότητας στην περιοχή του Μέσο-υπέρυθρου ήταν πιο χρήσιμα από τα δεδομένα ανακλαστικότητας στο κόκκινο ή στο εγγύς υπέρυθρο. Συγκεντρωτικά δέντρα αποφάσεων χρησιμοποιήθηκαν, με επιτυχία, για τη χαρτογράφηση των ειδών βλάστησης με περιορισμένα δεδομένα αναφοράς (συνολική ακρίβεια > 85%). Τέλος, η προσέγγιση MTMF βελτίωσε την ακρίβεια ταξινόμησης.
