Εκτίμηση εδαφολογικών φυσικών ιδιοτήτων με τη χρήση τηλεπισκόπησης και τεχνητού νευρωνικού δικτύου

Από RemoteSensing Wiki

Πρωτότυπος Τίτλος: Estimation of Soil Physical Properties Using Remote Sensing and Artificial Neural Network

Συγγραφείς: Dyi-Huey Chang, Shafiqul Islam, Cincinnati Earth System Science Program, Department of Civiland Environmental Engineering, University of Cincinnati, Cincinnati,OH

Πηγή: Remote Sensing of Environment Volume 74, Issue 3, December 2000, Pages 534-544 , http://linkinghub.elsevier.com/retrieve/pii/S0034425700001449

Τα Τεχνητά Νευρωνικά Δίκτυα είναι εκτιμητές ελεύθεροι προτύπων, δεδομένου ότι δεν στηρίζονται σε μια υποτιθέμενη μορφή των υποκείμενων δεδομένων. Βασισμένα κυρίως σε μερικά στοιχεία παρακολούθησης, προσπαθούν να λάβουν μια προσέγγιση του υποκείμενου συστήματος που παρήγαγε τα παρατηρηθέντα στοιχεία. Γενικά, κάποιος μπορεί να εξετάσει τον υπολογισμό στα νευρωνικά δίκτυα από την προοπτική του υπολογισμού μιας άγνωστης λειτουργίας βασισμένης σε αυτές τις παρατηρήσεις.

Εισαγωγή

Μια ακριβής εκτίμηση των μεταβλητών εδαφολογικών ιδιοτήτων στο χώρο είναι απαραίτητη για να αναπτύξει αξιόπιστα μοντέλα της ροής και της μεταφοράς τους σε ολόκληρο το σύστημα έδαφος-βλάστηση-ατμόσφαιρα, για την αποδοτική διαχείριση των πόρων, και για τη συντήρηση της περιβαλλοντικής ποιότητας

Σε αυτήν την μελέτη, διερευνάμε τη δυνατότητα να συμπεράνουμε τις εδαφολογικές φυσικές ιδιότητες μιας πολυχρονικής θερμοκρασίας φωτεινότητας και από τους χάρτες εδαφολογικής υγρασίας. Κατασκευάζουμε δύο τεχνητά νευρωνικά μοντέλα δικτύων βασισμένα στους φυσικούς συνδέσμους μεταξύ της χωροχρονικής διανομής της θερμοκρασίας φωτεινότητας, της εδαφολογικής υγρασίας, και των εδαφολογικών ιδιοτήτων. Χρησιμοποιώντας μια ακολουθία στοιχείων από το πείραμα Washita '92, δείχνουμε ότι είναι δυνατό να εντοπιστεί η εδαφολογική σύσταση από τα πολυχρονικά στοιχεία θερμοκρασία φωτεινότητας και εδαφολογικής υγρασίας.

Επομένως, είναι επιθυμητό να αναπτυχθούν απλουστευμένες μέθοδοι για το χαρακτηρισμό των εδαφολογικών ιδιοτήτων σε μεγάλες περιοχές. Ο στόχος μας είναι να λάβουμε τις εδαφολογικές ιδιότητες σε μεγάλες και απομονωμένες περιοχές όπου οι συμβατικές κανονικές τεχνικές μπορούν να μην είναι εύκολα διαθέσιμες ή θα είναι πάρα πολύ ακριβές και χρονοβόρες.

Η παθητική τηλεπισκόπηση μικροκυμάτων είναι ο πιό εφικτός τρόπος να μετρηθεί η θερμοκρασία της εδαφολογικής φωτεινότητας και να παραχθεί η εδαφολογική υγρασία σε μεγάλες περιοχές. Ο Camillo και λοιποί. (1984) ήταν ίσως ο πρώτος που για να υπολογίσει τις εδαφολογικές υδραυλικές παραμέτρους χρησιμοποίησε τις παθητικές μετρήσεις μικροκυμάτων (π.χ., θερμοκρασία φωτεινότητας) και τα ατμοσφαιρικά στοιχεία πίεσης (π.χ., θερμοκρασία αέρα, ταχύτητα ανέμου, υγρασία, και ολική ακτινοβολία). Χρησιμοποίησαν μια τεχνική εκτίμησης παραμέτρου μέσα σε ένα μοντέλο ισορροπίας ενέργειας και υγρασίας για να υπολογίσουν τις εδαφολογικές υδραυλικές παραμέτρους. Πρόσφατα, σύμφωνα με Hollenbeck και λοιποί. (1996) η χρονική ακολουθία τηλεπισκοπικών δεδομένων μπορεί να χρησιμοποιηθεί για την ανίχνευση ποιοτικά της εδαφολογικής υδραυλικής ετερογένειας. Οι αλλαγές στην εδαφολογική υγρασία θα μπορούσαν να χρησιμοποιηθούν ως δείκτης της εδαφολογικής σύστασης και της μέσης διαποτισμένης υδραυλικής αγωγιμότητας.

Ένας βασικός στόχος αυτής της μελέτης είναι να εξεταστεί η δυνατότητα εκτίμησης των εδαφολογικών φυσικών και υδραυλικών ιδιοτήτων χρησιμοποιώντας μόνο τηλεπισκοπικά δεδομένα με ελάχιστες ή καθόλου πληροφορίες για την εδαφολογική σύσταση. Η προσέγγιση προσδιορισμού ενός διανεμημένου χάρτη των εδαφολογικών φυσικών και υδραυλικών ιδιοτήτων είναι βασισμένη στις πρόσφατες εξελίξεις των τεχνητών νευρωνικών δικτύων (Artificial Neural Network - ANN) και στις αρχές της αυτο-οργάνωσης. Αυτή η μεθοδολογία θα επέτρεπε να υπολογιστούν οι εδαφολογικές φυσικές ιδιότητες που βασίζονται στη φυσική σχέση μεταξύ των εδαφολογικών υδραυλικών ιδιοτήτων και της εδαφολογικής υγρασίας κατά τη διάρκεια της ξήρανσης (drydown).

ΣΧΕΣΕΙΣ ΜΕΤΑΞΥ ΤΗΛΕΠΙΣΚΟΠΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΓΝΩΡΙΣΜΑΤΑ ΚΑΙ ΕΔΑΦΟΛΟΓΙΚΩΝ ΦΥΣΙΚΩΝ ΙΔΙΟΤΗΤΩΝ

Οι εικόνες εδαφολογικής υγρασίας υπό μορφή ογκομετρικής εδαφολογικής υγρασίας προήλθαν από το ηλεκτρονικά ανιχνευμένο ραδιόμετρο σειράς (ESTAR). Αυτά τα δεδομένα αποθηκεύονται σε εικόνες 228 επί 93 εικονοστοιχείων που καλύπτουν μια έκταση 45.6 χλμ επί 18.6 χλμ (848 km2) με ένα ψήφισμα εικονοστοιχείου 200 μ επί 200 μ. Η εικόνα 1 δείχνει μια ακολουθία τηλεπισκοπής θερμοκρασίας φωτεινότητας, TB(x,t),και την αντιστοιχία του επιφανειακού εδάφους σε περιεκτικότητα σε νερό θ(x,t)από το ερευνητικό πείραμα Washita '92. Σαφώς, υπάρχει μια ισχυρή χωρική και χρονική συνοχή μεταξύ της εδαφολογικής θερμοκρασίας φωτεινότητας και της εδαφολογικής υγρασίας.

Εικόνα 1: τηλεπισκοπική θερμοκρασία φωτεινότητας σε οK [(a) Ιούνιος 10 (b) Ιούνιος 12 (c) Ιούνιος 14 (d) Ιούνιος 16 (e) Ιούνιος 18] και παραγόμενη εδαφολογική υγρασία σε ποσοστό [(f) Ιούνιος 10 (g) Ιούνιος 12 (h) Ιούνιος 14 (i) Ιούνιος 16 (j) June 18] από το ερευνητικό πείραμα Washita ’92 (1Κ)παρουσιάζει τη χωρική εκδοχή της εδαφολογικής σύστασης για τον υδροκρίτη Little Washita. Φαίνεται να υπάρχει ένας σημαντικός βαθμός χωρικής συνοχής μεταξύ θερμοκρασίας της φωτεινότητας και της σύστασης του χώματος καθώς επίσης και της υγρασίας του χώματος και της εδαφολογικής σύστασης.

Εικόνα 2: Χρονική εκδοχή της περιοχής μέσης θερμοκρασίας φωτεινότητας (α) και ογκομετρική περιεκτικότητα σε εδαφολογική υγρασία (β) ως δείκτη της διαφορετικής κατηγορίας εδαφολογικής υφής για το πείραμα Washita '92.

Μια δυνατότητα είναι η χρήση σύνθετων αλγόριθμων αναγνώρισης προτύπων που μπορούν να χρησιμοποιήσουν χωροχρονικά την εξέλιξη της TB(x,t) (εικόνα 1 και 2a) για να προσδιορίσουν τους εδαφολογικούς τύπους. Ο στόχος μας είναι να αναπτύξουμε ένα εργαλείο που ικανοποιεί τις παραπάνω απαιτήσεις μέσω της χρήσης των μεθόδων που θα συνθέτουν τις πρόσφατες εξελίξεις στα ANN με τις φυσικές συσχετίσεις μεταξύ του χωροχρονικού προτύπου της TB(x,t), της μείωσης εδαφολογικής υγρασίας, και των εδαφολογικών ιδιοτήτων.

ΑΠΟΤΕΛΕΣΜΑΤΑ

Υπάρχει μια στενή σχέση μεταξύ της χωροχρονικής εξέλιξης της θερμοκρασίας φωτεινότητας και της εδαφολογικής υγρασίας και των εδαφολογικών τύπων, και μια τέτοια σχέση μπορεί να χρησιμοποιηθεί για να προσδιορίσει τους εδαφολογικούς τύπους από μια ακολουθία τηλεπισκοπικών εικόνων σε συνδυασμό με το Τεχνητό Νευρωνικό Δίκτυο SOFM. Το Self-Organizing Feature Map – SOFM είναι ένα ιδιαίτερα ισχυρό και ευέλικτο Τεχνητό Νευρωνικό Δίκτυο που μπορεί προσδιορίσει τις σχέσεις εισόδου-εξόδου από ένα διανεμημένο σύνολο στοιχείων.

Το Three-Layered Feed-Forward Neural Network - TFNN – πρότυπο χρησιμοποιεί τη χωροχρονική εξέλιξη της τηλεπισκοπικής θερμοκρασίας φωτεινότητας και της τηλεπισκοπικής εδαφολογικής υγρασίας από κοινού με μερικές ιδιότητες εδαφολογικών μέσων (π.χ., 5% των εικονοστοιχείων με τις πληροφορίες εδαφολογικής υφής) για να βελτιώσει την ακρίβεια ταξινόμησης.

Μια ταξινόμηση βασισμένη στο TFNN μπορεί να παραγάγει την καλύτερη ακρίβεια ταξινόμησης σε τέτοιες καταστάσεις. Εντούτοις, εάν δεν είναι διαθέσιμο κανένα εδαφολογικό στοιχείο της υφής, το μη επιβλεπόμενο πρότυπο SOFM θα παρείχε τη λογική ακρίβεια ταξινόμησης.

Δεδομένου ότι οι πολυχρονικοί χάρτες της επιφανειακής θερμοκρασίας φωτεινότητας χρησιμοποιούνται για την εκτίμηση του χάρτη εδαφολογικής σύστασης, αυτός ο χάρτης αντιστοιχεί ουσιαστικά στις ιδιότητες της επιφανειακής υφής. Κατά συνέπεια, αυτή η μελέτη δεν μπορεί να παρέχει τις άμεσες πληροφορίες σχετικά με την κατατομή της εδαφολογικής υγρασίας ή σύστασης. Σε πολλές περιπτώσεις, εντούτοις, υπάρχει μια ισχυρή σχέση μεταξύ της κοντά στην επιφάνεια εδαφολογικής υγρασίας και της υγρασίας στη ζώνη της ρίζας. Σε τέτοιες περιπτώσεις, οι εδαφολογικές ιδιότητες κατατομής μπορούν να προκύψουν από τις επιφανειακές πληροφορίες (π.χ., Calvet και λοιποί., 1998).

Υπάρχουν ενδείξεις ότι μια ακολουθία επιφανειακών στοιχείων εδαφολογικής υγρασίας μπορεί να χρησιμοποιηθεί για να προβλέψει τη διαποτισμένη υδραυλική αγωγιμότητα (π.χ., Ahuja και λοιποί., 1993 Mattikalli και λοιποί., 1998). Επίσης σημειώνουμε ότι με τη σημαντική ετερογένεια στην τοπογραφία, μπορεί να υπάρξει αξιόλογη ανακατανομή της εδαφολογικής υγρασίας πέρα από μια τοπογραφική κλίση. Σε τέτοιες περιπτώσεις, μια μη επιβλεπόμενη ταξινόμηση βασισμένη σε SOFM είναι πιθανό να παραγάγει μεγάλα λάθη. Εντούτοις, μια ταξινόμηση βασισμένη σε TFNN αναμένεται να παραγάγει την καλύτερη ακρίβεια ταξινόμησης σε τέτοιες καταστάσεις.

Η προτεινόμενη μεθοδολογία είναι βασισμένη στην υπόθεση ότι οι καμπύλες drydown της θερμοκρασίας φωτεινότητας και της εδαφολογικής υγρασίας στις διαφορετικές θέσεις με παρόμοια εδαφολογική σύσταση θα εξέθεταν την παρόμοια συμπεριφορά. Αυτή η υπόθεση μπορεί να μην είναι πάντα ικανή, εάν οι καμπύλες drydown για μια ορισμένη θέση επηρεάζονται, παραδείγματος χάριν, από άλλες φυσικές ιδιότητες (π.χ., χωροχρονική μεταβλητότητα των βροχοπτώσεων, της πλευρικής ροής, της τοπογραφίας, κ.λπ.) των γειτονικών σημείων πλέγματος. Για τέτοιες περιπτώσεις, η εισαγωγή πρόσθετων μεταβλητών από τα γειτονικά εικονοστοιχεία θα απαιτηθεί για να βελτιώσουν την ακρίβεια της ταξινόμησης.

Εικόνα 3: Η σύγκριση SOFM υπολόγισε (α, β) και παρατήρησε (γ) τον τομέα εδαφολογικής σύστασης από το πείραμα Washita '92. Το χώμα είναι ταξινομημένο ως τρεις (χονδροειδής, μέτριο, και λεπτό) ομάδες υφής. Σε (α) και (β), το 5% και 10% των στοιχείων θερμοκρασίας φωτεινότητας εφαρμόζονται σαν στοιχεία διαμόρφωσης, αντίστοιχα. Σε όλους τους αριθμούς, το «άλλα» αντιπροσωπεύουν τα μη εδαφολογικά σημεία (δηλ., νερό, γύψος, κοιλώματα, κ.λ.π.) που δεν συμπεριλαμβάνονται στην ανάλυση.

Εικόνα 4: Αυτή η εικόνα είναι παρόμοια με την 3, αλλά αυτή τη φορά σαν στοιχείο διαμόρφωσης εφαρμόζεται η εδαφολογική υγρασία.

Εικόνα 5: Η σύγκριση του μοντέλου TFNN υπολόγισε (α, β) και παρατήρησε (γ) τον τομέα εδαφολογικής σύστασης από Washita '92. Το χώμα είναι ταξινομημένο σε έξι ομάδες βάση της υφής: (1) άμμος (2) πηλώδης λεπτή άμμος (3) λεπτός αμμώδες πηλός (4) πηλός (5) πηλός βούρκου και (6) λασπώδες πηλός αργίλου/πηλός αργίλου.