ΤΑΞΙΝΟΜΗΣΗ ΕΙΔΩΝ ΚΑΛΛΙΕΡΓΕΙΑΣ ΜΕ ΤΗ ΧΡΗΣΗ ΔΕΙΚΤΩΝ ΒΛΑΣΤΗΣΗΣ ΤΟΥ ΔΟΡΥΦΟΡΟΥ RAPIDEYE
Από RemoteSensing Wiki
The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XL-7, 2014 ISPRS Technical Commission VII Symposium, 29 September – 2 October 2014, Istanbul, Turkey
M. Ustunera, *, F.B.Sanlia, S.Abdikanb, M.T.Esetlilic, Y.Kurucuc
Link: [1]
Λέξεις-Κλειδιά: Δείκτες βλάστησης, RapidEye, NDVI, NDRE, GNDVI, SVM
1. ΕΙΣΑΓΩΓΗ
H βιώσιμη διαχείριση των αγροτικών περιοχών είναι σημαντική για τις τοπικές αρχές και τις αγροτικές υπηρεσίες, μιας και η γεωργία κατέχει σημαντικό ρόλο, στην οικονομία πολλών αναπτυσσόμενων χωρών (Branca, 2011). Hχαρτογράφηση και αναγνώριση των καλλιεργειών αποτελούν μία σημαντική βάση για πολλές γεωργικές εφαρμογές με διαφορετικούς σκοπούς όπως η εκτίμηση σοδειάς και η παραγωγικότητα του εδάφους(Löwetal. 2013, FundamentalofRemoteSensing).Στο σημείο αυτό, η επιστήμη της τηλεπισκόπησης βοηθάει στην αποκόμιση αξιόπιστων πληροφοριών για τους διαφορετικούς τύπους καλλιέργειας σε διαφορετικά χωρικά πεδία. Εικόνες τηλεπισκόπησης σε διαφορετικά επίπεδα ανάλυσης από διαφορετικά είδη δορυφόρων έχουν εκτενώς και επιτυχώς χρησιμοποιηθεί για την χαρτογράφηση και αναγνώριση καλλιεργειών από τον πρώτο δορυφόρο παρατήρησης τονLandsat-1 το 1972(BauerandCipra 1973, Jewell 1989, Mulla 2013). Hεπιτακτική ανάγκη για τη γρήγορη συλλογή αξιόπιστων, σύγχρονων και χαμηλού κόστους πληροφοριών για τo έδαφος, ώθησε τις χώρες να εκτοξεύσουν νέους δορυφόρους παρατήρησης όπως οι:RapidEye(2008), GeoEye-1(2008), WorldView-2(2009), Landsat8(2013), SPOT-7(2014). Το κοινό χαρακτηριστικό των δορυφόρων που τέθηκαν σε τροχιά με σκοπό την παρακολούθηση των καλλιεργειών είναι πως διαθέτουν το εγγύς υπέρυθρο κανάλι. Ο δορυφόρος RapidEye στο άρθρο χρησιμοποιείται για την ταξινόμηση ειδών καλλιέργειας και αποτελεί το πρώτο υψηλής ανάλυσης πολυφασματικό δορυφορικό σύστημα που διαθέτει το εγγύς υπέρυθρο κανάλι το οποίο είναι ευαίσθητο στη χλωροφύλλη της βλάστησης (Schusteretal. 2012). Οι δορυφορικές εικόνες έχουν χρησιμοποιηθεί επιτυχώς για την κατηγοριοποίηση της βλάστησης, δασικών εκτάσεων και γεωργικών εκτάσεων προσφάτως (Eiteletal. 2011, Schusteretal. 2012,Tigges 2013, Löwetal. 2013). Στη συγκεκριμένη μελέτη, η πιθανή χρήση τριών διαφορετικών δεικτών βλάστησης για την ταξινόμηση των καλλιεργειών, αλλά και για τις επιπτώσεις του κάθε δείκτη στην ακρίβεια της ταξινόμησης ερευνώνται. Οι δείκτες είναι:ο κανονικοποιημένος δείκτης βλάστης NDVI, oκανονικοποιημένος δείκτηςRedEdgeNDREκαι ο πράσινος κανονικοποιημένος δείκτης βλάστησης GNDVI. Η μέθοδος ταξινόμησης SVMεφαρμόζεται λόγω της απόδοσής της στην ταξινόμηση καλλιεργειών και εδάφους σε σύγκριση με συμβατικούς αλγορίθμους ταξινόμησης(FoodyandMathur, 2004; MathurandFoody, 2008; WaskeandBenediktsson, 2007). Τα κλασσικά κανάλια του δορυφόρου RapidEye έχουν αφαιρεθεί και η ταξινόμηση πραγματοποιήθηκε μόνο με τους τρεις δείκτες βλάστησης.
2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ
Η περιοχή μελέτης της εικόνας 1 βρίσκεται στην περιοχή Αιγαίο της Τουρκίας και αποτελείται περίπου από 17.3km2 γεωργικών εκτάσεων. Καλύπτει εννέα κατηγορίες καλλιεργειών που είναι καλαμπόκι(πρώτη σοδειά, δεύτερη σοδειά), βαμβάκι(καλώς ανεπτυγμένο, μέτρια ανεπτυγμένο, αδύναμα ανεπτυγμένο), έδαφος(ξηρό, βρεγμένο, με υγρασία) και επιφάνεια του νερού.
3. ΜΕΘΟΔΟΛΟΓΙΑ
3.1 RAPIDEYE ΔΕΔΟΜΕΝΑ KAIΔΕΙΚΤΕΣ ΒΛΑΣΤΗΣΗΣ
Ο δορυφόρος RapidEyeείναι ο πρώτος πολυφασματικός δορυφόρος υψηλής ανάλυσης που διαθέτει το red-edge κανάλι, γεγονός που καθιστά το συγκεκριμένο δορυφορικό σύστημα διαφορετικό και ανώτερο από άλλα πολυφασματικά δορυφορικά συστήματα (Schusteretal. 2012). Tα δεδομένα του RapidEyeπαρέχουν πέντε φασματικά κανάλια με χωρική ανάλυση πέντε μέτρων, όπως φαίνεται στην εικόνα 2. Τρεις διαφορετικοί φασματικοί δείκτες έχουν υπολογιστεί στη συγκεκριμένη μελέτη. Ο αριθμός των καναλιών 2,3,4,5 αναφέρεται στο πράσινο (520 – 590nm), κόκκινο (630 – 685nm), red-edge (690 – 730nm) και εγγύς υπέρυθρο (760 – 850nm), όπως φαίνεται στην εικόνα 3.
3.2 ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΑΣ
H επιβλεπόμενη μέθοδος με μηχανές Διανυσμάτων Υποστήριξης (SupportVectorMachines-SVM)βασίζεται στη θεωρία στατιστικής εκμάθησης. Η βασική ιδέα της συγκεκριμένης μεθόδου ταξινόμησης είναι η αντιστοίχιση του βέλτιστου «υπερεπιπέδου» (hyperplane) που διαχωρίζει τις δύο κλάσεις. (Vapnik, 1995; Huangetal., 2002).Oι συναρτήσεις Kernel είναι σε θέση να δομήσουν το βέλτιστο “υπερεπίπεδο” για πολύπλοκα δεδομένα τα οποία δεν γίνεται να διαχωριστούν με γραμμικά “υπερεπίπεδα” (Huangetal., 2002).[2] Η θεωρία που ακολουθεί εξηγείται στη συγκεκριμένη μελέτη: (Support vector machines in remote sensing: A review). Link: [3] Η τεχνική SVM είναι μία επιβλεπόμενη χωρίς παραμέτρους στατιστική τεχνική εκμάθησης, επομένως δεν προκύπτουν προβλήματα που αφορούν την αναγνώριση πολλαπλών κλάσεων(περισσότερες από δύο). Οι τεχνικές SVM έχουν μεγάλο εύρος χρήσης στην τηλεπισκόπηση, διότι έχουν τη δυνατότητα να διαχειρίζονται με αποτελεσματικότητα μικρά δεδομένα εκπαίδευσης, παράγωντας συχνά ταξινομήσεις υψηλότερης ακρίβειας από τις παραδοσιακές μεθόδους ταξινόμησης (Manteroetal., 2005).Η βασική αρχή που ενισχύει τις SVMs είναι η διαδικασία εκμάθησης που ακολουθεί και είναι γνωστή ως ελαχιστοποίηση του δομικού ρίσκου(structuralriskminimization). Yπό το πρίσμα αυτής της έννοιας, οι SVMs ελαχιστοποιούν το λάθος στην ταξινόμηση χωρίς να είναι απαραίτητες υποθέσεις όσον αφορά τη πιθανή διασπορά των δεδομένων και παρουσιάζουν υψηλή απόδοση κατά την κατηγοριοποίηση αντικειμένων. Στατιστικές τεχνικές, όπως η μέθοδος μέγιστης πιθανοφάνειας συνήθως υποθέτουν πως η διασπορά των δεδομένων είναι γνωστή εκ των προτέρων (apriori). Παρόλο που οι SVMs απαιτούν δείγματα εκπαίδευσης, δεν είναι απαραίτητο το μέγεθος των δειγμάτων να είναι ιδιαίτερο μεγάλο, κάτι που αποτελεί συγκριτικό πλεονέκτημα σε σχέση με άλλες μεθόδους ταξινόμησης. Για παράδειγμα, οι FoodyandMathur (2004b) απέδειξαν πως μόλις το ¼ των αρχικών δειγμάτων εκπαίδευσης που ελήφθησαν από τον δορυφόρο SPOT ήταν αρκετά για ταξινόμηση υψηλής ακρίβειας.
4. ΦΑΣΜΑΤΙΚΗ ΑΝΑΛΥΣΗ
Tέσσερις διαφορετικές ομάδες φασματικών χαρακτηριστικών (Πίνακας 1) χρησιμοποιήθηκαν για την ανάλυση της πιθανής χρήσης των δεικτών βλάστησης καθώς και για την συνεισφορά κάθε φασματικού καναλιού στην ακρίβεια της ταξινόμησης.
5. ΑΞΙΟΛΟΓΗΣΗ ΑΚΡΙΒΕΙΑΣ
Η ακρίβεια των ταξινομημένων εικόνων εκτιμήθηκε χρησιμοποιώντας τη συνολική ακρίβεια και τον συντελεστή kappa. Τα αποτελέσματα της ταξινόμησης της ανάλυσης και της ταξινόμησης σε εικόνα ενός καναλιού παρουσιάζονται στις εικόνες 4 και 5. Στην εικόνα 6, οι κλάσεις ενδιαφέροντος αντιπροσωπεύονται από Α,B, C, D, E, F, G, H, I, J για αταξινόμητο, πρώτη σοδειά καλαμποκιού, δεύτερη σοδειά καλαμποκιού, καλώς ανεπτυγμένο βαμβάκι, μέτρια ανεπτυγμένο βαμβάκι, αδύναμα ανεπτυγμένο βαμβάκι, βρεγμένος έδαφος, έδαφος με υγρασία, ξηρό έδαφος και επιφάνεια νερού αντίστοιχα.Η ξεχωριστή συνεισφορά των φασματικών χαρακτηριστικών στην ακρίβεια της ταξινόμησης παρουσιάζεται στις εικόνες 4 και 5. Είναι 1.05%, 1.05%, και 31.01% για τους δείκτες NDVI, GNDVI και NDRE αντίστοιχα.
6. ΣΥΜΠΕΡΑΣΜΑΤΑ
Η πιθανή χρήση τριών διαφορετικών δεικτών βλάστησης του δορυφόρου RapidEye στην ταξινόμηση του είδους των καλλιεργειών καθώς και η ξεχωριστή συνεισφορά του κάθε δείκτη στην ακρίβεια της ταξινόμησης ερευνήθηκαν με τη χρήση της support vector machine ταξινόμησης. Τα αποτελέσματα της μελέτης δείχνουν πως οι δείκτες της βλάστησης που προκύπτουν από τον δορυφόρο RapidEye μπορούν να χρησιμοποιηθούν για την ταξινόμηση καλλιεργειών και να παρουσιάσουν ικανοποιητικά αποτελέσματα. Επίσης, εφαρμόστηκε η ταξινόμηση μίας εικόνας σε ένα κανάλι για να αναλύσει την ξεχωριστή απόδοση των φασματικών καναλιών στην ακρίβεια της ταξινόμησης. Τα αποτελέσματα δείχνουν πως ο δείκτης NDRE έχει μεγαλύτερη συνεισφορά από τους άλλους δείκτες στην ακρίβεια της ταξινόμησης εικόνας.
7. ΣΥΝΕΙΣΦΟΡΑ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ
Στη συγκεκριμένη μελέτη η τηλεπισκόπηση έχει πρωτεύοντα ρόλο διότι ερευνά την αξιοπιστία των αποτελεσμάτων από διαφορετικούς δορυφορικούς δέκτες. Επίσης, παρουσιάζεται η χρησιμοποίηση διαφορετικών ειδών βλάστησης για την επιτυχέστερη ταξινόμηση των ειδών των καλλιεργειών.
