Χαρτογράφηση κάλυψης γης σε σύνθετα τοπία της Μεσογείου με τη χρήση Landsat

Από RemoteSensing Wiki

Πρωτότυπος τίτλος: "Mapping land cover in complex Mediterranean landscapes using Landsat: Improved classification accuracies from integrating multi-seasonal and synthetic imagery"

Συγγραφείς: Cornelius Senf, Pedro J. Leitão, Dirk Pflugmacher, Sebastian van der Linden, Patrick Hostert

Λέξεις Κλειδιά: Landsat, Μεσόγειος, Ψευδο-στέππα, STARFM, Φαινολογία, Ταξινόμηση εικόνας

Πηγή: http://www.sciencedirect.com/science/article/pii/S0034425714004283

Περίληψη

Τα χαμηλής έντασης συστήματα γεωργίας έχουν μεγάλη σημασία για τη βιοποικιλότητα στην Ευρώπη, αλλά συχνά επηρεάζονται από την υποβάθμιση του εδάφους ή την οικονομική πίεση, που οδηγούν είτε σε εγκατάλειψη της γης είτε στην εντατικοποίηση της γεωργίας. Αυτές οι αλλαγές στη χρήση γης επηρεάζουν τις τοπικές δομές της βιοποικιλότητας και απαιτούν ετήσια παρακολούθηση της κάλυψης γης. Για να χαρτογραφήσει κανείς με ακρίβεια την κάλυψη γης στα εν λόγω χωρο-χρονικά σύνθετα τοπία, είναι σημαντικό να συλλάβει τις φαινολογικές δυναμικές τους και την υψηλής ανάλυσης χωρική τους ετερογένεια. Στη συγκεκριμένη μελέτη, εξετάζεται αν και σε ποιο βαθμό μπορούν να βελτιωθούν οι χάρτες κάλυψης γης σύνθετων Μεσογειακών τοπίων με την ενσωμάτωση πολυ-εποχιακών εικόνων Landsat , καθώς και κατά πόσον εικόνες με προσομοίωση του STARFM μπορούν να χρησιμοποιηθούν, όποτε οι πρωτότυπες πολυ-εποχιακές εικόνες Landsat δεν είναι διαθέσιμες. Ως εκ τούτου, αναπτύσσονται διαφορετικά σενάρια ταξινόμησης με βάση τις εποχικές διακυμάνσεις της διαθεσιμότητας των δεδομένων, τα οποία βασίζονται τόσο σε πρωτότυπα όσο και προσομοιωμένα δεδομένα Landsat.

1. Περιοχή μελέτης & δεδομένα

1.1. Περιοχή μελέτης

Εικόνα 1: Η περιοχή μελέτης. Στο φόντο: Η ψευδέγχρωμη εικόνα του δορυφόρου Landsat με λήψη το Σεπτέμβριο του 2011, η οποία απεικονίζεται με το έγχρωμο σύνθετο 4-3-2.

Η περιοχή μελέτης βρίσκεται στην περιοχή Beja στη νότια Πορτογαλία (Εικ. 1), και καλύπτει περίπου 2000 km2 γύρω από την πόλη του Castro Verde. Το κλίμα είναι μεσογειακό, με ζεστά καλοκαίρια (30-35°C κατά μέσο όρο τον Ιούλιο) και μέτρια κρύους χειμώνες (5-8°C κατά μέσο όρο τον Ιανουάριο). Περίπου το 75% της ετήσιας βροχόπτωσης (500-600mm) εμφανίζεται μεταξύ Οκτωβρίου και Μαρτίου. Οι ψευδο-στέππες του Castro Verde κατέχουν σε εθνικό και διεθνές επίπεδο σημαντικούς πληθυσμούς των απειλούμενων ειδών πτηνών της στέπας, όπως η ωτίδα (Otis tarda), η χαμωτίδα (Tetrax tetrax), και η μαυροπεριστερόκοτα (Pterocles orientalis; (Moreira et al, 2007). Οι πληθυσμοί αυτοί οδήγησαν στη δημιουργία μιας Ζώνης Ειδικής Προστασίας για πουλιά το 1999 (ΖΕΠ), η οποία καλύπτει μια έκταση περίπου 80.000ha (Εικ. 1).

Οι τοπικές κοινότητες πτηνών της στέππας από προηγούμενες μελέτες συσχετίζονται με συγκεκριμένες κατηγορίες κάλυψης γης. Κατά συνέπεια η μελέτη επικεντρώνεται στις ακόλουθες πέντε κατηγορίες κάλυψης γης: (1) γυμνά εδάφη (δηλαδή καλλιεργούμενες εκτάσεις), (2) εκτάσεις με σιτηρά, (3) λιβάδια, (4) θαμνώδεις εκτάσεις και (5) δάση.

1.2. Δεδομένα Landsat

Χρησιμοποιήθηκαν έξι L1T Landsat 5 TM εικόνες του έτους 2011, από τα αρχεία Landsat του USGS (Εικ. 2). Όλες οι εικόνες Landsat είναι ατμοσφαιρικά διορθωμένες στην επιφάνεια ανάκλασης με τη χρήση του αλγόριθμου Landsat Ecosystem Disturbance Adaptive Processing System (LEDAPS) (Masek et al., 2006). Χρησιμοποιήθηκαν όλα τα φασματικά κανάλια, εκτός από το κανάλι 1 (μπλε κανάλι) και το θερμικό κανάλι (κανάλι 6) λόγω της χαμηλότερης ευαισθησίας τους στις ιδιότητες της βλάστησης και της υψηλής συσχέτισης του καναλιού 1 με τα κανάλια 2 και 3 (Kuemmerle, Damm, & Hostert, 2008).

1.3. Δεδομένα MODIS

Χρησιμοποιήθηκαν δεδομένα MODIS με χωρική διακριτική ικανότητα 500m (MOD09A1) του 2011 (46 συνολικά). Λόγω των απαιτήσεων του STARFM (Gao et al., 2006), τα δεδομένα του MODIS μετατράπηκαν προκειμένου να βρίσκονται στο ίδιο προβολικό σύστημα με τα δεδομένα Landsat (UTM Zone 29 Ν / WGS84) και μετασχηματίστηκαν στη χωρική διακριτική ικανότητα του Landsat χρησιμοποιώντας την παρεμβολή του εγγύτερου γείτονα.

2. Μεθοδολογία

2.1 Φαινολογικός χαρακτηρισμός της περιοχής μελέτης

Προκειμένου να δομηθούν τα σενάρια ταξινόμησης της μελέτης και να επιλεγούν οι κατάλληλες φαινολογικές ημερομηνίες, έγινε χρήση της χρονοσειράς MODIS NDVI. Οι ημερομηνίες αυτές επιλέχτηκαν ώστε να αντιπροσωπεύουν με τον καλύτερο τρόπο τον ετήσιο κύκλο της βλάστησης στην περιοχή μελέτης. Ο NDVI είναι μια συχνά χρησιμοποιούμενη προσέγγιση για τη φαινολογία της βλάστησης (de Jong, de Bruin, de Wit, Schaepman, & Dent, 2011) και ως εκ τούτου χρησιμοποιήθηκε σε αυτή τη μελέτη. Πραγματοποιήθηκε εξαγωγή χρονοσειρών NDVI για 914 εικονοστοιχεία αναφοράς, καλύπτοντας τις πέντε κατηγορίες κάλυψης γης, τα οποία χρησιμοποιήθηκαν αργότερα για την εκπαίδευση των μοντέλων ταξινόμησης της κάλυψης γης.

2.2 Ο αλγόριθμος STARFM

Ο αλγόριθμος STARFM είναι ένας αλγόριθμος σχεδιασμένος ώστε να συνδυάζει τα δεδομένα Landsat και MODIS (Gao et al., 2006). Έγινε εφαρμογή του αλγόριθμου STARFM για κάθε ένα από τα έξι διαθέσιμα ζεύγη βάσης Landsat / MODIS μεμονωμένα.

2.3 Ταξινόμηση χρήσεων γης

Πίνακας 1: Δεδομένα που χρησιμοποιούνται ως εισροές στα σενάρια της ταξινόμησης κάλυψης γης.

2.3.1 Σενάρια ταξινόμησης

Αναπτύχθηκαν πέντε σενάρια ταξινόμησης συνολικά, όπως φαίνεται στον Πίνακα 1. Τα σενάρια 1-3 υπολογίζονται για κάθε ζεύγος βάσης, μεταβάλλοντας την ημερομηνία της εικόνας Landsat στην ταξινόμηση, και τροποποιώντας τη βαθμονόμηση του μοντέλου STARFM αναλόγως.

2.3.2 Αλγόριθμος ταξινόμησης και αξιολόγηση της ακρίβειας

Εικόνα 2: Παράδειγμα εικόνων WorldView-2 και Landsat για τις 5 κατηγορίες κάλυψης γης. Η υψηλής ανάλυσης εικόνα WorldView-2 του Google Earth παρείχε χωρική πληροφορία για την ερμηνεία των εικονοστοιχείων αναφοράς, ενώ η πολύ-εποχιακή φασματική πληροφορία του Landsat χρησιμοποιήθηκε για την προσωρινή διάκριση των κλάσεων.

Χρησιμοποιήθηκε ένας αλγόριθμος ταξινόμησης SVM (Support Vector Machine) από το ελεύθερα διαθέσιμο SVM πακέτο λογισμικού για την ταξινόμηση της εικόνας (Rabe, van der Linden, και Hostert, 2010). Σημειώσεις πεδίου, φωτογραφίες, εικόνες υψηλής ανάλυσης από το Google Earth, καθώς και πολύ- εποχιακές εικόνες Landsat χρησιμοποιήθηκαν για να προσδιοριστούν 900 περίπου εικονοστοιχεία Landsat για εκπαίδευση και 350 για επικύρωση (Εικ. 2). Τα εικονοστοιχεία εκπαίδευσης επιλέχθηκαν σκοπίμως, ώστε να αντιπροσωπεύουν ένα μεγάλο εύρος κάθε κατηγορίας κάλυψης γης, ενώ τα εικονοστοιχεία για την αξιολόγηση της ακρίβειας τοποθετήθηκαν τυχαία σε όλη την έκταση της περιοχής μελέτης.

3. Αποτελέσματα

Η ακρίβεια του χάρτη των ταξινομήσεων Landsat μεμονωμένης ημερομηνίας εξαρτάται σημαντικά από τη χρονική δειγματοληψία των εικόνων Landsat, με πιο ακριβείς τους χάρτες που βασίστηκαν στις εικόνες του Μαρτίου, του Ιουλίου και του Σεπτεμβρίου. Με το συνδυασμό των εικόνων του Μαρτίου και του Σεπτεμβρίου, εντοπίστηκαν τα πιο σημαντικά φαινολογικά πρότυπα, δημιουργώντας έτσι τον μεγαλύτερης ακρίβειας συνολικό χάρτη κάλυψης γης.

Παρ’ όλα αυτά, η συνολική ακρίβεια ταξινόμησης από τις καλύτερες πολύ-εποχιακές ταξινομήσεις Landsat ήταν χαμηλότερη σε σύγκριση με τις ακρίβειες που αναφέρονται από άλλες μελέτες χαρτογράφησης παρόμοιων κατηγοριών κάλυψης γης με δεδομένα Landsat.

4. Επίλογος

Από τα αποτελέσματα της έρευνας μπορούν να εξαχθούν δύο γενικά συμπεράσματα:

Εικόνα 3: Λεπτομερείς χάρτες κάλυψης γης από το Σενάριο 4 συγκριτικά με τα Σενάρια 1 έως 3 (όλα για το ζεύγος βάσης DOY 209).

1) η χρονική δειγματοληψία είναι υψίστης σημασίας για τη χαρτογράφηση της κάλυψης γης σε σύνθετα τοπία ψευδο-στέππας, με τις εικόνες της άνοιξης και του φθινοπώρου να είναι ιδιαίτερα σημαντικές για τη διάκριση ανάμεσα στις εκτάσεις με σιτηρά και στα λιβάδια καθώς και ανάμεσα στις θαμνώδεις εκτάσεις και τα δάση, και ότι

2) η συμπλήρωση των μοντέλων κάλυψης γης που προκύπτουν από μεμονωμένες ημερομηνίες Landsat με εικόνες προσομοιωμένες στο STARFM, αυξάνει την ακρίβεια της ταξινόμησης, αλλά μόνο αν η χρονική δειγματοληψία του Landsat είναι ανεπαρκής για τη λήψη των σημαντικών φαινολογικών γεγονότων της περιοχής μελέτης. Η χρήση πολύ-εποχικών εικόνων Landsat ήταν πάντα ανώτερη από τη χρήση προσομοιωμένων εικόνων STARFM. Συνεπώς, πρέπει να εξετάζεται προσεκτικά εάν το STARFM μπορεί να προσθέσει φαινολογικές πληροφορίες στις υφιστάμενες ταξινομήσεις που βασίζονται στο Landsat.

Τέλος, η έρευνα καταλήγει ότι η διαθεσιμότητα και η πρόσβαση στα δεδομένα είναι ένας κρίσιμος παράγοντας για πολλές εφαρμογές που χρησιμοποιούν Landsat. Ως εκ τούτου, απαιτείται η βελτίωση και η εναρμόνιση της διαθεσιμότητας των δεδομένων και της πρόσβασης σε όλα τα αρχεία.