Χαρτογράφηση εποχιακών καλλιεργειών βαμβακιού με μετρικές βασισμένες στη φαινολογία προερχόμενες από εικόνες Landsat

Από RemoteSensing Wiki

(Διαφορές μεταξύ αναθεωρήσεων)
Μετάβαση σε: πλοήγηση, αναζήτηση
(Νέα σελίδα με ' [[Εικόνα: rs 9a.png| thumb | right | Εικόνα 1.Η περιοχή μελέτης δείχνει τις διαδρομές και τις σειρές που χρ...')
Γραμμή 6: Γραμμή 6:
'''Πρωτότυπος τίτλος''': Mapping of cotton fields within-season using phenology-based metrics derived from a times series of Landsat imagery
'''Πρωτότυπος τίτλος''': Mapping of cotton fields within-season using phenology-based metrics derived from a times series of Landsat imagery
-
'''
+
 
-
Συγγραφείς''': D. Al-Shammari, I. Fuentes, B. M. Whelan, P. Filippi, T. F. A. Bishop
+
 
 +
'''Συγγραφείς''': D. Al-Shammari, I. Fuentes, B. M. Whelan, P. Filippi, T. F. A. Bishop
'''Πηγή''': https://www.mdpi.com/2072-4292/12/18/3038
'''Πηγή''': https://www.mdpi.com/2072-4292/12/18/3038

Αναθεώρηση της 14:36, 15 Ιανουαρίου 2021

Εικόνα 1.Η περιοχή μελέτης δείχνει τις διαδρομές και τις σειρές που χρησιμοποιήθηκαν για αυτήν τη μελέτη στη Νέα Νότια Ουαλία και στο Κουίνσλαντ της Αυστραλίας. , πηγή:https://www.mdpi.com
Εικόνα 2. Οι χάρτες με μεγέθυνση (σεζόν 2013/2014) ορισμένων χωραφιών χρησιμοποιούν την τεχνική διασταυρούμενης επικύρωσης (LOSOCV). , πηγή:https://www.mdpi.com
Εικόνα 3. Μέσο NDVI και το μετασχηματισμένο NDVI (H-NDVI) της περιοχής μελέτης για τις τρεις χρονικές περιόδους. , πηγή:https://www.mdpi.com

Χατρογράφηση εποχιακών καλλιεργειών βαμβακιού χρησιμοποιώντας μετρικές βασισμένες στη φαινολογία προερχόμενες από μια χρονοσειρά από εικόνες Landsat

Πρωτότυπος τίτλος: Mapping of cotton fields within-season using phenology-based metrics derived from a times series of Landsat imagery


Συγγραφείς: D. Al-Shammari, I. Fuentes, B. M. Whelan, P. Filippi, T. F. A. Bishop

Πηγή: https://www.mdpi.com/2072-4292/12/18/3038

Σκοπός

Η παρούσα μελέτη έχει ως σκοπό τη χαρτογράφηση των εποχιακών καλλιεργειών βαμβακιού στους κύριους αγρούς βαμβακιού της ανατολικής Αυστραλίας με βάση φαινολογικές πληροφορίες προερχόμενες από μια χρονοσειρά εικόνων Landsat 8 στην πλατφόρμα Google Earth Engine (GEE).

Εισαγωγή

Το βαμβάκι είναι μια οικονομικά σημαντική καλλιέργεια στην Αυστραλία καθώς αποφέρει κατά μέσο όρο 2 δις δολάρια ετησίως. Ο αριθμός αγρών με βαμβάκια που αναπτύσσονται στην Αυστραλία παρουσιάζει διακυμάνσεις από εποχή σε εποχή, συνεπώς είναι σημαντικό να αναπτυχθεί μια αξιόπιστη μέθοδος χαρτογράφησης των εποχιακών χωραφιών για την τοπική κατανομή άρδευσης, ειδικά σε περιοχές με ανεπάρκεια νερού. Με τις τεχνικές Τηλεπισκόπησης συλλέγονται χωρικά και χρονικά δεδομένα χρήσιμα για την παρακολούθηση και διαχείριση καλλιεργειών. Πρόσφατα άρχισαν να εφαρμόζονται φαινολογικές μέθοδοι για χαρτογράφηση τύπων καλλιεργειών, οι οποίες στοχεύουν στον εντοπισμό της αλλαγής της φαινολογικής πορείας που ποικίλει από τη μία καλλιέργεια στην άλλη σχετικά με την έναρξη των φαινομένων, τη διάρκειά τους και την κατάσταση της πορείας. Έχει βρεθεί ότι η ενσωμάτωση της φαινολογίας καλλιεργειών για την κατηγοριοποίησή τους μπορεί να αυξήσει την ακρίβειά της. Αυτές οι μέθοδοι μπορούν να βελτιωθούν με επιπλέον χαρακτηριστικά, όπως ο μετασχηματισμός Fourier που πρόσθεσε μια νέα αναπαράσταση εικόνων χρονοσειρών εξάγοντας νέα χαρακτηριστικά στη φαινολογική ανάλυση. Επιπλέον, πλατφόρμες όπως η Google Earth Engine (GEE) μπορούν να χρησιμοποιηθούν ώστε να μειωθεί ο χρόνος.

Υλικά και μέθοδοι

Η περιοχή μελέτης εκτείνεται από τον ποταμό Macintyre νότια της Queensland έως τον ποταμό Murrumbidgee στη Νέα Νότια Ουαλία στην Αυστραλία για τις περιόδους 2013/2014, 2014/2015 και 2019/2020, περιοχή γνωστή για την κυριαρχία βαμβακιού το καλοκαίρι. Η εποχή βαμβακιού ξεκινάει συνήθως των Οκτώβρη (φύτεμα) και τελειώνει Μάρτιο-Απρίλιο (μάζεμα). Η αναλυτική διαδικασία περιλαμβάνει:

• Πρώτο βήμα: (α) απόκτηση δεσμών ανάκλασης επιφάνειας (Landsat 8) και αφαίρεση των pixel, (β) υπολογισμός NDVI και χρήση του στην παραγωγή πλάτους και φάσης των δεσμών, (γ) συλλογή εικόνων στην αρχή και το τέλος της εποχής

• Δεύτερο βήμα: διαχωρισμός σετ δεδομένων σε εκπαιδευτικά και επικυρωτικά σετ

• Τρίτο βήμα: ετοιμασία μοντέλων κατηγοριοποίησης και εκτίμησή τους

Η πλατφόρμα Google Earth Engine (GEE) χρησιμεύει στην απόκτηση, επεξεργασία, ανάλυση και οπτικοποίηση παρατηρήσεων Τηλεπισκόπησης που είναι ελεύθερα διαθέσιμα σε διαφορετικές χρονικές και χωρικές κλίμακες. Στην παρούσα εργασία χρησιμοποιήθηκε κατά την απόκτηση των δεδομένων ανάκλασης επιφανείας από το Landsat 8 Tier 1 έως το στάδιο εκτίμησης ακρίβειας. Επίσης, έγινε ανασυγκρότηση/εναρμόνιση των δεδομένων χρονοσειρών για βελτίωση της ποιότητας σήματος. Χρησιμοποιήθηκε, επίσης, η τεχνική LOSOCV (leave-one-season-out cross validation). Τέλος, πραγματοποιήθηκε εκτίμηση της ακρίβειας της μεθόδου.

Αποτελέσματα

Δημιουργήθηκε χάρτης της μελετώμενης περιοχής με τα αποτελέσματα έπειτα από τέσσερις τεχνικές: (α) χρήση εναρμονισμένου NDVI, (β) χρήση πλάτους και φάσης, (γ) χρήση και των τριών παραπάνω δεικτών και (δ) χρήση των παραπάνω δεικτών και των δεσμών ανάκλασης. Η τελευταία μέθοδος παρουσίασε τη μεγαλύτερη ακρίβεια και τα καλύτερα αποτελέσματα. Επίσης, η χρήση της τεχνικής μετασχηματισμού Fourier βοήθησε στην αποσύνθεση του σήματος NDVI σε κύματα ημίτονου και συνημίτονου, συντήρησε την εποχικότητα του NDVI και κατ’ επέκταση συνέβαλλε στη δημιουργία διακριτής πορείας για το βαμβάκι και άλλες κατηγορίες και τα κατέστησε ξεχωριστά ειδικά στις μεσαίες και τελικές περιόδους. Ακόμα, ο δείκτης H-NDVI ήταν πολύ σημαντικός για το μοντέλο στα πρώιμα στάδια ανάπτυξης του βαμβακιού, ωστόσο η συμβολή αυτής της μετρικής μειωνόταν με την εξέλιξη της εποχής ανάπτυξης. Η μείωση της σημαντικότητας του H-NDVI επηρεάστηκε από την αυξημένη συνεισφορά της μετρικής του πλάτους κατά το μέσον και το τέλος της σεζόν.

Συμπεράσματα

Τα αποτελέσματα της παρούσας εργασίας έδειξαν ότι η χαρτογράφηση των αγρών βαμβακιού κατά την πρώιμη, μεσαία και τελική εποχή μπορεί να συμβεί με υψηλή ακρίβεια. Η ακρίβεια βελτιώθηκε με την μετατροπή σήματος για τη δημιουργία πλάτους και φάσης. Αυτή η προσέγγιση μπορεί να επεκταθεί περιλαμβάνοντας περισσότερους τύπους καλλιέργειας στο μοντέλο ώστε να εξεταστεί η ικανότητά του να διαχωρίζει μεταξύ ποικιλία καλλιεργειών. Επιπλέον, θα μπορούσαν να χρησιμοποιηθούν διαφορετικοί δείκτες βλάστησης για εκτίμηση της ευαισθησίας τους να διαχωρίζουν διαφορετικές κατηγορίες.

Προσωπικά εργαλεία