Κατανόηση της χρονικής συμπεριφοράς των καλλιεργειών με τη χρήση δεδομένων Sentinel-1 και Sentinel-2 για γεωργικές εφαρμογές

Από RemoteSensing Wiki

(Διαφορές μεταξύ αναθεωρήσεων)
Μετάβαση σε: πλοήγηση, αναζήτηση
 
(2 ενδιάμεσες αναθεωρήσεις δεν εμφανίζονται.)
Γραμμή 1: Γραμμή 1:
-
[[εικόνα:avram2.png|thumb|right|Χωρική απεικόνιση της απόδοσης του αραβοσίτου με το μοντέλο SAFY το 2013 και 2014 και θέση των αρδευόμενων και μη πεδίων στην περιοχή μελέτης]]
+
[[εικόνα:avram1.jpg|thumb|right|Δεδομένα πεδίου σε περιοχή 70 × 40 χλμ. στη νοτιοδυτική Γαλλία, τοποθετημένα σε οπτικά δεδομένα πολύ υψηλής ανάλυσης από το BingMap. Οι μεγάλοι κύκλοι αντιπροσωπεύουν τις δύο πειραματικές τοποθεσίες κοινών πειραμάτων για την αξιολόγηση και την παρακολούθηση καλλιεργειών (JECAM), Auradé και Lamasquère. Οι μικροί κύκλοι αντιπροσωπεύουν τα άλλα πεδία καλλιέργειας που μελετώνται σε αυτή την εργασία. Στην περιοχή αυτή, κατά μέσο όρο μεταξύ του 2006 και του 2013, το 43% των καλλιεργειών ήταν σιτηρά, το 25% ήταν ηλίανθος, το 5% ήταν αραβόσιτος και 5% κράμβη (από τη λεπτομερή γαλλική βάση δεδομένων για τη χρήση γης RPG)]]
-
'''Αρχικό άρθρο''': Estimating maize biomass and yield over large areas using high spatial and temporal resolution Sentinel-2 like remote sensing data [https://www.sciencedirect.com/science/article/pii/S0034425716302875] (Marjorie Battude, Ahmad Al Bitar, David Morin, Jérôme Cros, Mireille Huc, Claire Marais Sicre, Valérie Le Dantec, Valérie Demarez)
+
'''Αρχικό άρθρο''': Understanding the temporal behavior of crops using Sentinel-1 and Sentinel-2-like data for agricultural applications [https://www.sciencedirect.com/science/article/pii/S0034425717303309] (Amanda Veloso, Stéphane Mermoz, Alexandre Bouvet, Thuy Le Toan, Milena Planells, Jean-François Dejoux, Eric Ceschia)
-
'''Keywords''': High spatial and temporal resolution, Green Area Index, Biomass, Yield, Maize, Crop Modeling, Regional scale
+
'''Keywords''': Crops, Remote sensing, Multi-temporal Sentinel-1 data, Optical data
-
Η μελέτη αυτή στοχεύει στην ανάπτυξη μιας γενικής μεθοδολογίας βασισμένης στη χρήση δεδομένων τηλεπισκόπησης για την παροχή ακριβών εκτιμήσεων της βιομάζας και της απόδοσης του αραβοσίτου σε περιφερειακή κλίμακα. Προτείνεται εδώ μια στρατηγική βαθμονόμησης και χωροθέτησης, όσο το δυνατόν ανεξάρτητη των επιτόπιων μετρήσεων και αξιόπιστη σε μεγάλες εκτάσεις και υπό διάφορες κλιματικές συνθήκες. Για το σκοπό αυτό, συνδυάζεται το μοντέλο Simple Algorithm For Yield estimates (SAFY) με δεδομένα τηλεπισκόπησης υψηλής χωρικής και χρονικής ανάλυσης (HSTR) από διάφορους αισθητήρες. Το πείραμα SPOT4-Take5 που πραγματοποιήθηκε το 2013 σχεδιάστηκε για να προσομοιώνει τη χρονική δειγματοληψία της αποστολής Sentinel-2 της ESA. Οι αποδόσεις SAFY επικυρώθηκαν με τοπικές μετρήσεις βιομάζας και εκτιμήσεις απόδοσης τόσο σε τοπικές όσο και σε περιφερειακές κλίμακες χρησιμοποιώντας ένα πολυετές σύνολο δεδομένων. Τα αποτελέσματα έδειξαν επίσης ότι η χρήση διπλής λογιστικής λειτουργίας για την παρεμβολή των χρονοσειρών του Δείκτη Πράσινης Περιοχής (GAI) επιτρέπει τη βελτίωση των εκτιμήσεων της βιομάζας και της απόδοσης όταν λείπουν τα δεδομένα τηλεπισκόπησης. Αυτή η εργασία καταδεικνύει τη δυνατότητα των δεδομένων τηλεπισκόπησης HSTR να βαθμονομούν ένα απλό μοντέλο καλλιέργειας χωρίς να καταφεύγουν σε δεδομένα επιτόπιων μετρήσεων και έτσι να προωθούν τις μελλοντικές εφαρμογές χρησιμοποιώντας δεδομένα Sentinel-2.
+
Οι πληροφορίες παρακολούθησης των καλλιεργειών είναι απαραίτητες για την ασφάλεια των τροφίμων και για να βελτιωθεί η κατανόηση του ρόλου της γεωργίας στην κλιματική αλλαγή, μεταξύ άλλων. Η τηλεπισκόπηση οπτικών δεδομένων και δεδομένων ραντάρ μπορεί να βοηθήσει στη χαρτογράφηση των τύπων καλλιεργειών και στην εκτίμηση των βιοφυσικών παραμέτρων, ιδίως με τη διαθεσιμότητα ενός πρωτοφανή ποσού ελεύθερων δεδομένων Sentinel. Αυτά τα σύνολα δεδομένων, των οποίων η συνέχεια εξασφαλίζεται μέχρι και για δεκαετίες, προσφέρουν μια μοναδική ευκαιρία για την παρακολούθηση των καλλιεργειών συστηματικά κάθε 5 έως 12 ημέρες. Πριν από την ανάπτυξη μεθόδων επιχειρησιακής παρακολούθησης, είναι σημαντικό να κατανοήσουμε τις χρονικές παραλλαγές του σήματος τηλεπισκόπησης διαφορετικών τύπων καλλιεργειών σε μια δεδομένη περιοχή. Σε αυτή τη μελέτη, αναλύουμε τη χρονική τροχιά των δεδομένων τηλεπισκόπησης για μια ποικιλία καλλιεργειών που χρησιμοποιούνται ευρέως. Η περιοχή δοκιμής βρίσκεται στη νοτιοδυτική Γαλλία, όπου έχουν αποκτηθεί δεδομένα Sentinel-1. Επειδή τα δεδομένα Sentinel-2 δεν είναι διαθέσιμα για τη μελέτη αυτή, χρησιμοποιούνται οπτικοί δορυφόροι παρόμοιοι με το Sentinel-2, κυρίως με σκοπό την εξαγωγή NDVI, για τη σύγκριση μεταξύ χρονικών συμπεριφορών με δεδομένα ραντάρ. Τα χρονικά προφίλ ανάκλασης Ραντάρ Συνθετικού Ανοίγματος (SAR) και NDVI των πεδίων ερμηνεύονται φυσικά. Τα βασικά ευρήματα αυτής της ανάλυσης, που οδηγούν σε πιθανές εφαρμογές δεδομένων Sentinel-1, με ή χωρίς τη σύνδεση του Sentinel-2, περιγράφονται στη συνέχεια. Η μελέτη αυτή επισημαίνει το ενδιαφέρον των δεδομένων SAR και ιδιαίτερα του λόγου VH/VV.
-
Πέρα από την καλύτερη διαχείριση των περιβαλλοντικών πόρων, είναι απαραίτητο να διατηρηθούν επαρκή επίπεδα αγροτικής παραγωγής. Σε έναν κόσμο όπου ο πληθυσμός αυξάνεται διαρκώς, η καλλιέργεια πρέπει να παρακολουθείται και να εξασφαλίζεται η επισιτιστική ασφάλεια. Επομένως, είναι απαραίτητο να γίνεται κατανοητή η λειτουργία των καλλιεργειών και να αξιολογείται η απόδοσή τους σε μεγάλες εκτάσεις.
+
Τα δεδομένα τηλεπισκόπησης μπορούν να βοηθήσουν στην παρακολούθηση της ανάπτυξης των καλλιεργειών παρέχοντας πληροφορίες σχετικά με τη φαινολογική κατάσταση και την ανάπτυξη της βλάστησης. Αποτελούν ένα πολύτιμο εργαλείο για την αντιμετώπιση αυτών των ζητημάτων, ειδικά όταν συνδυάζονται με αγρο-υδρολογικά μοντέλα για μελέτες που σχετίζονται με την απόδοση των καλλιεργειών και τον προϋπολογισμό για το νερό.
 +
Τα οπτικά δεδομένα χρησιμοποιούνται για να διερευνήσουν τους δεσμούς μεταξύ των φωτοσυνθετικών και των οπτικών ιδιοτήτων των φύλλων των φυτών, συνήθως μέσω του δείκτη βλάστησης κανονικοποιημένης διαφοράς (NDVI). Οι οπτικές δορυφορικές εικόνες παρείχαν μια σειρά δεδομένων καλλιεργειών, π.χ. χάρτες τύπου καλλιέργειας και εκτιμήσεις έκτασης καλλιεργειών και διαφορετικών βιοφυσικών παραμέτρων. Αυτές οι εφαρμογές έχουν αναπτυχθεί ευρέως με βάση δεδομένα από διάφορους δορυφόρους, οι οπτικοί αισθητήρες των οποίων επηρεάζονται από την παρουσία σύννεφων. Όσον αφορά τα δεδομένα SAR, έχουν διεξαχθεί μελέτες σε διάφορες συχνότητες και γωνίες πρόσπτωσης για την ερμηνεία των χρονικών τροχιών και έχουν παραχθεί χάρτες τύπου καλλιέργειας. Ωστόσο, σε σύγκριση με τα οπτικά δεδομένα, η χρήση δεδομένων SAR σε γεωργικές εφαρμογές δεν έχει αναπτυχθεί καλά, λόγω της πολυπλοκότητας, της ποικιλομορφίας και της διαθεσιμότητας των δεδομένων SAR, αλλά και της δυσκολίας της ερμηνείας αυτών.
-
Πολλές μελέτες αποκάλυψαν το ισχυρό δυναμικό των μεθόδων που βασίζονται στον συνδυασμό δεδομένων τηλεπισκόπησης με ημι-εμπειρικά μοντέλα καλλιέργειας για την εκτίμηση της γεωργικής παραγωγής σε μεγάλες περιοχές. Το κύριο μειονέκτημα αυτών των μελετών είναι ότι χρειάζονται επιτόπια μέτρηση βιομάζας και απόδοσης για τη βαθμονόμηση, ενώ αυτά τα δεδομένα είναι σπάνια διαθέσιμα σε μεγάλες περιοχές καθώς η απόκτηση τους είναι πολύ χρονοβόρα. Επιπλέον, ακόμη και αν είναι διαθέσιμα, εκτιμώνται πάντοτε με αρκετά μεγάλες αβεβαιότητες.
+
Μια νέα εποχή ξεκίνησε με την έναρξη της λειτουργίας του πρώτου δορυφόρου Sentinel, παρέχοντας ένα μεγάλο, άνευ προηγουμένου, ποσό ελεύθερων δεδομένων. Ο δορυφόρος Sentinel-1A, ο πρώτος δορυφόρος SAR που ξεκίνησε τον Απρίλιο του 2014, έχει αρχίσει να παρέχει χρονικές σειρές εικόνων SAR (ζώνη C) σε χρονικό διάστημα 12 ημερών. Με το Sentinel-1B, που ξεκίνησε τον Απρίλιο του 2016, η παροχή δεδομένων αναμένεται κάθε 6 ημέρες. Ο Sentinel-2A, ο οπτικός δορυφόρος που ξεκίνησε τον Ιούνιο του 2015, παρέχει δεδομένα σε χρονικό διάστημα 10 ημερών. Οι πυκνές χρονοσειρές Sentinel προσφέρουν μια μοναδική ευκαιρία συστηματικής παρακολούθησης των καλλιεργειών σε εβδομαδιαία βάση.
-
Το δυναμικό των δεδομένων τηλεπισκόπησης HSTR για την περιγραφή της χωροχρονικής μεταβλητότητας των βιοφυσικών μεταβλητών των καλλιεργειών έχει ήδη αποδειχθεί και η πρόσφατη διαθεσιμότητα δεδομένων τηλεπισκόπησης HSTR όπως οι εικόνες Sentinel-2 προσφέρουν νέες προοπτικές παρακολούθησης και μοντελοποίησης καλλιεργειών. Η μεθοδολογία που παρουσιάζεται εδώ βασίζεται στη χρήση ενός σχετικά απλού καλλιεργητικού μοντέλου σε συνδυασμό με HSTR δεδομένα οπτικής τηλεπισκόπησης. Το μοντέλο που χρησιμοποιήθηκε για τη μελέτη αυτή είναι το μοντέλο SAFY που συνδυάζει τη θεωρία αποδοτικότητας χρήσης φωτός του Monteith (1972) με μια λειτουργία κατανομής των φύλλων βασισμένη στη σύνθεση του Maas (1993). Η πρωτοτυπία της προσέγγισής μας είναι ότι χρησιμοποιήσαμε τις χρονοσειρές τηλεπισκοπικού Δείκτη Πράσινης Περιοχής (GAI) για τη βαθμονόμηση των παραμέτρων εισόδου SAFY. Προτείνουμε εδώ μια νέα μεθοδολογία που αφαιρεί τα βασικά μειονεκτήματα των προηγούμενων μελετών που έγιναν με το μοντέλο SAFY, προκειμένου να παράσχει εκτιμήσεις της απόδοσης καλλιεργειών σε μεγάλες περιοχές και σε αντίξοες κλιματολογικές συνθήκες. Η μελέτη επικεντρώθηκε στις καλλιέργειες αραβοσίτου, οι οποίες αντιπροσωπεύουν ένα σημαντικό μέρος της κάλυψης γης στα νοτιοδυτικά της Γαλλίας.
+
Το πειραματικό σύνολο δεδομένων της παρούσας εργασίας περιέχει 28 αρχεία Sentinel-1. Λόγω του ότι τα δεδομένα Sentinel-2 δεν ήταν ακόμη διαθέσιμα, χρησιμοποιούμε ένα σύνολο 71 αρχείων από διαφορετικούς οπτικούς δορυφόρους τύπου Sentinel-2. Η εργασία αναλύει τη χρονική συμπεριφορά των συντελεστών επαναφοράς του SAR και του NDVI των κυριότερων τύπων καλλιεργειών στον εύκρατο κόσμο σε πεδία με ποικίλες πρακτικές διαχείρισης (π.χ. στην καλλιέργεια και τη σπορά) και περιβαλλοντικές συνθήκες (βροχόπτωση, θερμοκρασία). Η μελέτη περιλαμβάνει δύο πειραματικές τοποθεσίες κοινών πειραμάτων για την αξιολόγηση και την παρακολούθηση καλλιεργειών (JECAM) που ανήκουν στο περιφερειακό σύστημα παρατήρησης στη νοτιοδυτική Γαλλία (βλέπε εικόνα).
-
Το μοντέλο SAFY, βαθμονομημένο με τη βοήθεια τηλεπισκοπικού GAI, είναι σε θέση να αναπαράγει με ακρίβεια την βιομάζα επιτόπιων μετρήσεων καθ' όλη τη διάρκεια της βλαστικής περιόδου. Το μοντέλο αυτό χρησιμοποιήθηκε με σταθερή την τιμή των παραμέτρων SLA και ELUE. Τα αποτελέσματα δείχνουν υπερεκτίμηση της βιομάζας κατά την περίοδο ανάπτυξης. Συνολικά, παρατηρήθηκε ότι η νέα τυποποίηση του μοντέλου προκαλεί μείωση του μέσου συστηματικού σφάλματος, συμπεραίνοντας, έτσι, ότι βελτιώνει τις εκτιμήσεις βιομάζας.
+
-
Τα αποτελέσματα έδειξαν ότι η χρήση ενός μόνο ΗΙ ίσου με 0,5 για όλα τα πεδία αραβοσίτου οδηγεί σε ικανοποιητικές εκτιμήσεις απόδοσης σε μεγάλες περιοχές. Στο μοντέλο SAFY, θεωρήθηκε ότι η επίδραση του υδατικού στρες λαμβάνεται υπόψη στη δυναμική των GAI και ELUE. Αυτή η προσέγγιση μπορεί να είναι λιγότερο κατάλληλη για εφαρμογή σε τοπική κλίμακα, δεδομένου ότι η ΗΙ ποικίλλει ανάλογα με την ποικιλία, το στρες του νερού, το έλλειμμα αζώτου ή τις ασθένειες. Ωστόσο, τα καλά αποτελέσματα που προέκυψαν από τις εκτιμήσεις της απόδοσης σε περιφερειακή κλίμακα αποκαλύπτουν ότι η χρήση του GAI σε συνδυασμό με το μοντέλο SAFY έχει σχεδιαστεί κατάλληλα για χωροθετικούς σκοπούς.
+
Η ανάλυση και ερμηνεία των δεδομένων χρονοσειρών Sentinel-1 και τύπου Sentinel-2 ενισχύει επίσης την εκτίμηση της παραγωγής καλλιεργήσιμων εκτάσεων και της υγρασίας εδάφους χρησιμοποιώντας αγρο-μετεωρολογικά μοντέλα. Επιπλέον, η ευαισθησία των δεδομένων SAR στην υγρασία του εδάφους είναι χρήσιμη για την ανίχνευση αρδευόμενων καλλιεργειών, επομένως και για τη μοντελοποίηση καλλιεργειών παρέχοντας πληροφορίες για τις πρακτικές άρδευσης, αλλά και για μια καλύτερη στρατηγική διαχείρισης των υδάτων.
-
Το μοντέλο αξιολογήθηκε για τη βιομάζα σε τοπική κλίμακα και για τις εκτιμήσεις απόδοσης σε τοπικές και περιφερειακές κλίμακες. Η μελέτη αυτή οδήγησε σε μια νέα έκδοση του μοντέλου SAFY που λαμβάνει υπόψη την εποχική διακύμανση της ειδικής περιοχής φύλλων (SLA) και της απόδοσης αποτελεσματικής χρήσης φωτός (ELUE). Η νέα έκδοση επέτρεψε την καλύτερη προσομοίωση της βιομάζας σε όλο τον κύκλο του φυτού σε σύγκριση με την προηγούμενη έκδοση.
+
-
Σε περιφερειακή κλίμακα, βρέθηκε μια πολύ καλή συμφωνία μεταξύ μοντέλου και στατιστικών απόδοσης. Τα αποτελέσματα ήταν αρκετά καλά για τα αρδευόμενα χωράφια και αποκάλυψαν ότι ο GAI φαίνεται να είναι ένας καλός δείκτης για την εκτίμηση της απόδοσης για τον αρδευόμενο αραβόσιτο σε μεγάλες περιοχές. Είναι ιδιαίτερα ενδιαφέρον ότι ο GAI μπορεί να εκτιμηθεί απευθείας από δεδομένα τηλεπισκόπησης σε μεγάλες περιοχές χωρίς να απαιτείται πληροφόρηση για το περιεχόμενο στο έδαφος νερό. Το μοντέλο SAFY, το οποίο δεν προσομοιώνει την περιεκτικότητα του εδάφους σε νερό, παρουσιάζει πολύ ικανοποιητικά αποτελέσματα ενώ παραμένει σχετικά απλό στη χρήση για χωροθέτηση. Τέλος, η χρήση διπλής λογιστικής λειτουργίας για την παρεμβολή χρονικών σειρών GAI βελτιώνει την αξιοπιστία των εκτιμήσεων βιομάζας και απόδοσης όταν μειώνεται η χρονική δειγματοληψία των δεδομένων τηλεπισκόπησης.
+
Τα αποτελέσματά μας έδειξαν ότι, για τις καλλιέργειες κριθαριού και αραβοσίτου, τα δεδομένα Sentinel συσχετίζονται με το GAI και τη φρέσκια βιομάζα. Παρά την έλλειψη δεδομένων επιτόπιας μέτρησης GAI και βιομάζας για την κράμβη και τη σόγια, τα δεδομένα SAR είναι πιθανόν να είναι αξιόπιστα για την εκτίμηση της βιομάζας ή του GAI, δεδομένης της καλής συμφωνίας μεταξύ VH/VV και NDVI. Η εκτίμηση της χρονοσειράς GAI είναι χρήσιμη για την ώθηση μοντέλων καλλιέργειας. Τα δεδομένα SAR θα μπορούσαν να χρησιμοποιηθούν για την άμεση εκτίμηση της βιομάζας καλλιέργειας. Εκτός αυτού, κατά τη διάρκεια περιόδων ισχυρής ανάπτυξης της κάλυψης, η ευαισθησία του NDVI στο GAI και τη βιομάζα είναι πιθανότερο να κορεστεί. Συνεπώς, τα δεδομένα SAR αποτελούν μια λύση για την περιγραφή της ανάπτυξης των καλλιεργειών υπό αυτές τις συνθήκες. Τέλος, η κοινή χρήση του SAR και των οπτικών δεδομένων μπορεί να επιτρέψει την ανάπτυξη χαρτών αλλαγής του εδάφους που είναι χρήσιμοι στο πλαίσιο της συμβατικής γεωργίας.
-
Η μελέτη αυτή καταδεικνύει τις μεγάλες δυνατότητες των δεδομένων τηλεπισκόπησης HSTR. Τα δεδομένα SPOT4-Take5 χρησιμοποίησαν την ίδια χρονική δειγματοληψία με την αποστολή Sentienl-2. Η μελέτη υπογραμμίζει τη σημασία της χρονικής δειγματοληψίας χρησιμοποιώντας δεδομένα πολλαπλών αισθητήρων. Η μεθοδολογία που αναπτύχθηκε εδώ μπορεί να θεωρηθεί αρκετά γενική ώστε να εφαρμοστεί στις εικόνες Sentinel-2 και σε άλλες καλλιέργειες σε μεγάλες περιοχές.
+
Ο σίτος και η κράμβη διακρίνονται καλύτερα με τη χρήση ανακλάσεων VH και VV μεταξύ Μαρτίου και Ιουλίου και NDVI μεταξύ Νοεμβρίου και Δεκεμβρίου. Όσον αφορά τις καλοκαιρινές καλλιέργειες, συνιστούμε τη χρήση των VH/VV και VV για τον διαχωρισμό του καλαμποκιού, της σόγιας και του ηλίανθου κατά τη διάρκεια της φάσης της ανθοφορίας. Για το κριθάρι και τον αραβόσιτο τόσο ο NDVI όσο και τα VH/VV προφίλ είναι σε καλή συμφωνία με τις επιτόπιες μετρήσεις GAI και φρέσκιας βιομάζας. Έτσι, ο λόγος VH/VV θα μπορούσε να χρησιμοποιηθεί για την ανάκτηση βιοφυσικών παραμέτρων. Ο VH/VV είναι επίσης σε θέση να ανιχνεύσει την αυθόρμητη αναγέννηση μετά τη συγκομιδή.
 +
Σε γενικές γραμμές, τα SAR και τα οπτικά δεδομένα αναπαράγουν με ακρίβεια τους κύκλους ανάπτυξης των καλλιεργειών και μπορούν να συνδυαστούν για να έχουν πλήρεις χρονοσειρές χωρίς κενά, που χρησιμοποιούνται ως εισαγόμενα δεδομένα για γεωργο-μετεωρολογικά μοντέλα. Τα δεδομένα ραντάρ θα μπορούσαν επίσης να χρησιμοποιηθούν για να γεμίσουν τυχόν κενά στη σειρά οπτικών δεδομένων, συγκεκριμένα κατά τη διάρκεια συννεφιασμένων περιόδων. Η άνευ προηγουμένου ποσότητα δωρεάν δεδομένων Sentinel, εγγυημένη έως και το 2030 με την επόμενη γενιά Sentinel, προσφέρει μια μοναδική ευκαιρία για την παρακολούθηση των καλλιεργειών σε σχεδόν πραγματικό χρόνο.
-
  [[category:Γεωργία]]
+
  [[category:Ανίχνευση μεταβολών βλάστησης]]

Παρούσα αναθεώρηση της 19:29, 27 Φεβρουαρίου 2018

Δεδομένα πεδίου σε περιοχή 70 × 40 χλμ. στη νοτιοδυτική Γαλλία, τοποθετημένα σε οπτικά δεδομένα πολύ υψηλής ανάλυσης από το BingMap. Οι μεγάλοι κύκλοι αντιπροσωπεύουν τις δύο πειραματικές τοποθεσίες κοινών πειραμάτων για την αξιολόγηση και την παρακολούθηση καλλιεργειών (JECAM), Auradé και Lamasquère. Οι μικροί κύκλοι αντιπροσωπεύουν τα άλλα πεδία καλλιέργειας που μελετώνται σε αυτή την εργασία. Στην περιοχή αυτή, κατά μέσο όρο μεταξύ του 2006 και του 2013, το 43% των καλλιεργειών ήταν σιτηρά, το 25% ήταν ηλίανθος, το 5% ήταν αραβόσιτος και 5% κράμβη (από τη λεπτομερή γαλλική βάση δεδομένων για τη χρήση γης RPG)

Αρχικό άρθρο: Understanding the temporal behavior of crops using Sentinel-1 and Sentinel-2-like data for agricultural applications [1] (Amanda Veloso, Stéphane Mermoz, Alexandre Bouvet, Thuy Le Toan, Milena Planells, Jean-François Dejoux, Eric Ceschia)

Keywords: Crops, Remote sensing, Multi-temporal Sentinel-1 data, Optical data


Οι πληροφορίες παρακολούθησης των καλλιεργειών είναι απαραίτητες για την ασφάλεια των τροφίμων και για να βελτιωθεί η κατανόηση του ρόλου της γεωργίας στην κλιματική αλλαγή, μεταξύ άλλων. Η τηλεπισκόπηση οπτικών δεδομένων και δεδομένων ραντάρ μπορεί να βοηθήσει στη χαρτογράφηση των τύπων καλλιεργειών και στην εκτίμηση των βιοφυσικών παραμέτρων, ιδίως με τη διαθεσιμότητα ενός πρωτοφανή ποσού ελεύθερων δεδομένων Sentinel. Αυτά τα σύνολα δεδομένων, των οποίων η συνέχεια εξασφαλίζεται μέχρι και για δεκαετίες, προσφέρουν μια μοναδική ευκαιρία για την παρακολούθηση των καλλιεργειών συστηματικά κάθε 5 έως 12 ημέρες. Πριν από την ανάπτυξη μεθόδων επιχειρησιακής παρακολούθησης, είναι σημαντικό να κατανοήσουμε τις χρονικές παραλλαγές του σήματος τηλεπισκόπησης διαφορετικών τύπων καλλιεργειών σε μια δεδομένη περιοχή. Σε αυτή τη μελέτη, αναλύουμε τη χρονική τροχιά των δεδομένων τηλεπισκόπησης για μια ποικιλία καλλιεργειών που χρησιμοποιούνται ευρέως. Η περιοχή δοκιμής βρίσκεται στη νοτιοδυτική Γαλλία, όπου έχουν αποκτηθεί δεδομένα Sentinel-1. Επειδή τα δεδομένα Sentinel-2 δεν είναι διαθέσιμα για τη μελέτη αυτή, χρησιμοποιούνται οπτικοί δορυφόροι παρόμοιοι με το Sentinel-2, κυρίως με σκοπό την εξαγωγή NDVI, για τη σύγκριση μεταξύ χρονικών συμπεριφορών με δεδομένα ραντάρ. Τα χρονικά προφίλ ανάκλασης Ραντάρ Συνθετικού Ανοίγματος (SAR) και NDVI των πεδίων ερμηνεύονται φυσικά. Τα βασικά ευρήματα αυτής της ανάλυσης, που οδηγούν σε πιθανές εφαρμογές δεδομένων Sentinel-1, με ή χωρίς τη σύνδεση του Sentinel-2, περιγράφονται στη συνέχεια. Η μελέτη αυτή επισημαίνει το ενδιαφέρον των δεδομένων SAR και ιδιαίτερα του λόγου VH/VV.

Τα δεδομένα τηλεπισκόπησης μπορούν να βοηθήσουν στην παρακολούθηση της ανάπτυξης των καλλιεργειών παρέχοντας πληροφορίες σχετικά με τη φαινολογική κατάσταση και την ανάπτυξη της βλάστησης. Αποτελούν ένα πολύτιμο εργαλείο για την αντιμετώπιση αυτών των ζητημάτων, ειδικά όταν συνδυάζονται με αγρο-υδρολογικά μοντέλα για μελέτες που σχετίζονται με την απόδοση των καλλιεργειών και τον προϋπολογισμό για το νερό. Τα οπτικά δεδομένα χρησιμοποιούνται για να διερευνήσουν τους δεσμούς μεταξύ των φωτοσυνθετικών και των οπτικών ιδιοτήτων των φύλλων των φυτών, συνήθως μέσω του δείκτη βλάστησης κανονικοποιημένης διαφοράς (NDVI). Οι οπτικές δορυφορικές εικόνες παρείχαν μια σειρά δεδομένων καλλιεργειών, π.χ. χάρτες τύπου καλλιέργειας και εκτιμήσεις έκτασης καλλιεργειών και διαφορετικών βιοφυσικών παραμέτρων. Αυτές οι εφαρμογές έχουν αναπτυχθεί ευρέως με βάση δεδομένα από διάφορους δορυφόρους, οι οπτικοί αισθητήρες των οποίων επηρεάζονται από την παρουσία σύννεφων. Όσον αφορά τα δεδομένα SAR, έχουν διεξαχθεί μελέτες σε διάφορες συχνότητες και γωνίες πρόσπτωσης για την ερμηνεία των χρονικών τροχιών και έχουν παραχθεί χάρτες τύπου καλλιέργειας. Ωστόσο, σε σύγκριση με τα οπτικά δεδομένα, η χρήση δεδομένων SAR σε γεωργικές εφαρμογές δεν έχει αναπτυχθεί καλά, λόγω της πολυπλοκότητας, της ποικιλομορφίας και της διαθεσιμότητας των δεδομένων SAR, αλλά και της δυσκολίας της ερμηνείας αυτών.

Μια νέα εποχή ξεκίνησε με την έναρξη της λειτουργίας του πρώτου δορυφόρου Sentinel, παρέχοντας ένα μεγάλο, άνευ προηγουμένου, ποσό ελεύθερων δεδομένων. Ο δορυφόρος Sentinel-1A, ο πρώτος δορυφόρος SAR που ξεκίνησε τον Απρίλιο του 2014, έχει αρχίσει να παρέχει χρονικές σειρές εικόνων SAR (ζώνη C) σε χρονικό διάστημα 12 ημερών. Με το Sentinel-1B, που ξεκίνησε τον Απρίλιο του 2016, η παροχή δεδομένων αναμένεται κάθε 6 ημέρες. Ο Sentinel-2A, ο οπτικός δορυφόρος που ξεκίνησε τον Ιούνιο του 2015, παρέχει δεδομένα σε χρονικό διάστημα 10 ημερών. Οι πυκνές χρονοσειρές Sentinel προσφέρουν μια μοναδική ευκαιρία συστηματικής παρακολούθησης των καλλιεργειών σε εβδομαδιαία βάση.

Το πειραματικό σύνολο δεδομένων της παρούσας εργασίας περιέχει 28 αρχεία Sentinel-1. Λόγω του ότι τα δεδομένα Sentinel-2 δεν ήταν ακόμη διαθέσιμα, χρησιμοποιούμε ένα σύνολο 71 αρχείων από διαφορετικούς οπτικούς δορυφόρους τύπου Sentinel-2. Η εργασία αναλύει τη χρονική συμπεριφορά των συντελεστών επαναφοράς του SAR και του NDVI των κυριότερων τύπων καλλιεργειών στον εύκρατο κόσμο σε πεδία με ποικίλες πρακτικές διαχείρισης (π.χ. στην καλλιέργεια και τη σπορά) και περιβαλλοντικές συνθήκες (βροχόπτωση, θερμοκρασία). Η μελέτη περιλαμβάνει δύο πειραματικές τοποθεσίες κοινών πειραμάτων για την αξιολόγηση και την παρακολούθηση καλλιεργειών (JECAM) που ανήκουν στο περιφερειακό σύστημα παρατήρησης στη νοτιοδυτική Γαλλία (βλέπε εικόνα).

Η ανάλυση και ερμηνεία των δεδομένων χρονοσειρών Sentinel-1 και τύπου Sentinel-2 ενισχύει επίσης την εκτίμηση της παραγωγής καλλιεργήσιμων εκτάσεων και της υγρασίας εδάφους χρησιμοποιώντας αγρο-μετεωρολογικά μοντέλα. Επιπλέον, η ευαισθησία των δεδομένων SAR στην υγρασία του εδάφους είναι χρήσιμη για την ανίχνευση αρδευόμενων καλλιεργειών, επομένως και για τη μοντελοποίηση καλλιεργειών παρέχοντας πληροφορίες για τις πρακτικές άρδευσης, αλλά και για μια καλύτερη στρατηγική διαχείρισης των υδάτων.

Τα αποτελέσματά μας έδειξαν ότι, για τις καλλιέργειες κριθαριού και αραβοσίτου, τα δεδομένα Sentinel συσχετίζονται με το GAI και τη φρέσκια βιομάζα. Παρά την έλλειψη δεδομένων επιτόπιας μέτρησης GAI και βιομάζας για την κράμβη και τη σόγια, τα δεδομένα SAR είναι πιθανόν να είναι αξιόπιστα για την εκτίμηση της βιομάζας ή του GAI, δεδομένης της καλής συμφωνίας μεταξύ VH/VV και NDVI. Η εκτίμηση της χρονοσειράς GAI είναι χρήσιμη για την ώθηση μοντέλων καλλιέργειας. Τα δεδομένα SAR θα μπορούσαν να χρησιμοποιηθούν για την άμεση εκτίμηση της βιομάζας καλλιέργειας. Εκτός αυτού, κατά τη διάρκεια περιόδων ισχυρής ανάπτυξης της κάλυψης, η ευαισθησία του NDVI στο GAI και τη βιομάζα είναι πιθανότερο να κορεστεί. Συνεπώς, τα δεδομένα SAR αποτελούν μια λύση για την περιγραφή της ανάπτυξης των καλλιεργειών υπό αυτές τις συνθήκες. Τέλος, η κοινή χρήση του SAR και των οπτικών δεδομένων μπορεί να επιτρέψει την ανάπτυξη χαρτών αλλαγής του εδάφους που είναι χρήσιμοι στο πλαίσιο της συμβατικής γεωργίας.

Ο σίτος και η κράμβη διακρίνονται καλύτερα με τη χρήση ανακλάσεων VH και VV μεταξύ Μαρτίου και Ιουλίου και NDVI μεταξύ Νοεμβρίου και Δεκεμβρίου. Όσον αφορά τις καλοκαιρινές καλλιέργειες, συνιστούμε τη χρήση των VH/VV και VV για τον διαχωρισμό του καλαμποκιού, της σόγιας και του ηλίανθου κατά τη διάρκεια της φάσης της ανθοφορίας. Για το κριθάρι και τον αραβόσιτο τόσο ο NDVI όσο και τα VH/VV προφίλ είναι σε καλή συμφωνία με τις επιτόπιες μετρήσεις GAI και φρέσκιας βιομάζας. Έτσι, ο λόγος VH/VV θα μπορούσε να χρησιμοποιηθεί για την ανάκτηση βιοφυσικών παραμέτρων. Ο VH/VV είναι επίσης σε θέση να ανιχνεύσει την αυθόρμητη αναγέννηση μετά τη συγκομιδή.

Σε γενικές γραμμές, τα SAR και τα οπτικά δεδομένα αναπαράγουν με ακρίβεια τους κύκλους ανάπτυξης των καλλιεργειών και μπορούν να συνδυαστούν για να έχουν πλήρεις χρονοσειρές χωρίς κενά, που χρησιμοποιούνται ως εισαγόμενα δεδομένα για γεωργο-μετεωρολογικά μοντέλα. Τα δεδομένα ραντάρ θα μπορούσαν επίσης να χρησιμοποιηθούν για να γεμίσουν τυχόν κενά στη σειρά οπτικών δεδομένων, συγκεκριμένα κατά τη διάρκεια συννεφιασμένων περιόδων. Η άνευ προηγουμένου ποσότητα δωρεάν δεδομένων Sentinel, εγγυημένη έως και το 2030 με την επόμενη γενιά Sentinel, προσφέρει μια μοναδική ευκαιρία για την παρακολούθηση των καλλιεργειών σε σχεδόν πραγματικό χρόνο.

Ανακτήθηκε από το "http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CF%84%CE%B1%CE%BD%CF%8C%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CF%87%CF%81%CE%BF%CE%BD%CE%B9%CE%BA%CE%AE%CF%82_%CF%83%CF%85%CE%BC%CF%80%CE%B5%CF%81%CE%B9%CF%86%CE%BF%CF%81%CE%AC%CF%82_%CF%84%CF%89%CE%BD_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%B5%CF%81%CE%B3%CE%B5%CE%B9%CF%8E%CE%BD_%CE%BC%CE%B5_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_Sentinel-1_%CE%BA%CE%B1%CE%B9_Sentinel-2_%CE%B3%CE%B9%CE%B1_%CE%B3%CE%B5%CF%89%CF%81%CE%B3%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%CF%82".
Προσωπικά εργαλεία