Ανίχνευση εγκατάλειψης ελαιώνα με τον Sentinel-2 και τη μηχανική μάθηση: Η ανάπτυξη ενός διαδικτυακού εργαλείου για τη διαχείριση της γης

Από RemoteSensing Wiki

Παρούσα αναθεώρηση της 12:34, 16 Ιανουαρίου 2023

Ανίχνευση εγκατάλειψης ελαιώνα με τον Sentinel-2 και τη μηχανική μάθηση: Η ανάπτυξη ενός διαδικτυακού εργαλείου για τη διαχείριση της γης

Πρωτότυπος τίτλος: Detecting olive grove abandonment with Sentinel-2 and machine learning: The development of a web-based tool for land management

Συγγραφείς: IrideVolpi ,Susanna Marchi , Ruggero Petacchi , Klean Hoxha , Diego Guidotti

Δημοσιεύθηκε: Περιοδικό «Smart Agricultural technology», Φεβρουάριος 2023

Σύνδεσμος πρότυπου κειμένου: [1]

Λέξεις-Κλειδιά: NDVI, Random Forest, Progressive web app τηλεπισκόπησης

Εικόνα 1: Κατηγορίες σημείων

Πίνακας 1: Μοντέλο NDVI των δυο διαφορετικών τάξεων

Πίνακας 2: Αποτελέσματα της Random Forest

Εικόνα 2: Ενδεικτική εικόνα της εφαρμογής για smartphones

Αντικείμενο Εφαρμογής

Η εγκατάλειψη των αγροτικών περιοχών είναι ένα σημαντικό περιβαλλοντικό και κοινωνικοοικονομικό ζήτημα στην Ευρώπη, που απειλεί τη σταθερότητα και την κερδοφορία της αγροτικής παραγωγής. Ο εντοπισμός και ο ποσοτικός προσδιορισμός της εγκαταλελειμμένης γης είναι καίριας σημασίας για τη χρονική και χωρική παρακολούθηση της διαδικασίας και για την εφαρμογή εναλλακτικών μέτρων διαχείρισης. Σε αυτή τη μελέτη παρουσιάζεται ένα μοντέλο μηχανικής μάθησης (δηλαδή ένα τυχαίο δάσος) για την αναγνώριση εγκαταλελειμμένων ελαιώνων χρησιμοποιώντας παρατηρήσεις πεδίου και χρονοσειρές NDVI, που δοκιμάστηκαν σε ένα τυπικό αγρό-οικοσύστημα στην κεντρική Ιταλία. Ακόμη, αναπτύχθηκε εφαρμογή για smartphones με δυνατότητα καταγραφής της γεωγραφικής θέσης, η οποία χρησιμοποιήθηκε για τη συλλογή σημείων πεδίου, τα οποία με τη σειρά τους χρησιμοποιήθηκαν για την εκπαίδευση του μοντέλου. Τα δεδομένα του NDVI από τον Ιανουάριο έως τον Δεκέμβριο του 2020, που υπολογίστηκαν σε εικόνες Sentinel-2, εξήχθησαν για κάθε σημείο παρακολούθησης και συμπληρώθηκαν με κενό για να ληφθεί χρονική σειρά διαστήματος 10 ημερών.

Εισαγωγή

Οι παγκόσμιες και περιφερειακές, περιβαλλοντικές και κοινωνικοοικονομικές αλλαγές οδήγησαν σε μια ευάλωτη κατάσταση για τον κλάδο της ελιάς, ειδικά για τους μικροκαλλιεργητές, ως αποτέλεσμα της αστάθειας τόσο της παραγωγής (εξαρτώμενη από την ετήσια συγκομιδή) όσο και των τιμών (λόγω της αβεβαιότητας της παγκόσμιας αγοράς). Η εγκατάλειψη των ελαιώνων είναι μια συνεχής διαδικασία στα παραδοσιακά συστήματα παραγωγής ελαιόδεντρων καθώς σε ορισμένες περιπτώσεις (πχ. ορεινές περιοχές) μπορεί να προκαλέσει δυσμενείς οικονομικές, κοινωνικές, περιβαλλοντικές και πολιτιστικές επιπτώσεις. Ο γενικός στόχος της παρούσας μελέτης είναι η ανάπτυξη μιας αυτόματης τεχνικής για την αναγνώριση εγκαταλελειμμένων ελαιώνων χρησιμοποιώντας τηλεπισκόπηση, χαρτογράφηση πεδίου και ψηφιακά εργαλεία, με βάση την υπόθεση ότι ένα μοντέλο μηχανικής μάθησης, εκπαιδευμένο με παρατηρήσεις πεδίου, μπορεί να διακρίνει εγκαταλελειμμένους από καλλιεργούμενους ελαιώνες, χρησιμοποιώντας ως χαρακτηριστικά την ετήσια σειρά NDVI. Ακόμη, προτείνεται διαδικτυακό εργαλείο παρακολούθησης του επιπέδου εγκατάλειψης γης με στόχο την παροχή τεχνολογικών και πρακτικών λύσεων για το σχεδιασμό βιώσιμων γεωργικών πολιτικών.

Μεθοδολογία

1.Περιοχή Μελέτης Η έρευνα διεξήχθη σε ένα τυπικό αγρό-οικοσύστημα στην κεντρική Ιταλία (Τοσκάνη), όπου κυριαρχούν τα ελαιόδεντρα, που περιλαμβάνεται στην περιοχή Προστατευόμενης Ονομασίας Προέλευσης (ΠΟΠ) «Olio Seggiano». Οι παραδοσιακά διαχειριζόμενοι και εγκαταλελειμμένοι ελαιώνες στην περιοχή μελέτης βρίσκονται σε υψόμετρο που κυμαίνεται από 400μ έως 800μ πάνω από την επιφάνεια της θάλασσας. Στην περιοχή μελέτης υπάρχουν 7.465 αγροτεμάχια ελαιόδεντρων με μέσο μέγεθος 0,55 εκτάρια και συνολική επιφάνεια 4.158,18 εκτάρια.

2.Δεδομένα Πεδίου Τα σημεία πεδίου συγκεντρώθηκαν με μια εφαρμογή για smartphones, επιτρέποντας την καταγραφή των γεωγραφικών συντεταγμένων για κάθε παρατηρούμενο σημείο. Παρέχει δυνατότητες όπως συγχρονισμό φόντου, υποστήριξη εκτός σύνδεσης, εγκατάσταση αρχικής οθόνης για κινητές πλατφόρμες, επιτρέποντας στους χρήστες να εργάζονται εύκολα και σε περιοχές χωρίς ή περιορισμένο εύρος ζώνης. Η εφαρμογή διευκόλυνε τη συλλογή του σημείου ελέγχου εδάφους από διαφορετικούς τύπους χρηστών, παρέχοντας μια καθοδηγούμενη μορφή εισαγωγής δεδομένων για την περιγραφή εγκαταλελειμμένων ελαιώνες, η οποία πραγματοποιήθηκε ενσωματώνοντας δεδομένα GPS, επιτόπια έρευνα και οδηγίες χρήστη. Ακόμη, Πραγματοποιήθηκε επιτόπια παρακολούθηση από εκπαιδευμένους τεχνικούς της Scuola Superiore Sant'Anna και της Κοινοπραξίας «Olio Seggiano» ΠΟΠ, παίρνοντας σημεία σε απόσταση τουλάχιστον 20 μέτρων μεταξύ τους. Τα σημεία καταγράφηκαν στην εφαρμογή smartphone ως (i) «woodland» όταν το σημείο βρισκόταν σε ημιφυσικές δασικές εκτάσεις. (ii) «cultivated» όταν το σημείο βρισκόταν σε διαχειριζόμενους ελαιώνες, όπου κλαδεύτηκε η κόμη (τουλάχιστον μία φορά τα τελευταία τρία χρόνια) και η διαχείριση του εδάφους γινόταν χωρίς βλάστηση, (iii) «abandoned» όταν η ελιά το άλσος δεν υποβλήθηκε σε διαχείριση. Για την εκπαίδευση του μοντέλου, τη δοκιμή και την επικύρωση, το σύνολο δεδομένων χωρίστηκε σε τρία μέρη όπως φαίνεται στην Εικόνα 1. Το σύνολο δεδομένων που περιλαμβάνει σημεία, που χρησιμοποιήθηκαν για την εκπαίδευση και τη δοκιμή του μοντέλου, αποτελούνταν από 277 καλλιεργημένα και 277 εγκαταλελειμμένα σημεία δειγματοληψίας.

3.Απόκτηση και μοντελοποίηση δεδομένων Sentinel-2 Οι εικόνες Sentinel-2 που τραβήχτηκαν μεταξύ Ιανουαρίου 2020 και Δεκεμβρίου 2020 (65 εικόνες) λήφθηκαν χρησιμοποιώντας λειτουργίες Google Earth Engine (GEE), υλοποιήθηκαν στην Python, εφαρμόζοντας τη μάσκα Hollstein για κάλυψη σύννεφων. Επιπλέον, μέσω του GEE, υπολογίστηκε ο δείκτης NDVI χρησιμοποιώντας εγγύς υπέρυθρες (NIR) και κόκκινες ζώνες (Red). Όλα τα βήματα που απαιτούνται για την εκπαίδευση και την αξιολόγηση μοντέλων αντιμετωπίστηκαν χρησιμοποιώντας OTB. Η συνάρτηση "ImageTimeSeriesGapFilling" του OTB χρησιμοποιήθηκε για την πλήρωση δεδομένων που λείπουν (π.χ. λόγω σύννεφων) και για προσωρινή επανα-δειγματοληψία, με στόχο τη δειγματοληψία δεδομένων σε ένα κανονικό χρονικό πλέγμα 10 ημερών, χρησιμοποιώντας γραμμική παρεμβολή. Στη συνέχεια, τα δεδομένα του NDVI για κάθε ημέρα της χρονοσειράς εξήχθησαν για κάθε σημείο παρακολούθησης, χρησιμοποιώντας μια προσέγγιση βασισμένη σε εικονοστοιχεία. Η εξαγωγή χαρακτηριστικών για κάθε σημείο στα τρία σύνολα δεδομένων (εκπαίδευση, δοκιμή και επικύρωση) πραγματοποιήθηκε χρησιμοποιώντας τη συνάρτηση «Sample extraction» του OTB. Τέλος, αναπτύχθηκε ένα μοντέλο Random Forest χρησιμοποιώντας το σύνολο δεδομένων εκπαίδευσης, μέσω της συνάρτησης «TrainVectorClassifier» του OTB, με χαρακτηριστικά τις τιμές του NDVI στην ετήσια σειρά.

4.Ταξινόμηση των αγροτεμαχίων ελιάς στην περιοχή μελέτης Όλα τα εικονοστοιχεία που περιλαμβάνονται στα πολύγωνα των αγροτεμαχίων της ελιάς στην περιοχή μελέτης ταξινομήθηκαν χρησιμοποιώντας το εκπαιδευμένο μοντέλο Random Forest, μέσω της συνάρτησης «ImageClassifier» από την OTB. Η έκταση των αγροτεμαχίων ελιάς που ταξινομήθηκαν ως εγκαταλελειμμένα στο σύνολο, υπολογίστηκε μόνο για τους δήμους των οποίων τα διοικητικά όρια εντάχθηκαν εξ ολοκλήρου στην ΠΟΠ.

5.Ανάπτυξη του διαδικτυακού εργαλείου Το αποτέλεσμα της άσκησης μοντελοποίησης δημοσιεύτηκε στο διαδίκτυο για να γίνει διαθέσιμο στους τελικούς χρήστες. Το εργαλείο αποτελείται από ένα διαδικτυακό GIS που χρησιμοποιεί τα δεδομένα ανοιχτού κώδικα OpenStreetMap ως βασικό χάρτη, που επιτρέπει την απόκτηση του χάρτη που δημιουργείται από το σύστημα ανάλυσης δεδομένων και τον καθιστά διαθέσιμο μέσω μιας διεπαφής ιστού. Το εργαλείο που βασίζεται στο web επιτρέπει την εμφάνιση των συλλεγόμενων σημείων των καμπανιών παρακολούθησης σε πραγματικό χρόνο.

Αποτελέσματα

Η εφαρμογή smartphone επέτρεψε τη συλλογή 751 παρατηρήσεων πεδίου. Η χρήση αυτής της εφαρμογής απλοποίησε την εργασία πεδίου των χρηστών, σε σύγκριση με τις παραδοσιακές μεθόδους που χρησιμοποιούν συσκευή εντοπισμού GPS και καταγράφουν τις πληροφορίες σε ένα βιβλίο πεδίου. Η εφαρμογή επιτρέπει την απομνημόνευση τόσο των συντεταγμένων όσο και των αποτελεσμάτων της παρατήρησης, καθώς και την απεικόνιση των αποτελεσμάτων σε πραγματικό χρόνο στο διαδικτυακό GIS. Ο μέσος όρος των τιμών NDVI που υπολογίστηκαν για όλα τα σημεία δειγματοληψίας στο σετ εκπαίδευσης, υπογραμμίζει ένα διαφορετικό μοτίβο μεταξύ των δύο τάξεων ελαιώνων, cultivated και abandoned που φαίνεται στον Πίνακα 1. Τα εικονοστοιχεία που αντιστοιχούν στους abandoned ελαιώνες είχαν υψηλότερο ετήσιο μέσο NDVI (0,55) από εκείνα που αντιστοιχούν στους cultivated ελαιώνες (0,51). Ακόμη, το μέσο προφίλ NDVI των καλλιεργούμενων ελαιώνων παρουσίασε δύο κορυφές, η μία την άνοιξη και η άλλη το φθινόπωρο. Το μοντέλο Random Forest ταξινόμησε τα σημεία δειγματοληψίας στο σύνολο δεδομένων δοκιμής με ακρίβεια 0,85, με μεγαλύτερη ικανότητα ταξινόμησης των καλλιεργημένων από τα abandoned σημεία, η ειδικότητα ίση με 0,88 και η ευαισθησία ίση με 0,82 όπως φαίνεται στον Πίνακα 2. Επίσης, η ακρίβεια στο σύνολο δεδομένων επικύρωσης ήταν ίση με 0,85, με μεγαλύτερη ικανότητα ταξινόμησης εγκαταλελειμμένων σημείων από την καλλιεργούμενη, η ευαισθησία ήταν ίση με 0,92 και η ειδικότητα ίση με 0,82. Αυτό το αποτέλεσμα κατέδειξε τη δυνατότητα εφαρμογής της προτεινόμενης μεθοδολογίας για τον εντοπισμό cultivated και abandoned ελαιώνων, όταν είναι γνωστά τα αγροτεμάχια της ελιάς. Τα αποτελέσματα της εργασίας επιβεβαίωσαν όσα αναφέρθηκαν σε άλλες μελέτες σχετικά με την καλή απόδοση του Random Forest στην εποπτευόμενη ταξινόμηση. Ωστόσο, περαιτέρω εργασία θα πρέπει να γίνει πάνω στην εφαρμογή της προτεινόμενης μεθοδολογίας σε άλλες περιοχές, καθώς η ακρίβεια του Random Forest αναφέρθηκε μερικές φορές χαμηλότερη όταν εφαρμόζεται σε περιοχές διαφορετικές από αυτές του συνόλου δεδομένων εκπαίδευσης. Το ράστερ που προέκυψε από την ταξινόμηση Random Forest όλων των pixel στους ελαιώνες εντός της περιοχής μελέτης συμπεριλήφθηκε στο διαδικτυακό GIS, επιτρέποντας μια σαφή οπτικοποίηση μέσω μιας φιλικής προς τον χρήστη διεπαφής και χρησιμοποιήθηκε ως εργαλείο παρακολούθησης από τις ενώσεις των παραγωγών της ΠΟΠ «Olio Seggiano». Το διαδικτυακό εργαλείο παρείχε μια γραφική διεπαφή χρήστη με έναν πλοηγήσιμο χάρτη που αποτελείται από διαφορετικά επίπεδα, τα οποία μπορούσαν να επιλεγούν από τους χρήστες. Τα ολοκληρωμένα στρώματα ήταν: (i) ένας βασικός χάρτης (OpenStreetMap), (ii) τα διοικητικά όρια των δήμων του «Olio Seggiano» ΠΟΠ, (iii) τα αγροτεμάχια ελιάς που χαρτογραφήθηκαν ενώνοντας το σύνολο δεδομένων χρήσης γης της Περιφέρειας της Τοσκάνης (iv) η έξοδος του μοντέλου μηχανικής μάθησης με abandoned και cultivated αγροτεμάχια ελιάς, (v) τα σημεία παρακολούθησης που λαμβάνονται αυτόματα από την εφαρμογή για smartphone (Εικόνα 2).

Συμπεράσματα

Μέσα από την εργασία αυτή παρουσιάζονται οι δυνατότητες που μπορούν να προσφέρουν δοκιμασμένες τεχνολογίες στην παρακολούθηση και διαχείριση της γης.