Διαχωρισμός και Χαρτογράφηση Γεωργικών Στατιστικών με Χρήση Υπερχρονικής (hypertemporal) Τηλεπισκόπησης
Από RemoteSensing Wiki
(Διαφορές μεταξύ αναθεωρήσεων)
(Νέα σελίδα με '== '''Διαχωρισμός και Χαρτογράφηση Γεωργικών Στατιστικών με Χρήση Υπερχρονικής (hypertemporal) Τηλεπ...') |
|||
| Γραμμή 3: | Γραμμή 3: | ||
'''Αντικείμενο''' | '''Αντικείμενο''' | ||
| - | Η μέθοδος βασίζεται σε χρονική ανάλυση δεδομένων του δορυφόρου SPOT για τον διαχωρισμό βάσεων στατιστικών δεδομένων γεωργικών περιοχών[[Αρχείο:As 1.jpg|200px|thumb|right|Εικόνα 1]] ανά διοικητική μονάδα. Στόχος είναι η συμβολή στην ανάπτυξη των μεθόδων για τον συνδυασμό χωρικών και χρονικών δεδομένων χρήσης γης, χρησιμοποιώντας υπάρχοντες πηγές δεδομένων και την βελτίωση των μεθόδων που βασίζονται στην τηλεπισκόπηση και τα γεωγραφικά συστήματα πληροφοριών. | + | Η μέθοδος βασίζεται σε χρονική ανάλυση δεδομένων του δορυφόρου SPOT για τον διαχωρισμό βάσεων στατιστικών δεδομένων γεωργικών περιοχών[[Αρχείο:As 1.jpg|200px|thumb|right|Εικόνα 1. Συσχέτιση του δείκτη NDVI με τα στατιστικά στοιχεία των περιοχών]] ανά διοικητική μονάδα. Στόχος είναι η συμβολή στην ανάπτυξη των μεθόδων για τον συνδυασμό χωρικών και χρονικών δεδομένων χρήσης γης, χρησιμοποιώντας υπάρχοντες πηγές δεδομένων και την βελτίωση των μεθόδων που βασίζονται στην τηλεπισκόπηση και τα γεωγραφικά συστήματα πληροφοριών. |
'''Μεθοδολογία''' | '''Μεθοδολογία''' | ||
| - | Ο δείκτης NDVI συσχετίζεται με τις δηλωμένες εκτάσεις καλλιεργειών στις περιοχές αυτές και το προκύπτον μοντέλο χρησιμοποιείται για την χαρτογράφηση των καλλιεργειών (Εικόνα 1). Η μελέτη έγινε στην Ανδαλουσία της νότιας Ισπανίας, μια περιοχή με έκταση 87,268 km2. Χρησιμοποιήθηκαν εικόνες του δορυφόρου SPOT4 και SPOT5 Vegetation (VGT) με 10ήμερη σύνθεση εικόνων του δείκτη βλάστησης (NDVI) (γεωμετρικής ανάλυσης 1km), από το 1998 ως το 2006.Η ταξινόμηση της περιοχής σε 45 τάξεις μέσω επαναληπτικής μη-επιβλεπόμενης ταξινόμησης (Εικόνα 2),[[Αρχείο:As 2.jpg|200px|thumb|right|Εικόνα 2]] πραγματοποιήθηκε με το λογισμικό ERDAS και την μέθοδο της επαναληπτικής αυτό-οργανωμένης μη-επιβλεπόμενης ομαδοποίησης (iterative self-organized unsupervised clustering algorithm, ISODATA). Για να αποκλειστούν ευκολότερα οι μη γεωργικές περιοχές χρησιμοποιήθηκε και ένα επίπεδο με τις χρήσεις γης του CORINE σε περιβάλλον GIS και συγκρίθηκε με το επίπεδο που δημιουργήθηκε από την ταξινόμηση των εικόνων αφού έγινε και μετατροπή των τάξεων σε πολύγωνα. Κάθε τάξη παρουσιάζει έναν δείκτη NDVI που δείχνει την μεταβολή της έντασης της βλάστησης με την πάροδο του χρόνου, η οποία θεωρείται ότι σχετίζεται με τους τύπους κάλυψης γης και την παρούσα χρήση γης. Τέλος, οι τάξεις και οι δηλωμένες εκτάσεις καλλιεργειών συνδυάστηκαν για την χαρτογράφηση των γεωργικών στατιστικών (Εικόνα 3).[[Αρχείο:As 3.jpg|200px|thumb|right|Εικόνα 3]] | + | Ο δείκτης NDVI συσχετίζεται με τις δηλωμένες εκτάσεις καλλιεργειών στις περιοχές αυτές και το προκύπτον μοντέλο χρησιμοποιείται για την χαρτογράφηση των καλλιεργειών (Εικόνα 1). Η μελέτη έγινε στην Ανδαλουσία της νότιας Ισπανίας, μια περιοχή με έκταση 87,268 km2. Χρησιμοποιήθηκαν εικόνες του δορυφόρου SPOT4 και SPOT5 Vegetation (VGT) με 10ήμερη σύνθεση εικόνων του δείκτη βλάστησης (NDVI) (γεωμετρικής ανάλυσης 1km), από το 1998 ως το 2006.Η ταξινόμηση της περιοχής σε 45 τάξεις μέσω επαναληπτικής μη-επιβλεπόμενης ταξινόμησης (Εικόνα 2),[[Αρχείο:As 2.jpg|200px|thumb|right|Εικόνα 2. Χάρτης με τις 45 τάξεις του δείκτη NDVI από μη-επιβλεπόμενη ταξινόμηση]] πραγματοποιήθηκε με το λογισμικό ERDAS και την μέθοδο της επαναληπτικής αυτό-οργανωμένης μη-επιβλεπόμενης ομαδοποίησης (iterative self-organized unsupervised clustering algorithm, ISODATA). Για να αποκλειστούν ευκολότερα οι μη γεωργικές περιοχές χρησιμοποιήθηκε και ένα επίπεδο με τις χρήσεις γης του CORINE σε περιβάλλον GIS και συγκρίθηκε με το επίπεδο που δημιουργήθηκε από την ταξινόμηση των εικόνων αφού έγινε και μετατροπή των τάξεων σε πολύγωνα. Κάθε τάξη παρουσιάζει έναν δείκτη NDVI που δείχνει την μεταβολή της έντασης της βλάστησης με την πάροδο του χρόνου, η οποία θεωρείται ότι σχετίζεται με τους τύπους κάλυψης γης και την παρούσα χρήση γης. Τέλος, οι τάξεις και οι δηλωμένες εκτάσεις καλλιεργειών συνδυάστηκαν για την χαρτογράφηση των γεωργικών στατιστικών (Εικόνα 3).[[Αρχείο:As 3.jpg|200px|thumb|right|Εικόνα 3. Χάρτης με τα εκτιμώμενα ποσοστά ανά km2 τριών καλλιεργειών]] |
'''Αποτελέσματα''' | '''Αποτελέσματα''' | ||
Παρούσα αναθεώρηση της 16:14, 12 Φεβρουαρίου 2013
Διαχωρισμός και Χαρτογράφηση Γεωργικών Στατιστικών με Χρήση Υπερχρονικής (hypertemporal) Τηλεπισκόπησης
Αντικείμενο
Η μέθοδος βασίζεται σε χρονική ανάλυση δεδομένων του δορυφόρου SPOT για τον διαχωρισμό βάσεων στατιστικών δεδομένων γεωργικών περιοχών
Μεθοδολογία
Ο δείκτης NDVI συσχετίζεται με τις δηλωμένες εκτάσεις καλλιεργειών στις περιοχές αυτές και το προκύπτον μοντέλο χρησιμοποιείται για την χαρτογράφηση των καλλιεργειών (Εικόνα 1). Η μελέτη έγινε στην Ανδαλουσία της νότιας Ισπανίας, μια περιοχή με έκταση 87,268 km2. Χρησιμοποιήθηκαν εικόνες του δορυφόρου SPOT4 και SPOT5 Vegetation (VGT) με 10ήμερη σύνθεση εικόνων του δείκτη βλάστησης (NDVI) (γεωμετρικής ανάλυσης 1km), από το 1998 ως το 2006.Η ταξινόμηση της περιοχής σε 45 τάξεις μέσω επαναληπτικής μη-επιβλεπόμενης ταξινόμησης (Εικόνα 2),
Αποτελέσματα
Η σύγκριση των στατιστικών στοιχείων με τις τάξεις που δημιουργήθηκαν από την ταξινόμηση έδειξε ότι ο δείκτης βλάστησης και τα είδη και στάδια των καλλιεργειών συσχετίζονται σε μεγάλο βαθμό. Μερικές τάξεις που δεν αντιστοιχούσαν σε δηλωμένη καλλιεργητική έκταση, αντιπροσώπευε κάποια άλλη κατηγορία χρήσης γης. Η αξιολόγηση των αποτελεσμάτων με σύγκριση πρωτογενών δεδομένων έδειξε ότι είναι ακριβή.
Συμπεράσματα
Οι χάρτες καλλιεργειών που δημιουργήθηκαν αν και είναι χαμηλής ανάλυσης (1km x 1km), προσφέρουν σαφή διαχωρισμένες τάξεις και δεν φαίνεται να μειώνεται η αξιοπιστία της μεθόδου. Η μελέτη δείχνει ότι τα υπάρχοντα στατιστικά δεδομένα και η τηλεπισκόπησης μπορούν να χρησιμοποιηθούν για την χαρτογράφηση αντικειμένων ενδιαφέροντος.
Πηγή:
M.R. Khan, C.A.J.M. de Bie, H. van Keulen, E.M.A. Smaling, & R. Real (2010). Disaggregating and mapping crop statistics using hypertemporal remote sensing. International Journal of Applied Earth Observation and Geoinformation, 12, 36-46
