Χαρτογραφώντας τα εγκαταλελειμμένα αγροτεμάχια στην Kyzyl-Orda,Καζακσταν με τη χρήση δορυφορικής τηλεπισκόπησης.
Από RemoteSensing Wiki
(Νέα σελίδα με '<p align="justify"> '''Πρωτότυπος τίτλος:'''Mapping abandoned agricultural land in Kyzyl-Orda, Kazakhstan using satellite remote sensing <br> '''Συγγρ...') |
|||
| Γραμμή 73: | Γραμμή 73: | ||
| - | + | ||
| + | == ΑΝΑΦΟΡΕΣ == | ||
| + | |||
</p> | </p> | ||
1. Fauvel, M., Chanussot, J., & Benediktsson, J. A. (2006). Decision fusion for the classification of urban remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 2494e2497. http://dx.doi.org/10.1109/IGARSS.2006.645. | 1. Fauvel, M., Chanussot, J., & Benediktsson, J. A. (2006). Decision fusion for the classification of urban remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 2494e2497. http://dx.doi.org/10.1109/IGARSS.2006.645. | ||
Παρούσα αναθεώρηση της 00:15, 27 Ιανουαρίου 2021
Πρωτότυπος τίτλος:Mapping abandoned agricultural land in Kyzyl-Orda, Kazakhstan using satellite remote sensing
Συγγραφείς: Fabian Löw, Elisabeth Fliemann, Iskandar Abdullaev, Christopher Conrad, John P.A. Lamers
Citation:Fabian Löw, Elisabeth Fliemann, Iskandar Abdullaev, Christopher Conrad, John P.A. Lamers, Mapping abandoned agricultural land in Kyzyl-Orda, Kazakhstan using satellite remote sensing, Applied Geography, Volume 62, 2015, Pages 377-390, ISSN 0143-6228, [1].
Πηγή: Science Direct
Λέξεις κλειδιά: Abandoned cropland mapping; Central Asia; Aral sea; Land use trajectories; Decision fusion; Time-series
Αντικείμενο και στόχος της εφαρμογής :
Η συγκεκριμένη εφαρμογή αναφέρεται στον τομέα της Γεωργίας και ειδικότερα, στοχεύει στον εντοπισμό της εγκαταλελειμμένης καλλιεργήσιμης γής και στην αξιοποίηση της στη Λήψη Αποφάσεων για τη διαχείριση αυτής της γής.
1.Εισαγωγή:
Στις χώρες της Κεντρικής Ασίας που υπάγονταν στην πρώην Σοβιετική Ένωση, το πρόβλημα των εγκαταλελειμμένων καλλιεργήσιμων εκτάσεων είναι εκτεταμένο απο το 1991 και έπειτα [7]. Η εγκατάλειψη της αγροτικής γής συνδέεται με μια σειρά από προβλήματα, όπως υποβάθμιση του τοπίου και αυξημένο κίνδυνο διάβρωσης [10]. Έτσι, καθώς η ανθρωπότητα δουλεύει για την ικανοποίηση στόχων όπως η επισιτιστική ασφάλεια σε παγκόσμιο επίπεδο, η εγκατάλειψη καλλιεργήσιμων εκτάσεων θα πρέπει να παρακολουθείται, να περιορίζεται ή να αντισταθμίζεται μέσα από την αλλαγή της χρήσης της γης (π.χ. βοσκότοποι).
2. Σύνδεση με πρότερη έρευνα και ο ρόλος της τηλεπισκόπησης:
Ο εντοπισμός των εγκαταλελειμμένων εκτάσεων με χρήση τηλεπισκόπησης είναι μια πρόκληση, μιας και δεν εκφράζεται με ενιαίο τρόπο παγκοσμίως [5]. Για τη χαρτογράφηση των εκτάσεων αυτών χρησιμοποιούνται, κατά κύριο λόγο, με τη χρήση των παρακάτω εργαλείων της τηλεπισκόπησης:
- μέσω της ανάλυσης των τάσεων, βάσει χρονοσειρών φασματικών δεικτών, όπως ο δείκτης ΝDVI.
- μέσω μεταταξινομητικής ανάλυσης των LCT( Land Cover Trajectories- Αλληλουχίες ( Πορείες) Κάλυψης Γης).
3. Περιοχή μελέτης:
Ως περιοχή μελέτης επιλέγεται μια περιοχή 19,8 στρεμμάτων στο Kyzyl-Orda (Εικόνα 1). H βλάστηση της περιοχής συντίθεται από παραποτάμια βλάστηση, θαμνώδεις εκτάσεις, εκτάσεις καλαμιών και φυτείες ρυζιού. Μετά από δύο χρόνια καλλιέργειας ρυζιού, οι εκτάσεις αγραναπαύονται για τρία έτη και στη συνέχεια καλλιεργούνται άλλα είδη για δύο έτη και ύστερα καλλιεργείται εκ νέου ρύζι. Οι καλλιεργήσιμες εκτάσεις γειτνιάζουν με αραιές θαμνώδεις εκτάσεις, βότανα και χέρσα γη. Οι εγκαταλελειμμένες εκτάσεις καλύπτονται από φυσική βλάστηση μέσα σε ένα διάστημα 3-5 ετών, ενώ εάν τα εδάφη χαρακτηρίζονται από έντονη υφαλμύρωση παραμένουν χέρσα.
4. Δεδομένα:
4.1 Δορυφορικά δεδομένα και προεπεξεργασία:
Για την ανάλυση των εγκαταλελειμμένων αγροτεμαχίων (τα οποία υπήρξαν ενεργά επί Σοβιετικής ‘Ενωσης) μέσω LCT για την περίοδο 2009-2014, χρησιμοποιήθηκαν Landsat εικόνες χωρικής διακριτικής ικανότητας 30m (USGS;[2]). Επιλέχθηκαν οι δορυφορικές εικόνες Landsat 158/029 λόγω:
1. αφθονίας εγκαταλελειμμένων εκτάσεων
2. δυνατότητα έρευνας στο πεδίο για συλλογή δεδομένων
3. συγκριτικά καλής διαθεσιμότητας δεδομένων (π.χ. η νεφοκάλυψη περιορίστηκε σε μικρότερη του 10% και δεν επικαλύφθηκαν εκτάσεις)
Τα κενά των χρονοσειρών που παρήχθησαν απο τις Landsat εικόνες καλύφθηκαν με τη χρήση RapidEye level 1 B εικόνων χωρικής
ανάλυσης 6.5m. Για όλο το 2012 δεν υπάρχουν διαθέσιμες εικόνες Landsat-5 ™ ή αλλων εικόνων υψηλής χωρικής ανάλυσης. Επιλέχθηκαν εικόνες από διάφορους μήνες ανά έτος για να απεικονιστούν όλα τα στάδια της φαινολογίας των φυτών. Οι εικόνες συγχωνεύτηκαν με δύο υψηλής ανάλυσης, γεωαναφερμένες εικόνες SPOT-5. Εφαρμόστηκε η μέθοδος του “πλησιέστερου γείτονα” για την μετατροπή των εικόνων στο UTM σύστημα αναφοράς (WGS84), ενώ όλες οι εικόνες έχουν υποστεί ατμοσφαιρική διόρθωση μέσω της μεθόδου ACTOR 2 για επίπεδα εδάφη.
4.2 Διανυσματικά δεδομένα για τα αγροτεμάχια:
Επειδή δεν υπάρχουν επαρκείς δορυφορικές εικόνες από την εποχή της Σοβιετικής Ένωσης, ψηφιοποιήθηκαν όλα τα αντικείμενα σε σχέση με τις χρήσεις γης για την περιοχή μελέτης με τη χρήση υψηλής χωρικής ανάλυσης εικόνες SPOT-5 για το 2011 και το Google Earth.Για την ταξινόμηση των εικόνων υπολογίστηκαν τα στατιστικά μεγέθη διαφόρων δεικτών βλάστησης για κάθε αντικείμενο.
4.3 Δεδομένα ταξινόμησης:
Τα δεδομένα εκπαίδευσης και ελέγχου για τους ταξινομητικούς αλγορίθμους συλλέχθηκαν με επιτόπια έρευνα και χρήση κάμερας gps με ακρίβεια γεωτοποθεσίας 2-3 μέτρων. Για τα υπόλοιπα έτη χρησιμοποιήθηκε η φωτοερμηνεία και η σύγκριση των υπογραφών του NDVI με τα δεδομένα πεδίου του 2011. Δημιουργήθηκαν 5 κατηγορίες: α) ορυζώνες, β) βότανα/τριφύλλι, γ) θάμνοι, δ) χέρσα γη και ε)νερό. Η δειγματοληψία ήταν τυχαία και μόνο για το 2011 προσαρμόστηκε στους αντικειμενικούς περιορισμούς (π.χ. κακό οδικό δίκτυο).
5.Μέθοδος:
Ο εντοπισμός των εγκαταλελειμμένων αγροτεμαχίων, μέσω αντικειμενοστραφούς ταξινόμησης δορυφορικών εικόνων, πραγματοποιείται μέσα από τα τέσσερα ακόλουθα βήματα:
1. δημιουργία διανυσματικής βάσης δεδομένων όλων των αγροτεμαχίων που έχουν χρησιμοποιηθεί στην περιοχή μελέτης.
2. δημιουργία χαρτών χρήσεων γης για το διάστημα 2009-2014.
3. δημιουργία διαχρονικού αρχείου χρήσης γης για κάθε αντικείμενο.
4. ανάλυση της σχέσης LCT και της διανυσματικής βάσης δεδομένων.
Σχηματικά η μέθοδος αποδίδεται στην Εικόνα 2.
Να σημειωθεί ότι η ταξινόμηση των ετήσιων στοιβών των δορυφορικών εικόνων πραγματοποιήθηκε τόσο μέσω του αλγορίθμου RF, όσο και του αλγορίθμου SVM. Στη συνέχεια για την επίτευξη μεγαλύτερης ακρίβειας τα αποτελέσματα των δύο αλγορίθμων συνδυάστηκαν. Επίσης, οι παρακάτω εξής πέντε πορείες χρήσης γης χρησιμοποιήθηκαν ως χαρακτηριστικότερες:
1. Κάλυψη της έκτασης με θάμνους ή χερσαία έκταση για πάνω από 5 έτη.
2. Μετάβαση από χέρσα γη σε ποώδη βλάστηση.
3. Μετάβαση από ποώδη σε θαμνώδη βλάστηση.
4. Προσωρινοί ορυζώνες.
5. Πολλαπλές εναλλαγές ορυζώνων και ποώδους βλάστησης.
Η τελική ταξινόμηση επικαλύφθηκε από μια σειρά χωρικών δεικτών των ορίων της γεωργικής δραστηριότητας για την καλύτερη κατανόηση του μοτίβου των εγκαταλελειμμένων αγροτεμαχίων.
6. Αποτελέσματα και Συμπεράσματα :
Ο συνδυασμός των αποτελεσμάτων των δύο μη παραμετρικών αλγορίθμων ταξινόμησης RF και SVM, οδήγησε σε μια ταξινόμηση ακρίβειας 97%, η οποία ήταν στατιστικά σημαντικότερη σε σχέση με την ακρίβεια του κάθε αλγορίθμου μεμονωμένα. Αναλύοντας, τώρα, την πορεία των χρήσεων της γης παρατηρήθηκε πως εγκαταλελειμμένα τμήματα αγροτεμαχίων εντοπίστηκαν στο 50% περίπου των αγροτεμαχίων στο Kyzyl-Οrda με ακρίβεια της τάξης του 80% κατά προσέγγιση. Το ποσοστό των αταξινόμητων εκτάσεων αποδίδονται σε σφάλματα της ταξινόμησης. Ενδεικτικά αποτελέσματα παρατίθενται στην Εικόνα 3.
Συνολικά, η συγκεκριμένη μελέτη ανέδειξε μια αρκετά ακριβή μέθοδο εντοπισμού των εγκαταλελειμμένων εκτάσεων, ακόμη και όταν επικυριαρχούν σύνθετα μοτίβα εναλλαγής των καλλιεργειών στην περιοχή και τα αποτελέσματα της οποίας μπορούν να φανούν ιδιαίτερα χρήσιμα στους υπεύθυνους και τους φορείς Λήψης Αποφάσεων.
ΑΝΑΦΟΡΕΣ
1. Fauvel, M., Chanussot, J., & Benediktsson, J. A. (2006). Decision fusion for the classification of urban remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 2494e2497. http://dx.doi.org/10.1109/IGARSS.2006.645.
2. Foody, G. M., Boyd, D. S., & Sanchez-Hernandez, C. (2007). Mapping a specific class with an ensemble of classifiers. International Journal of Remote Sensing, 28, 1733e1746
3. Huang, C., Davis, L. S., & Townshend, J. R. G. (2002). An assessment of support vector machines for land cover classification.International Journal of Remote Sensing,23,725e749.http://dx.doi.org/10.1080/01431160110040323
4. Jeon, B., & Landgrebe, D. A. (1999). Decision fusion approach for multitemporal classification. IEEE Transactions on Geoscience and Remote Sensing, 37, 1227e1233.
5. Lambin, E. F., & Meyfroidt, P. (2011). Global land use change, economic globalization, and the looming land scarcity. PNAS, 108, 3465e3472. 6. Loosvelt, L., Peters, J., & Skriver, H. (2012). Impact of reducing polarimetric SAR input on the uncertainty of crop classifications based on the random forests algorithm. IEEE Transactions on Geoscience and Remote Sensing, 50, 4185e4200.
7. Müller, D., Kuemmerle, T., Rusu, M., & Griffiths, P. (2009). Lost in transition: determinants of post-socialist cropland abandonment in Romania.Journal of LandF. Low et al. / Applied Geography 62 (2015) 377e390389, Use Science, 4,109e129.http://dx.doi.org/10.1080/17474230802645881
8. Pal, M. (2005). Random forest classifier for remote sensing classification. International Journal of Remote Sensing, 26, 217e222 .
9. Pal, M., & Mather, P. M. (2005). Support vector machines for classification in remote sensing. International Journal of Remote Sensing, 26, 1007e1011.
10. Power, A. G. (2010).Ecosystem services and agriculture: Tradeoffs and synergies ecosystem services and agriculture: Tradeoffs and synergies. Society (pp.2959e2971).http://dx.doi.org/10.1098/rstb.2010.0143.
11. Waske, B., & Braun, M. (2009). Classifier ensembles for land cover mapping using multitemporal SAR imagery.ISPRS Journal of Photogrammetry and RemoteSensing, 64, 450e457.http://dx.doi.org/10.1016/j.isprsjprs.2009.01.003.
12. Waske, B., & van der Linden, S. (2008). Classifying multilevel imagery from SAR and optical sensors by decision fusion.IEEE Transactions on Geoscience and RemoteSensing, 46, 1457e1466.
13. Waske, B., van der Linden, S., Benediktsson, J. A., Rabe, A., & Hostert, P. (2010). Sensitivity of support vector machines to random feature selection in classification of hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing, 48, 2880e2889.
