Κατανόηση της χρονικής συμπεριφοράς των καλλιεργειών με τη χρήση δεδομένων Sentinel-1 και Sentinel-2 για γεωργικές εφαρμογές
Από RemoteSensing Wiki
Αρχικό άρθρο: Estimating maize biomass and yield over large areas using high spatial and temporal resolution Sentinel-2 like remote sensing data [1] (Marjorie Battude, Ahmad Al Bitar, David Morin, Jérôme Cros, Mireille Huc, Claire Marais Sicre, Valérie Le Dantec, Valérie Demarez)
Keywords: High spatial and temporal resolution, Green Area Index, Biomass, Yield, Maize, Crop Modeling, Regional scale
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.
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.
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.
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 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. 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.
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.
