Παρακολούθηση της φαινολογίας των καλλιεργειών με προσέγγιση τηλεπισκόπησης κοντά στην επιφάνεια μέσω smartphone

Από RemoteSensing Wiki

Πρωτότυπος Τίτλος: Monitoring crop phenology using a smartphone based near-surface remote sensing approach

Συγγραφείς: Koen Hufkens, Eli K. Melaas, Michael L. Mann, Timothy Foster, Francisco Ceballos, Miguel Robles, Berber Kramer

Πηγή: Agricultural and Forest Meteorology 265 (2019) 327–337 [1]

Εισαγωγή

Οι μικροκαλλιεργητές παίζουν καθοριστικό ρόλο στην υποστήριξη της επισιτιστικής ασφάλειας στις αναπτυσσόμενες χώρες, παράγοντας το 30-50% της παγκόσμιας προσφοράς τροφίμων (Ricciardi et al., 2018) και αντιπροσωπεύουν πάνω από το 80% των αγροκτημάτων παγκοσμίως (Lowder et al., 2016). Η παρακολούθηση της φαινολογίας των καλλιεργειών και των διαταραχών στην ανάπτυξη των καλλιεργειών έχει τεράστια σημασία για την ενίσχυση της ικανότητας των γεωργών να διαχειρίζονται τους κινδύνους που συνδέονται με τις καιρικές συνθήκες, ιδίως επειδή τα ακραία καιρικά φαινόμενα ενδέχεται να επιδεινωθούν στο μέλλον λόγω της κλιματικής αλλαγής. Οι τεχνικές τηλεπισκόπησης πλησίον της επιφάνειας και, ειδικότερα, οι σταθερές κάμερες ή οι φαινοκάμερες είναι πολλά υποσχόμενες ως μια οικονομικά αποδοτική μέθοδος για να γεφυρωθεί το χάσμα μεταξύ δορυφορικής τηλεπισκόπησης σε τοπική κλίμακα και παρακολούθησης της δυναμικής της βλάστησης σε επίπεδο βάσης (Hufkens et al., 2012, Keenan et al., 2014, Klosterman et al., 2014). Η μελέτη αυτή αξιολογεί τη σκοπιμότητα της χρήσης εικόνων τηλεπισκόπησης πλησίον της επιφάνειας για την παρακολούθηση της χειμερινής φαινολογίας του σιταριού και τον εντοπισμό ζημιών στη βορειοδυτική Ινδία.

Μεθοδολογία

Επιλογή περιοχών μελέτης και πρωτόκολλο φωτογράφισης

Εικόνα 1) α) Φωτογραφία καλλιέργειας ρυζιού κατά την αρχική του ανάπτυξη από smartphone μικρο-καλλιεργητή. Η τοποθεσία της λήψης της φωτογραφίας περιορίζεται από τους στήλους αναφοράς και το GPS του smartphone. β) Η ίδια εικόνα επεξεργασμένη να οριοθετήσει αυτόματα μια περιοχή ενδιαφέροντος (διακεκομμένο κίτρινο πολύγωνο) σε σχέση με τον ορίζοντα όπως αυτός ανιχνεύεται από έναν αλγόριθμο σημείου αλλαγής.

Η παρούσα έρευνα επικεντρώθηκε σε 50 χωριά στο Παντζάμπ και τη Χαριάνα της Ινδίας, περιοχές οι οποίες και οι δύο χαρακτηρίζονται από ξηρό και ζεστό κλίμα, ενώ καλλιεργούνται κυρίως με σιτάρι και ρύζι. To participate in the study, 508 αγρότες επιλέχθηκαν βάσει συγκεκριμένων κριτηρίων και τους ζητήθηκε να λάβουν τρεις επαναλαμβανόμενες φωτογραφίες του ασφαλισμένου χώρου ανά εβδομάδα καθ 'όλη τη διάρκεια της καλλιεργητικής περιόδου, ακολουθώντας όσο περισσότερο γίνεται τις καθιερωμένες οδηγίες από τους Sonnentag et al. (2012). Οι φωτογραφίες λήφθηκαν μέσω εφαρμογής Android η οποία μέσω διαδραστικού χάρτη παρείχε την δυνατότητα σύγκρισής τους με μια αρχική γεωαναφερόμενη φωτογραφία για τον έλεγχο της θέσης λήψης, αλλά και δυνατότητα ευθυγράμμισης του κάδρου κάθε φωτογραφίας με το κάδρο της αρχικής. Μια σταθερή ισορροπία λευκού μεταξύ των εικόνων χρησιμοποιήθηκε για τη λήψη συγκρίσιμων αναλογιών RGB σε μια δεδομένη τοποθεσία καθ 'όλη τη διάρκεια της σεζόν. Όλες οι φωτογραφίες ανέβηκαν σε server για περαιτέρω επεξεργασία.

Σκιαγράφηση περιοχής ενδιαφέροντος και υπολογισμός δείκτη βλάστησης

Για τη δοκιμή της προτεινόμενης μεθοδολογίας για την παρακολούθηση της φαινολογίας των καλλιεργειών, η ανάλυση περιορίστηκε σε περιοχές με κάλυψη εικόνας από την αρχή της καλλιεργητικής περιόδου έως τη συγκομιδή και σε τουλάχιστον 30 εικόνες κατανεμημένες σχετικά ομοιόμορφα καθ 'όλη τη διάρκεια της περιόδου. Για κάθε εικόνα υπολογίστηκε το 90ο εκατοστημόριο των Green Chromatic Coordinates (Gcc) για μια σταθερή περιοχή ενδιαφέροντος (region-of-interest, ROI) για να αυξήσει τη σταθερότητα του σήματος πρασίνου με την πάροδο του χρόνου (Sonnentag et al., 2012). Το Gcc ορίζεται ως ο λόγος του πράσινου Ψηφιακού Αριθμού (Green-DN) προς το άθροισμα όλων των ψηφιακών αριθμών (φωτεινότητα της εικόνας). Η απουσία ενός σταθερού σημείου εκτίμησης κατέστησε αδύνατο τον καθορισμό μιας σταθερής ROI για τον υπολογισμό ενός χρωματικού δείκτη βλάστησης. Για την αυτόματη οριοθέτηση μιας ROI εικόνα ανά εικόνα, εφαρμόστηκε ένας αλγόριθμος ανίχνευσης ορίζοντα. Ένα παράδειγμα αυτόματα καθορισμένου ROI παρέχεται στην Εικόνα 1β. Σε όλες τις επόμενες χρησιμοποιήθηκαν καθημερινά παρεμβαλλόμενα εξομαλυμένα δεδομένα εξαιτίας της απόκτησης των φωτογραφιών σε ανόμοια χρονικά διαστήματα, τα οποία επίσης κανονικοποιούνται μεταξύ 0 και 1 διότι οι κάμερες δεν είναι ραδιομετρικά βαθμονομημένες.

Καθορισμός κατωφλίων Gcc για φαινολογία και πλάγιασμα

Εικόνα 2) Στάδια ανάπτυξης σιταριού: α) Αρχική ανάπτυξη μετά τη σπορά με ορατό έδαφος. β) κλειστή φυλλωσιά χωρίς ορατό έδαφος. γ) σιτάρι που εμφανίζει "ορατά αυτιά", το δεύτερο κριτήριο ταξινόμησης. δ) εικόνα που εμφανίζει πλάγιασμα του σιταριού που ανατρέπεται από τον άνεμο και τη βροχή.

Για τη σύνδεση των τιμών Gcc με τις διάφορες φάσεις ανάπτυξης του σιταριού και για την εξαγωγή των δύο κοινών κατωφλίων: (1) κλείσιμο φυλλωσιών ή απουσία ορατού γυμνού εδάφους (χώμα που εμφανίζεται ανάμεσα στα φυτά), ενδεικτικό του άκρου του φύλλου και της ανάπτυξης του φυτού και (2) ορατά αυτιά σίτου (δηλαδή ανθοφόρα σώματα σιταριού) που αντιπροσωπεύουν την έναρξη του σταδίου ανάπτυξης της κεφαλής, ταξινομήθηκαν με μη αυτόματο τρόπο όλες οι εικόνες για την παρουσία «ορατού εδάφους» (Εικ. 2α) ή «ορατών αυτιών» (Εικ. 2γ). Οι εικόνες που δεν αντιστοιχούν σε καμία από τις δύο αυτές ταξινομήσεις αντιπροσωπεύουν τη φάση ανάπτυξης μεταξύ του τέλους του «αδελφώματος» και της ανάπτυξης των ανθισμένων σωμάτων, δηλαδή την αναπτυξιακή φάση επέκτασης του σπόρου του σιταριού (Εικ. 2β). Στη συνέχεια, για κάθε τοποθεσία καθορίστηκαν τόσο οι ημερομηνίες όσο και οι ομαλοποιημένες και κανονικοποιημένες τιμές του δείκτη Gcc στις οποίες ολοκληρώθηκε η μεγαλύτερη συνεχής σειρά δεδομένων με την ένδειξη «ορατό χώμα» ή «ορατά αυτιά». Εδώ, το τέλος της κατηγορίας «ορατού εδάφους» και η αρχή της κατηγορίας «ορατών σιτηρών σιταριού» αντιστοιχούν στις φαινολογικές φάσεις του αδελφώματος και της ανθοφορίας ή ξεσταχυάσματος, αντίστοιχα. Ως εκ τούτου, η μεταβλητότητα των ημερομηνιών στις οποίες συμβαίνουν αυτά τα γεγονότα καθορίζει τη μεταβλητότητα της ανάπτυξης των καλλιεργειών μεταξύ των τοποθεσιών, ενώ οι τιμές Gcc υποδηλώνουν την τιμή στην οποία πραγματοποιήθηκαν αυτές οι αλλαγές.

Προεπεξεργασία δεδομένων δορυφορικής τηλεπισκόπηση

Έγινε σύγκριση των ημερομηνιών όπου προσδιορίζεται η μετάβαση μεταξύ των σταδίων ανάπτυξης από μεμονωμένες παρατηρήσεις εδάφους μέσω smartphone και εκείνων που η μετάβαση προσδιορίζεται μέσω δορυφορικής τηλεπισκόπησης, χρησιμοποιώντας κοινά κατώτατα όρια και για τα δύο. Στη συνέχεια χρησιμοποιήθηκαν οπτικές παρατηρήσεις του τέλους του αδελφώματος (end-of-tillering, EOT) και της αρχής του ξεσταχυάσματος (start-of-heading, SOH) για την εξαγωγή κοινών τιμών κατωφλίων του δείκτη βλάστησης κατά το στάδιο ανάπτυξης, αντί για αυθαίρετα καθορισμένες τιμές. Ένα ισχυρό κοινό κατώτατο όριο θα παρείχε έναν τρόπο εκτίμησης της φαινολογίας των καλλιεργειών και χωρίς οπτική εκτίμηση. Συγκρίθηκαν ημερομηνίες κατά τις οποίες ξεχωριστές χρονοσειρές Gcc φτάνουν στα κοινά κατώτατα όρια με ημερομηνίες κατά τις οποίες ο δείκτης βλάστησης για τον ίδιο οικόπεδο φθάνει ένα κατώφλι, όπως προέρχεται από δύο προϊόντα τηλεπισκόπησης, με διαφορετικές χωρικές και χρονικές κλίμακες. Συγκεκριμένα λήφθηκαν χρονοσειρές του δείκτη Enhanced Vegetation Index (EVI) από τα Harmonized Landsat Sentinel (HLS) και Moderate Resolution Imaging Spectroradiometer (MODIS). Τα φαινολογικά όρια που χρησιμοποιούνται στα δορυφορικά προϊόντα τηλεπισκόπησης ή στην ανάλυση σπανίως συνδέονται άμεσα με την παρατηρούμενη φυσιολογική ανάπτυξη των φυτών (Zhang et al., 2003, Hufkens et al., 2012). Αποκομίστηκαν ένα σύνολο γενικευμένων φαινολογικών ημερομηνιών για την έναρξη της σεζόν που αντιστοιχούν στο EOT και στο SOH με βάση μια σειρά πιθανών αυθαίρετων ορίων τόσο για τα σύνολα δεδομένων από την τηλεπισκόπηση όσο και για τις χρονοσειρές GCC. Η σύγκριση με τις φαινολογικές ημερομηνίες που προέρχονται από το GCC με βάση τα συνήθη κατώτατα όρια που περιγράφηκαν παραπάνω χρησιμεύει στη συνέχεια για την αξιολόγηση πιθανών σφαλμάτων στην εκτίμηση της φαινολογίας των καλλιεργειών βάσει της χρήσης αυθαίρετων κατωφλίων εύρους που χρησιμοποιούνται συνήθως στην ανάλυση εικόνων δορυφορικής τηλεπισκόπησης.

Στατιστική ανάλυση

Η εκτίμηση για την χωρική και χρονική μεταβλητότητα της ανάπτυξης των φυτών συνήθως πραγματοποιείται μέσω του θερμικού χρόνου (GDD, growing degree days). Εξαιτίας όμως της αβεβαιότητας για τις ημερομηνίες θερίσματος, η μελέτη βασίστηκε στον συγχρονισμό του φαινολογικού κύκλου των καλλιεργειών εξαιτίας των μικρών αποκλίσεων θερμοκρασίας σε τόπους μικρής κλίσης (Defriez και Reuman, 2017).

Έγινε αξιολόγηση της εδαφικής ετερογένειας (ή της έλλειψής της) στο χρονοδιάγραμμα του σταδίου ανάπτυξης εντός και μεταξύ των οικοπέδων, με σκοπό τον ποσοτικό προσδιορισμό του βαθμού χωρικής και χρονικής συνέπειας στην φαινολογία των καλλιεργειών μεταξύ των in situ εικόνων καλλιέργειας και των προϊόντων τηλεπισκόπησης.

Τέλος, πραγματοποιήθηκε ποσοτικοποίηση της επιρροής του πλαγιάσματος στις τιμές του δείκτη Gcc, συγκρίνοντας μέσες τιμές του δείκτη για την εβδομάδα που περιέχει το φαινόμενο και τις δύο εβδομάδες πριν και μετά από αυτήν.

Αποτελέσματα και συμπέρασμα

Η ανάλυση δείχνει ότι η τηλεπισκόπηση πλησίον επιφάνειας μπορεί να συλλάβει την εξέλιξη της περιόδου ανάπτυξης των καλλιεργειών με τρόπο που βελτιώνει το επίπεδο των πληροφοριών που συλλέγονται με εναλλακτικές μεθόδους. Χρησιμοποιήθηκαν οπτικές εκτιμήσεις και βρέθηκε ότι τα καλά περιορισμένα όρια πλάτους στην πρασινότητα της βλάστησης συσχετίζεται με το χρόνο των βασικών φαινολογικών φάσεων κατά την ανάπτυξη του σιταριού.

Επιπλέον, σε αντίθεση με τις προηγούμενες μελέτες για τα φυλλοβόλα πλατύφυλλα (Hufkens et al., 2012, Klosterman et al., 2014), παρουσιάζεται μια ασθενή σχέση μεταξύ των φαινολογικών μετρήσεων που προέρχονται από τον Gcc και τη δορυφορική τηλεπισκόπηση, όταν λαμβάνονται υπ’όψιν κοινά κατώτατα όρια για τις μετρήγσεις που προέρχονται από τον Gcc.

Ουσιαστικά, οι τεχνικές δορυφορικής τηλεπισκόπησης δεν είναι σε θέση να καταγράψουν το σημαντικό βαθμό χωρικής ετερογένειας στη φαινολογία των καλλιεργειών που παρατηρείται τόσο μέσα όσο και μεταξύ μικρών οικοπέδων στο μελετούμενο δείγμα. Επιπλέον, η τηλεανίχνευση κοντά στην επιφάνεια διαφοροποιείται από τα περισσότερα προϊόντα δορυφορικής τηλεπισκόπησης μέσω της ικανότητας σύνδεσης τιμών κατωφλίου που προσεγγίζουν τα σημεία καμπής στις καμπύλες Gcc με φυσιολογικά καλώς χαρακτηρισμένες φαινολογικές φάσεις. Είναι σημαντικό να δείξουμε ότι τέτοιες φάσεις δεν μπορούν να ποσοτικοποιηθούν μέσω ad-hoc κατωφλίων δεικτών βλάστησης δορυφορικής τηλεπισκόπησης υψηλής ανάλυσης.

Τα δεδομένα τύπου Phenocam που προέρχονται από κάμερες smartphone στο έδαφος παρέχουν δεδομένα υψηλής ανάλυσης, με συνεχή κάλυψη ακόμα και σε νεφελώδεις καιρούς, κάτι που δεν μπορεί να επιτευχθεί μέσω δορυφορικών δεδομένων. Oι βελτιωμένες επιδόσεις των εικόνων κοντά στην επιφάνεια μπορούν επίσης να αντικατοπτρίζουν θεμελιώδεις διαφορές στις ιδιότητες των δεικτών βλάστησης που προέρχονται από τη δορυφορική και πλησίον της επιφάνειας τηλεπισκόπηση. Επιπλέον, τα δεδομένα τύπου Phenocam θα μπορούσαν να προσφέρουν πρόσθετες πληροφορίες για την μεταβλητότητα της φαινολογίας των καλλιεργειών σε επίπεδο οικοπέδου, κάτι που μπορεί να βοηθήσει στην ερμηνεία της ετερογένειας των εκτιμήσεων των σοδειών που προέρχονται από δορυφορικές αξιολογήσεις μικρών καλλιεργειών της περιοχής μελέτης (Jain et al., 2017).

Συνεπώς, η παρούσα μελέτη δείχνει ότι οι δείκτες βλάστησης που προέρχονται από δορυφορικές εικόνες χαμηλής ή υψηλής ανάλυσης δεν είναι σε θέση να ελέγξουν αξιόπιστα τα φαινολογικά στάδια των καλλιεργειών σε μικρά γεωργικά συστήματα όπως η βορειοδυτική Ινδία. Αν και τα δεδομένα δορυφορικής τηλεπισκόπησης υψηλής ανάλυσης μπορούν να συμβάλουν στην υπέρβαση των περιορισμών της χωρικής ανάλυσης στα τρέχοντα δεδομένα, εξακολουθούν να παρουσιάζουν ελλείψεις που μπορούν να ξεπεραστούν μέσω εικόνων από smartphone για την παρακολούθηση της φαινολογίας των καλλιεργειών και διαταραχών στην ανάπτυξη τους, αλλά και της επίδρασης αυτών στις σοδειές.

Αναφορές

1. Hufkens, K., Friedl, M., Sonnentag, O., Braswell, B.H., Milliman, T., Richardson, A.D., 2012. Linking near-surface and satellite remote sensing measurements of deciduous broadleaf forest phenology. Remote Sens. Environ. 117, 307–321.

2. Jain, M., Srivastava, A.K., Balwinder-Singh Joon, R.K., McDonald, A., Royal, K., Lisaius,M.C., Lobell, D.B., 2016. Mapping smallholder wheat yields and sowing dates using micro-satellite data. Remote Sens. 8, 1–18.

3. Keenan, T.F., Darby, B., Felts, E., Sonnentag, O., Friedl, M.A., Hufkens, K., O’Keefe, J., Klosterman, S., Munger, J.W., Toomey, M., Richardson, A.D., 2014. Tracking forest phenology and seasonal physiology using digital repeat photography: a critical assessment. Ecol. Appl. 24, 1478–1489.

4. Klosterman, S.T., Hufkens, K., Gray, J.M., Melaas, E., Sonnentag, O., Lavine, I., Mitchell, L., Norman, R., Friedl, Ma., Richardson, a.D., 2014. Evaluating remote sensing of deciduous forest phenology at multiple spatial scales using PhenoCam imagery. Biogeosci. Discuss. 11, 2305–2342.

5. Lowder, S.K., Skoet, J., Raney, T., 2016. The number, size, and distribution of farms, smallholder farms, and family farms worldwide. World Dev. 87, 16–29.

6. Ricciardi, V., Ramankutty, N., Mehrabi, Z., Jarvis, L., Chookolingo, B., 2018. How much of the world’s food do smallholders produce? Global Food Sec. 2018 (17), 64–72.

7. Sonnentag, O., Hufkens, K., Teshera-Sterne, C., Young, A.M., Friedl, M., Braswell, B.H., Milliman, T., O’Keefe, J., Richardson, A.D., 2012. Digital repeat photography for phenological research in forest ecosystems. Agric. For. Meteorol. 152, 159–177.

8. Zhang, X., Friedl, M.A., Schaaf, C.B., Strahler, A.H., Hodges, J.C.F., Gao, F., Reed, B.C., Huete, A., 2003. Monitoring vegetation phenology using MODIS. Remote Sens. Environ. 84, 471–475.