Αναγνώριση του ζαχαροκάλαμου στο χωριό Sangali, στην Maharashtra, με τη χρήση δεδομένων ανοικτών δεδομένων

Από RemoteSensing Wiki

Πρότυπος τίτλος: Village level identification of sugarcane in Sangali, Maharashtra using open source data

Τίτλος άρθρου: Αναγνώριση του ζαχαροκάλαμου στο χωριό Sangali, στην Maharashtra, με τη χρήση δεδομένων ανοικτών δεδομένων

Συγγραφείς: Ali Maged1*, SherifAhmedAbu El‑Magd1 , Ahmed E. Radwan2 , Sherif Kharbish1 & Sara Zamzam3

Ημερομηνία έκδοσης: 09/2022

Περιοδικό έκδοσης: Journal of Agrometeorology

Link: https://journal.agrimetassociation.org/index.php/jam/article/view/1688

Αντικείμενο εφορμογής: αξιολόγηση της αποτελεσματικότητας μιας πλατφόρμας τηλεπισκόπησης ανοικτού λογισμικού Google Earth Engine (GEE), στην αναγνώριση ζαχαροκάλαμου σε κλίμακα χωριού

Στόχος εφαρμογής: καλύτερη διαχείριση των γεωργικών εκμεταλλεύσεων των αγροτών μέσω της περαιτέρω ανάπτυξης εργαλείων για την εκτίμηση της έκτασης, της πρόβλεψης της απόδοσης του ζαχαροκάλαμου και της παρακολούθησης της ανάπτυξης

Keywords: Ζαχαροκάλαμο, τηλεπισκόπηση, μηχανή google earth, μηχανική εκμάθηση, ταξινόμηση καλλιεργειών

Περιεχόμενα:

➢Εισαγωγή

➢Μεθοδολογία

➢Ταξινόμηση των καλλιεργούμενων εκτάσεων ζαχαροκάλαμου με χρήση μοντέλων μηχανικής μάθησης

➢Δείκτες βλάστησης

➢Αξιολόγηση της ακρίβειας

➢Αποτελέσματα στις εκτιμήσεις ακρίβειας

➢Συμπεράσματα

Εικόνα_1: Μεθοδολογία ταξινόμησης καλλιεργειών με χρήση μεθόδων που βασίζονται στο cloud computing.

Εικόνα_2: Χρονική διακύμανση στις τιμές NDVI των 4 καλλιεργειών τον Ιούνιο: μέση περιόδος ανάπτυξης (κόκκινο πλαίσιο του), οι τιμές του ζαχαροκάλαμου (με ανοιχτό πράσινο χρώμα)

Εικόνα_3: Χρονική διακύμανση των τιμών EVI των 4 καλλιεργειών τον Ιούνιο: αρχικό στάδιο ανάπτυξης (κόκκινο πλαίσιο), οι τιμές του ζαχαροκάλαμου (ανοιχτό πράσινο χρώμα)

Εικόνα_4: Χρονική διακύμανση στις τιμές LSWI των 4 καλλιεργειών τον Ιούνιο: (μέσης περιόδου ανάπτυξης, μέσα Νοεμβρίου έως τέλη Ιανουαρίου (με το κόκκινο πλαίσιο), οι τιμές του ζαχαροκάλαμου (ανοιχτό πράσινο)

Εικόνα_5: Χάρτης ταξινόμησης καλλιεργειών που δημιουργήθηκε χρησιμοποιώντας: (CART), (RF) και (SVM) σε δορυφορικές εικόνες Landsat 8 (επάνω σειρά) και S)

1. Εισαγωγή

Η Ινδία διαθέτει το 60,45% της παγκόσμιας γεωργικής γης με την πλειοψηφία του πληθυσμού (~58%) να συμμετέχει σε γεωργικές δραστηριότητες. Η ινδική βιομηχανία ζάχαρης προέρχεται κατά το μεγαλύτερο μέρος της από ζαχαροκάλαμο, συνεπώς, με τόσο υψηλό ενδιαφέρον και οφέλη από την παραγωγή ζαχαροκάλαμου, η χαρτογράφηση της καλλιέργειας ζαχαροκάλαμου με ανοικτά δεδομένα είναι υψίστης σημασίας. (η οποία καλλιέργεια του είναι σημαντική όχι μόνο για την οικονομία της χώρας, αλλά συμβάλλει και στην παραγωγή ανανεώσιμης πηγής ενέργειας με τη μορφή βιοηλεκτρικής ενέργειας, βιοαιθανόλης και πολλών βιολογικών προϊόντων) Η παρούσα μελέτη πραγματοποιείται στο χωριό June Khed της περιφέρειας Sangli της Μαχαράστρα στην Ινδία, για την αξιολόγηση της αποτελεσματικότητας μιας πλατφόρμας τηλεπισκόπησης ανοικτού λογισμικού Google Earth Engine (GEE), στην αναγνώριση ζαχαροκάλαμου σε κλίμακα χωριού.

Διάφοροι δείκτες που προέρχονται από την τηλεπισκόπηση έχουν χρησιμοποιηθεί για τον προσδιορισμό της καλλιέργειας, την κατάσταση και την εκτίμηση απόδοσης. Τα αποτελέσματα της παρούσας μελέτης στοχεύουν συγκεκριμένα να απαντήσουν τα ακόλουθα ερευνητικά ερωτήματα:

➢Η πλατφόρμα τηλεπισκόπησης βασισμένη στο cloud computing, χρησιμοποιώντας δορυφορικές εικόνες, έχει τη δυνατότητα χαρτογράφησης του ζαχαροκάλαμου στην περιοχή μελέτης, τη Μαχαράστρα;

➢Ποιες δορυφορικές εικόνες (Sentinel-2 ή Landsat 8) είναι περισσότερο αποτελεσματικές στη χαρτογράφηση του ζαχαροκάλαμου σε επίπεδο χωριού στην Ινδία;

➢Ποιος αλγόριθμος μηχανικής μάθησης είναι πιο ακριβής στη χαρτογράφηση του ζαχαροκάλαμου στην περιοχή μελέτης;

2. Μεθοδολογία

Α. Δεδομένα τηλεπισκόπησης

Στην παρούσα μελέτη, διαθέσιμες στο GEE χρησιμοποιήθηκαν σύνθετες εικόνες από Landsat 8 με 13 κανάλια, χωρική ανάλυση 30 m και χρονική ανάλυση 15 ημερών. Αντίστοιχα, χρησιμοποιήθηκαν από Sentinel 2, εικόνες με 13 κανάλια, με 10 μέτρα χωρική ανάλυση και εικόνες χρονικής ανάλυσης 5 ημερών.

Β. Συλλογή δεδομένων για την καλλιέργεια ζαχαροκάλαμου επί τόπου

Επιτόπιες έρευνες εδάφους για την επικύρωση των δορυφορικών δεδομένων και την κατανόηση των καλλιεργητικών μοντέλων, συλλέχθηκαν μέσω μιας android εφαρμογής που ονομάζεται SW (SoftWel) Maps. ( κατηγοριοποιήσεις των τύπων του αγρού/καλλιέργειας)

3. Ταξινόμηση των καλλιεργούμενων εκτάσεων ζαχαροκάλαμου με χρήση μοντέλων μηχανικής μάθησης

Έξι φασματικά κανάλια, συμπεριλαμβανομένων του μπλε, του κόκκινου, του πράσινου, του εγγύς υπέρυθρου (NIR), θερμικό υπέρυθρο (SWIR1) και (SWIR2) επιλέχθηκαν για τη διαδικασία της ταξινόμησης. Συλλέχθηκαν τα επίγεια δεδομένα και αξιολογήθηκε η αποτελεσματικότητα των δορυφορικών δεδομένων Landsat-8 και Sentinel-2 με ενσωματωμένους ταξινομητές μηχανικής μάθησης του GEE: Classification and Regression Tree (CART), Support Vector Machine (SVM) και Random Forest (RF). Οι ταξινομητές χρησιμοποιήθηκαν για την αναγνώριση ζαχαροκάλαμου, σταφυλιών, σιταριού, νερού, αστικών περιοχών και δασών, άγονο και αραχίδα.

4.Δείκτες βλάστησης

Χρησιμοποιήθηκαν τρεις δείκτες βλάστησης και συγκεκριμένα, ο NDVI, ο ενισχυμένος δείκτης βλάστησης (EVI) και ο δείκτης επιφανειακών υδάτων (LSWI). (Βλέπε Εικόνα_2.Εικόνα_3, Εικόνα_4)

5. Αξιολόγηση της ακρίβειας

Ωστόσο, λόγω της παρουσίας διαφορών στα αποτελέσματα που προκύπτουν μεταξύ των αλγορίθμων και μεταξύ των δεδομένων που χρησιμοποιούνται, είναι απαραίτητο να διενεργηθεί αξιολόγηση της ακρίβειας. Το GEE διαθέτει ενσωματωμένη συνάρτηση 'errorMatrix'. η οποία υπολογίζει τον "πίνακα σύγχυσης" για τον έλεγχο ακρίβειας του ταξινομητή. Υπολογίστηκαν πέντε μετρήσεις ακρίβειας για τη σύγκριση των αποτελεσμάτων των ταξινομητών: σχετική απόκλιση (RD), συνολική ακρίβεια (OA), ακρίβεια του παραγωγού (UA), ακρίβεια του χρήστη (UA), ο μέσος όρος των UA και PA (F1-score).

6. Αποτελέσματα στις εκτιμήσεις ακρίβειας

Η σύγκριση της εκτίμησης της έκτασης ζαχαροκάλαμου μεταξύ των μοντέλων και μεταξύ των δεδομένων των δορυφόρων παρουσιάζεται στην εικόνα 5, το οποίο υποδεικνύει σαφώς τις διαφορές χωρικής ανάλυσης, δεδομένου ότι τα Setinel-2 έχει υψηλότερη χωρική ανάλυση 10m, σε σύγκριση με τα 30m του Landsat-8. Ο κύριος λόγος είναι η υψηλότερη χωρική και χρονική ανάλυση των εικόνων Sentinel-2 (10 m, 5 ημέρες), σε σύγκριση με τις εικόνες Landsat 8 (30 m, 15 ημέρες) και λόγω της παρουσία πολυφασματικής απεικόνισης με μεγαλύτερο αριθμό καναλιών σε κόκκινη περιοχή του φάσματος. Από τις μεθόδους που χρησιμοποιήθηκαν, η SVM υπερείχε των RF και CART με τη χαμηλότερη σχετική απόκλιση (+9,2%), την υψηλότερη βαθμολογία F1- (0,8) και τη συνολική ακρίβεια (78%), χρησιμοποιώντας τα δεδομένα Sentinel-2.

7. Συμπεράσματα

Η μελέτη αυτή επικεντρώθηκε στην αξιολόγηση των δυνατοτήτων των ανοικτών δεδομένων της διαδικτυακής πλατφόρμας τηλεπισκόπησης και της Google Earth Engine στην αναγνώριση της καλλιέργειας ζαχαροκάλαμου τον Ιούνιο στο Khed στην Ινδία. Διάφοροι δείκτες βλάστησης, δηλαδή NDVI, EVI και LSWI, (συμπεριλαμβανομένων των SVM, RF και CART) που καθοδηγούνται από δυο δορυφορικά δεδομένα (Sentinel-2 και Landsat-8) χρησιμοποιήθηκαν για την ταξινόμηση των καλλιεργειών ζαχαροκάλαμου και έγιναν συγκρίσεις μεταξύ των μοντέλων, των δορυφορικών δεδομένων και των δεδομένων παρατήρησης. Οι χάρτες ζαχαροκάλαμου της περιοχής μπορούν να βοηθήσουν τους αγρότες στην καλύτερη διαχείριση των γεωργικών εκμεταλλεύσεων (και συνεπώς στη μεγιστοποίηση του κέρδους) μέσω της περαιτέρω ανάπτυξης εργαλείων για την εκτίμηση της έκτασης, της πρόβλεψης της απόδοσης του ζαχαροκάλαμου και της παρακολούθησης της ανάπτυξης.

1Center for Technology Alternatives for Rural Areas (CTARA), Indian Institute of Technology, Bombay (IITB), Mumbai, Maharashtra 400076, India

2Western Sydney University, Sydney 2751, Australia