Από RemoteSensing Wiki

Πρωτότυπος τίτλος:Cropland and crop type classification with Sentinel-1 and Sentinel-2 time series using Google Earth Engine for agricultural monitoring in Ethiopia.

Συγγραφείς:Christina Eisfelder, Bruno Boemke, Ursula Gessner, Patrick Sogno, Genanaw Alemu, Rahel Hailu, Christian Mesmer, Juliane Huth
Πηγή (αναλυτικά):Eisfelder, C., Boemke, B., Gessner, U., Sogno, P., Alemu, G., Hailu, R., ... & Huth, J. (2024). Cropland and crop type classification with Sentinel-1 and Sentinel-2 time series using Google Earth Engine for agricultural monitoring in Ethiopia. Remote Sensing, 16(5), 866.

Πίνακας περιεχομένων 1 Περίληψη 2 Είδη δεδομένων (δορυφορικών και πεδίου) και η χρησιμότητά τους 3 Προεπεξεργασίες 4 Ειδικές αναλύσεις των δορυφορικών εικόνων και αποτελέσματα. 5 Συμπεράσματα και αξιολόγηση των μεθόδων.

Περίληψη

Η συστηματική παρακολούθηση των γεωργικών εκτάσεων είναι απαραίτητη για τη διασφάλιση της επισιτιστικής επάρκειας, ιδιαίτερα σε χώρες όπως η Αιθιοπία που δοκιμάζονται από τις επιπτώσεις της κλιματικής αλλαγής. Για τον σκοπό αυτό, έχουν δημιουργηθεί ζώνες Μεγάλης Κλίμακας Γεωργικών Επενδύσεων (LSAI), η πορεία των οποίων ωστόσο απαιτεί στενή παρακολούθηση. Ο σκοπός της έρευνας, όπως αναφέρεται χαρακτηριστικά μέσα στο κείμενο, είναι ο εξής: «Ο σκοπός της παρουσιαζόμενης μελέτης ήταν η ανάπτυξη μιας μεθόδου βασισμένης στην τηλεπισκόπηση με σκοπό την εξέταση της γης που χρησιμοποιείται για γεωργική παραγωγή και τη διαφοροποίηση των τύπων καλλιεργειών που αναπτύσσονται σε περιοχές μεγάλης κλίμακας γεωργικών επενδύσεων (LSAI) εντός τριών περιφερειών της Αιθιοπίας». Για την επίτευξη του στόχου, η ερευνητική ομάδα ανέλυσε συνδυαστικά δεδομένα από διαφορετικούς δορυφόρους και δοκίμασε 33 διαφορετικές παραλλαγές μοντέλων μηχανικής μάθησης.

Είδη δεδομένων (δορυφορικών και πεδίου) και η χρησιμότητά τους

Η ανάλυση βασίστηκε σε έναν εκτενή συνδυασμό τηλεπισκοπικών δεδομένων και επιτόπιων μετρήσεων για τα έτη 2021 και 2022.

• Δεδομένα Sentinel-1: Ελήφθησαν χρονοσειρές ραντάρ συνθετικού ανοίγματος (SAR) στις πολώσεις VV και VH. Ο ρόλος τους ήταν υποστηρικτικός, ιδίως για τη δημιουργία δεικτών ραντάρ (όπως οι Diff, Ratio, RVI) που προσφέρουν δεδομένα ανεξαρτήτως νεφοκάλυψης.
• Δεδομένα Sentinel-2: Αξιοποιήθηκαν οπτικές πολυφασματικές χρονοσειρές υψηλής χωρικής ανάλυσης (10 και 20 μέτρων), με έμφαση στο ορατό, το εγγύς υπέρυθρο και το υπέρυθρο βραχέων κυμάτων. Αυτά τα δεδομένα χρησίμευσαν στον υπολογισμό κρίσιμων δεικτών βλάστησης για την παρακολούθηση της φαινολογίας των φυτών.
• Ψηφιακό Μοντέλο Επιφάνειας (DSM): Χρησιμοποιήθηκαν δεδομένα ALOS World 3D, τα οποία παρείχαν πληροφορίες για την κλίση του εδάφους, με σκοπό να αποφευχθούν λανθασμένες ταξινομήσεις σε περιοχές με έντονο ανάγλυφο.
• Δεδομένα Πεδίου: Η έρευνα τροφοδοτήθηκε με πρωτογενή δεδομένα για 18 διαφορετικούς τύπους καλλιεργειών, συλλεγμένα από τρεις διαφορετικές περιοχές (Amhara, Benishangul και Gambela).

Προεπεξεργασίες

Η αλυσίδα προεπεξεργασίας των δεδομένων από τις δορυφορικές λήψεις έως την εισαγωγή τους στα μοντέλα ταξινόμησης (μέσα στο περιβάλλον του Google Earth Engine) περιελάμβανε τα παρακάτω στάδια:

• Για τα οπτικά δεδομένα (Sentinel-2), εφαρμόστηκε απόκρυψη νεφών με όριο πιθανότητας 15%, ώστε να απομακρυνθούν οι αραιοί νεφικοί σχηματισμοί. Ακολούθησε μωσαϊκοποίηση και γραμμική παρεμβολή, με αποτέλεσμα τη δημιουργία συνεχών, χωρίς κενά χρονοσειρών με βήμα 5 ημερών.
• Τα δεδομένα ραντάρ (Sentinel-1) υποβλήθηκαν σε χωρικό φιλτράρισμα θορύβου (speckle filtering), ραδιομετρική κανονικοποίηση βάσει του εδάφους και μετατροπή των τιμών σε μονάδες ντεσιμπέλ.
• Σε μεταγενέστερο στάδιο, όλα τα δεδομένα συμπτύχθηκαν σε μηνιαίες μέσες τιμές (medians) για να τροφοδοτήσουν ομαλά τον αλγόριθμο ταξινόμησης.

Ειδικές αναλύσεις των δορυφορικών εικόνων και αποτελέσματα.

1. Χαρτογράφηση Χρήσεων Γης (LULC)
Αρχικά, εφαρμόστηκε ένας αλγόριθμος Random Forest με 100 δέντρα απόφασης για να απομονωθούν οι καλλιεργήσιμες εκτάσεις από τις υπόλοιπες χρήσεις γης. Η ανάλυση έδειξε εντυπωσιακές χωρικές ανισότητες στην εκμετάλλευση των LSAI: ενώ στην περιοχή Amhara καλλιεργείται περίπου το 80% των διαθέσιμων εκτάσεων, στις περιοχές Benishangul και Gambela τα αντίστοιχα ποσοστά леγkυμαίνονται μόλις στο 20%.
2. Επιλογή Παραμέτρων Μοντέλου
Οι ερευνητές αξιολόγησαν 33 διαφορετικούς συνδυασμούς παραμέτρων εισόδου. Τα οπτικά δεδομένα του Sentinel-2 αποδείχθηκαν εξαιρετικά ισχυρά, προσφέροντας από μόνα τους ακρίβεια κοντά στο 85%. Ο ιδανικότερος συνδυασμός, ο οποίος επέτυχε συνολική ακρίβεια 86%, περιελάμβανε τόσο τις φασματικές ζώνες και τους οπτικούς δείκτες EVI2 και NDRe2, όσο και επιλεγμένες μεταβλητές ραντάρ (VV, VH, Diff).
3. Ταξινόμηση Τύπων Καλλιεργειών
Με βάση το βέλτιστο μοντέλο, αναλύθηκε η σύνθεση της γεωργικής παραγωγής. Τα αποτελέσματα φανέρωσαν πως στην Amhara κυριαρχεί κατά κύριο λόγο το καλαμπόκι, η σόγια και το σιτάρι. Στο Benishangul, τη μεγαλύτερη έκταση καταλαμβάνουν το καλαμπόκι και το σόργο , ενώ στην περιοχή της Gambela, οι βασικές καλλιέργειες είναι τα ροβίθια (mung bean) και το βαμβάκι.

Συμπεράσματα και αξιολόγηση των μεθόδων.

Η μελέτη απέδειξε ότι, αν και τα οπτικά δεδομένα είναι ο πρωταρχικός οδηγός για την αναγνώριση των καλλιεργειών , η ενσωμάτωση των δεδομένων ραντάρ συνεισφέρει καθοριστικά στη βελτιστοποίηση της ακρίβειας των αποτελεσμάτων. Επιπλέον, διαπιστώθηκε πως η ποιότητα του μοντέλου εξαρτάται άμεσα από τον όγκο των επιτόπιων δεδομένων αναφοράς, καθώς κατηγορίες φυτών με λιγότερα από 40 δείγματα παρουσίασαν σημαντικά μειωμένη εγκυρότητα στην πρόβλεψη.

Τέλος, η αξιοποίηση του Google Earth Engine συνιστά μια κομβική μεθοδολογική επιλογή, καθώς επιτρέπει στους τοπικούς φορείς της Αιθιοπίας να παρακολουθούν συστηματικά τις μεγάλες αγροτικές επενδύσεις χωρίς να απαιτείται πανάκριβος υπολογιστικός εξοπλισμός.