Υπερφασματική ανάλυση δορυφορικών εικόνων για τη μελέτη, ποιοτικά και ποσοτικά, φυτικών παραμέτρων με τη χρήση GIS

Abstract

Nowadays, the spaceborne hyperspectral data are a research challenge in various scientific fields and their assessment will contribute to the operational implementation. Thus taking into account the scientific interest for this type of data, the aim of the thesis was the investigation of Hyperion data, the first spaceborne hyperspectral sensor, in identification and classification of five agricultural crops (corn, cotton, rice, tobacco and tomato. More specifically, the objectives were the following: 1) the hyperspectral data dimensionality reduction and the determination of 'optimal' narrowbands that best characterizes the examined crops, 2) accuracy assessment of the implemented classifications algorithms and 3) assessment of the hyperspectral data discrimination power relative to the Landsat 5 TM data through the comparison of classifications accuracy. The study was conducted in the agricultural area between County borders of Kavala and Xanthi that comprises a part of the Nestos River and located between the settlement of Toxotes and the settlement of Keramoti. The data dimensionality reduction of Hyperion's image bands was achieved with the use of Stepwise Discriminant Analysis (SDA) and Minimum Noise Fraction Transformation (MNF) and algorithms such as Maximum Likelihood (ML), Mahalanobis Distance (MD) and Spectral Angle Mapper (SAM) were used in order to perform the image data classifications. The results lead to recommending 27 spectral bands that best characterizes the agricultural crops (80% data reduction) and Overall Accuracies of 91-92 % were attained with the use (ML) and (MD) and 75 % with (SAM). Finally the hyperspectral data provide an increased accuracy of 11% over six non thermal band of Landsat 5 TM when classifying agricultural crops. Conclusively, come up that narrowbands seems to be more effective in classification of agricultural crops in relation to Landsat 5 TM broadbands however further research is needed with the inclusion of more than five agricultural crops and at different phenological stages.

Τα δορυφορικά (spaceborne) υπερφασματικά (hyperspectral) δεδομένα αποτελούν σήμερα ένα νέο πεδίο έρευνας, και η αξιολόγηση τους θα συμβάλει αποφασιστικά στην επιχειρησιακή τους εφαρμογή. Έτσι λαμβάνοντας υπόψη το επιστημονικό ενδιαφέρον για τη χρησιμοποίηση των νέων αυτών δορυφορικών δεδομένων, σκοπός της διατριβής ήταν η διερεύνηση της χρήσης των δορυφορικών δεδομένων του υπερφασματικού απεικονιστή Hyperion (ΕΟ-1) στην αναγνώριση και ταξινόμηση των γεωργικών καλλιεργειών (καλαμπόκι, βαμβάκι, ρύζι, καπνός και τομάτα). Πιο συγκεκριμένα, για την πραγματοποίηση της έρευνας αυτής, οι επιμέρους στόχοι που τέθηκαν ήταν οι εξής: 1) Η μείωση της διάστασης της φασματικής πληροφορίας και η εύρεση των 'βέλτιστων' στενού εύρους φασματικών διαύλων (narrowbands) που συμβάλουν στην διάκριση των υπό εξέταση γεωργικών καλλιεργειών, 2) η εφαρμογή και η εκτίμηση της ακρίβειας των διαφόρων μεθόδων ταξινόμησης και η σύγκριση μεταξύ τους και 3) η σύγκριση των υπερφασματικών δεδομένων του απεικονιστή Hyperion με πολυφασματικά δεδομένα της ίδιας χωρικής διακριτικής ικανότητας του Θεματικού Χαρτογράφου Landsat 5 TM στην εκτίμηση της ακρίβειας της ταξινόμησης. Η έρευνα διεξήχθη στη γεωργική περιοχή που βρίσκεται μεταξύ των διοικητικών ορίων των Νομών Καβάλας και Ξάνθης και περιλαμβάνει τμήμα του ποταμού Νέστου από το ύψος του οικισμού Τοξότες (Ν. Ξάνθης) μέχρι τον οικισμό της Κεραμωτής (Ν. Καβάλας). Για τη μείωση της διάστασης των υπερφασματικών δεδομένων χρησιμοποιήθηκε η μέθοδος της 'Βηματικής Διαχωριστικής Ανάλυσης' (Stewise Discriminant Analysis -SDA) καθώς και ο μετασχηματισμός 'Minimum Noise Fraction - MNF' ενώ για την ταξινόμηση των δεδομένων χρησιμοποιήθηκε η μέθοδος της 'επιβλεπόμενης ταξινόμησης' (Supervised Classification) και συγκεκριμένα οι ταξινομητές της 'Μέγιστης Πιθανοφάνεις' (Maximum Likelihood - ML), της 'Απόστασης Mahalanobis' (Mahalanobis Distance MD) και του 'Χαρτογράφου της Φασματικής Γωνίας' (Spectral Angle Mapper -SAM). Τα αποτελέσματα έδειξαν ότι 27 από τα 131 φασματικά κανάλια της υπερφασματικής εικόνας συμβάλουν περισσότερο στο διαχωρισμό των υπό εξέταση καλλιεργειών (μείωση της διάστασης των δεδομένων κατά 80% περίπου). Από την ποιοτική εκτίμηση των 27 αυτών καναλιών προέκυψε ότι η σημαντικότητα τους οφείλεται στην ευαισθησία τους να διακρίνουν διαφοροποιήσεις βιοχημικών συστατικών της βλάστησης όπως της χλωροφύλλης, των καροτενοειδών, του αμύλου, της κελουλόζης και της λιγνίνης αλλά και του περιεχόμενου νερού. Η ‘Ολική Ακρίβεια’ (Overall Accuracy) ταξινόμησης της υπερφασματικής εικόνας ανήλθε στο (91-92%) για τις μεθόδους (ML και MD) και στο (75%) για την μέθοδο (SAM). Τέλος από τη σύγκριση των ταξινομήσεων της εικόνας του 'Hyperion' και του 'Landsat 5 TM' προέκυψε ότι τα υπερφασματικά δεδομένα παρέχουν μεγαλύτερη 'Ολική Ακρίβεια' ταξινόμησης κατά (11%). Συμπερασματικά, προκύπτει ότι τα υπερφασματικά δορυφορικά δεδομένα ανοίγουν μια νέα εποχή στη διάκριση και χαρτογράφηση των γεωργικών καλλιεργειών υπερτερώντας έναντι των πολυφασματικών δεδομένων. Όμως περαιτέρω έρευνα είναι απαραίτητη με τη συμμετοχή περισσοτέρων καλλιεργειών και σε διαφορετικά φαινολογικά στάδια.