Bekő László1 – Burai Péter2 – Kiss Alida3 – Lénárt Csaba4 – Tomor Tamás5 – Schinogl Péter6 – Holb Imre7 – Szabó Szilárd8
1 tudományos segédmunkatárs, Debreceni Egyetem, Távérzékelési Szolgáltató Központ, beko.laszlo@unideb.hu
2 tudományos főmunkatárs, Debreceni Egyetem, Távérzékelési Szolgáltató Központ, burai.peter@unideb.hu
3 tudományos segédmunkatárs, Debreceni Egyetem, Távérzékelési Szolgáltató Központ, kiss.alida@unideb.hu
4 tudományos tanácsadó, Debreceni Egyetem, Távérzékelési Szolgáltató Központ, lenart.csaba@unideb.hu
5 tudományos főmunkatárs, Debreceni Egyetem, Távérzékelési Szolgáltató Központ, tomor.tamas@unideb.hu
6 műszaki igazgató, Silicon Computers Kft., peter@silicon.hu
7 egyetemi tanár, Debreceni Egyetem, Mezőgazdaság-, Élelmiszertudományi és Környezetgazdálkodási Kar, Kertészettudományi Intézet, holb@agr.unideb.hu
8 egyetemi tanár, Debreceni Egyetem, Természettudományi és Technológiai Kar, Földtudományi Intézet, Természetföldrajzi és Geoinformatikai Tanszék, szabo.szilard@science.unideb.hu
Bevezetés
A különböző távérzékelési alkalmazásokhoz használható műholdas kép- és adatgyűjtési eljárások több, mint fél évszázados múltra tekintenek vissza. A technológia előnye, hogy az adatok összehasonlíthatóságát nagy kiterjedésű földrajzi régiókra helyszíni mintázás és az abból esetlegesen származó destruktivitás nélkül is biztosítja (Liaghat 2010). A műholdas adatok hatékonyan használhatók a különböző mezőgazdasági alkalmazásokhoz (Karakizi et al. 2016). A távérzékelt adatok térben és időben is folyamatos információt szolgáltatnak a növényzettel borított felszínekről, és hasznosak a termőterület hozamának és térbeli mintázatának pontos monitoringjához is (Yuan et al. 2016). A műholdas távérzékelés mezőgazdaságban való alkalmazása az 1970-es években indult. Az alkalmazásában rejlő lehetőségekről számos szerző publikált és publikál napjainkban is.
Földünk felszínének körülbelül 12%-a művelt termőföld. Ez a 12% biztosítja az emberi élelmiszer-előállítás meghatározó részét. A népesség növekedése pedig egyre nagyobb nyomást gyakorol a mezőgazdaságra (Ray et al. 2012). Így,
Absztrakt: A cikk két multispektrális műholdcsalád adatait vizsgálja és hasonlítja össze a kora tavaszi vetésszerkezet meghatározásában, egy Nyugat-dunántúli mintaterületen. A két adatbázis különbözik a terepi felbontásban, a multispektrális csatornák számában és a lefedett hullámhossz tartományban. A Random Forest osztályozás alkalmazásával a kisebb terepi felbontású, de több multispektrális csatornát tartalmazó Sentinel-2 felvételekkel magasabb osztályozási pontosságot (OA=83,03%) kaptunk, mint a nagyobb terepi felbontású Planet adatokkal (OA = 67,76%).
a termesztett növények monitoringjának megvalósítása alapvető fontosságú a mezőgazdálkodásban, az élelmiszerbiztonságban, az élelemiszerkereskedelemben és a karbon körforgás kutatásban is (Tilman et al. 2011). Továbbá, a vetésszerkezet előrejelzése fontos lehet például a mezőgazdasági növénybiztosításban az előzetes készpénzátutalások vagy korai előrejelző rendszerek terén (Global Commission on Adaptation 2019).
Műhold család Térbeli
felbontás Visszatérési
idő Spektrális
csatornák Elérhetőség
AVHRR 1 km 1 nap NDVI Publikus
CBERS 10 m-ig 26 nap B, G, R, Nir Kérésre
COSMO 1 m-ig 16 nap SAR Kérésre (publikus)
Deimos 22 m 2-3 nap G, R, Nir Kérésre
MODIS 250 m-ig 1-2 nap 36 csatorna Publikus
Pleiades 2 m napi szintig B, G, R, Nir Kérésre
(kereskedelmi)
Probe-V 0,3-1 km 1-2 nap NDVI Publikus
Radarsat 1-100 m napi SAR C-csatorna Kérésre
RapidEye 6,5 m napi szintig B, G, R, RE,
Nir Kérésre
(kereskedelmi), részben publikus Planetscope 3 m-ig napi szintig B, G, R, Nir Kérésre
(kereskedelmi) 1. táblázat Napjainkban elérhető műholdas adatok főbb paraméterei
Forrás: Schauberger et al. 2020
A vetésszerkezet meghatározásában és a hozambecslésben egyre inkább népszerűek az ingyenesen elérhető műhold adatok alkalmazása. Az eredmények pontosságának meghatározásában nagyon fontos szerepet tölt be a műholdas felvételek térbeli és spektrális felbontása. (Hively et al. 2018; Sibanda et al.
2017; Schauberger et al. 2020). A napjainkban elérhető műholdas adatok főbb tulajdonságait az 1. táblázat foglalja össze.
Jelen munkánkban a széles körben alkalmazott Sentinel-2 műhold multispektrális csatornáit, és a Planet által a 2020 Q1 R5 adatcsomagjában magyarországi mintaterületekről előállított 8 csatornás multispektrális mintaadatait alkalmaztuk a mintaterület vetésszerkezetének meghatározására.
Anyag és módszer
A Planet multispektrális mintaadat készletben összesen 23 db csempe állt rendelkezésre, a felvételek készítésének időszaka 2020.03.17. – 2020.04.24. között volt. A csempék elhelyezkedését az országban az 1. ábra jelöli. A vetésszerkezet meghatározáshoz a térképen szürkével jelölt Nyugat-Dunántúlon elhelyezkedő 21x35 kilométeres kiterjedésű csempét választottuk, mivel innen rendelkeztünk terepi információkkal az őszi vetésű szántóföldi növényekre vonatkozóan. A Planet adatok közül a felszíni reflektancia (Surface reflectance) információkat tartalmazó felvételeket alkalmaztuk.
1. ábra A vetésszerkezet meghatározásához kiválasztott Planet csempe
Sentinel-2 csatornák Planet csatornák 1 -Coastal Blue 1 – Coastal Blue
2 – Blue 2 – Blue
3 – Green 3 – Green 1
4 – Red 4 – Green 2
5 – Vegetation Red Edge 5 – Yellow 6 – Vegetation Red Edge 6 – Red 7 – Vegetation Red Edge 7 – Red Edge
8 - Nir 8 - Nir
8A – Vegetation Red Edge 11 – SWIR
12 - SWIR
2. táblázat A teszt során felhasznált multispektrális csatornák
Az adatok összehasonlításához a Planet 7 darab, 3 méteres terepi felbontású, a Sentinel-2 10 darab, 10 méteres felbontásra újramintavételezett csatornáit használtuk (2. táblázat). Az osztályozás során az 1-es csatornát kihagytuk az osztályozásból.
A kiválasztott mintaterületről a Planet felvétel 2020.03.19-én készült, így ehhez az időponthoz legközelebb lévő (2020.03.18.) felhőmentes Sentinel-2 felvételt választottuk ki az összehasonlításhoz (2. ábra).
A vetésszerkezet meghatározása során a térképezett növények: az őszi káposztarepce, őszi búza, őszi árpa és lucerna voltak. A teszt során kettő, pixel alapú véletlen erdő (Random Forest) osztályozást végeztünk: az egyik során csak a repcét és kalászosokat különítettük el, a másik során pedig mind a négy szántóföldi növényt.
A tanító és ellenőrző területek méretét a 3. táblázat szemlélteti.
2. ábra Planet (a.) és Sentinel-2 (b) RGB csatornák nagyított részlete
a) b)
Sorszám Osztály Tanító (ha) Ellenőrző (ha)
1 őszi káposztarepce 147,79 125,75
2 őszi búza 68,01 56,68
3 őszi árpa 25,95 17,86
4 lucerna 39,64 52,29
3. táblázat Alkalmazott tanító és ellenőrző területek
A Random Forest egy nem parametrikus osztályozási algoritmus, amely egy bináris döntési fát épít fel, s ezeken a döntéseken egyesével végig haladva helyezi egyre homogénebb osztályokba az adatokat (Richter et al. 2016). Az osztályozó kevésbé érzékeny a tanító területek minőségére. Az algoritmus paraméterezése során két változót szükséges megadni: az első, a kialakítandó fák száma, a második pedig, a választott attribútumok száma. Az osztályozást azonos tanító adatbázissal és paraméterekkel alkalmaztuk mindkét adatbázisra.
Eredmények
A Random Forest osztályozás eredményeit klasszikus tematikus pontosság mutatókkal értékeltük. A két kategóriás osztályozás során, ahol az őszi vetésű kalászosokat és az őszi káposztarepcét különítettük el, a Planet felvételek esetében a teljes pontosság 98,22% (Kappa=0,897) volt, míg a Sentinel-2 esetében 97,617%
(Kappa=0,86).
A négy szántóföldi növény elkülönítése során a Sentinel-2 felvételeken elvégzett Random Forest osztályozás teljesített jobban (OA=83,03%, Kappa=0,736), míg a Planet adatok esetében a teljes pontosság 67,76% (Kappa= 0,511) volt. Az osztályozások pontosság vizsgálatának eredményeit a 4. táblázat szemlélteti részletesen.
A 4. táblázatban jól látható, hogy a Planet felvételeken a lucerna találati pontossága jóval alacsonyabb volt, mint a Sentinel-2 esetében. A lucerna esetén alacsony előállítói és felhasználói pontosság arra utal, hogy az algoritmus alacsony pontossággal találta meg a valóban lucerna pixeleket, és sok más területet is lucernának sorolt be. A két adatkészlet között ennél az osztálynál tapasztalható a legnagyobb
Osztály
Planet Sentinel-2
Prod. Acc. User Acc. Prod. Acc. User Acc.
(Percent) (Percent) (Percent) (Percent)
őszi káposztarepce 94,65 99,35 99,17 99,87
őszi búza 51,26 43,30 47,59 81,09
őszi árpa 40,55 43,76 42,67 68,00
lucerna 30,35 32,31 100,00 56,69
4. táblázat Az osztályozások előállítói és felhasználói pontosságai
különbség, a két kalászos kategória esetében az előállítói pontosság közel azonos, viszont a Planet esetében más kategóriákat nagyobb valószínűséggel osztályozott a két kalászos közé. A két osztályozás eredményeit a 3. ábra szemlélteti.
Következtetések
A munkánk során azt az eredményt kaptuk, hogy a Sentinel-2 10 db multispektrális csatornáján elvégzett Random Forest osztályozás pontossága a négy szántóföldi növény szétválasztása esetében magasabb lett, mint a Planet 7 db multispektrális csatornáján. A Planet 6 csatornájának hullámhossz tartománya egyezik meg a Sentinel-2 csatornáinak hullámhossz tartományával, a Planet 5. (Yellow) csatornája által lefedett hullámhossz tartományban (590–630 nm) a Sentinel-2 nem készít felvételeket. A Sentinel-2 6.; 7.; 8.; 11. és 12. csatornáinak hullámhossz tartományában pedig a Planet nem rögzít adatokat. Ezek közül a vegetációs vörös él tartományban (6.; 7.) és a közeli infravörös tartományban (8.) készített felvételek nagy mértékben járulnak hozzá a különböző vegetáció típusok elkülönítéséhez, ami magyarázhatja az osztályozási pontosság különbséget a két adatbázis között. A Planet multispektrális adatok nagy előnye a 3 méteres terepi felbontás az egész hullámhossz tartományban, mely lehetővé teszi a kisebb kiterjedésű és részletesebb felszíni formák elkülönítését is. A vetésszerkezet meghatározás során a nagyobb terepi felbontás lehetővé teszi a kis méretű, szűk, „nadrágszíj” parcellák növénykultúráinak meghatározását is.
Köszönetnyilvánítás
Kutatásunkat a Nemzeti Kutatási, Fejlesztési és Innovációs Hivatal támogatta, a 2018-1.1.1-MKI-2018-00051 azonosítószámú projekt keretében.
a) b)
3. ábra Osztályozott Planet felvétel (a.) és Sentinel-2 (b.) felvételek (zöld: őszi búza, kék:
őszi árpa, piros: őszi káposztarepce, sárga: lucerna)
Felhasznált irodalom
Global Commission on Adaptation, 2019. WEB: https://cdn.gca.org/assets/2019-09/
GlobalCommission_Report_FINAL. pdf; Letöltés: 2020.03.11.
Hively, W.D. – Lamb, B.T. – Daughtry, C.S.T. – Shermeyer, J. – McCarty, G.W. – Quemada, M. (2018): Mapping crop residue and tillage intensity using WorldView-3 satellite shortwave infrared residue indices. Remote Sensing, (10), pp. 1–22.
Karakizi, C. – Oikonomou, M. – Karantzalos, K. (2016): Vineyard detection and vine variety discrimination from very high resolution satellite data. Remote Sensing, 8, pp.
1–25.
Liaghat, S. (2010): A review: the role of remote sensing in precision agriculture. American Journal of Agricultural and Biological Science, 5(1), pp. 50–55.
Ray, D.K. – Ramankutty, N. – Mueller, N.D. – West, P.C. – Foley, J.A. (2012): Recent patterns of crop yield growth and stagnation. Nature Communications, (3), pp.1–7.
Richter, R. – Reua, B. – Wirtha, C. – Doktor, D. – Vohland, M. (2016): The use of airborne hyperspectral data for tree species classification in a species-rich Central European forest area. International Journal of Applied Earth Observation and Geoinformation, 52, pp. 464–474.
Schauberger, B. – Jägermeyr, J. – Gornott, C. (2020): A systematic review of local to regional yield forecasting approaches and frequently used data resources. European Journal of Agronomy, 120, pp. 126–153.
Sibanda, M. – Mutanga, O. – Rouget, M. – Kumar, L. (2017): Estimating biomass of native grass grown under complex management treatments using Worldview-3 spectral derivatives. Remote Sensing, 9, pp. 1–21.
Tilman, D. – Balzer, C. – Hill, J. – Befort, B.L. (2011): Global food demand and the sustainable intensification of agriculture. Proceedings of the National Academy of Sciences, 108, pp. 20260–20264.
Yuan, W. – Chen, Y. –Xia, J. – Dong, W. – Magliulo, V. – Moors, E. – Olesen, J. E. – Zhang, H. (2016): Estimating crop yield using a satellite-based light use efficiency model. Ecological Indicators, 60, 0pp. 702–709.