(QUICKBIRD IMAGE SEGMENTATION FOR MAPPING CROPS AND THEIR AGRO-ENVIRONMENTAL ASSOCIATED MEASURES) Clasificación de cultivos y de sus medidas agroambientales mediante segmentación de imágenes QuickBird

F. López-Granados

Description

Resumen
En la últimas décadas han ido creciendo considerablemente los conocimientos y la sensibilización sobre la protección al medioambiente en muy diversas áreas, entre las que se encuentra la Agricultura. El uso intensivo del laboreo ocasiona graves daños medioambientales como la erosión del suelo, la contaminación de las aguas superficiales (escorrentía y colmatación de embalses), el descenso del contenido de la materia orgánica y de la biodiversidad de los suelos labrados, y el aumento de la emisión de CO2 del suelo a la atmósfera. Actualmente, la Unión Europea sólo subvenciona a los agricultores que cumplen lo que se conoce como “Medidas Agroambientales o de Condicionalidad” cuyo diseño ha estado dentro de las competencias de las Políticas Agrarias Autonómicas, Nacionales y Europeas. Estas medidas consisten en alterar el perfil y la estructura del suelo lo menos posible, dejando éste sin labrar y permanentemente protegido por cubiertas vegetales (rastrojo) en el caso de cultivos herbáceos (ej. trigo, maíz, girasol), o por cubiertas vegetales vivas o inertes (restos de poda) en el caso de cultivos leñosos (principalmente cítricos y olivar). El seguimiento del cumplimiento de estas medidas se realiza a través de visitas presenciales a un 1% de los campos susceptibles de recibir ayudas. Este método es ineficiente y provoca muchos errores con la consiguiente presentación de un ingente número de reclamaciones. Para subsanar esta problemática, en este artículo presentamos los resultados obtenidos en la clasificación de los cultivos y las medidas agroambientales asociadas a éstos en una imagen multiespectral QuickBird tomada a principios de Julio de una zona típica de cultivos en régimen de secano de Andalucía. Se aplicaron 5 métodos de clasificación (Paralelepípedos, P
Mínima Distancia, MD
Distancia de Mahalanobis, MC
Mapeo del Ángulo Espectral, SAM
y Máxima Probabilidad, ML) para la discriminación de rastrojo de trigo quemado y sin quemar, arbolado, carreteras, olivar, cultivos herbáceos de siembra primaveral y suelo desnudo. Además, la imagen es segmentada en objetos para comparar la fiabilidad obtenida aplicando los métodos anteriores partiendo tanto de píxeles como de objetos como Unidades Mínimas de Información (MIU). El análisis de los resultados permite concluir que las clasificaciones de todos los usos de suelo basadas en objetos claramente mejoraron las basadas en píxeles, obteniéndose precisiones (overall accuracy) mayores al 85%. La elección de un método de clasificación u otro influye en gran medida en la precisión de los mapas obtenidos.
Debido a que la precisión del mapa temático que necesitamos obtener ha de ser muy elevada para tomar decisiones sobre Conceder / No conceder las ayudas, sería interesante estudiar si el incremento de la resolución espacial que se obtenga gracias a la fusión de imágenes multiespectral y pancromática de QuickBird para obtener una imagen fusionada con resolución espacial de la pancromática (0.7 m) y espectral de la multiespectral (4 bandas) mejora la precisión de cualquiera de los métodos de clasificación estudiados.
Abstract
Soil management in crops is mainly based on intensive tillage operations, which have a great relevancy in terms of increase of atmospheric CO2, desertification, erosion and land degradation. Due to these negative environmental impacts, the European Union only subsidizes cropping systems which require the implementation of certain no-tillage systems and agro-environmental measures, such as keeping the winter cereal residues and non-burning of stubble to reduce erosion, and to increase the organic matter, the fertility of soils and the crop production. Nowadays, the follow-up of these agrarian policy actions is achieved by ground visits to sample targeted farms
however, this procedure is time-consuming and very expensive. To improve this control procedure, a study of the accuracy performance of several classification methods has been examined to verify if remote sensing can offer the ability to efficiently identify crops and their agro-environmental measures in a typical agricultural Mediterranean area of dry conditions. Five supervised classification methods based on different decision rule routines, Parallelepiped (P), Minimum Distance (MD), Mahalanobis Classifier Distance (MC), Spectral Angle Mapper (SAM), and Maximum Likelihood (ML), were examined to determine the most suitable classification algorithm for the identification of agro-environmental measures such as winter cereal stubble and burnt stubble areas and other land uses such as river side trees, vineyard, olive orchards, spring sown crops, roads and bare soil. An object segmentation of the satellite information was also added to compare the accuracy of the classification results of pixel and object as Minimum Information Unit (MIU). A multispectral QuickBird image taken in early summer was used to test these MIU and classification methods. The resulting classified images indicated that object-based analyses clearly outperformed pixel ones, yielding overall accuracies higher than 85% in most of the classifications. The choice of a classification method can markedly influence the accuracy of classification maps.

Sujets

• Segmentation (image processing)

Informations

• Publié par: erevistas
• Publié le: 01 janvier 2009
• Nombre de lectures: 13
• Langue: Español
• Poids de l'ouvrage: 1 Mo

Extrait

Revista de Teledetección. ISSN: 1988-8740. 2009. 31: 52-63
Quickbird image segmentation for mapping
crops and their agro-environmental associated
measures
Clasificación de cultivos y de sus medidas agro-
ambientales mediante segmentación de imáge-
nes QuickBird
1 2 1 1F. López-Granados , I.L. Castillejo-González , J.M. Peña-Barragán , M. Jurado-Expósito ,
2 1 2M. Sánchez de la Orden , L. García-Torres y A. García-Ferrer
[e-mail]
1Instituto de Agricultura Sostenible, CSIC, Apdo. Correos 4084, 14080-Córdoba (España)
2Departamento de Ingeniería Gráfica y Geomática, Universidad de Córdoba,
Campus de Rabanales, Edificio Gregor Mendel, 14071-Córdoba (España)
Recibido el 24 de noviembre de 2008, aceptado el 10 de marzo de 2009
RESUMEN ABSTRACT
En la últimas décadas han ido creciendo con- Soil management in crops is mainly based on
siderablemente los conocimientos y la sensibili- intensive tillage operations, which have a great
zación sobre la protección al medioambiente en relevancy in terms of increase of atmospheric
muy diversas áreas, entre las que se encuentra la CO , desertification, erosion and land degrada-2
Agricultura. El uso intensivo del laboreo oca- tion. Due to these negative environmental im-
siona graves daños medioambientales como la pacts, the European Union only subsidizes
erosión del suelo, la contaminación de las aguas cropping systems which require the implemen-
superficiales (escorrentía y colmatación de em- tation of certain no-tillage systems and agro-en-
balses), el descenso del contenido de la materia vironmental measures, such as keeping the
orgánica y de la biodiversidad de los suelos la- winter cereal residues and non-burning of stubble
brados, y el aumento de la emisión de CO del to reduce erosion, and to increase the organic2
suelo a la atmósfera. Actualmente, la Unión Eu- matter, the fertility of soils and the crop produc-
ropea sólo subvenciona a los agricultores que tion. Nowadays, the follow-up of these agrarian
cumplen lo que se conoce como “Medidas Agro- policy actions is achieved by ground visits to
ambientales o de Condicionalidad” cuyo diseño sample targeted farms; however, this procedure is
ha estado dentro de las competencias de las Po- time-consuming and very expensive. To improve
líticas Agrarias Autonómicas, Nacionales y Eu- this control procedure, a study of the accuracy
ropeas. Estas medidas consisten en alterar el performance of several classification methods
perfil y la estructura del suelo lo menos posible, has been examined to verify if remote sensing
dejando éste sin labrar y permanentemente pro- can offer the ability to efficiently identify crops
tegido por cubiertas vegetales (rastrojo) en el and their agro-environmental measures in a typi-
caso de cultivos herbáceos (ej. trigo, maíz, gira- cal agricultural Mediterranean area of dry condi-
sol), o por cubiertas vegetales vivas o inertes tions. Five supervised classification methods
(restos de poda) en el caso de cultivos leñosos based on different decision rule routines, Para-
(principalmente cítricos y olivar). El segui- llelepiped (P), Minimum Distance (MD), Maha-
miento del cumplimiento de estas medidas se re- lanobis Classifier Distance (MC), Spectral Angle
Revista de Teledetección. ISSN: 1988-8740. 2009. 31: 52-6352Quickbird image segmentation for mapping crops and their agro-environmental associated measures
aliza a través de visitas presenciales a un 1% de Mapper (SAM), and Maximum Likelihood
los campos susceptibles de recibir ayudas. Este (ML), were examined to determine the most sui-
método es ineficiente y provoca muchos errores table classification algorithm for the identifica-
con la consiguiente presentación de un ingente tion of agro-environmental measures such as
número de reclamaciones. Para subsanar esta winter cereal stubble and burnt stubble areas and
problemática, en este artículo presentamos los re- other land uses such as river side trees, vineyard,
sultados obtenidos en la clasificación de los cul- olive orchards, spring sown crops, roads and bare
tivos y las medidas agroambientales asociadas a soil. An object segmentation of the satellite in-
éstos en una imagen multiespectral QuickBird to- formation was also added to compare the accu-
mada a principios de Julio de una zona típica de racy of the classification results of pixel and
cultivos en régimen de secano de Andalucía. Se object as Minimum Information Unit (MIU). A
aplicaron 5 métodos de clasificación (Paralelepí- multispectral QuickBird image taken in early
pedos, P; Mínima Distancia, MD; Distancia de summer was used to test these MIU and classifi-
Mahalanobis, MC; Mapeo del Ángulo Espectral, cation methods. The resulting classified images
SAM; y Máxima Probabilidad, ML) para la dis- indicated that object-based analyses clearly out-
criminación de rastrojo de trigo quemado y sin performed pixel ones, yielding overall accuracies
quemar, arbolado, carreteras, olivar, cultivos her- higher than 85% in most of the classifications.
báceos de siembra primaveral y suelo desnudo. The choice of a classification method can mar-
Además, la imagen es segmentada en objetos kedly influence the accuracy of classification
para comparar la fiabilidad obtenida aplicando maps.
los métodos anteriores partiendo tanto de píxe-
les como de objetos como Unidades Mínimas de
Información (MIU). El análisis de los resultados
permite concluir que las clasificaciones de todos
los usos de suelo basadas en objetos claramente
mejoraron las basadas en píxeles, obteniéndose
precisiones (overall accuracy) mayores al 85%.
La elección de un método de clasificación u otro
influye en gran medida en la precisión de los
mapas obtenidos.
Debido a que la precisión del mapa temático
que necesitamos obtener ha de ser muy elevada
para tomar decisiones sobre Conceder / No con-
ceder las ayudas, sería interesante estudiar si el
incremento de la resolución espacial que se ob-
tenga gracias a la fusión de imágenes multies-
pectral y pancromática de QuickBird para
obtener una imagen fusionada con resolución es-
pacial de la pancromática (0.7 m) y espectral de
la multiespectral (4 bandas) mejora la precisión
de cualquiera de los métodos de clasificación es-
tudiados.
PALABRAS CLAVE: Inventario de cultivos; KEYWORDS: Burnt and non-burnt crop stub-
Rastrojo quemado y sin quemar; Segmentación ble; Crop inventory; Image segmentation.
de imágenes
INTRODUCTION ces, which have serious agro-environmental impli-
cations and consequences in terms of increase of at-
mospheric CO , desertification, land erosion andSoil management in the Mediterranean basin is 2
degradation, and sediment transport (Schlesinger,mostly based on intensive tillage agricultural practi-
Revista de Teledetección. ISSN: 1988-8740. 2009. 31: 52-63 53F. López-Granados et al.
2000; Hill et al., 1995). Due to these negative envi- riance of the data set into the classification decision
ronmental impacts, the European Union (E.U.) only rule. Finally, angular-based classifiers use a classi-
subsidizes cropping systems which require the im- fication decision rule based on spectral angles for-
plementation of certain agro-environmental measu- med between a referenced spectrum and an
res such as crop cover in olive orchards and unclassified pixel. There is no one ideal classifica-
non-burning of crop stubble to keep the crop resi- tion routine. The best one depends on all the needs
dues after harvesting (Anonymous, 2007). Nowa- and requirements of each study.
days, around 45% (4.3 M ha) of the whole Most remote sensing land use classification studies
Andalusian (Andalusia, southern Spain) surface is are based on pixel information. However, the in-
devoted to intensive agricultural production and to crease in spatial resolution causes an increase in in-
control these agrarian policy actions, a precise fo- traclass spectral variability and a reduction in
llow-up of crop inventories and cropping systems by classification performance and accuracy when pixel-
the E.U. and local administrations is required. Cu- based analyses are used. To overcome this problem,
rrent methods to follow-up of cropping systems and it could be useful to group the adjacent pixels into
to map agricultural practices by the Andalusian ad- spectral and spatially homogeneous objects. These
ministration consist of both, ground visits at least to objects are created from a segmentation process.
1% of the whole surface and drive-by to sample Object merging/growing algorithms take some pi-
fields on a country-by-country basis. This drive-by xels as seeds and grow the regions around them
method consists of designing transects, from which based on certain homogeneity criteria (Yu et al.,
the results are used to estimate or extrapolate the 2006). Thereafter, the classification is not based on
agriculture system used in the entire country. Ob- the pixel but on objects such as Minimum Informa-
viously, these pr