Automated detection of canola-rapeseed cultivation from space [Elektronische Ressource] : application of new algorithms for the identification of agricultural plants with multispectral satellite data on the example of canola cultivation / presented by Hendrik Oliver Arp Laue

Informations

• Publié par: universitat_bremen
• Publié le: 01 janvier 2004
• Nombre de lectures: 10
• Langue: English
• Poids de l'ouvrage: 14 Mo

Extrait

iup
Institute of Environmental Physics
University of Bremen
Automated Detection
of Canola/Rapeseed Cultivation
from Space
Application of new Algorithms for the Identi cation of Agricultural Plants
with Multispectral Satellite Data on the Example of Canola Cultivation
Dissertation
Submitted for a degree of
Doctor in Natural Sciences (Dr. rer. nat.)
of the University of Bremen
presented by
Dipl. Phys. Hendrik Oliver Arp Laue
September 2004iiiup
Institut f r Umweltphysik
Universit t Bremen
Automatische Detektion
des Rapsanbaus aus dem Weltraum
Anwendung von neuen Algorithmen zur automatischen Identi kation von
landwirtschaftlichen Anbau chen mit multispektralen Satellitendaten am
Beispiel von Raps
Dissertation zur Erlangung des Grades
Doktor der Naturwissenschaften (Dr. rer. nat.)
pr sentiert von
Dipl. Phys. Hendrik Oliver Arp Laue
September 2004
Erster Gutachter: Prof. Dr. phil. Klaus K nzi
Zweiter Gutachter: Dr. habil Broder Breckling
Eingereicht am: 23. September 2004
Tag des Promotionskolloquiums: 25. Oktober 2004iiAbstract
The advances in biotechnology allow the use of genetically modi ed plants in
agriculture. Whereas in the EU, this is still limited to experimental sowing, it
is already practised commercially in Argentinia, Canada, China and the USA.
The dispersal resulting from such cultivation holds risks that are di cult to as-
sess. In the joint research project Generische Erfassung und Extrapolation der
Rapsausbreitung (Generic analysis and extrapolation of oilseed rape disper-
sal, GenEERA) funded by the Bundesministerium f r Bildung und Forschung
(Federal Ministry of Education and Research, BMBF) the hybridisation and
dispersal of canola and its wild relatives is investigated exemplarily. In this
context the situation of canola cultivation, described by the mean eld size
and the mean minimum distance between canola elds, is of particular in-
terest, especially since canola elds are potential sources of the transfer of
new genes to non-modi ed or related plants. The aim of this work, which is
part of the GenEERA project, is the identi cation of canola cultivation areas
in northern Germany in the studied period from 1995 to 2002. The sizes of
the elds and the investigation area pose requirements on the satellite data
best met the LANDSAT Thematic Mapper (TM)/Enhanced Thematic Map-
per+ (ETM+) and the Indian Remote Sensing Satellite (IRS) Linear Imaging
Self Scanner/3 (LISS/3) sensors which allow to detect the individual elds.
Complete coverage of the investigation area requires about 12 TM/ETM+ im-
ages. Considering the period of 7 years, and although only 47 images could be
obtained for this study due to cloud cover, the amount of data to be processed
is very large (14 GB). Therefore one focus of this work is the autonomous
processing of the satellite data.
The processing of the data is performed in several steps: The rst process-
ing step is the georecti cation, assigning map positions to the satellite pixels.
The georecti cation is done by a passpoint correlation. An even more accurate
assignment is necessary between the pixels of di erent satellite images in order
to allow an automated selection of training data sets from overlapping images.
This is accomplished in an additional correction step, based on the correlation
of image clips. The next processing step is the identi cation of clouds and
their shadows. Opaque clouds can be identi ed by their brightness and low
top temperature. The cloud shadows are identi ed by looking for dark patches
near clouds that are located in the opposite direction of the sun azimuth an-
gle. Thin clouds are identi ed based on the haze optimized transform (HOT)
method which had to be adapted in order to compensate for the high albedo
iiiiv ABSTRACT
of owering canola. The e ect of thin clouds can be compensated to some
extent by a histogram-based method. The third processing step, the classi -
cation, is performed by the Mahalanobis distance classi er (MDC) because it
only requires training data for one single surface type. Since the MDC is not
as accurate as the commonly used maximum likelyhood classi er (MLC), its
accuracy is enhanced by a segmentation of the MDC result used to identify
single wrongly identi ed pixels and to perform region growing to include pixels
missed by the MDC.
The resulting segments are approximated by rectangles of equal orientation
and area which allow a vectorised data representation and a simple evaluation
of the eld distances and several other parameters of interest for the dispersal
of canola pollen. Furthermore, the results are used to produce statistics of the
complete investigation area allowing to investigate derived parameters on the
situation of canola cultivation in northern Germany. The results of the clas-
si cation are compared to validation data, i.e., edges and positions of known
canola elds and agricultural statistics for 1995 and 1999. This validation
showed that the total acreage of canola is identi ed with 70 to 90% accuracy,
whereas larger elds are identi ed more accurately because of the lower ratio
of border to inner eld pixels. The accuracy also depends on the strength of
the owering of canola, which causes overestimation of the eld size due to the
high brightness of the owers.
The methods presented in this work show that an automated classi cation
based on a large number of satellite images with good accuracy is possible.
The georecti cation and the cloud identi cation can easily be adapted to the
classi cation of other agricultural crops, like e.g, maize or cereals. However,
the actual classi cation of these crops might require to select satellite images
from di erent acquisition times and to adapt the classi cation algorithm.Zusammenfassung
Der biotechnologische Fortschritt hat den Einsatz von gentechnisch modi -
zierten P anzen in der Landwirtschaft erm glicht. In der EU beschr nkt sich
der Anbau zur Zeit noch auf experimentelle Aussaaten, in Argentinien, Chi-
na, Kanada und den USA wird er jedoch bereits kommerziell betrieben. Die
damit verbundene Freisetzung von gentechnisch modi zierten P anzen birgt
allerdings auch schwer abzusch tzende Risiken. Im vom Bundesministerium
f r Bildung und Forschung (BMBF) gef rderten Verbundprojekt Generische
Erfassungs- und Extrapolationsmethoden der Rapsausbreitung (GenEERA)
wurden die Hybridisierungs- und Ausbreitungsdynamik von Raps und ver-
wandten Wildarten exemplarisch untersucht. Hierzu ist die Anbausituation
von Raps, beschrieben durch die Anbaudichte, mittlere Feldgr e und den mi-
nimalen Abstand zwischen den Feldern von besonderem Interesse, da Rapsfel-
der potentielle Quellen f r den Transfer von neuen genetischen Eigenschaften
zu nicht modi ziertem Raps oder zu verwandten P anzen darstellen.
Ziel dieser Arbeit, die im Rahmen eines Teilprojektes von GenEERA an-
gefertigt wurde, ist daher die Identi zierung und Charakterisierung der Raps-
anbau chen in Norddeutschland mit Satellitendaten im Zeitraum von 1995
bis 2002. Die Identi kation von Rapsfeldern stellt Mindestanforderungen an
die Au sung und Abdeckung der Satellitendaten. Diese werden am besten
von den Daten der LANDSAT Thematic Mapper (TM)/Enhanced Thema-
tic Mapper+ (ETM+) und der Indian Remote Sensing Satellite (IRS) Linear
Imaging Self Scanner/3 (LISS/3) Sensoren erf llt, da sie eine Identi kation
einzelner Felder erm glichen. Allerdings erfordert die r umliche Abdeckung
des Untersuchungsgebietes mindestens 12 TM-Bilder. Zieht man den Unter-
suchungszeitraum von sieben Jahren in Betracht, so ergibt sich, obwohl die
Anzahl der verf gbaren Daten auf 47 Bilder beschr nkt war, eine sehr gro e
Datenmenge (14 GB). Ein Schwerpunkt dieser Arbeit ist daher die m glichst
automatische Verarbeitung der Satellitendaten.
Der erste Verarbeitungsschritt ist die Georekti zierung, die einzelnen Pi-
xeln im Satellitenbilder mittels einer Passpunktskorrektur Koordinaten auf
einer Landkarte zuordnet. Eine genauere Zuordnung ist zwischen Pixeln aus
unterschiedlichen Satellitenbildern notwendig, um eine automatische Auswahl
von Trainingsdatens tzen aus berlappenden Satellitenbildern zu erm glichen.
Dies wird durch eine Korrektur der Georekti zierung mittels einer Bildkor-
relation erreicht. Der n chste Verarbeitungschritt ist die Identi zierung von
Wolken und deren Schatten. Undurchsichtige Wolken k nnen durch ihre gro e
vvi ZUSAMMENFASSUNG
Albedo in den sichtbaren Wellenl ngen und die geringe Temperatur an ihrer
Obergrenze identi ziert werden. Wolkenschatten werden zun chst ber dunkle
Flecken in der N he von Wolken im Satellitenbild erkannt; als weiteres dient die
Tatsache, da solche dunklen Flecken in der entgegengesetzten Richtung zum
Sonnenazimuthwinkel der Wolke liegen. D nne Wolken werden durch die ha-
ze optimized transform (HOT) Methode identi ziert, welche allerdings an die
hohe Albedo von bl hendem Raps angepasst werden mu . Der Ein uss d n-
ner Wolken konnte durch den Einsatz eines Histogrammvergleiches teilweise
korrigiert werden. Der dritte Verarbeitungschritt, die Klassi kation, wird mit-
tels des Mahalanobis distance classi er (MDC) durchgef hrt, da dieser nur
den Trainingsdatensatz f r einen einzigen Ober chentyp ben tigt. Allerdings
erreicht der MDC nicht die Genauigkeit des blicherweise verwendeten ma-