< Terug naar vorige pagina
Project
Hyperspectral image unmixing for the site-specific monitoring of Malus domestica and Pyrus communis orchards.
Precisielandbouw is een vorm van landbouw waarbij teeltmaatregelen worden afgestemd op de variatie in ruimte en tijd van gewas- en bodemcondities binnen percelen. Hyperspectrale afstandwaarnemingen hebben een hoog potentieel getoond in het opvolgen van de fysiologische toestand van het gewas en de bodem over een uitgestrekt gebied, met de nodige accuraatheid en temporele resolutie. De afmeting van een pixel in een satellietbeeld is echter groter dan de componenten in het beeld. Dit is zeker het geval in meerjarige plantproductiesystemen zoals boomgaarden, waar de rijstructuur van de bomen resulteert in een discontinue bedekking van de bodem. Dit zorgt er voor dat het spectrale signaal opgemeten door de satelliet een integratie zal zijn van de verschillende componenten binnen de pixel. Het juist interpreteren van het opgemeten signaal wordt dus bemoeilijkt door het aandeel van de achtergrondelementen zoals bodem, grassen en onkruid, en schaduw. Om een accurate opvolging van de gezondheidstoestand van de bomen in een boomgaard mogelijk te maken, is het dus nodig omhet opgemeten satellietsignaal te filteren, zodat een juiste interpretatie mogelijk wordt met het gezuiverde boomsignaal.
In dit doctoraatsonderzoek worden ontmengingsmethoden voorgesteld om per pixel het purevegetatiesignaal te extraheren uit het satellietsignaal (signaal ontmenging). De basis is het Multiple Endmember Spectral Mixture Analysis (MESMA) model. In dit model worden omvangrijke spectrale bibliotheken gebruikt, dat wil zeggen een collectie van spectrale waarden die de boom of bodem kan hebben afhankelijk van zijn gezondheidstoestand. Uit deze boom- en bodembibliotheek worden in een iteratief proces verschillende boom-bodemcombinaties gemaakt, en de combinatie die het beste het pixelsignaal kan reconstrueren, wordt geselecteerd als de beste representatie van de componenten in de pixel. Het geselecteerde boomsignaal kan dan op zijn beurt gebruikt worden om de nodige informatie over de gezondheidstoestandvan de boom te bekomen.
In het eerste deel van dit werk worden oplossingen aangereikt voor enkele van de belangrijkste knelpunten van het MESMA model. Vermits de accuraatheid van MESMA afhankelijk is van de geschiktheid van de bibliotheken, is het van essentieel belang dat de signalen in de bibliotheek een accurate weergave zijn van de toestand van de verschillende componenten in het beeld. In hoofdstuk 2 is er hiervoor eenuitgebreide bibliotheek gemaakt met een radiatief transfer model, om zode nodige hoeveelheid detail in de bibliotheek te brengen. Dit heeft echter tot gevolg dat door de vele combinatiemogelijkheden, er verschillende signaalcombinaties kunnen resulteren in hetzelfde gemengd signaal, ener dus geen optimale oplossing kan geselecteerd worden (het zogenaamde inversieprobleem). In hoofdstuk 3 worden er daarom in situ opgemeten bodemvochtgegevens gecombineerd met de hyperspectral afstandswaarnemingen. Deze bodemvochtgegevens maken het mogelijk om het reflectantiesignaal van de bodem te modelleren, en zo een schatting van het bodemsignaal te geven. Het aantal mogelijke signaalcombinaties uit de bibliotheken wordt zo beperkt, en dit leidt tot een betere extractie van het boomsignaal uitde pixels. Dit leidt op zijn beurt tot een betere schatting van de gezondheidstoestand van de boom. De grootte van de bibliotheken heeft ook een nefast gevolg voor de rekentijd die nodig is om al de signaalcombinaties te evalueren. Door het inwerken van geometrische principes in MESMA is het mogelijk om de bibliotheken efficiënter te evalueren (hoofdstuk 4). MESMA evalueert al de verschillende signaalcombinaties apart, en selecteert achteraf de meest geschikte combinatie. Met de voorgestelde methode echter, wordt de beste signaalcombinatie vooraf geselecteerd, waarna de pixel pas wordt ontmengt, en bijgevolg wordt de efficiëntie van het MESMA model verhoogd.
Door de verschillende problemen geassocieerd metMESMA, wordt in hoofdstuk 5 Alternating Least Squares (ALS) ontmenging voorgesteld als alternatief voor MESMA. MESMA heeft grote bibliotheken nodig waaruit het meest representatieve boomsignaal wordt geselecteerd, terwijl ALS enkel een eerste schatting nodig heeft van de pure boom- en bodemsignalen. Deze schattingen worden dan door ALS verder geoptimaliseerd om het gemengd signaal zo nauwkeurig mogelijk te benaderen.
Al de voorgaande signaal ontmengingsmethoden zijn getest op gemengde pixels die bestaan uit boom en bodem, vermits de hoge spectrale similariteit tussen grassen/onkruiden en bomen een accurate extractie van het boomsignaalbelemmeren. In hoofdstuk 6 wordt een eerste aanzet gegeven om een ontmengingsmethodiek te ontwikkelen die ook vegetatietypes met een hoge spectrale similariteit van elkaar kan onderscheiden, gebaseerd op de vormverschillen die bestaan tussen de spectrale signalen van de verschillende vegetatietypes.
Samengevat levert dit werk een conceptueel kader voor de operationele toepasbaarheid van signaal ontmengingsmethoden in de context van precisielandbouw. Nieuwe methodieken worden voorgesteld om enerzijds het pure boomsignaal te extraheren uit een gemengde hyperspectralepixel, alsook om de efficiëntie en de accuraatheid van deze ontmengingsmethoden te verhogen. Met de resulterende pure boomsignalen wordt een betere opvolging van de gezondheidstoestand van de bomen in een boomgaard mogelijk. Signaal ontmenging is dus een veelbelovend nieuw onderzoeksdomein in hyperspectrale beeldanalyse voor precisielandbouw.
In dit doctoraatsonderzoek worden ontmengingsmethoden voorgesteld om per pixel het purevegetatiesignaal te extraheren uit het satellietsignaal (signaal ontmenging). De basis is het Multiple Endmember Spectral Mixture Analysis (MESMA) model. In dit model worden omvangrijke spectrale bibliotheken gebruikt, dat wil zeggen een collectie van spectrale waarden die de boom of bodem kan hebben afhankelijk van zijn gezondheidstoestand. Uit deze boom- en bodembibliotheek worden in een iteratief proces verschillende boom-bodemcombinaties gemaakt, en de combinatie die het beste het pixelsignaal kan reconstrueren, wordt geselecteerd als de beste representatie van de componenten in de pixel. Het geselecteerde boomsignaal kan dan op zijn beurt gebruikt worden om de nodige informatie over de gezondheidstoestandvan de boom te bekomen.
In het eerste deel van dit werk worden oplossingen aangereikt voor enkele van de belangrijkste knelpunten van het MESMA model. Vermits de accuraatheid van MESMA afhankelijk is van de geschiktheid van de bibliotheken, is het van essentieel belang dat de signalen in de bibliotheek een accurate weergave zijn van de toestand van de verschillende componenten in het beeld. In hoofdstuk 2 is er hiervoor eenuitgebreide bibliotheek gemaakt met een radiatief transfer model, om zode nodige hoeveelheid detail in de bibliotheek te brengen. Dit heeft echter tot gevolg dat door de vele combinatiemogelijkheden, er verschillende signaalcombinaties kunnen resulteren in hetzelfde gemengd signaal, ener dus geen optimale oplossing kan geselecteerd worden (het zogenaamde inversieprobleem). In hoofdstuk 3 worden er daarom in situ opgemeten bodemvochtgegevens gecombineerd met de hyperspectral afstandswaarnemingen. Deze bodemvochtgegevens maken het mogelijk om het reflectantiesignaal van de bodem te modelleren, en zo een schatting van het bodemsignaal te geven. Het aantal mogelijke signaalcombinaties uit de bibliotheken wordt zo beperkt, en dit leidt tot een betere extractie van het boomsignaal uitde pixels. Dit leidt op zijn beurt tot een betere schatting van de gezondheidstoestand van de boom. De grootte van de bibliotheken heeft ook een nefast gevolg voor de rekentijd die nodig is om al de signaalcombinaties te evalueren. Door het inwerken van geometrische principes in MESMA is het mogelijk om de bibliotheken efficiënter te evalueren (hoofdstuk 4). MESMA evalueert al de verschillende signaalcombinaties apart, en selecteert achteraf de meest geschikte combinatie. Met de voorgestelde methode echter, wordt de beste signaalcombinatie vooraf geselecteerd, waarna de pixel pas wordt ontmengt, en bijgevolg wordt de efficiëntie van het MESMA model verhoogd.
Door de verschillende problemen geassocieerd metMESMA, wordt in hoofdstuk 5 Alternating Least Squares (ALS) ontmenging voorgesteld als alternatief voor MESMA. MESMA heeft grote bibliotheken nodig waaruit het meest representatieve boomsignaal wordt geselecteerd, terwijl ALS enkel een eerste schatting nodig heeft van de pure boom- en bodemsignalen. Deze schattingen worden dan door ALS verder geoptimaliseerd om het gemengd signaal zo nauwkeurig mogelijk te benaderen.
Al de voorgaande signaal ontmengingsmethoden zijn getest op gemengde pixels die bestaan uit boom en bodem, vermits de hoge spectrale similariteit tussen grassen/onkruiden en bomen een accurate extractie van het boomsignaalbelemmeren. In hoofdstuk 6 wordt een eerste aanzet gegeven om een ontmengingsmethodiek te ontwikkelen die ook vegetatietypes met een hoge spectrale similariteit van elkaar kan onderscheiden, gebaseerd op de vormverschillen die bestaan tussen de spectrale signalen van de verschillende vegetatietypes.
Samengevat levert dit werk een conceptueel kader voor de operationele toepasbaarheid van signaal ontmengingsmethoden in de context van precisielandbouw. Nieuwe methodieken worden voorgesteld om enerzijds het pure boomsignaal te extraheren uit een gemengde hyperspectralepixel, alsook om de efficiëntie en de accuraatheid van deze ontmengingsmethoden te verhogen. Met de resulterende pure boomsignalen wordt een betere opvolging van de gezondheidstoestand van de bomen in een boomgaard mogelijk. Signaal ontmenging is dus een veelbelovend nieuw onderzoeksdomein in hyperspectrale beeldanalyse voor precisielandbouw.
Datum:1 jan 2010 → 31 dec 2013
Trefwoorden:Hyperspectral remote sensing, Spectral unmixing, Precision farming
Disciplines:Fysische geografie en omgevingsgeowetenschappen, Communicatietechnologie, Geomatische ingenieurswetenschappen, Andere ingenieurswetenschappen en technologie
Project type:PhD project