Multi-Temporal Classification of Crops Using ENVISAT ASAR Data

摘要

Eine Vielzahl landwirtschaftlicher Anbauverfahren wirken sich auf das menschliche Leben und die Umwelt aus. Traditionelle lokale Messungen sind teuer und zeitaufwendig. Probedaten gelten ausschließlich für die punktuelle Messlage. Im Rahmen eines ESA-Pilotprojekts (AO335), wurden Methoden untersucht, um eine zuverlässige, kosteneffiziente und ständige Überwachung der Anbauverfahren zu ermöglichen. Ein landwirtschaftliches Gebiet im Bereich "Fuhrberger Feld", nahe Hannover (Deutschland) wurde als Untersuchungsgebiet ausgewählt.rnENVISAT ASAR Amplitudenbilder mit VV/VH Polarisation wurden in dieser Arbeit verwendet. Darüber hinaus wurden Probedaten durch Feldbesichtigungen gesammelt. Diese dienten sowohl als Trainingsdaten als auch als Referenz für die Genauigkeitsabschätzung. Die verfügbaren Daten deckten die landwirtschaftliche Saison 2004 ab. Umfangreiche Feldbesichtigungen fanden auf mehr als 50 Feldern statt. Diese erfolgten zeitgleich zu den Bildaufnahmen mittels ENVISAT. Die Testfelder umfassten die typischen Arten der verschiedenen Pflanzen der Region.rnDer methodische Ansatz für das Monitoring besteht in der überwachten Klassifizierung von multitemporalen ASAR ENVISAT Daten.rnIn dieser Arbeit wurden Klassifikationsgenauigkeiten verschiedener Kombinationen von Vorverarbeitung, Datenkombination und Klassifikatoren getestet. Einfluss von Speckelunterdrückung und Kalibrierung auf die Klassifikation wurden ebenfalls getestet. Die Anpassung der Daten auf einen Anbaukalender in Verbindung mit zwei Klassifikatoren Maximum Likelihood (MLC) und Support Vector Machines (SVM) wurde untersucht.rnDie Auswertung der Klassifikationsmethoden basiert auf Fehlermatrizen und Kappa Statistiken. Die Ergebnise zeigen, dass die auf den Anbaukalender angepassten Daten und zusammengefügten Signaturen, basierend auf Kulturen, die Genauigkeit der MLC Klassifikation eine allgemeine Genauigkeit von über 80% erreichen. Eine Anpassung auf den Anbaukalender verbessert die Genauigkeit der SVM-Klassifikation nicht. Diese Methode benötigt eine gesonderte Berechnung der Klassifikationen für die verschiedenen Kulturarten. Damit werden unabhängige Ergebnise für jede Klasse generiert. Es können sich dabei in einigen Gebieten Konflikte aus den unterschiedlichen Klassifizierungen ergeben. Eine Methode zur Kombination der Ergebnisse wurde entwickelt, welche basierend auf die Abschätzungsmethode des Klassifizierungsprozesses die Konflikte löst. Die Kombinationsmethode zeigte gute Ergebnisse, dabei wurde die Genauigkeit der Klassifikation für einzelne Klassen konstant gehalten. Es konnte zudem gezeigt werden, dass Spekel-Filter und der verwendete Klassifikator unterschiedliche Effekte auf das Ergebnis des Verfahrens zur Klassifizierung haben.%Cultivation activities cause many effects on human life and the environment. Traditional in situ measurements are expensive, time consuming and sample data is for the probed location only. In the framework of an ESA pilot project (AO335), remote sensing methods are investigated aiming of reliable, cost efficient, and continuous monitoring of cultivation activities. Within the "Fuhrberger feld", close to Hannover, Germany, a test site was established. ENVISAT ASAR amplitude images with W7VH polarization are used for the analysis. In addition, ground truth data was gathered by field acquisitions. The latter serves both to define training areas and also to give a reference for accuracy assessment. The available data covers the agricultural season of 2004. Extensive Field acquisitions have been carried out on more than 50 fields close to the time, when the images have been taken. The test fields cover the typical different crop types of the region, whose areas have been chosen large enough to ensure sound assessment of the results. The methodological approach for the monitoring task consists of supervised classification of multi-temporal ASAR ENVISAT data. Different options in relation to multi-temporal classification of ASAR data, like selection of speckle filters, calibration, signature combinations and classification rules are investigated. In this thesis comparisons between different combinations of pre-processing, input data sets and classification rules are tested, like: classification of raw data or filtered (by speckle filters) data, calibration, matching to crop calendar i.e. usage of different sets of images from different acquisition times for different crop types, taking into account the respective phenological period of the crops, maximum likelihood classifier (MLC) versus support vector machines (SVM) classifiers, the evaluation of classification methods is based on error matrices and kappa statistics. The results show that matching despeckled data to crop calendar and signatures merged based on crop types improves classification accuracy of MLC and results in an overall accuracy higher than 80%. Matching to crop calendar does not improve the accuracy of SVM classification. Matching to crop calendar requires the computation of separate classifications for different crop types, giving independent results for each type. Therefore, in some areas conflicts may arise from the different classifications. A rule was generated which is based on distance files obtained from classification processes, which showed good results and kept the achieved accuracy. It could be shown also that the proper selection of speckle filter and the used classification rule improve the result of the classification procedure.