Bewertung der landwirtschaftlichen Aktivitäten und Feinklassifizierung von Anbauflächen auf Basis von zeitreihenbasierten Fernerkundungsbildern

Mit der Entwicklung der Fernerkundungstechnologie schreiten die landwirtschaftliche Überwachung und Bewirtschaftung zunehmend in Richtung intelligenter und präziserer Verfahren voran. Die Nutzung von Fernerkundungsbildern in Zeitreihen zur Bestimmung landwirtschaftlicher Aktivitäten und zur Klassifizierung von Nutzpflanzen auf bestimmten Parzellen hat sich zu einem wichtigen Instrument der modernen Landwirtschaft entwickelt.

Überblick über zeitreihenbasierte Fernerkundungsbilder

Zeitreihen-Fernerkundungsbilder bezeichnen multitemporale Bilddaten desselben Gebiets, die zu verschiedenen Zeitpunkten aufgenommen wurden. Diese Bilder können von verschiedenen Plattformen wie Satelliten und Drohnen stammen. Durch die Analyse dieser Daten lassen sich phänologische Informationen in der zeitlichen Dimension und Informationen zur Pflanzenverteilung in der räumlichen Dimension gewinnen, wodurch die dynamischen Veränderungen der Landbedeckung und des Pflanzenwachstums sichtbar werden.

Beurteilung der landwirtschaftlichen Tätigkeit

Die Bewertung landwirtschaftlicher Aktivitäten umfasst im Wesentlichen die Identifizierung von Anbauflächen, die Klassifizierung von Nutzpflanzenarten und die Überwachung des Wachstumsstatus. Zeitreihenbasierte Fernerkundungsbilder können folgende Funktionen erfüllen:

Kennzeichnung des Pflanzbereichs:

Durch die Analyse von Vegetationsindexänderungen in multitemporalen Bildern kann die Verteilung von Ackerland in verschiedenen Jahreszeiten ermittelt werden.

Maschinelle Lernalgorithmen werden verwendet, um Bilder zu klassifizieren und Pflanzflächen präzise abzugrenzen.

Klassifizierung der Kulturpflanzenarten:

Durch die Nutzung der Veränderungen der spektralen Eigenschaften verschiedener Nutzpflanzen während ihres Wachstumszyklus wird ein Klassifizierungsmodell zur Identifizierung von Nutzpflanzentypen erstellt.

Durch die Kombination von Zeitreihendaten können die Genauigkeit und Stabilität der Klassifizierung verbessert werden.

Wachstumsüberwachung:

Durch die Analyse der zeitlichen Veränderungen von Vegetationsindizes können wir das Wachstum und die Gesundheit von Nutzpflanzen überwachen. Dies ermöglicht die rechtzeitige Erkennung von Anomalien innerhalb der Anbaufläche, wie beispielsweise Schädlinge und Krankheiten, Dürreperioden und Überschwemmungen, und liefert somit Frühwarninformationen.

Anwendungsbeispiele

1. Visualisierung von Zeitreihendaten und Extraktion phänologischer Perioden

△Abbildung 1. Zeitreihenbilder der Parzelle und Extraktion phänologischer Perioden

Wir erfassten vierteljährliche Bilddaten aus den Jahren 2022–2023 von einer Demonstrationsfläche im Bezirk Chang’an in Xi’an. Nach wolkenbasierter Filterung und Maskierung wählten wir schließlich 18 Bilder aus. Wir normalisierten das Pflanzenwachstum mithilfe des NDVI, um Unterschiede im Pflanzenwachstum zu verschiedenen Zeitpunkten zu vergleichen.

Wie die obige Abbildung zeigt, lassen sich durch die Beobachtung der Veränderungen des Vegetationsindex im Zeitverlauf wichtige phänologische Perioden identifizieren. Dies ermöglicht die Vorhersage und Bewertung von Anbau- und landwirtschaftlichen Aktivitäten. In Kombination mit Informationen zur räumlichen Verteilung können nach Jahreszeiten klassifizierte Anbaukarten erstellt werden.

2. Basierend auf der Analyse neu entstehender raumzeitlicher Hotspots und der Klassifizierung landwirtschaftlicher Aktivitäten

△Abbildung 2: Karte der Anbauverteilung basierend auf landwirtschaftlichen Aktivitäten

Zeitreihenbilder werden in Vektorpunkte oder mehrdimensionale Rasterdaten umgewandelt und ein raumzeitlicher Datenwürfel erstellt. Basierend auf diesem Würfel wird für jede Zeitschicht eine Hotspot-Analyse unter Berücksichtigung festgelegter räumlicher Nachbarschaftsbeziehungen und Zeitschritte durchgeführt. Die Ergebnisse der Hotspot-Analyse werden anschließend für jedes Raster statistisch ausgewertet, woraus schließlich eine Klassifizierungskarte mit räumlichen und zeitlichen Informationen entsteht. Abschließend werden die Klassifizierungsergebnisse im Hinblick auf konkrete Anwendungsszenarien interpretiert.

Wie in der obigen Abbildung dargestellt, weist das Weizen-Mais-Fruchtfolgegebiet im Quartal 2022/23 einen Hotspot der NDVI-Vegetationsindex-Oszillation auf. Dies deutet auf ein signifikantes Pflanzenwachstum über den gesamten Zeitraum hinweg, jedoch mit Unterbrechungen, hin. Diese Unterbrechungen werden als Auflaufphase des Weizens und des Maises nach der Weizenernte interpretiert, wodurch das Gebiet als zweisaisonales Anbaugebiet klassifiziert wird. Das einsaisonale Anbaugebiet zeigt keine signifikanten räumlichen und zeitlichen Schwankungen und wird größtenteils als einsaisonales Anbaugebiet eingestuft. Teilbrachegebiete bezeichnen Flächen, auf denen während des größten Teils der Anbausaison keine Kulturpflanzen angebaut werden, wobei zeitweise einsaisonale Kulturpflanzen angebaut werden können. Brachflächen bezeichnen Flächen, auf denen während der gesamten Anbausaison keine Kulturpflanzen angebaut werden.

Mithilfe von Fernerkundungsbildern aus Zeitreihen ist es möglich, die phänologischen Stadien von Nutzpflanzen zu bestimmen und die landwirtschaftlichen Aktivitäten auf den Parzellen anhand dieser Stadien zu bewerten. Dadurch wird eine detailliertere Klassifizierung erreicht und die Wachstumsüberwachung der Parzellen auf der Grundlage der landwirtschaftlichen Aktivitäten und Pflanzprozesse ermöglicht.