Vergleich der Pflanzenklassifizierung in Einzelperiodendaten von Xiguang Nr. 1 05 (Tianxianpei Nr.) und Sentinel-2-Daten.

Hintergrund Einführung

Die Identifizierung und Differenzierung der Verbreitung verschiedener Kulturpflanzenarten mithilfe von Fernerkundungsbildern ermöglicht ein optimiertes Management und die Überwachung der landwirtschaftlichen Produktion auf Makroebene. Diese Überwachung liefert Daten für die Frühwarnung vor Schädlingen und Krankheiten. Darüber hinaus bieten die Ergebnisse der Fernerkundungsklassifizierung, kombiniert mit meteorologischen, hydrologischen und bodenkundlichen Informationen, eine wissenschaftliche Grundlage für die Ertragsschätzung, die Bewertung von Katastrophenschäden und die Entscheidungsfindung im Bereich der Ernährungssicherheit. Ihre Bedeutung liegt in der Förderung der Transformation der traditionellen Landwirtschaft hin zu Digitalisierung, Informatisierung und intelligenter Technologie, der Verbesserung der landwirtschaftlichen Produktionseffizienz und Ressourcennutzung, der Reduzierung der Kosten manueller Erhebungen sowie der dynamischen Überwachung und präzisen Bewirtschaftung großflächiger Agrarflächen. Zudem können die Ergebnisse der Kulturpflanzenklassifizierung wichtige Grundlagendaten für die Formulierung nationaler Agrarpolitiken, den Schutz von Ackerland und die Bewertung der Kohlenstoffbindung liefern, was weitreichende Konsequenzen für die Sicherstellung der Ernährungssicherheit und die Förderung einer nachhaltigen landwirtschaftlichen Entwicklung hat.

Multispektrale Bilddaten umfassen typischerweise eine geringe Anzahl breiter Spektralbänder (z. B. 4–13), die primär die allgemeinen Eigenschaften von Bodenmerkmalen in Schlüsselbändern wie dem sichtbaren und nahinfraroten Licht widerspiegeln. Sie eignen sich für die makroskopische Klassifizierung und Überwachung von Bodenmerkmalen wie Landnutzung und Vegetationsbedeckung. Hyperspektrale Bilddaten hingegen werden verwendet in…Kontinuierliche Abtastung in Dutzenden bis Hunderten schmaler BänderHyperspektrale Daten erfassen die feinen Reflexionseigenschaften von Bodenstrukturen im Spektrum und ermöglichen so die Identifizierung subtiler Unterschiede, die mit multispektralen Methoden nicht erkennbar sind. Beispielsweise lassen sich Variationen verschiedener Nutzpflanzensorten, physiologischer Zustände der Vegetation oder der Mineralzusammensetzung präzise in hyperspektralen Daten darstellen. Durch den Vergleich beider Datentypen wird der Einfluss der spektralen Auflösung auf die Genauigkeit der Bodenstrukturidentifizierung und die Merkmalsextraktion deutlich, wodurch sich das optimale Datenauswahlverfahren für verschiedene Aufgaben ermitteln lässt.

Prinzipien und Methoden

Dieses Experiment wurde mit Daten der Satelliten Xiguang-105 (auch bekannt als Tianxianpei) und Sentinel-2 durchgeführt. Zunächst wurden der normalisierte Differenzvegetationsindex (NDVI), der Vegetationsverhältnisindex (RVI) und der verbesserte Vegetationsindex (EVI) für hyperspektrale und multispektrale Daten berechnet. Anschließend wurde für die hyperspektralen Daten ein modifizierter Glühwürmchen-Algorithmus verwendet, um Bänder mit hoher Korrelation zur Dimensionsreduktion auszuwählen. Abschließend wurde eine Support-Vector-Machine (SVM) zur Klassifizierung von Nutzpflanzen in den hyperspektralen und multispektralen Daten eingesetzt.

Ergebnisanalyse

Abbildung 1. Ergebnisse der hyperspektralen Klassifizierung

Abbildung 2 Ergebnisse der multispektralen Klassifizierung

In diesem Experiment zur Pflanzenklassifizierung wurden drei Indizes – NDVI, RVI und EVI – sowie Spektralbänder, die stark mit den Pflanzenarten korrelieren, verwendet. Der SVM-Algorithmus wurde eingesetzt, um den Einfluss des Klassifikators zu minimieren. Abbildungen 1 und 2 zeigen die Klassifizierungsergebnisse. Die Ergebnisse der hyperspektralen Klassifizierung mit einer einzigen Periode waren den multispektralen Ergebnissen überlegen. Multispektrale Bilder weisen unscharfe Ränder, zahlreiche Flecken und eine geringere Genauigkeit auf, während hyperspektrale Bilder eine feinere und stabilere Identifizierung von Bodenmerkmalen ermöglichen.

Bei der Landbedeckungsklassifizierung bieten hyperspektrale Daten deutliche Vorteile gegenüber multispektralen Daten. Hyperspektrale Bilddaten erfassen die Reflexionseigenschaften der Landbedeckung in mehreren kontinuierlichen, schmalen Spektralbändern und ermöglichen so eine detailliertere Charakterisierung der spektralen Unterschiede zwischen verschiedenen Anbauarten. Sie weisen häufig unterscheidbare interspektrale Merkmale im hyperspektralen Raum auf, was die Klassifizierungsgenauigkeit und die Trennbarkeit der Klassen erheblich verbessert. Mithilfe hyperspektraler Daten können spektrale Merkmalsabgleichverfahren eine feine Differenzierung und eine zuverlässige Identifizierung komplexer Landbedeckungstypen erreichen. Im Gegensatz dazu verfügen traditionelle multispektrale Daten über weniger Spektralbänder und eine größere Bandbreite, wodurch sie nur begrenzte spektrale Informationen liefern. Sie neigen zu spektralen Überlappungen zwischen verschiedenen Landbedeckungstypen, was zu unscharfen Klassifizierungsgrenzen und Fehlklassifizierungen führt. Darüber hinaus sind multispektrale Daten in komplexen Oberflächenumgebungen (wie z. B. gemischten Landbedeckungstypen, Schatten und Bodeninterferenzen) instabil, was die effektive Erfassung subtiler Unterschiede erschwert. Daher bieten hyperspektrale Daten hinsichtlich Klassifizierungsgenauigkeit, Robustheit und Interpretierbarkeit erhebliche Vorteile bei der Klassifizierung der Landbedeckung und sind eine wichtige Datenquelle für die Gewinnung hochpräziser Informationen über die Landoberfläche.