Objektorientierte Extraktion von Weizenparzellen auf Basis hyperspektraler Fernerkundung

In der Präzisionslandwirtschaft sind Parzellengrenzen die grundlegendsten Anbaudaten. Sie stellen eine Verbindung zwischen allen Pflanzendaten und der Realität her, liefern präzise geografische Grenzen für Wachstumsstatistiken und -analysen auf Parzellenebene und bilden die Grundlage für die Analyse von Parzellenflächenveränderungen und die langfristige Überwachung von Pflanzen in verschiedenen phänologischen Stadien.

Aufgrund unterschiedlicher landwirtschaftlicher Produktionsmodelle und Anbaugeschichten in verschiedenen Regionen variieren auch Definition und Konzept des Begriffs „Parzelle“, und die Ergebnisse von Beobachtungen auf verschiedenen Maßstäben sind nicht vollständig konsistent. Die Parzellenabgrenzung in dieser Arbeit basiert auf Satellitenfernerkundungsbildern mit einer Auflösung von 10 Metern. Eine Parzelle wird daher als eine relativ unabhängige Anbaueinheit definiert, die durch befestigte Wege wie Landstraßen oder Dorfwege abgegrenzt ist.

Methode zur Bildextraktion von Weizenparzellen

Das Team von Xiguang Aerospace der Chinesischen Akademie der Wissenschaften nutzte das zusammengesetzte Bild mit dem höchsten Wert von Weizen im Bezirk Lintong während der Schossphase im Jahr 2023 und extrahierte Weizenparzellen für die Saison 2023-2024 mithilfe objektorientierter Klassifizierungstechnologie.
Die objektorientierte Klassifizierung unterteilt Landmerkmale mittels Segmentierung und anschließender Klassifizierung in unabhängige Objekte und klassifiziert diese anschließend. Dadurch wird der bei der traditionellen pixelbasierten Klassifizierung auftretende „Salz-und-Pfeffer“-Effekt weitgehend vermieden und gleichzeitig die Interpretierbarkeit der Klassifizierung erhöht. Das Ergebnis ist ein Landparzellenvektor, der direkt für Form- und Flächenberechnungen sowie statistische Analysen verwendet werden kann und somit die nachfolgende Analyse erleichtert.

▲Abbildung 1 Ergebnisse der objektorientierten Klassifizierung

Analyse der Bildergebnisse von Weizen

Anhand von Literaturangaben und lokalen Geländemerkmalen wurden die Kategorien in fünf Typen unterteilt: Weizen, Siedlungsgebiete/Bebauung, unbewachsener Boden, Sandflächen/stark reflektierende Objekte und Gewässer. Die Klassifizierungsergebnisse für Gewässer und Siedlungsgebiete waren relativ zufriedenstellend. Einige Straßen wurden fälschlicherweise als unbewachsener Boden klassifiziert, und einige Dächer wiesen eine hohe Reflektivität auf, was die Klassifizierungsergebnisse beeinträchtigte. Daher erhöhte die Zusammenfassung stark reflektierender Objekte mit Sandflächen die Zuverlässigkeit der Klassifizierungsergebnisse.

Es kann das Stadtgebiet und ungenutzte Flächen visuell darstellen. Außerdem kann es die Fläche entsprechender Landnutzungsmerkmale Jahr für Jahr berechnen und die Entwicklung und Veränderungstendenzen von Städten und verschiedenen Landnutzungsarten analysieren.

▲Abbildung 2 Genauigkeitsbewertung des objektorientierten Random-Forest-Klassifikators

Xi'an Institute of Optics and Precision Mechanics CAS Aerospace Science and Technology Group Co.,LTD - Analyse des Wachstums landwirtschaftlicher Flächen

In diesem Fall wurden insgesamt 409 Proben aus fünf Landnutzungskategorien visuell interpretiert und kategorisiert. 80 % dienten dem Training und 20 % der Validierung. Abbildung 2 zeigt die Genauigkeitsbewertung des Klassifikators, die eine gute Klassifizierungsleistung für Ackerland, Brachland und Gewässer belegt. Die Klassifizierungsgenauigkeit für städtische Gebiete/Bebauung war vergleichsweise gering, möglicherweise aufgrund der komplexen Verteilung der Landnutzung und der durch die Auflösung der Satellitenbilder bedingten Einschränkungen.

▲Abbildung 3. Teilweise Weizenernte im Unterbezirk Xiangqiao, Bezirk Lintong

Die obige Abbildung zeigt die Extraktionsergebnisse für ein lokales Gebiet. Das Gesamtergebnis ist gut, mit wenigen fehlenden oder fehlerhaften Extraktionen. Allerdings werden Ackerflächen in der Nähe von Hauptstraßen und städtischen Gebieten teilweise mit Straßen verwechselt. Einige Parzellen sind recht klein und vermischen sich mit Feldwegen und Dorfstraßen.

▲Abbildung 4 Weizenernte im Berggebiet von Lintong

Die Abbildung zeigt die Extraktionsergebnisse von Weizenparzellen im südlichen Berggebiet des Distrikts Lintong unter Verwendung desselben Klassifizierungsmodells. Die Ergebnisse sind gut und zeigen, dass die Bildsegmentierung effektiv Texturinformationen gewinnen und gute Extraktionsergebnisse für Weizenparzellen mit unterschiedlichem Terrain und unterschiedlicher Form liefern kann.

▲Abbildung 5: Verteilungskarte der Weizenanbauflächen in verschiedenen Straßen des Bezirks Lintong

Das Bild zeigt die Verteilung der Weizenanbauflächen in verschiedenen Straßen des Bezirks Lintong. Je dunkler die Farbe, desto größer die Weizenanbaufläche.

Es ist offensichtlich, dass sich die meisten Weizenfelder im nördlichen Teil von Lintong konzentrieren, wobei der Unterbezirk Xiangqiao mit 66.602 Mu die größte Anbaufläche aufweist. Das südliche Gebiet ist gebirgig, dort wird nur eine geringe Menge Weizen angebaut.

▲ Tabelle 1. Statistiken zur Anbaufläche in verschiedenen Unterbezirken des Distrikts Lintong

▲Abbildung 6 Verteilungskarte der Weizenparzellen in verschiedenen Unterbezirken des Bezirks Lintong

Das Bild zeigt die Verteilung der Weizenanbauflächen in verschiedenen Straßen des Bezirks Lintong. Je dunkler die Farbe, desto mehr Weizenfelder gibt es.

Es ist offensichtlich, dass sich die meisten Weizenfelder im nördlichen Teil von Lintong konzentrieren, wobei die größte Anzahl (1950) im Unterbezirk Xiangqiao zu finden ist. Das südliche Gebiet ist gebirgig, und dort wird nur wenig Weizen angebaut.

▲ Tabelle 2 Statistische Tabelle der Weizenparzellen in jedem Unterbezirk des Bezirks Lintong

▲Abbildung 7 Verteilung der Weizenwachstumsanomalien während des Schossstadiums in verschiedenen Unterbezirken des Bezirks Lintong

Auf Basis der Extraktion von Grundstücken können die Unterschiede zwischen dem jährlichen Wachstum und dem Wachstum in den letzten Jahren für jedes Grundstück innerhalb eines bestimmten Zeitraums analysiert werden.

Wie in der Abbildung dargestellt, gilt: Je dunkler das Rot, desto schlechter ist die Ernte im Vergleich zu den letzten fünf Jahren; je dunkler das Grün, desto besser ist die Ernte im Vergleich zu den letzten fünf Jahren.

Mithilfe der Anomalieanalyse kann die Leistung jedes einzelnen Landstücks jedes Jahr analysiert werden, Parzellen mit stabilen und guten Erträgen sowie solche mit großen Ertragsschwankungen und schlechter Leistung identifiziert werden, und die Betriebsleiter können so großflächige Anbaupläne erstellen.