Wykorzystanie metod geostatystyki do wspomagania klasyfikacji mikrofalowych zdjęć satelitarnych

ROCZNIKI GEOMATYKI 2006 m TOM IV m ZESZYT 3

WYKORZYSTANIE METOD GEOSTATYSTYKI

DO WSPOMAGANIA KLASYFIKACJI

MIKROFALOWYCH ZDJÊÆ SATELITARNYCH

THE USE OF GEOSTATISTICS TO ASSIST

CLASSIFICATION OF MICROWAVE

SATELLITE IMAGES

Instytut Geodezji i Kartografii

S³owa kluczowe: klasyfikacja, ENVISAT, polaryzacja, wilgotnoœæ gleby, kriging Keywords: classification, ENVISAT, polarization, soil moisture, kriging

Wprowadzenie

Celem pracy jest ocena wp³ywu zmiennoœci pewnych parametrów œrodowiskowych na dok³adnoœæ rozpoznania wybranych klas pokrycia terenu na zdjêciach mikrofalowych z sa-telity ENVISAT. Jest to czêœæ projektu1_{, którego zamierzeniem jest ocena przydatnoœci zdjêæ} z ENVISATa do klasyfikacji pokrycia terenu. G³ównym przedmiotem zainteresowania w prezentowanej pracy s¹ klasy obejmuj¹ce roœlinnoœæ naturaln¹ i uprawy.

Zdjêcia mikrofalowe mog¹ byæ pozyskiwane niezale¿nie od wystêpowania zachmurzenia, wiêc mog¹ dostarczyæ cennych danych wtedy, gdy istotne jest przeprowadzenie badañ w œciœle wyznaczonym terminie, a zdjêcia satelitarne z zakresu optycznego s¹ niedostêpne. Wy-korzystanie zdjêæ mikrofalowych do rozpoznania form pokrycia terenu wymaga jednak zasto-sowania odpowiednich metod postêpowania, poniewa¿ sygna³ zarejestrowany na zdjêciu mi-krofalowym zale¿y od szeregu ró¿nych czynników utrudniaj¹cych czêsto interpretacjê jego treœci. Miêdzy innymi rejestrowany sygna³ w du¿ym stopniu zale¿y od zawartoœæ wody w glebie i w roœlinach. Przestrzenna zmiennoœæ wilgotnoœci w ramach danej klasy roœlinnej zak³ó-ca poprawnoœæ, zarówno interpretacji wizualnej, jak i klasyfikacji automatycznej zdjêcia mikro-falowego. Na przyk³adzie roœlin uprawnych widaæ, ¿e nawet dla jednolitej gatunkowo klasy zró¿nicowanie takich parametrów jak wilgotnoœæ gleby, iloœæ wody w roœlinach, biomasa, stopieñ pokrycia gleby przez roœliny itp. wp³ywaj¹ znacz¹co na zró¿nicowanie intensywnoœci rozpraszania mikrofal i co za tym idzie na dok³adnoœæ klasyfikacji. Teoretyczne badanie zale¿-noœci sygna³u mikrofalowego od wymienionych czynników jest skomplikowane, a ekspery-mentalny opis tych zale¿noœci wymaga pracoch³onnych pomiarów terenowych.

1 _{Praca zosta³a zrealizowana w ramach projektu badawczego nr 4T12E01027 finansowanego przez}

W celu opracowania skutecznych i uniwersalnych metod klasyfikacji zdjêæ mikrofalo-wych nale¿y najpierw zanalizowaæ zmiennoœæ przestrzenn¹ sygnatur poszczególnych klas pokrycia terenu i ich zale¿noœæ od rozmaitych czynników œrodowiskowych. Od 2003 roku w kolejnych sezonach wegetacyjnych wykonywana jest w IGiK klasyfikacja zdjêæ mikrofa-lowych z satelity ENVISAT pod k¹tem rozpoznawania upraw i innych klas roœlinnych. Skon-struowano bazê b³êdnie sklasyfikowanych obszarów zawieraj¹c¹ informacjê o klasie rzeczy-wistej i klasie przypisanej przez klasyfikator oraz dane charakteryzuj¹ce obszar na podstawie niezale¿nych Ÿróde³.

Na wybranych polach wykonywane by³y szczegó³owe pomiary punktowe wilgotnoœci i biomasy. Wykorzystanie wyników pomiarów punktowych do ustalenia przyczyn niepowodzeñ klasyfikacji wymaga estymacji rozk³adów mierzonych wielkoœci na ca³ej powierzchni pola. Dziêki temu mo¿liwe staje siê badanie korelacji przestrzennych klasyfikowanych cech z mie-rzonymi parametrami. Do estymacji rozk³adów przestrzennych mo¿na wykorzystaæ narzêdzia geostatystyki. Zastosowana metoda postêpowania zosta³a opisana na przyk³adzie pomiarów objêtoœciowej wilgotnoœci przypowierzchniowej warstwy gleby wykonywanych w celu roz-poznania wp³ywu tego parametru na dok³adnoœæ klasyfikacji zdjêæ mikrofalowych.

Metody

Zmiennoœæ sygnatur pozyskanych na podstawie satelitarnych zdjêæ mikrofalowych dla klasy pokrycia terenu reprezentuj¹cej roœlinnoœæ jest zale¿na od zmiennoœci wilgotnoœci oraz szorstkoœci powierzchni, z któr¹ oddzia³uj¹ mikrofale (Oliver, Quegan, 1998). W przypadku klas roœlinnych szorstkoœæ zale¿y od wielkoœci i rozmieszczenia czêœci roœlin, których udzia³ w procesie rozpraszania jest najbardziej znacz¹cy. Zale¿noœæ intensywnoœci rozpraszania od tak rozumianej szorstkoœci pozwala na rozró¿nianie na zdjêciach mikrofalowych zbiorowisk roœlin o ró¿nej strukturze, podczas gdy zale¿noœæ rozpraszania od wilgotnoœci mo¿e wp³y-waæ niekorzystnie na efektywnoœæ takiego rozpoznania. Interesuj¹ca jest odpowiedŸ na py-tanie, jaki zakres zmiennoœci wilgotnoœci nie zaburza dok³adnoœci identyfikacji poszczegól-nych klas roœlinnoœci. Liczne próby modelowania zale¿noœci intensywnoœci sygna³u mikro-falowego od wilgotnoœci z wykorzystaniem szczegó³owych danych opisuj¹cych warstwê roœlinn¹ i glebê w jej pod³o¿u zosta³y podsumowane np. w pracy Notarnicoli (Notarnicola i in., 2006). Proponowane dot¹d modele nie s¹ dostatecznie uniwersalne (Vecchia i in., 2006), aby mo¿na ich u¿yæ do oceny dok³adnoœci klasyfikacji zdjêæ mikrofalowych. Poza tym czê-sto nie posiadamy dostatecznej informacji o przestrzennych rozk³adach ró¿nych iczê-stotnych parametrów, które nale¿y braæ pod uwagê w pracach modelowych. Wskazuj¹ na to np. wyniki badañ agrofizycznych takich jak opisane w pracy dotycz¹cej przestrzennej zmien-noœæ w³aœciwoœci gleby w skali pola i gminy (Usowicz, Hajnos i in., 2004).

W tej sytuacji pytanie o wp³yw zmiennoœci wilgotnoœci na efektywnoœæ klasyfikacji pró-bujemy czêœciowo sprowadziæ do pytania o to, czy ró¿norodnoœæ siedlisk dla danej klasy roœlinnoœci zaburza w sposób istotny rozpoznanie tej klasy na zdjêciach mikrofalowych. Poprzez obserwacjê okreœlonych wskaŸników roœlinnych wyznaczonych na podstawie optycz-nych zdjêæ satelitaroptycz-nych mo¿na wnioskowaæ o charakterze siedliska. Do wyznaczenia sie-dlisk mo¿na wykorzystaæ zdjêcia satelitarne z zakresu optycznego. Znormalizowany wskaŸ-nik zieleni NDVI wyznaczony na podstawie zdjêæ satelitarnych zarejestrowanych w zakre-sach czerwieni i podczerwieni jest dobrym indykatorem biomasy, a tak¿e zawartoœci wody

w roœlinach. Uzasadnione jest zestawianie tego wskaŸnika z sygna³em mikrofalowym zareje-strowanym na zdjêciach mikrofalowych pozyskanych w niewielkim odstêpie czasu wzglê-dem rejestracji zdjêcia z zakresu optycznego. By³o to np. mo¿liwe w przypadku zdjêæ z satelity ENVISAT zarejestrowanych w dniach 11 i 14 lipca 2005 roku oraz zdjêcia z satelity IKONOS zarejestrowanego 12 lipca 2005 roku. Jeœli jednak wskaŸnik NDVI jest zale¿ny od jakoœci siedliska, to rozk³ad przestrzenny tego wskaŸnika stanowi informacjê, która mo¿e byæ wykorzystywana w szerszym przedziale czasu. Mo¿na orientacyjnie wyró¿niæ trzy ka-tegorie siedlisk: takie, które s¹ wyj¹tkowo wra¿liwe na nadmiar wilgoci, takie które s¹ wyj¹t-kowo wra¿liwe na brak wody i pozosta³e. Te trzy kategorie mo¿na odró¿niæ na podstawie jakoœci pokrywy roœlinnej w sezonach wegetacyjnych ró¿ni¹cych siê warunkami pogodo-wymi. Na zdjêciach mikrofalowych mo¿na spodziewaæ siê nietypowego obrazu siedlisk wyj¹tkowo wra¿liwych na niedobory wody lub jej nadmiar przy niekorzystnych warunkach pogodowych. Na podstawie rozk³adu przestrzennego NDVI, a œciœlej na podstawie powta-rzaj¹cych siê w kolejnych sezonach wegetacyjnych wzorców rozk³adów przestrzennych NDVI mo¿na wyznaczaæ obszary potencjalnie trudne do sklasyfikowania na zdjêciach mi-krofalowych. Dla tych szczególnie wra¿liwych obszarów nale¿y opracowaæ odrêbn¹ strate-giê klasyfikacji. Takie podejœcie pozwala na zast¹pienie analiz opartych na trudno dostêpnych danych o rozk³adach wilgotnoœci analiz¹ zale¿noœci od rozk³adów biomasy, która jest zara-zem indykatorem poziomu wilgotnoœci.

W celu weryfikacji tych za³o¿eñ wykonywano pomiary punktowe wilgotnoœci objêto-œciowej gleby, biomasy i zawartoœci wody w roœlinach na wybranych polach w terminach skorelowanych z pozyskiwaniem zdjêæ satelitarnych. Aby umo¿liwiæ badanie zwi¹zków po-miêdzy sygna³em mikrofalowym zarejestrowanym na zdjêciach satelitarnych, a rozk³adami przestrzennymi mierzonych wielkoœci nale¿a³o dokonaæ interpolacji wyników pomiarów na badanych obszarach. Sposób opracowania pomiarów punktowych zosta³ przedstawiony na przyk³adzie pomiarów wilgotnoœci objêtoœciowej gleby.

Na wybranych polach mierzono wilgotnoœæ objêtoœciow¹ gleby za pomoc¹ czujnika The-ta Probe ML2. Pomiar dotyczy³ przypowierzchniowej warstwy gleby w zakresie 0–6 cm. Precyzja pomiaru wilgotnoœci za pomoc¹ Theta Probe wynosi oko³o 1%. Wilgotnoœæ war-stwy przypowierzchniowej charakteryzuje siê zmiennoœci¹ przestrzenn¹ w kilku skalach i zale¿y silnie nie tylko od rodzaju gleb, ale tak¿e od rodzaju pokrywy roœlinnej (Mizgajski, 1986). W opisywanym przypadku chodzi³o o okreœlenie zmiennoœci tej wielkoœci w obrêbie pól o powierzchni rzêdu kilkudziesiêciu hektarów.

Do interpolacji wykorzystano oprogramowanie Geostatistical Analyst firmy ESRI (John-ston, Ver Hoef i in., 1997). Po wykonaniu szeregu prób, spoœród kilku metod interpolacji dostêpnych w Geostatistical Analyst, wybrano metodê krigingu zwyczajnego (Goovaerts, 1997), poniewa¿ uzyskano w ten sposób najwiêksz¹ dok³adnoœæ interpolacji. Proces interpo-lacji zosta³ poprzedzony analiz¹ danych pomiarowych z wykorzystaniem narzêdzi statystycz-nych dostêpstatystycz-nych w ramach oprogramowania Geostatistical Analyst.

W³asnoœci statystyczne danych pomiarowych nabieraj¹ g³êbszego znaczenia, gdy s¹ ana-lizowane w kontekœcie zale¿noœci przestrzennych. Np. wizualna ocena rozk³adu przestrzen-nego punktów pomiarowych, w których mierzona wielkoœæ przyjmuje wartoœci z okreœlone-go zakresu pozwala odkryæ uwarunkowania przestrzenne danych pomiarowych. Ma to szcze-gólne znaczenie w przypadku asymetrycznych rozk³adów z próby. Podobnie wykres kwan-tyl-kwantyl, który daje ocenê odstêpstwa rozk³adu wyników pomiarów od rozk³adu normal-nego, mo¿e byæ analizowany w kontekœcie przestrzennym.

Metoda krigingu nale¿y do metod geostatystyki, które stosuje siê do zregionalizowanych zmiennych losowych. Wartoœci takiej zmiennej losowej w punktach le¿¹cych we wzajem-nym s¹siedztwie niewiele siê od siebie ró¿ni¹, natomiast wraz ze wzrostem odleg³oœci kore-lacja pomiêdzy wartoœciami zmiennej maleje. Przed zastosowaniem metody krigingu nale¿y zbadaæ semiwariogram danych pomiarowych w celu oceny charakteru zmiennoœci prze-strzennej badanej zmiennej. Funkcja semiwariogramu γ(h) jest okreœlona wzorem (Goova-erts, 1997):

(1) gdzie:

– wynik pomiaru w punkcie u_α,

h – odleg³oœæ miêdzy punktami pomiarowymi, okreœlana z pewn¹ ograniczon¹ dok³adnoœci¹,

N(h) – liczba par pomiarów wykonanych we wzajemnej odleg³oœci równej (w bli¿eniu) h.

Semiwariogram jest wiêc miar¹ zmiennoœci przestrzennej danej wielkoœci Z, gdy¿ dostar-cza informacji o œredniej rozbie¿noœci wyników pomiarów wykonanych w odleg³oœci h. Przy odleg³oœci h bliskiej zeru wartoœæ semiwarigramu mo¿e byæ wiêksza od zera. Efekt ten zwany efektem samorodka wynika z b³êdów pomiaru lub silnych fluktuacji mierzonej wiel-koœci na ma³ych dystansach. Wraz ze wzrostem odleg³oœci wartoœci funkcji γ rosn¹, co wynika z malej¹cego podobieñstwa wartoœci zmiennej losowej. Powy¿ej pewnej odleg³oœci zwanej zakresem wartoœci semiwariogramu stabilizuj¹ siê i osi¹gaj¹ wartoœæ zwan¹ progiem. Dla odleg³oœci wiêkszych od zakresu zanika korelacja miêdzy wartoœciami mierzonej wielko-œci. Semiwariogram mo¿e byæ wyznaczany w okreœlonym kierunku, co pozwala sprawdziæ, czy rozk³ad mierzonej wielkoœci jest izotropowy. Dopasowanie funkcji analitycznej do semi-wariogramu pozwala opisaæ w sposób matematyczny zmiennoœæ przestrzenn¹ ró¿nic zmien-nej Z. Funkcja analityczna opisuj¹ca semiwariogram mo¿e byæ nastêpnie wykorzystana do wyznaczania nieznanych wartoœci Z w punktach, w których brak danych pomiarowych.

Zwyk³y kriging to metoda interpolacji, w której wykorzystywana jest funkcja dopasowa-na do semiwariogramu. W metodzie krigingu liniowym estymatorem nieobci¹¿onym wielko-œci Z w punkcie u jest kombinacja liniowa wartowielko-œci zmierzonych w s¹siedztwie:

(2) Wagi λ_α(u) s¹ wyznaczane na podstawie uk³adu równañ wynikaj¹cego z warunku mini-malizacji wariancji b³êdu. B³¹d ten jest okreœlony w punktach pomiarowych jako ró¿nica pomiêdzy wartoœci¹ estymowan¹, a wynikiem pomiaru. Oprogramowanie Geostatistical Analyst dostarcza szeregu narzêdzi, które wspomagaj¹ zastosowanie metody krigingu do wyznacze-nia mapy zmiennej losowej na podstawie pomiarów punktowych. U¿ytkownik mo¿e oceniæ wizualnie przebieg semiwariogramu, kontrolowaæ sposób dopasowania funkcji analitycznej do semiwariogramu, zbadaæ, czy wartoœci pomiarowe wskazuj¹ na anizotropiê rozk³adu zmiennej losowej, a nastêpnie kontrolowaæ proces estymacji.

( )

_{( )}

[

( ) (

)

]

_∑

( )

( )

( )

( )

( )

1

=

⋅

=

∑

∑

_u

_u

_Z

_u

_gdzie

_u

Z

λ

λ

Obszar testowy

Obszar testowy znajduje siê w Wielkopolsce i obejmuje Park Krajobrazowy im. gen. Ch³a-powskiego oraz jego okolice. Jest to obszar rolniczy, w którym wystêpuj¹ zarówno gleby o znacznej przydatnoœci rolniczej, które klasyfikuje siê jako odpowiednie do uprawy buraków cukrowych i pszenicy, jak równie¿ gleby o umiarkowanej przydatnoœci stosowne do uprawy ¿yta. S¹ to jednak przewa¿nie gleby o niskiej zdolnoœci do gromadzenia wody. Bior¹c pod uwagê, ¿e wartoœæ rocznej œredniej opadów jest bardzo niska mo¿na mówiæ o niezbyt korzyst-nych warunkach wzrostu roœlin na tym obszarze. Wed³ug bazy dakorzyst-nych o pokryciu i u¿ytkowa-niu terenu, przygotowanej w ramach europejskiego projektu CORINE, ponad 77% powierzch-ni obszaru testowego zajmuj¹ grunty orne, 12,6% – lasy, oko³o 5% – ³¹ki i pastwiska, a 2,6% zajmuje zabudowa ró¿nego typu. Do najbardziej rozpowszechnionych upraw nale¿¹: pszenica, ¿yto, pszen¿yto, buraki cukrowe i pastewne, kukurydza oraz rzepak.

Obszar testowy by³ odwiedzany w trakcie rejestracji mikrofalowych zdjêæ satelitarnych. Odnotowywano wtedy rodzaje upraw na poszczególnych polach, dokonywano oceny kon-dycji roœlin, wykonywano pomiary wilgotnoœci i biomasy.

Materia³y i ich przetwarzanie

Rozpoznanie wybranych klas roœlinnych by³o przeprowadzone na podstawie klasyfikacji serii zdjêæ zarejestrowanych przez satelitê ENVISAT2 _{w 2005 roku (tab. 1). Zdjêcia te s¹} wykonywane za pomoc¹ urz¹dzenia ASAR, które s³u¿y do aktywnego obrazowania mikrofa-lowego w zakresie fal o d³ugoœci oko³o 5 cm przy przestrzennej zdolnoœci rozdzielczej wyno-sz¹cej oko³o 30 m. W celu uzyskania zestawu danych spójnego geometrycznie i radiome-trycznie zdjêcia nale¿y przed klasyfikacj¹ poddaæ wstêpnym przetworzeniom. Ka¿de ze zdjêæ zosta³o dopasowane do mapy w uk³adzie 1992. Dokonano filtracji szumów oraz odpowied-niej kalibracji, tak aby wartoœci odpowiadaj¹ce poszczególnym pikselom zdjêcia by³y miar¹ intensywnoœci rozpraszania mikrofal. Ostatecznie wielkoœæ, która poddawana by³a dalszym analizom i klasyfikacji to tzw.

wspó³czyn-nik gamma. Szczegó³y przetwarzania wstêp-nego zosta³y opisane w artykule poœwiêco-nym rozpoznawaniu upraw na zdjêciach mi-krofalowych (Stankiewicz, 2006).

W pracy wykorzystano równie¿ wyso-korozdzielcze zdjêcia z satelity IKONOS3 zarejestrowane 12 lipca 2005: zdjêcie wie-lospektralne zarejestrowane w czterech optycznych zakresach widma fal

elektro-T A S I V N E y ti l e t a s z R A S A æ ê j d z w a t s e Z . 1 a l e b a T a t a D Poalryzacja Typ y n e c s Km¹iktrpoafdala[no_]ai 5 0 0 2 a j a m 2 0 VV,VH IS4 31,0–36,3 5 0 0 2 a j a m 8 0 HH,HV IS2 19,2–26,7 5 0 0 2 a j a m 5 1 VV,VH IS6 39,1–42,3 5 0 0 2 a c w r e z c 2 1 HH,HV IS2 19,2–26,7 5 0 0 2 a c w r e z c 9 1 VV,VH IS6 39,1–42,3 5 0 0 2 a c p il 1 1 VV,VH IS4 31,0–36,3 5 0 0 2 a c p il 4 1 HH,HV IS3 26,0–31,4 5 0 0 2 a c p il 4 2 VV,VH IS6 39,1–42,3 5 0 0 2 ai n p r ei s 8 2 VV,VH IS6 39,1–42,3

2 _{Zdjêcia ASAR zosta³y dostarczone przez}

Europejsk¹ Agencjê Kosmiczn¹ w ramach projek-tu CAT-1 nr 1427.

3 _{Zdjêcie zosta³o zarejestrowane przez}

Sateli-tarne Centrum Operacji Regionalnych (SCOR) w Komorowie.

magnetycznych z rozdzielczoœci¹ przestrzenn¹ równ¹ 4 m oraz zdjêcie panchromatyczne o rozdzielczoœci przestrzennej równej 1 m. Na podstawie ró¿nicy odbicia w czerwieni i pod-czerwieni obliczony zosta³ wskaŸnik NDVI.

Do projektu zosta³y równie¿ do³¹czone wyniki pomiarów punktowych takich jak pomiary wysokoœci roœlin, pomiary objêtoœciowej wilgotnoœci warstwy przypowierzchniowej gleby, biomasy suchej i zawartoœci wody w roœlinach.

Automatyczna klasyfikacja zdjêæ mikrofalowych

Bezpoœrednia klasyfikacja wartoœci reprezentuj¹cych pojedyncze piksele zdjêcia mikrofa-lowego jest zwykle obarczona du¿ymi b³êdami z powodu zjawiska plamkowania (speckle), które powoduje znaczn¹ zmiennoœæ sygna³u w obrêbie danej klasy, a jest wynikiem zastoso-wanej technologii pozyskiwania zdjêæ. Lepsze rezultaty daje klasyfikacja wartoœci uœrednio-nych na obszarze segmentów zdjêcia, o ile segmenty te pokrywaj¹ w miarê jednorodne obszary nale¿¹ce do pojedynczej klasy. Automatyczne wyodrêbnienie takich segmentów jest mo¿liwe np. przy wykorzystaniu oprogramowania eCognition (eCognition User Guide, 2002). W oprogramowaniu tym zastosowano opatentowan¹ metodê segmentacji, która zosta³a opra-cowana z myœl¹ o zdjêciach s³abo skontrastowanych z silnie zaznaczaj¹c¹ siê tekstur¹, ta-kich jak np. zdjêcia mikrofalowe.

Mikrofalowe sygnatury klas by³y wyznaczane jako wartoœci œrednie wspó³czynnika gam-ma obliczone dla segmentów. Klasyfikacja nadzorowana zosta³a przeprowadzona z wyko-rzystaniem sieci neuronowych reprezentowanych przez wielowarstwowy perceptron (MLP) (Tso i Mather, 2001). Sieæ neuronowa by³a uczona i weryfikowana na podstawie danych zebranych na obszarze testowym. Dok³adnoœæ klasyfikacji zale¿y od tego ile zdjêæ wykona-nych w ró¿wykona-nych terminach wykorzystuje siê do generowania sygnatur klas. Na ogó³ sygna-tury oparte wy³¹cznie na zdjêciu z jednego terminu nie wystarczaj¹ do skonstruowania wy-dajnego klasyfikatora. Dok³adnoœæ klasyfikacji na ogó³ nie przekracza w tym przypadku 50% dla wiêkszoœci klas roœlinnych. Podniesienie dok³adnoœci klasyfikacji opartej na zdjêciach mikrofalowych wykonanych w pojedynczym zakresie d³ugoœci fal wymaga uwzglêdnienia zdjêæ pozyskanych w ró¿nych okresach fenologicznych. Koniecznoœæ wykorzystania zdjêæ z ró¿nych terminów utrudnia analizê wp³ywu zmiennoœci sygnatur reprezentuj¹cych dan¹ klasê na dok³adnoœæ klasyfikacji.

ZmiennoϾ sygnatur mikrofalowych

Niezadowalaj¹ce wyniki klasyfikacji dwukana³owego zdjêcia z satelity ENVISAT mo¿na wyjaœniæ analizuj¹c œrednie wartoœci sygnatur wyró¿nionych klas wraz z przedzia³ami ufno-œci, które przedstawia rysunek 1. Dla obu rozpatrywanych kombinacji polaryzacji separo-walnoœæ sygnatur jest nie wystarczaj¹ca do satysfakcjonuj¹cego rozdzielenia klas. Z jednej strony jest to zapewne konsekwencja terminu pozyskania zdjêcia. W po³owie lipca zbo¿a s¹ w fazie dojrzewania i z powodu coraz mniejszej zawartoœci wody w roœlinach coraz s³abiej rozpraszaj¹ mikrofale i ich sygnatury s¹ bardzo zbli¿one. Obraz lasów liœciastych i iglastych jest bardzo podobny, a sygnatury tych klas niewiele ró¿ni¹ siê od sygnatur rzepaku. Te obserwacje potwierdzaj¹ znany fakt, ¿e pojedyncze zdjêcia pozyskane w paœmie C nie

zawie-raj¹ wystarczaj¹cych informacji do rozpoznania klas pokrycia terenu z wymagan¹ dok³adno-œci¹. Podniesienie dok³adnoœci klasyfikacji zdjêæ wykonanych w paœmie C jest mo¿liwe, o ile zostan¹ wykorzystane zdjêcia

pozy-skane w kilku terminach odpowia-daj¹cych ró¿nym okresom fenolo-gicznym. Równoczesne wykorzy-stanie serii 7 zdjêæ ASAR pozyska-nych w okresie od 2 maja do 14 lip-ca 2005 roku (tab. 1) pozwoli³o na osi¹gniêcie ogólnej dok³adnoœci kla-syfikacji równej 81%. Porównanie dok³adnoœci klasyfikacji uzyskanej dla jednego zdjêcia dwukana³owego i dla zestawu 7 zdjêæ dwukana³o-wych przedstawia dla poszczegól-nych klas rysunek 2. Dla porówna-nia uwzglêdniono klasê reprezentu-j¹c¹ wody powierzchniowe, dla

któ-Rys. 1. Œrednie wartoœci wspó³czynnika gamma dla poszczególnych klas wyró¿nianych na zdjêciach mikrofalowych wraz z przedzia³ami ufnoœci na poziomie istotnoœci równym 0,05;

oznaczenia: 1 – zbiorniki wodne; 2 – las iglasty; 3 – las liœciasty; 4 – las mieszany; 5 – ³¹ki; 6 – pszenica ozima; 7 – pszen¿yto; 8 – ¿yto; 9 – jêczmieñ jary; 10 – owies; 11 – lucerna; 12 – buraki pastewne;

13 – kukurydza; 14 – rzepak

Rys. 2. Porównanie dok³adnoœci klasyfikacji dwu zestawów zdjêæ mikrofalowych z satelity ENVISAT. Zestaw I: sk³ada³ siê z dwóch dwukana³owych zdjêæ zarejestrowanych 11 i 14 lipca 2005 r. Zestaw II sk³ada³ siê z siedmiu dwukana³owych

zdjêæ zarejestrowanych 2 , 8 i 15 maja, 12 i 19 czerwca, 11 i 14 lipca 2005 roku. Oznaczenia klas jak na rysunku 1.

rej dok³adnoœæ rozpoznania jest niska z powodu du¿ej zmiennoœci sygnatur. Dla pozosta³ych klas dok³adnoœæ wzrasta wraz z liczb¹ zdjêæ wykorzystanych do klasyfikacji. Wszystkie przypadki nieprawid³owo sklasyfikowanych obiektów by³y szczegó³owo badane.

Rozk³ad przestrzenny wilgotnoœci objêtoœciowej gleby

i badanie jego wp³ywu na sygnatury mikrofalowe

Analiza geostatystyczna wyników pomiarów objêtoœciowej wilgotnoœci gleby (OWG) przed-stawiono na przyk³adzie pola, na którym zmierzono tê wielkoœæ w 50 punktach (tab. 2).

Prawoskoœnoœæ rozk³adu zmierzonych wartoœci OWG jest wynikiem wystêpowania obszarów o znacz-nie podwy¿szonej wilgotnoœci w lokalnym obni¿eniu terenu. Empiryczny semiwariogram wyznaczony na podstawie pomiarów potwierdza³ anizotropowy rozk³ad wilgotnoœci na obszarze badanego pola. Zakres semi-wariogramu pod k¹tem 35,7o _{w kierunku na pn.-wsch.} by³ 1,25 razy wiêkszy ni¿ w kierunku do niego prosto-pad³ym i wynosi³ 239 m. Efekt samorodka wynosi³ oko³o 5 (dla wilgotnoœci wyra¿anej w %), a wartoœæ progu – 21,8. W opisie podobnych pomiarów w pracy (Uso-wicz, Uso(Uso-wicz, 2004) du¿a wartoœæ efektu samorodka przypisywana jest zbyt du¿emu krokowi próbkowania, (w tym przypadku 25 m na wybranych transektach). Po uwzglêdnieniu b³êdu pomiarów wartoœæ semiwario-gramu dla h = 0 m zmniejszy³a siê o po³owê. Na podsta-wie badania semiwariogramu nie wykryto trendu w da-nych pomiarowych. Do semiwariogramu

em-pirycznego zosta³a dopasowana funkcja anali-tyczna – dobre wyniki dopasowania uzyskano dla funkcji sferycznej. Porównanie wartoœci zmierzonych i przewidywanych po zastosowa-niu zwyk³ego krigingu przedstawia rysunek 3. B³¹d œredniokwadratowy estymacji równy 3,1 by³ bardzo bliski b³êdowi standardowemu, co oznacza prawid³ow¹ ocenê zmiennoœci w pre-dykcji. Œredni b³¹d standardowy wynosi³ 0,0067, a standaryzowany b³¹d œredniokwadra-towy – 0,98, co wskazuje na niewielk¹ tenden-cjê do zawy¿ania zmiennoœci estymowanej zmiennej.

Wilgotnoœæ objêtoœciowa wyznaczona na podstawie estymacji metod¹ krigingu zosta³a przedstawiona na obszarze pola na rys. 4a. W ogólnoœci rozk³ad wilgotnoœci jest zale¿ny od

w ó r a i m o p a k y t s y t a t S . 2 a l e b a T y b e l g i c œ o n t o g li w j e w o i c œ o t ê j b o m c 6 – 0 e i w t s r a w w rt e m a r a P Watroœæ w ó t k n u p a b z ci L 50 m u m i n i M 8,6% m u m i s k a M 26,5% ai n d e r Œ 16,10% e w o d r a d n a t s ei n el y h c d O 4,772 a z o tr u K 2,486 æ œ o n œ o k S 0,608

Rys. 3. Porównanie zmierzonych wartoœci wilgotnoœci objêtoœciowej gleby z wartoœciami

ukszta³towaniem terenu – najwiêksza wilgotnoœæ wystêpuje w najni¿szej czêœci pola. Innym czynnikiem kszta³tuj¹cym rozk³ad przestrzenny wilgotnoœci jest zmiennoœæ gatunku gleby na obszarze badanego pola. Niestety nawet na mapach w skali 1:5000 granice poszczególnych stref glebowych zaznaczone s¹ w sposób przybli¿ony, co utrudnia œcis³e oszacowanie tej wspó³-zale¿noœci. Rozk³ad przestrzenny biomasy na obszarze pola by³ wyraŸnie skorelowany z roz-k³adem wilgotnoœci. Okazuje siê, ¿e podobna korelacja pojawia siê tak¿e w innych sezonach wegetacyjnych i œwiadczy o pewnej sta³ej tendencji. Rysunek 4b pokazuje rozk³ad wspó³czyn-nika NDVI, który zosta³ zarejestrowany na badanym polu w poprzednim sezonie wegetacyj-nym, gdy na polu tym ros³a pszenica ozima. Na mapê NDVI na³o¿one zosta³y izolinie uzyskane na podstawie estymowanych wartoœci wilgotnoœci w kolejnym sezonie wegetacyjnym, gdy na tym samym polu ros³y buraki pastewne. Wartoœæ R2 _{równa 0,52 w tym przypadku œwiadczy o} istotnym zwi¹zku pomiêdzy NDVI i wilgotnoœci¹ i jest wyrazem zale¿noœci wzrostu roœlin od siedliska.

Badano nastêpnie zale¿noœæ wspó³czynnika gamma od wilgotnoœci w poszczególnych klasach roœlinnych. Analizy przeprowadzono dla wszystkich obrazów ASAR wymienionych w tabeli I. Najmniejsz¹ zale¿noœæ od wilgotnoœci obserwuje siê dla zdjêæ mikrofalowych zarejestrowanych przy polaryzacji krzy¿owej (HV lub VH), co w szczególny sposób prede-stynuje je do wykorzystania w klasyfikacji roœlinnoœci.

Wnioski

Chocia¿ wykorzystany do klasyfikacji zdjêæ mikrofalowych klasyfikator oparty na sie-ciach neuronowych jest stosunkowo odporny na wewnêtrzn¹ zmiennoœæ sygnatur w po-szczególnych klasach, to jednak dok³adnoœæ klasyfikacji niektórych klas roœlinnych jest nie-zadowalaj¹ca. Zmiennoœæ biomasy i wilgotnoœci warstwy glebowo-roœlinnej w ramach poje-dynczych klas ma niekorzystny wp³yw na rozró¿nialnoœæ tych klas na zdjêciach mikrofalo-wych. Pozyskanie odpowiednio szczegó³owych informacji dotycz¹cych rozk³adu przestrzen-nego wilgotnoœci gleb, jest bardzo skomplikowane metod¹ pomiarów naziemnych. To samo dotyczy równie¿ bie¿¹cego rozk³adu biomasy i rozk³adu zawartoœci wody w roœlinach, a tak¿e rozk³adu wspó³czynnika pokrycia gleby przez roœliny. Odtwarzanie rozk³adów prze-strzennych tych wielkoœci na podstawie pomiarów punktowych metodami geostatystyki pozwala na analizê ich wzajemnych relacji, a tak¿e na ocenê zale¿noœci rozpraszania mikro-falowego od tych wielkoœci.

Z przeprowadzonych analiz wynika, ¿e do klasyfikacji roœlinnoœci dobrze nadaj¹ siê sate-litarne zdjêcia mikrofalowe wykonane przy polaryzacji krzy¿owej (VH lub HV), poniewa¿ s¹ one bardziej odporne na wp³yw przestrzennej zmiennoœci wilgotnoœci. Do badania wp³ywu zmiennoœci wilgotnoœci i biomasy na dok³adnoœæ klasyfikacji mo¿na wykorzystaæ oszaco-wanie ich rozk³adów przestrzennych na podstawie niezale¿nych danych satelitarnych, np. wysokorozdzielczych zdjêæ optycznych. Bardziej ni¿ bezwzglêdne wartoœci wymienionych parametrów interesuj¹ce s¹ ich rozk³ady oraz wspó³zale¿noœci miêdzy tymi rozk³adami, a tak¿e zale¿noœæ od wolno zmieniaj¹cych siê w czasie cech krajobrazu, czyli od pewnych w³asnoœci siedlisk, takich jak gleby, ukszta³towanie terenu, po³o¿enie w zlewni itp. Badanie zale¿noœci dok³adnoœci klasyfikacji zdjêæ mikrofalowych od ró¿nych czynników bêdzie kon-tynuowane poniewa¿ wnioski uzyskane w danym sezonie wegetacyjnym wymagaj¹ potwier-dzenia w innych warunkach pogodowych.

Literatura

Notarnicola C., Angiulli M., Posa F., 2006: Use of Radar and Optical Remotely Sensed Data for Soil Moisture Retrieval Over Vegetated Areas, IEEE Trans. Geosci. Remote Sens., vol.44, no.4 (2006), 925-935. eCognition User Guide 2002: Definiens Imaging GmbH, München

Goovaerts P., 1997: Geostatistics for Natural Resources Evaluation, Oxford University Press, Oxford - New York.

Johnston K., Ver Hoef J.M., Krivoruchko K., Lucas N., 1997: Using ArcGIS Geostatistical Analyst, ESRI, USA.

Mizgajski A., 1986: Niektóre uwarunkowania przepuszczalnoœci warstwy przypowierzchniowej w rolniczo u¿ytkowanych geokompleksach m³odoglacjalnych, Badania Fizjograficzne nad Polsk¹ Zachodni¹, t. XXXVI, seria A, Geografia fizyczna, PWN, Poznañ-Warszawa, str. 137-154.

Oliver C., Quegan S., 1998: Understanding Synthetic Aperture Radar Images, Artech House, London, 1998. Stankiewicz K.A., 2006: The Efficiency of Crop recognition on ENVISAT ASAR Images in Two Growing

Seasons, IEEE Trans. Geosci. Remote Sens., vol. 44, no. 4 (2006), 806-814.

Tso B., Mather P.M., 2001: Classification Methods for Remotely Sensed Data, Taylor & Francis, London. Usowicz B., Hajnos, M., Soko³owska Z., Józefaciuk G., Bowanko G., Kossowski J., 2004: Przestrzenna zmiennoœæ fizycznych i chemicznych w³aœciwoœci gleby w skali pola i gminy, Acta Agrophysica, Rozpra-wy i monografie, Lublin.

Usowicz B., Usowicz £., 2004: Punktowe pomiary wilgotnoœci gleby a jej przestrzenny rozk³ad na polach uprawnych, Acta Agrophysica, 4(2), 573-588.

Vecchia A.D., Ferrazzoli P., Guerriero L., Defourny P., Dente L., Mattia F., Satalino G., Strozzi T., Wegmüller U., 2006: Influence of Geometrical Factors on Crop Backscattering at C-Band, IEEE Trans. Geosci. Remote Sens., vol. 44, no. 4, 778-790.

Summary

Microwave images from ENVISAT satellite can be used for the recognition of land cover classes. They can be extremely important on the occasions when such recognition should be done at a specified moment but optical satellite images are unavailable due to persisting overcast. However, the applica-tion of microwave images to land cover classificaapplica-tion requires special handling, because the registe-red microwave signal depends on various factors which make the unique interpretation of images a complex task. The presented paper is focused on vegetation classes representing short natural vege-tation and agricultural crops. The microwave backscattering from vegevege-tation depends strongly on canopy architecture as well as on water content in plants and in soil. The spatial variability of moisture disturbs the visual interpretation of microwave images and makes their automatic classification difficult. In order to elaborate efficient and robust classification methods, the spatial variability of signatures referring to land cover classes has to be analyzed in the first step.

The analysis of signature variability for vegetation classes was presented using ENVISAT ASAR microwave images acquired during vegetation growth season in 2005. Our test site is located in Wielkopolska in the vicinity of Dezydery Ch³apowski Agro-ecological Landscape Park. It is a rural area with prevailing agriculture land use. Beside arable land, orchards and plantations there are the following other significant land cover classes: deciduous and coniferous forest, grasslands, urban area and water bodies. The signatures of vegetation classes were investigated considering the date and the parameters of images registration as well as various characteristics of the test site area such as spatial variability of biomass, moisture content in plants and in soil. Several information layers were considered in the project in order to characterize the investigated area: digital elevation model, soil maps, topographic maps, satellite images acquired in the optical range, the results of point measurements of soil moisture and biomass.

Point measurements of volumetric soil moisture (VSM) taken in the upper layer of soil were interpo-lated in order to estimate the spatial distribution of VSM over the whole area of the agricultural field. Arc Map software and Geostatistical Analyst module were used for the geostatistical analysis of the

experimental data. The empirical semivariogram calculated from measured VSM data was investiga-ted. The ordinary kriging was applied in order to estimate soil moisture over the field. The interpola-tion results were compared with the spatial distribuinterpola-tion of NDVI calculated from satellite images acquired in the optical range on various dates. This comparison shows that spatial distribution of soil moisture is in agreement with some stable environmental features. This observation can help to identify areas, which can be critical to the accuracy of vegetation recognition on microwave images. The correlation of microwave backscattering with the estimated spatial distribution of soil moisture was also investigated. The analysis shows that cross-polarized images acquired with VH or HV polarization are better suited to vegetation classification than co-polarized ones because they are less sensitive to moisture variability.

dr Krystyna Stankiewicz krystyna.stankiewicz@igik.edu.pl tel. (022) 329 19 78 dr Emilia Wiœniewska emilia.wisniewska@igik.edu.pl tel. (022) 329 19 71

Krystyna Stankiewicz, Emilia Wiœniewska

Rys. 4. Rozk³ad przestrzenny objêtoœciowej wilgotnoœci gleby w warstwie przypowierzchniowej na wybranym polu przedstawiony w postaci (a) – mapy; (b) – izolinii na tle mapy rozk³adu przestrzennego NDVI z poprzedniego roku