Crop classification with neural networks using airborne hyperspectral imagery

• Autorzy: Olesiuk D. , Bachmann M. , Habermeyer M. , Heldens W. , Zagajewski B.

Warianty tytułu

PL

Klasyfikacja upraw za pomocą sieci neuronowych z wykorzystaniem lotniczych obrazów hiperspektralnych

• Języki publikacji: EN

Abstrakty

EN

Mainly due to size of input data, the artificial neural networks (ANNs) methods for remote sensing image classification can be expensive to use, in terms of computer resources and expert analyst time (Mahesh, Mather, 2006). In the case of hyperspectral data, neural networks training process may take weeks of time, in order to determine the number of input nodes in network structure needed by hundreds of image bands. In addition, not every neural networks package, such as the Stuttgart Neural Network Simulator (SNNS) used in this study, works with binary data, which makes dimensionality data reduction methods necessary to develop an effective classification scheme based on an ASCII text file. Despite these reservations, ANNs offer a wide field of research and investigation in crop and land cover classification, because they are a non-parametric method in the sense that they make no assumptions about the statistical distribution of the classes to be identified. As additional benefit, they can accept non-numeric inputs as well as ratio and interval-scale data. Moreover, the SNNS software provides the user a unique opportunity to design the input layers in a network structure, such as sub pattern window, which makes it possible to include texture information as additional data in the classification process (Zell et al., 1995). This method is especially useful in discrimination of non-homogeneous classes (Zagajewski, Olesiuk, 2008), and has been applied in this study. The objective of this work was to compare the results of crop classifications based on two data sets derived from hyperspectral HyMap imagery: (1) after MNF transformation, (2) vegetation and soil indices. The minimum noise fraction (MNF) transformation is used to segregate noise in the data, to determine the inherent dimensionality of the image data, and to reduce the computational requirements for subsequent processing (Boardman, Kruse, 1994). Essentially, it is two cascaded transformations. The first transformation, based on an estimated noise covariance matrix, de-correlates and rescales the noise in the data. This first step results in transformed data in which the noise has unit variance and no band-to-band correlations. The second step is a standard Principal Components transformation of the noise-whitened data. MNF bands are in a descending order of eigen values with almost no noise in the bands where the eigen values are near unity and below unity indicating signal-to-noise ratio (S/N) decreasing with decreasing order of MNF bands. The second data set contains hyperspectral indices which were selected to estimate pigment, nitrogen, cellulose and water content in vegetation, and clay and iron content in soil. The study area is located in the Demmin region in north Germany (Figure 1). This is a previously mapped agricultural area, where the main land cover/ land use types are represented by agriculture and grassland farming, with intermixed forestry and urban areas. This area is used as an agricultural and multi-disciplinary test site, and is included in the Committeee on Earth Observation Satellites (CEOS) catalogue for calibration and validation sites.

PL

Celem opracowania jest porównanie wyników klasyfikacji upraw uzyskanych ze zdjęć hiperspektralnych HyMap. Teren badań znajduje się w rolniczym regionie Demmin w północnych Niemczech. Do klasyfikacji wykorzystano dwa zestawy danych: 1) obrazy po transformacji Minimum Noise Fraction (MNF) oraz 2) mapy wskaźników roślinnych i glebowych. Transformacja MNF polega na redukcji wymiarów przestrzeni spektralnej (kompresji danych) i składa się z dwóch kaskadowych transformacji. Pierwszy etap polega na dekorelacji szumu, a drugi to standardowa transformacja PCA przeprowadzona na danych po oddzieleniu szumu. W rezultacie powstają nowe kanały, które uszeregowane są od największej do najmniejszej wariancji, przez co do dalszych prac mogą być wykorzystane najbardziej przydatne informacje. Drugi zestaw danych zawiera utworzone na podstawie obrazu hiperspektralnego wskaźniki roślinne i glebowe. Definiują one zawartość pigmentów, azotu, celulozy oraz wody w roślinność, a także iłu i żelaza w glebie. Klasyfikacja przeprowadzona została z wykorzystaniem sztucznych sieci neuronowych. Wykorzystano do tego celu oprogramowanie Stuttgart Neural Network Simulator (SNNS). Zastosowano sieć wielowarstwową, jednokierunkową, uczoną z użyciem metody wstecznej propagacji błędów (back- propagation errors). Klasyfikacje obu zestawów danych wykonano z zastosowaniem dwóch typów struktury neuronów w warstwie wejściowej. Pierwszy typ to struktura standardowa, gdzie liczba neuronów wejściowych odpowiada liczbie wykorzystywanych kanałów obrazowych. Druga struktura zaprojektowana została poprzez zdefiniowanie okna maski w postaci macierzy 3x3 piksele, dzięki czemu do procesu klasyfikacji włączona została informacja o teksturze badanego obiektu. Najlepszą dokładność całkowitą klasyfikacji wynoszącą 92,5% oszacowano dla zestawu zawierającego kanały wynikowe transformacji MNF i przeprowadzonej z wykorzystaniem struktury sieci odpowiadającej masce 3x3 piksele. Dla zestawu danych składającego się ze wskaźników roślinnych i glebowych dokładność klasyfikacji wyniosła około 80% w obydwu zastosowanych strukturach sieci.

Słowa kluczowe

EN

artificial neural networks; hyperspectral image; hyperspectral indices; MNF

PL

sztuczne sieci neuronowe; obraz hiperspektralny; wskaźniki hiperspektralne; MNF

• Wydawca: Polskie Towarzystwo Informacji Przestrzennej
• Czasopismo: Roczniki Geomatyki
• Rocznik: 2009
• Tom: T. 7, z. 2
• Strony: 107--112
• Opis fizyczny: Bibliogr. 13 poz.

Twórcy

autor

Olesiuk D.

autor

Bachmann M.

autor

Habermeyer M.

autor

Heldens W.

autor

Zagajewski B.

• German Aerospace Center (DLR), German Remote Sensing Data Center (DFD), Germany,

Bibliografia

• Boardman J.W., Kruse F.A., 1994: Automated spectral analysis: a geological example using AVIRIS data, north Grapevine Mountains, Nevada. [In:] Proceedings, ERIM Tenth Thematic Conference on Geologic Remote Sensing, Environmental Research Institute of Michigan, Ann Arbor, MI, 407-418.
• Chen D., Huang J., Jackson T.J., 2005: Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near- and short-wave infrared bands. Remote Sensing of Environment, 98: 225-236.
• Huete A.R., 1988: A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25: 295-309.
• Kavzoglu T., Mather P.M., 2003: The use of backpropagating artificial neural networks in land cover classification. International Journal of Remote Sensing, 24-23: 4907-4938.
• Mahesh P., Mather P.M., 2006: Some issues in the classification of DAIS hyperspectral data. International Journal of Remote Sensing, 27-14: 2895-2916.
• Nagler P., Daughtry C.S.T., Goward S., 2000: Plant litter and soil reflectance. Remote Sensing of Environment, 71: 207-215.
• Richter R., 1997: On the in-flight absolute calibration of high spatial resolution spaceborne sensors using small targets. International Journal of Remote Sensing, 18-13: 2827-2833.
• Richter R., 2000: A unified approach to parametric Geocoding and atmospheric/topographic correction for wide FOV airbone imager. Part 2: Atmospheric/topographic correction. [In:] 2nd EARSel Workshop on Imaging Spectroscopy, Enschede.
• Schläpfer D., Richter R., 2000: A unified approach to parametric geocoding and atmospheric/topographic correction for wide FOV airbone imagery. Part 1: Parametric ortho-rectification process. [In:] 2nd EARSel Workshop on Imaging Spectroscopy, Enschede.
• Serrano L., Penuelas J., Ustin S.L., 2002: Remote sensing of nitrogen and lignin in Mediterranean vegetation from AVIRIS data: Decomposing biochemical from structural signals. Remote Sensing of Environment, 81: 355-364.
• Sims D. A., Gamon J.A., 2002: Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages. Remote Sensing of Environment, 81: 337-354.
• Zagajewski B., Olesiuk D., 2008: SAM and ANN classification of hyperspectral data of seminatural agriculture used areas. [In:] Maktav D. (ed.) 28th EARSeL Symposium: Remote Sensing for a Changing Europe, Istambul, Turkey, June 2-5 2008. IOS Press, Millpress Science Publishers, 505-510.
• Zell A. et al., 1995: SNNS, Stuttgart Neural Network Simulator, user manual. University of Stuttgart Germany, Stuttgart, www.ra.informatik.uni-tuebingen.de/SNNS.