ΥΔΡΟΜΕΔΩΝ ΠΑΝΕΠΙΣΤΗΜΙΑΚΟ ΔΙΚΤΥΟ ΕΚΠΑΙΔΕΥΣΗΣ, ΕΡΕΥΝΑΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΣΤΗΝ ΥΔΡΟΛΟΓΙΑ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΔΙΑΧΕΙΡΙΣΗ ΥΔΑΤΙΚΩΝ ΠΟΡΩΝ 7 η Πανελλήνια Ημερίδα Υδρολογίας και Υδατικών Πόρων η ΔΙΑΧΕΙΡΙΣΗ ΤΟΥ ΝΕΡΟΥ ΣΤΗ ΓΕΩΡΓΙΑ Σημερινή κατάσταση και προοπτικές «Χρήση Δορυφορικών Δεδομένων Υψηλής Ευκρίνειας στη Διαχείριση του Αρδευτικού Νερού» Έργο: HYDROSENSE, LIFE+ Environment Policy and Governance Programme Παρουσίαση εργασιών επεξεργασίας δορυφορικών δεδομένων Γ.Π.Α, 19 Νοεμβρίου 2010 ΚαθηγητήςΝικόλαοςΔαλέζιος, Δρ Νίκος Β. Σπυρόπουλος Εργαστήριο Αγρομετεωρολογίας Σχολή Γεωπονικών Επιστημών Πανεπιστήμιο Θεσσαλίας
Ερευνητικός στόχος Εκτίμηση των υδατικών αναγκών των φυτών χρησιμοποιώντας όργανα ακριβείας υπαίθρου και συσχέτιση των μετρήσεων με διαχρονικές δορυφορικές εικόνες υψηλής ευκρίνειας (IKONOS και WorldView-2) κατά τη διάρκεια του φαινολογικού κύκλου των φυτών με απώτερο στόχο την κατάστρωση διαχειριστικών σχεδίων δράσης και προγραμματισμού έργων σε γεωργικές ενότητες της Θεσσαλίας όπου η αρδευόμενη γεωργία είναι ο κύριος καταναλωτής και ταυτόχρονα ο κύριος ρυπαντής. Precision Farming: Κλίμακες εργασίας και αποτελεσμάτων : 1/1.500 1/2.000 επιχειρησιακό επίπεδο αγροκτήματος ΥΔΡΟΜΕΔΩΝ
Μεθοδολογία Διάγραμμα Ροής των Σταδίων της Μεθοδολογίας Δορυφόροι παρατήρησης γης Πληθώρα Δορυφορικών Δεδομένων Κριτήρια Επιλογής Δορυφορικών Δεδομένων GIS ΣΛΑ Διαχείριση αρδευτικού νερού Φυσική Κάλυψη Χρήσεις Γης Δορυφορική Τηλεπισκόπηση Στρατηγικές -- Σενάρια Κριτήρια Μέτρα Πότε; Ποιος; Διαχρονικοί Θεματικοί Χάρτες 3δ ψηφιακά μοντέλα εδάφους Περιορισμοί μέσω GIS Διαχείριση! Πρόβλημα Ποσοτική/Ποιοτική Ανάλυση Δορυφορικών δεδομένων Ανάπτυξη ΣΓΠ Σύστημα Λήψης Αποφάσεων Συσχέτιση RS/GIS/ Kc Έλεγχος σε επίπεδο ιδιοκτήτη - καλλιεργητή ΥΔΡΟΜΕΔΩΝ
ΥΠΟΛΟΓΙΣΜΟΣ ΕΞΑΤΜΙΣΟΔΙΑΠΝΟΗΣ ΑΝΑΦΟΡΑΣ ETo, ΕΞΑΤΜΙΣΟΔΙΑΠΝΟΗΣ ΚΑΛΛΙΕΡΓΕΙΑΣ ETc, ΦΥΤΙΚΟΥ ΣΥΝΤΕΛΕΣΤΗ Kc ETc=Kc*ETo Δορυφορικά δεδομένα που λαμβάνονται κατά τη διάρκεια του φαινολογικού κύκλου των φυτών ET o από επίγεια μετεωρολογικά δεδομένα ΥΔΡΟΜΕΔΩΝ
Ο ρόλος του Εργαστηρίου Αγρομετεωρολογίας στο έργο HYDROSENSE Χαρτογράφηση εδάφους και Διαχωρισμός σε Ζώνες Διαχείρισης Χαρτογράφηση της Φασματικής Ανάκλασης του Φυλλώματος Χαρτογράφηση εισροών σε αγροτεμάχια βάμβακος Χαρτογράφηση της απόδοσης καλλιεργειών Εκπαίδευση τοπικών παραγωγών και φορέων Δράσεις επικοινωνίας και Διάχυσης ΥΔΡΟΜΕΔΩΝ
Έργο που έχει γίνει στα πλαίσια του προγράμματος HYDROSENSE 1. Επιλογή των περιοχών μελέτης 2. Επιλογή των δορυφορικών δεδομένων 3. Τελική διαμόρφωση της μεθοδολογίας 4. Τμηματική λήψη δορυφορικών δεδομένων 5. Προ-επεξεργασία δορυφορικών δεδομένων 6. GIS database 7. DEM 8. Επεξεργασία δορυφορικών δεδομένων (σε εξέλιξη) ΥΔΡΟΜΕΔΩΝ
1. Επιλογή περιοχής έρευνας
1. Επιλογή περιοχής έρευνας
2. Επιλογή δορυφορικών δεδομένων Εικόνα αναφοράς: IKONOS-2 pan-sharpened 1μ της 4/3/2007 Νέα λήψη : WorldView-2 pan-sharpened 0,5μ (προγραμματισμένη τροχιά στις 26/3/2010 Νέα λήψη : WorldView-2 pan-sharpened 0,5μ (προγραμματισμένη τροχιά στις 22/7/2010 Extra λήψη Μάιος 2010
2. Επιλογή δορυφορικών δεδομένων Επιλογή δεδομένων αρχείου ως εικόνες αναφοράς. Ως αναφορά επιλέχθηκε η εικόνα IKONOS-2 pan-sharpened 1m της 4/3/2007 Θέσεις πειραματικών πεδίων
2. Επιλογή δορυφορικών δεδομένων Επιτυχής λήψη δεδομένων WorldView-2 στις 26 Μαρτίου 2010. Νεφοκάλυψη: 0% WorldView-2 pan-sharpened 0.5m. Θέσεις πειραματικών πεδίων
3. Τελική διαμόρφωση της μεθοδολογίας Η εκτίμηση των πραγματικών αναγκών σε νερό συγκεκριμένων καλλιεργειών κατά τη διάρκεια του φαινολογικού τους κύκλου θα γίνει μέσω: της διαχρονικής παρακολούθησης της περιοχής μελέτης των πολυφασματικών δορυφορικών δεδομένων WorldView-2 (0.5μ) της σύγκρισης της προ-καλλιεργητικής περιόδου με πολυφασματικά δεδομένα αναφοράς ΙΚΟΝΟS-2 (1μ)
3. Τελική διαμόρφωση της μεθοδολογίας Η μεθοδολογική προσέγγιση της επεξεργασίας των δορυφορικών δεδομένων περιλαμβάνει: Φωτοερμηνεία δεδομένων και κατανόηση βασικών πληροφοριών φυσικής κάλυψης και χρήσεων γης Φιλτράρισμα εικόνων και παραγωγή ψευδόχρωμων συνδυασμών απεικόνισης της φυσικής κάλυψης και χρήσεων γης [(R,G,B), (N-IR,G,Β), κλπ.] Προ-επεξεργασία δεδομένων Ραδιομετρική/ατμοσφαιρική διόρθωση Γεωμετρική διόρθωση Επεξεργασία δεδομένων Ποσοτική ανάλυση Ανάλυση Κύριων Συνιστωσών (PCA, Tasseled Cap Transformation, LAI, NDVI) Ποιοτική ανάλυση (Εποπτευόμενη και μη ταξινόμηση - Συσταδοποίηση) Παραγωγή θεματικών χαρτών
Remote Sensing Digital Image Analysis Tasks Preprocessing and Processing Outline Data type: IK2-M: IKONOS-2, acq. time: 4-Mar-2007, 1m, pan-sharpened, 4-channels (R, G, B, N-IR) 11 bit, 1.6GB size. WV2-M: WorldView-2, acq. time: 26-Mar-2010, 0.5m, pan-sharpened, 4-channels (R, G, B, N-IR) 16bit, 7.5GB size. WV2-J: WoldView-2, acq. time: 22-Jul-2010, 0.5m, pan-sharpened, 4-channels (R, G, B, N-IR) 16bit, 7.5GB size. Satellite data pre-processing Field Work GPS signals Geometric correction EGSA 87 RMS±1m IK2-M: Image to GPS/GCPs, WV2-M: Image to GPS/GCPs VW2-J: Image to Image/GCPs Satellite data processing PCA Analysis Raw data Covariance Matrix PC1, PC2, PC3, PC4 Low pass Clustering 5 classes ISODATA Tasseled Cap Transformation ΔBrightness, ΔGreeness, ΔYellowness Raw data Thematic mapping /zoning (March/June) Atmospheric correction ATCOR2 Sensor calibration Atmospheric conditions Time consuming: Data resampled to: 2,4m Calibrated data March/June ISODATA Clustering (5 classes) Soil Adjusted Vegetation Index (SAVI) March/June Leaf Area Index based on NDVI Low pass Thematic mapping /zoning (March/June) FPAR ΥΔΡΟΜΕΔΩΝ
4. Τμηματική λήψη δορυφορικών δεδομένων και προ-επεξεργασία ΙΚΟΝΟS-2 321 RGB
5. Τμηματική λήψη δορυφορικών δεδομένων και προ-επεξεργασία ΙΚΟΝΟS-2 431 RGB
5. Τμηματική λήψη δορυφορικών δεδομένων και προ-επεξεργασία ΙΚΟΝΟS-2 432 RGB
5. Τμηματική λήψη δορυφορικών δεδομένων και προ-επεξεργασία ΙΚΟΝΟS-2 orthorectified
5. Τμηματική λήψη δορυφορικών δεδομένων και προ-επεξεργασία Παράθυρο διασποράς επίγειων σημείων ελέγχου ΙΚΟΝΟS-2 orthorectified
5. Τμηματική λήψη δορυφορικών δεδομένων και προ-επεξεργασία Ατμοσφαιρική διόρθωση με χρήση του μοντέλου ATCOR3
5. Τμηματική λήψη δορυφορικών δεδομένων και προ-επεξεργασία New image WV-2 (26-3-2010)
5. Τμηματική λήψη δορυφορικών δεδομένων και προ-επεξεργασία New image WV-2 (26-3-2010)
VISUAL and MACHINE processing The idea of using high spatial resolution pansharpened satellite imagery, is to design on them all the next work which will be based on detecting and outlining the crop/soil anomalies on the image (digitization of them on screen), saving them as suspected areas (polygons) in the handheld GPS for subsequent detailed scouting on field.
Field_1, 431 (RGB) Field_1, 321 (RGB) Visual processing. Reference IKONOS-2 Image (4-3-2007)
Field_2, 321 (RGB) Field_2, 431 (RGB) Visual processing. Reference IKONOS-2 Image (4-3-2007)
Vardoulis field as depicted by IKONOS in 321 and 431 FCC PC3, second agricultural field Visual processing. Reference IKONOS-2 Image (4-3-2007)
Geometric Correction WV2, 26-March-2010 Image to image Image to GPS gcps IK2, 4-March-2007 WV2, 22-July-2010
Field_1, 321 (RGB) Field_1, 431 (RGB) Visual processing. New image WV-2 (26-3-2010)
Field_1, 431 (RGB) Visual processing. New image WV-2 (26-3-2010)
Visual processing. New image WV-2 (26-3-2010) Field_2, 321 (RGB)
Visual processing. New image WV-2 (26-3-2010) Field_2, 431 (RGB)
Visual processing. New image WV-2 (26-3-2010) Field_3, 321 (RGB)
Field_2, 431 (RGB) Visual processing. New image WV-2 (26-3-2010)
PCA Analysis Principal component analysis is a linear transformation which rotates the axes of image space along lines of maximum variance. The rotation is based on the orthogonal eigenvectors of the covariance matrix generated from a sample of image data from the input channels. The output from this transformation is a new set of image channels (eigenchannels). Απεικόνιση του τροποποιημένου συστήματος αξόνων στην ανάλυση των κύριων συνιστωσών (PCA) κατά τον οποίο τα ανύσματα των εικονοστοιχείων (pixels) έχουν δεν σχετίζονται μεταξύ τους Περιοχή συγκέντρωσης των ανυσμάτων των εικονοστοιχείων με μεγάλη συσχέτιση μεταξύ τους x 2 άξονες του χώρου y στους οποίους τα δεδομένα έχουν μικρή συσχέτιση μεταξύ τους y 2 y 1 x 1 άξονες του χώρου Χ
PCA Analysis Data: WV2-March Field: Mitsoyannis PC1 PC2 PC3 PC4
PCA Analysis Data: WV2-March Field: Vardoulis PC1 PC4 PC2 PC3
PCA Analysis Data: WV2-March Field: Samaras PC1 PC4 PC3 PC2
PCA Analysis Data: WV2-July Field: Mitsoyannis PC1 PC2 PC3 PC4
PCA Analysis Data: WV2-July Field: Vardoulis PC1 PC2 PC3 PC4
PCA Analysis Data: WV2-July Field: Samaras PC1 PC4 PC2 PC3
Tasseled Cap Transformation Tasseled Cap Transformation is an orthogonal rotation of the image similar to a principal components transformation but with different axes rotation coefficients. The output from this transformation is a new set of image channels called Δbrightness, Δgreeness, Δyellowness and Δwetness. The tasseled cap was originally developed for Landsat MSS satellite images Near infrared band Red band Red band Green band
Tasseled Cap Transformation Data: WV2-March, Field: Mitsoyannis ΔBrightness ΔGreeness
Tasseled Cap Transformation Data: WV2-March, Field: Vardoulis ΔBrightness ΔGreeness
Tasseled Cap Transformation Data: WV2-March, Field: Samaras ΔBrightness ΔGreeness
Tasseled Cap Transformation Data: WV2-July, Field: Mitsoyannis ΔBrightness ΔGreeness
Tasseled Cap Transformation Data: WV2-July, Field: Vardoulis ΔBrightness ΔGreeness
Tasseled Cap Transformation Data: WV2-July, Field: Samaras ΔBrightness ΔGreeness
Tasseled Cap Transformation Data: WV2-July ΔYellowness (Mitsoyannis) ΔYellowness (Samaras)
Normalized Difference Vegetation Index NDVI Mitsoyannis IKONOS-2, 4 March 2007 Vardoulis
Vegetation Index NIR/RED Mitsoyannis IKONOS-2, 4 March 2007 Vardoulis
Normalized Difference Vegetation Index NDVI WV-2, March Mitsoyannis Vardoulis Samaras
Normalized Difference Vegetation Index NDVI WV-2, July Mitsoyannis Vardoulis Samaras
Vegetation Index NIR/RED WV-2, March Mitsoyannis Vardoulis Samaras
Vegetation Index NIR/RED WV-2, July Mitsoyannis Vardoulis Samaras
Soil Adjusted Vegetation Index SAVI uses the red and near-infrared bands to measure the density and vigor of green vegetation by attempting to eliminate the reflectivity of the ground beneath the canopy. WV-2-March Mitsoyannis Vardoulis Samaras
Soil Adjusted Vegetation Index WV-2-July Mitsoyannis Vardoulis Samaras
Leaf Area Index based on NDVI The leaf area index (LAI) is the density of the green leaves in an area. It is a measure of the green leaf area (one-side) per unit of surface area. LAI on NDVI uses the visible and near-infrared bands to measure the density and vigor of green vegetation by comparing the amount of visible light reflected to the amount of near-infrared light reflected. WV-2-March Mitsoyannis Vardoulis Samaras
Leaf Area Index based on NDVI WV-2-July Mitsoyannis Vardoulis Samaras
Fraction of Photosynthetically Active Radiation (FPAR) The Fraction of Photosynthetically Active Radiation (FPAR) equation uses the red and near-infrared bands to calculate the fraction of radiation between 400 and 700 nm absorbed by green vegetation. The FPAR equation contains three parameters whose values depend on the type of vegetation being measured and on the season in which they are being measured. The equation also includes the result from the leaf area index (LAI) equation. TBD (time consuming) results expected
Clustering TCT-March Thematic Map Without filtering
Clustering TCT-July Thematic Map Without filtering
Clustering PCA-March Thematic Map Without filtering
Clustering PCA-July Thematic Map Without filtering
GIS Vector layer -Prefecture/Municipality administrative borders -Contour lines -Road network Raster layer -IKONOS-2/WV-2 thematic info -Digital Elevation Model (DEM LAM/UTH GIS development architecture concept
GIS Table 1. Local Administration Authorities fallen within the AOI. Name Municipality County Area (sq.m) Perimeter (m) (TBD) Basin (TBD) Nessonos x - 172.608.896 Makrichoriou x - 107.440.304 Larisas x - 122.522.000 Giannoulis x - 51.274.248 Platikambos x - 245.007.504
GIS Basic GIS vector layers (Black: Prefectures, blue: municipalities and red: main road network) IKONOS-2 image overlaid onto the basic GIS vector layers (Black: Prefectures, blue: municipalities and red: main road network)
GIS IKONOS-2 image overlaid onto the basic GIS vector layers (Black: Prefectures, blue: municipalities, red: main road network and yellow: 20m contour lines)
DEM Rapsani Gonnoi Larissa Platikambos Rubber-sheeting of the digitized contour maps from Rapsani, Platikambos, Larissa and Gonnoi.
HYDROSENSE Digital Elevation Model in pseudo color. Bluish to green colors indicate high altitudes and yellow to red colors indicate altitudes will lower or zero elevation respectively. DEM
Samaras agricultural field digital elevation model in pseudo color generated from point elevation measurements using differential GPS signals. Bluish to green colors indicate high altitudes and yellow to red colors indicate altitudes will lower or zero elevation respectively. DEM
Work to be done FPAR Overall comparison ground/satellite data Κc and spectral information Low pass filtering Zoning revision