QUICKBIRD IMAGE SEGMENTATION FOR MAPPING CROPS AND THEIR AGRO-ENVIRONMENTAL ASSOCIATED MEASURES

F. López-Granados
flgranados@ias.csic.es

I.L. Castillejo-González, J.M. Peña-Barragán, M. Jurado-Expósito, M. Sánchez de la Orden, L. García-Torres y A. García-Ferrer

ABSTRACT
Soil management in crops is mainly based on intensive tillage operations, which have a great relevancy in terms of increase of atmospheric CO2, desertification, erosion and land degradation. Due to these negative environmental impacts, the European Union only subsidizes cropping systems which require the implementation of certain no-tillage systems and agro-environmental measures, such as keeping the winter cereal residues and non-burning of stubble to reduce erosion, and to increase the organic matter, the fertility of soils and the crop production. Nowadays, the follow-up of these agrarian policy actions is achieved by ground visits to sample targeted farms; however, this procedure is time-consuming and very expensive. To improve this control procedure, a study of the accuracy performance of several classification methods has been examined to verify if remote sensing can offer the ability to efficiently identify crops and their agro-environmental measures in a typical agricultural Mediterranean area of dry conditions. Five supervised classification methods based on different decision rule routines, Parallelepiped (P), Minimum Distance (MD), Mahalanobis Classifier Distance (MC), Spectral Angle Mapper (SAM), and Maximum Likelihood (ML), were examined to determine the most suitable classification algorithm for the identification of agro-environmental measures such as winter cereal stubble and burnt stubble areas and other land uses such as river side trees, vineyard, olive orchards, spring sown crops, roads and bare soil. An object segmentation of the satellite information was also added to compare the accuracy of the classification results of pixel and object as Minimum Information Unit (MIU). A multispectral QuickBird image taken in early summer was used to test these MIU and classification methods. The resulting classified images indicated that object-based analyses clearly outperformed pixel ones, yielding overall accuracies higher than 85% in most of the classifications. The choice of a classification method can markedly influence the accuracy of classification maps.

KEYWORDS: Burnt and non-burnt crop stubble; Crop inventory; Image segmentation.

RESUMEN

En la últimas décadas han ido creciendo considerablemente los conocimientos y la sensibilización sobre la protección al medioambiente en muy diversas áreas, entre las que se encuentra la Agricultura. El uso intensivo del laboreo ocasiona graves daños medioambientales como la erosión del suelo, la contaminación de las aguas superficiales (escorrentía y colmatación de embalses), el descenso del contenido de la materia orgánica y de la biodiversidad de los suelos labrados, y el aumento de la emisión de CO2 del suelo a la atmósfera. Actualmente, la Unión Europea sólo subvenciona a los agricultores que cumplen lo que se conoce como “Medidas Agroambientales o de Condicionalidad” cuyo diseño ha estado dentro de las competencias de las Políticas Agrarias Autonómicas, Nacionales y Europeas. Estas medidas consisten en alterar el perfil y la estructura del suelo lo menos posible, dejando éste sin labrar y permanentemente protegido por cubiertas vegetales (rastrojo) en el caso de cultivos herbáceos (ej. trigo, maíz, girasol), o por cubiertas vegetales vivas o inertes (restos de poda) en el caso de cultivos leñosos (principalmente cítricos y olivar). El seguimiento del cumplimiento de estas medidas se realiza a través de visitas presenciales a un 1% de los campos susceptibles de recibir ayudas. Este método es ineficiente y provoca muchos errores con la consiguiente presentación de un ingente número de reclamaciones. Para subsanar esta problemática, en este artículo presentamos los resultados obtenidos en la clasificación de los cultivos y las medidas agroambientales asociadas a éstos en una imagen multiespectral QuickBird tomada a principios de Julio de una zona típica de cultivos en régimen de secano de Andalucía. Se aplicaron 5 métodos de clasificación (Paralelepípedos, P; Mínima Distancia, MD; Distancia de Mahalanobis, MC; Mapeo del Ángulo Espectral, SAM; y Máxima Probabilidad, ML) para la discriminación de rastrojo de trigo quemado y sin quemar, arbolado, carreteras, olivar, cultivos herbáceos de siembra primaveral y suelo desnudo. Además, la imagen es segmentada en objetos para comparar la fiabilidad obtenida aplicando los métodos anteriores partiendo tanto de píxeles como de objetos como Unidades Mínimas de Información (MIU). El análisis de los resultados permite concluir que las clasificaciones de todos los usos de suelo basadas en objetos claramente mejoraron las basadas en píxeles, obteniéndose precisiones (overall accuracy) mayores al 85%. La elección de un método de clasificación u otro influye en gran medida en la precisión de los mapas obtenidos.
Debido a que la precisión del mapa temático que necesitamos obtener ha de ser muy elevada para tomar decisiones sobre Conceder / No conceder las ayudas, sería interesante estudiar si el incremento de la resolución espacial que se obtenga gracias a la fusión de imágenes multiespectral y pancromática de QuickBird para obtener una imagen fusionada con resolución espacial de la pancromática (0.7 m) y espectral de la multiespectral (4 bandas) mejora la precisión de cualquiera de los métodos de clasificación estudiados.

PALABRAS CLAVE: Inventario de cultivos; Rastrojo quemado y sin quemar; Segmentación de imágenes

PULSE AQUI PARA DESCARGAR EL ARTÍCULO COMPLETO.