TU Darmstadt / ULB / TUprints

Spatial-temporal Dynamic Conditional Random Fields crop type mapping using radar images

Kenduiywo, Benson Kipkemboi (2016)
Spatial-temporal Dynamic Conditional Random Fields crop type mapping using radar images.
Book, Primary publication

[img]
Preview
PhD Thesis - Other (PDF File)
Kenduiywo_Thesis_Online_TUD.pdf - Submitted Version
Copyright Information: CC BY-NC-ND 4.0 International - Creative Commons, Attribution NonCommercial, NoDerivs.

Download (19MB) | Preview
Item Type: Book
Type of entry: Primary publication
Title: Spatial-temporal Dynamic Conditional Random Fields crop type mapping using radar images
Language: English
Referees: Becker, Prof. Matthias ; Soergel, Prof. Uwe ; Andreas, Prof. Eichhorn
Date: 15 June 2016
Place of Publication: Darmstadt
Publisher: Technische Universitaet Darmstadt Prints
Date of oral examination: 29 September 2016
URL / URN: http://tuprints.ulb.tu-darmstadt.de/id/user/7098
Abstract:

The rapid increase in population in the world has propelled pressure on arable land. Consequently, the food basket has continuously declined while the global demand for food has grown twofold. There is need for continuous monitoring and spatial information update of agriculture activities. This will support decision and policy making organs to take necessary actions towards enhancing food security. However, economic factors, farm management, natural aspects (such as weather, soils e.t.c.) and government policy for instance, influence types of crops planted in a season. Therefore, data acquisition and mapping methods need to consider these dynamics. The study adopts microwave remote sensing with synthetic aperture radar (SAR) for data acquisition. Microwave remote sensing is daylight and weather independent thus guarantees the highest temporal density of images regardless of climatic zones. This also means that images at different phonological stages can be captured by radar sensors.

Crop phenology is dynamic as it changes spatially in different times of the year. Such biophysical processes also look spectrally different to radar sensors. Some crops may depict similar spectral properties if their phenology coincide, but differ later when their phenology diverge. Thus, crop mapping methods using single-date remote sensing images can not offer optimal results in case of crops with similar phenology. In addition, methods stacking images within a cropping season for classification limits discrimination to a single high dimensional feature space vector that can suffer from overlapping classes. However, phenology can aid discrimination of crops since their backscatter varies with time. Therefore, this research seeks to fill this gap by developing a crop sequence classification method using multitemporal SAR images. The method is built to use spatial and temporal context.

The study designed first order and higher order undirected Dynamic Conditional Random Fields (DCRFs) for spatial-temporal crop classification. Basically, the DCRFs model has a repeated structure of temporally connected conditional random fields (CRFs). Each node in the sequence is connected to its temporal neighbours via conditional probability matrix. The matrix is computed using posterior class probabilities estimated by random forest classifier. We use the matrix on one hand to encode expert and image based phenological information in higher order DCRFs. On the other hand, the matrix integrates only image based phenological information in first order DCRFs. When compared to independent epoch classification, the designs improved crop discrimination at each epoch with higher order DCRFs having the highest accuracy in the sequence. However, stakeholders and policy makers need to know the quantity and spatial coverage of crops in a given season so as to ensure food security and a balanced ecosystem. Therefore, we went an extra step to develop a DCRFs ensemble classifier. The DCRFs ensemble considers a set of computed posterior crop type probabilities at each epoch in order to generate an optimal label of a node. This is done by maximizing over posterior crop type probabilities selected from the sequence based on maximum F1-score and weighted by user accuracy. Our ensemble technique is compared to standard approach of stacking all images as bands for classification using maximum likelihood classifier (MLC) and CRFs. So far it outperforms MLC and CRFs using crop type posterior probabilities estimated by both first and higher order DCRFs.

Alternative Abstract:
Alternative AbstractLanguage

Der rasche Anstieg der Weltbevölkerung führte zu einem erhöhten Druck auf landwirtschaftliche Flächen. Die Folge ist ein verringertes Nahrundmittelangebot bei zeitgleicher Verdopplung der Nachfrage. Dadurch entsteht ein Bedarf nach kontinuierlichem Monitoring zur Laufendhaltung der räumlichen Information über die Nutzung von Agrarflächen als eine wichtige Voraussetzung zur Unterstützung entscheidungstragenden gesellschaftlichen Organe bei der Sicherung der Versorgung mit Nahrungsmitteln. Die Wahl der angebauten Kulturen wird dabei von ökonomischen und ökologischen (z.B. Klima, Boden etc.) Aspekten, des Weiteren der Bewirtschaftungsweise und politischen Entscheidungen beeinflusst. Diese durchaus dynamischen Faktoren gilt es bei der Auswahl von Daten und Methoden zur kartografischen Erfassung von Feldfrüchten zu berücksichtigen. Die vorliegende Studie nutzt bildgebendes Radar (Synthetic Aperture Radar, SAR) zur Datenerfassung. Mikrowellenbasierte Fernerkundung ist unabhängig von Wetter- sowie Tageslichtverhältnissen und garantiert daher in allen klimatischen Zonen der Erde eine höchstmögliche zeitliche Dichte der Daten. Damit besteht die Möglichkeit, Aufnahmen aus allen phänologischen Entwicklungsstadien der einzelnen Feldfruchtarten zu liefern.

Die Phänologie der Feldfrüchte weist eine starke räumliche und zeitliche Dynamik im jährlichen Wachstumszyklus auf. Die hier auftretenden biophysikalischen Prozesse führen zu unterschiedlichen spektralen Reflektionseigenschaften im Radarbild. Die spektralen Eigenschaften verschiedener Feldfrüchte können bei gleichen Phänologien zu zeitweise identischen Messungen führen, in späteren Entwicklungsstadien jedoch variieren. Dementsprechend führen Klassifikationsverfahren mittels Bildern, die lediglich zu einem bestimmten Zeitpunkt des Pflanzenwachstums aufgenommen wurden, nicht zu optimalen Ergebnissen im Falle ähnlicher Phänologien. Zusätzlich hierzu führt ein sehr großer Merkmalsraum, in den alle Aufnahmen der Vegetationsperiode einfließen, zu einer Überlappung der Klassen und somit ebenfalls zu einer schlechten Trennbarkeit. Die Phänologie der Pflanzen kann jedoch insofern hilfreich bei der Klassentrennung sein, als dass der gemessene Rückstreukoeffizient zeitlich variiert. Das Ziel dieser Studie ist daher die Entwicklung eines Klassifikationsverfahrens, welches phänologische Sequenzen der Feldfrüchte unter Verwendung von Radarbildern berücksichtigt. Die Methode ist dabei derart konstruiert, dass sie den zeitlichen und räumlichen Kontext berücksichtigt.

Im Rahmen der Forschungsarbeit wurde ein Ansatz entwickelt, der auf Zufallsfeldern erster und höherer Ordnung (Dynamic Conditional Random Fields, DCRFs) basiert. Das DCRFs-Modell hat die Struktur sich wiederholender, zeitlich verbundener Zufallsfelder (Conditional Random Fields, CRF), die als ungerichtete Graphen definiert sind. Jeder Knoten der Sequenz ist über eine Matrix von bedingtenWahrscheinlichkeiten mit seinem jeweiligen zeitlichen Nachbarn verbunden. Die Berechnung der Matrix erfolgte über die Bestimmung der A-posteriori-Wahrscheinlichkeiten mittels des Random Forests Klassifikators. Die Matrix wird einerseits zur Implementierung expertenbasierter und phänologischer Information in den DCRFs höherer Ordnung verwendet. Zugleich ermöglicht sie die Berücksichtigung phänologischer Information ausschließlich aus den Daten bei Anwendung der DCRFs ersten Ordnung. Ein Ergebnisvergleich der Klassifikation einzelner Epochen zeigt, dass die Verwendung der DCRFs höherer Ordnung zu den höchsten Klassifikationsgenauigkeiten für alle Epochen der Sequenz führt. Beteiligte Akteure und Politiker benötigen oftmals quantitative Informationen über die vorhandenen Feldfrüchte sowie deren räumliche Verteilung zur Sicherstellung der Nahrungsmittelproduktion und eines ausgeglichenen Naturhaushaltes. Aus diesem Grund wurde in einem weiteren Arbeitsschritt ein DCRFs-Ensemble-Klassifikationsverfahren entwickelt. Dieses berücksichtigt einen Satz berechneter A-posteriori-Wahrscheinlichkeiten für jede Klasse zu jeder Epoche mit dem Ziel, eine optimale Klassenentscheidung für einen Knoten zu treffen. Hierzu werden die A-posteriori-Wahrscheinlichkeiten der Sequenzen maximiert, nachdem sie basierend auf dem maximalen F1-score ausgewählt und mit den Nutzergenauigkeiten gewichtet wurden. Diese Ensemble-Technik wird anschließend mit Standardverfahren verglichen, bei denen alle Aufnahmen in einen Merkmalsraum zusammengeführt und mit dem Maximum Likelihood Klassifikator (MLC) sowie den CRFs klassifiziert werden. Es zeigt sich, dass mit dem entwickelten Verfahren bessere Ergebnisse erzielt werden als mit MLC und CRFs. Dies gilt sowohl für die Berechnung der feldfruchtspezifischen A-posteriori-Wahrscheinlichkeit mit den DCRF erster Ordnung als auch mit jenen der höheren Ordnung.

German
Alternative keywords:
Alternative keywordsLanguage
Dynamic Conditional Random Fields; Conditional Random Fields; Radar; multitemporal; spatial-temporal; crop classification/mapping; crop phenologyEnglish
URN: urn:nbn:de:tuda-tuprints-57123
Classification DDC: 600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
Divisions: 13 Department of Civil and Environmental Engineering Sciences > Institute of Geodesy > Remote Sensing and Image Analysis
Date Deposited: 24 Oct 2016 05:51
Last Modified: 15 Jul 2020 08:39
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/5712
PPN: 389463108
Export:
Actions (login required)
View Item View Item