ITEM METADATA RECORD
Title: Hyperspectral unmixing for plant production system monitoring
Other Titles: Karakterisering en opvolging van vegetatieve plantproductiesystemen met behulp van in situ sensoren en hyperspectrale vegetatie signalen.
Authors: Somers, Ben
Issue Date: 3-Nov-2009
Abstract: De waarde van hyperspectrale afstandswaarnemingen als hulpmiddel bij het monitoren en modelleren van plantproductiesystemen wordt hoog ingeschat. Hyperspectrale satellietbeelden maken het mogelijk om de fysiologische toestand van vegetatie nauwkeurig, gebiedsdekkend en met een hoge spectrale en temporele resolutie op te volgen. Satellieten genereren echter signalen op het niveau van beeldelementen of pixels. De matige ruimtelijke resolutie (i.e., enkele tientallen meters) van bestaande sensoren veroorzaakt dat satellietsignalen bestaan uit een menging van verschillende componenten. Bodem- en de kruidlaag onder en tussen gewasrijen in een landbouwgebied dragen ongewenst bij tot de signalen van de op te volgen gewassen. Het accurate monitoren van gewaskenmerken vereist bijgevolg een opsplitsing van het door de satelliet opgemeten signaal in bruikbare (het gewassignaal) en niet-bruikbare componenten (de ongewenste bijdrage van bodem, schaduw, onkruid, andere) met behulp van ontmengingstechnieken. In dit doctoraatsonderzoek wordt een dergelijke ontmengingsmethode voorgesteld. De techniek, waarnaar gerefereerd wordt met de Engelse term Soil Modeling Mixture Analysis (SMMA), combineert in situ opgemeten bodemvochtgegevens met hyperspectrale afstandswaarnemingen in een alternatief spectraal ontmengingsalgoritme. Centraal staat een bodem-reflectantiemodel dat toelaat de variabiliteit in bodemspectra wiskundig te beschrijven. De SMMA techniek levert, net als meer traditionele technieken, voor iedere beeldpixel informatie over de relatieve grondbedekking van het op te volgen gewas. SMMA gaat echter een stap verder en levert naast een areaalschatting ook informatie over het zuivere gewassignaal binnen iedere pixel. Dit geëxtraheerde gewasspectrum, waaruit alle ongewenste achtergrondinformatie is verwijderd, laat toe om gewaskenmerken te kwantificeren op het subpixel niveau, een detailniveau dat voorheen niet toegankelijk was voor (hyperspectrale) afstandswaarnemingen. In het eerste deel van dit werk wordt het SMMA protocol op basis van gesimuleerde gemengde signalen opgebouwd uit een gewas- (sinaasappelboom), bodem- en schaduwcomponent met succes geëvalueerd (Hoofdstuk 2). De analyse duidt ook enkele onopgeloste kwesties aan. Het gebrek aan methodieken om de complexe spectrale variabiliteit in een plantproductiesysteem automatisch te modelleren, alsook het gebrek aan inzicht in de kwalitatieve en kwantitatieve effecten van meervoudige fotoneninteracties, beperken de accuraatheid van SMMA. Bovendien blijken verbeterde bodemreflectantiemodellen noodzakelijk om het algoritme te optimaliseren. In het tweede gedeelte van de thesis worden antwoorden geformuleerd op elk opgesomd probleem. Ten eerste wordt de InStabiliteit Index (ISI) geïntroduceerd. ISI kwantificeert de gevoeligheid van elke golflengte aan spectrale variabiliteit en vormt zo een objectieve basis om robuuste golflengtes, via een weging- (Hoofdstuk 3) of selectiealgoritme (Hoofdstuk 4), prioriteit te geven in de ontmengingsanalyse. Zo wordt de complexe spectrale variabiliteit in een plantproductie-systeem automatisch gereduceerd, hetgeen de accuraatheid van het ontmengingsresultaat ten goede komt. De ISI techniek laat toe om de spectraal sterk gelijkende signalen van onkruid en gewassen te scheiden (Hoofdstuk 5). Een reeks van experimenten toont vervolgens het belang van meervoudige fotoneninteracties in plantproductiesystemen aan. De aard van de interacties wordt gekwantificeerd en vervolgens met een wiskundig model beschreven. Deze alternatieve ontmengingstechniek laat toe de accuraatheid van SMMA significant te verbeteren (Hoofdstuk 6). Tot slot worden nieuwe inzichten gegeven in het modelleren van bodemsignalen. Zo wordt aangetoond dat een significante relatie bestaat tussen veranderingen in bodemreflectantie met toenemend bodemvocht enerzijds en het specifiek oppervlak van bodems anderzijds (Hoofdstuk 7). Met behulp van deze relatie wordt een reflectantiemodel opgesteld dat, ongeacht het bodemtype, toelaat om de veranderingen in bodemspectra als gevolg van variaties in bodemvocht accuraat te modelleren. Binnen deze studie werd deze hypothese met succes getest voor een set van zandige bodems. SMMA springt op deze manier doeltreffend om met subtiele veranderingen in bodemeigenschappen, dewelke zich vaak voordoen in plantproductiesystemen.Samengevat levert dit werk een fundamentele bijdrage tot de operationele integratie van hyperspectrale afstandswaarnemingen in het monitoren en modelleren van plantproductie-systemen. Door nieuwe inzichten in signaalontmenging kan ongewenste spectrale achtergrond worden verwijderd, hetgeen een standplaatsspecifieke opvolging van gewaskenmerken mogelijk maakt. Deze thesis legt slechts de fundamenten voor verder onderzoek. Operationele toepassing van de voorgestelde ontmengingstechniek vereist immers een grondigere evaluatie, optimalisatie en validatie in meer toepassingsgebieden.
Publication status: published
KU Leuven publication type: TH
Appears in Collections:Division M3-BIORES: Measure, Model & Manage Bioresponses (-)

Files in This Item:
File Status SizeFormat
ThesisFinaal.pdf Published 60942KbAdobe PDFView/Open

 


All items in Lirias are protected by copyright, with all rights reserved.