Verbesserung der Blattflächenindexmessungen mit BiLSTM

Der Blattflächenindex (LAI) ist ein wichtiges Mass, um zu verstehen, wie viel Blattfläche in einem Acker vorhanden ist. Das ist besonders wichtig, um den Ertrag von Pflanzen wie Winterweizen vorherzusagen. Allerdings können bewölkte Wetterlagen es schwierig machen, mit traditionellen optischen Sensoren wie Sentinel-2 klare Bilder von den Pflanzen zu erfassen. Das Fehlen dieser Bilder führt zu Datenlücken, was es schwierig macht, die Erträge genau vorherzusagen.

Um dieses Problem zu lösen, können wir einen anderen Sensortyp namens Synthetic Aperture Radar (SAR) verwenden. SAR kann Bilder aufnehmen, egal wie das Wetter ist, was es uns ermöglicht, die Bedingungen der Pflanzen kontinuierlich zu überwachen. Ein spezielles Mass aus SAR-Daten, das Verhältnis zwischen verschiedenen Kanälen, zeigt eine starke Verbindung zu LAI-Daten über Winterweizenfelder. In dieser Studie wird untersucht, wie man Zeitreihendaten von Sentinel-1 SAR und Sentinel-2 optischen Bildern nutzen kann, um die Genauigkeit der LAI-Messungen zu verbessern.

#Die Datenherausforderung

Bei der Messung des LAI ist es sehr wichtig, über einen längeren Zeitraum konsistente und verlässliche Daten zu haben. Allerdings können während der Wachstumsperiode der Pflanzen Wolken die Fähigkeit optischer Sensoren wie Sentinel-2 behindern, klare Bilder zu erfassen. Dieses Problem führt zu vielen fehlenden Informationen über die Pflanzenbedingungen. Aber wir haben Glück, denn wir haben jetzt Zugang zu mehr als einem Sensortyp und mehr Bildern. Indem wir die Daten dieser Sensoren kombinieren, können wir die Lücken in unseren Aufzeichnungen schliessen.

Das Ziel ist es, die LAI-Messungen zu verbessern, indem fehlende Werte unter Verwendung von SAR- und optischen Daten geschätzt werden. Die SAR-Sensoren können zuverlässige Bilder unabhängig von den Wetterbedingungen liefern, während optische Sensoren hochqualitative Bilder liefern, wenn die Bedingungen dies zulassen. Zusammen können sie ein vollständigeres Bild der Pflanzenbedingungen liefern.

#Methoden zum Füllen der Lücken

Es gibt verschiedene Möglichkeiten, mit fehlenden Daten umzugehen, wie Regression, Interpolation und Matrixvollständigung. Interpolation ist eine Methode, die versucht, einen sanften Übergang zwischen Datenpunkten zu schaffen. Allerdings benötigt sie genügend umliegende Punkte, um dies effektiv zu tun. Regressionstechniken finden Beziehungen zwischen verschiedenen Datensätzen, um die fehlenden Werte zu schätzen. Während Regression gut funktionieren kann, könnte sie Schwierigkeiten haben, wenn die Beziehungen komplex sind.

Angesichts der Natur der Daten können wir das Problem der Schätzung von LAI-Werten als Aufgabe betrachten, um zu verstehen, wie verschiedene Zeitreihendaten miteinander in Beziehung stehen. Zu diesem Zweck schlagen wir die Verwendung eines bestimmten Typs von neuronalen Netzwerken vor, das als Bidirectional Long Short-Term Memory (BiLSTM) bekannt ist. Diese Art von Netzwerk kann Informationen sowohl aus vergangenen als auch aus zukünftigen Daten berücksichtigen, was es ihm ermöglicht, komplexe Beziehungen innerhalb der Daten zu lernen.

#Warum BiLSTM verwenden?

Das Netzwerk lernt aus beiden Richtungen der Daten, was bedeutet, dass es wichtige Informationen erfassen kann, die ein Standard-LSTM-Modell möglicherweise verpasst. Diese Eigenschaft ist besonders nützlich, wenn es viel Variabilität in den Daten gibt oder wenn einige Werte fehlen. Der BiLSTM-Ansatz ermöglicht es uns, genauere Vorhersagen über den LAI zu treffen, selbst wenn nur wenige Bilder verfügbar sind oder wenn die Blüte- und Erntezeiten auftreten.

#Datenvorverarbeitung

Bevor wir die Daten in das BiLSTM-Netzwerk einspeisen, müssen wir sie richtig vorbereiten. Wir analysieren zwei verschiedene Regionen, eine in Deutschland und die andere in China, um die Imputationsmethoden zu trainieren und zu evaluieren. Sentinel-2- und Sentinel-1-Bilder aus diesen Gebieten werden gesammelt und verarbeitet, um sicherzustellen, dass wir die verfügbaren Daten optimal nutzen.

Für Sentinel-2 führen wir eine atmosphärische Korrektur durch, um sicherzustellen, dass die Bilder die Pflanzenbedingungen genau widerspiegeln. Wir wählen nur die Bilder aus, die nicht stark von Wolken betroffen sind, um eine zuverlässige Zeitreihe für den LAI zu erstellen.

Für Sentinel-1 sammeln wir Bilder aus denselben Zeiträumen und Standorten. Wir verarbeiten diese Bilder, um Rauschen zu reduzieren und die Qualität der Daten zu verbessern, die wir für unsere Analyse verwenden werden.

#Vergleich verschiedener Methoden

Nach der Datenverarbeitung wenden wir verschiedene Methoden an, um zu sehen, welche die besten Imputationsresultate für die fehlenden LAI-Werte liefert. Wir vergleichen die Leistung von BiLSTM mit anderen einfacheren Methoden wie polynomialer und exponentieller Regression.

In Regionen mit ähnlichen Pflanzenbedingungen können die einfacheren Methoden recht gut funktionieren. Allerdings haben sie oft Schwierigkeiten, wenn die Beziehungen zwischen den Datensätzen komplizierter werden. In diesen Fällen zeigt das BiLSTM-Netzwerk seine Stärken und liefert deutlich bessere Ergebnisse.

#Experimentelle Ergebnisse

Wir haben mehrere Tests durchgeführt, um zu vergleichen, wie gut jede Methode bei der Schätzung fehlender LAI-Werte funktioniert. Die Ergebnisse zeigten, dass sowohl die LSTM- als auch die BiLSTM-Netzwerke die einfacheren Regressionsmethoden erheblich übertroffen haben. Sie konnten die Lücken nicht nur effektiver füllen, sondern auch genauere Schätzungen während kritischer Wachstumsphasen für Winterweizen liefern.

In einem Experiment konnte das Modell Variationen im LAI während der Regenzeiten erfassen, als die Wolkendecke die verfügbaren Daten von den optischen Sensoren begrenzte. Selbst in Situationen, in denen die SAR-Daten erhöhtes Rauschen oder Variabilität zeigten, blieb das BiLSTM-Netzwerk genau.

#Räumliche Analyse

Neben der Untersuchung der zeitlichen Leistung haben wir auch die räumlichen Ergebnisse analysiert. Wir haben uns angesehen, wie gut die imputierten Werte mit den tatsächlichen Messungen im Feld korrelierten. Sowohl die LSTM- als auch die BiLSTM-Methoden erzielten bessere Ergebnisse beim Quadratwurzelmittel (RMSE) im Vergleich zu den Regressionsmethoden, was auf eine höhere Genauigkeit hinweist.

Die imputierten Werte zeigten reibungslose Übergänge über die Felder, was darauf hindeutet, dass die Methoden effektiv waren, um die räumlichen Eigenschaften der Ackerflächen zu erhalten. In Fällen, in denen LAI-Werte direkt gemessen wurden, lagen die Ergebnisse der BiLSTM-Methode häufig viel näher an den beobachteten Daten.

#Fazit

Diese Studie zeigt, dass die Verwendung eines BiLSTM-Netzwerks, um Daten aus verschiedenen Quellen zu kombinieren, die Zuverlässigkeit der LAI-Messungen in Ackerflächen wie Winterweizen erheblich verbessern kann. Indem wir fehlende Werte effektiv füllen, können wir besser in der Lage sein, Erträge vorherzusagen und landwirtschaftliche Praktiken effizienter zu verwalten.

Die vielversprechenden Ergebnisse dieses Ansatzes weisen darauf hin, dass er auch in anderen Szenarien angewendet werden kann, in denen zeitliche Daten Lücken aufweisen. Mit fortschreitender Technologie und mehr verfügbaren Daten können wir uns darauf freuen, die landwirtschaftliche Überwachung und das Management noch weiter zu verbessern.

Mit fortlaufender Forschung und Entwicklung wird die Integration verschiedener Datentypen zu besseren landwirtschaftlichen Praktiken und einer verbesserten Ernährungssicherheit führen. Die hier präsentierte Arbeit bietet eine solide Grundlage für weitere Fortschritte im Bereich der Fernerkundung und Pflanzenüberwachung.