Σχεδιασμός και ανάπτυξη μοντέλου πρόβλεψης παραγωγής σε καλλιέργειες βαμβακιού με συνδυασμό αγρομετεωρολογικών και τηλεπισκοπικών δεδομένων

Φαλάγγας, Αλέξανδρος; Falangas, Alexandros

dc.contributor.author	Φαλάγγας, Αλέξανδρος	el
dc.contributor.author	Falangas, Alexandros	en
dc.date.accessioned	2018-09-06T08:14:58Z
dc.date.available	2018-09-06T08:14:58Z
dc.date.issued	2018-09-06
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47534
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15643
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Γεωργία	el
dc.subject	Δείκτης εμβαδού φυλλώματος (LAI)	el
dc.subject	Αφομοίωση δεδομένων	el
dc.subject	Agriculture	en
dc.subject	Cotton yield	en
dc.subject	Sentinel 2	en
dc.subject	WOFOST	en
dc.subject	Leaf area index (LAI)	en
dc.subject	Data assimilation	en
dc.title	Σχεδιασμός και ανάπτυξη μοντέλου πρόβλεψης παραγωγής σε καλλιέργειες βαμβακιού με συνδυασμό αγρομετεωρολογικών και τηλεπισκοπικών δεδομένων	el
heal.type	bachelorThesis
heal.classification	Τηλεπισκόπηση	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-07-17
heal.abstract	Ο στόχος της παρούσας διπλωματικής ήταν η δημιουργία ενός μοντέλου πρόβλεψης παραγωγής για καλλιέργειες βαμβακιού το οποίο θα βασίζεται σε δορυφορικά δεδομένα του δέκτη Sentinel 2, ο οποίος χαρακτηρίζεται για τις αυξημένες δυνατότητες που διαθέτει λόγω υψηλής χωρικής και φασματικής ανάλυσης για γεωργικές εφαρμογές. Είναι πολύ σημαντικό επίσης οι μέθοδοι παρακολούθησης να είναι αξιόπιστες και χαμηλού κόστους. Νέες τεχνολογίες και μέθοδοι τηλεπισκόπησης μπορούν να συνεισφέρουν προς αυτή την κατεύθυνση. Στη παρούσα εργασία, χρησιμοποιήθηκε το μοντέλο WOFOST όπου αποτελεί ένα μοντέλο προσομοίωσης ανάπτυξης φυτών. Επειδή το μοντέλο δεν έχει γεωγραφική κλίμακα τα δεδομένα (ημερήσιες τιμές παραγωγής και Δείκτη Εμβαδού Φυλλώματος) του χρησιμοποιήθηκαν για την ανάπτυξη ενός νέου μοντέλου βασισμένο στους δορυφορικούς δέκτες Sentinel 2A-2B. Για την πιο αυτοματοποιημένη και επιχειρησιακη χρήση του μοντέλου οι επεξεργασίες βασίστηκαν στη χρήση δείκτων βλάστησης αντί του Δείκτη Εμβαδού Φυλλώματος (LAI). Πιο συγκεκριμένα, αρχικά ελέγχθηκε η γραμμική και μη γραμμική συσχέτιση των επίγειων μετρήσεων Δείκτη Εμβαδού Φυλλώματος (LAI), όπου πραγματοποιήθηκαν στην περιοχή του Παλαμά, Καρδίτσας (39.4690° N, 22.0823° E) το διάστημα Ιουλίου-Αυγούστου, με 12 δείκτες βλάστησης που προέκυψαν από τη φασματική πληροφορία των ατμοσφαιρικών και συγχωνευμένων δεδομένων των δορυφόρων Sentinel 2A-2B. Οι δείκτες με τη μεγαλύτερη συσχέτιση ήταν οι EVI και PSRI NIR με συντελεστή 89 %. Στην εργασία επιλέχθηκε η χρήση του EVI διότι ενδύκνειται από τη διεθνή βιβλιογραφία για τον υπολογισμό του LAI. Στη συνέχεια, πραγματοποιήθηκε προσομοίωση του μοντέλου WOFOST για 4 αγροτεμάχια(συνολικού εμβαδού 400 στρεμμάτων) στην περιοχή μελέτης, με σκοπό την εξαγωγή της παραγωγής σε kg/ha και του Δείκτη LAI καθημερινά. Η εξίσωση που δημιουργήθηκε μεταξύ του LAI και του EVI αντιστράφηκε και μέσω αυτής, οι προσομοιωμένες καθημερινές τιμές LAI που εξήχθησαν από το μοντέλο WOFOST μετατράπηκαν σε τιμές του δείκτη EVI, με σκοπό τη δημιουργία ημερήσιων ψευδοπαρατηρήσεων δορυφόρου. Οι ψευδοπαρατηρήσεις του δείκτη EVI και οι παραγωγές καθημερινά χρησιμοποιήθηκαν για την εκπαίδευση ενός γραμμικου πολυπαραμετρικού εμπειρικού μοντέλου όπου στο ένα σκέλος έχει την παραγωγή, και στο άλλο τις ψευδοπαρατηρήσεις EVI και μετεωρολογικα δεδομένα (μέση μηνιαία βροχόπτωση, μέση μηνιαία θερμοκρασία, μέση μηνιαία ακτινοβολία). Έτσι, για κάθε ημέρα δημιουργήθηκαν εξισώσεις που συνδέουν την παραγωγή με την τιμή του δείκτη EVI και τα μετεωρολογικά δεδομένα. Αυτές οι εξισώσεις χρησιμοποιήθηκαν στις ημερομηνίες 02, 12, 27 Αυγούστου και 01, 06 Σεπτεμβρίου, όπου θεωρήθηκε η τελική ημερομηνία, με σκοπό να πραγματοποιηθεί αξιολόγηση των αποτελεσμάτων. Στη περιοχή μελέτης ήταν γνωστές οι παραγωγές 5 αγροτεμαχίων και στην τελική ημερομηνία το μοντέλο προσομοίωσε τις παραγωγές με μέση απώλεια 17 κιλά ανά 100 m2 (170 κιλά ανά στρέμμα). Επιπροσθέτως, για την περαιτέρω αύξηση της ακρίβειας των αποτελεσμάτων, πραγματοποιήθηκε στο WOFOST η χρήση του αλγόριθμου βελτιστοποίησης SCE-UA με σκοπό την βελτίωση των δεδομένων εκπαίδευσης. Επειδή το WOFOST αποτελεί ένα σύνθετο μη γραμμικό μοντέλο, το πρώτο βήμα ήταν η ανάλυση ευαισθησίας του μοντέλου ώστε να προσδιοριστούν οι παράμετροι που επηρεάζουν σε μεγαλύτερο βαθμό τα δεδομένα της παραγωγής και του Δείκτη Εμβαδού Φυλλώματος (LAI). Για την ανάλυση χρησιμοποιήθηκε o δείκτης ευαισθησίας Sensitivity Ratio και προέκυψαν οι παράμετροι που επηρεάζουν τα αποτελέσματα του WOFOST. Οι παράμετροι αυτοί ήταν οι SLATB 0.00, CVO, CVL, AMAXTB 2.00, AMAXTB 1.70, SLATB 1.00 με τιμές 0.552, 0.423, 0.402, 0.365, 0.362, 0.280 αντίστοιχα. Αυτοί οι παράμετροι αποτέλεσαν τα δεδομένα εισαγωγής στον αλγόριθμο SCE-UA, μαζί με τις μέσες τιμές LAI που εξήχθησαν από τις δορυφορικές εικόνες στο διάστημα Ιουλίου-Σεπτεμβρίου για κάθε αγροτεμάχιο στις αντίστοιχες ημερομηνίες δορυφόρου και την τελική παραγωγή όπως την υπολόγισαν οι τοπικοί αγρότες. Ο αλγόριθμος SCE-UA εφαρμόστηκε στα 4 αγροτεμάχια ελέγχου και σκοπός του ήταν η εύρεση του συνδυασμού των τιμών των παραμέτρων, όπου θα ελαχιστοποιούταν η διαφορά μεταξύ του δορυφορικού LAI και του LAI του WOFOST στις ημερομηνίες δορυφόρου, καθώς και η διαφορά τηςτελικής παραγωγής που υπολόγισαν οι τοπικοί αγρότες με την τελική παραγωγή που προέκυπτε από το μοντέλο WOFOST. Τα αποτελέσματα μετά την εφαρμογή ήταν ενθαρρυντικά καθώς η μέση διαφορά LAI ήταν 0.6 m2/m2 και η μέση διαφορά των τελικών παραγωγών ήταν 0.2 κιλά ανά στρέμμα έναντι των αποτελεσμάτων 1.6 m2/m2 και 88.5 κιλών ανά στρέμμα πριν την εφαρμογή του. Τα νέα δεδομένα χρησιμοποιήθηκαν για την εκπαίδευση του εμπειρικού μοντέλου και η μέση απώλεια στην τελική ημερομηνία δορυφόρου (06-09-2017) ήταν 6 κιλά ανά pixel (60 κιλά ανά στρέμμα) και ο συντελεστής συσχέτισης (R2) έφτασε το 98%.	el
heal.abstract	The aim of this diploma thesis was to develop a yield forecasting model for cotton crops based on the Sentinel 2 Satellite data, which can provide direct, high-resolution, multitemporal canopy observations for various agricultural applications. Monitor crop growth and yield estimation is of significant importance in terms of the environment and economy. It is also important that the monitoring procedures are reliable and costeffective. Novel cutting-edge technologies and remote sensing methods can contribute in that direction. In this study, the WOFOST Crop Simulation model was employed which is a standard growth simulation model. Because the model estimations (daily yields and daily Leaf Area Index) are not directly linked and related to any geographic aspect, the main goal was to integrate remote sensing observations in order to constrain the predictions with the direct canopy remote derived from Sentinel 2 satellites. Moreover, the novel integrated model was based on certain vegetation indices instead of Leaf Area Index (LAI)estimations. In particular, the linear and non-linear correlation of the Leaf Area Index (LAI) groundtruth data, that were collected in Palamas (39.4690°N, 22.0823°E) during the summer of 2017 and 12 vegetation indices resulting from spectral information of the atmospheric and fused data of Sentinel 2A-2B satellites were tested. The indices with the highest correlation were EVI and PSRI NIR that the coefficient of determination reached 89%. In accordance with the literature the EVI index was employed for calculating LAI. Subsequently, the standard WOFOST model was used to derive simulated daily yields and daily LAI for certain parcels in the study area. The relation between LAI and EVI was established and the simulated daily LAI values extracted from the WOFOST model were converted to EVI index values, in order to create pseudo-remote sensing observations. Daily yields, daily EVI pseudo-observations and meteorological data (month average precipitation, month average temperature, monthly average radiation) were combined to train a multiple linear statistical model. In addition, the SCE-UA optimization algorithm was applied to WOFOST in order to improve the training procedure. In particular, the first step was to apply sensitivity analysis in order to determine the parameters that affect the output. Sensitivity Ratio was used for the analysis and the parameters that affect WOFOST output were derived. These parameters were SLATB 0.00, CVO, CVL, AMAXTB 2.00, AMAXTB 1.70, SLATB 1.00 with values of 0.552, 0.423, 0.402, 0.365, 0.362, 0.280 respectively. These parameters were the input data for the SCE-UA algorithm that was designed, along with the average LAI values exported from the satellite images in July-September period for each parcel on the respective satellite dates and the official yields that were collected by the local farmers. The SCE-UA algorithm was applied towards converging on the optimal parameters setting that would minimize the difference between satellite LAI and WOFOST LAI on the satellite dates as well as the difference in the actual yields from the local farmers and the yields derived from WOFOST. The results were encouraging as the mean LAI difference were 0.60 and the average difference between the official yields and simulated yields was 0.02 kg/pixel. The updated estimations were finally employed to re-calibrate the empirical model. The overall validation indicated that the average yield loss was 6 kg per pixel. The final correlation between the actual and predicted (at pixel-level) yields were significant high with a r2 at 98%. (el)	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Καραθανάση, Βασιλεία	el
heal.committeeMemberName	Αργιαλάς, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	86 σ.
heal.fullTextAvailability	true