52* w 50* w 4s'w as'yi
2020-4 I Geo-Info
15
52 W SO" W
48' W 40* W
Figuur 2 - Beschikbare Sentinel-1 Interferometric Wide-mode-observaties. Figuur 3 - De twee meest voorkomende grondtypen in de staat Sao Paulo.
maakt van fluctuaties in SAR-metingen die
worden veroorzaakt door vochtigheid van het
(grond- en plant-)oppervlak om zodoende de
classificatie van vegetatiecondities te verbete
ren. Dit biedt de verrassende conclusie dat de
beste classificatie-resultaten worden verkre
gen wanneer verschillen in vochtigheid optre
den tussen opeenvolgende SAR-observaties.
Als deze informatie wordt gecombineerd met
kennis van grondtypen kunnen de resultaten
zelfs nog verder worden verbeterd. Voor dit
onderzoek is gebruik gemaakt van landbedek-
kingskaarten die zijn gemaakt met behulp van
het Hidden Markov Model over heel Sao Paulo
staat, zie figuur 1.
Figuur 4 - Afnamekaart (links) en toenamekaart (rechts) van Sao Paulo staat tussen 2005 en 2015.
Het laat de grootschalige expansie zien van suikerriet ten koste van grasland, voornamelijk in het weste
lijke deel van de staat. De kaart van Nederland geeft de grootte aan van de staat. Het noorden is boven.
Daaropvolgend beschrijven we hoe we die
metingen hebben gerelateerd aan SAR-data
van Sentinel-1, Radarsat-2 en ALOS-2 en aan
optische data van Landsat en Worldview
voor het monitoren van de productiviteit.
Het hoofdonderzoek bevat een analyse
van de gevoeligheid van deze data voor de
biomassa-aangroei van suikerriet, neerslag en
configuratie van de SAR-sensoren. Daarnaast
zijn de spatiele patronen in de satellietbeelden
van de verschillende sensoren geanalyseerd
op consistentie in tijd, teneinde tijdscriteria af
te leiden die aangeven wanneer satellietme
tingen het meest effectief kunnen worden
ingezet voor het monitoren van de productie.
In kaart brengen expansie suikerriet
Het tweede hoofdonderzoek beschrijft hoe
we de SAR-data en optische data hebben
gekoppeld voor het mappen van suiker
riet in heel Sao Paulo over meerdere jaren.
Hiervoor hebben we een specifiek Bayesi-
aans model genaamd Hidden Markov Model
(HMM) gebruikt, dat de mogelijkheid biedt
om het stadium waarin de vegetatie zich
verkeert consistent in tijd te volgen ongeacht
de beschikbaarheid van satellietmetingen.
Dit is belangrijk voor deze (sub)tropische
regio's waar optische observaties regelmatig
ontbreken door het wolkendek. Specifieke
aandacht is er voor de invloed van neerslag
wanneer satellietmetingen worden verricht op
de prestatie van het model en aan condities
van vegetatie waardoor verwarring in clas
sificatie ontstaat tussen verschillende typen
landbedekking. Het onderzoek geeft ook
gedetailleerde inzichten in wanneer SAR-satel-
lietmetingen beter presteren dan optische
satellietmetingen en vice versa, en welke
voordelen de combinatie van deze twee met
zich meebrengt. Binnen dit hoofdonderzoek
beschrijven we ook een techniek die gebruik
Tenslotte geven we in de conclusies van de
thesis een aantal concrete voorbeelden van
de potentiële waarde van landbedekkings-
kaarten voor de gebruiker. Dit varieert van een
gedetailleerde kaart die het effect van ernstige
droogte op een stuwmeer blootlegt tot een
regionale kaart van Sao Paulo staat die de
grootschalige toe- en afname laat zien van de
landbedekking over tien jaar, zie figuur 4.
Voor de onderzoeken die zijn uitgevoerd voor
het monitoren van landbedekking en het
classificeren van vegetatie hebben we high
performance computing gebruikt vanwege de
aanzienlijke omvang van observatiedata en de
complexiteit van de toegepaste technieken.
Hiervoor is voornamelijk gebruik gemaakt van
de Nederlandse supercomputer van SURF en
Google Earth Engine.
Ramses Molijn is onderzoeker
bij Department of Geoscience
and Remote Sensing, TU Delft.
Ramses is bereikbaar via
r.a.molijn@tudelft.nl
1 sugarcane
^annual crop
^pasture
£:vii4 vegetation
I"tforost
■■ïvaler
urban