Published May 17, 2022
| Version v1
Publication
Open
MULTITEMPORAL SEGMENTATION OF SENTINEL-2 IMAGES IN AN AGRICULTURAL INTENSIFICATION REGION IN BRAZIL
Creators
- 1. Universidade Estadual de Campinas (UNICAMP)
- 2. Brazilian Agricultural Research Corporation
Description
Abstract. With the recent evolution in the sensor's spatial resolution, such as the MultiSpectral Imager (MSI) of the Sentinel-2 mission, the need to use segmentation techniques in satellite images has increased. Although the advantages of image segmentation to delineate agricultural fields in images are already known, the literature shows that it is rarely used to consider temporal changes in highly managed regions with the intensification of agricultural activities. Therefore, this work aimed to evaluate a multitemporal segmentation method based on the coefficient of variation of spectral bands and vegetation indices obtained from Sentinel-2 images, considering two agricultural years (2018–2019 and 2019–2020) in an area with agricultural intensification. Images of the coefficient of variation represented the spectro-temporal dynamics within the study area. These images were also used to apply an edge detection filter (Sobel) to verify their performance. The region-based algorithm Watershed Segmentation (WS) was used in the segmentation process. Subsequently, to assess the quality of the segmentation results produced, the metrics Potential Segmentation Error (PSE), Number-of-Segments Ratio (NSR), and Euclidean Distance 2 (ED2) were calculated from manually delineated reference objects. The segmentation achieved its best performance when applied to the unfiltered coefficient of variation images of spectral bands with an ED2 equal to 7.289 and 2.529 for 2018–2019 and 2019–2020, respectively. There was a tendency for the WS algorithm to produce over-segmentation in the study area; however, its use proved to be effective in identifying objects in a dynamic area with the intensification of agricultural activities.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
الخلاصة. مع التطور الأخير في الدقة المكانية للمستشعر، مثل التصوير متعدد الأطياف (MSI) لمهمة Sentinel -2، زادت الحاجة إلى استخدام تقنيات التجزئة في صور الأقمار الصناعية. على الرغم من أن مزايا تجزئة الصورة لتحديد الحقول الزراعية في الصور معروفة بالفعل، إلا أن الأدبيات تظهر أنه نادرًا ما يتم استخدامها للنظر في التغييرات الزمنية في المناطق عالية الإدارة مع تكثيف الأنشطة الزراعية. لذلك، استهدف هذا العمل تقييم طريقة التجزئة متعددة الأزمنة بناءً على معامل تباين النطاقات الطيفية ومؤشرات الغطاء النباتي التي تم الحصول عليها من صور Sentinel -2، مع الأخذ في الاعتبار عامين زراعيين (2018-2019 و 2019-2020) في منطقة ذات تكثيف زراعي. تمثل صور معامل التباين الديناميكيات الطيفية والزمانية داخل منطقة الدراسة. كما تم استخدام هذه الصور لتطبيق مرشح الكشف عن الحواف (Sobel) للتحقق من أدائها. تم استخدام خوارزمية تجزئة مستجمعات المياه (WS) القائمة على المنطقة في عملية التجزئة. بعد ذلك، لتقييم جودة نتائج التجزئة الناتجة، تم حساب مقاييس خطأ التقسيم المحتمل (PSE)، ونسبة عدد الأجزاء (NSR)، والمسافة الإقليدية 2 (ED2) من كائنات مرجعية محددة يدويًا. حقق التقسيم أفضل أداء له عند تطبيقه على معامل التباين غير المرشح لصور النطاقات الطيفية مع ED2 يساوي 7.289 و 2.529 للفترة 2018-2019 و 2019-2020 على التوالي. كان هناك ميل لخوارزمية المسح الدقيق لإنتاج تقسيم مفرط في منطقة الدراسة ؛ ومع ذلك، أثبت استخدامه فعاليته في تحديد الأشياء في منطقة ديناميكية مع تكثيف الأنشطة الزراعية.Translated Description (English)
Abstract. With the recent evolution in the sensor's spatial resolution, such as the MultiSpectral Imager (MSI) of the Sentinel-2 mission, the need to use segmentation techniques in satellite images has increased. Although the advantages of image segmentation to delineate agricultural fields in images are already known, the literature shows that it is rarely used to consider temporal changes in highly managed regions with the intensification of agricultural activities. Therefore, this work aimed to evaluate a multitemporal segmentation method based on the coefficient of variation of spectral bands and vegetation indices obtained from Sentinel-2 images, considering two agricultural years (2018-2019 and 2019-2020) in an area with agricultural intensification. Images of the coefficient of variation represented thespectro-temporaldynamics within the study area. These images were also used to apply an edge detection filter (Sobel) to verify their performance. The region-based algorithm Watershed Segmentation (WS) was used in the segmentation process. Subsequently, to assess the quality of the segmentation results produced, the metrics Potential Segmentation Error (PSE), Number-of-Segments Ratio (NSR), and Euclidean Distance 2 (ED2) were calculated from manually delineated reference objects. The segmentation achieved its best performance when applied to the unfiltered coefficient of variation images of spectral bands with an ED2 equal to 7.289 and 2.529 for 2018-2019 and 2019-2020, respectively. There was a tendency for the WS algorithm to produce over-segmentation in the study area; however, its use proved to be effective in identifying objects in a dynamic area with the intensification of agricultural activities.Translated Description (French)
Résumé. Avec l'évolution récente de la résolution spatiale du capteur, comme le MultiSpectral Imager (MSI) de la mission Sentinel-2, la nécessité d'utiliser des techniques de segmentation dans les images satellites s'est accrue. Bien que les avantages de la segmentation des images pour délimiter les champs agricoles en images soient déjà connus, la littérature montre qu'elle est rarement utilisée pour considérer les changements temporels dans les régions hautement gérées avec l'intensification des activités agricoles. Par conséquent, ce travail visait à évaluer une méthode de segmentation multitemporelle basée sur le coefficient de variation des bandes spectrales et des indices de végétation obtenus à partir des images Sentinel-2, en considérant deux années agricoles (2018-2019 et 2019-2020) dans une zone à intensification agricole. Les images du coefficient de variation représentaient la dynamique spectro-temporelle dans la zone d'étude. Ces images ont également été utilisées pour appliquer un filtre de détection de bord (Sobel) afin de vérifier leurs performances. L'algorithme basé sur la région Watershed Segmentation (WS) a été utilisé dans le processus de segmentation. Par la suite, pour évaluer la qualité des résultats de segmentation produits, les métriques d'erreur de segmentation potentielle (PSE), de rapport de nombre de segments (NSR) et de distance euclidienne 2 (ED2) ont été calculées à partir d'objets de référence délimités manuellement. La segmentation a atteint sa meilleure performance lorsqu'elle est appliquée aux images de coefficient de variation non filtrées des bandes spectrales avec un ED2 égal à 7,289 et 2,529 pour 2018-2019 et 2019-2020, respectivement. L'algorithme WS avait tendance à produire une sur-segmentation dans la zone d'étude ; cependant, son utilisation s'est avérée efficace pour identifier des objets dans une zone dynamique avec l'intensification des activités agricoles.Translated Description (Spanish)
Resumen: Con la reciente evolución en la resolución espacial del sensor, como el MultiSpectral Imager (MSI) de la misión Sentinel-2, se ha incrementado la necesidad de utilizar técnicas de segmentación en imágenes satelitales. Aunque ya se conocen las ventajas de la segmentación de imágenes para delinear campos agrícolas en imágenes, la literatura muestra que rara vez se utiliza para considerar cambios temporales en regiones altamente gestionadas con la intensificación de las actividades agrícolas. Por lo tanto, este trabajo tuvo como objetivo evaluar un método de segmentación multitemporal basado en el coeficiente de variación de bandas espectrales e índices de vegetación obtenidos a partir de imágenes Sentinel-2, considerando dos años agrícolas (2018-2019 y 2019-2020) en una zona con intensificación agrícola. Las imágenes del coeficiente de variación representaron la dinámica espectro-temporal dentro del área de estudio. Estas imágenes también se utilizaron para aplicar un filtro de detección de bordes (Sobel) para verificar su rendimiento. Se utilizó el algoritmo basado en la región Watershed Segmentation (WS) en el proceso de segmentación. Posteriormente, para evaluar la calidad de los resultados de segmentación producidos, se calcularon las métricas Error de segmentación potencial (PSE), Relación de número de segmentos (NSR) y Distancia euclidiana 2 (ED2) a partir de objetos de referencia delineados manualmente. La segmentación logró su mejor rendimiento cuando se aplicó a las imágenes de coeficiente de variación sin filtrar de bandas espectrales con una ED2 igual a 7.289 y 2.529 para 2018-2019 y 2019-2020, respectivamente. Hubo una tendencia a que el algoritmo WS produjera una sobre-segmentación en el área de estudio; sin embargo, su uso demostró ser efectivo para identificar objetos en un área dinámica con la intensificación de las actividades agrícolas.Files
isprs-annals-V-3-2022-389-2022.pdf.pdf
Files
(1.5 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:fb603453686971037d03510716c5d7ef
|
1.5 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تجزئة متعددة الأبعاد لصور SENTINEL -2 في منطقة تكثيف زراعي في البرازيل
- Translated title (English)
- MULTITEMPORAL SEGMENTATION OF SENTINEL-2 IMAGES IN AN AGRICULTURAL INTENSIFICATION REGION IN BRAZIL
- Translated title (French)
- SEGMENTATION MULTITEMPORALE D'IMAGES SENTINEL-2 DANS UNE RÉGION D'INTENSIFICATION AGRICOLE AU BRÉSIL
- Translated title (Spanish)
- SEGMENTACIÓN MULTITEMPORAL DE IMÁGENES SENTINEL-2 EN UNA REGIÓN DE INTENSIFICACIÓN AGRÍCOLA EN BRASIL
Identifiers
- Other
- https://openalex.org/W4280616053
- DOI
- 10.5194/isprs-annals-v-3-2022-389-2022