Satelitarne rozpoznawanie upraw i szacowanie ich powierzchni w ramach systemu SATMIROL

• Authors: Magdalena Mleczko , Przemysław Slesiński , Tomasz Milewski , Artur Łączyński , Dariusz Miziołek , Edyta Woźniak , Jędrzej Bojanowski

Title variants

EN

Satellite-based crop identification and area estimation under the SATMIROL system

Abstracts

EN

One important area where satellite-based Earth observation is applied in is agricultural statistics. The use of new digital technologies and satellite data have contributed to the modernisation of the aforementioned scientific area and is designed to overcome the problems that both agricultural statistics and the recipients of statistical data are faced with. The main aim of the article is to present an innovative system of satellite-based crop identification and crop growth monitoring – SATMIROL. The system was developed by Statistics Poland, the Institute of Geodesy and Cartography and the Space Research Centre of the Polish Academy of Sciences. SATMIROL provides agricultural statistics based on satellite data from the Copernicus programme and administrative data. The article focuses on selected modules of the system which involve the use of satellite remote sensing for crop identification. The study also presents a nationwide crop area estimation performed in three periods: 2019, 2020 and 2021. The implementation of SATMIROL allowed the presentation of statistical data on agriculture in spatial terms, which is not possible when applying traditional methods of data production. This new method of acquiring data enables their presentation at all levels of Poland’s administrative division, i.e. by voivodship, poviat (district) and gmina (commune).

PL

Jednym z ważnych obszarów zastosowania satelitarnych obserwacji Ziemi jest statystyka rolnictwa. Wykorzystanie nowych technologii cyfrowych i danych satelitarnych przyczyniło się do jej unowocześnienia i pomaga rozwiązywać problemy, z jakimi mierzy się ona obecnie oraz z jakimi borykają się odbiorcy danych statystycznych z zakresu rolnictwa. Głównym celem niniejszego artykułu jest zaprezentowanie innowacyjnego systemu satelitarnej identyfikacji i monitorowania upraw rolnych – SATMIROL. System ten został opracowany przez Główny Urząd Statystyczny, Instytut Geodezji i Kartografii oraz Centrum Badań Kosmicznych Polskiej Akademii Nauk na potrzeby statystyki rolnictwa z wykorzystaniem danych satelitarnych z programu Copernicus i danych administracyjnych. W opracowaniu omówiono wybrane moduły tego systemu, w których metody teledetekcji satelitarnej znalazły zastosowanie do rozpoznawania upraw. Przedstawiono też wyniki szacunku powierzchni upraw w skali kraju w trzech okresach pomiarowych w latach: 2019, 2020 i 2021. Wprowadzenie systemu SATMIROL umożliwiło prezentację danych w ujęciu przestrzennym, na co nie pozwalają tradycyjne metody stosowane w produkcji statystycznej. Dzięki nowej metodzie dane mogą być przedstawiane na wszystkich poziomach podziału administracyjnego kraju (województw, powiatów i gmin).

Keywords

PL

teledetekcja satelitarna; obserwacje Ziemi; statystyka rolnictwa; identyfikacja upraw; szacunek powierzchni upraw rolnych

EN

satellite remote sensing; Earth observations; agricultural statistics; crops dentification; crops area estimation

• Publisher: Główny Urząd Statystyczny
• Journal: Wiadomości Statystyczne. The Polish Statistician
• Year: 2022
• Volume: 67
• Issue: 9
• Pages: 53-74

Dates

published

2022

Contributors

author

Magdalena Mleczko

• Uniwersytet Warmińsko-Mazurski w Olsztynie, Wydział Geoinżynierii, Instytut Geodezji / University of Warmia and Mazury in Olsztyn, Faculty of Geoengineering, Institute of Geodesy
• Urząd Statystyczny w Olsztynie, Ośrodek Informatyki Statystycznej / Statistical Office in Olsztyn, Statistical Computing Centre

• https://orcid.org/0000000299321810

author

Przemysław Slesiński

• Urząd Statystyczny w Olsztynie, Ośrodek Informatyki Statystycznej / Statistical Office in Olsztyn, Statistical Computing Centre

• https://orcid.org/0000000154381281

author

Tomasz Milewski

• Główny Urząd Statystyczny, Departament Rolnictwa / Statistics Poland, Agriculture Department

• https://orcid.org/0000000249272686

author

Artur Łączyński

• Główny Urząd Statystyczny, Departament Rolnictwa / Statistics Poland, Agriculture Department

• https://orcid.org/0000000188855860

author

Dariusz Miziołek

• Główny Urząd Statystyczny, Departament Rolnictwa / Statistics Poland, Agriculture Department

• https://orcid.org/000000024733816X

author

Edyta Woźniak

• Centrum Badań Kosmicznych Polskiej Akademii Nauk / Space Research Centre of the Polish Academy of Sciences

• https://orcid.org/0000000277174848

author

Jędrzej Bojanowski

• Instytut Geodezji i Kartografii / Institute of Geodesy and Cartography

• https://orcid.org/0000000184604183

References

• Belgiu, M., Drăgu?, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24–31. https://doi.org/10.1016/j.isprsjprs.2016.01.011.
• Cloude, S. R. (2007, 22–26 stycznia). The Dual Polarisation Entropy/Alpha Decomposition: A PALSAR Case Study [referat]. POLinSAR 2007, the 3rd International Workshop on Science and Applications of SAR Polarimetry and Polarimetric Interferometry, Frascati.
• Cloude, S. R., Pottier, E. (1997). An entropy based classification scheme for land application of polarimetric SAR. IEEE Transactions on Geoscience and Remote Sensing, 35(1), 68–78. http://doi.org/10.1109/36.551935.
• Congalton, R. G. (1991). A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 37(1), 35–46. https://doi.org/10.1016/0034-4257(91)90048-B.
• Congalton, R. G., Green, K. (2019). Assessing the Accuracy of Remotely Sensed Data. Principles and Practices. CRC Press Taylor & Francis Group.
• De Zan, F., Monti Guarnieri, A. (2006). TOPSAR: Terrain Observation by Progressive Scans. IEEE Transactions on Geoscience and Remote Sensing, 44(9), 2352–2360.
• Dygaszewicz, J., Szafrański, B. (2018). Badania statystyczne – ujęcie modelowe. Wiadomości Statystyczne, 63(12), 5–22. https://doi.org./10.5604/01.3001.0014.0726.
• European Space Agency. (2013). Sentinel-1 User Handbook. https://sedas.satapps.org/wp-content/uploads/2015/07/Sentinel-1_User_Handbook.pdf.
• European Space Agency. (2015). Sentinel-2 User Handbook. https://sentinels.copernicus.eu/web/sentinel/user-guides/document-library/-/asset_publisher/xlslt4309D5h/content/sentinel-2-user-handbook.
• Główny Urząd Statystyczny. (b.r.). Satelitarna identyfikacja i monitorowanie upraw na potrzeby statystyki rolnictwa – SATMIROL. https://stat.gov.pl/statystyki-eksperymentalne/gospostrateg/satmirol-satelitarna-identyfikacja-i-monitorowanie-upraw-na-potrzeby-statystyki-rolnictwa/.
• Główny Urząd Statystyczny. (2019). Raport okresowy nr 1 z realizacji projektu w ramach Programu „Społeczny i gospodarczy rozwój Polski w warunkach globalizujących się rynków” GOSPOSTRATEG.
• Główny Urząd Statystyczny. (2020). Raport okresowy nr 3 z realizacji projektu w ramach Programu „Społeczny i gospodarczy rozwój Polski w warunkach globalizujących się rynków” GOSPOSTRATEG.
• Lang, F., Yang, J., Li, D. (2014). An adaptive enhanced Lee speckle filter for polarimetric SAR image. Cehui Xuebao / Acta Geodaetica et Cartographica Sinica, 43(7), 690–697. https://doi.org/10.13485/j.cnki.11-2089.2014.0112.
• Ministerstwo Gospodarki. (2012). Program działań na rzecz rozwoju technologii kosmicznych i wykorzystywania systemów satelitarnych w Polsce. https://www.gov.pl/attachment/b4c8fb77-becc-4919-9796-d49cbf67ad0f.
• Pelletier, C., Valero, S., Inglada, J., Champion, N., Dedieu, G. (2016). Assessing the robustness of Random Forests to map land cover with high resolution satellite image time series over large areas. Remote Sensing of Environment, 187, 156–168. https://doi.org/10.1016/j.rse.2016.10.010.
• Rodriguez-Galiano, V. F., Ghimire, B., Rogan, J., Chica-Olmo, M., Rigol-Sanchez, J. P. (2012). An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, 67, 93–104. https://doi.org/10.1016/j.isprsjprs.2011.11.002.
• Song, Q., Hu, Q., Zhou, Q., Hovis, C., Xiang, M., Tang, H., Wu, W. (2017). In-Season Crop Mapping with GF-1/WFV Data by Combining Object-Based Image Analysis and Random Forest. Remote Sensing, 9(11), 1–19. https://doi.org/10.3390/rs9111184.
• Thanh Noi, P., Kappas, M. (2018). Comparison of Random Forest, k-nearest Neighbor, and Support Vector Machine Classifiers for Land Cover Classification using Sentinel-2 Imagery. Sensors, 18(1), 1–20. https://doi.org/10.3390/s18010018.
• Zhu, J., Wen, J., Zhang, Y. (2013). A new algorithm for SAR image despeckling using an enhanced Lee filter and median filter. 2013 6th International Congress on Image and Signal Processing (CISP), (s. 224–228). https://doi.org/10.1109/CISP.2013.6743991.

Identifiers

DOI

10.5604/01.3001.0015.9863

Biblioteka Nauki

2124988