Application de l’analyse discriminante à la cartographie des champs de céréales et des pâturages au moyen de caractéristiques orientées objet

Citation

Qiao, C., Daneshfar, B., Davidson, A.M. (2017). The application of discriminant analysis for mapping cereals and pasture using object-based features, 38(20), 5546-5568. http://dx.doi.org/10.1080/01431161.2017.1325530

Résumé en langage clair

Cette étude met à l’essai une méthode de classification orientée objet guidée par les données, au moyen de la méthode d’analyse discriminante (AD), pour cartographier les champs de céréales et les pâturages à partir de données satellitaires. Nous utilisons les données recueillies in situ et par satellite dans deux sites d’étude se trouvant dans les Prairies canadiennes (Winnipeg et Brandon), présentant des degrés d’hétérogénéité différents, durant la saison de croissance de 2013. Nous avons constaté que notre approche fondée sur l’AD a permis de cartographier les champs de céréales et les pâturages de nos deux sites d’étude avec la plus grande précision, mais que cette précision n’était pas améliorée de manière significative avec l’utilisation de modèles d’AD plus complexes. Nos résultats sont encourageants pour l’application élargie du prétraitement guidé par les données des entrées utilisées pour la classification des images par AD.

Résumé

© Informa UK Limited, faisant affaire sous le nom de Taylor & Francis Group, 2017. La précision de la cartographie est élevée, lorsque les cultures diffèrent sur le plan spectral (p. ex. > 90,0 %; canola, maïs, soja) et vice versa (p. ex. < 75,0 %; céréales et pâturages). La mise au point de méthodes de cartographie améliorées est une priorité constante de la science de la télédétection au sein d’Agriculture et Agroalimentaire Canada (AAC). À cette fin, la présente étude met à l’essai une méthode de classification orientée objet guidée par les données, au moyen de la méthode d’analyse discriminante (AD), pour cartographier les champs de céréales et les pâturages à partir de données satellitaires. Selon cette approche, nous avons appliqué des variables (nombre > 400) issues de la segmentation d’images et de l’extraction de caractéristiques orientées objet à partir d’images optiques (RapidEye) et hyperfréquences (RADARSAT-2), multidates et multibandes, dans le cadre d’une approche guidée par les données. Nous avons utilisé les données recueillies in situ et par satellite dans deux sites d’étude se trouvant dans les Prairies canadiennes (Winnipeg, Brandon), présentant différents degrés d’hétérogénéité, au cours de la saison de croissance de 2013 pour évaluer : a) le type de modèle d’AD qui classe le plus précisément les classes de couverture – champs de céréales et pâturages; et b) comment la précision de classification obtenue par l’application de ce modèle d’AD se compare à celle obtenue à partir de méthodes de classification plus classiques, comme le maximum de vraisemblance, l’arbre de décision et la forêt d’arbres de décision ou forêt aléatoire. Nous avons constaté que notre approche fondée sur l’AD a permis de cartographier les champs de céréales et les pâturages dans nos deux sites d’étude avec la plus grande précision, mais que cette précision n’était pas améliorée de manière significative avec l’utilisation d’un modèle d’AD plus complexe (y compris les probabilités de classification a priori, plus de composantes principales d’entrée, l’utilisation de pondérations proportionnelles à la superficie du champ). Nos résultats sont encourageants pour l’application élargie du prétraitement guidé par les données des entrées utilisées pour la classification des images par AD.

Date de publication

2017-10-18