Classification des cultures par objet à l’aide d’images SPOT-5 multitemporelles et de caractéristiques texturales avec un classificateur de forêt aléatoire
Citation
Zhang, H., Li, Q., Liu, J., Du, X., Dong, T., McNairn, H., Champagne, C., Liu, M., Shang, J. (2018). Object-based crop classification using multi-temporal SPOT-5 imagery and textural features with a Random Forest classifier. Geocarto International, [online] 33(10), 1017-1035. http://dx.doi.org/10.1080/10106049.2017.1333533
Résumé en langage clair
De nombreuses méthodes de classification des données satellitaires selon le type de culture utilisent une approche fondée sur les pixels. Dans le cadre de cette recherche, les pixels ont été regroupés en objets afin de classer les données satellitaires optiques en fonction du type de culture. De plus, les chercheurs ont exploré un classificateur de forêt aléatoire dans le but de déterminer les bandes optiques, les indices de végétation et les caractéristiques texturales des données satellitaires qui fournissaient la plus grande exactitude. Les résultats ont montré qu’une méthode par objet, utilisant la réflectance spectrale à des stades de croissance précis des cultures, ainsi que les caractéristiques texturales, donnaient les meilleurs résultats.
Résumé
© 2017, Informa UK Limited, faisant affaire sous le nom de Taylor & Francis Group. Dans la présente étude, nous avons mis au point une approche d’analyse d’images par objet (OBIA) pour classer les grandes cultures à l’aide d’images SPOT-5 multitemporelles et d’un classificateur de forêts aléatoires (FA). Nous avons extrait une vaste gamme de caractéristiques, dont la réflectance spectrale, les indices de végétation, les caractéristiques texturales fondées sur la matrice de cooccurrence des niveaux de gris (GLCM) et les caractéristiques texturales fondées sur le semi-variogramme géostatistique, aux fins de classification, et leur performance a été évaluée à l’aide des mesures de l’importance des variables FA. Les résultats ont montré que la meilleure qualité de segmentation était obtenue avec l’image SPOT acquise en septembre, avec un paramètre d’échelle de 40. La réflectance spectrale et le semi-variogramme géostatistique contribuaient davantage à la classification des cultures que les indices de végétation et les textures GLCM. Un sous-ensemble de 60 caractéristiques a été sélectionné à l’aide de la méthode de sélection de caractéristiques fondée sur la FA, et dans ce sous-ensemble, la réflectance dans le proche infrarouge et l’image acquise en août (stades de la montaison et de l’épiaison) se sont révélées les meilleures pour la classification des cultures.