Classification d’images à l’aide de données RapidEye : intégration de caractéristiques spectrales et textuelles dans un classificateur de forêts aléatoires

Citation

Zhang, H., Li, Q., Liu, J., Shang, J., Du, X., McNairn, H., Champagne, C., Dong, T., Liu, M. (2017). Image Classification Using RapidEye Data: Integration of Spectral and Textual Features in a Random Forest Classifier. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, [online] 10(12), 5334-5349. http://dx.doi.org/10.1109/JSTARS.2017.2774807

Résumé en langage clair

Dans le cadre de cette recherche, nous avons utilisé une forêt d'arbres décisionnels et une série chronologique de données satellitaires optiques (provenant du satellite RapidEye) pour classer les cultures. Les chercheurs ont inclus non seulement la réflectance mesurée par le satellite RapidEye, mais aussi des indices de végétation dérivés des données de réflectance, ainsi que des mesures de la variance spatiale ou de la texture de la réflectance. L’exactitude de la classification s’est améliorée d’environ 7 % lorsque les indices de végétation étaient utilisés avec la réflectance RapidEye, dans le classificateur de forêts aléatoires. Une autre amélioration de l’exactitude de 6 % a été signalée lorsque l’information texturale des données satellitaires était également utilisée.

Résumé

© 2008-2012 IEEE. L’information sur les types de cultures obtenue à partir d’images de télédétection fournit des données précieuses pour de nombreuses applications telles que la modélisation de la croissance des cultures et la prévision du rendement. Dans le présent article, nous avons utilisé un classificateur de forêts aléatoires (FA) pour la classification des cultures à l’aide de l’imagerie multispectrale RapidEye sur deux sites d’étude, un dans le nord-est de la Chine et l’autre dans l’est de l’Ontario, au Canada. Les indices de végétation (IV) et les caractéristiques texturales ont été dérivés de l’imagerie RapidEye et utilisés pour la classification. Un total de 20 IV, classés en deux groupes avec et sans la bande en bordure rouge dans un indice, ont été calculés. En tout, huit types de caractéristiques texturales ont été dérivés à partir de quatre tailles de fenêtres différentes dans les bandes en bordure rouge et dans le proche infrarouge. Pour réduire les redondances parmi les IV et les caractéristiques texturales, nous avons sélectionné les caractéristiques au moyen d'une analyse en composantes principales, d'une analyse de corrélation et d'une analyse discriminante par étape. Les résultats ont montré que l’exactitude globale de la classification était améliorée d'environ 7 % lorsque les indices avec bande en bordure rouge étaient combinés avec les cinq bandes spectrales dans la classification, par comparaison à l’utilisation des cinq bandes seulement. Lorsque l’information sur la texture était incluse, l’exactitude globale de la classification augmentait d'environ 6 % par rapport à celle obtenue avec la seule réflectance de la bande. De plus, lorsque toutes les caractéristiques (réflectance de bande, IV et texture) étaient utilisées, l’exactitude globale de la classification augmentait d'environ 12 % par rapport à celle utilisant uniquement la réflectance de bande. Les mesures d’importance des forêts aléatoires ont montré que la réflectance en bordure rouge était importante pour la classification, comme l’indiquent l’importance élevée de l’indice de végétation triangulaire, de l’absorption de la chlorophylle transformée dans l’indice de réflectance et de l’indice de végétation par différence normalisée bande verte-en bordure rouge. La moyenne de la matrice de la cooccurrence des niveaux de gris est la plus utile pour la classification des caractéristiques texturales. L’étude fournit un moyen d’extraire et de sélectionner des caractéristiques pour la classification des cultures à partir de l’imagerie de télédétection.