Classification précise des types de cultures à l’aide de données optiques multitemporelles et de données SAR multipolarisées dans un cadre d’analyse orientée objet d’images

© Informa UK Limited, faisant affaire sous le nom de Taylor & Francis Group, 2017. La classification précise des types de cultures est une tâche difficile, principalement en raison des fortes variations spectrales à l’intérieur des classes de plantes cultivées durant la saison de croissance (développement phénologique) et, en second lieu, de la forte similarité spectrale des types de plantes cultivées entre les classes. À l’aide de données optiques multitemporelles et de données de radar à synthèse d’ouverture (SAR) multipolarisées, intrasaisonnières, cette étude présente une méthodologie combinée de classification d’images par objets et par pixels dans le but de classifier avec précision les types de cultures. En particulier, l’étude examine l’amélioration de la classification des types de cultures en utilisant le moins d’images multitemporelles RapidEye (RE) et de données Radarsat-2 (RS-2) multipolarisées dans un cadre d’analyse d’images par objets et par pixels. La méthode a été mise à l’essai dans une zone d’étude du Manitoba, au Canada, à l’aide de trois classificateurs, soit le classificateur classique par maximum de vraisemblance (ML), l’arbre de décision (DT) et la forêt d’arbres de décision ou forêt aléatoire (RF). En utilisant seulement deux images RE de juillet et d’août, la méthode proposée permet d’obtenir une précision globale d’environ 95 %, 78 % et 93 % pour les classificateurs ML, DT et RF, respectivement. De plus, l’utilisation de seulement deux images RS-2 quad-pol de juin et de septembre a permis d’obtenir une précision globale de 92 %, 75 % et 90 % pour les classificateurs ML, DT et RF, respectivement. Les meilleurs résultats de classification ont été obtenus par l’utilisation synergique de deux images RE et de deux images RS-2. Dans ce cas, la précision globale de la classification était de 97 % pour les classificateurs ML et RF. De plus, la précision moyenne de classification du producteur de 95 % et de 96 % a été atteinte par les classificateurs ML et RF, respectivement, tandis que la précision moyenne de classification de l’utilisateur était de 94 % pour les deux classificateurs. Les résultats révèlent des possibilités prometteuses pour la classification rapide et économique des types de cultures à l’échelle locale à l’aide d’un nombre limité d’images optiques et d’images SAR multipolarisées à haute résolution. Des résultats de classification très précis peuvent remplacer l’échantillonnage des champs agricoles à l’échelle locale. Le résultat de cette classification très précise à des endroits distincts (carrés d’environ 25 × 25 km) peut être appliqué dans le cadre d’une procédure distincte pour accroître la précision de l’estimation des superficies cultivées à l’échelle régionale ou provinciale en reliant ces résultats locaux très précis et spatialement discrets aux cartes complètes continues de classification des cultures.