Représentation à noyaux multiples et classification de séries chronologiques d’images satellitaires multivariées pour la cartographie des cultures
Citation
Niazmardi, S., Homayouni, S., Safari, A., Shang, J., McNairn, H. (2018). Multiple kernel representation and classification of multivariate satellite-image time-series for crop mapping. International Journal of Remote Sensing, [online] 39(1), 149-168. http://dx.doi.org/10.1080/01431161.2017.1381351
Résumé en langage clair
L’identification du type de culture à partir des données satellitaires nécessite l’utilisation d’une grande série de données chronologiques. Chaque ensemble de séries chronologiques d’images satellitaires multivariées contribue à différents niveaux de pertinence pour la classification. Pour réussir la classification, il est important d’extraire et de modéliser l’information la plus pertinente lorsqu’on utilise une série chronologique de données satellitaires. Dans le cadre de cette recherche, nous avons généré de multiples représentations de noyaux du système MSITS afin d’extraire l’information la plus significative pour la classification des cultures à partir d’une pile d’images satellitaires. Ces noyaux ont été générés en combinant les noyaux de base construits à partir de différents facteurs de variation à partir des séries chronologiques d’images satellitaires. Ces combinaisons ont été construites à l’aide d’algorithmes d’apprentissage à noyaux multiples. La performance des grains a été évaluée non seulement du point de vue de l’exactitude de leur classification, mais aussi de la pertinence de leurs grains pour la classification. Lorsque des représentations à noyaux multiples ont été utilisées pour classer les données optiques des satellites RapidEye, l’exactitude a augmenté jusqu’à 14 % par rapport aux résultats obtenus avec une classification à noyau unique.
Résumé
© 2017, © 2017 Informa UK Limited, opérant sous le nom de Taylor & Francis Group. Les séries chronologiques d’images satellitaires multivariées (MSITS) sont une source précieuse d’information pour une vaste gamme d’applications agricoles. La classification des images, l’une des principales applications de ce type de données, est une tâche difficile. Cela s’explique principalement par le fait que les systèmes MSITS sont générés par une interaction complexe entre plusieurs sources d’information, connues sous le nom de facteurs de variation. Ces facteurs contiennent des informations différentes avec différents niveaux de pertinence pour une tâche de classification. Ainsi, il faut une représentation adéquate des données du MSITS pour extraire et modéliser l’information la plus utile à partir de ces facteurs aux fins de classification. À cette fin, le présent article propose trois représentations à noyaux multiples des données du MSITS. Ces représentations permettent d’extraire le plus grand nombre d’informations liées à la classification de ces données en combinant les noyaux de base construits à partir de différents facteurs de variation des données du MSITS. Dans les représentations proposées, la combinaison des noyaux de base a été réalisée à l’aide d’algorithmes d’apprentissage à noyaux multiples. L’efficacité des représentations à noyaux multiples proposées a été évaluée en analysant à la fois la pertinence de leurs noyaux pour la tâche de classification et leurs performances de classification. Nous avons utilisé deux ensembles de données MSITS différents composés de 10 images RapidEye d’une zone agricole pour évaluer les performances des méthodes proposées. De plus, les résultats de la classification des deux MSITS à l’aide d’un seul noyau ont servi de référence pour la comparaison. Les résultats ont montré une augmentation allant jusqu’à 14 % de l’exactitude globale des cartes de classification en utilisant les représentations à noyaux multiples. De plus, ces représentations particulières pour la classification des séries chronologiques d’observations permettaient de gérer les effets indésirables des données d’images, comme la présence de nuages et de leurs ombres.