Accurate crop-type classification using multi-temporal optical and multi-polarization SAR data in an object-based image analysis framework
Notice bibliographique
Résumé
Accurate crop-type classification is a challenging task due, primarily, to the high within-class spectral variations of individual crops during the growing season (phenological development) and, second, to the high between-class spectral similarity of crop types. Utilizing within-season multi-temporal optical and multi-polarization synthetic aperture radar (SAR) data, this study introduces a combined object- and pixel-based image classification methodology for accurate crop-type classification. Particularly, the study investigates the improvement of crop-type classification by using the least number of multi-temporal RapidEye (RE) images and multi-polarization Radarsat-2 (RS-2) data utilized in an object- and pixel-based image analysis framework. The method was tested on a study area in Manitoba, Canada, using three different classifiers including the standard Maximum Likelihood (ML), Decision Tree (DT), and Random Forest (RF) classifiers. Using only two RE images of July and August, the proposed method results in overall accuracies (OAs) of about 95%, 78%, and 93% for the ML, DT, and RF classifiers, respectively. Moreover, the use of only two quad-pol images of RS-2 of June and September resulted in OAs of 92%, 75%, and 90% for the ML, DT, and RF classifiers, respectively. The best classification results were achieved by the synergistic use of two RE and two RS-2 images. In this case, the overall classification accuracies were 97% for both ML and RF classifiers. In addition, the average producer’s accuracies of 95% and 96% were achieved by the ML and RF classifiers, respectively, whereas the average user accuracy was 94% for both classifiers. The results indicated promising potentials for rapid and cost-effective local-scale crop-type classification using a limited number of high-resolution optical and multi-polarization SAR images. Very accurate classification results can be considered as a replacement for sampling the agricultural fields at the local scale. The result of this very accurate classification at discrete locations (approximately 25 × 25 km frames) can be applied in a separate procedure to increase the accuracy of crop area estimation at the regional to provincial scale by linking these local very accurate spatially discrete results to national wall-to-wall continuous crop classification maps.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».