基于机器学习的分类对于作物类型映射使用高分辨率卫星图像的融合在半干旱地区

文摘

种植作物的监测以及不同土地覆盖类型是农业用地的相关环境和经济问题管理和作物产量预测。在这种背景下,本文旨在利用和评价多传感器基于机器学习的分类器分类的贡献在摩洛哥的半干旱地区作物类型识别。这是一个非常异构区表现为混合作物(树作物年度作物,同样在同一作物不同物候州农业季节,轮作,等等)。因此,这样的异质性使得作物类型歧视更加复杂。为了克服这些挑战,目前的工作是这一领域的首次研究,利用高时空分辨率的融合Sentinel-1和Sentinel-2卫星图像为土地利用和土地覆盖映射。三个机器学习分类器算法、人工神经网络(ANN)、支持向量机(SVM)和最大似然(ML),用于识别和地图在灌溉周边作物类型。原位观察的2018年,R3的周长Haouz摩洛哥中部平原,同年被使用卫星数据来执行这项工作。结果表明,结合图像获得c波段和光学范围明显改善作物类型分类性能(总体精度= 89%;k = 0.85)相比,光学或SAR数据的分类结果。

1。介绍

准确和详细的知识的土地覆盖/土地利用(LC /逻辑单元)是一个关键问题的研究工作和许多操作应用程序等农业作物需水量,作物产量预测,等。遥感图像的可用性,提供了访问一组大的地区,是一个主要的资产复杂LC /逻辑单元的地图。远程传感器操作各种基本物理原理,记录地球表面的电磁特性(即。,the energy reflected (optical sensors), emitted (passive infrared or microwave thermal sensors), or diffused (active radar sensors)) and, therefore, provide a variety of information on the properties of land cover [1]。光学遥感的使用LC /逻辑单元映射是良好的,可以认为是有效的,但它表现出一些缺点,适用于大型复杂的土地覆盖的地区,或云层是频繁的2- - - - - -5]。另一方面,利用SAR数据的作物类型歧视仍面临着许多挑战,尤其是它的识别精度不够高(6,7]。但它已被证明可以提供改善分类质量当结合光学数据(8- - - - - -10]。为了实现这些改进和更好地识别土地覆盖类型,结合从远程传感器获得的数据依赖不同的物理基础,从而在表面提供协同信息属性,导致一个有前途的方法(11- - - - - -13免费),特别是最近的图像数据集(光学和雷达图像的哨兵卫星传感器)(14),提供高光谱分辨率数据融合的可能性,补偿的极限使用独特的数据产品。如今,研究支持的假设这两种类型的数据的互补性是能够提供改进的LC /逻辑单元的信息应用程序。例如,假设光学能源反映植被取决于叶的结构,色素和湿度,而微波能量分散植被取决于大小,密度,方向,和元素的介电性能与雷达的波长大小(15]。这一假设的基础上,本研究的目的是评估使用SAR数据的有效性,另一方面结合的两种类型的遥感数据,另一方面,地图和识别作物类型。

工作开始测试网站和卫星数据的描述和详细的方法获得。20 Sentinel-2 (S2)光学图像和12 Sentinel-1 (S1) SAR图像被下载。此外,现场数据集从一个字段,并配以收购谷歌地球的数据平台。毫升的应用程序的方法包括,支持向量机,和安Sentinel-2产品的机器学习算法的分类,Sentinel-1产品和组合产品的两个传感器。结果的定量评价是由整体精度(OA)和Kappa系数(K)通过建设每个分类混淆矩阵的图像,而图像的品质比较直观。

此外,这些结果是紧随其后的是比较的性能分类利用光学成像、SAR图像和数据集的两者的结合和讨论,以评估使用雷达数据的性能LC /逻辑单元的生产可靠的土壤的地图,并证明协同,提高分类精度的可能性使用和从多传感器获得的数据的融合。最后,本文以主要结论和观点从该研究中提取。

2。材料和方法

2.1。测试网站

Haouz的平原是一个巨大的平原6000公里²的表面延伸的长度约150公里的地区从东到西Marrakech-Safi位于中央摩洛哥和包括Haut-Atlas的一部分。这是一个以农村为主的农业部门中扮演一个重要的角色在经济结构的形成,其中大约3100公里²代表了一种灌溉面积。Haouz平原的半干旱大陆性气候特点是平均年降雨量为250毫米,在夏季高温(37.7°C平均最大)和较低的冬天(4.9°C的平均最低)(16]。该地区主要的农业生产仍与2011 - 2012年近560万公担谷物,或平均产量为每公顷6.2公担17]。

在这项工作中,我们感兴趣的是左边灌溉领域的一部分,在Haouz平原R3周边和位于Sidi刺鼻地区以东约40公里的城市马拉喀什(图1)。这是一个部门由重力灌溉。它分为情节(几块形成块)不同的大小。大多数的土地用于生产谷物(2012年46%的受访地区),其次是树园艺作物(主要是橄榄和橙色)和市场。重要组成部分,一个季度一年取决于,是否离开休耕栽培。谷物播种在11月和1月,3月下旬达到它的最大发展,是初夏收获。这个网站的特点(没有救济、常规和大型情节)使它成为一个享有特权的研究区域的贡献评价卫星数据变化信息提取的类。为此,R3网站近年来一直深入调查(现在仍然是)(5,16,18]。

不同作物的周长R3被数字化,利用ArcGIS软件分成小块。这些情节这样描述每个作物分别以确定光谱响应和雷达信号响应在相同的情节。总共有506块记录,不同地区从0.05到5公顷。我们使用非常高的空间分辨率图像,更新2018年和谷歌地球提供的档案。图2显示区域的划分成506块。

2.2。现场数据

字段数据用于提取档案,校准或火车分类算法,并验证结果(图像分类的精度评估)。样本提取字段竞选期间自2018年4月1日起施行,并辅以样本提取利用高空间分辨率图像的档案(现货)在谷歌地球上平台。调查情节伴随着详细描述土地覆盖类型和提供信息分为两类,即标定样本和验证样本。图3调查说明了空间分布的情节(校准和验证)。土地覆盖类型分为六大类,是研究区域丰富的选择。此类型包含橘子树、橄榄树、谷物、双裁剪(冬天麦片+夏季作物),土地休耕,裸露的土壤。

2.3。遥感数据

光学和SAR图像被用于这项工作从两个传感器获得Sentinel-2 Sentinel-1,分别。这两个传感器的选择主要是因为这些产品的可用性和成本,以及高空间、光谱、时间分辨率他们提供。

2.3.1。Sentinel-2图片

ESA (https://sentinel.esa.int/web/sentinel/home)生产和分发ortho-rectified Sentinel-2数据表示反射上方的大气中,1 c水平。忒伊亚(19生产和分配二级数据,修正大气影响使用MAJA软件开发由于CNES和CESBIO之间的协调20.- - - - - -22]。这个处理链使用多瞬时信息探测云层和阴影,估计气溶胶的光学厚度和水蒸气的数量,和正确的大气的影响。数据从忒伊亚官方网站免费下载,http://www.theia-land.fr/。MAJA链是一个大气校正和云检测系统。它可以适应时间序列的高分辨率图像在恒定或几乎恒定的视角。它可以处理数据从陆地和Sentinel-2卫星。

(1)数据处理。S2图像处理获得产品基于植被指数称为NDVI(归一化植被指数的区别)。这个索引,塔克在1979年提出的23),目前使用最广泛的遥感植被指数和显示的重要性和植被遥感图像上的统治地位。转换图像的归一化植被指数进行了整个20图片,为了提取的物候进化类,因为它可以模仿的归一化植被指数资料。归一化植被指数计算归一化差异的近红外(NIR)和红色(R)乐队的S2图像按照下列公式:

(2)获得的场景。S2图像用于本研究。所有可用的大气纠正和万里无云的S2图像,从2018年1月1日起至12月31日止,已经从忒伊亚土地下载服务网站。这些图像导致20图片覆盖,分布在整个2018年四季(每月2图像),用于监控的物候演化的不同类别选择R3测试网站。

2.3.2。Sentinel-1图片

微波天线发出的信号是对特定地区地球表面的合成孔径雷达(SAR)成像。测量微波能量反射回宇宙飞船。SAR图像使用雷达创建的概念,利用背散射信号的时间延迟来创建一个图像。SAR图像中的每个像素的强度反映了从地面微波背散射区域的比例。反向散射系数是一个物理量,范围从+ 5 dB很轻对象−40 dB非常黑暗的表面,值从+ 5 dB−40 dB非常聪明的对象非常黑暗的表面。

Sentinel-1是合成孔径雷达(SAR)提供连续全天候的使命,白天和晚上的图像在四个c波段成像模式(西弗吉尼亚州电子战、信息战、SM)与不同空间分辨率(10年,20年,60米)和保险。这个任务是基于两个相同的卫星星座,Sentinel-1A Sentinel-1B,分别推出了。

2.3.3。数据处理

(1)散斑噪声去除过滤。与光学图像不同,SAR数据是由连贯的交互微波传播的目标。因此,它受到散斑噪声的影响,来自相干信号的求和分散从地面散射分布式随机像素内。SAR图像出现视觉上比一个光学噪声。因此,散斑噪声去除过滤器之前显示和进一步分析是必要的。

减少了S1的散斑噪声图像,增强李过滤器(24)是应用。在文献中,有一个大家庭的过滤器(25- - - - - -27];因此,增强李过滤器是一种高效过滤器用于SAR图像中特定区域高度的异质性(28]。这个过滤器广泛用于遥感应用程序(29日,30.]。增强李过滤器,实现软件的环境用于作物分类,应用在不同的窗口的软件和实现最好的斑点噪声滤波窗口的55 (31日,32]。

解释和分析SAR图像,另一个处理应用反向散射系数值。因此,过滤图像变成了分贝(dB)。这种转换是通过以下公式: 在哪里每个像素的值。

(2)结构特性。图像的纹理是一个本地空间属性。由于SAR的敏感性后向散射的同质性、定位、空间关系,和类型的对象,这种意象代表某些纹理特征(33]。因此,在使用SAR数据纹理分析是非常重要的。

纹理分析是主要基于纹理特征的计算从一个图像。这些特性决定的统计分布特性为某社区(图像光谱基调34,35]。纹理分析统计分为一阶、二阶和高阶统计数据。应用灰度共生矩阵建立灰度共生矩阵法()的方法计算二阶统计纹理特征。

应用灰度共生矩阵建立纹理分析提供了重要的和可靠的信息对图像像素的空间关系(36]。应用灰度共生矩阵建立在一般情况下,估计像素值的概率(在windows移动)发生在一个给定的方向,在一定距离的图像(37]。有许多应用灰度共生矩阵建立纹理特征计算(38),三是计算在这项研究中,即均值,方差,相关(表1)。

应用灰度共生矩阵建立三个S2派生功能与移动计算窗口大小的5×5,四面八方,基于该方法38]。应用灰度共生矩阵建立这些数据应用并行VV极化和VH交叉极化的前哨工具箱软件称为吸附(前哨应用平台)。

是一个规范化的灰色基调空间相关性矩阵,这样吗 ;我和j分别代表的行和列的意思是,方差和相关措施;μ是均值方差纹理测量;和N是不同的灰色的数量水平量化图像;( ),和( )的均值和标准差是吗和 ,分别对纹理的相关性测量(39]。

(3)获得的场景。一个自动处理链生成一天系列产品和“现成的”时间大量的应用程序。Sentinel-1数据ortho-rectified Sentinel-2电网促进这两个任务的联合使用。这个产品,命名为“S1Tiling”了在太空雷达服务,与CESBIO合作,生成校准,ortho-rectified很快过滤Sentinel-1时间序列图像在任何地球的陆地区域。它是基于雷达图像的影像校正应用Orfeo工具箱。获得的图像重叠在Sentinel-2光学图像,当他们使用相同的地理参考系。我们可以因此获得Sentinel-1 Sentinel-2瓦片数据获得。

每月一个SAR图像下载按照重要日期的营养周期研究区域的作物。本研究获得了12 SAR图像。这些图片已经被选择以这样的方式,获得不超过2天的日期之前或之后收购的光学图像。图4显示了时间分布的收购日期S2和S1图片下载。

3所示。方法

这项工作中使用的方法论的方法包括四个主要步骤:(1)数据采集(2)数据准备和预处理(3)提取和分析资料(NDVI、VV VH, VV / VH)和分类(4)评估结果由混淆矩阵(OA和K)

图5说明了刚才提到的不同的步骤序列。以来我们已经提出了前两个步骤在前面的部分中,我们将随后详细3日和4日的步骤。

3.1。颞光学归一化植被指数和特别行政区后向散射概要提取

每个选择的类,归一化植被指数,VV, VH,和VV / VH概要文件创建,为了研究可能的混淆或预期这些不同种类之间的可分性,并且能够分析和解释的分类结果。归一化植被指数的时间演化资料允许土地覆盖类型的动态的造型,特别是作物类型的物候进化类,这使得他们相对可判断的。另一方面,植物类的雷达资料更为复杂,反映了背散射信号的比例的演变,主要影响表面粗糙度的树冠以及其含水量。数据6和7分别显示每个选择的类,归一化植被指数的时间演化,背散射信号的c波段(VV, VH, VV / VH偏振)。

3.2。基于机器学习的分类

分类是使用三个监督机器学习算法实现执行的环境,即最大似然(ML),支持向量机(SVM)和神经网络(ANN)。毫升分类器。监督分类技术,依赖于统计类的签名直接从卫星图像中提取或代表不同的土地覆盖类型的训练样本的基础上选择地面真理领域活动中收集的数据(5,40]。毫升是一个基于像素算法,基于多变量概率密度函数的类(41]。一个像素的可能性是属于每个类计算。然后,这个像素是影响到一个类拥有最高的像素归属概率。多层陶瓷是一种最常用的监督分类方法在遥感获取土地利用/覆盖地图(3,42- - - - - -44]。支持向量机分类器。支持向量机(SVM)是一种最实用的机器学习算法。它是基于统计学习理论和一直在广泛利用LC /逻辑单元映射和作物遥感分类(44]。支持向量机方法的主要优点是能够将高维数据与小训练样本集(45]。SVM与像素的边界考虑类命名的支持向量(46,47]。复杂的数据,使用线性仿真是不可分割的,最优超平面分离不同的类通过非线性映射函数,称为内核函数,可以定义。几个内核函数可以使用支持向量机分类器。然而只有四个线性、多项式、径向基函数(RBF)和乙状结肠内核一直常用的卫星数据进行分类(48]。RBF内核用于本研究。安分类器。安分类器最初创建的,作为一个数学模型,进行数据分析和模式识别,以模拟分析操作和存储人类大脑的神经。这是并行计算系统由大量的基本处理器互连(49]。安是广泛采用LC /逻辑单元映射(机器学习技术44,50,51]。它有能力从训练样本学习和存储每个输入变量的模式在目前的研究(土地覆盖类)。培训步骤后,新数据(卫星图像的像素)介绍了ANN分类器;从这个数据和分类识别模式。

在目前的研究中,我们限制自己监督方法的使用,因为这些技术通常提供更好的结果在生产的LC /逻辑单元的地图。首先,我们开始分类归一化植被指数的时间序列,VV, VH, VV / VH。然后结合这两个传感器的数据来探索不同的可能场景。表2描述了这些场景中遵循的顺序分类的步骤。

3.3。精度评估

分类结果的评估可以通过比较图像或定性定量测量的准确性LC /逻辑单元分类混淆矩阵等使用统计工具和k指数(52,53]。混淆矩阵计算揭示的不仅是一般的错误在每个类的水平在解释研究结果时还是劝告,而且错误由于混淆LC /逻辑单元类(54,55]。

总体精度(OA)的分类,作为评价指标之一,是由平均正确分类的百分比像素以下方程: 在哪里是对角像素的数量(正确分类)和N是像素的总数。

第二个指标是评估Kappa系数(K),这是由公式计算以下方程: 在哪里是获得办公自动化或实际比例的土地覆盖分类和的概率是获得正确的分类。

3.4。Postclassification

分类过程后,分类包括SAR图像乐队显示清晰度。因此大多数过滤器应用平滑图像。它是一个逻辑滤波器应用于图像分类。在这个过程中,像素的数量分配给每个类如果计算中心像素不是多数类的成员(包括3、5或更多的像素根据考虑窗口),绝大多数是由于标签类。这些过滤器是为了顺利使用分类图像像素的数量分配给每个类的统计,如果中心像素不是多数类的成员(包含5个或更多窗口内的像素),这是考虑到大多数类的标签。这个算法的效果是光滑的分类图像中淘汰孤立像素,这最初给定的标签是不同的标签分配给周围的像素(56]。

4所示。结果与讨论

4.1。时序分析的概要文件

以下4.4.1。归一化植被指数资料

NDVI植被指数提供了信息的重要性或植被的主导地位;它允许不同的作物的物候阶段的造型。年度作物,例如,在赛季开始时开始增加的速率NDVI值大于之前的连续观测期间植被的生长。本赛季结束后被定义为在成熟期间的时间当在归一化植被指数有明显降低。一般来说,它对应于活动期间叶绿素逐渐减少(27]。这些演进图中可以看到6图B, C,和F为谷物,双种植和休耕。这些作物的归一化植被指数谱资料反映了他们的季节性。的振幅图成为植被发展的重要时期。

小麦和大麦(分组在谷物类,因为他们的高物候相似)是生长在12月初,达到最大限度的开发在3月底,并在5月中旬收获,不晚于6月初(图B)。同样的描述仍然有效的休闲类(图F),因为这自然植被受益冬雨和三月同期增长。双种植类的时间剖面(图C),这是联盟两种作物的概要:谷物和蔬菜作物或玉米。

橙色和橄榄属于多年生作物,然而我们分开他们。这些类的NDVI值通常是全年超过0.3(图6、图形和D)。减少NDVI值树作物在夏天是由于水分胁迫造成水资源短缺和增加温度在此期间,除了有时由于叶损失。裸露的土壤类是相对容易发现由于缺乏植被导致NDVI值不超过0.20(图6图E)。

4.1.2。VV, VH, VV / VH概要文件

资料图7说明了强度演化(SAR反向散射系数用分贝表示VV, VH,和VV / VH偏振),6选择的封面,橙色,橄榄,麦片,双种植,土地休耕,裸露的土壤。与归一化植被指数资料、雷达资料更复杂的解释。

注意到的第一件事是,研究类,在平行VV极化强度的值(7 dB和−−12 dB)之间的值都高于交叉极化VH (−12 dB和−20 dB)之间的值,而强度值的VV / VH比率是积极的(4 dB和10 dB)之间的不同。尤其是双种植类,VH和VV / VH信号显示最显著的季节性的整个周期与振幅3 dB和5 dB的顺序,分别与更多的VH极化与NDVI叶活动阶段的时期。这可能是在原点的双重文化类的区别。

树的作物,橘子类显示“普雷斯克”一个稳定值的VV / VH信号细微变化,主要是在5月,8月和11月。类似的振幅的变化在同一时期也被记录为VV和VH信号(最小值之间的不同11和马克斯−−8分贝VV信号,和−−16分钟之间和max 14 VH信号)。橄榄NDVI剖面相比,SAR回波信号的变化是相同的几个月当NDVI值减少。可以解释这一转变温度的增加土壤湿度有直接关系。第二作物树,橘子类,呈现显著下降,VV / VH比率值,期间2月和5月之间(不同之间最小的4 dB和最大的9 dB),而VV和VH信号显示变化可以忽略不计。

谷物(大麦和小麦)、大麦和小麦更多余的年度作物研究地区。这两种作物物候学和植物结构相似;因此,我们认为他们是相同的作物类,即麦片。对于这门课,VV和VH信号代表双种植特别是在春天和夏天一样变化(从1月至7月)。这些变化可以反映谷物在此期间的高叶活性与NDVI值。在今年剩下的时间里,一些变化观察过11月和12月由于降雨。谷物的VV / VH信号,没有明显的变化都被记录下来。最后,与休闲和裸露的土壤的归一化植被指数资料,后向散射信号的值是有区别的。表3总结了范围和振幅的信号对所有的所有类。

4.2。LC /逻辑单元分类结果

这部分是关于分类算法的性能评估,应用于作物类型歧视R3周长,Sentinel-1和Sentinel-2时间序列的数据。定量的结果,使用性能指标(OA,K),提出了,其次是定性结果(视觉分析的总体质量分类图像)。

4.2.1。准备定量结果

首先,结果对应的初始场景noncombined哨兵产品介绍,其次是对这些场景分类图像。然后,我们研究了分类结果结合S1和S2的产品数据。最后,我们分析这些结果通过突出场景导致更好的OA和K指数。第一组(noncombined产品)的结果在表组合在一起4。

产品分类的结果从每个S1和S2的两个传感器确认光学数据的优越性和SVM算法的LC /逻辑单元的分类和性能,分别,尤其是我们高估了ML和ANN算法的问题,即使后者是其中一个最强大的机器学习分类器。由此产生的OA的归一化植被指数时间序列分类是85.83% (K= 0.81),而最好的OA的价值观得到分类的时间序列2的场景(VH)和(VV, VH, VV / VH)。这些OA等于75.43% (K= 0.67)和75.42% (K分别为= 0.67)。我们注意到的VV / VH乐队没有提供改善VV VH,虽然结构特征提高了分类的包含高达76.72% (K= 0.68)。

考虑到SAR传感器不是主要用于LC /逻辑单元映射,雷达产品的分类提出了可接受的结果尽管不如那些得到的归一化植被指数(光学数据)。Kappa指数在0.61和0.80之间表示“强烈协议”根据兰迪斯和科赫,197728]。结果第二组(结合光学和SAR产品)展示在表5。

S1和S2结合产品的分类结果显示略有增加(大约2%)最高规格的场景12(归一化植被指数;VV), 13 (NDVI;14 (VH)和归一化植被指数;VH;纹理)。另一方面,有一个轻微的降低与同样的速度。至于第一组,有些场景是高估了ML和安的机器学习算法。

4.2.2。定性结果

为了直观地比较分类图像的质量,然后呈现在图8图像从场景中获得了较高的精度。我们注意到一些差异S1和S2的分类产品。事实上,我们首先观察到的不一致与橄榄树和休闲类分类。此外,SAR图像分类的质量低于分类与归一化植被指数图像的清晰度虽然散斑的效果是减少在应用噪声去除过滤器。合并后的产品导致非常锐利的图像,这是由于光学数据的互补的贡献。孤立像素均匀块的存在对整个地区造成的“噪声”外观分类SAR的产品。因此,我们试图提高这些图像的质量,通过应用后处理结果的准确性由平滑分类包含SAR的产品。

4.2.3。Postclassification:平滑

当场景包含SAR产品的分类,我们注意到在缺乏清晰度的图像分类的定义块;图片看起来“吵了。“我们将对这些图像平滑,通过环境的命令称为“多数或少数分析。“这个命令过滤图像代替一个窗口的中心像素的值的大小n×n(我们必须定义n)的大部分价值位于这个窗口。为了避免“oversmoothing”,我们选择一个窗口大小为3×3。我们现在在图9分类的一个例子SAR图像平滑前后。视觉上,质量得到了改善,这产品,源自S1数据,看起来更像分类图像的归一化植被指数时间序列。

这个过程是应用于场景包含SAR的产品和最好的结果。表6显示这些场景的整体精度和k指数应用平滑之前和之后。

为了更好地可视化这些改进,图10展示了进化和美洲国家组织平滑后的值的增加。

图11说明了平滑图像来源于纯粹的场景的SAR产品表6。

图12说明了最好的三个主题产品系列,即(1)作物类型从NDVI时间序列图,(2)作物类型从SAR时间序列映射(VV, VH, VV / VH和纹理)平滑,和(3)作物类型地图结合光学和SAR数据(归一化植被指数、VH和纹理)。

5。讨论

一般来说,归一化植被指数资料模型的物候行为类,VV相比,VH, VV / VH概要文件,他们表现出极大的类可分性,促进他们的歧视在应用分类算法。使用混淆矩阵量化结果的可分性是翻译的偏差总体精度和k指数发现,约有85% (K= 0.81)和77%左右(K= 0.69)OA的归一化植被指数的分类(光学数据)和联合的产物,VH,纹理(最好的情况纯粹的SAR数据)。产品集成的两个传感器S1和S2略微增加精度相比,使用的数据来自S2只有约2%(最大值)。

的目视判读的结果表明,分类质量多波段图像包含S1数据仍然是“嘈杂”,尽管这些图像在分类之前被过滤。为了进一步提高分类性能,我们使用post-classified产品平滑技术。有效地改善结果和分类的数据来源于S1只有达到了非凡的OA的81.12% (K= 0.75)最好的场景(VV, VH, VV / VH)。平滑也导致分类精度的提高产品(S1和S2)相结合,增加约3%,达到最好的精度超过20场景覆盖总共价值大约89%的OA (K= 0.85)。

6。结论

LC /逻辑单元映射、土地管理的必要工具的理解,分析和监测土地覆盖动态为了更好地利用土地。此外,高时空分辨率卫星数据的可用性,已覆盖表面的优势在所有尺度(本地、地区和大陆),提供了进行这种映射的可能性。使用光学遥感包括辐射指数,结合SAR遥感图像的结构特征,是公认的意思是提高分类性能(39,57- - - - - -61年]。本研究的目的是确定和地图的不同作物类型灌溉R3周边使用高分辨率卫星图像多日S1和S2的2018年。R3部门以半干旱气候坐落在城市的Sidi-Rehhal马拉喀什城东南约40公里。

归一化植被指数时间序列的分类导致了约86%的OA (K= 0.81),最好的结果是发现了S1和S2的集成产品,特别是通过使用归一化植被指数结合VH交叉极化和结构特征(OA = 87%,K= 0.82之前平滑和OA = 89%,K平滑后= 0.85)。我们注意到,一般来说,并行VV极化改善准确性非常小,而派生的VV / VH乐队几乎影响分类的质量。所有S1的集成产品(VV, VH, VV / VH,结构特征)和归一化植被指数系列导致OA和K系数下降。最糟糕的结果是发现S1产品分类,OA不超过,最好的情况下,77% (K= 0.65)。的目视判读的结果表明,分类质量结合图像包含SAR数据仍然是“嘈杂”,尽管这些图像在分类之前被过滤。为了进一步提高精度,我们使用post-classified产品平滑技术。有效地改善结果和分类的数据来源于S1只有达到相当OA的81.12% (K= 75)最好的场景(VV, VH, VV / VH)。平滑也导致分类精度的提高产品(S1和S2)相结合,增加约3%,达到最好的OA共有63个分类,这是价值约89% (K= 0.85)。

与文献结果在很大程度上是在协议。对我们最好的分类,它可以表示,一方面,S1和S2的集成提高了分类的精度和质量相比单一S1和S2的使用。另一方面,结果发现用S1产品只有持有承诺使用雷达数据为地面映射代替光学数据。

角度来看,有必要测试S1和S2的协同使用传感器来映射一个更大的区域(例如,Haouz平原)。我们可以期望性能下降,导致混乱由于维数和多样性的土地覆盖类型。要克服这一点,我们可以考虑扩大数据库,使用高分辨率图像处理技术检测的橙色和橄榄树以及深入工作的平滑和参数化配置文件。

数据可用性

哨兵》1,哨兵2获得了研究区,用于目前的工作。哨兵量2图像可以从忒伊亚CNES网站下载:https://theia.cnes.fr/。哨兵量1数据可以从锐气CNES网站下载:https://peps.cnes.fr/。SAR图像预处理使用哨兵软件应用平台(吸附)和环境

的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。

引用

1. n .乔希·m·鲍曼A Ehammer et al .,“回顾光学和雷达遥感数据融合的应用到土地利用的映射和监控,“遥感,8卷,不。1,p。70年,2016。视图:出版商的网站|谷歌学术搜索
2. k . h .黄平君”Cartographie de l 'occupation嘟索尔嘟港池山坡de la河标出越南)盟是平均d形象optique等SAR en支持洛杉矶modelisation hydrologique,“魁北克大学,研究所国家de la任职,魁北克,加拿大,2014年,博士论文。视图:谷歌学术搜索
3. a . Moumni b . e . Sebbar诉Simonneaux et al .,“样本时期依赖分类制图方法的作物Haouz平原,摩洛哥,”遥感在农业、生态系统和水文第二十一章卷,11149篇文章ID 1114909, 2019。视图:谷歌学术搜索
4. a . Moumni b . e . Sebbar诉Simonneaux et al .,“评价Sen2agri系统在半干旱的条件:一个案例研究的Haouz在摩洛哥、中部平原”进行2020年的地中海和中东地球科学和遥感研讨会(M2GARSS)IEEE,页343 - 346年,突尼斯,突尼斯,2020年5月。视图:谷歌学术搜索
5. b . Sebbar a Moumni, a . Lahrouni“决策树模型对土地覆盖映射和基于物候变化检测的行为。应用案例:本地化non-fully-exploited农业表面Haouz平原东部的摩洛哥中部半干旱”ISPRS -国际档案的摄影测量、遥感和空间信息科学赛事卷,第373 - 365页,2020年。视图:出版商的网站|谷歌学术搜索
6. z太阳、d . Wang和g .钟”的作物使用卫星极化SAR图像分类”2018年第七届国际会议上进行Agro-Geoinformatics (Agro-Geoinformatics)IEEE,页1 - 5,杭州,中国,2018年8月。视图:谷歌学术搜索
7. C.-a。刘,Z.-x。陈,y邵,js。陈,t . Hasi H.-z。锅,“特区农业遥感应用研究进展:复习一下,”综合农业杂志,18卷,不。3、506 - 525年,2019页。视图:出版商的网站|谷歌学术搜索
8. c . m . Sicre r . Fieuzal, f . Baup”贡献的多光谱(光学和雷达)卫星图像的分类农业表面,”国际期刊《应用地球观测和地质信息文章ID 101972卷,84年,2020年。视图:谷歌学术搜索
9. w·Masiza j·g . Chirima h . Hamandawana和r·皮莱”增强映射的一个小农种植业景观通过图像融合和模型叠加,”国际遥感杂志》上第41卷。。22日,第8756 - 8739页,2020年。视图:出版商的网站|谷歌学术搜索
10. k . Van Tricht a . Gobin s gilliam。皮卡德,“协同使用雷达Sentinel-1和光学Sentinel-2作物映射的图像:一个案例研究为比利时、”遥感,10卷,不。10,1642年,页2018。视图:出版商的网站|谷歌学术搜索
11. 萨利希,b . Daneshfar, a . m . Davidson”准确的作物类型分类使用时段遥测光学和多极化SAR数据在基于对象的图像分析框架中,“国际遥感杂志》上,38卷,不。14日,第4155 - 4130页,2017年。视图:出版商的网站|谷歌学术搜索
12. n . Kussul l·尼古拉a Shelestov, s。斯克坤”作物库存在乌克兰:区域范围内发展的季节,年底一季作物与时段遥测光学和SAR卫星影像地图,”欧洲遥感杂志》上,51卷,不。1,第636 - 627页,2018。视图:出版商的网站|谷歌学术搜索
13. y . j . e . Gbodjo d . Ienco l . Leroux r . Interdonato r·盖太诺和b . Ndao“基于对象的时段遥测和多源土地覆盖映射利用层次类关系,“遥感,12卷,不。17日,第2814页,2020年。视图:出版商的网站|谷歌学术搜索
14. z Malenovsky h . Rott j . Cihlar et al .,”哨兵科学:Sentinel-1的潜力,2和3任务科学观测的海洋,冰冻圈,和土地,”环境遥感卷,120年,第101 - 91页,2012年。视图:出版商的网站|谷歌学术搜索
15. f . Tupin的光学和SAR图像融合雷达遥感的城市地区施普林格,多德雷赫特,荷兰,2010年。
16. a .迪亚拉l . Jarlan s Er-Raki et al .,“两个源能源预算的性能监测(TSEB)模型在北非,每年灌溉作物蒸发蒸腾”农业水管理卷,193年,第88 - 71页,2017年。视图:出版商的网站|谷歌学术搜索
17. s . Khabba l . Jarlan s Er-Raki et al .,“SudMed项目和联合国际实验室TREMA:十年的水转移研究soil-plant-atmosphere系统在半干旱地区灌溉作物,”Procedia环境科学,19卷,第533 - 524页,2013年。视图:出版商的网站|谷歌学术搜索
18. s . Belaqziz s Khabba s Er-Raki et al .,Caracterisation de la分布des春小麦par l 'utilisation de la teledetection倒les reseaux d 'irrigation gravitaire非洲环境遥感协会,约翰内斯堡,南非,2013年。
19. n .巴格达迪·m·勒罗伊,p . Maurel et al .,“忒伊亚土地数据中心”《遥感数据基础设施(RSDI)国际研讨会2015年,La grande丛林,法国,Octobre。视图:谷歌学术搜索
20. o . Hagolle g . Dedieu b . Mougenot诉Debaecker, b .饲料和a . Meygret”修正气溶胶的影响时段遥测图像获得恒定的视角:应用Formosat-2图像,”环境遥感,卷112,不。4、1689 - 1701年,2008页。视图:出版商的网站|谷歌学术搜索
21. o . Hagolle m . Huc d . v . Pascual和g . Dedieu时段遥测方法对于云检测,应用于FORMOSAT-2, VENμ年代,陆地卫星和SENTINEL-2图像。”环境遥感,卷114,不。8,1747 - 1755年,2010页。视图:出版商的网站|谷歌学术搜索
22. o . Hagolle m . Huc d·维拉Pascual和g . Dedieu时段遥测和多光谱方法来估计气溶胶光学厚度在土地、大气校正FormoSat-2,陆地卫星,VENμ年代和sentinel-2图像”,遥感,7卷,不。3,第2691 - 2668页,2015。视图:出版商的网站|谷歌学术搜索
23. c·j·塔克,”红色和红外摄影监测植被,线性组合”环境遥感,8卷,不。2、127 - 150年,1979页。视图:出版商的网站|谷歌学术搜索
24. j·朱,j .温家宝,y,“一种新的算法对SAR图像Lee滤波和中值滤波去除杂点使用一个增强”美国国会2013年6日国际上图像和信号处理(对),1卷,页224 - 228,IEEE, Zhenming元,中国,2013年12月。视图:谷歌学术搜索
25. c . Danilla c . Persello诉Tolpekin et al .,“分类多瞬时SAR图像,采用卷积神经网络和马尔可夫随机域”2017年IEEE国际地球科学和遥感学报》研讨会(雪茄烟)IEEE,页2231 - 2234年,价值,TX,美国,2017年7月。视图:谷歌学术搜索
26. x唐、张l . x叮,“SAR图像与多层感知器神经网络去除杂点,”国际数字地球杂志》上,12卷,不。3、354 - 374年,2019页。视图:出版商的网站|谷歌学术搜索
27. h . g .汉和m·j·李”分类的方法通过消除斑点噪声Sentinel-1陆地和海洋区域,”沿海研究期刊》的研究,卷102,不。1,33-38,2020页。视图:出版商的网站|谷歌学术搜索
28. d·哈札里卡、v . k . Nath和m . Bhuyan”搭李变换域增强滤波器与边缘检测对SAR图像中的散斑噪声降低,”学报2015年IEEE 2日最近的趋势在国际会议上信息系统(reti)IEEE,页243 - 248年,加尔各答,印度,2015年7月。视图:谷歌学术搜索
29. 美国Kharbouche和d . Clavet半自动提取的工具严禁在SAR图像特性,”遥感信,4卷,不。4、381 - 390年,2013页。视图:出版商的网站|谷歌学术搜索
30. m·阿玛尼b·萨利希和b . Brisco s Mahdavi“分离性分析湿地在加拿大使用多源SAR数据,”GIScience &遥感卷,56号8,1233 - 1260年,2019页。视图:出版商的网站|谷歌学术搜索
31. a . Gaber m·科赫和f . el - baz,”结构和成分特征wadi feiran存款,西奈半岛,埃及,使用radarsat-1 PALSAR, SRTM和ETM +数据”遥感,卷2,不。1、52 - 75年,2010页。视图:谷歌学术搜索
32. s . m . Abuzied“地下水潜力区评估Wadi Watir都地区,埃及使用雷达数据和GIS,”阿拉伯地球科学杂志》,9卷,不。7,页1 - 2016。视图:出版商的网站|谷歌学术搜索
33. y曾庆红,j . Zhang j·l·范·Genderen y张,“土地覆盖变化检测、图像融合”国际期刊的图像和数据融合,1卷,不。2、193 - 215年,2010页。视图:出版商的网站|谷歌学术搜索
34. p·d·卡伯特a . m .皮诉圣路易斯,d . Bash和v c . Radeloff“物候变化的影响在遥感图像的纹理措施,”IEEE选择杂志的主题应用地球观测和遥感,卷2,不。4、299 - 309年,2009页。视图:出版商的网站|谷歌学术搜索
35. j . r .熨斗和g·w·彼得森纹理变换的遥感数据,”环境遥感11卷,第370 - 359页,1981年。视图:出版商的网站|谷歌学术搜索
36. 应用灰度共生矩阵建立m . Hall-Beyer“实用指南选择纹理在景观分类任务使用一系列温和的空间尺度上,“国际遥感杂志》上,38卷,不。5,1312 - 1338年,2017页。视图:出版商的网站|谷歌学术搜索
37. z Szantoi, f . Escobedo a . Abd-Elrahman s·史密斯和l·佩尔斯坦,“精细分析湿地组合使用高分辨率图像和纹理特性,”国际期刊《应用地球观测和地质信息,23卷,第212 - 204页,2013年。视图:出版商的网站|谷歌学术搜索
38. r . m . Haralick k Shanmugam,即h·汀斯坦”纹理特征的图像分类,“IEEE系统,人,控制论,3卷,不。6,610 - 621年,1973页。视图:出版商的网站|谷歌学术搜索
39. d .上帝,“集成ALOS PALSAR土地覆盖和森林和陆地卫星数据映射在坦桑尼亚北部,“土地,5卷,不。4,43页,2016年。视图:出版商的网站|谷歌学术搜索
40. j·g·刘和p . j .梅森基本图像处理和遥感地理信息系统约翰•威利& Sons英格兰,英国,2009年。
41. t . m . Lillesand r·w·基弗和j·w·Chipman,遥感影像判读威利,纽约,纽约,美国第六版,2008年版。
42. l . Wang Dong, l .杨j .高和j·刘,“作物分类基于一本小说特征过滤和增强方法,”遥感,11卷,不。4 p。455年,2019年。视图:出版商的网站|谷歌学术搜索
43. j . Zhang y, l .元,fnm刘、周等,和黄等,“基于机器学习作物的光谱库分类和状态监测、”农学,9卷,不。9,496年,页2019。视图:出版商的网站|谷歌学术搜索
44. A . Moumni m . Oujaoura j . Ezzahar, A . Lahrouni”一个新的协同方法在半干旱地区作物歧视使用Sentinel-2时间序列和多个机器学习分类器的组合,”物理学报》《华尔街日报》:会议系列卷。1743年,眼压出版。2021年5月,英国布里斯托尔。视图:谷歌学术搜索
45. y邵和r . s . Lunetta”比较,支持向量机、神经网络和覆盖分类用的马车算法使用有限的训练数据点,”ISPRS《摄影测量与遥感,卷70,不。0,78 - 87年,2012页。视图:出版商的网站|谷歌学术搜索
46. Foody通用和a . Mathur”向智能培训监督图像分类:指导培训数据采集支持向量机分类,“环境遥感,卷93,不。1 - 2、107 - 117年,2004页。视图:出版商的网站|谷歌学术搜索
47. 下午马瑟和m .科赫遥感图像的分类、计算机处理约翰•威利& Sons英格兰,英国,2011年。
48. t . Kavzoglu和i Colkesen”,为支持向量机核函数分析土地覆盖分类、”国际期刊《应用地球观测和地质信息,11卷,不。5,352 - 359年,2009页。视图:出版商的网站|谷歌学术搜索
49. 大肠Raczko和b . Zagajewski”比较,支持向量机,随机森林和神经网络分类器对机载高光谱端树种分类图片,”欧洲遥感杂志》上,50卷,不。1,第154 - 144页,2017。视图:出版商的网站|谷歌学术搜索
50. h .江y Rusuli, t . Amuti,问:他“定量评估土壤盐度使用基于支持向量机的多源遥感数据和人工神经网络,”国际遥感杂志》上,40卷,不。1,第306 - 284页,2019。视图:出版商的网站|谷歌学术搜索
51. c . z张和谢”,结合基于对象的结构措施和植被的神经网络映射在大沼泽地从高光谱图像,”环境遥感卷,124年,第320 - 310页,2012年。视图:出版商的网站|谷歌学术搜索
52. j·a·科恩,”名义尺度系数协议”,教育和心理测量,20卷,不。1,37-46,1960页。视图:谷歌学术搜索
53. j·r·兰迪斯和g . g .科赫”应用程序分层kappa-type统计评估的大多数协议在多个观察者,“生物识别技术15卷,第374 - 363页,1977年。视图:谷歌学术搜索
54. v . j .妈妈和j·o·s·e·p·h·Oloukoi”评价de la精密des traitements analogiques des图像satellitaires在我提出de la dynamique de l 'occupation du溶胶,”Teledetection,3卷,不。5,429 - 441年,2003页。视图:谷歌学术搜索
55. 阿瑞亚s, g·莱尔,m·刘易斯,b . Ostendorf“物候指标来源于MODIS NDVI作为植物可用蓄水性能指标,”生态指标,60卷,第1272 - 1263页,2016年。视图:出版商的网站|谷歌学术搜索
56. p·m·马瑟遥感图像的计算机处理:介绍约翰·威利& Sons,英国奇切斯特,英国,第3版,2004年版。
57. a . Chatziantoniou大肠Psomiadis, g . Petropoulos”共轨型哨兵1和2与强调湿地LULC映射在地中海环境中基于机器学习,”遥感,9卷,不。12,1259页,2017年。视图:出版商的网站|谷歌学术搜索
58. z邵,h·傅,p .傅,l .阴”映射城市不透水表面光学和SAR数据在决策层面,融合”遥感,8卷,不。11,945年,页2016。视图:出版商的网站|谷歌学术搜索
59. n . Clerici c a Valbuena卡尔德龙,j . m .小波“融合Sentinel-1A和Sentinel-2A土地覆盖数据映射:一个案例研究在马格达莱纳地区,哥伦比亚,”杂志上的地图,13卷,不。2、718 - 726年,2017页。视图:出版商的网站|谷歌学术搜索
60. j。j Erinjery、m·辛格和r·肯特”的映射和评估在西高止山脉的热带雨林植被类型使用多光谱Sentinel-2和SAR Sentinel-1卫星图像,”环境遥感卷,216年,第354 - 345页,2018年。视图:出版商的网站|谷歌学术搜索
61. A·怀特,k . p . Ferentinos g . p . Petropoulos”一个新的协同方法监测湿地使用哨兵1和2的数据与基于对象的机器学习算法,”环境建模与软件卷。104年,盂,2018页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021艾莎Moumni Abderrahman Lahrouni。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。