Synergy of multitemporal ERS-1 SAR and Landsat TM data for classification of agricultural crops

Publisher Website
Google Scholar
Abstract
The objective of this research was to evaluate the synergistic effects of multitemporal European remote sensing satellite 1 (ERS-1) synthetic aperture radar (SAR) and Landsat thematic mapper (TM) data for crop classification using a per-field artificial neural network (ANN) approach. Eight crop types and conditions were identified: winter wheat, corn (good growth), corn (poor growth), soybeans (good growth), soybeans (poor growth), barley/oats, alfalfa, and pasture. With the per-field approach using a feed-forward ANN, the overall classification accuracy of three-date early- to mid-season SAR data improved almost 20%, and the best classification of a single-date (5 August) SAR image improved the overall accuracy by about 26%, in comparison to a per-pixel maximum-likelihood classifier (MLC). Both single-date and multitemporal SAR data demonstrated their abilities to discriminate certain crops in the early and mid-season; however, these overall classification accuracies (<60%) were not sufficiently high for... L'objectif de cette recherche consistait à évaluer les effets de la synergie des données multitemporelles ROS de ERS-1 et Landsat TM pour la classification des cultures utilisant l'approche par champ individuel basée sur les réseaux de neurones artificiels (RNA). Huit types de cultures et conditions ont été identifiés : blé d'hiver, maïs (bonne croissance), maïs (faible croissance), soja (bonne croissance), soja (faible croissance), orge-avoine, luzerne et pâturage. Avec l'approche par champ individuel basée sur un réseau de neurones artificiels à action directe, la précision globale de classification des données ROS pour trois dates, s'étendant de la période du début au milieu de la saison de croissance, a été améliorée de près de 20 % et la meilleure classification pour une date unique pour une image ROS (5 août) a amélioré la précision globale d'environ 26 % comparativement à une approche utilisant un classificateur basé sur la méthode du maximum de vraisemblance par pixel. Les données unidate et multi...