Semiautomatic classification of sugarcane areas from Random Forest algorithm and OLI/Landsat-8 images

Luciano Ana Cláudia dos Santos, Picoli Michelle Cristina Araújo, Rocha Jansle Vieira, Silva Alexsandro Cândido de Oliveira, Le Maire Guerric. 2016. Semiautomatic classification of sugarcane areas from Random Forest algorithm and OLI/Landsat-8 images. In : Simposio Internacional en Percepción Remota y Sistemas de Información Geográfica. Puerto Iguazú : SELPER, 13 p. Simposio Internacional SELPER 2016. 17, Puerto Iguazú, Argentine, 7 Novembre 2016/11 Novembre 2016.

Matériel d'accompagnement : 1 diaporama (18 vues)

Résumé : Identification and mapping of sugarcane is prerequisite to mapping the crop production. It has been facilitated by several remote sensing data and classification techniques. In the present study, an object-based semiautomatic classification methodology was tested to classify sugarcane based on analysis of time series of 7 images (2013-2014 cultural cycle) from Landsat-8 OLI sensors. The study area is located in Piracicaba microregion in the Sao Paulo State, which is the principal producer state of sugarcane in Brazil. The Random Forest (RF) classifier was used to differentiate the sugarcane crop from other uses, like water, natural vegetation, pasture, urban areas, and other agricultural areas. Normalized Difference Vegetation Index (NDVI) and Enhanced Vegetation Index (EVI) were calculated from reflectance images of OLI sensors. These vegetation indices, together with the surface reflectance images from bands 2 to 7 (blue to far infrared light) were used as input variables of Random Forest classifier. Samples from representative areas of sugarcane and other uses, selected from maps done in the CANASAT project, were used to calibrate the RF classifier. After the calibration step, the classifier was applied in all temporal series of a segmented image. This segmentation was done under SPRING software and allowed to segment the image in more than 35x103 objects (polygones) of similar spectral aspect. The RF classifier attributes a single class for each of these polygons, thus resulting in a map of the available sugarcane areas to harvest from April. The sugarcane class in the study area, represented 32.1% of total area which corresponds to 253000 hectares of sugarcane available to harvest in April. Sugarcane map from CANASAT project was used to validate the results. The maps were compared through a confusion matrix and Kappa statistics. The results indicated that the semiautomatic classification achieved an overall accuracy of 83% and a Kappa coefficient of 0.61, which is reasonable taking into account that some uncertainty exist on CANASAT map. Random Forest classifier, applied to time series of OLI sensors images was adequate to identify sugarcane crop from other uses and land cover. However, additional analyses are necessary to better select the input variables and parameters of RF classifier to discriminate the crop.

Résumé (autre langue) : A identificação e o mapeamento da cana-de-açúcar têm colaborado significativamente para o monitoramento do ciclo produtivo da cultura. Esta abordagem tem sido facilitada pelo uso de diversos dados e técnicas de sensoriamento remoto. No presente trabalho foi utilizadauma metodologia de classificação semiautomática, baseada em objetos, para identificar cana-de-açúcar, com base na análise da série temporal de 7 imagens (ciclo da cultura de 2013-2014) do sensor OLI do satélite Landsat-8. A área de estudo está localizada na microrregião de Piracicaba no estado de São Paulo, que é o principal estado produtor de cana-de-açúcar no Brasil. A técnica de classificação RandomForest(RF) foi utilizada para diferenciar a cultura de cana-de-açúcar de outros usos, como água, vegetação natural, pastagem, áreas urbanas e demais áreas agrícolas. Índices de vegetação como o Normalized Difference Vegetation Index(NDVI) e o Enhanced Vegetation Index(EVI) foram calculados a partir de imagens de reflectância do sensor OLI. Os índices de vegetação em conjunto com as imagens de refletância de superfície das bandas 2 a 7 (azul a infravermelho médio) foram utilizados como variáveis de entrada no classificador Random Forest. Amostras de áreas representativas das classes cana-de-açúcare outros usos, selecionadas a partir dos mapas de cana-de-açúcar confeccionados peloprojeto CANASAT, foram utilizadas para a calibração do classificador RF. Após a calibração, o classificador foi aplicado para toda a série temporal de uma segmentação de imagem. Tal segmentação foi feita no software SPRING e gerou mais de 35x103 objetos (polígonos) de características espectrais semelhantes. O classificador RF atribuiu uma classe para cada um dos polígonos, tendo como resultado o mapa das áreas de cana-de-açúcar disponível para a colheita a partir do mês de abril. A classe cana-de-açúcar representou 32,1% da área total de estudo, o que corresponde a 253 mil hectares de cana-de-açúcar disponíveis para colheita. Para a validação dos resultados foi utilizado o mapa de cana-de-açúcar confeccionado pelo projeto CANASAT. Os mapas foram comparados e a validação foi realizada com base nas análises da matriz de confusão e doíndice Kappa. Os resultados obtidos indicaram que a classificação semiautomática da cana-de-açúcar apresentou acurácia global de 83% e índice Kappa de 0,61, o que é aceitável em virtude de possíveis incertezas existentes no mapa do projeto CANASAT. O classificador Random Forest, aplicado à série temporal de imagens do sensor OLI, se mostrou adequado para identificação da cultura de cana-de-açúcar em relação aos outros usos e cobertura da terra. No entanto, análises adicionais são necessárias a fim de melhor selecionar as variáveis e parâmetros a serem utilizadas no classificador RF para a discriminação precisa da cultura.

Classification Agris : U30 - Méthodes de recherche
U10 - Informatique, mathématiques et statistiques
E90 - Structure agraire
K01 - Foresterie - Considérations générales

Auteurs et affiliations

• Luciano Ana Cláudia dos Santos, UNICAMP (BRA)
• Picoli Michelle Cristina Araújo, UNICAMP (BRA)
• Rocha Jansle Vieira, UNICAMP (BRA)
• Silva Alexsandro Cândido de Oliveira, INPE (BRA)
• Le Maire Guerric, CIRAD-PERSYST-UMR Eco&Sols (BRA) ORCID: 0000-0002-5227-958X

Source : Cirad-Agritrop (https://agritrop.cirad.fr/583166/)

Métriques

[ Page générée et mise en cache le 2022-04-17 ]