Multi-level deep-based classification of land use and land cover: a case study on Réunion Island

Lin-Kwong-Chon Christophe, Todoroff Pierre, Le Mezo Lionel, Benne M., Amangoua Kadjo J.J.. 2023. Multi-level deep-based classification of land use and land cover: a case study on Réunion Island. In : Proceedings of the XXXI International Society of Sugar Cane Technologists. ISSCT. Hyderabad : ISSCT, 9 p. ISSCT Congress. 31, Hyderabad, Inde, 20 Février 2023/23 Février 2023.

Titre français : Classification multi-niveau de l'occupation et de l'usage des sols par apprentissage profond : cas d’étude de La Réunion

Résumé : In many tropical countries, where family farming predominates, such as on Réunion, the large number, the small size of the fields, and the heterogeneity of the landscapes make it very difficult to map the land use. However, the availability of remote-sensing data, accessibility to parallel computing machines, and recent developments in artificial intelligence have progressively led to the popularity and success of deep-learning-based methods in remote sensing. Maps of current land cover and land use based on remote sensing, even if not as accurate as required for legal maps, offer a quick and effective solution for agricultural production analysis or prediction, land management, or food security warnings, especially in tropical countries where very few observations and agricultural data are available. A deep-learning approach is proposed to generate land cover and land use from a very high-resolution satellite image. With observations covering two crop years, we built a ground-truth database from 5000 field observations, based on a 3-level typology. We used it to train a multi-scale, multi-level convolutional model that is carefully optimized to maximize the accuracy. A hierarchical strategy is built in the prediction process to ensure the consistency of the most detailed typology. The inference is then achieved on a Pleiades image (spatial resolution of 0.5m/pixel) covering the territory of Réunion. The proposed approach shows better accuracy than traditional machine-learning and state-of-the-art methods based on multi-source satellite imagery. The results show the efficiency of artificial intelligence in exploiting the massive geospatial earth observation data provided by new generation satellite sensors for agriculture monitoring. In the future, innovative unsupervised or combined deep-learning algorithms may yield even better results and pave the way for regular production of land use maps at a very low cost, even in small-scale agriculture systems.

Résumé (autre langue) : Dans de nombreux pays tropicaux, où l'agriculture familiale prédomine, comme à La Réunion, le grand nombre, la petite taille des parcelles et l'hétérogénéité des paysages rendent très difficile la cartographie de l'occupation des sols. Malgré tout, la disponibilité des données de télédétection, l'accessibilité aux machines de calcul parallèle et les récents développements en intelligence artificielle ont progressivement conduit à la popularité et au succès des méthodes basées sur l'apprentissage profond en télédétection. Les cartes actuelles d'occupation et d'usage des sols basées sur la télédétection, même si elles ne sont pas aussi précises que celles requises pour les cartes légales, offrent une solution rapide et efficace pour l'analyse ou la prévision de la production agricole, la gestion des terres ou la sécurité alimentaire, en particulier dans les pays tropicaux où très peu d'observations et de données agricoles sont disponibles. Une approche d'apprentissage profond est proposée pour générer l'occupation et l'usage des sols à partir d'une image satellite à très haute résolution. A partir d'observations couvrant deux campagnes agricoles, nous avons construit une base de données de vérité du sol avec 5000 observations de terrain, basée sur une typologie à 3 niveaux. La base de données est utilisée pour entraîner un modèle convolutif multi-échelle et multi-niveau qui est ensuite optimisé pour maximiser la précision. Une stratégie hiérarchique est introduite dans le processus de classification pour assurer la cohérence du niveau 3 qui est la typologie la plus détaillée. L'inférence est ensuite réalisée sur une image Pléiades (résolution spatiale de 0,5m/pixel) couvrant le territoire de la Réunion. L'approche proposée montre une meilleure précision que les méthodes traditionnelles d'apprentissage machine et que l'état de l'art basé sur l'imagerie satellitaire multi-sources. Les résultats montrent l'efficacité de l'intelligence artificielle dans l'exploitation des données massives de télédétection fournies par les capteurs satellites de nouvelle génération pour le suivi de l'agriculture. À l'avenir, des algorithmes innovants d'apprentissage profond, non supervisés ou combinés, pourraient donner de meilleurs résultats et ouvrir la voie à la production régulière de cartes d'occupation des sols à un coût très faible, même dans les systèmes agricoles à petite échelle.

Mots-clés libres : Land use mapping, Deep-learning, Satellite images, Remote Sensing

Agences de financement européennes : European Commission, European Regional Development Fund

Agences de financement hors UE : Conseil Régional de La Réunion

Projets sur financement : (REU) Deep Learning for Reunion Energy Autonomy

Auteurs et affiliations

• Lin-Kwong-Chon Christophe, CIRAD-PERSYST-UPR AIDA (REU)
• Todoroff Pierre, CIRAD-PERSYST-UPR AIDA (REU)
• Le Mezo Lionel, CIRAD-PERSYST-UPR AIDA (REU)
• Benne M., Université de la Réunion (REU)
• Amangoua Kadjo J.J., Université de la Réunion (REU)

Source : Cirad-Agritrop (https://agritrop.cirad.fr/604327/)

Métriques

[ Page générée et mise en cache le 2023-05-04 ]