Abstract
An improved spectral profile–based classification method was developed to discriminate corn, alfalfa, and winter wheat in the U.S. state of Kansas. Unlike other classification procedures, this method uses historical field reference data as training samples. An artificial immune network (AIN) algorithm, namely the artificial antibody network (ABNet), was tested as a classifier, combining historical field reference data and moderate-resolution imaging spectroradiometer (MODIS)-enhanced vegetation index (EVI) images. Historical field reference data from the years 2009 to 2012 were used to classify the three crops for 2013 data. A new method was developed to select the purest pixels from cropland data layer (CDL). Historical reference data were used in two different methods to classify crops in 2013: (i) single-year historical data and (ii) multiyear data used in four different combinations. Using method (i), classification was most accurate when the most recent year of training data was utilized. The accuracy of method (ii) increased with the number of years of data used for training the classifier. Results ranged from 81% to 92% overall accuracies, with the exception of the year 2012, where a severe drought created anomalous spectral profiles for all crops in the study area.
Résumé
Une méthode améliorée de classification spectrale basée sur les profils a été développée pour discriminer le maïs, la luzerne et le blé d’hiver dans l’État américain du Kansas. Contrairement à d’autres procédures de classification, cette méthode utilise les données historiques de référence terrain comme échantillons d’entrainement de la méthode. Un algorithme de réseau immunitaire artificiel (AIN), à savoir le Artificial Antibody Network (ABNet), a été testé comme classificateur, combinant les données historiques de référence terrain et les images MODIS EVI. Les données historiques de référence terrain des années 2009 à 2012 ont été utilisées pour classifier les trois cultures des données de 2013. Une nouvelle méthode a été développée pour sélectionner les pixels les plus purs de la couche de données des terres cultivées (CDL). Les données historiques de référence ont été utilisées dans deux méthodes différentes pour classifier les cultures en 2013: (a) une seule année de données historiques et (b) des données pluriannuelles utilisées dans quatre combinaisons différentes. L’utilisation de la méthode de classification (a) était la plus précise lorsque l’année la plus récente des données d’entrainement était utilisée. La précision de la méthode (b) augmentait avec le nombre d’années de données utilisé pour l’entrainement du classificateur. Les résultats variaient de 81% à 92% pour les précisions globales, à l’exception de l’année 2012, où une grave sècheresse a créé des profils spectraux anormaux pour toutes les cultures dans la zone d’étude.