A combined methodology to produce highly accurate classification for AVIRIS hyperspectral data

Abstract

The primary objective of this paper was to produce highly accurate supervised classification for airborne visible and infrared imaging spectrometer (AVIRIS) hyperspectral data for Chequamegon National Forest vegetation species in northern Wisconsin. This was done using a combined methodology of an atmospheric correction scheme and neural network together with data reduction and an increase in feature separation through three types of transformations, namely the fast Fourier transform (FFT), principal component (PC), and canonical transformation (CT). The atmospheric correction scheme was performed by removing the contaminating effects of aerosol particle scattering that are contained within the hyperspectral dataset due to the significant variation of the solar zenith angle and aerosol optical properties corresponding to cloud-free Earth targets. An algorithm in C++ has been developed to correct for the influence of solar zenith angle and the atmospheric components on scattering. The accuracy assessment criteria including overall accuracy, Ǩ (Kappa or KHAT statistics), and the statistical separability between classes were used. Using the correction of aerosol scattering, transformations, and the neural network classification, the classification accuracy of the vegetation species was shown by the overall accuracy of 97.09%, Ǩ = 0.96, and the average statistical separability of 1.99. The classification accuracy of the vegetation species for the uncorrected image was shown by the overall accuracy of 84.40%, Ǩ = 0.80, and the average statistical separability of 1.91. Therefore, the combined methodology including the atmospheric correction scheme, transformations, and the neural network classification yielded relatively high classification accuracy.

Dans cet article, l’objectif premier était de produire une classification dirigée très précise pour des données hyperspectrales d’AVIRIS (« airborne visible and infrared imaging spectrometer ») pour les espèces végétales de la Forêt nationale de Chequamegon située dans le nord du Wisconsin. Le travail a été réalisé en utilisant une méthodologie combinant, d’une part, une procédure de correction atmosphérique et les réseaux de neurones et, d’autre part, la réduction des données et l’amélioration de la séparation des caractéristiques à l’aide de trois types de transformations. Ces transformations sont la transformée de Fourier rapide (TFR), les composantes principales (CP) et la transformation canonique (TC). La procédure de correction atmosphérique a été appliquée en éliminant les effets de contamination dus à la diffusion des particules d’aérosols à l’intérieur de l’ensemble des données hyperspectrales en raison de la variation significative de l’angle zénithal du soleil et des propriétés optiques des aérosols correspondant à des cibles sans nuages au sol. Un algorithme en C++ a été développé pour corriger les effets de l’angle zénithal du soleil et l’influence des composants atmosphériques sur la diffusion. Plusieurs critères d’évaluation de la précision ont été utilisés dont la précision globale, la valeur de Ǩ (statistique KHAT) et la séparabilité statistique entre les classes. La précision de classification des espèces végétales obtenue en appliquant la correction pour la diffusion des aérosols, les différentes transformations et la classification à l’aide des réseaux de neurones, a pu être confirmée par une précision globale de 97,09 %, une valeur de Ǩ = 0,96 et une séparabilité statistique moyenne de 1,99. La précision de classification des espèces végétales pour l’image non corrigée était également confirmée par une précision globale de 84,40 %, une valeur de Ǩ = 0,80, avec une séparabilité statistique moyenne de 1,91. Ainsi, la méthodologie combinée incluant la procédure de correction atmosphérique, les transformations et la classification à l’aide des réseaux de neurones a produit un précision de classification relativement élevée.[Traduit par la Rédaction]