Crop classification in rain-fed and irrigated agricultural areas using Landsat TM and ALOS/PALSAR data

Abstract

Multispectral optical remote-sensing systems have been the base for crop identification and monitoring for many years. However, cloud cover limits and even prevents the use of optical data for this activity. Synthetic aperture radar (SAR) sensors provide an interesting alternative to conventional multispectral classification schemes. Radar sensors can acquire data regardless of cloud cover, and their observations provide complementary information to that captured by optical sensors. The main objective of this paper is to evaluate whether the incorporation of polarimetric SAR observations to a multispectral classification scheme enhances classification results using the proposed method. With this aim, one Landsat thematic mapper scene and two ALOS/PALSAR quadrature polarization scenes acquired in 2007 were processed. The results demonstrated the ability of SAR data to improve the classification based on optical images. However, improvements were slight (an increase of around 2% in the classification's overall accuracy). The results improved significantly when barley, wheat, and oats were considered a single class, called cereals. The best results were achieved using Landsat and the two ALOS/PALSAR scenes together, obtaining an overall Kappa coefficient and accuracy of 0.67 and 90%, respectively. Probably, scenes acquired on other dates (June and July) would have yielded clearer classification enhancements.

Les systèmes de télédétection optique multispectrale ont été à la base de l'identification et du suivi des cultures durant plusieurs années. Toutefois, le couvert nuageux limite et empêche même parfois l'utilisation des données optiques à cette fin. Les capteurs radar à synthèse d'ouverture (RSO) proposent une alternative intéressante aux approches conventionnelles de classification multispectrale. Les capteurs radar peuvent acquérir des données indépendamment de la couverture nuageuse et leurs observations fournissent une information complémentaire à celle acquise par les capteurs optiques. L'objectif principal dans cet article est de déterminer si l'intégration d'observations RSO polarimétriques dans une procédure de classification multispectrale donne de meilleurs résultats de classification en utilisant la méthode proposée. Dans cette perspective, une image TM de Landsat ainsi que deux images PALSAR/ALOS en polarisation quadruple (quad pol) acquises en 2007 ont été traitées. Les résultats ont démontré le potentiel des données RSO dans l'amélioration de la classification basée sur les images optiques. Cependant, les améliorations étaient faibles (un accroissement de 2% environ de la précision globale de classification). Les résultats obtenus étaient significativement meilleurs lorsque l'orge, le blé et l'avoine étaient considérés comme une seule classe désignée sous le thème de céréales. Les meilleurs résultats étaient obtenus en utilisant l'image de Landsat et les deux images PALSAR/ALOS ensemble, résultant ainsi respectivement en un coefficient Kappa et une précision globale de 0,67 et de 90%. Probablement que des images acquises à d'autres dates (juin et juillet) auraient donné des améliorations de classification plus marquées.

[Traduit par la Rédaction]

Acknowledgements

This study was partly funded by the Spanish Government's Ministry of Science and Innovation “Torres Quevedo” Subprogram; the National Scientific Research, Development and Technological Innovation Plan, project code CGL2007-63453; and funding from the European Social Fund.