Cartographie de la texture de surface des sols de la Montérégie à l'aide de données d'observation de la terre et de sol archivées

Abstract

La texture de surface du sol est l'une des propriétés de base à prendre en considération dans la classification et la cartographie des sols. Une série multitemporelle de quatre images RADARSAT-1 (R-1), deux images RADARSAT-2 (R-2); soit une image pleinement polarimétrique acquise en mode fin avec quadruple polarisation (FQ4) et une en mode standard avec double polarisation (HH et HV), une image IKONOS et une image LANDSAT-7 (L-7) ont été utilisées pour la cartographie de la texture de surface des sols de la Montérégie. L'analyse discriminante linéaire a été retenue comme algorithme de classification. Les deux sources de données pédologiques utilisées pour l'apprentissage et la validation des modèles de classification sont des polygones de sol délimités sur les cartes pédologiques publiées ainsi qu'une base de données des profils de sol décrits sur le terrain lors de la prospection. Les résultats ont montré une influence relativement faible des deux sources de données sur le pourcentage de bonne classification (BC), soit 79% pour la base de données des profils et 75% pour les polygones de la carte. Cependant, un choix judicieux des sites d'entraînement a été requis pour obtenir ces bons résultats. À l’échelle régionale, l'information spectrale extraite du capteur L-7 donne de meilleurs résultats de classification (BC = 76%) que la série multitemporelle d'images R-1 et R-2 avec la polarisation HH (BC = 60%). Toutefois, la combinaison de ces deux types de données a permis d'atteindre les meilleurs résultats de classification de l’étude (BC = 79%). À l’échelle locale, l'information polarimétrique extraite de l'image R-2 a été nettement plus efficace (BC = 72%) que l'information spectrale tirée de l'image IKONOS (BC = 57%) pour la cartographie de la texture de surface d'un secteur représentatif (625 km²) du comté de Rouville. Cette étude démontre l'efficacité des données d'observation de la terre dans la mise à jour des cartes pédologiques à l’échelle régionale (1 : 40 000) et locale (1 : 20 000).

Soil texture is one of the most important soil properties to be considered in soil classification and mapping. A multitemporal series of four RADARSAT-1 (R-1) images, two RADARSAT-2 (R-2) images, one acquired in fine quad-polarization mode (FQ4), and the other in standard dual-polarization mode (HH and HV), an IKONOS image, and a LANDSAT-7 (L-7) image were used for mapping soil surface texture of the Montérégie area. The linear discriminant analysis was used as the classification algorithm. The two soil survey datasets used for training and validation of classification models are soil polygons delineated on published soil maps and a soil profile database described in the field. The results showed a relatively weak influence of the two sources of data on the overall classification accuracies (OCA): 79% with the soil profile database and 75% when using soil maps. However, an adequate selection of training sites was required to achieve these good results. At the regional scale, the spectral information extracted from sensor L-7 gives better classification accuracy (OCA = 76%) than the multitemporal R-1 and R-2 (with HH polarization) data (OCA=60%). Therefore, the combination of these two types of data has achieved the best classification results of the study (OCA = 79%). At the local scale, the polarimetric information extracted from a R-2 image (FQ4) was significantly more effective (OCA = 72%) than the spectral information derived from the IKONOS image (OCA=57%) for mapping soil surface texture of a representative area (625 km²) of the Rouville county. This study demonstrates the usefulness of earth observation for updating soil maps at the regional (1 : 40 000) and local scale (1 : 20 000).

Remerciements

Les auteurs remercient Agriculture et Agroalimentaire Canada (AAC) et l'Agence Spatiale Canadienne (ASC) pour le co-financement du projet GRIP (07MOA74815). Nos remerciements s'adressent également à l’équipe des laboratoires de pédologie et d'agriculture de précision d'AAC pour la collecte des données sur le terrain.