Crop-type identification potential of Radarsat-2 and MODIS images for the Canadian prairies

Abstract

Owing to their high-frequency revisit and weather independence with high image resolution, Moderate Resolution Imaging Spectroradiometer (MODIS) and Radarsat-2 SAR (ScanSAR (synthetic aperture radar)), respectively, provide data suitable for regional-level crop-type identification in the Canadian prairies. The challenge remains in optimally combining data from the two sources, to identify crop types in individual fields. This study investigated an approach based on image fusion and a specially designed classification to obtain a result with the high spatial detail of ScanSAR and the spectral information from MODIS. The methodology employs a wavelet-IHS (intensity, hue, and saturation) combined image fusion method to enhance the spatial resolution of the MODIS data using ScanSAR data, followed by a multiresolution segmentation process supported by a road network database to generate the final classification. The fusion-classification approach yielded a result suitable for both visual and digital analysis. The overall classification accuracy of the fused data set was about 72%, higher than accuracies achieved for ScanSAR images (transformed as principal components), the MODIS data alone, or a combination of the ScanSAR principal components and MODIS data. While further investigation is warranted, this approach appears to have the attributes required for operational crop-type identification in situations where such information is required frequently and over large areas.

Les capteurs MODIS (« Moderate Resolution Imaging Spectroradiometer ») et RSO de RADARSAT-2 (ScanSAR), caractérisés respectivement par une capacité de revisite fréquente et une indépendance des conditions climatiques jumelée à des hautes résolutions, fournissent des données utiles pour l'identification des types de culture au niveau régional dans les prairies canadiennes. Le défi réside dans la combinaison optimale des données de ces deux sources pour l'identification des types de culture dans les champs individuels. Dans cette étude, on a examiné une approche basée sur la fusion d'images et une classification spécifiquement conçue pour obtenir un résultat qui allie la haute résolution spatiale de ScanSAR et l'information spectrale de MODIS. La méthodologie utilise une méthode de fusion d'images basée sur la combinaison des ondelettes et de la transformation ITS (intensité, teinte et saturation) pour rehausser la résolution spatiale des données de MODIS en utilisant des données ScanSAR, suivi d'une procédure de segmentation multirésolution appuyée par une base de données du réseau routier pour générer la classification finale. L'approche combinant la classification et la fusion des données a donné un résultat adéquat pour l'analyse visuelle et numérique. La précision de classification globale de l'ensemble de données fusionnées était d'environ 72%, une précision plus élevée que celles obtenues pour les images ScanSAR (transformées en composantes principales), les données de MODIS seules ou la combinaison des composantes principales de ScanSAR et des données de MODIS. Bien que des études additionnelles soient nécessaires, cette approche semble avoir les attributs nécessaires pour l'identification opérationnelle des types de culture dans des situations où une telle information est requise fréquemment et pour de grandes superficies.

[Traduit par la Rédaction]

Acknowledgements

The authors thank Dr. Josef Cihlar for his valuable input to the manuscript. The authors also thank Drs. Heather McNairn and Tim Martin for their support and collaboration. Financial support from the Canadian Space Agency, through the Government Related Initiatives Program, and from the Climate Change Geoscience Program of the Earth Sciences Sector, Natural Resources Canada, is acknowledged. Thanks are also extended to Mr. Mark Stumborg, Agriculture and Agri-Food Canada, for providing logistic support for the fieldwork. Comments by internal reviewers Dr. Joost van der Sanden, Dr. Francis Canisius, and three anonymous reviewers are appreciated.