Multitemporal RADARSAT-2 ultra-fine beam SAR data for urban land cover classification

Abstract

High-resolution optical satellite images have been widely used to update land cover information and monitor changes in urban areas. Several spaceborne synthetic aperture radar (SAR) systems are now providing SAR imagery with a spatial resolution comparable to high-resolution optical systems. Although SAR data is more reliably available than optical data, it takes more effort to employ high-resolution SAR imagery for urban applications owing to the difficulty in interpreting the complex content in SAR imagery over urban areas. The objective of this research was to develop effective object-based and rule-based methods for classification of high-resolution SAR imagery over urban areas. Multitemporal RADARSAT-2 ultra-fine beam C-HH SAR images with a pixel spacing of 1.56 m were acquired over the north part of the Greater Toronto Area during June to September in 2008. The SAR images were preprocessed and then segmented by means of a multiresolution segmentation algorithm. A range of spectral, geometrical, and textural features were selected and calculated for image objects. The image objects were classified based on these features using support vector machines (SVM). Compared with the nearest neighbor classifier, the object-based SVM produced much higher urban land cover classification accuracy (Kappa 0.43 vs. 0.63). The SVM classification result was then improved by developing specific rules to resolve the confusion among some classes. The final result indicated that the proposed methods could achieve a satisfactory overall accuracy (81.8%) for urban land cover classification using very high-resolution RADARSAT-2 SAR imagery.

Les images satellitaires optiques haute résolution sont utilisées couramment pour la mise à jour de l'information sur la couverture du sol et le suivi des changements dans les zones urbaines. Plusieurs systèmes RSO satellitaires fournissent à l'heure actuelle des images RSO à une résolution spatiale comparable à celle des systèmes optiques haute résolution. Bien que les données RSO soient plus largement disponibles que les données optiques, l'utilisation des images RSO à haute résolution nécessite plus d'efforts dans le cas les applications en milieu urbain en raison de la difficulté d'interprétation du contenu complexe caractéristique des images RSO acquises au-dessus des zones urbaines. L'objectif de cette recherche est de développer des méthodes efficaces orientées objets et à base de règles pour la classification d'images RSO haute résolution au-dessus des zones urbaines. Des images RSO multitemporelles en mode faisceau ultra-fin C-HH de RADARSAT-2 avec un espacement des pixels de 1,56 mètres ont été acquises au-dessus de la partie nord de la région du Grand Toronto de juin à septembre 2008. Les images RSO ont été prétraitées puis segmentées à l'aide d'un algorithme de segmentation multi-résolution. Une variété de caractéristiques spectrales, géométriques et texturales ont été sélectionnées et calculées pour des objets images. Les objets images ont été classifiés en fonction de ces caractéristiques à l'aide de l'outil SVM (machines à vecteurs de support). Comparativement au classifieur du plus proche voisin, le SVM orienté objet a permis d'obtenir une précision nettement supérieure de classification de la couverture (Kappa 0,43 vs. 0,63). Le résultat de la classification SVM a ensuite été amélioré en développant des règles spécifiques pour résoudre la confusion au sein de certaines classes. Le résultat final montre que les méthodes proposées pourraient permettre d'atteindre une précision globale satisfaisante (81,8%) pour la classification de la couverture du sol urbain à l'aide des images RSO à très haute résolution de RADARSAT-2.

[Traduit par la Rédaction]

Acknowledgements

This research was supported by a grant from the Swedish National Space Board. The RADARSAT-2 ultra-fine beam SAR images were provided by the Canadian Space Agency through the SOAR program.