Contribution of Minimum Noise Fraction Transformation of Multi-temporal RADARSAT-2 Polarimetric SAR Data to Cropland Classification

Abstract

Agriculture is an important sector in Canada, and annual crop inventories are required in many agricultural applications. Multi-temporal polarimetric synthetic aperture radar (SAR) data have great potential in crop classification due to its less dependency on weather condition. This study, for the first time, investigated the effects of the Minimum Noise Fraction (MNF) transformation of multi-temporal RADARSAT-2 polarimetric SAR data on the performance of cropland classification through the discussing of the performance of different polarimetric SAR parameter sets, and the impact of the timing of RADARSAT-2 datasets in southwestern Ontario. The random forest classifier was adopted due to its excellent ability in crop classification. The results illustrated that the elements of coherency matrix performed the best in agricultural land cover classification. The multi-temporal polarimetric SAR data acquired from the end of June to November gave the best classification accuracy, and an overall accuracy of 90% can be achieved using two images acquired in the middle of September and October. The MNF transformation can further improve the classification accuracy, and this accuracy was competitive with the accuracy produced using the integration of optical and polarimetric SAR data.

RÉSUMÉ

L'agriculture est un secteur important au Canada, et les stocks de cultures sont requis pour de nombreuses applications agricoles. Dû à leur indépendance des conditions météorologiques, les donnÐes multitemporelles de radar à synthèse d'ouverture (RSO) polarimétrique présentent un grand potentiel pour classifier les cultures. Pour la première fois, cette étude s'est penchée sur les effets de la transformation de la fraction de bruit minimal (FBM) des données multitemporelles provenant du RSO polarimétrique de RADARSAT-2 sur la classification des cultures. La performance des différents ensembles de paramètres polarimétriques est abordée, ainsi que l'impact du temps d'acquisition des jeux de données de RADARSAT-2 dans le Sud-Ouest de l'Ontario. Un classificateur aléatoire de forêts a été utilisé en raison de sa bonne performance en matière de classification de cultures. Les meilleurs résultats de la classification agricole ont été obtenus avec les éléments d'une matrice de cohérence. Le plus haut taux d'exactitude de la classification a été réalisé avec des données RSO polarimétriques et multitemporelles acquises entre la fin juin et novembre, une précision de 90% a été atteinte en utilisant deux images acquises au milieu septembre et en octobre. La transformation du FBM peut améliorer l'exactitude de la classification, avec un rendement comparable aux résultats produits par l?intégration des données optiques et RSO polarimétriques.

Additional information

Funding

This work was supported by Ontario Trillium Scholarship (OTS) to Chunhua Liao and partially supported by an NSERC Discovery Grant to Jinfei Wang.