Abstract
The Unmanned Aerial Vehicle (UAV) and Google Earth (GE) RGB images have ultra-high spatial resolution. But it is difficult to get a high classification accuracy due to the poor spectral resolution. In this article, the object-based wetland classification is investigated using multi-feature combination of ultra-high spatial resolution multispectral images (MSI). A Gram-Schmidt (GS) transformation is used to fuze Sentinel-2A data with UAV and GE RGB images, respectively, in order to obtain the ultra-high spatial resolution MSI as data sources. Three different feature combination classification scenarios are constructed for fusion GE and UAV MSI, respectively, based on selected features. The object-based random forest (RF) algorithms with parameters (mtry and ntree) optimization are used to carry out finer wetland classification. Results show that the fusion GE and UAV MSI have good applicability in the finer wetland classification, especially the fusion UAV images, and integrating multi-source features could improve classification accuracy. Both data sources reach the highest accuracy in scenario3. The overall accuracy of fusion UAV image scenario3 is 94.31% (Kappa = 0.9353), and that of fusion GE image scenario3 is 87.37% (Kappa = 0.8528). The contribution of different features to wetland classification is obtained with spectral and vegetation indexes, texture, geometric and contextual features.
RÉSUMÉ
Les images RGB de drones (UAV) et de Google Earth (GE) ont une résolution spatiale ultra-haute. Cependant, il est difficile d’obtenir une grande précision de classification en raison de la faible résolution spectrale. Dans cet article, une classification des milieux humides orientée objet est étudiée à l’aide d’une combinaison multi-paramètres d’images multispectrales à résolution spatiale ultra-haute (MSI). Une transformation Gram-Schmidt (GS) est utilisée pour fusionner les données Sentinel-2A avec des images UAV et GE RGB, respectivement, afin d’obtenir un MSI à résolution spatiale ultra-haute comme sources de données. Trois scénarios différents de classification des combinaisons de paramètres sont construits pour la fusion GE et UAV MSI, respectivement, en fonction des paramètres sélectionnés. Les algorithmes de forêt aléatoire (RF) orientés-objets avec optimisation des paramètres (mtry et ntree) sont utilisés pour effectuer une classification plus fine des milieux humides. Les résultats montrent que les fusions GE et UAV MSI ont une bonne applicabilité dans la classification plus fine des zones humides, en particulier la fusion des images de drones, et l’intégration de paramètres multi-sources pourraient améliorer la précision de la classification. Les deux sources de données atteignent la plus grande précision pour le scénario 3. La précision globale du scénario 3 pour la fusion d’une image de drone est de 94,31% (Kappa = 0,9353), et celle du scénario 3 pour la fusion d’une image GE est de 87,37% (Kappa = 0,8528). La contribution de différentes caractéristiques à la classification des milieux humides est obtenue à l’aide d’indices spectraux et de végétation et des paramètres de texture, de géométrie et contextuels.
Acknowledgments
The authors would like to thank the anonymous reviewers and the editor for their constructive comments and suggestions.
Disclosure statement
No potential conflict of interest was reported by the author(s).