A new Bayesian ensemble of trees approach for land cover classification of satellite imagery

Abstract

Classification of satellite images is a key component of many remote sensing applications. One of the most important products of a raw satellite image is the classification that labels image pixels into meaningful classes. Though several parametric and nonparametric classifiers have been developed thus far, accurate classification still remains a challenge. In this paper, we propose a new reliable multiclass classifier for identifying class labels of a satellite image in remote sensing applications. The proposed multiclass classifier is a generalization of a binary classifier based on the flexible ensemble of regression trees model called Bayesian Additive Regression Trees. We used three small areas from the LANDSAT 5 TM image, acquired on 15 August 2009 (path–row: 08–29, L1T product, UTM map projection) over Kings County, Nova Scotia, Canada, to classify the land cover. Several prediction accuracy and uncertainty measures have been used to compare the reliability of the proposed classifier with the state-of-the-art classifiers in remote sensing.

La classification des images satellitaires est une composante essentielle d'un grand nombre d'applications en télédétection. Un des produits les plus importants d'une image satellitaire brute est sa classification qui sépare les pixels de l'image en classes utilisables. Bien que plusieurs méthodes paramétriques et non paramétriques aient été développées à ce jour, la précision de la classification demeure un défi. Dans cet article, nous proposons une nouvelle méthode de classification multiclasse pour l'identification des classes présentes dans une image satellitaire pour des applications en télédétection. L'approche est une généralisation des classificateurs binaires fondée sur le modèle d'ensemble flexible d'arbres de régression bayésienne. Nous avons utilisé trois petites zones de l'image LANDSAT 5 TM, acquise le 15 aout 2009 (« path–row »: 08–29, produit L1T, projection UTM) sur Kings County, Nova Scotia, Canada, pour la classification de l'occupation du sol. Plusieurs mesures de la précision des prévisions et de l'incertitude ont été utilisées pour comparer la fiabilité du classificateur proposé avec les classificateurs courants en télédétection.

[Traduit par la Rédaction]

Acknowledgements

We would like to thank the referees for many useful comments and suggestions that led to significant improvement of the article. This work was supported in part by Discovery grants from the Natural Sciences and Engineering Research Council of Canada.