Optimization of supervised classification procedure for irrigated crop discrimination using Landsat TM images

M. A. Casterad y T. Martín-Ordóñez

RESUMEN

En este artículo se evalúan varios modos de clasificación supervisada con objeto de optimizar el proceso de clasificación y poder así agilizar y mejorar la estimación de superficies de cultivos. Para ello se han utilizado cuatro imágenes Landsat TM del regadío de Flumen (Huesca), dos de 1993 y dos de 1994, y se han ensayado doce clasificaciones supervisadas diferentes por año con firmas espectrales obtenidas de imágenes unitemporales y multitemporales para las ocupaciones de primavera y verano, aplicándose también tres formas diferentes de toma de áreas de entrenamiento (automática, semiautomática y manual). La bondad de las clasificaciones se ha evaluado con varias medidas de exactitud. La clasificación multitemporal automática ha resultado la más idónea. Además se ha constatado la influencia de la fecha de las imágenes en la discriminación de cultivos, indicándose cuáles son las imágenes más adecuadas para su discriminación.

PALABRAS CLAVE: clasificación supervisada, exactitud, teledetección, cultivos.

ABSTRACT

In this article different supervised classifications modes were evaluated in order to optimize the classification procedure for ease and improve the crop hectarage estimations. Four Landsat TM images from the irrigated district of Flumen ( Huesca , Spain ), two dated from 1993 and another two from 1994, were used. Twelve supervised classifications for each year were applied using spectral signatures of spring and summer land cover, obtained from unitemporal and multitemporal images, with three different kinds of training area selection (automatic, semiautomatic, and manual). After applying several accuracy indices, the automatic multitemporal classification was found to be the most sound. The influence of the image date on the crop classification was also studied, and this article shows, which images were the most suitable in crop discrimination.

KEY WORDS: supervised classification, accuracy, remote sensing, crops.

PULSE AQUI PARA DESCARGAR EL ARTÍCULO COMPLETO.