Comparaison de la classification des cultures dans les données à période unique de Xiguang No. 1 05 (Tianxianpei No.) et les données Sentinel-2.

Introduction générale

L'identification et la différenciation de la répartition des cultures grâce à l'imagerie de télédétection permettent une gestion affinée et un suivi à grande échelle de la production agricole. Ce suivi fournit des données essentielles pour l'alerte précoce aux ravageurs et aux maladies. De plus, les résultats de la classification par télédétection, combinés aux informations météorologiques, hydrologiques et pédologiques, constituent une base scientifique pour l'estimation des rendements agricoles, l'évaluation des pertes dues aux catastrophes et la prise de décisions en matière de sécurité alimentaire. Son importance réside dans la promotion de la transformation de l'agriculture traditionnelle vers la numérisation, l'informatisation et l'intelligence artificielle, l'amélioration de l'efficacité de la production agricole et de l'utilisation des ressources, la réduction des coûts des relevés manuels et la mise en place d'un suivi dynamique et d'une gestion précise des vastes zones agricoles. En outre, les résultats de la classification des cultures peuvent fournir des données fondamentales cruciales pour l'élaboration des politiques agricoles nationales, la protection des terres arables et l'évaluation du stockage du carbone, ce qui a des implications majeures pour la sécurité alimentaire et la promotion d'un développement agricole durable.

L'imagerie multispectrale contient généralement un petit nombre de bandes spectrales larges (par exemple, 4 à 13), reflétant principalement les caractéristiques générales du terrain dans des bandes clés telles que le visible et le proche infrarouge. Elle convient à la classification et à la surveillance des caractéristiques du terrain à grande échelle, comme l'occupation des sols et le couvert végétal. L'imagerie hyperspectrale, quant à elle, est utilisée pour…Échantillonnage continu dans des dizaines à des centaines de bandes étroitesLes données hyperspectrales permettent de capturer les caractéristiques de réflectance fine des éléments du sol dans le spectre, révélant ainsi des différences subtiles imperceptibles par les méthodes multispectrales. Par exemple, les variations entre différentes variétés de cultures, les états physiologiques de la végétation ou la composition minérale peuvent être précisément mis en évidence grâce aux données hyperspectrales. La comparaison des deux approches permet de révéler l'impact de la résolution spectrale sur la précision de l'identification et de l'extraction des éléments du sol, et de définir la stratégie de sélection des données optimale pour différentes applications.

Principes et méthodes

Cette expérience a été menée à partir des données des satellites Xiguang-105 (également connu sous le nom de Tianxianpei) et Sentinel-2. Dans un premier temps, les indices de végétation par différence normalisée (NDVI), par rapport (RVI) et par amélioration de la végétation (EVI) ont été calculés pour les données hyperspectrales et multispectrales. Ensuite, pour les données hyperspectrales, un algorithme de lucioles modifié a été utilisé afin de sélectionner les bandes spectrales présentant une forte corrélation, permettant ainsi de réduire leur dimensionnalité. Enfin, une machine à vecteurs de support (SVM) a été employée pour classifier les cultures dans les données hyperspectrales et multispectrales.

Analyse des résultats

Figure 1. Résultats de la classification hyperspectrale

Figure 2 Résultats de la classification multispectrale

Dans cette expérience de classification des cultures, trois indices (NDVI, RVI et EVI) ont été utilisés, ainsi que des bandes spectrales fortement corrélées aux cultures. L'algorithme SVM a été employé afin de minimiser l'influence du classificateur. Les figures 1 et 2 présentent les résultats de la classification. La classification hyperspectrale mono-période s'est avérée supérieure à la classification multispectrale. Les images multispectrales souffrent de contours flous, de nombreuses taches et d'une précision moindre, tandis que les images hyperspectrales offrent une identification des caractéristiques du sol plus fine et plus stable.

En matière de classification de l'occupation des sols, les données hyperspectrales présentent des avantages considérables par rapport aux données multispectrales. L'imagerie hyperspectrale enregistre les caractéristiques de réflectance de l'occupation des sols sur de multiples bandes spectrales étroites et continues, permettant une caractérisation plus fine des différences spectrales entre les différents types de cultures. Elle révèle souvent des caractéristiques interspectrales distinctes dans l'espace hyperspectral, améliorant ainsi significativement la précision de la classification et la séparabilité des classes. Grâce aux données hyperspectrales, les méthodes de correspondance des caractéristiques spectrales permettent une différenciation fine et une identification fiable des types d'occupation des sols complexes. À l'inverse, les données multispectrales traditionnelles, avec moins de bandes spectrales et une largeur de bande plus importante, ne fournissent que des informations spectrales limitées. Elles sont sujettes au chevauchement spectral entre les différents types d'occupation des sols, ce qui entraîne des frontières de classification floues et des erreurs de classification. De plus, les données multispectrales sont instables dans les environnements de surface complexes (tels que les types d'occupation des sols mixtes, les ombres et les interférences du sol), ce qui rend difficile la capture efficace des différences subtiles. Par conséquent, du point de vue de la précision, de la robustesse et de l'interprétabilité de la classification, les données hyperspectrales présentent des avantages significatifs pour la classification de l'occupation des sols et constituent une source de données essentielle pour l'extraction d'informations de haute précision sur la surface terrestre.