Suite

Comment effectuer un NDVI et une régression avec ArcMap ?


J'aimerais idéalement exécuter un NDVI sur un échantillon d'images NAIP, puis utiliser les scores NDVI par district ou quelle que soit ma zone agrégée, probablement le secteur de recensement. Mon objectif est d'identifier les parcelles de secteurs de recensement qui sont bonnes pour le développement en fonction de mon score NDVI et d'autres données démographiques socio-économiques telles que l'âge, la population, le revenu, les entreprises, etc. Je sais que le NDVI peut être calculé dans ArcMap, comment pourrais-je traduire les valeurs que je reçois par pixel en un ensemble de données vectorielles ?


Il semble que ce que vous voulez faire est d'utiliser les statistiques zonales. Si vous avez le Extension d'analyste spatial, vous pouvez effectuer Statistiques zonales ou alors Statistiques zonales sous forme de tableau.

Votre raster d'entrée serait votre NDVI. Votre couche de polygones serait vos districts ou parcelles de secteurs de recensement. Avec Zonal Statistics, vous pouvez obtenir le NDVI moyen, le maximum, le minimum, etc.

Voici l'aperçu de tout outils zonaux.

Si vous souhaitez convertir votre raster NDVI en polygones, vous pouvez utiliser le Raster vers polygone outil. Cependant, vous voudrez peut-être reclasser il d'abord. Mais encore une fois, vous aurez besoin de l'extension Spatial Analyst pour cela.


Évaluation du changement de l'état des parcours à l'aide de données AVHRR multitemporelles et de l'analyse du système d'information géographique

Des données d'images satellitaires multitemporelles à grande échelle ont été évaluées en tant qu'outil de détection de la variation de la productivité de la végétation, en tant qu'indicateur potentiel du changement de l'état des parcours dans l'ouest des États-Unis. en utilisant la série chronologique de six ans 1989-1994. Les bandes d'images de l'indice de végétation par différence normalisée (NDVI) pour l'État du Nouveau-Mexique ont été importées dans un système d'information géographique (SIG) pour analyse avec d'autres ensembles de données spatiales. Le NDVI moyen a été calculé pour chaque année et une série d'analyses de régression a été effectuée en utilisant une année comme référence. Les résidus de la ligne de régression ont indiqué 14 zones significatives de changement de NDVI : deux avec un NDVI inférieur et 11 avec un NDVI plus élevé. Les changements dans la gestion des parcours, les activités d'entraînement militaire à travers le pays et l'augmentation des terres cultivées irriguées figuraient parmi les causes de changement identifiées.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


La différenciation spatiale de la NPP et du NDVI et ses facteurs d'influence varient selon le type de prairie sur le plateau Qinghai-Tibet

Les prairies sont l'écosystème dominant du plateau Qinghai-Tibet (QTP), et elles jouent un rôle important dans la régulation du climat et représentent une barrière écologique importante en Chine. Cependant, les caractéristiques de différenciation spatiale de la productivité primaire nette (NPP) et de l'indice de végétation différentiel normalisé (NDVI) et les principaux facteurs d'influence qui varient avec le type de prairie sur le QTP ne sont pas clairs. Dans cette étude, l'indice d'évapotranspiration des précipitations standardisé (SPEI), le modèle numérique d'élévation (DEM), les précipitations, la température, la pente, le rayonnement photosynthétiquement actif (PAR) et l'intensité du pâturage ont été considérés comme les facteurs déterminants. Tout d'abord, une analyse de degré relationnel gris a été effectuée pour tester les relations quantitatives entre la NPP, le NDVI et les facteurs. Ensuite, la méthode du détecteur géographique a été appliquée pour analyser les relations d'interaction des facteurs. Enfin, sur la base du modèle de régression pondérée géographiquement (GWR), l'influence de facteurs variables selon le type de prairie sur la NPP et le NDVI a été révélée du point de vue de la différenciation spatiale. Les résultats étaient les suivants : (1) La NPP et le NDVI avaient à peu près les mêmes degrés de corrélation avec chaque facteur d'impact par l'analyse du degré relationnel de gris, chaque facteur était étroitement lié à la NPP et au NDVI, et le degré relationnel entre l'intensité de pâturage et La NPP était supérieure à celle entre l'intensité de pâturage et le NDVI. (2) Les relations d'interaction entre les facteurs d'influence et la NPP et le NDVI variaient selon le type de prairie et présentaient une amélioration bivariée et une amélioration non linéaire, et les effets d'interaction entre l'intensité de pâturage et tout facteur sur chaque type de prairie avaient un impact plus important sur la NPP. (3) Les principaux facteurs d'influence de l'hétérogénéité spatiale de la centrale nucléaire étaient l'intensité de pâturage et la PAR, qui étaient « élevées du nord-est au sud-ouest, faibles du nord-ouest au sud-est » et « faibles au milieu et élevées autour ». Les principaux facteurs d'influence sur le NDVI étaient les précipitations et le PAR, qui étaient « faibles au milieu et élevés autour » et « élevés au nord, faibles au sud ».

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


Utilisation de la télédétection et des systèmes d'information géographique pour identifier les villages à haut risque de maladie du sommeil rhodesiense en Ouganda

Des systèmes d'information géographique (SIG) et la télédétection ont été utilisés pour identifier les villages à haut risque de maladie du sommeil, tels que définis par l'incidence signalée. Les données satellitaires Landsat Enhanced Thematic Mapper (ETM) ont été classées pour obtenir une carte de la couverture terrestre, et l'indice de végétation par différence normalisée (NDVI) et la bande Landsat 5 ont été dérivés en tant que mesures non classées de la densité de la végétation et de l'humidité du sol, respectivement. Les fonctions SIG ont été utilisées pour déterminer les zones de types d'occupation du sol et les valeurs moyennes du NDVI et de la bande 5 dans un rayon de 1,5 km de 389 villages où l'incidence de la maladie du sommeil avait été estimée. Une analyse utilisant une régression logistique binaire rétrospective a révélé que la proximité des marécages et la faible densité de population prédisaient la présence signalée de la maladie du sommeil, la distance jusqu'à l'hôpital de la maladie du sommeil étant une variable de confusion importante. Ces résultats démontrent le potentiel de la télédétection et des SIG pour caractériser le risque de maladie du sommeil au niveau des villages dans les régions endémiques.


Abstrait

La proximité résidentielle de la végétation et des plantes est associée à de nombreux avantages pour la santé, notamment un risque réduit de maladies cardiovasculaires, de diabète et de stress mental. Bien que les mécanismes par lesquels la proximité de la verdure affecte la santé restent flous, il a été démontré que les plantes éliminent la pollution atmosphérique particulaire. Cependant, l'association entre la végétation des zones résidentielles et l'exposition aux produits chimiques organiques volatils (COV) n'a pas été étudiée. Nous avons recruté une cohorte de 213 personnes non-fumeurs et estimé la verdure maximale, cumulative et contemporaine à l'aide de l'indice de végétation par différence normalisé (NDVI) dérivé par satellite à proximité de leur résidence. Nous avons constaté que les métabolites urinaires de l'exposition aux COV - acroléine, acrylamide, acrylonitrile, benzène, 1-bromopropane, oxyde de propylène étaient inversement associés (7 à 31 % de moins) avec des valeurs de pic de NDVI 0,1 plus élevées dans un rayon de 100 m du domicile des participants . Ces associations étaient significatives à des rayons allant de 25 à 300 m. Les associations les plus fortes ont été observées dans un rayon de 200 m, où les métabolites de COV étaient inférieurs de 22 % pour 0,1 unité de NDVI supérieur. Sur les 18 métabolites urinaires mesurés, 7 étaient positivement associés à une variation de la verdure dans un rayon de 200 m des habitations. Le pourcentage de canopée et d'arbres de rue autour de la résidence des participants était moins fortement associé aux niveaux de métabolites. Les associations entre les métabolites urinaires des COV et les valeurs résidentielles de NDVI étaient plus fortes en hiver qu'en été, et chez les participants les plus instruits, les Blancs, et ceux qui vivaient à proximité de zones à fort trafic. Ces résultats suggèrent que des niveaux élevés de verdure résidentielle sont associés à une plus faible exposition aux COV, en particulier en hiver.


Lissage des données - Réduction du "bruit" dans le NDVI

Les ondes lumineuses réfléchies que les capteurs satellitaires détectent en provenance de la végétation à la surface de la Terre peuvent être altérées ou bloquées par divers phénomènes, notamment les aérosols et les nuages ​​dans l'atmosphère ainsi que la modification des schémas d'éclairage et de l'angle sous lequel le satellite voit le sol à à un moment donné. Ces phénomènes introduisent du « bruit » dans les données satellitaires brutes. Pour résoudre ce problème, les données brutes sont traitées à l'aide de techniques qui filtrent le bruit et produisent un ensemble de données plus clair et plus représentatif.

Les techniques de filtrage varient. La composition, c'est-à-dire la fusion des valeurs NDVI maximales acquises sur des intervalles (généralement) de 7, 8, 10, 14 ou 16 jours, améliore la qualité des données. Mais les effets résiduels des nuages ​​sous-pixels, la nébulosité prolongée et d'autres éléments négatifs nécessitent un traitement supplémentaire sous la forme d'un lissage des données. Le lissage des données facilite les analyses de séries chronologiques en réduisant les pics et les creux aberrants induits par le bruit qui apparaissent lorsque les valeurs NDVI sont tracées graphiquement pour révéler les changements de végétation au fil du temps.

Chez USGS/EROS, nous lissons temporellement les données satellitaires brutes, en utilisant une approche de régression linéaire pondérée par les moindres carrés qui implique une fenêtre temporelle mobile pour calculer une ligne de régression. La fenêtre est déplacée une période à la fois, résultant en une famille de lignes de régression associées à chaque point de données. Cette famille de lignes est ensuite moyennée à chaque point, et interpolée entre les points, pour fournir un signal NDVI continu et relativement lisse dans le temps. De plus, étant donné que les phénomènes qui introduisent du bruit dans les données satellitaires brutes réduisent généralement les valeurs NDVI, nous appliquons un facteur de pondération pendant le processus de lissage qui favorise les points de crête par rapport aux points de pente ou de vallée. Une dernière opération garantit que toutes les valeurs NDVI de crête dans la fenêtre mobile sont conservées. La relation qui en résulte entre les données brutes et lissées est basée sur des statistiques.


Exercice A : Télédétection des écosystèmes terrestres avec l'EnMAP-Box¶

Cet exercice présente les fonctionnalités de base de l'EnMAP-Box pour ce didacticiel. Vous apprendrez à connaître l'interface utilisateur graphique et apprendrez à charger des données, à visualiser des données raster et vectorielles et à utiliser les outils de navigation de base. De plus, vous apprendrez à travailler avec plusieurs vues cartographiques et à visualiser les spectres d'images à l'aide de Spectral Library Windows.

1. Démarrez EnMAP-Box¶

  • Démarrez QGIS et cliquez sur l'icône dans la barre d'outils pour ouvrir EnMAP-Box. L'interface graphique de l'EnMAP-Box se compose d'un Menu et un Barre d'outils, panneaux pour Source d'information et Vues de données, et le Boîte à outils de traitement QGIS y compris les algorithmes EnMAP-Box.

2. Charger les données¶

Pour charger de nouveaux ensembles de données dans EnMAP-Box, cliquez sur l'icône et accédez au répertoire de fichiers contenant vos données. Sélectionnez biomass_sonoma.shp dans la boîte de dialogue Ouvrir la source de données et sélectionnez Ouvrir .

Alternativement, l'EnMAP-Box offre des capacités de glisser-déposer simples pour charger des données à partir d'un gestionnaire de fichiers externe (par exemple, l'explorateur de fichiers Windows). Ouvrez enmap_sonoma.bsq en faisant glisser et en déposant le fichier de votre gestionnaire de fichiers dans le panneau Sources de données.

Toutes les données actuellement ouvertes dans EnMAP-Box apparaîtront dans le panneau Sources de données.

3. Visualisez les données raster¶

Les offres EnMAP-Box Vues cartographiques (Carte #) pour visualiser les données raster et vectorielles. Cliquez sur l'icône pour ouvrir une nouvelle vue de carte et faites glisser enmap_sonoma.bsq du panneau Sources de données vers la carte n°1.

En plus d'une nouvelle ouverture de vue de carte, une entrée de vue de données correspondante est créée dans le panneau Vues de données qui affiche toutes les données actuellement chargées dans une vue de carte donnée.

Par défaut, les trois premières bandes sont attribuées aux canaux RVB lors de l'affichage d'un nouveau jeu de données raster. Pour attribuer une combinaison RVB personnalisée à une image raster, cliquez avec le bouton droit sur le jeu de données dans le panneau Vues des données, sélectionnez Propriétés de la couche et accédez à Symbologie . Définissez le type de rendu sur Couleur multibande et sélectionnez les bandes à afficher dans les canaux de couleur rouge, vert et bleu. Les combinaisons courantes sont énumérées ci-dessous.

Affichez enmap_sonoma.bsq en tant que composite de vraies couleurs. Sous Min/Max Value Settings , sélectionnez le bouton radio pour Cumulative count cut et définissez l'étirement sur 2-98 %. Sélectionnez OK.

4. Outils de navigation de base¶

  • La barre d'outils propose des outils de navigation courants pour explorer les ensembles de données visualisés. Familiarisez-vous avec les outils de navigation suivants : Notez que la molette de la souris peut être utilisée alternativement pour le zoom (roulez la molette de la souris vers l'avant/vers l'arrière) et le panoramique (appuyez et maintenez la molette de la souris).

5. Plusieurs vues de carte¶

  • L'EnMAP-Box permet aux utilisateurs de travailler avec plusieurs vues cartographiques, qui peuvent être organisées de manière flexible et liées géospatialement. Ouvrez une nouvelle vue cartographique en cliquant sur l'icône. Notez qu'une entrée de vue de données apparaît correspondant à la nouvelle vue de carte.
  • Affichez enmap_sonoma.bsq en tant que composite RVB de votre choix dans la carte #2.

Lors du chargement d'une image raster dans une vue de carte, vous pouvez également cliquer avec le bouton droit sur le nom du fichier dans le panneau Sources de données et sélectionner Ouvrir dans une carte existante ou Ouvrir dans une nouvelle carte . Si l'image raster est associée à des informations de longueur d'onde, vous pouvez également sélectionner un composite prédéfini dans le menu contextuel.

  • Pour la liaison géospatiale, cliquez sur Afficher dans le menu et sélectionnez Définir la liaison de carte . Dans la fenêtre Map Linking, sélectionnez l'option Link Map Scale and Center et fermez la boîte de dialogue. Vous pouvez également cliquer avec le bouton droit sur une fenêtre de carte que vous souhaitez lier et sélectionner Lier avec d'autres cartes .
  • Affichez enmap_sonoma.bsq en tant que carte composite en couleurs vraies #1 et en tant que composite RVB de votre choix dans la carte #2. Déplacez les vues cartographiques pour s'adapter au mieux à l'orientation des données.

Les fenêtres de carte peuvent être réorganisées en cliquant sur la barre de titre bleue de la carte et en la faisant glisser vers la position souhaitée. Un rectangle bleu transparent apparaîtra indiquant la position d'amarrage une fois que vous relâcherez le bouton de la souris. Vous pouvez également détacher les vues cartographiques de la fenêtre EnMAP-Box en sélectionnant à partir de la barre de titre bleue de la carte. Pour réancrer une vue de carte, cliquez et faites glisser la barre de titre bleue de la carte vers une vue de carte ouverte déjà ancrée dans la fenêtre EnMAP-Box.

6. Visualisez les données vectorielles¶

  • Fermez la carte #2 de l'étape précédente.
  • Chargez biomass_sonoma.shp sur la carte n°1.
  • Pour modifier l'ordre des calques empilés, accédez au panneau Vues des données et faites glisser un calque au-dessus ou en dessous d'un autre. Organisez la pile de couches de sorte que biomass_sonoma.shp s'affiche au-dessus de enmap_sonoma.bsq .
  • Par défaut, les fichiers vectoriels sont affichés avec un seul symbole uniforme. Pour modifier cette symbologie, cliquez avec le bouton droit sur biomass_sonoma.shp dans le panneau Vues de données, sélectionnez Propriétés de la couche et accédez à Symbologie dans la fenêtre Propriétés de la couche. Vous pouvez maintenant modifier la symbologie conformément à la fonctionnalité QGIS. Sélectionnez Gradué dans le menu déroulant et sélectionnez la biomasse dans la colonne et la couleur dans la méthode . Réglez la rampe de couleur pour qu'elle s'étende du blanc au vert.
  • Appuyez sur Classifier puis sur OK pour afficher les valeurs de biomasse relatives associées à chaque point. Explorez les différentes manières d'afficher ces informations à l'aide de la fonctionnalité de symbologie QGIS.
  • Utilisez l'outil de la barre d'outils pour afficher les données raster et vectorielles affichées. Lorsqu'elle est activée, une nouvelle fenêtre Valeurs d'emplacement du curseur s'ouvre et affiche les données du pixel ou de l'entité sélectionné. Remarque : Les informations sur le curseur d'identification doivent être activées pour accéder à cet outil.

7. Extraire et visualiser les spectres d'images¶

  • Les offres EnMAP-Box Fenêtres de la bibliothèque spectrale (SpectralLibrary #) pour visualiser les spectres et gérer leurs métadonnées. Une introduction détaillée à la fenêtre de bibliothèque spectrale peut être trouvée dans les exercices B et C du didacticiel de démixage basé sur la régression .
  • Cet outil peut également être utilisé pour extraire et visualiser des spectres associés spatialement à des données vectorielles ouvertes dans l'EnMAP-Box, c'est-à-dire les points de référence de la biomasse. Pour ce faire, ouvrez une nouvelle fenêtre Bibliothèque spectrale en sélectionnant l'icône dans la barre d'outils.
  • Ensuite, sélectionnez Importer des profils à partir de sources raster + vectorielles dans le menu déroulant par l'icône dans SpectralLibrary #1 et sélectionnez les sources raster et vectorielles appropriées. Activez l'option Copier les attributs . Une bibliothèque spectrale est automatiquement construite en fonction de la localisation géographique de chaque point du fichier vectoriel. Les informations d'attribut associées sont affichées dans le tableau de droite.
  • Modifiez les couleurs du profil spectral pour refléter les valeurs de biomasse qui leur sont associées. Pour ce faire, sélectionnez dans le coin inférieur droit de la visionneuse de bibliothèque spectrale. Utilisez ensuite la fonctionnalité de symbologie QGIS pour modifier le schéma de couleurs des profils spectraux afin de refléter les valeurs de biomasse associées dans la table attributaire (voir l'exercice A6 si nécessaire). Assurez-vous d'activer le bouton afin d'utiliser les couleurs de la symbologie vectorielle de la carte.
  • Dans l'exercice B, vous apprendrez à créer et à appliquer des modèles de régression basés sur ces informations pour prédire la biomasse sur l'ensemble de l'image.
  • A1: Quels types d'occupation du sol sont présents dans l'imagerie ? Comment les parcelles d'entraînement de la biomasse sont-elles réparties dans toute la scène ?
  • A2: Quelles informations différentes pouvez-vous voir lorsque vous passez d'un composite en vraies couleurs à un composite en fausses couleurs NIR ?
  • A3: Comparez les spectres des placettes à haute biomasse et des placettes à faible biomasse. Quelles différences voyez-vous ?

Comment effectuer un NDVI et une régression avec ArcMap ? - Systèmes d'information géographique

Évaluer la validité d'une mesure des systèmes d'information géographique (SIG), l'indice de végétation par différence normalisée (NDVI), en tant que mesure de la verdure du quartier pour la recherche épidémiologique.

Méthodes

À l'aide de données spectrales de télédétection, le NDVI a été calculé pour une distance radiale de 100 m autour de 124 résidences dans le grand Seattle. Le critère standard était l'évaluation de la verdure pour les zones résidentielles correspondantes par 3 psychologues de l'environnement. Des corrélations de Pearson et des modèles de régression ont été utilisés pour évaluer l'association entre les cotes de verdure des psychologues et le NDVI. Les analyses ont également été stratifiées selon la densité résidentielle afin d'évaluer si les corrélations différaient entre la faible et la forte densité.

Résultats

Le NDVI moyen parmi cet échantillon de résidences était de 0,27 (écart type [SD], plage de 0,11, -0,04 à 0,54), et la note moyenne du psychologue pour la verdure était de 2,84 (SD, plage de 0,98, 1 à 5). La corrélation entre le NDVI et les notes d'experts de la verdure était élevée (r = 0,69). La corrélation était tout aussi forte au sein de chaque strate de densité résidentielle.

Conclusion

Le NDVI est une mesure utile de la verdure du quartier. En plus de montrer une forte corrélation avec les évaluations des experts, cette mesure présente des avantages pratiques, notamment la disponibilité des données et la facilité d'application à diverses limites, ce qui faciliterait la réplication et la comparabilité entre les études.


Extraction d'informations sur la couverture terrestre basée sur des séries temporelles NDVI quotidiennes et une combinaison de multiclassificateurs

Une compréhension opportune et précise de l'évolution de la couverture végétale a une grande importance dans la gestion des ressources de la zone. Pour explorer l'application d'une série chronologique d'indice de végétation par différence normalisée quotidienne (NDVI) dans la classification de la couverture terrestre, la présente étude a utilisé les données HJ-1 pour dériver une série chronologique quotidienne de NDVI par prétraitement. Différents classificateurs ont ensuite été appliqués pour classer les séries temporelles quotidiennes du NDVI. Enfin, les séries chronologiques quotidiennes du NDVI ont été classées en fonction de la combinaison de plusieurs classificateurs. Les résultats indiquent que la machine à vecteurs de support (SVM), le mappeur d'angle spectral et les classificateurs d'arbres de classification et de régression peuvent être utilisés pour classer les séries chronologiques NDVI quotidiennes, SVM fournissant la classification optimale. Les classificateurs de

-means et distance de Mahalanobis ne conviennent pas à la classification en raison de leur précision et de leur mécanisme de classification, respectivement. Cette étude propose une méthode de réduction de dimensionnalité basée sur les caractéristiques statistiques des séries temporelles quotidiennes de NDVI pour la classification. La méthode peut être appliquée à l'extraction d'informations sur les ressources foncières. De plus, une combinaison améliorée de multiclassificateurs est proposée. Les résultats de la classification indiquent que la combinaison de multiclassificateurs améliorée est supérieure aux différentes combinaisons de classificateurs uniques, en particulier en ce qui concerne les sous-classificateurs avec des différences plus importantes.

1. Introduction

L'utilisation des terres et le changement de la couverture terrestre ont été reconnus comme des facteurs majeurs dans les activités humaines affectant les changements régionaux et les systèmes biologiques [1, 2]. Les informations sur l'occupation du sol peuvent servir de base à la formulation de mesures de protection écologique et à la mise en œuvre du développement durable [3–5]. La technologie de télédétection est devenue le principal moyen d'acquisition d'informations sur la couverture terrestre et présente les avantages d'une vitesse d'acquisition de données élevée, d'une vitesse de mise à jour élevée, d'une large gamme, d'une commodité économique et d'informations spatiales riches [6-8].

Avec le développement continu de la technologie de télédétection, la résolution spatiale et temporelle de l'image de la télédétection ne cesse d'augmenter, et le traitement des images de télédétection présente de nouveaux défis. Les méthodes de classification couramment utilisées dans les images de télédétection comprennent le maximum de vraisemblance [9], la distance minimale [10], l'orientation objet [11], le mappeur d'angle spectral (SAM) [12], la machine à vecteurs de support (SVM) [13] , et les classificateurs de réseaux neuronaux [14, 15]. Giacinto et Roli [16] ont mené une étude comparative de l'application de divers classificateurs dans la classification des données de télédétection, dont les résultats ont indiqué qu'aucun classificateur n'est universel. En plus du développement de classificateurs plus avancés, les combinaisons de multiclassificateurs sont une approche pour améliorer la précision de la classification, car différents classificateurs peuvent fournir des informations complémentaires sur les images à classer [17]. Cette approche combinatoire peut obtenir une précision plus élevée que n'importe quel classificateur unique. Habibi et al. [18] ont prouvé que dans la classification basée sur les segments, plusieurs classificateurs obtenaient une précision globale plus élevée. Cependant, dans les combinaisons de multiclassificateurs, chaque classificateur prédit individuellement les échantillons non marqués en fonction du modèle qu'ils apprennent. Si les échantillons non marqués se combinent avec les meilleurs résultats de classification, alors la précision prédictive devrait être supérieure aux prédictions des sous-classificateurs. Cependant, lorsque la différence dans les sous-classificateurs est plus grande, un niveau de confiance inférieur est prédit. Lorsque ce phénomène se produit, les combinaisons de multiclassificateurs ne peuvent pas améliorer la précision.

L'indice de végétation par différence normalisée (NDVI) est un paramètre critique pour identifier la végétation, et il a une corrélation évidente avec la couverture végétale [19]. Étant donné que la variation temporelle correspond au changement et à la croissance de la végétation, les zones qui ont la même végétation présentent des courbes similaires. Par conséquent, la séquence à long terme d'informations NDVI dérivées d'images de télédétection à long terme a conduit à ce que les séries temporelles de données de télédétection NDVI deviennent une source cruciale d'informations sur la classification de la couverture terrestre [20–22]. Par rapport à l'approche de classification traditionnelle avec des intervalles différents des séries chronologiques NDVI, l'utilisation de la classification quotidienne des données de télédétection des séries chronologiques NDVI améliore souvent la précision de la classification car elle dérive plus de caractéristiques phénologiques qui ont un effet statistiquement significatif sur l'amélioration de la précision de la classification de la couverture terrestre. 23, 24]. Cependant, la télédétection quotidienne des séries temporelles NDVI est sujette à la perte de données, et des intervalles inégaux ne peuvent pas révéler pleinement le changement de l'indice de végétation du cycle terrestre [25]. De plus, cette technique souffre d'une précision de classification des terres réduite par mauvais temps et lorsque le cycle de retour du satellite n'est pas atteint [26]. Ce sont des contraintes cruciales sur la classification des terres basée sur les séquences temporelles NDVI [27]. Les séquences temporelles NDVI quotidiennes ont des dimensions plus élevées qui peuvent rendre le processus de sélection des caractéristiques très lourd et entraîner des calculs particulièrement volumineux. Cette étude devait utiliser les données HJ-1 pour développer un flux de processus pour construire une série chronologique NDVI quotidienne pour la classification de la couverture terrestre.

Le but de la présente étude était d'utiliser les données HJ-1 pour la classification de la couverture terrestre basée sur des séries chronologiques quotidiennes de NDVI et une combinaison de multiclassificateurs. Les objectifs de cette étude étaient de

classer la couverture terrestre à partir des séries temporelles quotidiennes du NDVI avec différents classificateurs

proposer une méthode d'extraction d'informations sur la couverture terrestre avec des caractéristiques statistiques basées sur des séries temporelles quotidiennes de NDVI

classer la couverture terrestre à partir des séries temporelles quotidiennes du NDVI avec une combinaison de multiclassificateurs pour améliorer la précision de la classification

proposent une méthode améliorée de combinaison de multiclassificateurs pour améliorer la précision de la classification lorsque la différence de sous-classificateurs est particulièrement importante.

2. Zone d'étude et données de télédétection

2.1. Zone d'étude

La région de la plaine de Guanzhong dans la province du Shaanxi, en Chine, est une base de production clé pour les céréales, l'huile, les fruits et les légumes. La planification de la gestion des terres avec une compréhension opportune de la situation de la couverture végétale est d'une grande importance dans la région. Dans cette étude, les comtés de Wugong et Fufeng ont été sélectionnés dans la région de la plaine de Guanzhong et examinés (Figure 1). Couverture Wugong (108°01′–108°19′E, 34°12′–34°26′N) et Fufeng (107°45′–108°4′E, 34°12′–34°37′N) une superficie de 1210,2 km 2 . La zone d'étude a un climat de mousson continental semi-humide avec une température annuelle moyenne d'environ 12,7 °C, ses précipitations moyennes sont de 600 mm et la région est caractérisée par un ensoleillement intense et des terres plates et fertiles. C'est une région typique du nord de la Chine sujette à la sécheresse [28, 29] et est dominée par des terres boisées et cultivées. Les pommes et les kiwis sont les principaux produits des bois, et le blé d'hiver et le maïs sont les principales cultures terrestres. Cette étude considère les terres à blé et maïs d'hiver comme des terres cultivées.

2.2. Sélection d'échantillons

La sélection de différentes catégories d'échantillons joue un rôle clé dans l'établissement des informations de classification et des règles de classification. Avec la classification actuelle de l'utilisation des terres pour la norme nationale de la République populaire de Chine (GB/T21010-2007) comme référence de base des catégories de terres et compte tenu de la recherche sur le terrain, de l'interprétation visuelle à l'aide d'images haute résolution et des écosystèmes dominants [30], dix les catégories d'utilisation des terres ont été interprétées, y compris les terres cultivées, les bois, le canal fluvial, la plage, les zones résidentielles rurales, les villes, le gravier rocheux nu, les sols sablonneux, les vergers de pommiers et les vergers de kiwis. Compte tenu des caractéristiques réelles d'utilisation des terres, nous n'avons pas divisé les terres cultivées en types de sous-niveaux, mais le verger en types de sous-niveaux (verger de pommiers et verger de kiwis) [31]. Compte tenu de la résolution d'image grossière et des distributions fragmentées de gravier rocheux nu et de terre nue, nous avons fusionné le gravier rocheux nu et la terre nue en gravier rocheux nu [32].

Cette étude a sélectionné des échantillons de formation et de test par le biais de recherches sur le terrain et de fichiers de région d'intérêt (ROI) définis par le logiciel ENVI 5.0 pour différentes catégories de couverture terrestre à l'aide de données réelles au sol [33]. Pour garantir l'exactitude des échantillons, les échantillons d'entraînement et de test ont été sélectionnés et validés comme suit : le type d'échantillon a été déterminé grâce à la première recherche sur le terrain et une analyse de l'utilisation des terres, le type d'échantillon et les régions ont été confirmés davantage avec HJ-1/ Les images CCD et les images haute résolution de Google Earth, ainsi que les types d'échantillons et la précision de la région ont été confirmés par une deuxième enquête sur le terrain avec le même itinéraire de recherche. La recherche sur le terrain de cette étude comprend le type de catégorie, la latitude et la longitude, puis nous avons sélectionné les échantillons efficaces dans les données de télédétection après la recherche déposée. L'itinéraire de la recherche sur le terrain et le tableau des échantillons sont illustrés à la figure 1 et au tableau 1. Les échantillons choisis étaient uniformément répartis dans la zone d'étude.

2.3. Données de télédétection

Les données du satellite HJ-1 ont été extraites du China Center for Resources Satellite Data and Application (http://www.cresda.com/), qui est la source de données optiques la plus appropriée avec une résolution temporelle et spatiale combinée pour la surveillance par télédétection [ 34]. Il se caractérise par un grand volume, une haute résolution spatiale avec une résolution de 30 m de pixels à l'angle du nadir et une haute résolution temporelle avec un cycle de répétition de 2 jours. Les principales caractéristiques des données satellitaires HJ-1 CCD sont présentées dans le tableau 2.

L'étude a sélectionné 55 images au total pour analyse. Les 51 principales images de télédétection étaient des images CCD HJ-1 capturées de juin 2015 à mai 2016, la couverture nuageuse dans les images était inférieure à 10 %. En raison des indices de végétation des images HJ-1 CCD et Landsat présentant une corrélation linéaire significativement positive [35], 4 images Landsat ont été complétées au cours de la grave perte du stade de l'image du cycle de croissance.

3. Matériels et méthodes

3.1. Prétraitement des données

Les procédures de prétraitement conventionnelles peuvent être utilisées pour les images CCD HJ-1. Les images ont été projetées en UTM avec un ellipsoïde WGS 84. Les fichiers de métadonnées joints à ces images contiennent des informations détaillées sur l'état de l'image. Les procédures de prétraitement des données HJ-1 comprennent la correction du rayonnement, la correction géométrique, la correction atmosphérique et la sélection de sous-ensembles avec la zone d'étude [36, 37]. La valeur DN de l'image est transformée en une valeur de luminosité de rayonnement en obtenant les coefficients d'étalonnage de rayonnement. Dans cette étude, la correction atmosphérique FLAASH a été effectuée en utilisant ENVI 5.0 [36], puis la zone de recherche a été coupée. La correction géométrique finale du traitement de l'image CCD HJ-1 a utilisé l'image Landsat Thematic Mapper comme référence, 60 points de contrôle au sol et un contrôle d'erreur de correction de 0,5 pixel [38].

Le NDVI a été calculé en utilisant les données rouge et proche infrarouge des données HJ-1 CCD. L'ensemble de données de séries temporelles NDVI pour la zone d'étude a été obtenu en superposant les images NDVI en fonction de leur temps d'acquisition [39] :

où et sont respectivement la réflectance de surface du proche infrarouge et de la bande rouge.

Étant donné que les séries temporelles NDVI des images HJ-CCD acquises sont inégalement espacées, de nombreuses méthodes de filtrage basées sur la fréquence du signal ne sont pas applicables. Dans cette étude, l'algorithme de filtrage Savitzky-Golay (S-G) [40, 41] a été appliqué. Le filtrage S-G est basé sur l'utilisation de la méthode de convolution des moindres carrés pour lisser et calculer la fonction de la valeur adjacente, et l'ajustement adaptatif local peut gérer des signaux avec des intervalles inégaux la formule de base de la méthode est comme indiqué dans

où représente la série temporelle de valeurs NDVI d'origine, représente la valeur après lissage,

est un entier positif, représente la taille de la fenêtre glissante, est le nombre de convolution, la valeur est égale à la taille de la fenêtre glissante, peut être calculée par la formule proposée par Madden [42], et

est le coefficient du tableau NDVI d'origine.

Cette étude a réalisé le filtrage et l'interpolation quotidienne basés sur la série temporelle spatiale des pixels de l'image, qui est basée sur le système de reconstruction de série temporelle développé par Pan et al. [25]. Le système utilise la technologie d'interpolation linéaire pour réaliser la fonction d'interpolation. Le principe de base de l'expression relationnelle du système est comme indiqué dans [25]

où NDVI représente la date à interpoler et NDVI1 et NDVI0 représentent la séquence d'images acquise.

3.2. Arbre statistique rapide, non biaisé et efficace

Quick Unbiased and Efficient Statistical Tree (QUEST) est un algorithme d'arbre de décision proposé par Loh et Shih en 1997 et il a été continuellement amélioré depuis [43]. QUEST est un type d'approche de classification par arbre de décision qui classe selon des règles de classification basées sur l'expérience d'experts, des statistiques mathématiques simples et des méthodes d'induction largement utilisées pour la classification de la couverture végétale [44]. Le classificateur QUEST utilisé dans cette étude reposait sur le logiciel RuleGen v.1.02 en langage IDL/ENVI. RuleGen analyse des échantillons de formation pour générer des fichiers de projet d'arbre de décision ENVI, puis la règle est appliquée à l'ensemble des données de télédétection.

3.3. Mappeur d'angle spectral

SAM est une technique d'analyse d'images hyperspectrales proposée par Kruse et al. [45], which is a standardized, fast, and simple method for calculating spectral similarities between an investigated object and a reference object. The smaller the calculated angle is, the more similar the two spectra are [46]. Therefore, an object’s spectrum is assigned to the class that has the smallest angle value regarding the specific reference spectrum.

In this study, we first obtain the spectral curve of the training samples and take them as a reference spectral curve for train samples. Last we extracted the land cover information through SAM based on reference spectral curve for each sample.

3.4. Other Classification Methods

Remote-sensing image classification is based on spectral characteristics and involves the extraction of the background of an image from a target image. According to whether there is a priori knowledge of the spectrum, the target detection algorithm can be divided into two categories: supervised and unsupervised. This study mainly used -means [47] unsupervised classification, Mahalanobis distance [48], minimum distance [49], and SVM [50] for supervision classification. Mahalanobis distance, minimum distance, and SVM were applied to explore all the input features according to given training samples. -means classification is the classification of patterns derived from remote-sensing data into classes and does not require training.

SVM classifier for land cover classification is applied using ENVI 5.0 remote-sensing software in this study, and the selection of kernel functions in this study is default parameters in ENVI 5.0.

3.5. Classification Method Based on the Statistical Characteristics of a Time Series

Time series data reflect the characteristics of attribute values in temporal and spatial order. Using time series data mining can yield useful information related to time in data and realize the extraction of knowledge.

This study involved land information extraction research based on the daily NDVI time series. Time series classification problems have been widely addressed in the field of time series data mining, in which they are treated as a branch of sequence classification problems [51]. Because the dimension of the time series feature space is very large, the process of feature selection in time series classification is very cumbersome and the calculation is very large. A feature refers to an object’s polygon attribute information including the spectrum, texture, shape, spatial relations, topology, and other information. Data dimension reduction and feature representation are the key technologies and methods for solving the large dimension problem of time series. In this paper, we propose a method of dimensionality reduction and feature representation of time series data to classify time series according to their statistical features from daily NDVI time series. This can facilitate the feature selection process and lessen the computation involved in the classification process.

Based on the statistical characteristics of different samples, the mean, standard deviation, variance, skewness, kurtosis, and mean absolute deviation of daily NDVI time series were selected as the sample characteristics. Because of the existence of bimodality in cultivated land, this study divided the time series into two stages: the growth stage of corn and the growth stage of winter wheat. The statistical characteristics of NDVI time series were calculated using ENVI5.0, and the statistical characteristics of different sample types were extracted as shown in Figure 2. A range of variations were found in the statistical characteristics between different samples. The mean, skewness, and kurtosis differed markedly among sample types, and the standard deviation, variance, and mean absolute deviation were relatively the same. Only the difference between the samples was marked however, a greater level of distinction between them could be achieved. Therefore, three statistical characteristics (i.e., the mean, skewness, and kurtosis) were selected as the daily NDVI time series characteristics for distinguishing between samples. An SVM classifier was used to achieve the classification results using three statistical features based on the daily NDVI time series.

3.6. Multiclassifier Combination

Voting methods are among the most commonly used multiclassifier combination methods [52–54] and are used to determine whether the members of classifier output results differ. The category with the most voting rules is classified as the category of the class that consistently distinguishes the most classifiers. When multiple categories have an identical vote number, one of them tends to be randomly selected as the final result. This study applied a weighted voting method. That classification ability of accurate classifiers should be assigned a higher probability value, and poor classification classifiers assigned a lower probability value.

3.7. Improved Multiclassification Combination Method

When there is a greater difference between the subclassifiers, the confidence level of prediction is lower. For example, the classification accuracy of one classifier is far superior to other classifiers, which leads to the classification accuracy of the multiclassifier combination results being lower than that of the optimum classifier. Therefore, an improved classifier combination method is proposed, in which the following algorithm steps are used: (1) The first and second steps are identical to those in the voting method. (2) The classification probability images are compared with the same classifier class and the different class optimal classification probability images are thus obtained. The different class classification probabilities are compared for the unknown pixel

, and the category corresponding to the maximum value of pixel is selected the final category label.

Multiclassifier combination methods were not reclassified, they were just all the pixel reclassified based on the remote-sensing data, different type and different single classifiers have different probability and we sum the different type probability with different single classifiers, and last the maximum probability of the sample is the result of the classification.

3.8. Accuracy Evaluation of Classification Results

Confusion matrices are the most commonly used method for evaluating the classification accuracy of remote-sensing images [55]. They are mainly used to compare the classification results with real information from the surface. The accuracy of the classification results can be displayed in a confusion matrix. A confusion matrix has the following evaluation indices: overall accuracy, Kappa coefficient, prod accuracy, omission, user accuracy, and commission. This study selected overall accuracy, Kappa coefficient, prod accuracy, and user accuracy as the evaluation indices of remote-sensing image classification accuracy.

4. Results

4.1. Daily NDVI Time Series of Sample Category

The daily NDVI time series curves of the sample categories showed a distinct difference after smoothing and spatial interpolation (Figure 3). In Figure 3, the daily NDVI time series after pretreatment are enhanced in the time dimension and reflect the subtle changes in NDVI of the different sample categories during the year. The NDVI time series of the river canal and beach have lower troughs than the other time series. The daily NDVI time series curve of the cultivated land has two conspicuous growth peaks, whereas the woodland, apple orchards, and kiwi orchards have one growth peak. The maximum value, minimum value, and change rate of the NDVI differ among the different sample categories. The growth peak of the NDVI in the woodland is less than that in the other areas, and the NDVI curves in the sample categories of nonvegetation are unstable, with the exception of sample categories involving water. All the information revealing differences between the different sample categories is critical for their classification.

4.2. Classification Results Based on Time Series Statistics

An SVM classifier was used to classify the images of the mean, peak, and skewness of daily NDVI time series, the final results of which were verified using a confusion matrix. The classification results are shown in Table 3.

The overall accuracy of the classification results based on NDVI time series statistics is 77.45% and the Kappa coefficient is 0.7495, indicating a high degree of consistency. The results of the classification of cultivated land were the most accurate, with the user accuracy reaching 100% and the prod accuracy being 100%. The classification map is shown in Figure 4.

4.3. Classification Results Based on QUEST and SAM

QUEST was used to examine all the train samples features and automatically built tree rules based on the given training samples. SAM was used to examine all the object reference spectrums according to the given training samples. The daily NDVI time series based on the tree rules and object reference spectrums were then classified. The final classification results were verified using a confusion matrix and are shown in Table 4.

The overall accuracy of the classification results obtained by applying SAM to the daily NDVI time series is 73.52% and the Kappa coefficient is 0.7057, indicating a high degree of consistency. The overall accuracy of classification results yielded by applying QUEST to the daily NDVI time series is 87.31% and the Kappa coefficient is 0.8589, indicating almost complete consistency. The classification map is shown in Figure 4.

4.4. Other Single Classifier Classification Results

Based on daily NDVI time series, we employed both unsupervised and supervised classification methods to classify the time series. The final results were verified using a confusion matrix and are shown in Table 5.

The overall accuracy of the classification results based on the daily NDVI time series with Mahalanobis distances and SVM are 97.72% and 94.23%, and the Kappa coefficients are 0.9746 and 0.9359, respectively, indicating almost complete consistency. This approach can more effectively realize the land cover classification and extraction of land resources information for daily NDVI time series. The overall accuracy of NDVI time series with minimum distance classification results is 68.12% and the Kappa coefficient is 0.6455, indicating a high degree of consistency. This approach can also be used to realize land classification and land resource information extraction. However, the effectiveness of the -means unsupervised classifier was low, with overall accuracy and Kappa coefficient of only 20.69% and 0.1175, respectively, indicating that this method cannot be used for land classification or land resource information extraction. -means classification is processed based on the similarity calculation obtained from the average values of objects in different categories. However in present study, the difference between spectral information of categories is unequal. And under this circumstance, the similar spectral information is classified into one category, and some mixed-pixel is misinterpreted into one category. In the present study prod accuracy and user accuracy values are 0 for kiwi orchard, bare rocky gravel, and apple orchard classification because of similar curves classified into one class. And this is further confirmed that this method cannot be used for land classification with daily NDVI time series. The classification map is depicted in Figure 4.

The process of calculating the Mahalanobis distance requires the overall sample number to be higher than the dimension number of the sample otherwise, the inverse matrix of the overall sample covariance matrix cannot be obtained [56, 57]. Therefore, in this study the classification training samples could not be applied because the overall sample number was lower than the size of the scale, and certified samples were selected for classification and verification. For high-dimensional sequence classification, it is not recommended to use the Mahalanobis distance classifier because this requires a high number of samples, which leads to an increase in the difficulty of classifying smaller area types consequently, feature classification cannot be achieved for such area types.

4.5. Classification Results of Multiclassifier Combination

Based on the daily NDVI time series multiclassifier combination method, two types of combinations were applied: SAM, minimum distance, and statistical characteristics and SAM, SVM, and QUEST. The final classification results were verified using a confusion matrix and shown in Table 6. Prod accuracy and user accuracy represents the degree of consistency between the actual classification and the reference classification and the degree of consistency between the actual classification number and the classification number, respectively.

The classification results based on the original multiclassifier combination indicate that the overall accuracy of the three-classifier combination with SAM, minimum distance, and statistical characteristics was 80.49% and the Kappa coefficient was 0.7832 those of the other three-classifier combination were 93.60% and 0.9289, respectively. The classification results yielded by the improved multiclassifier combination indicated that the overall accuracy of the three-classifier combination of SAM, minimum distance, and statistical characteristics was 81.15% and the Kappa coefficient was 0.7905. The other three-classifier combination had an overall accuracy of 94.28% and a Kappa coefficient of 0.9365. The classification map is shown in Figure 5.

5. Discussion

(1) The daily NDVI time series can be constructed through S-G filtering and spatial interpolation according to the resource satellite data. It contains subtle information in the temporal and spatial dimensions, thereby contributing more information to the extraction of land resource information. However, the large spatial dimension of the series may cause the classification process to be cumbersome and computationally demanding. Spectral feature extraction can be used to reduce the dimensions and obtain information with as high dimension data as possible. Gasmi et al. [58] used principal component analysis to reduce the dimensions of the 9 ASTER bands, yielding results that correlated well with a reference geological map. In the present study, because of the large spatial dimension of the daily NDVI time series, the statistical characteristics were selected to realize their classification. The analysis of the classification results indicates that the daily NDVI time series can be classified based on images of mean, kurtosis, and skewness. The overall accuracy is 77.45% and the Kappa coefficient is 0.7495, indicating a high degree of consistency (Table 3 and Figure 4). The classification results indicate that the method is effective. Applying classification methods that are based on the statistical characteristics of daily NDVI time series solves the problem of the spatial dimension of daily NDVI time series being large and cumbersome to process. This study proposes a new method for classifying daily NDVI time series and other large dimension classifications.

(2) 6 single classifiers—namely, QUEST, SAM, minimum distance, Mahalanobis distance, SVM, and -means—were applied to daily NDVI time series. Ouzemou et al. (2015) applied SVM and SAM methods to classify principal crops using NDVI time series of 10 periods and reported overall accuracies of 85.27% and 57.17%, respectively [59]. The results of the present study demonstrate that a single classifier based on SVM and the Mahalanobis distance achieves a high level of accuracy in extracting land resource information from daily NDVI time series data, with a Kappa coefficient of >0.90 (Table 5). However, because of its mechanism, a single classifier based on the Mahalanobis distance is unsuitable for extracting information from daily NDVI time series. Based on the single classifiers QUEST, SAM, and minimum distance, land resource information can be extracted using daily NDVI time series, with Kappa coefficients of 0.8589, 0.7057, and 0.6812, respectively, indicating a high degree of consistency (Tables 4 and 5 Figure 4). This indicates that QUEST, SAM, and minimum distance are suitable for extracting land resource information from daily NDVI time series and other time series. The study area has more object categories and a large number of mixed pixels. The NDVI curves of the various sample categories differ markedly, with some curves exhibiting little difference and others exhibiting large differences. -means is unsuitable for daily NDVI time series with mixed pixels and high variation, because it is an unsupervised classification algorithm based on distance. The Kappa coefficient of the -means single classifier in the daily NDVI time series is 0.1175 (Table 5), which indicates it cannot satisfy the requirement of land resource information extraction. This further indicates that -means is unsuitable for extracting information from daily NDVI time series. The classification maps of different classifiers reveal that different classifiers have different accuracy in different sample classes. The classification map indicates that the SVM yielded the optimal map, followed by the QUEST and SAM results maps. The worst classification map is that produced using the -means classifier. The results of 6 single classifiers for daily NDVI time series classification indicate that SVM classifiers are the optimal classifier for daily NDVI time series classification and that QUEST, SAM, and minimum distance are suitable for extracting land resource information from daily NDVI time series, whereas -means is unsuitable.

(3) The daily NDVI time series was processed based on the multiclassifier combination. The results indicate that the overall classification accuracy of the three-classifier combination based on SAM, minimum distance, and statistical features was 80.49% and the Kappa coefficient was 0.7832 (Table 6), which is more favorable than the classification results of each of the three types of classifiers alone. This demonstrates that multiclassifier combination can be effectively applied to weak classifier combinations. Using the SAM, QUEST, and SVM three-classifier combination attained an overall classification accuracy of 93.60% and Kappa coefficient of 0.9289 (Table 6), indicating that despite its classification ability being superior to that of the SAM and QUEST single classifier results, it is lower than the SVM classification results. When the difference in the subclassifiers is greater, the confidence level of prediction is lower and the classification results are worse than those of the subclassifiers. This indicates that the multiclassifier combination is less effective than applying different precision classifiers.

The improved multiclassifier combination results indicate that the overall classification accuracy of the three-classifier combination of SAM, minimum distance, and statistical features was 81.15% and the Kappa coefficient was 0.7905 (Table 6). The overall classification accuracy of the three-classifier combination of SAM, QUEST, and SVM was 94.28% and the Kappa coefficient was 0.9365 (Table 6). Compared with the original multiclassifier combination algorithm, the improved multiclassifier combination attained accuracy that was consistent with the overall accuracy and Kappa coefficient of the three-classifier combination of SAM, minimum distance, and statistical characteristics. The classification map indicates that the results are consistent and have high accuracy compared to the subclassifiers alone. Comparing two multiclassifier combination algorithms revealed that the improved multiclassifier combination has higher accuracy than the original algorithm and the subclassifiers however, the original multiclassifier combination is less accurate than the optimal subclassifiers, which means it is unsuitable for subclassifiers with greater differences. The results indicate that the improved multiclassifier combination is superior to the original multiclassifier combination algorithm and that all the combination results are better than those of the subclassifiers. In particular, the combination effect is more effective for the classification of subclassifiers with greater differences.

6. Conclusions

In this study, the HJ-CCD satellite was used as a data source to construct NDVI time series by S-G filtering and spatial interpolation.

A method of dimensionality reduction using the statistical features of daily NDVI time series was proposed. The results show that the overall accuracy of the statistical images results based on daily NDVI time series is 77.45%, which demonstrates that this method can be applied for extracting land resource information.

We developed a new method for daily NDVI time series classification based on multiclassifier combination. Three-classifier combinations with greater differences are not useful to improve classification results. This study proposes an improved multiclassifier combination method. The proposed improved multiclassifier combination was demonstrated to provide enhanced performance in different single classifier combinations, especially for subclassifiers with greater differences.

Conflicts of Interest

The authors declare that there are no conflicts of interest regarding the publication of this paper.

Remerciements

This study was financially supported by the National Key R&D Program of China (Grant no. 2017YFC0403202 and Grant no. 2016YFC0400203) and the National Natural Science Foundation of China (Grant no. 51279167). Remote-sensing data were provided by the China Centre for Resources Satellite Data and Application (http://www.cresda.com/).

Les références

  1. S. T. Jarnagin, “Regional and global patterns of population, land use, and land cover change: an overview of stressors and impacts,” GIScience & Remote Sensing, vol. 41, no. 3, pp. 207–227, 2004. View at: Publisher Site | Google Scholar
  2. E. Yeshaneh, W. Wagner, M. Exner-Kittridge, D. Legesse, and G. Blöschl, “Identifying land use/cover dynamics in the koga catchment, Ethiopia, from multi-scale data, and implications for environmental change,” ISPRS International Journal of Geo-Information, vol. 2, no. 2, pp. 302–323, 2013. View at: Publisher Site | Google Scholar
  3. N. Clerici, M. L. Paracchini, and J. Maes, “Land-cover change dynamics and insights into ecosystem services in European stream riparian zones,” Ecohydrology & Hydrobiology, vol. 14, non. 2, pp. 107–120, 2014. View at: Publisher Site | Google Scholar
  4. W. Wahyunto, W. Supriatna, and F. Agus, “Land use change and recommendation for sustainable development of peatland for agriculture: case study at Kubu Raya and Pontianak Districts, West Kalimantan,” Indonesian Journal of Agricultural Science, vol. 11, no. 1, p. 32, 2010. View at: Publisher Site | Google Scholar
  5. C. Xiuwan, “Using remote sensing and GIS to analyse land cover change and its impacts on regional sustainable development,” International Journal of Remote Sensing, vol. 23, no. 1, pp. 107–124, 2002. View at: Publisher Site | Google Scholar
  6. C. Prakasam, “Land use and land cover change detection through remote sensing approach: a case study of kodaikanal taluk, tamil nadu,” International Journal of Geomatics & Geosciences, pp. 150–158, 2010. View at: Google Scholar
  7. Y. Setiawan, E. Rustiadi, K. Yoshino, Liyantono, and H. Effendi, “Assessing the seasonal dynamics of the Java's paddy field using MODIS Satellite Images,” ISPRS International Journal of Geo-Information, vol. 3, no. 1, pp. 110–129, 2014. View at: Publisher Site | Google Scholar
  8. A. Reyes, M. Solla, and H. Lorenzo, “Comparison of different object-based classifications in LandsatTM images for the analysis of heterogeneous landscapes,” Measurement, vol. 97, pp. 29–37, 2017. View at: Publisher Site | Google Scholar
  9. M. T. Rahman, “Detection of land use/land cover changes and urban sprawl in Al-Khobar, Saudi Arabia: an analysis of multi-temporal remote sensing data,” ISPRS International Journal of Geo-Information, vol. 5, no. 2, article 15, 2016. View at: Publisher Site | Google Scholar
  10. T. L. Grobler, E. R. Ackermann, J. C. Olivier, A. J. Van Zyl, and W. Kleynhans, “Land-cover separability analysis of MODIS time-series data using a combined simple harmonic oscillator and a mean reverting stochastic process,” IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 5, no. 3, pp. 857–866, 2012. View at: Publisher Site | Google Scholar
  11. Z. Xie, R. Shi, L. Zhu, S. Peng, and X. Chen, “Comparison of pixel-based and object-oriented land cover change detection methods,” in Proceedings of the 23rd International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences Congress (ISPRS '16), pp. 579–583, Prague, Czech Republic, July 2016. View at: Publisher Site | Google Scholar
  12. P. Kumar, D. K. Gupta, V. N. Mishra, and R. Prasad, “Comparison of support vector machine, artificial neural network, and spectral angle mapper algorithms for crop classification using LISS IV data,” International Journal of Remote Sensing, vol. 36, no. 6, pp. 1604–1617, 2015. View at: Publisher Site | Google Scholar
  13. Y. Megahed, P. Cabral, J. Silva, and M. Caetano, “Land cover mapping analysis and urban growth modelling using remote sensing techniques in greater Cairo region—Egypt,” ISPRS International Journal of Geo-Information, vol. 4, no. 3, pp. 1750–1769, 2015. View at: Publisher Site | Google Scholar
  14. B. Ahmed and M. A. A. Noman, “Land cover classification for satellite images based on normalization technique and Artificial Neural Network,” in Proceedings of the 1st International Conference on Computer and Information Engineering (ICCIE '15), pp. 138–141, Rajshahi, Bangladesh, November 2015. View at: Publisher Site | Google Scholar
  15. H. Luo, L. Li, H. Zhu, X. Kuai, Z. Zhang, and Y. Liu, “Land cover extraction from high resolution ZY-3 satellite imagery using ontology-based method,” ISPRS International Journal of Geo-Information, vol. 5, no. 3, article 31, 2016. View at: Publisher Site | Google Scholar
  16. G. Giacinto and F. Roli, “Ensembles of neural networks for soft classification of remote sensing images,” in Proceedings of the European Symposium on Intelligent Techniques, pp. 166–170, Bari, Italy, March 1997. View at: Google Scholar
  17. D. Cao, Q. Yin, and P. Guo, “Multi-source remote sensing classification based on Mallat fusion and residual error feature selection,” Journal of Digital Information Management, vol. 5, no. 3, pp. 130–137, 2007. View at: Google Scholar
  18. M. Habibi, M. R. Sahebi, Y. Maghsoudi, and S. Ghayourmanesh, “Classification of polarimetric SAR data based on object-based multiple classifiers for Urban Land-Cover,” Journal of the Indian Society of Remote Sensing, vol. 44, no. 6, pp. 855–863, 2016. View at: Publisher Site | Google Scholar
  19. S. M. Vicente-Serrano, J. J. Camarero, J. M. Olano et al., “Diverse relationships between forest growth and the Normalized Difference Vegetation Index at a global scale,” Remote Sensing of Environment, vol. 187, pp. 14–29, 2016. View at: Publisher Site | Google Scholar
  20. R. DeFries, M. Hansen, and J. Townshend, “Global discrimination of land cover types from metrics derived from AVHRR pathfinder data,” Remote Sensing of Environment, vol. 54, no. 3, pp. 209–222, 1995. View at: Publisher Site | Google Scholar
  21. X. Chen, D. Yang, J. Chen, and X. Cao, “An improved automated land cover updating approach by integrating with downscaled NDVI time series data,” Remote Sensing Letters, vol. 6, no. 1, pp. 29–38, 2015. View at: Publisher Site | Google Scholar
  22. F. Tian, R. Fensholt, J. Verbesselt, K. Grogan, S. Horion, and Y. Wang, “Evaluating temporal consistency of long-term global NDVI datasets for trend analysis,” Remote Sensing of Environment, vol. 163, pp. 326–340, 2015. View at: Publisher Site | Google Scholar
  23. K. Jia, S. Liang, X. Wei et al., “Land cover classification of landsat data with phenological features extracted from time series MODIS NDVI data,” Remote Sensing, vol. 6, no. 11, pp. 11518–11532, 2014. View at: Publisher Site | Google Scholar
  24. E. Yan, G. Wang, H. Lin, C. Xia, and H. Sun, “Phenology-based classification of vegetation cover types in Northeast China using MODIS NDVI and EVI time series,” International Journal of Remote Sensing, vol. 36, no. 2, pp. 489–512, 2015. View at: Publisher Site | Google Scholar
  25. Z. Pan, J. Huang, Q. Zhou et al., “Mapping crop phenology using NDVI time-series derived from HJ-1 A/B data,” International Journal of Applied Earth Observation and Geoinformation, vol. 34, no. 1, pp. 188–197, 2015. View at: Publisher Site | Google Scholar
  26. I. Nitze, B. Barrett, and F. Cawkwell, “Temporal optimisation of image acquisition for land cover classification with random forest and MODIS time-series,” International Journal of Applied Earth Observation and Geoinformation, vol. 34, no. 1, pp. 136–146, 2015. View at: Publisher Site | Google Scholar
  27. R. Sun, Y. Rong, H. Su, and S. Chen, “NDVI time-series reconstruction based on MODIS and HJ-1 CCD data spatial-temporal fusion,” Journal of Remote Sensing, vol. 20, no. 3, pp. 361–373, 2016. View at: Publisher Site | Google Scholar
  28. H. Ding, Z.-N. Wang, H.-J. Shang, and Y.-G. Zhang, “Climate change and its impacts on the winter wheat yield in wugong region of Shaanxi Province,” Journal of Animal and Veterinary Advances, vol. 11, no. 20, pp. 3668–3676, 2012. View at: Publisher Site | Google Scholar
  29. Y. Shi, “Thoughts on irrigation in irrigation district of fufeng,” China Science and Technology Review, vol. 33, pp. 497-498, 2013. View at: Google Scholar
  30. S. Su, X. Zhou, C. Wan, Y. Li, and W. Kong, “Land use changes to cash crop plantations: Crop types, multilevel determinants and policy implications,” Land Use Policy, vol. 50, pp. 379–389, 2016. View at: Publisher Site | Google Scholar
  31. S. Su, Y. Wang, F. Luo, G. Mai, and J. Pu, “Peri-urban vegetated landscape pattern changes in relation to socioeconomic development,” Ecological Indicators, vol. 46, pp. 477–486, 2014. View at: Publisher Site | Google Scholar
  32. S. Su, C. Yang, Y. Hu, F. Luo, and Y. Wang, “Progressive landscape fragmentation in relation to cash crop cultivation,” Applied Geography, vol. 53, pp. 20–31, 2014. View at: Publisher Site | Google Scholar
  33. V. N. Mishra, R. Prasad, P. Kumar, D. K. Gupta, and P. K. Srivastava, “Dual-polarimetric C-band SAR data for land use/land cover classification by incorporating textural information,” Environmental Earth Sciences, vol. 76, no. 1, article 26, 2017. View at: Publisher Site | Google Scholar
  34. S.-Y. Jiang, Q.-X. Xiong, and J.-Q. Zhu, “Evaluation of lake eutrophication based on the HJ-1 satellite multispectral data,” Applied Mechanics and Materials, vol. 519-520, pp. 1182–1185, 2014. View at: Publisher Site | Google Scholar
  35. Z. Yuan, A. Yang, and B. Zhong, “Cross comparison of the vegetation indexes between landsat TM and HJ CCD,” Remote Sensing for Land & Resources, vol. 27, pp. 87–91, 2015. View at: Google Scholar
  36. P. Hao, L. Wang, Z. Niu et al., “The potential of time series merged from Landsat-5 TM and HJ-1 CCD for crop classification: a case study for Bole and Manas Counties in Xinjiang, China,” Remote Sensing, vol. 6, no. 8, pp. 7610–7631, 2014. View at: Publisher Site | Google Scholar
  37. P. Kumar, R. Prasad, A. Choudhary, V. N. Mishra, D. K. Gupta, and P. K. Srivastava, “A statistical significance of differences in classification accuracy of crop types using different classification algorithms,” Geocarto International, vol. 32, no. 2, pp. 206–224, 2017. View at: Publisher Site | Google Scholar
  38. X. Li, Y. Zhang, J. Luo, X. Jin, Y. Xu, and W. Yang, “Quantification winter wheat lai with hj-1ccd image features over multiple growing seasons,” International Journal of Applied Earth Observation & Geoinformation, vol. 44, pp. 104–112, 2016. View at: Google Scholar
  39. B. Johnson, “Effects of pansharpening on vegetation indices,” ISPRS International Journal of Geo-Information, vol. 3, no. 2, pp. 507–522, 2014. View at: Publisher Site | Google Scholar
  40. B. Lara and M. Gandini, “Assessing the performance of smoothing functions to estimate land surface phenology on temperate grassland,” International Journal of Remote Sensing, vol. 37, no. 8, pp. 1801–1813, 2016. View at: Publisher Site | Google Scholar
  41. R. Liu, R. Shang, Y. Liu, and X. Lu, “Global evaluation of gap-filling approaches for seasonal NDVI with considering vegetation growth trajectory, protection of key point, noise resistance and curve stability,” Remote Sensing of Environment, vol. 189, pp. 164–179, 2017. View at: Publisher Site | Google Scholar
  42. H. H. Madden, “Comments on the savitzky-golay convolution method for least-squares fit smoothing and differentiation of digital data,” Analytical Chemistry, vol. 50, no. 9, pp. 1383–1386, 1978. View at: Publisher Site | Google Scholar
  43. W.-Y. Loh and Y.-S. Shih, “Split selection methods for classification trees,” Statistica Sinica, vol. 7, no. 4, pp. 815–840, 1997. View at: Google Scholar | MathSciNet
  44. J. Tian, J. Wang, L. I. Yifan et al., “Land cover classification in mongolian plateau based on decision tree method: a case study in tov province, mongolia,” International Journal of Geographical Information Science, vol. 16, pp. 460–469, 2014. View at: Google Scholar
  45. F. A. Kruse, A. B. Lefkoff, J. W. Boardman et al., “The spectral image processing system (sips)-interactive visualization and analysis of imaging spectrometer data,” AIP Conference Proceedings, vol. 283, no. 1, pp. 192–201, 1993. View at: Google Scholar
  46. Y.-H. Yeh, W.-C. Chung, J.-Y. Liao, C.-L. Chung, Y.-F. Kuo, and T.-T. Lin, “Strawberry foliar anthracnose assessment by hyperspectral imaging,” Computers and Electronics in Agriculture, vol. 122, pp. 1–9, 2016. View at: Publisher Site | Google Scholar
  47. T. He, Y.-J. Sun, J.-D. Xu, X.-J. Wang, and C.-R. Hu, “Enhanced land use/cover classification using support vector machines and fuzzy k-means clustering algorithms,” Journal of Applied Remote Sensing, vol. 8, no. 1, Article ID 083636, 2014. View at: Publisher Site | Google Scholar
  48. N. A. Mahmon, N. Ya'Acob, and A. L. Yusof, “Differences of image classification techniques for land use and land cover classification,” in Proceedings of the IEEE 11th International Colloquium on Signal Processing and Its Applications (CSPA '15), pp. 90–94, Kuala Lumpur, Malaysia, March 2015. View at: Publisher Site | Google Scholar
  49. M. Baumann, M. Ozdogan, T. Kuemmerle, K. J. Wendland, E. Esipova, and V. C. Radeloff, “Using the Landsat record to detect forest-cover changes during and after the collapse of the Soviet Union in the temperate zone of European Russia,” Remote Sensing of Environment, vol. 124, pp. 174–184, 2012. View at: Publisher Site | Google Scholar
  50. G. M. Foody, M. Pal, D. Rocchini, C. X. Garzon-Lopez, and L. Bastin, “The sensitivity of mapping methods to reference data quality: Training supervised image classifications with imperfect reference data,” ISPRS International Journal of Geo-Information, vol. 5, no. 11, article no. 199, 2016. View at: Publisher Site | Google Scholar
  51. H. B. Sandya, K. P. Hemanth, H. Budhiraja, and S. K. Rao, “Fuzzy rule based feature extraction and classification of time series signal,” International Journal of Soft Computing & Engineering, vol. 3, no. 2, pp. 2231–2307, 2013. View at: Google Scholar
  52. Š. Raudys and F. Roli, “The behavior knowledge space fusion method: analysis of generalization error and strategies for performance improvement,” in Proceedings of the 4th International Workshop on Multiple Classifier Systems (MCS '03), vol. 2709 of Lecture Notes in Computer Science, pp. 55–64, Springer Berlin Heidelberg, Guildford, UK, June 2003. View at: Publisher Site | Google Scholar
  53. N. Clinton, L. Yu, and P. Gong, “Geographic stacking: decision fusion to increase global land cover map accuracy,” ISPRS Journal of Photogrammetry and Remote Sensing, vol. 103, pp. 57–65, 2015. View at: Publisher Site | Google Scholar
  54. Ş. Conţiu and A. Groza, “Improving remote sensing crop classification by argumentation-based conflict resolution in ensemble learning,” Expert Systems with Applications, vol. 64, pp. 269–286, 2016. View at: Publisher Site | Google Scholar
  55. T. V. Tran, J. P. Julian, and K. M. De Beurs, “Land cover heterogeneity effects on sub-pixel and per-pixel classifications,” ISPRS International Journal of Geo-Information, vol. 3, no. 2, pp. 540–553, 2014. View at: Publisher Site | Google Scholar
  56. S. Ray and L. F. Turner, “Mahalanobis distance-based two new feature evaluation criteria,” Information Sciences, vol. 60, no. 3, pp. 217–245, 1992. View at: Publisher Site | Google Scholar
  57. S. M. Ji, L. B. Zhang, J. L. Yuan et al., “Method of monitoring wearing and breakage states of cutting tools based on Mahalanobis distance features,” Journal of Materials Processing Technology, vol. 129, no. 1-3, pp. 114–117, 2002. View at: Publisher Site | Google Scholar
  58. A. Gasmi, C. Gomez, H. Zouari, A. Masse, and D. Ducrot, “PCA and SVM as geo-computational methods for geological mapping in the southern of Tunisia, using ASTER remote sensing data set,” Arabian Journal of Geosciences, vol. 9, no. 20, article 753, 2016. View at: Publisher Site | Google Scholar
  59. J.-E. Ouzemou, A. El Harti, A. El Moujahid et al., “Mapping crop based on phenological characteristics using time-series NDVI of operational land imager data in Tadla irrigated perimeter, Morocco,” in Proceedings of the Remote Sensing for Agriculture, Ecosystems, and Hydrology XVII, vol. 9637 of SPIE Remote Sensing, Toulouse, France, September 2015. View at: Publisher Site | Google Scholar

Droits d'auteur

Copyright © 2017 Long Zhao et al. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.


Voir la vidéo: NDVI Nedir ve Nasıl Oluşturulur (Octobre 2021).