Bernier, Monique; Ghedira, Hosni; Gauthier, Yves; Magagi, Ramata; Filion, Rébecca; Sève, Danielle De; Ouarda, Taha B. M. J.; Villeneuve, Jean-Pierre et Buteau, Pierre (2003). Détection et classification de tourbières ombrotrophes du Québec à partir d'images RADARSAT-1. Canadian Journal of Remote Sensing , vol. 29 , nº 1. pp. 88-98. DOI: 10.5589/m02-083.
Ce document n'est pas hébergé sur EspaceINRS.Résumé
Cette étude, réalisée dans le cadre du programme "Fonds pour la formation de chercheurs et l'aide à la recherche (FCAR) - Action concertée RADARSAT", montre le potentiel des images en mode S1 et S7 de RADARSAT-1 pour la cartographie des tourbières naturelles et exploitées du sud du Québec. Les périodes pertinentes pour l'acquisition des images S1 demeurent à l'intérieur de la saison végétative. Toutefois, les images hivernales en mode S7, sensibles à la densité du couvert, permettent de distinguer les forêts de certaines tourbières arbustives. Pour la classification par maximum de vraisemblance, la meilleure combinaison de trois images demeure l'image en mode S7 de début février et deux images en mode S1 (7 mai ou 11 juin et 28 juillet ou 3 août) et ce pour les deux sites expérimentaux. Bien que les tourbières puissent être bien séparées des autres utilisations du sol, les différentes catégories de tourbières n'ont toutefois pu être distinguées. Néanmoins, en utilisant un paramètre de texture (" moyenne ", fenêtre 7 × 7) au lieu des images originales (brutes), il devient alors possible de distinguer les tourbières exploitées des tourbières naturelles et des forêts avec une précision moyenne de 89 % (sites d'apprentissage). Une méthode de classification par réseaux de neurones adaptée aux images radar a aussi été développée pour trois catégories de tourbières naturelles : fortement arborées, moyennement arborées, arbustives. La meilleure précision (86 %) a été obtenue avec un réseau de neurones entraîné par 18 mesures de textures dérivées des six images RADARSAT-1 disponibles. Toutefois la combinaison de deux images seulement (une image S1 et une image S7) offre une précision d'à peine 2 % inférieure (84 % sites test et 90 % sites d'apprentissage).
Abstract
This study has been conducted within the "Fonds pour la formation de chercheurs et l'aide à la recherche (FCAR) - Action concertée RADARSAT" program. The study shows the potential of RADARSAT-1 standard mode data (S1 and S7 beams) for mapping natural and exploited wetlands in southern Quebec. The best period for the acquisition of S1 beam data is during the growing season. However, an S7 beam mode image acquired in February (winter) can help to discriminate different vegetation densities within wetlands. With a maximum likelihood classification method, the data set giving the best results is the winter S7 image and two summer S1 images (May 7 or June 11 and July 28 or August 3). The large wetlands can be easily classified amongst other areas (i.e., agricultural, open water, forest, etc.) by this method and data set, but the different categories of vegetation communities within wetlands cannot be well discriminated. However, the use of a texture parameter (mean, 7 × 7 windows) can significantly improve the classification accuracy. It also permits to distinguish exploited wetlands from natural wetlands and forest areas with an average precision of 89% (for training sites). Furthermore, a neural network classification approach has been adapted to classify radar images for three categories of natural wetlands (i.e., woody wetlands, shrubby wetlands and woody shrubby wetlands). The best classification results (i.e., 86% accuracy) were obtained using a neural network trained by 18 texture channels derived from six RADARSAT-1 images (three S1 and three S7). However, using only two images (one S1 and one S7) gave a similar level of accuracy (84% on test sites and 90% on training sites).| Type de document: | Article |
|---|---|
| Mots-clés libres: | tourbières naturelles; tourbières arbustives; tourbières exploitées; réseaux de neurones |
| Centre: | Centre Eau Terre Environnement |
| Date de dépôt: | 26 avr. 2024 19:46 |
| Dernière modification: | 26 avr. 2024 19:46 |
| URI: | https://espace.inrs.ca/id/eprint/11082 |
Gestion Actions (Identification requise)
 |
Modifier la notice |