Input imagery, classifiers, and cloud computing : insights from multi-temporal LULC mapping in the Cambodian Mekong Delta

Autor: Orieschnig, C. A., Belaud, G., Venot, Jean-Philippe, Massuel, Sylvain, Ogilvie, Andrew
Přispěvatelé: Gestion de l'Eau, Acteurs, Usages (UMR G-EAU), Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-Institut de Recherche pour le Développement (IRD)-AgroParisTech-Institut national d’études supérieures agronomiques de Montpellier (Montpellier SupAgro), Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE), Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-Bureau de Recherches Géologiques et Minières (BRGM) (BRGM)-Institut de Recherche pour le Développement (IRD)-AgroParisTech-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Institut Agro Montpellier, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro), Institut Agro Montpellier, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro), Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-Institut de Recherche pour le Développement (IRD)-AgroParisTech-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Institut Agro - Montpellier SupAgro, French Development Agency (AFD) for its support through the COSTEA project
Jazyk: angličtina
Rok vydání: 2021
Předmět:
Zdroj: European Journal of Remote Sensing
European Journal of Remote Sensing, 2021, 54 (1), p. 398-416. ⟨10.1080/22797254.2021.1948356⟩
European Journal of Remote Sensing, Vol 54, Iss 1, Pp 398-416 (2021)
European Journal of Remote Sensing, 2021, 54 (1), pp.398-416. ⟨10.1080/22797254.2021.1948356⟩
Popis: The increased open-access availability of radar and optical satellite imagery has engendered numerous land use and land cover (LULC) analyses combining these data sources. In parallel, cloud computing platforms have enabled a wider community to perform LULC classifications over long periods and large areas. However, an assessment of how the performance of classifiers available on these cloud platforms can be optimized for the use of multi-imagery data has been lacking for multi-temporal LULC approaches. This study provides such an assessment for the supervised classifiers available on the open-access Google Earth Engine platform: Naive Bayes (NB), Classification and Regression Trees (CART), Random Forest (RF), Gradient Tree Boosting (GTB), and Support Vector Machines (SVM). A multi-temporal LULC analysis using Sentinel-1 and 2 is implemented for a study area in the Mekong Delta. Classifier performance is compared for different combinations of input imagery, band sets, and training datasets. The results show that GTB and RF yield the highest overall accuracies, at 94% and 93%. Combining optical and radar imagery boosts classification accuracy for CART, RF, GTB, and SVM by 10-15 percentage points. Furthermore, it reduces the impact of limited training dataset quality for RF, GTB, and SVM.
Databáze: OpenAIRE
Externí odkaz: