Original paper

An Enhanced Classification Approach using Hyperspectral Image Data in Combination with in situ Spectral Measurements for the Mapping of Vegetation Communities

Siegmann, Bastian; Glässer, Cornelia; Itzerott, Sibylle; Neumann, Carsten

Abstract

This paper shows the potential of a method using field spectral measurements as independent training data for the classification of airborne hyperspectral imagery of a natural preserve in Germany, using two different machine learning algorithms. The spectral reflectance of different and vegetation communities was measured with field spectrometers (350 nm – 2500 nm) in August 2009. Additionally, hyperspectral imagery was acquired by the airborne scanner aisaEAGLE (390 nm – 970 nm). The developed normalization technique was proven to be a suitable method to make image and field spectra comparable for classification. A support vector machine (SVM) and random forest (RF) classifier trained with normalized field spectra were applied to normalized image data to classify and communities in different levels of detail. SVM (overall accuracy (OAA) 89.13%) provided significantly better classification results compared to RF (OAA 71.74%) in the second level of detail. Consequently, only SVM was used for classification in the highest level of detail (third level), which also led to high classification accuracy (OAA 77.27%). The results indicate the potential of the developed approach classifying airborne hyperspectral image data with field spectral measurements for the spatial assessment and separation of and communities.

Kurzfassung

Im vorliegenden Beitrag wurde das Potenzial einer Methode untersucht, bei der spektrale Punktmessungen eines Feldspektrometers als unabhängige Trainingsdaten zur Klassifizierung hyperspektraler Flugzeugscanneraufnahmen verwendet wurden. Dabei kamen zwei Algorithmen des maschinellen Lernens zum Einsatz, deren Performanz unter Betrachtung verschiedener Genauigkeitslevels getestet wurde. Im August 2009 wurden spektrale Signaturen von Trockengras- und Heidekrautgesellschaften mit einem Geländespektrometer (350 nm – 2500 nm) erfasst. Zusätzlich fand eine flächendeckende Befliegung des Untersuchungsgebietes mit dem hyperspektralen Flugzeugscanner aisaEAGLE (390 nm – 970 nm) statt. Um eine Vergleichbarkeit beider Datensätze herzustellen, wurde eine Methode zur Normalisierung der Gelände- und Bilddaten entwickelt. Die Klassifizierung der Trockengras- und Heidekrautgesellschaften erfolgte mit den Algorithmen Support Vector Machine (SVM) und Random Forest (RF). Beide Algorithmen wurden mit den normalisierten Geländespektren trainiert und dann die Klassifizierung der normalisierten Bilddaten durchgeführt. SVM (Gesamtgenauigkeit (OAA) 89,13%) lieferte im Vergleich zu RF (OAA 71,74%) das bessere Klassifizierung sergebnis im zweiten Genauigkeitslevel. Aus diesem Grund erfolgte die Klassifizierung des höchsten Genauigkeitslevels (drittes Genauigkeitslevel) ausschließlich mit dem Algorithmus SVM, wobei erneut eine hohe Klassifizierungsgüte (OAA 77,27%) erzielt wurde. Als Ergebnis konnte eine genaue räumliche Erfassung und Trennung von Trockengras- und Heidekrautgesellschaften erzielt werden, wodurch das Potenzial der entwickelten Methode zur Klassifizierung hyperspektraler Bild daten mit spektralen Geländemessungen verdeutlicht wurde.

Keywords

heathland vegetationspectral field measurementsdry grass vegetationaisaeaglehyperspectralrandom forest classificationsupport vector machine classification