Original paper

Impact of Categorical and Spatial Scale on Supervised Crop Classification using Remote Sensing

[Einfluss der thematischen und räumlichen Auflösung auf die überwachte, fernerkundungsbasierte Feldfrucht-Klassifizierung.]

Löw, Fabian; Duveiller, Grégory; Conrad, Christopher; Michel, Ulrich

Abstract

High temporal revisit frequency over vast geographic areas is necessary to properly use satellite earth observation for monitoring agricultural production. However, this often limits the spatial resolution that can be used. The challenge of discriminating pixels that correspond to a particular crop type, a prerequisite for crop specific monitoring remains daunting when the signal encoded in pixels stems from several land uses (mixed pixels). Naturally, the concept of spatial scale arises but the issue of selecting a proper class legend (the categorical scale) should not be neglected. A framework is presented that addresses these issues and that can be used to quantitatively define pixel size requirements for crop identification and to assess the effect of categorical scale. The framework was applied over two agricultural landscapes. It was demonstrated that there was no unique spatial resolution that provided the best classification result for all classes at once at a given categorical scale. The suitability of pixel populations characterized by pixel size and purity differed for identifying specific crops within tested landscapes, and for one crop there were large differences among the landscapes. In the context of agricultural crop growth monitoring the framework described above can be used to draw guidelines for selecting appropriate imagery, e.g. suitable pixel sizes, and for selecting class legends suitable for accurate crop classification when the interest is only on pixels covering arable land as a prerequisite for crop specific monitoring. The framework could be used to plot the suitability (or accuracy) of pixels as a function of their purity to provide a spatial assessment of classification performance.

Kurzfassung

Häufige und regelmäßige Aufnahmen über großen Gebieten sind wichtige Voraussetzungen für das Monitoring von Agrarproduktion basierend auf Erdbeobachtungsdaten. Jedoch schränken diese Voraussetzungen oftmals die räumliche Auflösung (Pixelgröße) ein, welche von bestehenden Sensorsystemen genutzt werden kann. Die Unterscheidung unterschiedlicher Landnutzungstypen, eine Voraussetzung für ein Feldfrucht spezifisches Monitoring, mittels Klassifizierung wird erschwert, wenn das in einem Pixel kodierte Signal von mehreren Landnutzungstypen stammt (Mischpixel-Problematik). Dies wirft Fragen bezüglich der Wahl der optimalen Pixelgröße, aber auch der thematischen Auflösung, also eines geeigneten Klassenschlüssels auf. Um diese Fragen zu beantworten, wird eine Methode vorgestellt, um quantitativ geeignete Charakteristika von Pixelpopulationen hinsichtlich deren Größe und Reinheit in Bezug auf die zu klassifizierende Klasse zu bestimmen. Zudem wurde der Einfluss von verschiedenen Klassenschlüsseln auf das Klassifizierungsergebnis untersucht. Die Methode wurde in zwei landwirtschaftlich genutzten Gebieten getestet. Es wurde gezeigt, dass es keine spezifische ,,optimale“ Pixelgröße gibt, welche für alle Klassen und bei einem bestimmten Klassenschlüssel gleichermaßen das beste Klassifizierungsergebnis liefert. Die Eignung von Pixelpopulationen charakterisiert durch Pixelgröße und -reinheit unterschied sich innerhalb einer bestimmten Landschaft für verschiedene Landnutzungsklassen bzw. für eine spezifische Klasse in verschiedenen Landschaften deutlich. Die vorgestellte Methode kann im Kontext von satellitengestütztem Agrar-Monitoring genutzt werden, um Empfehlungen für die Wahl von geeigneten Pixelgrößen und Sensoren sowie auch geeigneter Klassenschlüssel zu formulieren.

Keywords

categorical scalecrop classificationagricultural monitoringspatial scalepixel purity