Original paper

Identification of Agricultural Crop Types in Northern Israel using Multitemporal RapidEye Data

[Identifikation landwirtschaftlicher Kulturen in Nordisrael mittels multitemporaler RapidEye-Daten]

Beyer, Florian; Jarmer, Thomas; Siegmann, Bastian

Abstract

Accurate land use / land cover classification (LU/LC) of agricultural crops still represents a major challenge for multispectral remote sensing. In order to obtain reliable classification accuracies on the basis of multispectral satellite data, merging crop classes in rather broad classes is often necessary. With regard to the rising availability and the improving spatial resolution of satellite data, multitemporal analyses become increasingly important for remote sensing investigations. For the separation of spectrally similar crops, multidate satellite images include different growth characteristics during the phenological period. The present study aims at investigating a way to perform highly accurate classifications with numerous agricultural classes using multitemporal RapidEye data. The Jeffries-Matusita separability (JM) was used for applying a pre-procedure in order to find the best multitemporal setting of all available images within one crop cycle, consisting of two cultivation periods P1 with 16 agricultural classes and P2 with 27 agricultural classes. Only one critical class pairing occurred for both P1 and P2 taking into account the best multitemporal dataset. The maximum likelihood (ML) classifier and the support vector machine (SVM) were compared using the most suitable multitemporal images. Both algorithms achieved very high overall accuracies (OAA) of over 90%. SVM was slightly better with a classification accuracy of P1-OAA = 96.13% and P2-OAA = 94.01%. ML provided a result of OAA = 94.83% correctly classified pixels for P1 and OAA = 93.28% for P2. The processing time of ML, however, was significantly shorter compared to SVM, in fact by a factor of five.

Kurzfassung

Eine hochgenaue Landnutzungsklassifizierung (LU/LC) landwirtschaftlicher Kulturen auf Basis von multispektralen Fernerkundungsdaten stellt noch immer eine große Herausforderung dar. Oftmals müssen unterschiedliche landwirtschaftliche Kulturen zu Oberklassen zusammengefasst werden, damit die Klassifizierung auf Grundlage multispektraler Satellitendaten akzeptable Genauigkeiten erreichen. Mit der steigenden Verfügbarkeit und gleichzeitig verbesserten räumlichen Auflösung von Satellitendaten kommt der multitemporalen Analyse von Fernerkundungsdaten immer mehr Bedeutung zu. Dabei wird der Sachverhalt genutzt, dass verschiedene Pflanzen einen unterschiedlichen phänologischen Verlauf besitzen. Ziel der vorliegenden Studie ist eine hochgenaue Klassifizierung landwirtschaftlicher Flächen mit hoher Klassenanzahl durch die multitemporale Analyse multispektraler RapidEye-Daten. Das Trennbarkeitsmaß Jeffries-Matusita Separability (JM) wurde als Vorverarbeitungsschritt verwendet, um den besten multitemporalen Datensatz aus den verfügbaren einzelnen Aufnahmeterminen eines kompletten Fruchtwechsels, bestehend aus zwei Anbauperioden P1 mit 16 und P2 mit 27 landwirtschaftlichen Klassen, zu finden. Die spektrale Trennbarkeit der vorhandenen Klassen ergab für den ermittelten multitemporalen Datensatz für P1 und P2 nur eine kritische Klassenpaarung. Für die Klassifizierung wurden die Klassifizierungsalgorithmen Maximum Likelihood (ML) und Support Vector Machine (SVM) vergleichend gegenübergestellt. Beide Algorithmen lieferten Gesamtklassifizierungsgenauigkeiten von über 90%. Die SVM erwies sich dabei mit Klassifizierungsgenauigkeiten OAA = 96,13% für P1 und OAA = 94,01% für P2 zwar als geringfügig genauer, jedoch war die ML-Klassifizierung (P1-OAA = 94,83%; P2-OAA = 93,28%) deutlich, d.h. um den Faktor 5, schneller.

Keywords

cropslu/lcmultitemporal classificationphenologyrapideye