Determination of agricultural land use: incidence of atmospheric corrections and the implementation in multi-sensor and multi-temporal images

Abstract

[EN] Soil coverage and its modifications are critical variables in human-environmental sciences. Changes in land use are causes and consequences of climate change. This situation makes that detailed and updated information is needed for many applications. Remote sensing provides data of large areas periodically, so it becomes a useful input to soil classification. The objectives of this work were to determinate algorithm and images combination that produces the best results to classify agricultural land and, simultaneously, evaluate the need of making atmospheric corrections over them, when classifying multi-temporal/multi-sensor series. The two supervised classification algorithms used were neural networks and maximum likelihood. In the study area, agriculture is the main land use, predominantly summer crops, and the area sown with soybean, corn and sorghum account for over 90% of the total. Time series of Landsat 8 and SPOT 5 images were used, and 164 plots were registered to train and validate the models as ground truth. Maximum likelihood and neural networks models produce very good results when multi-temporal/multi-sensor series are used, with global accuracy between 79.17% to 90.14% and Kappa index between 60% to 82%. The radiometric correction at surface level did not improve the results when the reflectance was corrected at the top of the atmosphere. The time series that use images taken in more advanced phenological stages of crops produce better coverage classifications than time series that use images from early stages.

[ES] La cobertura del suelo y sus modificaciones son variables críticas para el desarrollo humano y el medio ambiente. Los cambios en el uso del suelo son causas y consecuencias del cambio climático. Estas situaciones hacen necesario contar con información detallada y actualizada. La teledetección proporciona datos de grandes áreas periódicamente, lo que hace que sea una fuente de datos importante para la clasificación de suelos. Los objetivos de este trabajo fueron determinar los algoritmos y la combinación de imágenes que producen los mejores resultados para clasificar tierras agrícolas y, simultáneamente, evaluar la necesidad de hacer correcciones atmosféricas sobre las mismas, al clasificar series multi-temporales y multi-sensor. Los dos algoritmos de clasificación supervisada utilizados fueron redes neuronales y máxima verosimilitud. En el área de estudio, la agricultura es el principal uso de la tierra, predominando cultivos de verano, y la superficie sembrada con soja, maíz y sorgo representa más del 90% del total. Se utilizaron series temporales de imágenes provenientes de Landsat 8 y SPOT 5, y 164 parcelas fueron registradas, como terreno, para entrenar y validar los modelos. Los algoritmos basados en máxima verosimilitud y en redes neuronales producen muy buenos resultados cuando se utilizan series multi-temporales e imágenes de varios sensores, con una precisión global entre 79,17% y 90,14% y un índice de Kappa entre el 60% y el 82%. La corrección radiométrica a nivel de superficie no mejoró los resultados obtenidos cuando se corrigieron reflectancias medidas al tope de la atmósfera. Las series temporales que utilizan imágenes tomadas sobre cultivos con estados fenológicos más avanzados producen mejores clasificaciones de cobertura que aquellas que utilizan imágenes de etapas tempranas