Apport des images pléiades pour la délimitation des parcelles agricoles à grande échelle

  • Nesrine Chehata ENSEGID Bordeaux INP 1 Allee F. Daguin 33607 Pessac
  • Karim Ghariani INSAT
  • Arnaud Le Bris IGN
  • Philippe Lagacherie INRA - UMR LISAH

Résumé

Les pratiques et les arrangements spatiaux des parcelles agricoles ont un fort impact sur les flux d'eau dans les paysages cultivés . Afin de surveiller les paysages à grande échelle, il ya un fort besoin de délimitation automatique ou semi-automatique des parcelles agricoles. Cet article montre la contribution des images satellitaires à très haute résolution spatiales, telles que Pléiades, pour délimiter le parcellaire agricole de manière automatique .On propose une approche originale utilisant une classification binaire supervisée des limites. Une approche d'apprentissage actif est proposée afin d'adapter le modèle de classifieur au contexte local permettant ainsi la délimitation parcellaire à grande échelle.Le classifieur des Forêts Aléatoires est utilisé pour la classification et la sélection des attributs . Le concept de marge non supervisée est utilisé comme mesure d'incertitude dans l'algorithme d'apprentissage actif. En outre, un étiquetage automatique des pixels incertains est proposé en utilisant une approche hybride qui combinant une approche région et le concept de marge.Des résultats satisfaisants sont obtenus sur une image Pléiades. Différentes stratégies d'apprentissage sont comparées et discutées . Pour un cas d'étude opérationnel, un modèle global ou bien un modèle simple enrichi peuvent être utilisés en fonction des données de terrain disponibles.

Références

Arbelaez, P., Maire, M., Fowlkes, C., Malik, J., mai 2011. Contour
detection and hierarchical image segmentation. IEEE PAMI
33 (5), 898–916.
Baatz, M., Sch ̈
ape, M., 2000. Multiresolution segmentation -
An optimization approach for high quality multi-scale image
segmentation. Strobl, J., Blaschke, T., Griesebner, G. (Eds)
Angewandte Geographische Informations - Verarbeitung XII.
Wichmann Verlag, Karlsruhe.
Benz, U., Hofmann, P., Willhauck, G., Lingenfelder, I., Heynen,
M., 2004. Multiresolution, object-oriented fuzzy analysis of re-
mote sensing data for gis-ready information. ISPRS Journal
of Photogrammetry and Remote Sensing 58 (3-4), 239–258.
Breiman, L., 2001. Random forests. Machine Learning 45 (1),
5–32.
Bris, A. L., 2012. Extraction of vineyards out of aerial ortho-
image using texture information. Dans : 22nd Congress of the
ISPRS. Vol. I-3. ISPRS, Melbourne, Australia, pp. 383–388.
Colin, F., Moussa, R., Louchart, X., 2012. Impact of the spatial
arrangement of land management practices on surface runoff
for small catchments. Hydrological Processes 26 (2), 255–
271.
Guigues, L., Cocquerez, J., Men, H. L., 2006. Scale-sets image
analysis. IJCV 68 (3), 289–317.
Guo, L., Chehata, N., Mallet, C., Boukir, S., Janvier 2011. Rele-
vance of airborne lidar and image data for urban scene clas-
sification using random forests. International Journal of Pho-
togrammetry and Remote Sensing 66 (1), 56–66.
Mallinis, G., Koutsias, N., Tsakiri-Strati, M., Karteris, M., 2008.
Object-based classification using Quickbird imagery for de-
lineating forest vegetation polygons in a Mediterranean test
site. ISPRS Journal of Photogrammetry and Remote Sensing
63 (2), 237–250.
Trias-Sanz, R., Stamon, G., Louchet, J., 2008. Using colour,
texture, and hierarchial segmentation for high-resolution re-
mote sensing. ISPRS Journal of Photogrammetry and Re-
mote Sensing 63 (2), 156 – 168.
Tuia, D., Pasolli, E., Emery, W., 2011a. Dataset shift adapta-
tion with active queries. Dans : Urban Remote Sensing Event
(JURSE), 2011 Joint. pp. 121–124.
Tuia, D., Volpi, M., Copa, L., Kanevski, M., Muñoz-Marí, J.,
2011b. A survey of active learning algorithms for supervi-
sed remote sensing image classification. IEEE JSTARS 5 (3),606–617.
Publiée
2015-01-29
Comment citer
CHEHATA, Nesrine et al. Apport des images pléiades pour la délimitation des parcelles agricoles à grande échelle. Revue Française de Photogrammétrie et de Télédétection, [S.l.], n. 209, p. 165-171, jan. 2015. ISSN 1768-9791. Disponible à l'adresse : >https://www.sfpt.fr/rfpt/index.php/RFPT/article/view/220>. Date de consultation : 25 sep. 2017
Rubrique
Articles

Mots-clés

Classification ; apprentissage actif ; segmentation ; parcelles agricoles; très haute résolution spatiale; Pléiades