Délimitation des parcelles agricoles par classification d'images Pléiades
Résumé
Agricultural practices and spatial arrangements of fields have a strong impact on water flows in cultivated landscapes. In order to monitor landscapes at a large scale, there is a strong need for automatic or semi-automatic field delineation. This paper shows the contribution of very high resolution satellite imagery, such as Pléiades imagery, for delineating agricultural fields in an automatic way. This study focuses on agricultural field delineation using a supervised binary classification of field boundaries. Active learning approach is proposed to adapt the classifier model to the local context allowing thus parcel delineation at a large scale. Random forest (RF) classifier is used for classification and feature selection. The unsupervised margin concept is used as uncertainty measure in the active learning algorithm. Besides, automatic labelling of uncertain pixels is proposed using a hybrid approach that combines a region-based approach and margin concept. Satisfying results are obtained on a Pléiades image. Different learning strategies are compared and discussed. For an operational case study, either a global model or an enriched simple model can be used depending on available ground truth.
Les pratiques et les arrangements spatiaux des parcelles agricoles ont un fort impact sur les flux d'eau dans les pay-sages cultivés. Afin de surveiller les paysages à grande échelle, il y a un fort besoin de délimitation automatique ou semi-automatique des parcelles agricoles. Cet article montre la contribution des images satellitaires à très haute résolu-tion spatiales, telles que Pléiades, pour délimiter le parcellaire agricole de manière automatique. Une approche originale utilisant une classification binaire supervisée des limites parcellaires est proposée. Une approche d'apprentissage actif est mise en oeuvre 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 éti-quetage automatique des pixels incertains est proposé en utilisant une approche hybride combinant une approche région et le concept de marge. Des résultats satisfaisants sont obtenus sur une image Pléiades. Différentes stratégies d'appren-tissage 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.