Journal de télédétection et SIG

Abstrait

Méthodes de classification de l'occupation du sol et de l'utilisation des terres (LCLU) dans les zones semi-arides du Botswana

Réjouis-toi Tsheko

Cet article présente l'utilisation des terres (LCLU) détectée à partir d'un Landsat 8 (OLI) à l'aide de deux schémas de classification, à savoir l'algorithme de vraisemblance maximale (MLA) et les réseaux de neurones artificiels (ANN). L'analyse a été réalisée à l'aide de deux, trois et huit caractéristiques (réflectance de surface et indices). Pour toutes les classifications, la précision globale et la statistique kappa variaient respectivement de 93,81 % et 0,89 à 99,38 % et 0,99. Les précisions de classification les plus élevées ont été obtenues en utilisant soit les huit caractéristiques, soit deux caractéristiques (indices uniquement) pour les deux schémas de classification. Cela démontre l'importance de l'indice de végétation par différence normalisée (NDVI) et de l'indice d'accumulation par différence normalisée (NDBI) dans la cartographie LCLU. Les deux indices sont suffisamment robustes pour être utilisés pour détecter les arbustes, les arbres, l'eau et l'accumulation dans une image satellite. De plus, le classificateur ANN est également suffisamment robuste pour être utilisé pour cette classification. Bien que le classificateur MLA ait utilisé à la fois les valeurs moyennes et la variance des caractéristiques, le classificateur ANN n'a utilisé que les valeurs moyennes des caractéristiques. Il s'agit d'une démonstration de fusion de données sur une échelle normalisée de -1,0 à 1,0. Ce travail démontre également que des précisions de classification acceptables peuvent être obtenues avec moins de canaux spectraux