Évaluation des performances de la réduction des images Sentinel-2 pour la classification des terres et de l'occupation des sols par des caractéristiques spectral-spatiales

La classification des terres et de l'occupation des sols (LULC) est essentielle pour les applications environnementales et écologiques. Sentinel-2 est un satellite de surveillance des terres de nouvelle génération qui bénéficie d'une nouvelle capacité spectrale, d'une large couverture et de résolutions spatiales et temporelles fines. Les effets de différents schémas et méthodes d'unification de résolution spatiale sur la classification LULC ont été peu étudiés pour Sentinel-2. Cet article comble cette lacune en comparant les différences entre l'augmentation et la réduction ainsi que différents algorithmes de réduction du point de vue de la précision de la classification LULC. Les algorithmes de réduction étudiés comprennent le rééchantillonnage par voisin le plus proche et cinq méthodes de pansharpening populaires, à savoir, Gram-Schmidt (GS), diffusion par voisin le plus proche (NNDiffusion), algorithme PANSHARP proposé par Y. Zhang, fusion par transformation en ondelettes (WTF) et fusion par filtre passe-haut (HPF). Deux caractéristiques spatiales, des métriques texturales dérivées de la matrice de cooccurrence de niveaux de gris (GLCM) et des profils d'attributs étendus (EAP), sont étudiées pour compenser les lacunes de la classification spectrale basée sur les pixels. La forêt aléatoire (RF) est adoptée comme classificateur. L'expérience a été réalisée dans le bassin versant de Xitiaoxi, en Chine. Les résultats ont démontré que la réduction surpasse clairement l'augmentation en termes de précision de classification. Pour la réduction, le sharpening d'image n'a pas d'avantages évidents par rapport à l'interpolation spatiale. Différents algorithmes de sharpening d'image ont des effets distincts. Deux méthodes basées sur l'analyse multi-résolution (MRA), à savoir, WTF et HFP, obtiennent les meilleures performances. GS atteint une précision similaire à NNDiffusion et PANSHARP. Comparé au sharpening d'image, l'introduction de caractéristiques spatiales, à la fois GLCM et EAP, peut grandement améliorer la précision de classification pour les images Sentinel-2. Leurs effets sur la précision globale sont similaires mais diffèrent significativement pour des classes spécifiques. En général, l'utilisation des bandes spectrales réduites par interpolation par voisin le plus proche peut répondre aux exigences des applications régionales LULC, et les caractéristiques spatiales GLCM et EAP peuvent être utilisées pour obtenir des cartes de classification plus précises.