Land cover classification of Lago Grande de Curuai floodplain (Amazon, Brazil) using multi-sensor and image fusion techniques

Abstract

Given the limitations of different types of remote sensing images, automated land-cover classifications of the Amazon várzea may yield poor accuracy indexes. One way to improve accuracy is through the combination of images from different sensors, by either image fusion or multi-sensor classifications. Therefore, the objective of this study was to determine which classification method is more efficient in improving land cover classification accuracies for the Amazon várzea and similar wetland environments - (a) synthetically fused optical and SAR images or (b) multi-sensor classification of paired SAR and optical images. Land cover classifications based on images from a single sensor (Landsat TM or Radarsat-2) are compared with multi-sensor and image fusion classifications. Object-based image analyses (OBIA) and the J.48 data-mining algorithm were used for automated classification, and classification accuracies were assessed using the kappa index of agreement and the recently proposed allocation and quantity disagreement measures. Overall, optical-based classifications had better accuracy than SAR-based classifications. Once both datasets were combined using the multi-sensor approach, there was a 2% decrease in allocation disagreement, as the method was able to overcome part of the limitations present in both images. Accuracy decreased when image fusion methods were used, however. We therefore concluded that the multi-sensor classification method is more appropriate for classifying land cover in the Amazon várzea.

Dadas as limitações de diferentes tipos de imagens de sensores remotos, classificações automáticas do uso e cobertura do solo na várzea Amazônica podem resultar em índices de acurácia insatisfatórios. Uma das maneiras de melhorar esses índices é através da combinação de dados de distintos sensores, por fusão de imagens ou através de classificações multi-sensores. Desta forma, o presente estudo teve o objetivo de determinar qual método de classificação é mais eficiente em melhorar os índices de acurácia das classificações do uso e cobertura do solo para a várzea Amazônica e áreas úmidas similares - (a) a fusão sintética de imagens SAR e ópticas ou (b) a classificação multi-sensor de imagens ópticas e SAR pareadas. Classificações da cobertura do solo com base em imagens de um único sensor (Landsat TM ou Radarsat-2) foram comparadas com as classificações multi-sensor e classificações baseadas em fusão de imagens. A análise de imagens baseada em objetos (OBIA) e o algoritmo de mineração de dados J.48 foram utilizados para realizar a classificação automática, cuja precisão foi avaliada com o índice kappa e com as medidas de discordância de alocação e de quantidade, recentemente propostas na literatura. Em geral, as classificações baseadas em imagens ópticas apresentaram melhor precisão do que as classificações baseadas em dados SAR. Uma vez que ambos os conjuntos de dados foram combinados em uma abordagem multi-sensores, houve uma redução de 2% no erro de alocação da classificação, uma vez que o método foi capaz de superar parte das limitações presentes em ambas as imagens. Contudo, a precisão diminuiu quando foram usados métodos de fusão de imagens. Concluiu-se que o método de classificação multi-sensor é mais apropriado para classificações de uso do solo na várzea amazônica.