Cartographie des surfaces pastorales à l’aide des données Sentinel 2 L3A et des données ouvertes : promesses et réalités
Résumé
In this paper we experiment an approach allowing to produce a coherent land use and cover of rangelands in the French Mediterranean areas represented by the Occitania and Provence-Alpes-Côte d’Azur regions. Four different data sources are used: the OSO land use and cover (OSO), the Registre Parcellaire Graphique (RPG), the BD-Forêt V.2.0 and Sentinel 2 L3A satellite data. The RPG of 2019 and the BD-Forêt updated in 2018 were used as the main source of reference data for training the models to classify the OSO 2019 low F-score class objects, after extraction of the reflectances, spectral and textural indices variables derived from Sentinel 2 L3A data. Three different sizes of reference data are constructed. Then six models were trained using the Random Forest (RF) algorithm: 3 models from the 3 datasets integrating all extracted variables (98) and 3 models considering only the important variables (30) defined by the RF. The results show stable overall accuracies for all datasets used and produce better discrimination of three out of four classes: grasslands, perennial crops and forests. Moorlands are not well discriminated due to their high spatial heterogeneity.
Dans cet article, nous expérimentons une démarche permettant de produire une classification cohérente de l’occupation des sols des surfaces des parcours en zones périméditerranéennes françaises représentées par les régions Occitanie et Provence-Alpes- Côte d’Azur. Quatre différentes sources de données sont utilisées : l’occupation des sols millésime OSO (OSO), le Registre Parcellaire Graphique (RPG), la BD-Forêt V.2.0 et les données satellites Sentinel 2 L3A. Le RPG de 2019 et la BD-Forêt actualisée en 2018 ont été utilisés comme principale source de données de référence pour l’entraînement des modèles en vue de classifier les objets OSO 2019 de faible F-score, après extraction des variables spectrales, et des indices spectraux et texturaux issus des données Sentinel 2 L3A. Trois différentes tailles de données de référence ont été constituées. Ensuite six modèles ont été entraînés en utilisant l’algorithme Random Forest (RF) dont 3 modèles à partir des 3 jeux de données, intégrant toutes les variables extraites (98) et 3 modèles en considérant uniquement les variables importantes (30) définies par le RF. Les résultats montrent des précisions globales stables pour tous les jeux de données utilisés et produisent de meilleures discrimination de trois classes sur quatre : les pelouses, les cultures pérennes et les forêts. Les landes ne sont pas bien discriminées à cause de leur forte hétérogénéité spatiale.
Domaines
Sciences du Vivant [q-bio]
Origine : Fichiers produits par l'(les) auteur(s)
Licence : Copyright (Tous droits réservés)
Licence : Copyright (Tous droits réservés)