Apport des images pléiades pour la délimitation des parcelles agricoles à grande échelle
- 1. Institut Polytechnique de Bordeaux
- 2. Institut National des Sciences Appliquées de Toulouse
- 3. National Institute of Applied Science and Technology
- 4. Instituto Geográfico Nacional
- 5. Institut National de la Recherche Agronomique
Description
Les pratiques et les arrangements spatiaux des parcelles agricoles ont un fort impact sur les flux d'eau dans les paysages cultivés . Afin de surveiller les paysages à grande échelle, il ya un fort besoin de délimitation automatique ou semi-automatique des parcelles agricoles. Cet article montre la contribution des images satellitaires à très haute résolution spatiales, telles que Pléiades, pour délimiter le parcellaire agricole de manière automatique .On propose une approche originale utilisant une classification binaire supervisée des limites. Une approche d'apprentissage actif est proposée 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 étiquetage automatique des pixels incertains est proposé en utilisant une approche hybride qui combinant une approche région et le concept de marge.Des résultats satisfaisants sont obtenus sur une image Pléiades. Différentes stratégies d'apprentissage 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.
Translated Descriptions
Translated Description (Arabic)
الممارسات والترتيبات المكانية للأراضي الزراعية لها تأثير قوي على تدفقات المياه في المناظر الطبيعية المزروعة . من أجل مراقبة المناظر الطبيعية على نطاق واسع، هناك حاجة ماسة إلى ترسيم تلقائي أو شبه تلقائي للقطع الزراعية. توضح هذه المقالة مساهمة صور الأقمار الصناعية ذات الاستبانة المكانية العالية جدًا، مثل Pleiades، في تحديد الرقعة الزراعية تلقائيًا. نقترح نهجًا أصليًا باستخدام تصنيف ثنائي خاضع للإشراف للحدود. يقترح نهج التعلم النشط من أجل تكييف نموذج المصنف مع السياق المحلي مما يسمح بتعيين حدود الطرود على نطاق واسع. يستخدم مصنف الغابة العشوائية لتصنيف واختيار السمات . يستخدم مفهوم الهامش غير الخاضع للإشراف كمقياس لعدم اليقين في خوارزمية التعلم النشط. بالإضافة إلى ذلك، يتم اقتراح وضع العلامات التلقائي للبكسلات غير المؤكدة باستخدام نهج هجين يجمع بين نهج المنطقة ومفهوم الهامش. يتم الحصول على نتائج مرضية على صورة الثريا. تتم مقارنة استراتيجيات التعلم المختلفة ومناقشتها . بالنسبة لدراسة الحالة التشغيلية، يمكن استخدام نموذج عالمي أو نموذج مخصب بسيط اعتمادًا على البيانات الميدانية المتاحة.Translated Description (English)
Practices and spatial arrangements of agricultural plots have a strong impact on water flows in cultivated landscapes. In order to monitor landscapes on a large scale, there is a strong need for automatic or semi-automatic delineation of agricultural parcels. This article shows the contribution of very high spatial resolution satellite images, such as Pleiades, to delineate the agricultural parcel automatically. We propose an original approach using a supervised binary classification of boundaries. An active learning approach is proposed in order to adapt the classifier model to the local context thus allowing large-scale parcel delimitation. The Random Forest classifier is used for classification and selection of attributes . The concept of unsupervised margin is used as a measure of uncertainty in the active learning algorithm. In addition, automatic labeling of uncertain pixels is proposed using a hybrid approach that combines a region approach and the concept of margin.Satisfactory results are obtained on a Pleiades image. Different learning strategies are compared and discussed . For an operational case study, a global model or a simple enriched model can be used depending on the available field data.Translated Description (Spanish)
Las prácticas y arreglos espaciales de las parcelas agrícolas tienen un fuerte impacto en los flujos de agua en los paisajes cultivados . Con el fin de vigilar los paisajes a gran escala, existe una fuerte necesidad de delimitación automática o semiautomática de las parcelas agrícolas. Este artículo muestra la contribución de las imágenes satelitales de muy alta resolución espacial, como Pléiades, para delimitar el parcelario agrícola de forma automática. Se propone un enfoque original utilizando una clasificación binaria supervisada de los límites. Se propone un enfoque de aprendizaje activo para adaptar el modelo de clasificador al contexto local, lo que permite la delimitación parcelaria a gran escala.El clasificador de bosques aleatorios se utiliza para la clasificación y selección de atributos . El concepto de margen no supervisado se utiliza como medida de incertidumbre en el algoritmo de aprendizaje activo. Además, se propone un etiquetado automático de píxeles inciertos utilizando un enfoque híbrido que combina un enfoque regional y el concepto de margen.Se obtienen resultados satisfactorios en una imagen Pléiades. Se comparan y discuten diferentes estrategias de aprendizaje. Para un caso de estudio operativo, se puede utilizar un modelo global o un modelo simple enriquecido en función de los datos de campo disponibles.Files
129.pdf
Files
(4.6 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:46c7bb82be13ab427ffd749d85621c0e
|
4.6 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- مساهمة صور المناشدات في ترسيم حدود الأراضي الزراعية على نطاق واسع
- Translated title (English)
- Contribution of pleiades images for the delimitation of agricultural plots on a large scale
- Translated title (Spanish)
- Aportación de imágenes pleyades para la delimitación de parcelas agrícolas a gran escala
Identifiers
- Other
- https://openalex.org/W2174727584
- DOI
- 10.52638/rfpt.2015.220