Referència

Multitemporal flooding dynamics of rice fields by means of discriminant analysis of radiometrically corrected remote sensing imagery. International Journal of Remote Sensing32(7), 1983-2011.

Autors/es

G. Moré, P. Serra, X. Pons. 

Fitxa elaborada per

Estudi de les inundacions als arrossars de l'Ebre mitjançant anàlisis radiomètrics i imatges de teledetecció

Encara sense vots
2011
Objectiu

Realitzar un estudi de l’evolució temporal de les cobertes inundades per un període i l’ús de l’enriquiment de vectors com a eina temàtica d'actualització del cadastre. Analitzar la importància de les diferents bandes per determinar la idoneïtat dels sensors espectrals alternatius amb configuracions diferents de les previstes pel Landsat.

Mètodes bàsics

S’han classificat els diferents estadis dels camps d’arròs del Delta de l’Ebre durant l’estació de les inundacions, mitjançant un classificador automàtic basat en un anàlisi discriminant (DA). La fase d’entrenament s’ha dut a terme amb les dades obtingudes a l'octubre de 2006 i  el gener de 2007, i s’ha aplicat en 10 imatges de Landsat-5 Thematic Mapper (TM) de les temporades 2004-05 i 2006-07.

Resultats principals

L’exactitud del mètode és de mitjana un 93,4% (rang 89.7-98.7%), mostrant la capacitat del mètode per obtenir classificacions de gran qualitat i quasi-instantànies a l’hora de fer estudis retrospectius, inclús quan les àrees d’entrenament no estan disponibles per a les dates passades.  L’anàlisi mostra que l’absència de bandes d’infraroig d’ona curta (SWIR) provoca una disminució de gairebé 9 punts en el nivell de precisió de la classificació, mentre que les bandes blaves poden ser excloses amb un impacte mínim en la classificació.

Conclusions

El mètode de classificació automàtica mitjançant anàlisi discriminant de les imatges corregides radiomètricament presenta una elevada exactitud. La exclusió de les bandes del blau tenen un impacte mínim en la classificació, mentre que l’exclusió de bandes de l’infraroig d’ona curta provoca una lleugera disminució en la precisió de la classificació. 

Estudis relacionats

Agrícola
Average: 1 (5 votes)
2024
Forestal
Average: 1 (3 votes)
2023
Forestal
Average: 1 (5 votes)
2023