Nowadays, modern earth observation programs produce huge volumes of satellite images time series (SITS) that can be useful to monitor geographical areas through time. How to efficiently analyze such kind of information is still an open question in the remote sensing field. Recently, deep learning methods proved suitable to deal with remote sensing data mainly for scene classification (i.e. Convolutional Neural Networks -CNNs -on single images) while only very few studies exist involving temporal deep learning approaches (i.e Recurrent Neural Networks -RNNs) to deal with remote sensing time series.In this letter we evaluate the ability of Recurrent Neural Networks, in particular the Long-Short Term Memory (LSTM) model, to perform land cover classification considering multi-temporal spatial data derived from a time series of satellite images. We carried out experiments on two different datasets considering both pixel-based and object-based classification. The obtained results show that Recurrent Neural Networks are competitive compared to state-of-the-art classifiers, and may outperform classical approaches in presence of low represented and/or highly mixed classes. We also show that using the alternative feature representation generated by LSTM can improve the performances of standard classifiers.
Dans le contexte actuel de gestion intégrée du littoral, la croissance démographique et l'augmentation de la pression foncière sur le bassin de Thau font de ce territoire un enjeu important, se répercutant sur l'occupation du sol. Pour faire face à ces enjeux, les collectivités territoriales du territoire de Thau ont confié au SMBT à partir de 2006 l'élaboration conjointe de plusieurs instruments de planification afin de mener une approche intégrée du développement territorial au travers du SCoT, du SAGE et d'une procédure Natura 2000. L'objectif de cette contribution est de présenter la méthodologie opérationnelle développée pour cartographier l'occupation du sol initiale 2012/2013 à partir d'images Pléiades sur le bassin de Thau. Cette cartographie constituera une donnée d'entrée pour nourrir l'observatoire du territoire de Thau et sera adaptée à la mise en œuvre des instruments de planification. La méthodologie a été scindée en deux parties, une première partie de photo-interprétation pour cartographier les espaces artificialisés et leurs évolutions sur plusieurs années et une seconde partie sur une approche par télédétection avec la réalisation d'une classification orientée-objet sur les espaces agricoles et les milieux naturels. La démarche procure un état actualisé de l'occupation du sol selon une typologie à 4 niveaux adaptée de Corine Land Cover et sera mise à jour tous les deux ans pour produire des indicateurs de suivi et d'évaluation du territoire de Thau.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.