Parcel-Based Crop Classification in Ukraine Using Landsat-8 Data and Sentinel-1A Data

Crop inventory at regional scale in Ukraine: developing in season and end of season crop maps with multi-temporal optical and SAR satellite imagery

“…This is the first such a study for Ukraine for producing multi-year crop type inventories, as previous studies focused on other regions (AAFC, 2013;Boryan et al, 2011;Johnson & Mueller, 2010), single year and end of season crop type maps only (Kussul et al, 2016;Prishchepov et al, 2012;Skakun et al, 2016b;Waldner et al, 2016). The proposed approach is very useful for operational crop mapping, as it can be applied, while satellite imagery being acquired and ingested into the classifier to provide both in season and end of season crop maps.…”

“…However, with persistent cloud cover, especially during an early season, optical imagery is not enough to achieve the desirable accuracy of 85%. Therefore, SAR imagery is fused with optical ones to improve discrimination of crops when optical images are not available (Kussul et al, 2016;Skakun et al, 2016b). In situ samples have been randomly divided into two independent subsets: training set (50% of polygons for each class) and test set (50% of polygons for each class).…”

“…Under this technique, the average class probability over classifiers is calculated, and the class with the highest average posterior probability for the given input sample is selected. After obtaining a pixel-based crop classification map, a parcel-based procedure is applied to improve the quality and accuracy of the final map (Kussul et al, 2016). Crop type maps generated for 2013-2015 seasons are used to generate crop rotation violation map.…”

“…Providing multi-annual crop inventory is extremely important for managing agricultural resources at regional and national scale in Ukraine. A Joint Experiment for Crop Assessment and Monitoring (JECAM) test site was established in Ukraine in 2011 with the aim to develop and validate different methodologies for monitoring agricultural resources with the help of remote sensing data (Kussul et al, 2016;Skakun et al, 2016b). These include techniques for delivering in season and end of season crop maps by classifying multitemporal optical and SAR satellite imagery.…”

Review of machine learning methods for Big satellite Data classification

“…Основні проблеми пов'язані з великими обсягами оброблюваних даних, малою площею покриття одним знімком, зашумленістю даних (хмарністю), необхідністю одночасної класифікації різночасових знімків і т.ін. Саме тому в останні роки найпоширенішими й ефективними методами класифікації типів земного покрову на основі різнорідних часових рядів су-путникових даних стали ансамблеві методи [51][52][53][54] та методи глибинного навчання [55][56][57][58][59][60]. На відміну від загальноприйнятої схеми такі підходи пра-цюють одразу з початковими даними та використовують усі наявні вхідні дані, а не виокремлюють лише важливі ознаки, як це було раніше [61,62].…”