Neural Network Model for Land Cover Classification from Satellite Images

Английский. Land cover data represent environmental information for a variety of scientific and policy applications, so its classification from satellite images is important. Since neural networks (NN) do not require a hypothesis about data distribution, they are valuable tools to classify satellite images. The objectives of this work were to develop NN models to classify land cover data from information from satellite images and to evaluate them when different input variables are used. MODIS-MYD13Q1 satellite images and data of 85 plots in Córdoba, Argentina, were used. Five NN models of multi-layer feed-forward perceptron were designed. Four of these received NDVI (Normalized Difference Vegetation Index), EVI (Enhanced Vegetation Index), red (RED) and near infrared (NIR) reflectance values as input patterns, respectively. The fifth NN had RED and NIR reflectances as input values. By comparing the information taken in the field and the classification made during the validation phase, it can be concluded that all models presented good performance in the classification. The model that shows better behavior is the one that jointly considers RED and NIR reflectance as input; this model shows an overall classification accuracy of 93% and an excellent Kappa statistic. The networks constructed with NDVI and EVI values have a similar behavior (86 and 83% accuracy, respectively). The Kappa statistics correspond to the categories of very good and good, respectively. The networks including only RED or NIR reflectance values get the lowest accuracy results (76 and 81%, respectively) and Kappa values within fair and good ranks, respectively.

Испанский язык; кастильский. Los datos de cobertura de suelo representan información ambiental clave para aplicaciones científicas y políticas, por esto su clasificación a partir de imágenes satelitales es importante. Las redes neuronales (NN) constituyen una herramienta valiosa para clasificar imágenes satelitales pues no requieren hipótesis sobre la distribución de los datos. Los objetivos de este trabajo fueron desarrollar modelos de NN para clasificar datos de cobertura de suelo a partir de información proveniente de imágenes satelitales y evaluarlos cuando se utilizan diferentes variables de entrada. Se utilizaron imágenes satelitales MODIS-MYD13Q1 y datos de 85 parcelas en Córdoba (Argentina). Se diseñaron cinco NN del tipo perceptrón multicapa feed-forward. Cuatro de ellas recibieron como patrones de entrada valores de NDVI (Normalized Difference Vegetation Index), EVI (Enhanced Vegetation Index), de reflectancias en la bandas roja (RED) y en infrarroja cercana (NIR), respectivamente. La quinta NN tuvo como valores de entrada las reflectancias RED y NIR. La validación, permitió concluir que todos los modelos presentan un buen desempeño. El modelo que muestra mejor comportamiento es aquel que considera conjuntamente valores de reflectancias RED y NIR, cuya precisión en la clasificación es del 93% con un estadístico Kappa excelente. Las redes construidas individualmente a partir de valores de NDVI y EVI tienen un comportamiento similar (86 y 83% de exactitud, respectivamente), con estadísticos Kappa muy bueno y bueno, respectivamente. Las NN que incluyen sólo valores de RED o NIR presentaron los menores porcentajes de exactitud (76 y 81%, respectivamente) con índices Kappa regular y bueno, respectivamente.