A Tile Based Protocol for the Creation of Sentinel 2 Monthly Image Composites for Crop Type Classification
Author
Rosca, Vlad-Mihai
Term
4. term
Publication year
2018
Pages
88
Abstract
This thesis develops and evaluates a tile-based protocol for generating monthly Sentinel-2 image composites to support crop type classification under cloudy conditions. It compares three compositing approaches—maximum NDVI, medoid, and geometric median—applied to Sentinel-2 tile 32UNG, which experienced extensive cloud cover during the 2017 growing season. All scenes were atmospherically corrected and cloud-masked, and March and July 2017 composites were produced with relevant indices computed. Early (March) and late (July) season layers were stacked and classified using a random forest with 400 trees, then benchmarked against the clearest single image from the same periods. The composites increased the number of fields available for classification by 23.5%, with overall accuracies of 84.79% (clearest image), 84.21% (medoid), 83.57% (geometric median), and 81.35% (maximum NDVI). These results indicate that monthly composites can enable more complete and nearly as accurate crop monitoring as a clearest single scene, and the potential of high-dimensional composites for other classification tasks warrants further study.
Denne afhandling udvikler og afprøver en tile-baseret protokol til at skabe månedlige Sentinel-2 kompositbilleder med henblik på afgrødeklassifikation under skyede forhold. Tre kompositmetoder anvendes og sammenlignes: maksimum NDVI, medoid og geometrisk median. Protokollen testes på Sentinel-2 tile 32UNG, der havde høj skydække gennem vækstsæsonen 2017. Alle billeder gennemgår atmosfærisk korrektion og skymaskering, og der fremstilles kompositter for marts og juli 2017, hvorefter relevante indeks beregnes. Tidlige (marts) og sene (juli) sæsonlag samles og klassificeres med random forest (400 træer), og resultaterne sammenlignes med et mest skyfrit enkeltbillede fra samme perioder. Kompositterne øgede antallet af marker, der kunne klassificeres, med 23,5 %, og de samlede nøjagtigheder var 84,79 % (mest skyfrie billede), 84,21 % (medoid), 83,57 % (geometrisk median) og 81,35 % (maksimum NDVI). Resultaterne indikerer, at månedlige kompositter kan understøtte mere komplet og næsten lige så præcis afgrødeovervågning som det bedste enkeltbillede, og at fordele ved høj-dimensionelle kompositter til andre klassifikationsopgaver bør undersøges nærmere.
[This apstract has been generated with the help of AI directly from the project full text]
Keywords