Comparative Study of Classification Methods for Surficial Materials in the Umiujalik Lake Region Using RADARSAT-2 Polarimetric, Landsat-7 Imagery and DEM Data

摘要

Une étude portant sur la classification des matériaux de surface dans la région du lac Umiujalik a été menée en utilisant des données multisources incluant des données RSO «synthetic aperture radar (SAR)» polarimétriques, des données optiques Landsat, et un modéle altimétrique numérique (MAN) « digital élévation model (DEM)». Le but de cette étude est d'explorer la performance de classification en comparant différentes combinaisons de caractéristiques et différents classificateurs. Tout d'abord, 4 méthodes de classification ont été comparées sur différentes combinaisons de caractéristiques d'intensité etdetexture. Deuxiémement, l'effet des algorithmes de réduction de dimension sur la classification a été étudié. Enfin, 6 méthodes de réduction de dimension différentes ont été utilisées pour voir si elles peuvent améliorer ou maintenir la performance de la classification en utilisant moins de dimensions. Les résultats montrent que l'ajout de caractéristiques de texture peut aider a améliorer la précision de la classification. La meilleure précision de classification est obtenue par la méthode de classification par rotation de foréts «Rotation Forest (RF)» en utilisant la combinaison des caractéristiques d'intensité et de texture; la performance de classification reste stable en utilisant moins de caractéristiques.%A study focusing on the classification of surficial materials in the Umiujalik Lake area using multisource data includingrnpolarimetric SAR data, Landsat optical data, and a digital elevation model (DEM) has been conducted. The purpose of thisrnstudy is to explore the classification performance by comparing different feature combinations and different classifiers. First,rn4 classification methods were compared on different combinations of features of intensity and texture. Second, the effects ofrndimension reduction algorithms for classification were investigated. Finally, 6 different dimension reduction methods were usedrnto see if classification performance can be improved or remain stable by using fewer dimensions. Results show that adding texturernfeatures can help improve classification accuracy; the best classification accuracy is achieved by the rotation forest classificationrnmethod using the combination of intensity and texture features; the classification performance remains stable using fewer features.