A Progressive Crop-Type Classification Using Multitemporal Remote Sensing Data and Phenological Information

Local parameters for climate modelling are highly dependent on crop types and their phenological growth stage. The land cover change of agricultural areas during the growing season provides important information to distinguish crop types. The presented progressive classification algorithm identifies crop types based on their phenological development and their corresponding reflectance characteristics in multitemporal satellite images of the four sensors Landsat-7 and -8, Sentinel-2A and RapidEye. It distinguishes crop types not only retrospectively, but progressively during the growing season starting in early spring. Binary fuzzy c-means clustering differentiates seven crop types in eight decisions at particular time periods. These decisions are based on expert knowledge about plant characteristics in different phenological stages. The unsupervised classification approach and previously defined decisions enable the algorithm to work independently of training data. The fuzzy approach provides certainties of crop-type existence and generates first results in early spring. The accuracy and reliability of the classification results improve with increasing time. The method is developed at the German Durable Environmental Multidisciplinary Monitoring Information Network (DEMMIN). The study area is an official test site of the Joint Experiment of Crop Assessment and Monitoring (JECAM) and is located in an intensely agricultural used area in Northern Germany. Classification results were produced for the growing seasons 2015 and 2016. The overall accuracy in 2015 amounted to 89.49%. A challenge remains the distinct separation of wheat and rye, whereas barley, rapeseed, potato, corn and sugar beet are classified with high accuracies. The overall accuracy in 2016 was lower (77.19%) due to unfavourable weather conditions.ZusammenfassungEine progressive Klassifikation von Fruchtarten unter Verwendung von multitemporalen Fernerkundungsdaten und phänologischen Informationen. Lokale Parameter für die Klimamodellierung sind stark von Fruchtarten und deren aktuellen phänologischen Entwicklungsstadien abhängig. Die Bodenbedeckung landwirtschaftlicher Flächen verändert sich im Laufe der Vegetationsperiode erheblich und liefert somit wichtige Informationen zur Unterscheidung verschiedener Fruchtarten. Der vorgestellte fortschreitende Klassifikationsalgorithmus identifiziert Fruchtarten anhand ihrer phänologischen Entwicklung und ihrer entsprechenden charakteristischen Reflexionseigenschaften von multitemporalen optischen Satellitenbildern der Sensoren Landsat-7 und -8, Sentinel-2 und RapidEye. Die Fruchtarten werden nicht am Ende der Vegetationsperiode klassifiziert, sondern fortschreitend mit Beginn der Vegetationsperiode im Frühling. Mithilfe eines binären Fuzzy C-Means Clustering können sieben Fruchtarten in acht Entscheidungsschritten zu bestimmten Zeiträumen unterschieden werden. Diese Entscheidungen basieren auf Expertenwissen über Pflanzencharakteristiken in den verschiedenen phänologischen Phasen. Die unüberwachte Klassifikationsmethode und die zuvor definierten Entscheidungen ermöglichen es dem Algorithmus, unabhängig von Trainingsdaten zu arbeiten. Die Verwendung von ”fuzzy” Entscheidungen erlaubt es, die Verlässlichkeitder Fruchtartenzuordnung anzugeben und liefert erste Ergebnisse bereits im Frühjahr. Die Genauigkeit und Zuverlässigkeit der Klassifikationsergebnisse verbessern sich im Laufe der Zeit. Die Methode wurde am Kalibrierungs- und Validierungsstandort DEMMIN (Durable Environmental Multidisciplinary Monitoring Information Network) entwickelt. Das Untersuchungsgebiet liegt in einem intensiv landwirtschaftlich genutzten Gebiet in Norddeutschland und ist außerdem offizieller Teststandort des Joint Experiment of Crop Assessment and Monitoring (JECAM). Klassifikationsergebnisse wurden für die Vegetationsperioden der Jahre 2015 und 2016 erstellt. Die Gesamtgenauigkeit im Jahr 2015 betrug 89,49%. Eine Herausforderung bleibt die eindeutige Trennung von Weizen und Roggen, wohingegen Gerste, Raps, Kartoffeln, Mais und Zuckerrüben mit hohen Genauigkeiten identifiziert werden konnten. Aufgrund ungünstiger Witterungsbedingungen war die Gesamtgenauigkeit für das Jahr 2016 mit 77,19% etwas geringer.