[ Cartographie de l’occupation de sol des Hauts Plateaux de l’Ouest Cameroun par réseaux de neurones appliqués à une image LANDSAT 8 OLI ]
Volume 23, Issue 2, May 2016, Pages 443–454
Valère - Carin JOFACK SOKENG1, Fernand Koffi KOUAME2, Hyppolite Dibi N'DA3, Boalidioa TANKOANO4, L. Akpa You5, and Benjamin NGOUNOU NGATCHA6
1 Centre Universitaire de Recherche et d’Application en Télédétection (CURAT), University Félix Houphouët Boigny of Cocody, Abidjan, Côte d'Ivoire
2 Centre Universitaire de Recherche et d’Application en Télédétection (CURAT), University Félix Houphouët Boigny of Cocody, Abidjan, Côte d'Ivoire
3 Centre Universitaire de Recherche et d’Application en Télédétection (CURAT), University Félix Houphouët Boigny of Cocody, Abidjan, Côte d'Ivoire
4 Institut du Développement Rural, Université Polytechnique de Bobo Dioulasso, Bobo Dioulasso, Burkina Faso
5 Centre Universitaire de Recherche et d’Application en Télédétection (CURAT), University Félix Houphouët Boigny of Cocody, Abidjan, Côte d'Ivoire
6 Department of Earth Sciences, University of Ngaoundere, Ngaoundere, Cameroon
Original language: French
Copyright © 2016 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Mapping land cover in complex regions like Western Cameroon Highlands is highly difficult. Most widely used algorithms are not easily implementable because of strong similarities observed in reflectance of different land cover units. This study evaluates the contribution of neural networks to the classification of LANDSAT 8 OLI images in order to achieve a better land cover map in this region. Image processing techniques (calculation of indices, principal components analysis, and color compositions) and a field survey allowed to discriminate and select trainings and validation sites of the main land cover units. Then, a network with 14 neurons in the input layer and 8 neurons in the output layer corresponding to different land cover classes was constructed. External and internal network parameters were experimentally selected for classification. The resulting map was finally validated with an overall accuracy of 90, 08% and a Kappa equal to 0.88. Eight land cover units have been identified. These are degraded forests, savannahs, bare soil and localities, water, wetlands, crops and burned areas. Finally, comparison with the maximum likelihood method has shown the superiority of neural networks with an overall accuracy difference of around 8%.
Author Keywords: Neural Networks, Back-propagation algorithm, land cover, Landsat OLI, Western Cameroon Highlands.
Volume 23, Issue 2, May 2016, Pages 443–454
Valère - Carin JOFACK SOKENG1, Fernand Koffi KOUAME2, Hyppolite Dibi N'DA3, Boalidioa TANKOANO4, L. Akpa You5, and Benjamin NGOUNOU NGATCHA6
1 Centre Universitaire de Recherche et d’Application en Télédétection (CURAT), University Félix Houphouët Boigny of Cocody, Abidjan, Côte d'Ivoire
2 Centre Universitaire de Recherche et d’Application en Télédétection (CURAT), University Félix Houphouët Boigny of Cocody, Abidjan, Côte d'Ivoire
3 Centre Universitaire de Recherche et d’Application en Télédétection (CURAT), University Félix Houphouët Boigny of Cocody, Abidjan, Côte d'Ivoire
4 Institut du Développement Rural, Université Polytechnique de Bobo Dioulasso, Bobo Dioulasso, Burkina Faso
5 Centre Universitaire de Recherche et d’Application en Télédétection (CURAT), University Félix Houphouët Boigny of Cocody, Abidjan, Côte d'Ivoire
6 Department of Earth Sciences, University of Ngaoundere, Ngaoundere, Cameroon
Original language: French
Copyright © 2016 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Abstract
Mapping land cover in complex regions like Western Cameroon Highlands is highly difficult. Most widely used algorithms are not easily implementable because of strong similarities observed in reflectance of different land cover units. This study evaluates the contribution of neural networks to the classification of LANDSAT 8 OLI images in order to achieve a better land cover map in this region. Image processing techniques (calculation of indices, principal components analysis, and color compositions) and a field survey allowed to discriminate and select trainings and validation sites of the main land cover units. Then, a network with 14 neurons in the input layer and 8 neurons in the output layer corresponding to different land cover classes was constructed. External and internal network parameters were experimentally selected for classification. The resulting map was finally validated with an overall accuracy of 90, 08% and a Kappa equal to 0.88. Eight land cover units have been identified. These are degraded forests, savannahs, bare soil and localities, water, wetlands, crops and burned areas. Finally, comparison with the maximum likelihood method has shown the superiority of neural networks with an overall accuracy difference of around 8%.
Author Keywords: Neural Networks, Back-propagation algorithm, land cover, Landsat OLI, Western Cameroon Highlands.
Abstract: (french)
La cartographie de l’occupation de sol dans des régions très accidentées comme les Hauts Plateaux de l’Ouest Cameroun est très complexe. Les algorithmes couramment utilisés y sont difficiles à implémenter à cause des fortes ressemblances observées dans les réflectances des différentes unités d’occupation de sol. Cette étude évalue la contribution des réseaux de neurones à la classification des images LANDSAT 8 OLI afin de réaliser une meilleure cartographie de l’occupation de sol de cette région. Les techniques traitements d’images (calcul des indices, analyses en composantes principales, compositions colorées) et une mission de terrains ont permis de discriminer et de sélectionner les parcelles d’entrainements et de contrôles des principales unités d’occupation à cartographier. Ensuite, un réseau avec 14 neurones dans la couche d’entrée et 8 neurones dans la couche de sortie correspondant aux classes d’occupation de sol a été construit. Les paramètres externes et internes des réseaux ont été choisis de façon expérimentale pour la classification. La carte obtenue a enfin été validé avec une précision globale de 90, 08% et un Kappa de 0,88. Huit principales unités d’occupation de sol ont été mises en évidence. Ce sont forêt dégradée, les savanes, les sols nus et localités, l’eau, les zones humides, les cultures et les surfaces brulées. Enfin, la comparaison avec la méthode de maximum de vraisemblance a montré la supériorité des réseaux de neurones avec une différence de précision globale autour de 8%.
Author Keywords: Réseaux de neurones, rétropropagation d’erreur, occupation de sol, LANDSAT OLI, Hauts Plateaux de l’Ouest Cameroun.
How to Cite this Article
Valère - Carin JOFACK SOKENG, Fernand Koffi KOUAME, Hyppolite Dibi N'DA, Boalidioa TANKOANO, L. Akpa You, and Benjamin NGOUNOU NGATCHA, “Mapping land cover in Western Cameroon Highlands using neural networks applied to a Landsat 8 OLI image,” International Journal of Innovation and Scientific Research, vol. 23, no. 2, pp. 443–454, May 2016.
