Comparison of Object and Pixel-based Land Cover Classification through three Supervised Methods

Land cover has undergone tremendous changes in the last century, with strong consequences on the environmental balance, therefore the classification of land cover using Earth Observation data is very important. Recently, the widely used pixel-based approach for land cover classification was questioned through the emergence of the object-based approach. The main objective of this paper is to evaluate the performances of pixel-based and object-based approaches through three classification methods, Random Trees, Decision Tree and Kappa Nearest Neighbor, for land cover classification using Landsat satellite imagery. Our results suggest that using methods based on decision trees (Random Trees or Decision Tree) the accuracy values are superior in the object-based approach compared to pixel-based approach. Instead, using KNN classification, accuracy values are superior in the pixel-based approach.

Die Landbedeckung hat im letzten Jahrhundert enorme Veränderungen erfahren, mit starken Auswirkungen auf die Umweltbilanz. Daher ist die Klassifizierung der Landbedeckung unter Verwendung von Erdbeobachtungsdaten sehr wichtig. Vor kurzem wurde der weit verbreitete pixelbasierte Ansatz für die Klassifizierung der Landbedeckung durch das Auftauchen des objektbasierten Ansatzes in Frage gestellt. Das Hauptziel dieses Beitrags ist es, die Leistungsfähigkeit von pixelbasierten und objektbasierten Ansätzen anhand von drei Klassifikationsmethoden – Random Trees, Decision Tree und Kappa Nearest Neighbor – für die Landbedeckung mit Landsat-Satellitenbildern zu bewerten. Unsere Ergebnisse zeigen, dass die Methoden, die auf Entscheidungsbäumen basieren (Random Trees und Decision Tree), im Falle des objektorientierten Ansatzes eine höhere Genauigkeit ergeben als beim pixelbasierten Ansatz. Dagegen ergibt die Verwendung der KNN-Klassifikation genauere Werte für den pixelbasierten Ansatz.