Validation of neural net techniques to estimate canopy biophysical variables from remote sensing data

A Bidirectional Reflectance Distribution Function (BRDF) catalog of different crops (mainly wheat, alfalfa, sunflower and maize) was acquired thanks to the Alpilles/ReSeDA campaign, over the whole crop cycles in 1997, using the airborne POLDER sensor. The aim of this study was to test the ability of neural network techniques to accurately estimate canopy biophysical variables from reflectance data. The biophysical variables of interest considered were cover fraction and leaf area index. A well-known and validated canopy radiative transfer model (SAIL) was first used to simulate two BRDF databases: (1) a learning data set to train the neural networks; (2) a validation data set. We used ReSeDA POLDER products and applied the calibrated neural networks to derive biophysical variable estimates. These estimates were then compared with in situ measurements for the 16 acquisition dates and different fields and crops. We also compared ANN performances versus a NDVI-based technique.Validation d'une méthode basée sur l'utilisation de réseaux de neurones pour l'estimation de variables biophysiques des couverts végétaux à partir de données de télédétection. Un catalogue de données de réflectance bidirectionnelle (BRDF), acquis avec le capteur aéroporté POLDER, correspondant à plusieurs types de cultures (principalement du blé, de la luzerne, du tournesol et du maïs) a été acquis lors de la campagne Alpilles/ReSeDA, tout au long des cycles de cultures en 1997. Le but de cette étude est de tester l'aptitude des réseaux de neurones à estimer des variables biophysiques des couverts végétaux à partir de données de télédétection. Les variables biophysiques considérées sont la fraction de couverture du sol et l'indice foliaire. Deux jeux de données ont été simulés à l'aide d'un modèle de transfert radiatif dans le couvert (SAIL) : (1) un jeu d'apprentissage permettant d'entraîner les réseaux de neurones, (2) un jeu de validation. Les réseaux de neurones ainsi calibrés sont appliqués aux données ReSeDA-POLDER pour estimer les variables biophysiques. Ces estimations sont ensuite comparées à des mesures in situ pour les 16 dates d'acquisition de la campagne, les différentes parcelles et les différentes cultures. Les performances des réseaux de neurones sont également comparées à celles d'une méthode classique, basée sur le NDVI