L'objectif de cette recherche consistait à évaluer les effets de la synergie des données multitemporelles ROS de ERS-1 et Landsat TM pour la classification des cultures utilisant l'approche par champ individuel basée sur les réseaux de neurones artificiels (RNA). Huit types de cultures et conditions ont été identifiés : blé d'hiver, maïs (bonne croissance), maïs (faible croissance), soja (bonne croissance), soja (faible croissance), orge-avoine, luzerne et pâturage. Avec l'approche par champ individuel basée sur un réseau de neurones artificiels à action directe, la précision globale de classification des données ROS pour trois dates, s'étendant de la période du début au milieu de la saison de croissance, a été améliorée de près de 20 % et la meilleure classification pour une date unique pour une image ROS (5 août) a amélioré la précision globale d'environ 26 % comparativement à une approche utilisant un classificateur basé sur la méthode du maximum de vraisemblance par pixel. Les données unidate et multitemporelles ROS ont démontré leur potentiel dans la discrimination de certaines cultures, au début et au milieu de la saison de croissance, bien que les précisions globales de classification (<60 %) n'étaient pas suffisamment élevées pour les besoins opérationnels d'inventaire et d'analyse des cultures étant donné que le système ROS de ERS-1 à paramètre unique et à angle d'incidence élevé ne fournit pas de différences suffisamment marquées pour huit types de cultures et conditions. La synergie des images TM3, TM4, et TM5 acquises le 6 août et les données ROS acquises le 5 août ont donné les meilleures classifications RNA par champ, de l'ordre de 96,8 % (kappa = 0,96). Ceci représente une amélioration de 8,3 % par rapport à la classification TM3, TM4, et TM5 seule et une amélioration de 5 % par rapport à la classification par pixel des données TM et des données ROS du 5 août. Ces résultats montrent clairement que la synergie des données TM et ROS est supérieure à celle qui est générée par un capteur unique et que l'approche RNA est plus robuste que la classification utilisant un classificateur basé sur la méthode du maximum de vraisemblance pour la classification par champ. La deuxième meilleure précision de classification obtenue, atteignant 95,9 %, a été atteinte en utilisant la combinaison des images TM3, TM4, et TM5 et l'image ROS du 24 juillet. Par contre, la combinaison des images TM3, TM4, et TM5 et des données ROS pour trois dates différentes n'a donné qu'une précision globale de classification de 93,89 % (kappa = 0,93) alors que la combinaison des images TM3, TM4, et TM5 et de l'image ROS du 15 juin a réduit légèrement la précision de classification (88,08 %; kappa = 0,86) par rapport à celle de TM seule. Ces résultats ont montré que c'est seulement à condition d'accorder une attention particulière à la compatibilité temporelle des données ROS et VIR que la synergie des données satellitaires ROS et Landsat TM peut produire des précisions supérieures de classification comparativement aux images Landsat TM seules.[Traduit par la Rédaction]