Publications du Service canadien des forêts

Error reduction methods for local maximum filtering of high spatial resolution imagery for locating trees. 2002. Wulder, M.A.; Niemann, K.O.; Goodenough, D.G. Canadian Journal of Remote Sensing 28(5): 621-628.

Année : 2002

Disponible au : Centre de foresterie du Pacifique

Numéro de catalogue : 20722

La langue : Anglais

Disponibilité : Commander une copie papier (gratuite), PDF (télécharger)

Sélectionner

Résumé

La reconnaissance de la couronne des arbres à l'aide d'images de télédétection à haute résolution spatiale apporte une information utile quant au nombre et à la distribution des arbres dans le paysage. Une des techniques utilisées couramment pour déterminer la localisation des arbres utilise un filtre de maximum local (ML) avec une fenêtre mobile à dimension statique. Les techniques de ML opèrent sur la prémisse que les valeurs élevées de radiance locale représentent le centroïde de la couronne d'un arbre. Quoique les techniques de ML aient connu du succès, divers auteurs ont observé que cette procédure introduit des erreurs qui se manifestent par l'inclusion d'arbres identifiés faussement. Les arbres manquants, ou erreur d'omission, sont principalement le résultat d'une résolution spatiale trop grossière par rapport à la dimension des arbres en présence. Les arbres identifiés faussement (erreur de commission) peuvent être éliminés au moyen d'un traitement d'image basé sur le filtrage post-ML. Dans ce texte, basé sur l'utilisation d'images MEIS-II à une résolution spatiale de 1 m d'un site d'étude situé sur l'île de Vancouver, en Colombie britannique, nous présentons diverses techniques visant la réduction de l'erreur de commission par le biais de l'application de la technique de ML. On applique des méthodes qui exploitent l'information spatiale et spectrale. À titre de référence, de ML générés à l'intérieur d'une fenêtre de 3 x 3 sans réduction d'erreur de commission ont permis d'atteindre une précision globale de 67%, avec une erreur de commission de 22%. Les résultats de la réduction de l'erreur de commission doivent être considérés par rapport à la précision globale résultante. L'utilisation de fenêtres de dimension variable, en fonction de la structure spatiale de l'image, pour générer des ML a permis de conserver une précision globale semblable (62%) avec une réduction d'erreur de commission (jusqu'à 11%).