Publications du Service canadien des forêts

Spectral variability related to forest inventory polygons stored within a GIS. 1999. Wulder, M.A.; Magnussen, S.; Boudewyn, P.A.; Seemann, D. Pages 141-153 in T. Zawila-Niedzwiecki and M. Brach, Editors. IUFRO conference on Remote Sensing and Forest Monitoring, June 1-3, 1999, Rogow, Poland. European Commission Joint Research Centre, Luxembourg: Office for Official Publications of the European Community.

Année : 1999

Disponible au : Centre de foresterie du Pacifique

Numéro de catalogue : 5230

La langue : Anglais

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

Sélectionner

Résumé

La combinaison des données de télédétection avec les systèmes d’information géographique (SIG) ouvre des possibilités d’actualiser les attributs des SIG. La possibilité de réviser les polygones de SIG avec des données de télédétection d’échelle régionale, comme celles du Landsat-TM, est limitée par la distribution de la variance intra- et interpolygones du contenu spectral. Dans cette étude, nous utilisons la distribution des valeurs spectrales par rapport à l’information des polygones d’inventaire forestier comme indicateur de la puissance de la relation entre l’information de l’inventaire et la réponse spectrale de l’image. Après analyse de la distribution de la variance, nous essayons de prévoir les étiquettes des polygones à partir des données Landsat-TM coenregistrées.

Les unités d’aménagement choisies comme représentatives des résineux et des feuillus sont identifiées correctement dans approximativement 64 % et 72 % des cas possibles respectivement; par contre, l’unité d’aménagement choisie pour représenter les peuplements mixtes ne l’est que dans 15% des cas possibles. Lorsque les résultats sont considérés dans le contexte d’un polygone, un filtrage est possible pour définir la catégorie la plus probable. L’analyse de la structure de la variance des polygones et la classification des polygones indiquent que, pour un structure sous-optimale de la variance, une approche de classification par cohorte est préférable à une classification par pixel.