Quantification et cartographie de la structure forestière à partir de la texture des images Pléiades

Benoît Beguet; Nesrine Chehata; Samia Boukir; Dominique Guyon

doi:10.52638/rfpt.2014.126

Authors

Benoît Beguet ENSEGID/Université de Bordeaux, laboratoire G&E (EA 4592), Pessac
Nesrine Chehata ENSEGID/Université de Bordeaux, laboratoire G&E (EA 4592), Pessac
Samia Boukir ENSEGID/Université de Bordeaux, laboratoire G&E (EA 4592), Pessac
Dominique Guyon INRA, UMR1391 ISPA, Villenave d'Ornon

DOI:

https://doi.org/10.52638/rfpt.2014.126

Keywords:

Très Haute Résolution spatiale, Texture, Forêt

Abstract

Cette étude montre le potentiel de l'information texturale des images à très haute résolution spatiale Pléiades pour la quantification et la cartographie de la structure forestière des peuplements de pin maritime du sud-ouest de la France (massif landais). Une première étape montre qu'il est possible d'estimer, par régressions linéaires multiples, les variables de structure forestière (comme le diamètre des couronnes ou la hauteur des arbres) à partir d'un ensemble d'attributs de texture automatiquement sélectionnés parmi un grand nombre de paramétrages possibles. La classification de l'image est ensuite effectuée en utilisant l'algorithme des forêts aléatoires (RF) pour discriminer cinq classes de structure forestière avec une approche hiérarchique. L'importance de variable des RF est utilisée pour la sélection des attributs de texture. Les résultats montrent l'intérêt de l'automatisation du processus, et de l'utilisation conjointe des deux résolutions des images Pléiades (panchromatique et multispectral) pour dériver les attributs de texture les plus performants pour détecter de fines variations de structure forestière.

Downloads

Download data is not yet available.

Author Biographies

Benoît Beguet, ENSEGID/Université de Bordeaux, laboratoire G&E (EA 4592), Pessac

Doctorant

Nesrine Chehata, ENSEGID/Université de Bordeaux, laboratoire G&E (EA 4592), Pessac

Maître de Conférences

Samia Boukir, ENSEGID/Université de Bordeaux, laboratoire G&E (EA 4592), Pessac

Professur

Dominique Guyon, INRA, UMR1391 ISPA, Villenave d'Ornon

Ingénieur de Recherche

References

Beguet B., Chehata N., Boukir S., GuyonD., 2012. Retrieving forest structure variables from very high resolution satellite images using an automatic method. ISPRS Annals of Photogrammetry, Remote Sensing and the Spatial Information Sciences, I-7:1-6.

Beguet B., Guyon D., Boukir N., 2014. Automated retrieval of forest structure variables based on multi-scale texture analysis of VHR satellite imagery. International Journal of Photogrammetry and Remote Sensing (en révision).

Boukir S., Orny C., Chehata N., Guyon D., Wigneron J. P., 2013. Détection de changements structurels sur des images application en milieu forestier. Traitement du Signal, 30:401-429.

Breiman L., 2001. Random forests. Machine Learning, 45(1):5-32.

Castillo M. A., Ricker M., De Jong B. H. J., 2010. Estimation of tropical forest structure from spot-5 satellite images. International Journal of Remote Sensing, 31-10:2767-2782.

Chehata N., Orny C., Boukir S., Guyon D., Wigneron J. P., 2014. Object based change detection in wind-storm damaged forest using high resolution multispectral images. International Journal of Remote Sensing (in press).

Couteron P., Pelissier R., Nicolini E. A., Paget D., 2005. Predicting tropical forest stand structure parameters from fourier transform of very high resolution remotely sensed canopy images. Journal of Applied Ecology, 42:1121-1128.

Dash M., Liu H., 1997. Feature Selection for Classification. Intelligent Data Analysis, 1:131-156.

Genuer R., Poggi J. M., Tuleau-Malot C., 2010. Variable selection using random forests. Pattern Recognition Letters, 31:2225-2236

Haralick R. M., Shanmugan K., Dinstein I., 1973. Texture features for image classification. IEEE Transactions Systems, Man and Cybernetics, 601-621.

Inglada J., Christophe E., 2009. The Orfeo toolbox remote sensing image processing software. IEEE International Geoscience and Remote Sensing Symposium, 4:IV-733—IV-736.

Kayitakire F., Hamel C., Defourny P., 2006. Retrieving forest structure variables based on image texture analysis and ikonos-2 imagery. Remote Sensing of Environment, 102:390-401.

Maillard P., 2003. Comparing texture analysis methods through classification. Photogrammetric Engineering & Remote Sensing, 69(4):357-367.

Proisy C., Couteron P., Fromard F., 2007. Predicting and mapping mangrove biomass from canopy grain analysis using fourier-based textural ordination of ikonos images. Remote Sensing of Environment, 109:379-392.

Regniers O., DaCosta J.-P., Grenier G., Germain C., Bombrun L., 2013. Texture based image retrieval and classification of very high resolution maritime pine forest images. Proceedings IEEE International Geoscience and Remote Sensing Symposium (IGARSS).

Song C., Dickinson M. B., Su L., Zhang S., Yaussey D., 2010. Estimating average tree crown size using spatial information from ikonos and quickbird images: Across-sensor and across-site comparisons. Remote Sensing of Environment, 114,:1099-1107.

St-Onge B. A., Cavayas F., 1997. Automated forest structure mapping from high resolution imagery based on directional semivariogram estimates. Remote Sensing of Environment, 61:82-95.

Van Coillie F. M., Verbeke L. P., Wulf R. R. D., 2007. Feature selection by genetic algorithms in object-based classification of ikonos imagery for forest mapping in flanders, belgium. Remote Sensing of Environment, 110(4):476 -487.