Comparison of forest attributes extracted from fine spatial resolution multispectral and lidar data

摘要

Les images multispectrales à résolution spatiale fine et les données lidar (« light détection and ranging ») enregistrent des caractéristiques à la fois différentes mais complémentaires de la structure de la forêt. À l'aide d'un ensemble de données comportant des images multispectrales à résolution fine, des données d'impulsions discrètes lidar et des mesures détaillées de terrain des attributs d'arbres individuels, nous avons appliqué une routine automatique de délimitation d'arbres (« tree identification and delineation algorithm ») pour comparer et relativiser les prédictions réalisées par télédétection par rapport aux observations de terrain. Les résultats montrent que les couronnes extraites automatiquement et dérivées des données lidar correspondaient mieux à la surface des couronnes (r~2 = 0.46, n = 36) et à la hauteur (r~2 = 0.88, n = 36) que les agrégats spatiaux définis sur les images multispectrales (surface de la couronne r~2 = 0.26, n = 36) pour les arbres individuels qui étaient identifiables sur les images lidar et les images multispectrales. Les différences entre les caractéristiques de délimitation des couronnes étaient liées au contenu en information des données lidar et des données multispectrales à résolution spatiale fine. L'investigation des caractéristiques spectrales des objets définis sur les images multispectrales a mis en valeur des relations fortes entre les positions verticales dérivées des données lidar et la réflectance multispectrale apparente, avec des agrégats de faible réflectance spatiale se manifestant plus bas dans le couvert forestier. L'application conjointe des ensembles de données lidar et multispectrales dans le contexte de la délimitation des couronnes d'arbres fournit une information non disponible à partir de l'une ou de l'autre source de données individuellement.%Fine spatial resolution multispectral imagery and light detection and ranging (lidar) data capture differing, yet complementary characteristics of forest structure. Using a dataset consisting of fine spatial resolution multispectral imagery, discrete-return lidar data, and detailed ground-based measurements of individual tree attributes, we applied an automatic tree delineation routine (tree identification and delineation algorithm) to compare and contrast remotely sensed predictions with field observations. The results indicate the automatically extracted crowns derived from lidar data matched tree crown area (coefficient of determination r~2 = 0.46, n = 36) and height (r~2 = 0.88, n = 36) better than spatial clusters defined in the multispectral imagery (crown area r~2 = 0.26, n = 36) for individual trees that were identifiable in both the lidar and multispectral imagery. Differences between crown delineation characteristics were related to the information content of the lidar and multispectral fine spatial resolution data. Investigation of the spectral characteristics of objects defined in the multispectral imagery revealed strong relationships between the vertical positions derived from the lidar data and the apparent multispectral reflectance, with low-reflectance spatial clusters occurring lower in the forest canopy, The application of lidar and multispectral datasets together, in the context of tree crown delineation, provides information not available from either data source independently.