Skip to main content

A method for estimation of a land-cover change matrix from error-prone unit-level observations

Buy Article:

$50.00 plus tax (Refund Policy)

Abstract:

Coregistration and classification errors can seriously compromise direct unit-level (pixel) estimation of land-cover change from remotely sensed data. A more robust alternative to a pixel-based estimation of change is warranted. In a proposed method, spatially adjacent pixels are grouped into 3 × 3 clusters, and the change matrix is obtained from cluster-specific and land cover specific pixel counts at two points in time. The diagonal of a change matrix is estimated by combining an estimate of the temporal correlation of cover type specific, cluster-level counts with an estimate of the odds ratio of no change. Off-diagonal elements are least-squares solutions to a set of linear constraints or obtained by iterative proportional fitting under a model of quasi-independence. In a study with data from five sites, the proposed method produced less biased estimates on three sites if the mean coregistration error was in excess of 0.3–0.7 pixels and on four sites if classification accuracy dropped below 0.9.

Les erreurs de correspondance géométrique et de classification peuvent compromettre sérieusement l’estimation du changement des surfaces par une analyse des pixels de l’image obtenue par télédétection. Une alternative plus robuste à l’estimation du changement pixel-à-pixel est nécessaire. La méthode proposée dans cette étude utilise les pixels voisins rassemblés par groupes de 3 × 3 pixels pour produire une matrice de changement des histogrammes associés aux groupements de pixels et aux surfaces pour un point, à deux moments dans le temps. La diagonale de la matrice de changement est calculée en combinant la corrélation temporelle du dénombrement de pixels par type de surface avec une estimation des probabilités qu’il n’y ait pas de changement. Les valeurs hors-diagonale sont des solutions par la méthode des moindres carrés d’un ensemble de contraintes linéaires ou sont obtenues par un ajustement proportionnel itératif fait selon un modèle de quasi indépendance. Dans une étude avec les données de cinq sites, la méthode proposée a produit des estimations moins biaisées sur trois sites si l’erreur moyenne de correction géométrique était supérieure à 0,3–0,7 pixels et sur quatre sites si l’exactitude de la classification était inférieure à 0,9.

Document Type: Research Article

Publication date: August 1, 2007

More about this publication?
  • Published since 1971, this monthly journal features articles, reviews, notes and commentaries on all aspects of forest science, including biometrics and mensuration, conservation, disturbance, ecology, economics, entomology, fire, genetics, management, operations, pathology, physiology, policy, remote sensing, social science, soil, silviculture, wildlife and wood science, contributed by internationally respected scientists. It also publishes special issues dedicated to a topic of current interest.
  • Information for Authors
  • Submit a Paper
  • Subscribe to this Title
  • Terms & Conditions
  • Sample Issue
  • Reprints & Permissions
  • Ingenta Connect is not responsible for the content or availability of external websites
nrc/cjfr/2007/00000037/00000008/art00019
dcterms_title,dcterms_description,pub_keyword
6
5
20
40
5

Access Key

Free Content
Free content
New Content
New content
Open Access Content
Open access content
Subscribed Content
Subscribed content
Free Trial Content
Free trial content
Cookie Policy
X
Cookie Policy
Ingenta Connect website makes use of cookies so as to keep track of data that you have filled in. I am Happy with this Find out more