If you are experiencing problems downloading PDF or HTML fulltext, our helpdesk recommend clearing your browser cache and trying again. If you need help in clearing your cache, please click here . Still need help? Email help@ingentaconnect.com

Suitability of WorldView-2 data for tree species classification with special emphasis on the four new spectral bands Eignung von WorldView-2 Satellitenbildern für die Baumartenklassifizierung unter besonderer Berücksichtigung der vier neuen Spektralkanäle

$39.00 plus tax (Refund Policy)

Buy Article:

Abstract:

There is an increasing demand for information on tree species composition and spatial distribution. Detailed tree species maps are essential for addressing different ecological problems. Moreover, they are important in modern forest management as close to nature forest management is becoming more and more common. This study examines the potential of 8-band WorldView-2 data with 2 m ground sample distance (GSD) for identifying 10 tree species in a mid-European forest. We delineated well-illuminated tree crowns manually and did a supervised classification using linear discriminant analysis (LDA) implemented in a bootstrapping environment (1465 observations, 500 bootstrap samples). The overall accuracy for the 10 tree species was around 84 % (8 bands) with class-specific producer's accuracies ranging between 54 % () and 96 % (). In general, the accuracy was higher for the 5 deciduous tree species (89 %) than for the 5 coniferous tree species (79 %). The classification accuracies decreased significantly, if only the 4 conventional bands Blue, Green, Red, and Near Infrared 1 were used (78 % overall accuracy). However, when the classification focused only on the 4 main tree species in the investigation area, i.e. , , , , the 4 conventional bands were sufficient to achieve high classification accuracies (95 % overall accuracy). Adding the 4 new bands (Coastal, Yellow, Red Edge, Near Infrared 2) to the input feature set did not further improve the overall classification accuracy for these 4 main tree species. Hence, the positive impact of the additional 4 new bands resulted from strongly increased classification accuracies of the 6 secondary tree species. Green and Near Infrared 1 (conventional bands) as well as the bands Red Edge and Near Infrared 2 (new bands) contributed most to class separability (according to Wilks' Lambda).

German
Informationen über die Baumartenzusammensetzung und -verteilung werden vermehrt nachgefragt. Detaillierte Baumartenkarten sind beispielsweise bei vielen ökologischen Fragestellungen unverzichtbar, stellen aber auch in der forstlichen Praxis aufgrund der mehr und mehr praktizierten naturnahen Waldbewirtschaftung eine wichtige Datengrundlage dar. In dieser Studie wird das Potenzial der 8-Band WorldView-2 Daten mit einer Bodenauflösung von 2 m für die Unterscheidung von 10 Baumarten in einem mitteleuropäischen Testgebiet untersucht. Dazu wurden gut beleuchtete Teile von Baumkronen manuell abgegrenzt und mit Hilfe der Linearen Diskriminanzanalyse (LDA) klassifiziert. Durch Bootstrapping (1465 Referenzflächen, 500 Wiederholungen) wurde für die 10 Baumarten eine Gesamtgenauigkeit von 84 % ermittelt (8 Kanäle). Die Ergebnisse variierten von Baumart zu Baumart zum Teil beträchtlich (Produzentengenauigkeit bei Hainbuche 54 % und bei Buche 96 %). Generell lag die Klassifikationsgenauigkeit bei den 5 Laubbaumarten höher (89 %) als bei den 5 Nadelbaumarten (79 %). Die Klassifikationsgenauigkeiten nahmen deutlich ab, wenn nur die 4 konventionellen Spektralkanäle Blue, Green, Red und Near Infrared 1 verwendet wurden (78 % Gesamtgenauigkeit). Wurden jedoch lediglich die 4 Hauptbaumarten kartiert (Fichte, Kiefer, Buche und Eiche), konnte bereits mit den 4 konventionellen Kanälen eine hohe Gesamtgenauigkeit erzielt werden (95 %). Für die 4 Hauptbaumarten konnte durch die zusätzliche Verwendung der 4 neuen Kanäle (Coastal, Yellow, Red Edge, Near Infrared 2) keine Steigerung der Klassifikationsgenauigkeit erzielt werden. Der positive Einfluss der 4 zusätzlichen Kanäle ist dagegen bei den 6 Nebenbaumarten stark ausgeprägt. Die Untersuchung der Trennkraft der einzelnen Kanäle ergab, dass von den 4 konventionellen Kanälen Green und Near Infrared 1 am meisten zur Trennung der Klassen beitragen und von den 4 neuen Kanälen Red Edge und Near Infrared 2 (Wilks' Lambda).

Keywords: CLASSIFICATION; LINEAR DISCRIMINANT ANALYSIS; TEMPERATE FOREST; TREE SPECIES; WORLDVIEW-2

Language: German

Document Type: Research Article

DOI: http://dx.doi.org/10.1127/1432-8364/2012/0140

Publication date: October 1, 2012

More about this publication?
  • Photogrammetrie - Fernerkundung - Geoinformation (PFG) is an international scholarly journal covering the progress and application of photogrammetric methods, remote sensing technology and the intricately connected field of geoinformation processing.

    Papers published in PFG highlight new developments and applications of these technologies in practice. The journal hence addresses both researchers and student of these disciplines at academic institutions and universities and the downstream users in both the private sector and public administration.

    PFG places special editorial emphasis on the communication of new methodologies in data acquisition, new approaches to optimized processing and interpretation of all types of data which were acquired by photogrammetric methods, remote sensing, image processing and the computer-aided interpretation of such data in general.

    PFG is the official journal of the German Society of Photogrammetry and Remote Sensing.
  • Editorial Board
  • Information for Authors
  • Subscribe to this Title
  • ingentaconnect is not responsible for the content or availability of external websites
Related content

Tools

Favourites

Share Content

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
ingentaconnect 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