Sub-pixel estimation of tree cover and bare surface densities using regression tree analysis

Toneli, Carlos Augusto Zangrando; Carvalho, Luis Marcelo Tavares de

doi:10.1590/S0104-77602011000300016

Abstracts

Sub-pixel analysis is capable of generating continuous fields, which represent the spatial variability of certain thematic classes. The aim of this work was to develop numerical models to represent the variability of tree cover and bare surfaces within the study area. This research was conducted in the riparian buffer within a watershed of the São Francisco River in the North of Minas Gerais, Brazil. IKONOS and Landsat TM imagery were used with the GUIDE algorithm to construct the models. The results were two index images derived with regression trees for the entire study area, one representing tree cover and the other representing bare surface. The use of non-parametric and non-linear regression tree models presented satisfactory results to characterize wetland, deciduous and savanna patterns of forest formation.

Remote sensing; mapping; cerrado

A análise subpixel é capaz de gerar campos contínuos que representam a variabilidade intrínseca das classes temáticas. Neste trabalho, objetivou-se desenvolver um modelo numérico para representar a variabilidade de cobertura de dossel e de superfície exposta dentro de cada formação florestal. Este estudo foi conduzido em área de amortecimento ao longo da sub-bacia no médio São Francisco em MG, Brasil. Foram usados imagens dos satélites Landsat TM, e IKONOS, e o algoritmo GUIDE para ajustes dos modelos. Os resultados foram duas imagens índices, uma de cobertura arbórea e outra de superfície exposta para toda a área estudada, utilizando o modelo de árvore de regressão. O uso de modelos não-paramétricos e não-lineares por árvore de regressão apresentou resultados satisfatórios na representação de padrões de formações florestais aluviais, deciduais e savânicas.

Sensoriamento remoto; mapeamento; cerrado

Sub-pixel estimation of tree cover and bare surface densities using regression tree analysis

Estimativa subpixel da cobertura arbórea e superfície exposta utilizando análise por árvore de regressão

Carlos Augusto Zangrando Toneli^I; Luis Marcelo Tavares de Carvalho^II

^IForest Engineer, M.Sc. in Forest Science - Terra Vision Geo - Alameda do Ingá,89 - Vale do Sereno - 34000-974 - Nova Lima, MG, Brasil - gutoton@gmail.com

^IIForest Engineer, Professor DS in Geoscience and Environment - Departamento de Ciências Florestais/DCF - Universidade Federal de Lavras/UFLA - Cx. P. 3037 - 37200-000 - Lavras, MG, Brasil - passarinho@dcf.ufl a.br

ABSTRACT

Sub-pixel analysis is capable of generating continuous fields, which represent the spatial variability of certain thematic classes. The aim of this work was to develop numerical models to represent the variability of tree cover and bare surfaces within the study area. This research was conducted in the riparian buffer within a watershed of the São Francisco River in the North of Minas Gerais, Brazil. IKONOS and Landsat TM imagery were used with the GUIDE algorithm to construct the models. The results were two index images derived with regression trees for the entire study area, one representing tree cover and the other representing bare surface. The use of non-parametric and non-linear regression tree models presented satisfactory results to characterize wetland, deciduous and savanna patterns of forest formation.

Key words: Remote sensing, mapping, cerrado.

RESUMO

A análise subpixel é capaz de gerar campos contínuos que representam a variabilidade intrínseca das classes temáticas. Neste trabalho, objetivou-se desenvolver um modelo numérico para representar a variabilidade de cobertura de dossel e de superfície exposta dentro de cada formação florestal. Este estudo foi conduzido em área de amortecimento ao longo da sub-bacia no médio São Francisco em MG, Brasil. Foram usados imagens dos satélites Landsat TM, e IKONOS, e o algoritmo GUIDE para ajustes dos modelos. Os resultados foram duas imagens índices, uma de cobertura arbórea e outra de superfície exposta para toda a área estudada, utilizando o modelo de árvore de regressão. O uso de modelos não-paramétricos e não-lineares por árvore de regressão apresentou resultados satisfatórios na representação de padrões de formações florestais aluviais, deciduais e savânicas.

Palavras-chave: Sensoriamento remoto, mapeamento, cerrado.

Full text available only in PDF format.

Texto completo disponível apenas em PDF.

5 REFERENCES

(received: July 2, 2009; accepted: May 27, 2011)

GOETZ, S. J.; WRIGHT, R. K.; SMITH, A. J.; ZINECKER, E.; SCHAUB, E. IKONOS imagery for resource management: tree cover, impervious surface, and riparian buffer analyses in the mid-Atlantic region. Remote Sensing of Environment, New York, v. 88, p. 195-208, 2003.
HANSEN, M. C.; DEFRIES, R. S.; TOWNSHEND, J. R. G.; SOHLBERG, R.; DIMICELI, C.; CARROLL, M. Towards on operational MODIS continuous fiel of percent tree cover algorithm: exaple using AVHRR and MODIS data. Remote Sensing of Environment, New York, v. 83, p. 303-319, 2002.
HUANG, C.; YANG, L.; WYLIE, B.; HOMER, C. A strategy for estimating tree canopy density using landsat 7 ETM+ and high resolution images over large areas. In: CONFERENCE ON GEOSPATIAL INFORMATION IN AGRICULTURE AND FORESTRY HELD IN DENVER, 2001, Colorado. Proceedings... Sioux Falls: Raytheon, 2001. CD-ROM.
JONG, S. M.; PEBESMA, E. J.; MEER, F. D. van der. Spatial variability, mapping methods, image analysis and pixel. In: STEVEN, M.; JONG, M.; FREEK, D. van der. Remote sensing image analysis: including the spatial domain. Boca Raton: CRC, 2004. p. 17-35.
LAMBIN, E. F.; LINDERMAN, M. Time series of remote sensing data for land change science. IEEE Transaction on Geoscience and Remote Sensing, New York, v. 44, n. 7, 2006. Special issue.
LOH, W. Y. Regression trees with unbiased variable selection and interaction detection. Statistica Sinica, Madison, v. 12, p. 361-386, 2002.
SCOLFORO, J. R. S.; CARVALHO, L. M. T. Mapeamento e inventário da flora nativa e reflorestamentos de Minas gerais Lavras: UFLA, 2006. 288 p.
SMITH, A. J. Subpixel estimation of impervious surface cover using landsat tm imagery College Park: University of Maryland, 2000. 28 p.
XU, M.; WATANACHATURAPORN, P.; VARSHNEY, P. K.; ARORA, M. K. Decision tree regression for soft classification of remote sensing data. Remote Sensing of Environment, New York, v. 97, p. 322-336, 2005.

Publication Dates

Publication in this collection
22 Sept 2014
Date of issue
Sept 2011

History

Received
02 July 2009
Accepted
27 May 2011

This work is licensed under a Creative Commons Attribution 4.0 International License.

[1] GOETZ, S. J.; WRIGHT, R. K.; SMITH, A. J.; ZINECKER, E.; SCHAUB, E. IKONOS imagery for resource management: tree cover, impervious surface, and riparian buffer analyses in the mid-Atlantic region. Remote Sensing of Environment, New York, v. 88, p. 195-208, 2003.

[2] HANSEN, M. C.; DEFRIES, R. S.; TOWNSHEND, J. R. G.; SOHLBERG, R.; DIMICELI, C.; CARROLL, M. Towards on operational MODIS continuous fiel of percent tree cover algorithm: exaple using AVHRR and MODIS data. Remote Sensing of Environment, New York, v. 83, p. 303-319, 2002.

[3] HUANG, C.; YANG, L.; WYLIE, B.; HOMER, C. A strategy for estimating tree canopy density using landsat 7 ETM+ and high resolution images over large areas. In: CONFERENCE ON GEOSPATIAL INFORMATION IN AGRICULTURE AND FORESTRY HELD IN DENVER, 2001, Colorado. Proceedings... Sioux Falls: Raytheon, 2001. CD-ROM.

[4] JONG, S. M.; PEBESMA, E. J.; MEER, F. D. van der. Spatial variability, mapping methods, image analysis and pixel. In: STEVEN, M.; JONG, M.; FREEK, D. van der. Remote sensing image analysis: including the spatial domain. Boca Raton: CRC, 2004. p. 17-35.

[5] LAMBIN, E. F.; LINDERMAN, M. Time series of remote sensing data for land change science. IEEE Transaction on Geoscience and Remote Sensing, New York, v. 44, n. 7, 2006. Special issue.

[6] LOH, W. Y. Regression trees with unbiased variable selection and interaction detection. Statistica Sinica, Madison, v. 12, p. 361-386, 2002.

[7] SCOLFORO, J. R. S.; CARVALHO, L. M. T. Mapeamento e inventário da flora nativa e reflorestamentos de Minas gerais Lavras: UFLA, 2006. 288 p.

[8] SMITH, A. J. Subpixel estimation of impervious surface cover using landsat tm imagery College Park: University of Maryland, 2000. 28 p.

[9] XU, M.; WATANACHATURAPORN, P.; VARSHNEY, P. K.; ARORA, M. K. Decision tree regression for soft classification of remote sensing data. Remote Sensing of Environment, New York, v. 97, p. 322-336, 2005.