Physically based inversion modeling for unsupervised cluster labeling, independent forest classification, and LAI estimation using MFM-5-Scale

AbstractUnsupervised clustering is important for regional- to national-scale forest inventories where supervised training data are impractical or unavailable. However, labeling clusters in terms of land-cover classes can be labour intensive and problematic, and clustering and related methods do not provide biophysical-structural information (BSI). Canopy reflectance models such as 5-Scale are powerful forest remote sensing tools; however, 5-Scale can only be run in forward mode and is not invertible to obtain the required forest information. This problem was solved using multiple-forward-mode (MFM) coupled with 5-Scale to enable MFM-5-Scale inversion of land cover and BSI using a look-up table (MFM-LUT) approach that matches satellite image reflectance values with modeled reflectance values that have associated land cover and BSI, such as density, leaf area index (LAI), and crown dimensions, as well as subpixel-scale component fractions. MFM requires no training data or a priori BSI and can optionally be stratified (generalized) by species, structural, hierarchical, mixed forest, and other class definitions. In this paper, MFM-5-Scale was used with Landsat thematic mapper (TM) imagery at the Boreal Ecosystem-Atmosphere Study (BOREAS) southern study area (SSA) modeling subarea (MSA) in Saskatchewan, Canada. MFM-5-Scale was used to label unsupervised cluster sets (n = 17 and 97) from a previous land-cover classification by progressive generalization (CPG), with the best results obtained from independent, stand-alone MFM classification (87%, 76%, and 71% for the three hierarchies of 16 forest type, species, and density classes) validated against the provincial (SERM) forest inventory map and also compared with a standard maximum likelihood (ML) classification. Further, MFM-5-Scale estimated LAI at 24 BOREAS plots within ±0.57 LAI compared with ground-based tracing radiation and architecture of canopies (TRAC) LAI validation data. BSI is not provided by CPG clustering or ML. Based on this and other studies, we conclude that MFM provides an inversion modeling context for sophisticated forest radiative transfer models to retrieve a higher level of land cover and BSI, with detailed LUTs providing a rich set of forest information suitable for query, analysis, and follow-on simulation studies. These methods can augment existing regional- to national-scale remote sensing based inventories by providing a robust cluster labeling and BSI capability or can provide stand-alone capabilities over a variety of applications and scales.La technique de regroupement non dirigé est importante pour les inventaires forestiers à l'échelle régionale et nationale où les données d'entraînement dirigées ne sont pas pratiques ou non disponibles. Cependant, l'étiquetage des regroupements en termes de classes de couvert peut être onéreux en temps et problématique, sans compter que la technique de regroupement ainsi que les méthodes connexes ne fournissent pas d'information biophysique-structurale (BSI). Les modèles de réflectance du couvert, tel que le modèle 5-Scale, sont des outils puissants de télédétection des forêts, quoique le modèle 5-Scale ne puisse tourner qu'en mode avant et ne soit pas inversible pour obtenir l'information nécessaire sur la forêt. Cette situation a été résolue en utilisant le mode MFM (multiple forward mode), couplé avec le modèle 5-Scale, pour permettre l'inversion MFM-5-Scale du couvert et de l'information BSI en utilisant une approche basée sur la table de visualisation (MFM-LUT) qui établit une correspondance entre la réflectance de l'image au satellite et les valeurs de la réflectance modélisée associant le couvert et les informations BSI telles que la densité, l'indice LAI et les dimensions des couronnes de même que les composantes des fractions à l'échelle du sous-pixel. Le modèle MFM ne requiert aucune donnée d'entraînement ni d'information BSI a priori et peut, de façon optionnelle, être stratifié (généralisé) en fonction des espèces, de la structure, de la hiérarchie, des forêts mixtes et des autres définitions de classes. Dans cet article, le modèle MFM-5-Scale a été utilisé avec des images TM de Landsat de la sous-zone de modélisation (MSA) de la zone d'étude sud (SSA) du projet BOREAS (« Boreal Ecosystem-Atmosphere Study »), en Saskatchewan, au Canada. Le modèle MFM-5-Scale a été utilisé pour étiqueter des ensembles de regroupements non dirigés (n = 17 et 97) provenant d'une classification CPG (« classification by progressive generalization ») préalable du couvert. Les meilleurs résultats ont été obtenus à partir d'une classification MFM indépendante et autonome (87 %, 76 %, 71 % pour les trois hiérarchies de seize classes de types de forêts, d'espèces et de densité), validée par rapport à la carte provinciale d'inventaire forestier (SERM) et comparée également avec une classification standard par maximum de vraisemblance (MV). De plus, les estimations de LAI dérivées du modèle MFM-5-Scale sur vingt-quatre parcelles BOREAS à l'intérieur de ±0.57 de LAI étaient comparables aux données de validation TRAC LAI au sol. Les informations BSI ne sont pas fournies par le regroupement CPG ou la classification utilisant le MV. Basé sur cette étude ainsi que sur d'autres études, nous concluons que la classification MFM constitue un contexte de modélisation de l'inversion permettant aux modèles de transfert radiatif sophistiqués de la forêt d'extraire un niveau plus élevé d'information sur le couvert et les caractéristiques biophysiques-structurales, les tables de visualisation (LUT) apportant un ensemble riche en informations sur la forêt utilisable pour les études de requêtes, d'analyse et de simulations subséquentes. Ces méthodes peuvent complémenter les inventaires existants à l'échelle régionale ou nationale basés sur la télédétection en fournissant une capacité robuste d'étiquetage des regroupements et d'information biophysique-structurale, ou encore fournir des capacités autonomes pour une variété d'applications et d'échelles.[Traduit par la Rédaction]

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.