Quantification et cartographie de la structure forestière à partir de la texture des images Pléiades

The potential of very high spatial resolution Pléiades image texture for forest structure quantification and mapping was assessed on maritime pine stands in south-western France. A preliminary step showed that multi-linear regressions allowed a reliable prediction of forest variables (such as crown diameter or tree height) from a set of features automatically selected among a huge number of texture features with various spatial parameterizations. The image classification was performed using the Random Forests (RF) ensemble classifier in order to discriminate five forest structure classes using a hierarchical approach. The RF-variable importance is used for texture feature selection. The results highlight the contribution of process automation and the need for a joint use of both Pléiades image resolutions (panchromatic and multispectral) to derive the best performing texture features.
Cette étude montre le potentiel de l'information texturale des images à très haute résolution spatiale Pléiades pour la quantification et la cartographie de la structure forestière des peuplements de pin maritime du sud-ouest de la France (massif forestier landais). Une première étape montre qu'il est possible d'estimer, par régressions linéaires multiples, les variables de structure forestière (comme le diamètre des couronnes ou la hauteur des arbres) à partir d'un ensemble d'attributs de texture automatiquement sélectionnés parmi un grand nombre de paramétrages possibles. La classification de l'image est ensuite effectuée en utilisant l'algorithme des forêts aléatoires (RF) pour discriminer cinq classes de structure forestière avec une approche hiérarchique. L'importance de variable des RF est utilisée pour la sélection des attributs de texture. Les résultats montrent l'intérêt de l'automatisation du processus et de l'utilisation conjointe des deux résolutions des images Pléiades (mode panchromatique et mode multispectral) pour dériver les attributs de texture les plus performants pour détecter de fines variations de structure forestière.