A Technique for Estimating Rangeland Canopy-Gap Size Distributions From High-Resolution Digital Imagery

Abstract

The amount and distribution of gaps in vegetation canopy is a useful indicator of multiple ecosystem processes and functions. In this paper, we describe a semiautomated approach for estimating canopy-gap size distributions in rangelands from high-resolution (HR) digital images using image interpretation by observers and statistical image classification techniques. We considered two different classification methods (maximum-likelihood classification and logistic regression) and both pixel-based and object-based approaches to estimate canopy-gap size distributions from 2- to 3-cm resolution UltraCamX color infrared aerial photographs for arid and semiarid shrub sites in Idaho, Nevada, and New Mexico. We compare our image-based estimates to field-based measurements for the study sites. Generally, percent of input points correctly classified and kappa coefficients of agreement for plot image classifications was very high. Plots with low kappa values yielded canopy gap estimates that were very different from field-based estimates. We found a strong relationship (R2 > 0.9 for all four methods evaluated) between image- and field-based estimates of the total percent of the plot in canopy gaps greater than 50 cm for plots with a classification kappa of greater than 0.5. Performance of the remote sensing techniques varied for small canopy gaps (25 to 50 cm) but were very similar for moderate (50 to 200 cm) and large (> 200 cm) canopy gaps. Our results demonstrate that canopy-gap size distributions can be reliably estimated from HR imagery in a variety of plant community types. Additionally, we suggest that classification goodness-of-fit measures are a potentially useful tool for identifying and screening out plots where precision of estimates from imagery may be low. We conclude that classification of HR imagery based on observer-interpreted training points and image classification is a viable technique for estimating canopy gap size distributions. Our results are consistent with other research that has looked at the ability to derive monitoring indicators from HR imagery. La cantidad y distribución de espacios en la cubierta vegetal es un útil indicador de múltiples procesos y funciones del ecosistema. En este artículo describimos un enfoque semiautomático para estimar la distribución del tamaño del espacio de la cubierta en pastizales de imágenes digitales de alta resolución usando interpretación de imagen por observadores y técnicas estadísticas de clasificación de imagen. Consideramos dos diferentes métodos de clasificación (clasificación de máxima probabilidad y regresión logística) y enfoques basado en pixel y basado en objetivo para estimar la distribución del tamaño del espacio de la cubierta de fotografías aéreas infrarrojas con 2–3 cm de resolución UltraCamX para sitios de matorral áridos y semi áridos en Idaho, Nevada y Nuevo México. Comparamos nuestras estimaciones basadas en imagen con medidas basadas en campo para los sitios de estudio. Generalmente, el porcentaje de puntos clasificados correctamente y los coeficientes de acuerdo kappa de la clasificación de imagen de parcela fue muy alto. Parcelas con valores bajos de kappa resultaron con estimaciones de espacios de cubierta que fueron muy diferentes de los estimados basados en campo. Encontramos una fuerte relación (R2 > 0.9 en los cuatro métodos evaluados) entre imágenes y estimaciones basadas en campo del porcentaje total de la parcela con espacios de cubierta mayores de 50 cm por parcela con una clasificación kappa mayor que 0.5. El desempeño de las técnicas de sensores remotos varia de espacios pequeños de cubierta (25 a 50 cm) pero fueron muy similares de espacios de cubierta moderado (50 a 200 cm) a grande (> 200 cm). Nuestros resultados demuestran que la distribución de espacios de cubierta puede ser estimada con certeza de imágenes de alta resolución en diversos tipos de comunidades de plantas. En suma, sugerimos que las medidas de clasificación de bondad de ajuste son una herramienta potencialmente útil para identificar y explorar parcelas donde la precisión de estimación de imágenes podrá ser baja. Concluimos que la clasificación de imágenes de alta resolución basadas en puntos de entrenamiento de observar-interpretar y clasificación de imágenes es una técnica viable para estimar la distribución del tamaño del espacio de cubierta. Nuestros resultados son consistentes con otra investigación que ha buscado la habilidad de derivar indicadores de monitoreo de imágenes de alta resolución.