Land cover mapping using an object-oriented classification of Pléiades images: a case study of boreal forest recovery after summer 2010 wildfires in Mosta area (Ivanovo oblast, Russia) Cartographie de l'occupation du sol à partir d'une classification orientée objet d'une image Pléiades: exemple d'une zone forestière de Russie après les incendies de l'été 2010 En Fr

Résumé En Fr

In western part of Russia a high number of wildfires occurred in July-August, 2010 (almost 30,000 fires, with more than 1 million hectares burnt). Extreme heatwaves are made more likely by climate change, and the frequency of forest fires has increased 30-50% in the last 30 years. During 2016, 3.5 million hectares were burnt in Siberia (according to satellite imagery analysis), while government statistics claim only 669,000 hectares. Mapping land-cover and monitoring boreal forest regrowth after 2010 fires using remote sensing imagery is the main objective of this study. The sudy area is located in Russia, 300km far from Moscow, near Mosta city in Ivanova oblast (latitude 42°10’ N, longitude 56° 38’ E). We used Pléiades images recorded on June 5, 2013, 3 years after forest fires.. In addition, we processed 2 Landsat ETM images,obtained before fire (2009) and 1 year after fire (2011). Ground checks have been done in July, 2013, including 106 sample plots for collecting information about vegetation structure and cover-abundance of dominant species using Braun-Blanquet scale.Methodological approaches combine supervised and expertised classifications, implemented with ENVI Fx (Feature Extraction module) and eCognition, and using several algortihms (KNN, SVM, fuzzy logic). First level of classification (4 classes : water, unburnt forest, forest burnt only 2010, forest burnt 2010 and before) is obtained from processing Landsat images; in addition, bog delimtation has been done by manual digitization. The second level of classifications involves segmentation of Pléiades images and object-oriented classifications. Training areas and control areas have been selected to implement the supervised classification approach. The separability of thematic classes is evaluated through visualisation of 2-dimensional scattergrams of red and near infrared channels and of NDVI and brightness indices. From the analysis of separabilty its is concluded that the best combination of input data is obtained when using 8 parameters: means in green, red and PIR spectral channels, NDVI, brightness index, standard-deviations in green, PIR and NDVI.After segmentation, several classification methods have been used and compared. The best classification results were obtained with supervised and expertised classification using eCognition. Twelve thematic classes have been mapped : shadow, open water, water inside bog, bare soil, bog, herbaceous vegetation coniferous forest, broadleaf forest, mixed forest, and three levels of regeneration of burnt forest (low, medium and high). Evaluation of classification results is done through elaboration of confusion matrices with 67 control areas, and using producer’s accuracy, user’s accuracy and Kappa index (0.81). With ENVI Fx, best classification accuracy is lower (Kappa = 0.70).These results demonstrate the possible use of Pléiades images for mapping and monitoring land cover and boreal forest regrowth after fire.

La zone d’étude, occupée par une végétation de type forêt boréale (taïga), est située en Russie à environ 300 km de Moscou, dans l’oblast d’Ivanovo, près de la ville de Mosta (latitude 42°10’ N, longitude 56° 38’ E). Le but de l’étude est la cartographie de l’occupation du sol, avec une focalisation sur la caractérisation de la reprise de la végétation après les incendies survenus en juillet 2010. Les données-satellites utilisées sont des images Pléiades acquises le 5 juin 2013 (2m de résolution, 4 bandes spectrales), complétées par 2 images Landsat ETM, obtenues respectivement en 2009 et 2011. Des relevés de terrain ont été effectués en juillet 2013 sur 106 parcelles pour identifier les espèces dominantes et leur recouvrement. Deux logiciels de traitement d’image ont été utilisés : ENVI Fx (« Feature Extraction ») et eCognition. L’approche combine classifications dirigées (supervisées) et classifications expertisées, avec une comparaison de plusieurs algorithmes de classement. La cartographie de niveau 1 en 5 classes est réalisée à partir des images Landsat, la classification de niveau 2 en 12 classes repose sur la classification orientée objet des images Pléiades. Les observations sur 67 zones de contrôle ont permis d’évaluer la précision des classifications réalisées. La meilleure classification est obtenue à partir de la segmentation réalisée avec eCognition, en utilisant un algorithme de type plus proches voisins (KNN) et logique floue ; l’indice Kappa est de 0,81. Ce résultat suggère la possibilité de réaliser un suivi de la végétation forestière à partir des image Pléiades, en mettant en évidence 3 niveaux d’intensité de régénération de la forêt après incendies.