Approaches for optimal automated individual tree crown detection in regenerating coniferous forests

Abstract

Automated tree detection provides a means to acquire information on tree abundance and spatial distribution, both of which are critical for evaluating the status of regenerating forests. It is also often a precursor to automated tree delineation, which typically utilizes image data surrounding a detected crown point. However, obtaining consistently accurate detection results has proven difficult owing to errors associated with image scale. In this paper, four approaches that reduce this scale dependence are evaluated, including (1) determination of optimum global image smoothing to apply predetection, (2) determination of optimum local image smoothing to apply predetection, (3) determination of the optimal local window size for use in the detection algorithm, and (4) post-detection merging of initially defined crown segments. Each approach was applied to three datasets acquired by different sensors and with different regenerating forest conditions. A common local maximum tree detection algorithm was implemented for approaches 1–3, and a watershed segmentation algorithm was applied in approach 4. Detection accuracy was evaluated using standardized methods. The highest accuracies for each dataset were obtained with approaches based on local scale representations where the regenerating structure favored such approaches. However, more consistent accuracies across all datasets were obtained with the optimum global scale approach. Post-detection merging of adjacent crown segments produced the poorest results. Error sources and the advantages and disadvantages of each approach are discussed in terms of developing more operational methods for automated tree detection in regenerating forests.

La détection automatique des arbres constitue un moyen d'acquérir une information sur l'abondance et la répartition spatiale des arbres, deux facteurs critiques pour l'évaluation du statut des forêts en régénération. Cette dernière est souvent un pré-requis à la délimitation automatique des arbres individuels, qui utilise habituellement les données image autour d'une pointe de couronne détectée. Toutefois, l'obtention de résultats de détection toujours précis s'est avérée difficile dû aux erreurs associées à l'échelle de l'image. Dans cet article, quatre approches réduisant cette dépendance à l'échelle sont évaluées, incluant (1) la détermination du lissage global optimal pour application à la pré-détection, (2) le lissage optimal local de l'image pour application à la pré-détection, (3) la détermination de la dimension optimale de la fenêtre locale pour utilisation dans l'algorithme de détection et (4) la fusion post-détection des segments de couronnes définies initialement. Chacune des approches a été appliquée à trois ensembles de données acquis par différents capteurs et dans des conditions différentes de régénération forestière. Un algorithme commun de détection d'arbres basé sur le maximum local a été implanté pour les approches 1–3, alors qu'un algorithme de segmentation de bassin versant a été appliqué à l'approche 4. La précision de détection a été évaluée à l'aide de méthodes standard. Les taux de précision les plus élevés pour chaque ensemble de données ont été obtenus à l'aide des approches basées sur les représentations à l'échelle locale, où la structure de régénération favorisait de telles approches. Toutefois, des précisions plus constantes pour l'ensemble des données ont été obtenues avec l'approche basée sur l'échelle globale optimale. La fusion post-détection des segments de couronnes adjacentes a produit les résultats les plus faibles. On discute des sources d'erreur et des avantages et désavantages de chacune des approches en terme du développement de méthodes plus opérationnelles pour la détection automatique des arbres dans les forêts en régénération.[Traduit par la Rédaction]