Wetland mapping with LiDAR derivatives, SAR polarimetric decompositions, and LiDAR–SAR fusion using a random forest classifier

Abstract

In this paper, we assess the use of Random Forest (RF) for mapping land cover classes within Mer Bleue bog, a large northern peatland in southeastern Ontario near Ottawa, Canada, using Synthetic Aperture Radar (SAR) and airborne Light Detection and Ranging (LiDAR). Not only has RF been shown to improve classification accuracies over more traditional classifiers, but it also provides useful information on the statistical importance of individual input image bands for land cover classification. Our specific objectives in this study were to: (i) assess the robustness of a RF approach to northern peatland classification; (ii) examine variable importance resulting from the RF classifications to identify which imagery types, derivatives, and analysis scales are most useful for mapping different classes of northern peatlands; (iii) assess if fusion of different LiDAR and SAR variables can improve classification accuracies at Mer Bleue; and (iv) assess physical interpretability of the multisensor image types and derivatives with respect to biophysical attributes associated with peatland classes. Our results show that the fusion of SAR with LiDAR imagery and derivatives at this study site did not provide additional classification accuracy over the use of LiDAR derivatives alone. Nevertheless, the RF-based approach presented here has strong potential to improve mapping and imagery classification of wetlands and may also help researchers and practitioners improve information extraction and land cover classification in other application areas benefitting from large volumes of multi-sensor imagery.

Dans cet article, on évalue l'utilisation de la technique des forêts aléatoires («Random Forest», RF) pour la cartographie des classes de couvert dans la tourbière de la Mer Bleue, une vaste tourbière nordique située dans le sud-est de l'Ontario près d'Ottawa, au Canada, à l'aide de données RSO (radar à synthèse d'ouverture) et LiDAR («Light Detection and Ranging») aéroporté. Non seulement il a été démontré que la méthode RF améliorait la précision de classification par rapport aux classifieurs plus traditionnels, mais elle apporte également une information utile sur l'importance statistique des bandes individuelles de l'image d'entrée pour la classification du couvert. Nos objectifs précis dans cette étude étaient : (i) d’évaluer la robustesse d'une approche RF pour la classification des tourbières nordiques; (ii) d'examiner l'importance des variables résultant des classifications RF pour identifier quels types d'image, dérivées et échelles d'analyse sont les plus utiles pour cartographier les différentes classes de tourbières nordiques; (iii) de voir si la fusion des différentes variables LiDAR et RSO peut améliorer la précision de classification dans la région de la Mer Bleue et (iv) d’évaluer la possibilité d'interprétation physique des types d'image multicapteurs et des dérivées par rapport aux attributs biophysiques associés aux classes de tourbières. Nos résultats montrent que la fusion des images RSO et LiDAR et des dérivées sur ce site d’étude n'a pas donné de précision de classification plus élevée par rapport à l'utilisation des dérivées LiDAR seules. Toutefois, l'approche basée sur la méthode RF présentée dans cet article présente un potentiel élevé pour l'amélioration de la cartographie et la classification des images des milieux humides et peut aussi aider les chercheurs et les usagers à améliorer l'extraction de l'information et la classification du couvert dans d'autres champs d'applications caractérisés par de grands volumes d'images multicapteurs.

[Traduit par la Rédaction]

Acknowledgements

The authors would like to thank the Canadian Centre for Remote Sensing (CCRS) for sharing of SAR data and assistance with field work. We would also like to acknowledge Dr. Ridha Touzi and Gabriel Gosselin of CCRS for sharing their extensive of knowledge related to SAR polarimetry and the Touzi decomposition. The assistance of Department of National Defence Mapping and Charting Establishment's Geosupport, Survey and Engineering sections is greatly appreciated for acquisition and sharing of LiDAR data and aiding in field work (on a very cold Saturday morning!). Special thanks to Doug Stiff for aiding in field work and the editing process.