Comparison of three methods for long-term monitoring of boreal lake area using Landsat TM and ETM+ imagery

Abstract

Programs to monitor lake area change are becoming increasingly important in high latitude regions, and their development often requires evaluating tradeoffs among different approaches in terms of accuracy of measurement, consistency across multiple users over long time periods, and efficiency. We compared three supervised methods for lake classification from Landsat imagery (density slicing, classification trees, and feature extraction). The accuracy of lake area and number estimates was evaluated relative to high-resolution aerial photography acquired within two days of satellite overpasses. The shortwave infrared band 5 was better at separating surface water from nonwater when used alone than when combined with other spectral bands. The simplest of the three methods, density slicing, performed best overall. The classification tree method resulted in the most omission errors (approx. 2×), feature extraction resulted in the most commission errors (approx. 4×), and density slicing had the least directional bias (approx. half of the lakes with overestimated area and half of the lakes with underestimated area). Feature extraction was the least consistent across training sets (i.e., large standard error among different training sets). Density slicing was the best of the three at classifying small lakes as evidenced by its lower optimal minimum lake size criterion of 5850 m² compared with the other methods (8550 m²). Contrary to conventional wisdom, the use of additional spectral bands and a more sophisticated method not only required additional processing effort but also had a cost in terms of the accuracy and consistency of lake classifications.

Les programmes de suivi de changement de superficie des lacs deviennent de plus en plus importants dans les régions de haute latitude et leur développement demande souvent d’évaluer différentes approches en termes de précision de mesure, de cohérence parmi des utilisateurs multiples sur une longue durée, et d'efficacité. Nous avons comparé trois méthodes de classification supervisée de lacs à partir d'imagerie Landsat (seuillage monospectral, arbres de décision et extraction de caractéristiques). Le degré d'exactitude de la superficie des lacs et des estimations numériques a été évalué grâce à des photographies aériennes de haute résolution obtenues dans les deux jours suivant le passage du satellite. Le canal moyen infrarouge 5 a mieux marqué la distinction terre/eau de surface quand on l'a utilisé seul plutôt que dans le cadre de classifications multispectrales. La méthode la plus simple des trois, le seuillage monospectral, a donné les meilleurs résultats. La méthode d'arbres de décision a entraîné le plus d'erreurs de déficits (env. 2×), celle d'extraction de caractéristiques le plus d'erreur d'excédents (env. 4×), tandis que le seuillage monospectral a manifesté le moindre biais directionnel (env. une moitié de superficies de lac surestimée et une moitié sous-estimée). L'extraction de caractéristiques a été la méthode la moins cohérente au sein des ensembles d'entraînement (c'est-à-dire un grand écart-type parmi les ensembles d'entraînement). La méthode de seuillage monospectral a été la meilleure des trois pour la classification de lacs de petite superficie comme en atteste sa moindre condition de superficie minimum optimale de lac de 5850 m² par rapport aux autres méthodes (8550 m²). Contrairement à ce que l'on pourrait penser, le recours à des canaux spectraux supplémentaires et à une méthode plus sophistiquée a engagé non seulement des efforts de traitement supplémentaires mais a aussi diminué la précision et la cohérence des classifications de lacs.

Acknowledgements

We thank Steve Ewest, Matthew Balasz, and Garrett Altmann for help with image processing; Jeremy Jones and Jennifer Harden for manuscript reviews; and Eric J. Taylor for administrative and funding support. We thank Karen Murphy and the Innoko National Wildlife Refuge for providing high resolution CIR aerial photography. Funding was provided by USGS, USFWS, and a UAF Graduate School Thesis Completion Fellowship. Any use of trade names is for descriptive purposes only and does not imply endorsement by the U.S. Government.