Invasive Saltcedar (Tamarisk spp.) Distribution Mapping Using Multiresolution Remote Sensing Imagery

Abstract

Saltcedar is commonly recognized as one of the most threatening invasive species in the United States and has the potential to cause great environmental harm over the coming decade. Accurate mapping of saltcedar distribution and abundance in a timely manner plays a central role in assisting with effective control. Current studies have mostly concentrated on large-area detection with coarse-resolution remote sensing data. In this study, a comprehensive test was designed and carried out to examine the ability to integrate multitemporal and multiresolution imagery for differentiating saltcedar from other riparian vegetation types in the Rio Grande basin of Texas, including very high spatial resolution (QuickBird), hyperspectral resolution imagery (AISA), and moderate resolution satellite imagery (Landsat TM). Two types of analyses were fulfilled. First, five pixel-based classification methods were adopted for assessing the effectiveness of QuickBird and AISA for discerning saltcedar, respectively; that is, the maximum likelihood classifier (MLC), neural network classifier (NNC), support vector machine (SVM), spectral angle mapper (SAM), and maximum matching feature (MMF). Second, Landsat TM imagery was synthesized from AISA and tested for mapping the abundance of saltcedar with four linear spectral unmixing methods and three back-propagation neural network methods. Results indicate that AISA outperformed QuickBird imagery in differentiating saltcedar from other riparian vegetation species. SVM achieved the highest classification accuracy among the five classifiers. Linear spectral unmixing methods exhibited similar mapping accuracy to neural network methods in estimating the abundance of saltcedar at a spatial resolution of 30 by 30 m² but with significantly better computing efficiency.

Al cedro salino, o tamarisco, comúnmente se le considera una de las especies invasoras de mayor cuidado en los Estados Unidos, y potencialmente podría causar un daño ambiental cada vez más serio en la década entrante. La exacta cartografía de la distribución y abundancia del cedro salino en el momento preciso juega un papel central para ayudar al control efectivo. Los estudios actuales se concentran principalmente en su detección sobre áreas grandes a partir de datos de percepción remota de resolución tosca. En el presente estudio se diseñó y aplicó un test comprensivo para examinar la capacidad de integrar conjuntos de imágenes de naturaleza multi-temporal y de resoluciones múltiples para diferenciar el cedro salino de otros tipos de vegetación ribereña en la cuenca del Río Grande de Texas, incluyendo resolución espacial de alta definición (QuickBird), imágenes de resolución hiperespectral (AISA), e imágenes satelitales de resolución moderada (Landsat TM). Se completaron dos tipos de análisis. Primero, se adoptaron cinco métodos de clasificación a base de pixel para evaluar la efectividad de QuickBird y AISA para discernir el cedro salino, respectivamente; o sea, el clasificador de máxima probabilidad (MLC), el clasificador de red neural (NNC), la máquina vector de apoyo (SVM), el mapeador de ángulo espectral (SAM) y el rasgo de apareamiento máximo (MMF). Segundo, las imágenes Landsat TM fueron sintetizadas de AISA y probadas para cartografiar la abundancia de cedro salino con cuatro métodos lineales de desmezclado espectral y tres métodos neurales encadenados de propagación hacia atrás. Los resultados muestran que AISA sobrepasó las imágenes QuickBird en el proceso de diferenciar al cedro salino de otras especies de vegetación ribereña. La SVM alcanzó la más alta exactitud de clasificación entre los cinco clasificadores. Los métodos lineales de desmezclado espectral exhibieron similar exactitud de mapeo que los métodos de redes neurales para calcular la abundancia de cedro salino a una resolución espacial de 30 por 30 m2, pero con una eficiencia de computación significativamente mejor.

Key Words::

• classification
• saltcedar
• spectral unmixing

关键词:

• 分类
• 盐雪松
• 光谱分离

Palabras clave::

• clasificación
• cedro salino
• desmezclado espectral