Performance of automated geoprocessing methods for culvert detection in remote Forest environments

Abstract

Greater availability of digital elevation models (DEMs) derived from airborne light detection and ranging (LiDAR) has made it possible to map precisely hydrographic features such as streams over large watersheds. Road embankments are precisely detected, given that DEMs are especially accurate over open areas, while culverts are not. Consequently, mapped stream positions are often erroneous along and through these anthropogenic structures. The position of actual culverts is often imprecise, incomplete or unavailable for large territories; thus, there is a need to develop and evaluate automated methods to locate culvert positions by remote sensing. Six geoprocessing methods were tested and compared to field-based culvert positioning data gathered in forested areas. These methods rely on preprocessing of depressions, manipulation of road embankment elevation, or both. When exact locations of culverts were unknown, the ‘Breach Depressions’ algorithm (WhiteBox GAT) was most accurate in reducing omission and commission errors. Depending upon the expected stream flow regime, it was possible to reduce cumulative error from 10% to 30% by using this method compared to less effective methods. When exact locations of culverts were known, it was possible to reduce cumulative error from 20% to 45% by burning them into the DEM. Comparisons of two different methods revealed that no automated geoprocessing allowed accurate detection of poorly located culverts, i.e. where small streams deviated into road-side ditches. Despite automated geoprocessing methods that are available, a database geolocating all culverts within a territory is the best way to create exact hydrographic networks without road embankment influence.

RÉSUMÉ

La grande disponibilité des modèles numériques de terrain (MNT) issus de la technologie LiDAR (light detection and ranging) a permis de cartographier des éléments hydrographiques comme de petits cours d’eau pour de grands bassins versants. La mise en forme des chemins est généralement bien détectée sur les MNT alors que les ponceaux qui permettent de faire passer l’eau sous les chemins ne le sont pas. En conséquence, les cours d’eau cartographiés sont souvent erronés et déviés le long des chemins. Le positionnement des ponceaux est souvent imprécis, incomplet ou tout simplement non disponible pour de larges territoires. Ainsi, il est essentiel de développer et d’évaluer des méthodes automatisées de détection des ponceaux. Six méthodes ont été testées et comparés à une base de données terrain de ponceaux en milieux forestiers. Ces méthodes se basent sur le prétraitement des dépressions, l’effacement des chemins ou une combinaison des deux. Lorsque la position exacte des ponceaux était inconnue, la méthode ‘Breach Depressions’ (WhiteBox GAT) était la plus performante afin de réduire les erreurs d’omission et de commission. En fonction du régime d’écoulement, il a été possible de réduire l’erreur de 10 à 30% comparativement à la méthode la moins performante. Lorsque la position exacte des ponceaux était connue, il a été possible de réduire l’erreur cumulative de 20 à 45% en brulant la mise en forme des chemins. Une comparaison a révélé qu’aucune méthode automatisée ne permet de détecter des ponceaux inadéquatement positionnés, par exemple à des endroits où des cours d’eau sont déviés dans des fossés. Malgré les méthodes automatisées disponibles, l’acquisition d’une base de données exhaustive localisant tous les ponceaux d’un territoire est la meilleure manière de générer un réseau hydrographique sans l’influence de la mise en forme des chemins.

Keywords:

• Culvert
• LiDAR
• drainage structure
• drainage network
• digital elevation model

Acknowledgements

The authors thank Quebec’s Ministère des Forêts, de la Faune et des Parcs (MFFP), which funded this research project. This project would not have been possible without the exceptional collaboration of the MFFP’s LiDAR mapping team, the Centre d’enseignement et de recherche en foresterie de Sainte-Foy (CERFO) remote sensing team, and the watershed organization Corporation d‘aménagement et de protection de la Sainte-Anne (CAPSA), together with the many students and research associates who contributed to the numerous field surveys.

Disclosure statement

No potential conflict of interest was reported by the authors.