Local Spatial Autocorrelation Characteristics of Landsat TM Imagery of a Managed Forest Area

RÉSUMÉ

En télédétection, les paysages en continu sont échantillonnés en fonction d'une grille de pixels d'égale dimension et d'espacement régulier. Une conséquence de cette régularisation de surface est que les valeurs de pixels exhibent une autocorrélation spatiale positive. Ainsi, on peut considérer que l'étendue et la nature de l'autocorrélation spatiale constituent une caractéristique des données de télédétection utilisable en tant que source d'information. Toutefois, les mesures globales d'autocorrélation spatiale existantes fournissent peu de connaissances quant à cette caractéristique étant donné qu'elles résument en une seule mesure toutes les interrelations spatiales. Par contraste, la mesure des indicateurs locaux d'association spatiale (LISA, local indicators of spatial indicators) permet d'évaluer pour chaque pixel de l'image à la fois le degré de dépendance spatiale du pixel par rapport aux pixels voisins et l'amplitude des valeurs de variation dans le voisinage du pixel. Dans cette étude, on applique une mesure LISA, la mesure Getis (G_i^*), à des images Landsat TM d'une région forestière aménagée. On note des relations entre, d'une part, l'autocorrélation spatiale au plan local telle que mesurée par (G_i^*) et, d'autre part, différentes bandes Landsat TM et différents types de couvert. De plus, l'information sur la dépendance spatiale est présentée dans le contexte des polygones d'inventaire forestier indiquant la présence d'hétérogénéité ou d'homogénéité spectrale à l'intérieur des polygones forestiers. Cette recherche exploratoire confirme que l'information sur la dépendance spatiale telle que dérivée de la mesure de (G_i^*) constitue une nouvelle source importante d'information spatiale pour l'évaluation des images numériques en milieu forestier

SUMMARY

In remote sensing, continuous landscapes are sampled into a grid of equally sized and regularly spaced pixels. One consequence of this surface regularization is that pixel values exhibit positive spatial autocorrelation. Accordingly, the extent and nature of spatial autocorrelation can be considered a characteristic of remotely-sensed data which may be exploited as an information source. However, existing global measures of spatial autocorrelation provide little insight into this characteristic since they summarize all spatial interrelationships in a single measure. In contrast, local indicators of spatial association (LISA) measures assess for each pixel in the image both the degree of spatial dependence with neighbouring pixels and the magnitude of variate values in the neighbourhood of the pixel. In this study, one such LISA statistic, the Getis statistic (G_i^*), is applied to Landsat TM imagery of a managed forest region. Relationships are found between local spatial autocorrelation as measured by G_i^* and different Landsat TM image bands and differing cover types. Further, the spatial dependence information is presented in the context of forest inventory polygons indicating the presence of spectral heterogeneity or homogeneity within forest polygon areas. This exploratory research confirms that spatial dependence information, as computed by G_i^*, constitutes a valuable new source of spatial information for the assessment of digital imagery of forests.

Additional information

Notes on contributors

M. Wulder

•

Mike Wulder is with the Canadian Forest Service of Natural Resources Canada at the Pacific Forestry Centre, 506 West Burnside Road, Victoria, BC, V8Z 1M5, Canada. Tel.: [phone]; Fax: [phone], E-mail: [email protected].

B. Boots

•

Barry Boots is with the Department of Geography and Environmental Studies, Wilfrid Laurier University, Waterloo, Ontario N2L 3C5.