A method for estimation of a land-cover change matrix from error-prone unit-level observations


    loading  Checking for direct PDF access through Ovid

Abstract

Coregistration and classification errors can seriously compromise direct unit-level (pixel) estimation of land-cover change from remotely sensed data. A more robust alternative to a pixel-based estimation of change is warranted. In a proposed method, spatially adjacent pixels are grouped into 3 × 3 clusters, and the change matrix is obtained from cluster-specific and land cover specific pixel counts at two points in time. The diagonal of a change matrix is estimated by combining an estimate of the temporal correlation of cover type specific, cluster-level counts with an estimate of the odds ratio of no change. Off-diagonal elements are least-squares solutions to a set of linear constraints or obtained by iterative proportional fitting under a model of quasi-independence. In a study with data from five sites, the proposed method produced less biased estimates on three sites if the mean coregistration error was in excess of 0.3–0.7 pixels and on four sites if classification accuracy dropped below 0.9.RésuméLes erreurs de correspondance géométrique et de classification peuvent compromettre sérieusement l'estimation du changement des surfaces par une analyse des pixels de l'image obtenue par télédétection. Une alternative plus robuste à l'estimation du changement pixel-à-pixel est nécessaire. La méthode proposée dans cette étude utilise les pixels voisins rassemblés par groupes de 3 × 3 pixels pour produire une matrice de changement des histogrammes associés aux groupements de pixels et aux surfaces pour un point, à deux moments dans le temps. La diagonale de la matrice de changement est calculée en combinant la corrélation temporelle du dénombrement de pixels par type de surface avec une estimation des probabilités qu'il n'y ait pas de changement. Les valeurs hors-diagonale sont des solutions par la méthode des moindres carrés d'un ensemble de contraintes linéaires ou sont obtenues par un ajustement proportionnel itératif fait selon un modèle de quasi indépendance. Dans une étude avec les données de cinq sites, la méthode proposée a produit des estimations moins biaisées sur trois sites si l'erreur moyenne de correction géométrique était supérieure à 0,3–0,7 pixels et sur quatre sites si l'exactitude de la classification était inférieure à 0,9.

    loading  Loading Related Articles