Identifying illumination configurations that optimize the classification of mountainous forest types in satellite images: An approach based on 3D modelling
Identificando configuraciones de iluminación que optimizan la clasificación de tipos de bosque montañoso en imágenes satelitales: Una aproximación basada en modelización 3D
| dc.creator | Almazán-González, Juan Andrés | |
| dc.creator | Couturier, Stéphane | |
| dc.creator | Prado-Molina, Jorge | |
| dc.creator | Manzo-Delgado, Lilia de Lourdes | |
| dc.date | 2024-10-09 | |
| dc.date.accessioned | 2025-05-07T20:07:29Z | |
| dc.date.available | 2025-05-07T20:07:29Z | |
| dc.identifier | http://revistas.uach.cl/index.php/bosque/article/view/7618 | |
| dc.identifier | 10.4067/S0717-92002024000200347 | |
| dc.identifier.uri | https://revistaschilenas.uchile.cl/handle/2250/252207 | |
| dc.description | The conservation of biodiversity in the tropics has prompted the need for extended and accurate forest inventories in mountainous landscapes, where satellite imagery and radiative transfer modeling of forests have acquired much relevance. Last-generation classification algorithms (i.e. machine learning) using terrain information have proven useful for mapping forest types, however, the accuracy of classifications is measured on average over a large extent, and little emphasis has been placed on predicting which illumination configurations could in fact cause high uncertainty in the classification results. This paper presents a 3D modeling approach adapted to the Discrete Anisotropic Radiative Transfer (DART) image simulator, which indicates whether forest types are distinguishable in a set of steep terrain configurations. The approach also describes a comparison of simulated and real forest scenes on slopes at high (4 m) spatial resolution. This method was applied to estimate the spectral separability of three forest types (oak, pine, and high tropical forests) on steep terrain in Mexico. For extreme (low or high) solar incidence angles, the pine and high tropical forests were indistinguishable, and by contrast, they were distinguishable on slopes near to the solar perpendicular plane. As a consequence, to maximize favourable slope configurations, we recommend to incorporate images acquired in the morning and in the afternoon for machine learning classification algorithms. | en-US |
| dc.description | La conservación de la biodiversidad tropical ha llevado a la necesidad de inventarios forestales extensos y precisos en zonas montañosas, donde las imágenes satelitales y la modelización de transferencia radiativa de los bosques han adquirido mucha relevancia. Los algoritmos de clasificación de imágenes de última generación (i.e. aprendizaje automático), aplicados con información auxiliar del relieve, se han revelado relativamente exitosos para el mapeo de tipos de bosques, sin embargo, la exactitud de la clasificación se mide solamente en promedio sobre áreas extensas, y poca atención se ha vertido en predecir las configuraciones de iluminación que en realidad causan alta incertidumbre en los resultados de la clasificación. En este artículo, se presenta una metodología basada en el simulador de imágenes Discrete Anisotropic Radiative Transfer (DART), para determinar si los tipos de bosque son distinguibles o no en configuraciones de terreno escarpado. Este trabajo describe la comparación de escenas forestales simuladas y reales en imágenes de alta resolución espacial (4 m). El método se aplicó para la estimación de la separabilidad espectral de tres tipos de bosques (encino, pino y selva alta perennifolia) en terrenos escarpados en México. Para ángulos de incidencia solar extremos (muy pequeños o muy grandes), el bosque de pino y la selva alta resultaron indistinguibles, y en contraste, fueron distinguibles en laderas cercanas al plano perpendicular solar. En consecuencia, para incluir un máximo de configuraciones favorables de laderas, recomendamos incorporar imágenes adquiridas en la mañana y en la tarde en el entrenamiento de los algoritmos de aprendizaje automático. | es-ES |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Universidad Austral de Chile, Facultad de Ciencias Forestales y Recursos Naturales. | es-ES |
| dc.relation | http://revistas.uach.cl/index.php/bosque/article/view/7618/8636 | |
| dc.source | Bosque; Vol. 45 No. 2 (2024); 347-358 | en-US |
| dc.source | Bosque; Vol. 45 Núm. 2 (2024); 347-358 | es-ES |
| dc.source | 0717-9200 | |
| dc.source | 0304-8799 | |
| dc.subject | clasificación | es-ES |
| dc.subject | imágenes | es-ES |
| dc.subject | DART | es-ES |
| dc.subject | aprendizaje | es-ES |
| dc.subject | classification | en-US |
| dc.subject | images | en-US |
| dc.subject | DART | en-US |
| dc.subject | machine learning | en-US |
| dc.title | Identifying illumination configurations that optimize the classification of mountainous forest types in satellite images: An approach based on 3D modelling | en-US |
| dc.title | Identificando configuraciones de iluminación que optimizan la clasificación de tipos de bosque montañoso en imágenes satelitales: Una aproximación basada en modelización 3D | es-ES |
| dc.type | info:eu-repo/semantics/article | |
| dc.type | info:eu-repo/semantics/publishedVersion | |
| dc.type | Peer-reviewed article | en-US |
| dc.type | Artículo evaluado por pares | es-ES |
This item appears in the following Collection(s)
-
Bosque
[0-9]{4}