1  

 

 

Digital Classification and Mapping of Urban Tree Cover:  

City of Minneapolis 

 

FINAL REPORT 

April 12, 2011 

 

 

Marvin Bauer, Donald Kilberg, Molly Martin and Zecharya Tagar 

Remote Sensing and Geospatial Analysis Laboratory 

Department of Forest Resources 

University of Minnesota 

St. Paul, MN 55108 

 

 

 

 

 

Financial support was provided by the City of Minneapolis contract C‐2742 to the University as part of a grant to the City from the Minnesota Environment and Natural Resources Trust Fund as recommended by the Legislative‐Citizen Commission on Minnesota Resources (LCCMR) and the Community Conservation Assistance Grant Program. 

2  

Digital Classification and Mapping of Urban Tree Cover:  City of Minneapolis  

Introduction 

Tree  cover  is an  important  component of urban environments.  In addition  to  the aesthetic values of trees,  numerous  studies  have  shown  significant  economic  and  environmental  benefits  and  values  of urban trees (Galvin et al.; http://nrs.fs.fed.us/urban/utc/), including:  

• Stormwater management: interception of rain, evapotranspiration, reducing runoff and erosion, and increasing the potential for improving water quality.  

• Energy conservation: transpiration and shading reduce air temperatures and saves  energy; reduces the urban heat island effect. 

• Air quality: removes air pollutants, including carbon monoxide, sequesters carbon  dioxide, and releases oxygen.  

• Economic Value: enhancement of community vitality, stability and property values for  residential and business areas.  

However, unless we can measure and quantify tree cover, we are not  in a good position to manage  it. Accurate maps and information on the amount of tree and forest cover are not routinely available and it would be expensive  to  acquire by  field mapping methods.  Interpretation of  aerial photography  is  an alternative, but  the most appropriate  imagery,  color  infrared photography,  is generally not available. Recent available high resolution color ortho imagery is early spring, leaf‐off imagery that is not suitable for mapping tree cover in Minneapolis where many trees are deciduous species.    

An  alternative,  and  the  approach  of  our  project,  is  to  digitally  classify  high  resolution multispectral QuickBird satellite  image data that was recently acquired of the Minneapolis area.   QuickBird has four spectral bands, blue, green, red and near infrared, at 2.4 meter spatial resolution, with the infrared band being especially useful for mapping vegetation, plus a panchromatic band at 0.6 meter resolution. With “pan‐sharpening” of  the multispectral bands,  a  0.6 meter  resolution  image  can be  generated  that  is higher resolution than the 4‐band, 1‐meter USDA National Agriculture Imagery Program (NAIP) imagery acquired  for  Minnesota  in  the  summer  of  2008.    An  additional  and  significant  advantage  of  the QuickBird data is that the entire City is included in a single image.  

The project objective was to generate a digital land cover classification of the City of Minneapolis in GIS‐compatible format, with emphasis on mapping the tree cover that can be used by the City to evaluate existing tree cover and potential for additional plantings.  Tree cover is defined as the leaves, branches and stems covering the ground when viewed from above. 

Approach 

Imagery 

QuickBird satellite imagery acquired on June 25, 2009 was used for the image classification.  The image was clear and cloud‐free.   Natural color and  false color  (including  the near  infrared band)  images are shown in Figure 1. 

2  

 

Figure 1. QuickBird imagery of Minneapolis acquired on June 25, 2009; natural color (left) and false color (right). 

3  

In addition, LiDAR imagery acquired in June 2007 was available from the U.S. Army Corps of Engineers. LiDAR  (Light  Detection  And  Ranging)  is  a  remote  sensing  technology  using  pulses  from  a  laser  to measure  the  distance  to  the  surface,  and  therefore  can  be  used  to  generate  elevation  and  height information. This  imagery consisted of first return  information as well as the  last return or bare earth; using  the  two a normalized digital  surface model  (nDSM) which depicts height above bare earth  (for example of buildings and trees). The horizontal accuracy of the data was roughly 0.5 meters and stated to be “better than 1 meter.”  Its vertical accuracy compared to 33 control points was 0.087 meters. The LiDAR data included full coverage for the entire City of Minneapolis. 

 

Figure 2. Normalized digital surface model (nDSM) imagery of Minneapolis acquired in June 2007. 

As shown in Figure 3 the LiDAR nDSM data corresponds very closely to the buildings and trees, with the height information providing excellent separation of buildings from streets and trees from grass. In the gray‐scale image in Figures 2 and 3, black is the bare earth surface elevation, and shades of gray to white are increasingly taller objects. 

4  

  

 

Figure 3. Enlargements of the LiDAR nDSM (top) and false color QuickBird imagery (bottom). Together these images were used to classify tree canopy and other land cover classes. 

5  

Land Cover Classes  The land cover classes are described in Table 1.    

Table 1.  Land cover classes and descriptions.  

Class  Description 

Tree Canopy  The  layer of  leaves, branches  and  stems of  tree  that  covers  the  ground when viewed from above. 

Grass & Shrubs  Lawns and other grass covered areas and shrubs found in parks, golf courses and playgrounds. 

Bare Soil  Areas free of vegetation, primarily in open industrial areas. 

Water  Lakes and streams. 

Buildings  Houses and commercial, industrial and public structures. 

Streets  Streets and highways. 

Other Impervious  Includes driveways, sidewalks, parking lots and other impermeable surfaces that are not obscured by tree cover.  

 In all cases  the class  is defined as  the  surface area viewed  from above.    It  should be noted  that  tree canopies will  cover  and  obscure  from  view  some  of  the  grass,  bare  soil,  streets  and  parts  of  some buildings.    To  take  one  example,  the  amount  of  impervious will  by  definition  typically  be  less  than measured  by  other methods  such  as  from  “leaf‐off”  high  resolution  ortho  aerial  photos  in which  all impervious surfaces can be seen.  Therefore results from the two methods should not be compared. Of the  two methods,  impervious area measurements  from  the higher  resolution photos  should be more accurate.  Classification Procedures  The  primary  land  classifications were  produced  using  object  based  image  analysis  (OBIA)  techniques available  in eCognition Developer version 8.0. Ancillary software utilized  included ArcGIS version 9.3.1 and ERDAS  Imagine version 2010. Additional  customized  routines were written  in Python version 2.5 scripting language to support processing as required. Shapefile information was provided by the City of Minneapolis to help identify streets, buildings, roads and highways and water features.  The following principle steps were followed to implement the project:  

• The 2.4‐meter  resolution multispectral QuickBird  imagery was “pan‐sharpened” using  the 0.6‐meter panchromatic band and subtractive resolution in ERDAS Imagine. 

• QuickBird Imagery was georeferenced utilizing the available RPC files and a 30‐meter DEM layer.  

• LiDAR data were georeferenced to match the QuickBird imagery. 

• A customized Python script was used to divide the georeferenced imagery into 750 x 1000 meter tiles with 10 percent overlap for further processing. This step created 262 individual tiles. 

6  

• The street layer was buffered in ArcGIS by 3 meters to create a polygon shapefile for subsequent use in eCognition. 

• The  rule set was created using these process steps: ▪ eCognition workspace of all 262 tiles was created with a customized load procedure. ▪ Imagery was examined to locate a representative tile. ▪ Supportive  image  layers  such  as  Normalized  Difference  Vegetation  Index  (NDVI)  and 

Lee’s Sigma Edge Extraction were created to aid classification efficacy. ▪ Image  objects were  generated  representing  buildings,  roads  and water  features  from 

shapefiles and classified as such. ▪ Since  LiDAR  data were  available  the  images were  first  segmented  into  tall  and  short 

features. ▪ Remaining  portions  of  the  image  were  classified  utilizing  algorithms  available  in 

eCognition taking advantage of spectral  information as well as other elements of  image interpretation  such  as  context,  shape,  size,  site,  association,  pattern,  shadows  and texture. 

▪ Classification was exported from eCognition into a TIF raster file. 

• The  rule  set  was  fine  tuned  and  tested  on  additional  random  tiles  distributed  throughout Minneapolis. 

• The final rule set was used to classify all the tiles using eCognition Server. 

• Individual classified tiles were  joined  into a single mosaic using geometric seam  lines  in ERDAS Imagine Mosaic Pro. 

• The accuracy of the resulting classification was assessed in ERDAS Imagine using 1,413 stratified random points. 

• The  classification mosaic was  then manually  examined  and  edited  to  eliminate  classification errors.  

• Error corrections were re‐run in eCognition Server to incorporate the corrections. 

• The  final  land  cover mosaic was manipulated  by  ERDAS  Imagine  and ArcGIS  into  the  output geodatabase utilizing both raster and vector forms of the data. 

• A Python script was written to summarize classification information into various shapefiles such as parcels and neighborhoods. 

Key to the classification was use of an object‐based  image analysis approach  in which the  imagery was first segmented into objects with similar pixels based on the spatial, as well as the spectral‐radiometric (color) attributes  (Figure 4). Research has shown  that  it  is  the best approach  for classification of high resolution  imagery  (Blaschke,  2010;  Platt  and Rapoza,  2008). Objects  include more  information  than individual  pixels,  enabling  the  ability  to  take  advantage  of  all  the  elements  of  image  interpretation, particularly spatial information, including shape, size, pattern, texture, and context. Context is especially useful. Humans  intuitively  integrate “pixels”  into objects and use contextual  relationships  to  interpret images  and draw  intelligent  inferences  from  them. Ancillary data  such  as GIS  layers,  for example, of streets and water bodies, can also be incorporated into the decision rules.   

 

7  

 

Figure 4. Major steps in the object based image analysis approach to image classification. 

 

The  object  based  image  analysis  process  in  eCognition  can  broadly  be  split  into  two  components, segmentation  and  classification.  Segmentation  primarily  uses  spectral  information  about  individual pixels in the imagery to combine them into larger image objects or segments. As an example, individual pixels which comprise  the  roof of a building with similar brightness, normalized difference vegetation index (NDVI) and color values are combined to form an image object that represents the building. Other scaling information can be specified to regulate the size range of the desired objects. Once these image objects are created, they can be classified using a multitude of decision rules which utilize not only their spectral characteristics but also spatial information such as shape, size, proximity to other object types, texture, and context. The overall process  is dependent on  the quality of  the  initial  segmentation  into image objects.  

Accuracy Assessment 

Accuracy  assessment was  performed  after  the  tiles were  edited  for misclassifications  by  generating stratified random points across the  image and comparing the classified results to reference  imagery of color  ortho  photos  provided  by  the  City  and  imagery  from  ArcGIS  online.  Stratified  random  point selection assures each class will be weighted proportionately to the total number of points in that class across the image. There were 1,413 points in the sample (Figure 5).  

8  

 

Figure 5. Locations of 1,413 sample points used for the final accuracy assessment.  

 

The assessment points are displayed  large enough to be visible on the map, but  in reality these points are  geometric  points  that  ERDAS  Imagine  randomly  designates  in  the  image.  Figure  6  is  a  close‐up showing one of the assessment points randomly selected by the software. As is quite typical in an urban setting, it can be quite difficult to determine just what land cover is at a given point. In this example the shadowed areas exacerbate the task of determining if this point was tree canopy, grass or building roof. 

9  

 

Figure 6. Example of a randomly selected sample point for accuracy determination. 

 

Situations  like  these  occurred  quite  commonly  throughout  the  process.  In  an  attempt  to  assure  an effective process, mismatches were reviewed to confirm the interpretation of the reference image. 

 

10  

Results 

The final classification raster image is depicted in Figures 7 and 8.  The results in Table 2 show that 31.5 percent of the area of the City is tree canopy.  

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 Figure 7. Land cover classification of Minneapolis. 

11  

 

Figure 8. Detailed view of the classification of the area near the intersection of Lake Street and Hennepin Avenue.  

Table 2. Tabulation of the percent area of each of the seven land cover classes. 

Land Cover Class Percent1. Tree Canopy  31.5

2. Grass and Shrubs  19.7

3. Bare Soil  0.2 

4. Water  6.2

5. Buildings  15.5

6. Streets  9.5

7. Other Impervious  17.3

 

A  comparison  of  a  high  resolution  aerial  photograph  to  the  image  classification  illustrating  the  high correlation between  the classification and a  reference  image and providing a qualitative  indication of the classification accuracy is shown in Figure 9.   

12  

 

 

Figure 9. Comparison of high resolution aerial photo (top) and image classification (bottom) of an example subset of the image near the intersection of W 36th Street and Calhoun Boulevard. 

13  

We  also  conducted  quantitative  assessments  of  the  classification  by  comparing  a  stratified  random sample of points from the classification to high resolution aerial photography.  The results are presented in the form of a contingency table or error matrix; further details on interpretation of error matrices and the statistics derived from them are in Appendix 1.  

Our previous work had shown that automated object based classification, while effective, can still result in  obvious misclassifications.  To  reduce  this  impact,  the  classifications were  compared  to  reference imagery and were edited manually where necessary. As an example, grass near  freeways can become quite dry and take on the appearance of impervious cover. Larger objects with height such as trucks and buses on  roads are often  interpreted as a building. We assessed  the accuracy after  these corrections were made and the results are shown in Table 3.  The overall accuracy was 91.9 percent. 

Table 3. Classification accuracy following corrections. 

Classification 

Reference Data 

Total User’s 

Accuracy (%) 

Tree Canopy 

Grass/ Shrub 

Bare Soil 

Water  Buildings  Streets  Impervious 

Tree Canopy  414  23  0  0  2  2  2  443  93.4 

Grass/Shrub  7  246  0  0  3  0  15  271  90.8 

Bare Soil  0  0  3  0  0  0  1  4  75.0 

Water  0  0  0  95  0  0  0  95  100.0 

Buildings  1  3  0  0  215  0  3  222  96.8 

Streets  3  5  0  1  0  110  10  129  85.3 

Impervious  1  7  1  0  8  16  216  249  86.8 

Total  426  284  4  96  228  128  247  1413  – 

Producer’s Accuracy (%) 

97.2  86.6  75.0  99.0  94.3  85.9  87.4  –  91.9 

 Overall accuracy:  1299 / 1413 =91.9%       95 percent Confidence Interval:  90.5 – 93.4%     Kappa Statistic:  0.90   Other Analyses  

Extraction of Tree Canopy 

The  land cover classification raster data  is the primary output of this project, but additional  items that could be derived  from  it were  requested by  the City. The  first of  these was  to extract only  the  tree canopy areas. This was accomplished with a raster extraction and is provided as a layer in the output file geodatabase. This  layer  can be utilized by  the City  to add  tree  canopy  to other GIS applications. The raster was  then used  to  create  a polygon  feature  class of  the  same  information.  The polygons were simplified to smooth their boundaries and the resulting feature class was stored in the geodatabase.  

14  

The City would  like to use this work to determine  locations for potential tree planting sites. There are two requests which related to this effort. The first of these highlights parcels which have high amounts of tree canopy vs. those with  low tree canopy. To create this analysis, the classified raster was used  in conjunction with the parcel  layer provided by the City to extract the area of the various types of  land cover  into each parcel. These  fields were  then used  to calculate  the percent of  land cover along with other key information. For each type of land cover the following three fields were added to the parcel:   

• An AREA field showing area in square meters of that class. 

• A PCT field showing the percentage that area represented of the total parcel area. 

• A CODE  field which  can be used as a  legend  code,  for example  ‘0  to 20’ was assigned  if  the percentage field fell in the range of 0 to 20 percent inclusive. There are five ranges that could be assigned. 

Once  the  percentages  for  the  parcel were  calculated,  a GIS  analysis was  done  for  all  parcels  in  the neighborhood  to  determine  the  parcels’  ranking  by  tree  canopy  percent.  The  lowest  10  percent  of parcels in the neighborhood were given a PercentileCode of 1, the next lowest 10 percent were given a PercentileCode of 2 and so on, until the top 10 percent of parcels were given a PercentileCode of 10. This  analysis  can  be  utilized  in  neighborhood  meetings  to  look  at  the  distribution  of  parcels  and determine parcels to prioritize  for  further examination. Figures 10 and 11 below are some samples of these maps  for Hale, Bottineau and Ventura Village neighborhoods. Maps  can be created by  the City from this layer for any neighborhoods or using any percentile groupings that are desired. 

 

Figure 10. Lowest and highest tree canopy parcels for Hale neighborhood. 

15  

 

 

Figure 11. Lowest and highest canopy percent parcels for Bottineau (top) and Ventura Village (bottom) neighborhoods. 

16  

Right of Way Analysis for Potential Tree Planting 

The second of the efforts to  identify potential sites for additional planting uses a right of way analysis. The  Planimetrics  layer provided by  the City was used  to  extract  all  SYMBOL_NAMES with  a  value of ‘CWCBTOPO’. These represented clockwise drawn (in most instances) curb segments. A right buffer of 3 meters was  drawn  to  represent  the  right  of way  from  the  curb.  The  tree  polygons  from  previously created layers were used to erase any right of ways which already had tree canopy cover. The remaining right of way segments were filtered to  include only those segments which were 10 meters or more  in length. These represent right of way which might be used for potential planting sites. The sample map below (Figure 12) depicts these segments along with shorter segments of right of way and tree canopy all superimposed over imagery of the City. 

 

Figure 12. Sample of right of way segments more than 10 meters in length. 

 

Using Tree Cover Classification for Energy Conservation through Strategic Tree Planting 

About  half  of  the  unwanted  summer  heat  in  residential  homes  comes  from  sun  shining  through windows, mainly on the west and east sides. Shade trees planted  in adequate distance to the west (as first priority) and east (as second priority) of residential homes can significantly reduce air conditioning demand  (Minnesota Department  of  Commerce),  thereby  reducing  energy  costs  and  greenhouse  gas emissions. The digital classification of urban tree cover can be used to advance energy conservation  in 

17  

the City of Minneapolis by informing existing city tree planting programs as well as residents and home owners about homes that currently lack shade trees in relevant distance and direction from buildings.  

A  GIS  analysis  to  derive  this  information  is  currently  being  completed.  Figure  13  provides  a  brief illustrated description of the procedure.  

 

1. Buildings in the City are overlaid on the QuickBird satellite image used for the classification. The buildings have the attributes of the city parcels, including address and owner name.  Larger blocks are houses, smaller blocks are garages. 

  

2. A “shadow” is determined for each home (in this case to the west). The “shadow” distance from the home is in the effective range for tree shading.  

 The “shadow” is divided to the area within the parcel (light blue), where tree planting is the responsibility of home owners, and the area outside the parcel (darker blue), where tree planting (on boulevards) is within the city’s responsibility.  

18  

 

3. Next, the tree cover classification is overlaid on the shadow areas determined previously. In this example, classified tree cover is colored green (other classes, e.g., grass/ shrubs or impervious surfaces, were omitted). 

 

4. Tree cover is clipped from the shadow area. Homes near a shadow that remained largely intact after this operation are ones that have no trees in relevant distance to their west.  

Figure 13. Summary of GIS analysis procedures for identifying potential tree planting sites.  The output of this operation will be an inventory of addresses in the city, where buildings have currently no tree shade  in  locations that are relevant for energy conservation. This  inventory will  include homes where trees planted by the city on boulevards would have energy conservation impact, as well as homes where trees planted on private property would have a similar impact.  

 

19  

Web‐based Maps 

The City also  requested we create a web‐based mapping application  that could be used  to query and display tree canopy information generated by this work. We elected to utilize the FlexViewer (similar to Google Maps) application which can be downloaded from the ESRI website at no cost. This application works seamlessly with ArcGIS server and also allows use of ESRI‐owned data such as global imagery and street maps along with the layer information we generated. Examples of the levels of search and display available are shown in Figures 14 and 15. 

 

 

Figure 14. Web‐based maps and statistics from FlexViewer. The opening screen provides information on using the application, plus a summary report describing the project. 

 In  summary,  the FlexViewer application provides easy  to use navigational  tool bars  to  zoom and pan across the images and query the database for amount of tree canopy by parcel and neighborhood. This application is currently hosted by the University of Minnesota for demonstration purposes. The web site URL is:  http://lidar.gis.umn.edu/flexviewer/index.html.   

20  

  

  Figure 15. Using the Search dialog box allows the user to select neighborhoods graphically or with text (top) and then to display their classification statistics (top). Similarly, parcels can be selected graphically or by entering the parcel identification number (bottom).  For neighborhoods the percents of all classes, plus possible tree canopy, are listed.  For parcels the percent existing and possible tree cover are listed.  

21  

Discussion   

The overall accuracy of 91.9 percent and user’s and producer’s accuracies of 93.5 and 97.2 percent for tree canopy meets the expected accuracy goals of the project.   The primary errors are some confusion between  trees and grass/shrub, between buildings and  impervious, and  streets and  impervious.   The single  largest  area  of  confusion  was  the  23  points  out  of  284  grass  and  shrub  points  that  were erroneously classified as tree canopy.  

Although the pixel size of the pan‐sharpened QuickBird imagery is approximately 0.6 meters, the lower limit  for  size detection of  individual objects  is between 2  and  3 meters  square. More  specifically,  to improve  the  spatial  resolution of  the multispectral  imagery we used a pan‐sharpening process which takes the spectral information from the 2.4‐meter multispectral pixels and distributes it mathematically to the higher resolution 0.6‐meter panchromatic pixels to create 0.6‐meter multispectral pixels. While the pixel size is 0.6 meters, small or narrow objects (e.g., a sidewalk) may not be resolved in the imagery or classification.  

Another limitation to the study was the temporal mismatch between the QuickBird and LiDAR imagery. The QuickBird  image was acquired approximately  two years after  the LiDAR data and  this  resulted  in several  inconsistencies  in the classification. An example  is trees present  in the LiDAR but subsequently removed prior to the QuickBird  image acquisition. Where the tree had overhung a street, the classifier interpreted the existing height as an impervious object and classified it as a building. If it overhung grass, it was  interpreted  as  a  tree. Where  found,  these  errors were manually  corrected. More  difficult  to correct  was  the  reverse  situation  where  a  new  tree  planting  did  not  have matching  LiDAR  height information. Many of these were classified as grass/shrub areas. 

As a final note, for this analysis, tree canopy was allowed to grow over any street and road  layers and was not truncated by the latter. The exception to this is the parcel analyses. In the parcel analysis, only the percentage of the tree canopy that actually  falls within the border of the parcel  is  included. Since parcels do not extend into the street, the canopy does not as well.   

 

Summary and Recommendations 

Multispectral QuickBird  satellite  imagery acquired on  June 25, 2009 and  LiDAR data acquired  in  June 2007 were  classified  into  land  cover  classes  of  trees,  grass  and  shrubs,  buildings,  roads,  impervious, water, and bare soil using an object‐based image analysis approach.  The overall classification accuracy was 91.9 percent. Citywide, the amount of tree canopy cover was found to be 31.5 percent.   

The most  serious  limitation of  the classification was  the  temporal mismatch between  the optical and LiDAR  imagery  which  caused  confusion  between  objects  removed  or  added  between  the  image acquisition  dates.    This  limitation  could  be  overcome  by  additional  assessments  with more  recent, matched  imagery.    LiDAR  data will  be  flown  again  in  the  spring  2011  and will  be  available  for  use sometime  later  in 2011. We  suggest  the City  consider  re‐analyzing  tree  canopy when  the new  LiDAR data is available and using satellite imagery matching the LiDAR acquisition dates as closely as possible.  

22  

Finally, we present examples  in  Figures 16 and 17 of  the potential of what  is possible  in  further GIS analyses by the City.  The examples summarize the percent tree cover by parcel and neighborhood, but could be by zoning district or other areas of interest to the City.  The first in Figure 16 is the existing or current  tree canopy and possible  tree cover summarized by parcel. Possible  tree canopy  is defined as areas with grass, bare soil or  impervious surface (e.g., parking  lots) where  it  is theoretically possible to plant trees.  Figure 17 depicts the existing and possible percent tree canopy for all neighborhoods of the City.  The  next  step would  be  to  define  criteria  for  identifying  preferred  area  for  adding  trees.  The capability  exists  in  the  data  for  the  City  to  create  any  definition  that  is  desired  and  do  its  own GIS analysis  of where  trees might  be  planted.   Many  factors will  determine when  and where  trees  are planted and maintained, but an urban tree canopy assessment  is an essential first step  in determining where trees can be planted if the requisite social‐political and financial capital exits. 

 

 

 

 

 

 

 

 

 

 

 

 

Figure 16. Example of parcel level GIS analyses summarizing existing and possible percent tree cover near Lake of the Isles. 

23  

 

Figure 17. Example of further GIS analyses with summaries of percent existing and possible tree cover by neighborhood. 

The classification maps and statistical data are available in a GIS database and a web‐based mapping application for further analysis by the City. 

 

24  

References 

Blaschke, T.   2010. Object based  image analysis for remote sensing.   ISPRS Journal of Photogrammetry and Remote Sensing, 65(1): 2‐16. 

Congalton, R.G. 1991. A Review of Assessing  the Accuracy of Classifications of Remotely Sensed Data. Remote Sensing of Environment, 37:35‐46. 

Foody, G. 2002. Status of land cover classification accuracy assessment. Remote Sensing of Environment. 80:185‐201. 

Galvin,  Galvin,  Morgan  Grove,  and  Jarlath  O’Neil‐Dunne.  Urban  Tree  Canopy  Fact  Sheet. http://www.jmorgangrove.net/Morgan/UTC‐FOS_files/UTC_FactSheet.pdf.  

Minnesota Department of Commerce Energy Information Center.  Save Energy with Trees.  http://www.state.mn.us/mn/externalDocs/Commerce/Energy_Saving_Landscapes_110802040030_Landscaping.pdf. Platt, R.V. and L. Rapoza. 2008. An evaluation of an object‐oriented paradigm  for  land use/land cover classification. Professional Geographer, 60(1):87‐100.  

 

Acknowledgements 

We would  like to thank Jarlath O’Neil‐Dunne at the University of Vermont for his  invaluable assistance during  this  project  and  for  offering  the  use  of  his  university’s  eCognition  Server  to  process  the  262 individual tiles, saving us considerable hours of personnel and processing time.  

 

25  

Appendix 1: Description of Accuracy Assessment Measures

Accuracy assessment provides information on reliability and usefulness of classification needed to support decision making and management using maps and data derived from remote sensing data. Quantitative, objective assessment of the classification accuracy, defined as the agreement between a standard or reference map or data (assumed to be correct) is a critical part of any serious remote sensing project (Congalton, 1991; Foody, 2002). The standard method of communicating the results is in a contingency or error matrix comparing the classification results to reference data for a random sample of points. The error matrix is the starting point for a series of descriptive and statistical techniques to evaluate accuracy.

Row totals equal the number of pixels in the reference data classes and the column totals equal the number of pixels assigned to each class. The diagonal show agreement between reference data and the classification (i.e., correct classification); points in off-diagonal cells are incorrect classifications. Overall accuracy is the number of correctly classified points divided by the total number of points in the sample. Columns include the errors of commission and rows include the errors of omission. Commission errors occur where a classified object (e.g., trees) is not actually that class. Omission errors are where the object was not classified as that class. Often the commission and omission errors are presented as user’s accuracy and producer’s accuracy. User’s accuracy is based on the commission errors and is the probability that a pixel or object on the map actually represents that class on ground. Producer’s accuracy is based on the omission errors and is the probability of a reference site being correctly classified.

The Kappa statistic is a discrete multivariate technique to interpret the results of a contingency matrix. The Kappa statistic incorporates the off diagonal observations of the rows and columns as well as the diagonal to give a more robust assessment of accuracy than the overall accuracy. The Kappa statistic is computed as the sum of the diagonal multiplied by the sum of each row multiplied by the sum of each column divided by the sum of each row multiplied by the summation of each column. It is a more conservative estimate of accuracy that measures the proportional (or percentage) improvement by the classifier over a purely random assignment to classes; in other words it removes the contribution of chance agreement to the accuracy.

Possible causes of classification errors include: spectral-radiometric similarity of classes leads to confusion between them, alignment or registration errors, and incorrect reference, including due differences in the time of acquisition of imagery and reference data.

26  

Appendix 2: Summary of Deliverables The following items are included in the ESRI file geodatabase provided to the City:

1. A classified raster with the following land cover classes:

Land Cover Class Raster Value Tree Canopy 1 Grass and Shrubs 2 Bare Soil 3 Water 4 Buildings 5 Streets 6 Impervious 7

2. A vector layer of polygons derived from the classified raster with the same land cover codes.

3. A raster layer which contains only the tree canopy. This was derived from the classified raster selecting only raster values of 1. The layer can be used by City GIS applications to depict tree canopy as a layer in other GIS analyses.

4. A polygon layer depicting potential right of way planting areas.

This layer was derived from the planimetric data. Code values of CWCBTOPO were selected from the main file and extracted. A right hand buffer of 3 meters was generated from this data. Overhead tree canopy was utilized to erase curbs currently under trees. The remaining segments were filtered to include only those segments whose length was more than 10 meters.

5. Neighborhoods

Neighborhoods were derived from the original shapefile provided by the City. Fields were added to show total percent of each land cover type as well as potential tree canopy percentages. The NeighborCode field was added, which is utilized in the Parcel data to join parcels to neighborhoods.

6. Parcels

Parcels were derived from the original shapefile provided by the City. Fields were added to show total percent of each land cover type as well as potential tree canopy percentages. In addition, each parcel is coded with the appropriate Neighborhood code of which it is a part and a Percentile code which describes which decade grouping its tree canopy percent cover falls into within that neighborhood. The codes range from 1-10. As an example, a code of 1 indicates this parcel’s tree canopy percent places it within the lowest 10percent of all parcels in the neighborhood. A code of 10 indicates its canopy coverage places it in the highest 10percent of all parcels in that neighborhood.

7. A web application (http://lidar.gis.umn.edu/flexviewer/index.html) allows users to select neighborhoods or

parcels and display tree canopy percentages for those units. This application was created utilizing the ESRI downloadable FlexViewer utility. The following data layers were created and are managed by an ArcGIS server instance:

a. Neighborhood layer with total tree canopy summarized within that neighborhood b. Parcel layer with tree canopy percentage for each parcel calculated.