<div dir="ltr"><div dir="ltr">Laurent and list,</div><br><div class="gmail_quote gmail_quote_container"><div dir="ltr" class="gmail_attr">On Mon, Jun 30, 2025 at 3:17 AM celati Laurent via QGIS-User <<a href="mailto:qgis-user@lists.osgeo.org">qgis-user@lists.osgeo.org</a>> wrote:<br></div><blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left:1px solid rgb(204,204,204);padding-left:1ex"><div dir="ltr">
<div><p>Hello,<br>
i’m taking the liberty to post a message in order to share an use case.<br>
Our need/purpose is to find existing methods/tools that would allow to 
perform segmentations with the aim of helping botanists for pre-map 
physiognomic units before to go on the field. In other words : to 
produce a delineation (polygonal layer) of physiognomic units. In my 
humble opinion, this is an unusual need/use case because the 
segmentation is NOT intended/aimed as a first step before 
classification. The goal is to reproduce as closely/faithfully as 
possible the botanist’s photo-interpretation. We need to find the right 
balance/parameters between the number of segments, their sizes, and 
their compactness (shape). The idea would be to perform relevant 
segmentation across the entire area being processed, neither 
over-segmented nor under-segmented.<br>
With optimal parameters/configuration and input variables/data that can 
vary depending on the environment (urban, agricultural, wooded, 
herbaceous).</p>
<p>I’ve done some tests, notably via Qgis with OTB Approaches Region Merging:<br>
<a href="https://www.orfeo-toolbox.org/CookBook-7.0/Applications/app_GenericRegionMerging.html" target="_blank">https://www.orfeo-toolbox.org/CookBook-7.0/Applications/app_GenericRegionMerging.html</a><a href="http:///" target="_blank"></a><br>
I haven’t really tested other traditional approaches (such as cluster 
mean shift or watershed, for example). Until now, I haven’t tested AI/DL
 because I thought there wouldn’t be any segmentation models trained on 
IRC ortho DB images that could meet our needs.<br>
This is why I prioritized “traditional” segmentation tools/approaches.</p>
<p>My tests were done using satellite spot6/7 images and Infrared Colour
 aerial orthographic databases (franch mapping agency). Tests with the 
aerial orthographic database are more resource-intensive and 
time-consuming. Furthermore, this OTB tool tested (GRM) is not suitable 
for large images. The results are quite good, particularly for 
agricultural and urban areas.<br>
For forested areas, it’s more complicated. And in order to improve the 
results, it may be necessary to consider integrating textures or 
indicators (NDVI or other) ?</p>
<p>if you have any comments or suggestions for guidance regarding methods/tools/data, I would be happy to read you.</p></div></div></blockquote><div><br></div><div> In my experience, which relates to classification / interpretation of imagery for purposes of classifying forest ecosystems, shrub and tree height estimation and species identification form a fundamentally important part of image segmentation.</div><div><br></div><div>I have never seen this done successfully without stereo imagery.  So in my mind at least, any image segmentation carried out on "mono" images is going to struggle to identify complex forest structure such as multi-story stands, at least based on pattern detection and spectrographic information.  But I may be wrong or at least outdated in my thinking, so I would love to be corrected!</div><div><br></div><div>Of course LiDAR can achieve decent vegetation profiles and I know that many proponents of the use of LiDAR claim effectiveness at identifying crown shape and therefore species, at least in temperate forests.  I suppose LiDAR is also effective at seeing through overstory.</div><div><br></div><div>I also tend to think that "one time" vegetation inventory methods aren't all that useful in and of themselves, but rather must be incorporated into an ongoing inventory / update program.  This speaks to dealing with changes in sensor ability over time so that one can claim that "changes" are real and not just a result of improved detection capability.</div><div><br></div><div>Again, I would love to find that I am in error with respect to any of my claims!</div><div><br></div><div>Finally, on the topic of attribute classification, there are many classification systems that rely on "expert interpretation" of ground and vegetation conditions - for example, wetland classification systems used in many parts of Canada.  These systems do not typically collect physical parameters, but rather rely on the interpreter to "integrate" the presence of absence of those physical parameters into a class of some kind.  This document is a good example of that kind of integrative thinking:</div><div><br></div><div><a href="https://open.alberta.ca/dataset/e3c7894f-875c-4a54-8248-7f5368acd82c/resource/2b01b2b8-91b3-411a-8806-01cf5df306c1/download/srd-alberta-wetland-inventory-classification-system-version-2-0-8342.pdf">https://open.alberta.ca/dataset/e3c7894f-875c-4a54-8248-7f5368acd82c/resource/2b01b2b8-91b3-411a-8806-01cf5df306c1/download/srd-alberta-wetland-inventory-classification-system-version-2-0-8342.pdf</a></div><div><br></div><div><br></div></div><span class="gmail_signature_prefix">-- </span><br><div dir="ltr" class="gmail_signature"><div dir="ltr">Chris Hermansen · clhermansen "at" gmail "dot" com<br><br>C'est ma façon de parler.</div></div></div>