Groundwater is a vital non-renewable resource that is being over exploited at an alarming rate. In Saudi Arabia, the majority of groundwater is used for agricultural activities. As such, the mapping of irrigated lands is a crucial step for managing available water resources. Even though traditional in-field mapping is effective, it is expensive, physically demanding, and spatially restricted. The use of remote sensing combined with advanced computational approaches provide a potential solution to this scale problem. However, when attempted at large scales, traditional computing tends to have significant processing and storage limitations. To address the scalability challenge, this project explores open-source cloud-based resources to map and quantify center-pivot irrigation fields on a national scale. This is achieved by first applying a land cover classification using Random Forest which is a machine learning approach, and then implementing a circle detection algorithm. While the analysis represents a preliminary exploration of these emerging cloud-based techniques, there is clear potential for broad application to many problems in the Earth and environmental sciences.

One of the major consequences of urbanization is the transformation of land surfaces from rural/natural environments to built-up land that supports diverse forms of human activity. These transformations impact the local geology, climate, hydrology, flora and fauna and human-life supporting ecosystem services in the region. Mapping and analysis of land use/land cover change in urban regions and tracking their environmental impact is therefore of vital importance for evaluating policy options for future growth and promoting sustainable urban development. The overall objective of this research is to investigate the extent of urban growth and/or sprawl and its potential environmental impact in the regions surrounding a few selected major cities in North America, Europe and Asia using landscape metrics and other environmental indicators to assess the landscape changes. The urban regions examined are the Greater Toronto Area (GTA) in Canada, Stockholm region and County in Sweden and Shanghai in China. The analyses are based on classificatons of optical satellite imagery (Landsat TM/ETM+ or SPOT 1/5) between 1985 and 2010. Maximum likelihood classification (MLC) under urban/rural masks, objectbased image analysis (OBIA) with rule-based classification and support vector machines (SVM) classification methods were used with grey level cooccurrence matrix (GLCM) texture features as input to help obtain higher accuracies. Based on the classification results, landscape metrics, selected environmental indicators and indices, and ecosystem service valuation were calculated and used to estimate environmental impact of urban growth. The results show that urban areas in the GTA grew by nearly 40% between 1985 and 2005. Results from the landscape metrics and urban compactness indicators show that low-density built-up areas increased significantly in the GTA between 1985 and 2005, mainly at the expense of agricultural areas. The majority of environmentally significant areas were increasingly surrounded by urban areas between 1985 and 2005, furthering their isolation from other natural areas. Urban areas in the Stockholm region increased by 10% between 1986 and 2006. The landscape metrics indicated that natural areas became more isolated or shrank whereas new small urban patches came into being. The most noticeable changes in terms of environmental impact and urban expansion were in the east and north of the study area. Large forested areas in the northeast dropped the most in terms of environmental impact ranking, while the most improved analysis units were close to the central Stockholm area. The study comparing Shanghai and Stockholm County revealed that urban areas increased ten times as much in Shanghai as they did in Stockholm, at 120% and 12% respectively. The landscape metrics results show that fragmentation in both study regions occurred mainly due to the growth of high density built-up areas in previously more natural environments, while the expansion of low density built-up areas was for the most part in conjunction with pre-existing patches. The growth in urban areas resulted in ecosystem service value losses of approximately 445 million USD in Shanghai, mostly due to the decrease in natural coastal wetlands, while in Stockholm the value of ecosystem services changed very little. This study demonstrates the utility of urban and environmental indicators derived from remote sensing data via GIS techniques in assessing both the spatio-temporal dynamics of urban growth and its environmental impact in different metropolitan regions. High accuracy classifications of optical medium resolution remote sensing data are achieved thanks in part to the incorporation of texture features for both object- and pixel-based classification methods, and to the use of urban/rural masks with the latter. The landscape metrics calculated based on the classifications are useful in quantifying urban growth trends and potential environmental impact as well as facilitating their comparison. The environmental indicator results highlight the challenges in terms of sustainable urban growth unique to each landscape, both spatially and temporally. The next phase of this PhD research will involve finding valid methods of comparing and contrasting urban growth patterns and estimated environmental impact in different regions of the world and further exploration of how to link urbanizing landscapes to changes in ecosystem services via environmental indicators. / <p>QC 20141212</p>

La texture est un élément clé pour l’interprétation des images de télédétection à fine résolution spatiale. L’intégration de l’information texturale dans un processus de classification automatisée des images se fait habituellement via des images de texture, souvent créées par le calcul de matrices de co-occurrences (MCO) des niveaux de gris. Une MCO est un histogramme des fréquences d’occurrence des paires de valeurs de pixels présentes dans les fenêtres locales, associées à tous les pixels de l’image utilisée; une paire de pixels étant définie selon un pas et une orientation donnés. Les MCO permettent le calcul de plus d’une dizaine de paramètres décrivant, de diverses manières, la distribution des fréquences, créant ainsi autant d’images texturales distinctes. L’approche de mesure des textures par MCO a été appliquée principalement sur des images de télédétection monochromes (ex. images panchromatiques, images radar monofréquence et monopolarisation). En imagerie multispectrale, une unique bande spectrale, parmi celles disponibles, est habituellement choisie pour générer des images de texture. La question que nous avons posée dans cette recherche concerne justement cette utilisation restreinte de l’information texturale dans le cas des images multispectrales. En fait, l’effet visuel d’une texture est créé, non seulement par l’agencement particulier d’objets/pixels de brillance différente, mais aussi de couleur différente. Plusieurs façons sont proposées dans la littérature pour introduire cette idée de la texture à plusieurs dimensions. Parmi celles-ci, deux en particulier nous ont intéressés dans cette recherche. La première façon fait appel aux MCO calculées bande par bande spectrale et la seconde utilise les MCO généralisées impliquant deux bandes spectrales à la fois. Dans ce dernier cas, le procédé consiste en le calcul des fréquences d’occurrence des paires de valeurs dans deux bandes spectrales différentes. Cela permet, en un seul traitement, la prise en compte dans une large mesure de la « couleur » des éléments de texture. Ces deux approches font partie des techniques dites intégratives. Pour les distinguer, nous les avons appelées dans cet ouvrage respectivement « textures grises » et « textures couleurs ». Notre recherche se présente donc comme une analyse comparative des possibilités offertes par l’application de ces deux types de signatures texturales dans le cas spécifique d’une cartographie automatisée des occupations de sol à partir d’une image multispectrale. Une signature texturale d’un objet ou d’une classe d’objets, par analogie aux signatures spectrales, est constituée d’une série de paramètres de texture mesurés sur une bande spectrale à la fois (textures grises) ou une paire de bandes spectrales à la fois (textures couleurs). Cette recherche visait non seulement à comparer les deux approches intégratives, mais aussi à identifier la composition des signatures texturales des classes d’occupation du sol favorisant leur différentiation : type de paramètres de texture / taille de la fenêtre de calcul / bandes spectrales ou combinaisons de bandes spectrales. Pour ce faire, nous avons choisi un site à l’intérieur du territoire de la Communauté Métropolitaine de Montréal (Longueuil) composé d’une mosaïque d’occupations du sol, caractéristique d’une zone semi urbaine (résidentiel, industriel/commercial, boisés, agriculture, plans d’eau…). Une image du satellite SPOT-5 (4 bandes spectrales) de 10 m de résolution spatiale a été utilisée dans cette recherche. Puisqu’une infinité d’images de texture peuvent être créées en faisant varier les paramètres de calcul des MCO et afin de mieux circonscrire notre problème nous avons décidé, en tenant compte des études publiées dans ce domaine : a) de faire varier la fenêtre de calcul de 3*3 pixels à 21*21 pixels tout en fixant le pas et l’orientation pour former les paires de pixels à (1,1), c'est-à-dire à un pas d’un pixel et une orientation de 135°; b) de limiter les analyses des MCO à huit paramètres de texture (contraste, corrélation, écart-type, énergie, entropie, homogénéité, moyenne, probabilité maximale), qui sont tous calculables par la méthode rapide de Unser, une approximation des matrices de co-occurrences, c) de former les deux signatures texturales par le même nombre d’éléments choisis d’après une analyse de la séparabilité (distance de Bhattacharya) des classes d’occupation du sol; et d) d’analyser les résultats de classification (matrices de confusion, exactitudes, coefficients Kappa) par maximum de vraisemblance pour conclure sur le potentiel des deux approches intégratives; les classes d’occupation du sol à reconnaître étaient : résidentielle basse et haute densité, commerciale/industrielle, agricole, boisés, surfaces gazonnées (incluant les golfs) et plans d’eau. Nos principales conclusions sont les suivantes a) à l’exception de la probabilité maximale, tous les autres paramètres de texture sont utiles dans la formation des signatures texturales; moyenne et écart type sont les plus utiles dans la formation des textures grises tandis que contraste et corrélation, dans le cas des textures couleurs, b) l’exactitude globale de la classification atteint un score acceptable (85%) seulement dans le cas des signatures texturales couleurs; c’est une amélioration importante par rapport aux classifications basées uniquement sur les signatures spectrales des classes d’occupation du sol dont le score est souvent situé aux alentours de 75%; ce score est atteint avec des fenêtres de calcul aux alentours de11*11 à 15*15 pixels; c) Les signatures texturales couleurs offrant des scores supérieurs à ceux obtenus avec les signatures grises de 5% à 10%; et ce avec des petites fenêtres de calcul (5*5, 7*7 et occasionnellement 9*9) d) Pour plusieurs classes d’occupation du sol prises individuellement, l’exactitude dépasse les 90% pour les deux types de signatures texturales; e) une seule classe est mieux séparable du reste par les textures grises, celle de l’agricole; f) les classes créant beaucoup de confusions, ce qui explique en grande partie le score global de la classification de 85%, sont les deux classes du résidentiel (haute et basse densité). En conclusion, nous pouvons dire que l’approche intégrative par textures couleurs d’une image multispectrale de 10 m de résolution spatiale offre un plus grand potentiel pour la cartographie des occupations du sol que l’approche intégrative par textures grises. Pour plusieurs classes d’occupations du sol un gain appréciable en temps de calcul des paramètres de texture peut être obtenu par l’utilisation des petites fenêtres de traitement. Des améliorations importantes sont escomptées pour atteindre des exactitudes de classification de 90% et plus par l’utilisation des fenêtres de calcul de taille variable adaptées à chaque type d’occupation du sol. Une méthode de classification hiérarchique pourrait être alors utilisée afin de séparer les classes recherchées une à la fois par rapport au reste au lieu d’une classification globale où l’intégration des paramètres calculés avec des fenêtres de taille variable conduirait inévitablement à des confusions entre classes. / Texture is a key element in interpreting remotely sensed images of fine spatial resolution. The integration of textural information in an automatic image-classification process is usually done via textural images, which are often created by calculating gray levels co-occurrences matrices (COM). A COM is a histogram of frequencies of pairs of pixel values present in local windows associated with all pixels in the used image; each pixel pair being formed using a given orientation and spacing. COM allows calculation for more than a dozen of parameters describing in various ways the frequency distribution, creating thus as many different textural images. Texture measurements approach based on COMs had been mainly applied on monochrome images (e.g. panchromatic, single polarisation and frequency radar images). In the case of multispectral images, a single spectral band, among those available, is usually chosen to generate texture images. The question we asked in this research concerns precisely this limited use of textural information in the case of multispectral images. In fact, the visual effect of a texture is created, not only by the spatial arrangement of variable objects/pixels brightness, but also of different colors. Several ways are suggested in the literature to introduce this concept of multi-dimensional texture. In this research, two of them were of particularly interested us. In the first way COMs are calculated spectral band by band and in the second one, generalized COMs are applied involving the joint use of two spectral bands. In the latter case, the pairs of pixel values are defined in two different spectral bands. This allows, in a single treatment, for a broad accounting of the "color" element composing a texture. These two approaches are called integrative techniques. To distinguish them, we call them respectively “gray textures” and “color textures”. Our research concerns the comparative analysis of the opportunities offered by applying these two types of textural signatures in the specific case of an automated land cover mapping using multispectral images. A textural signature of an object or class of objects, by analogy to spectral signatures, consists in a set of texture parameters measured; band by band (grey textures), or by pairs of bands (color textures).This research was designed not only to compare the two integrative approaches, but also to identify the components of textural signatures favouring the differentiation of land cover classes: texture parameters, window sizes and bands selection. To do this, a site within the territory of the Montreal Metropolitan Community (Longueuil) was chosen with a diversity of land covers representative of a semi-urban area. (residential, industrial / commercial, woodlots , agriculture, water bodies…). A SPOT-5 (4 spectral bands) image of 10m spatial resolution was used in this research. Since an infinite number of texture images can be created by varying the design parameters of COM, and to better define our problem, we have decided, taking into account studies published in this field: a) to vary the computation window from 3*3 to 21*21 pixels while setting the pixel spacing and direction to (1,1); that is to say, an spacing of 1 and an orientation of 135 ° between pairs of pixels. b) limit the COM analysis to eight texture parameters (contrast, correlation, standard deviation, energy, entropy, homogeneity, average, maximum probability), all of which are computable by the Unser’s fast-COM-approximation method, c) form the two textural signatures by the same number of elements chosen from a separability analysis (Bhattacharya distance) between land cover classes, and d) analyse the results (confusion matrices, accuracies, kappa) obtained using a maximum likelihood classification algorithm to conclude on the potential of both integrative approaches; classes to be recognized included: low and high density residential, commercial / industrial, agricultural, woodlots, turf (including golf) water bodies, clouds and their shadows. Our main conclusions are as follows a) except maximum probability, all other textural parameters are useful in the formation of textural signatures; mean and standard deviation are most useful in the formation of gray textures while contrast and correlation, are the best in the case of color textures b) the overall classification accuracy achieved an acceptable score (85%), only in the case of color textural signatures. This is a significant improvement compared to classifications based solely on spectral signatures, whose accuracies are often situated around 75%. This score is reached with windows size from about 11*11 to 15 * 15 pixels, c) Textural colors signatures offer higher scores, ranging from 5% to 10%, than those obtained by gray signatures. This is true while using the smaller process windows (5*5, 7*7, and occasionally 9*9) d) For several land cover classes examined individually, the accuracy is above 90% regardless of the used textural signatures e) Only one class is better separated from the rest by gray textures, the agricultural one; f) Classes creating a lot of confusion, which largely explains the overall classification score of 85 %, are the two residential classes (high and low density). As a final conclusion, we can say that the integrative approach by color textures provides a greater potential for mapping land covers using multispectral images than the integrative approach by gray textures. For several land cover classes an appreciable gain computing time of textural parameters may be obtained using smaller size windows. Significant improvements of the classification results (even better than 90%) are expected using calculation windows with sizes better adapted to each classes particular texture characteristics, A hierarchical classification method could then be used to separate each class at a time from all others, instead of a broad classification where the integration of parameters calculated with varying size windows, would inevitably lead to confusion between classes.

La texture est un élément clé pour l’interprétation des images de télédétection à fine résolution spatiale. L’intégration de l’information texturale dans un processus de classification automatisée des images se fait habituellement via des images de texture, souvent créées par le calcul de matrices de co-occurrences (MCO) des niveaux de gris. Une MCO est un histogramme des fréquences d’occurrence des paires de valeurs de pixels présentes dans les fenêtres locales, associées à tous les pixels de l’image utilisée; une paire de pixels étant définie selon un pas et une orientation donnés. Les MCO permettent le calcul de plus d’une dizaine de paramètres décrivant, de diverses manières, la distribution des fréquences, créant ainsi autant d’images texturales distinctes. L’approche de mesure des textures par MCO a été appliquée principalement sur des images de télédétection monochromes (ex. images panchromatiques, images radar monofréquence et monopolarisation). En imagerie multispectrale, une unique bande spectrale, parmi celles disponibles, est habituellement choisie pour générer des images de texture. La question que nous avons posée dans cette recherche concerne justement cette utilisation restreinte de l’information texturale dans le cas des images multispectrales. En fait, l’effet visuel d’une texture est créé, non seulement par l’agencement particulier d’objets/pixels de brillance différente, mais aussi de couleur différente. Plusieurs façons sont proposées dans la littérature pour introduire cette idée de la texture à plusieurs dimensions. Parmi celles-ci, deux en particulier nous ont intéressés dans cette recherche. La première façon fait appel aux MCO calculées bande par bande spectrale et la seconde utilise les MCO généralisées impliquant deux bandes spectrales à la fois. Dans ce dernier cas, le procédé consiste en le calcul des fréquences d’occurrence des paires de valeurs dans deux bandes spectrales différentes. Cela permet, en un seul traitement, la prise en compte dans une large mesure de la « couleur » des éléments de texture. Ces deux approches font partie des techniques dites intégratives. Pour les distinguer, nous les avons appelées dans cet ouvrage respectivement « textures grises » et « textures couleurs ». Notre recherche se présente donc comme une analyse comparative des possibilités offertes par l’application de ces deux types de signatures texturales dans le cas spécifique d’une cartographie automatisée des occupations de sol à partir d’une image multispectrale. Une signature texturale d’un objet ou d’une classe d’objets, par analogie aux signatures spectrales, est constituée d’une série de paramètres de texture mesurés sur une bande spectrale à la fois (textures grises) ou une paire de bandes spectrales à la fois (textures couleurs). Cette recherche visait non seulement à comparer les deux approches intégratives, mais aussi à identifier la composition des signatures texturales des classes d’occupation du sol favorisant leur différentiation : type de paramètres de texture / taille de la fenêtre de calcul / bandes spectrales ou combinaisons de bandes spectrales. Pour ce faire, nous avons choisi un site à l’intérieur du territoire de la Communauté Métropolitaine de Montréal (Longueuil) composé d’une mosaïque d’occupations du sol, caractéristique d’une zone semi urbaine (résidentiel, industriel/commercial, boisés, agriculture, plans d’eau…). Une image du satellite SPOT-5 (4 bandes spectrales) de 10 m de résolution spatiale a été utilisée dans cette recherche. Puisqu’une infinité d’images de texture peuvent être créées en faisant varier les paramètres de calcul des MCO et afin de mieux circonscrire notre problème nous avons décidé, en tenant compte des études publiées dans ce domaine : a) de faire varier la fenêtre de calcul de 3*3 pixels à 21*21 pixels tout en fixant le pas et l’orientation pour former les paires de pixels à (1,1), c'est-à-dire à un pas d’un pixel et une orientation de 135°; b) de limiter les analyses des MCO à huit paramètres de texture (contraste, corrélation, écart-type, énergie, entropie, homogénéité, moyenne, probabilité maximale), qui sont tous calculables par la méthode rapide de Unser, une approximation des matrices de co-occurrences, c) de former les deux signatures texturales par le même nombre d’éléments choisis d’après une analyse de la séparabilité (distance de Bhattacharya) des classes d’occupation du sol; et d) d’analyser les résultats de classification (matrices de confusion, exactitudes, coefficients Kappa) par maximum de vraisemblance pour conclure sur le potentiel des deux approches intégratives; les classes d’occupation du sol à reconnaître étaient : résidentielle basse et haute densité, commerciale/industrielle, agricole, boisés, surfaces gazonnées (incluant les golfs) et plans d’eau. Nos principales conclusions sont les suivantes a) à l’exception de la probabilité maximale, tous les autres paramètres de texture sont utiles dans la formation des signatures texturales; moyenne et écart type sont les plus utiles dans la formation des textures grises tandis que contraste et corrélation, dans le cas des textures couleurs, b) l’exactitude globale de la classification atteint un score acceptable (85%) seulement dans le cas des signatures texturales couleurs; c’est une amélioration importante par rapport aux classifications basées uniquement sur les signatures spectrales des classes d’occupation du sol dont le score est souvent situé aux alentours de 75%; ce score est atteint avec des fenêtres de calcul aux alentours de11*11 à 15*15 pixels; c) Les signatures texturales couleurs offrant des scores supérieurs à ceux obtenus avec les signatures grises de 5% à 10%; et ce avec des petites fenêtres de calcul (5*5, 7*7 et occasionnellement 9*9) d) Pour plusieurs classes d’occupation du sol prises individuellement, l’exactitude dépasse les 90% pour les deux types de signatures texturales; e) une seule classe est mieux séparable du reste par les textures grises, celle de l’agricole; f) les classes créant beaucoup de confusions, ce qui explique en grande partie le score global de la classification de 85%, sont les deux classes du résidentiel (haute et basse densité). En conclusion, nous pouvons dire que l’approche intégrative par textures couleurs d’une image multispectrale de 10 m de résolution spatiale offre un plus grand potentiel pour la cartographie des occupations du sol que l’approche intégrative par textures grises. Pour plusieurs classes d’occupations du sol un gain appréciable en temps de calcul des paramètres de texture peut être obtenu par l’utilisation des petites fenêtres de traitement. Des améliorations importantes sont escomptées pour atteindre des exactitudes de classification de 90% et plus par l’utilisation des fenêtres de calcul de taille variable adaptées à chaque type d’occupation du sol. Une méthode de classification hiérarchique pourrait être alors utilisée afin de séparer les classes recherchées une à la fois par rapport au reste au lieu d’une classification globale où l’intégration des paramètres calculés avec des fenêtres de taille variable conduirait inévitablement à des confusions entre classes. / Texture is a key element in interpreting remotely sensed images of fine spatial resolution. The integration of textural information in an automatic image-classification process is usually done via textural images, which are often created by calculating gray levels co-occurrences matrices (COM). A COM is a histogram of frequencies of pairs of pixel values present in local windows associated with all pixels in the used image; each pixel pair being formed using a given orientation and spacing. COM allows calculation for more than a dozen of parameters describing in various ways the frequency distribution, creating thus as many different textural images. Texture measurements approach based on COMs had been mainly applied on monochrome images (e.g. panchromatic, single polarisation and frequency radar images). In the case of multispectral images, a single spectral band, among those available, is usually chosen to generate texture images. The question we asked in this research concerns precisely this limited use of textural information in the case of multispectral images. In fact, the visual effect of a texture is created, not only by the spatial arrangement of variable objects/pixels brightness, but also of different colors. Several ways are suggested in the literature to introduce this concept of multi-dimensional texture. In this research, two of them were of particularly interested us. In the first way COMs are calculated spectral band by band and in the second one, generalized COMs are applied involving the joint use of two spectral bands. In the latter case, the pairs of pixel values are defined in two different spectral bands. This allows, in a single treatment, for a broad accounting of the "color" element composing a texture. These two approaches are called integrative techniques. To distinguish them, we call them respectively “gray textures” and “color textures”. Our research concerns the comparative analysis of the opportunities offered by applying these two types of textural signatures in the specific case of an automated land cover mapping using multispectral images. A textural signature of an object or class of objects, by analogy to spectral signatures, consists in a set of texture parameters measured; band by band (grey textures), or by pairs of bands (color textures).This research was designed not only to compare the two integrative approaches, but also to identify the components of textural signatures favouring the differentiation of land cover classes: texture parameters, window sizes and bands selection. To do this, a site within the territory of the Montreal Metropolitan Community (Longueuil) was chosen with a diversity of land covers representative of a semi-urban area. (residential, industrial / commercial, woodlots , agriculture, water bodies…). A SPOT-5 (4 spectral bands) image of 10m spatial resolution was used in this research. Since an infinite number of texture images can be created by varying the design parameters of COM, and to better define our problem, we have decided, taking into account studies published in this field: a) to vary the computation window from 3*3 to 21*21 pixels while setting the pixel spacing and direction to (1,1); that is to say, an spacing of 1 and an orientation of 135 ° between pairs of pixels. b) limit the COM analysis to eight texture parameters (contrast, correlation, standard deviation, energy, entropy, homogeneity, average, maximum probability), all of which are computable by the Unser’s fast-COM-approximation method, c) form the two textural signatures by the same number of elements chosen from a separability analysis (Bhattacharya distance) between land cover classes, and d) analyse the results (confusion matrices, accuracies, kappa) obtained using a maximum likelihood classification algorithm to conclude on the potential of both integrative approaches; classes to be recognized included: low and high density residential, commercial / industrial, agricultural, woodlots, turf (including golf) water bodies, clouds and their shadows. Our main conclusions are as follows a) except maximum probability, all other textural parameters are useful in the formation of textural signatures; mean and standard deviation are most useful in the formation of gray textures while contrast and correlation, are the best in the case of color textures b) the overall classification accuracy achieved an acceptable score (85%), only in the case of color textural signatures. This is a significant improvement compared to classifications based solely on spectral signatures, whose accuracies are often situated around 75%. This score is reached with windows size from about 11*11 to 15 * 15 pixels, c) Textural colors signatures offer higher scores, ranging from 5% to 10%, than those obtained by gray signatures. This is true while using the smaller process windows (5*5, 7*7, and occasionally 9*9) d) For several land cover classes examined individually, the accuracy is above 90% regardless of the used textural signatures e) Only one class is better separated from the rest by gray textures, the agricultural one; f) Classes creating a lot of confusion, which largely explains the overall classification score of 85 %, are the two residential classes (high and low density). As a final conclusion, we can say that the integrative approach by color textures provides a greater potential for mapping land covers using multispectral images than the integrative approach by gray textures. For several land cover classes an appreciable gain computing time of textural parameters may be obtained using smaller size windows. Significant improvements of the classification results (even better than 90%) are expected using calculation windows with sizes better adapted to each classes particular texture characteristics, A hierarchical classification method could then be used to separate each class at a time from all others, instead of a broad classification where the integration of parameters calculated with varying size windows, would inevitably lead to confusion between classes.