STATUS REPORT ON AUTOMATIC 
CLASSIFICATION OF ERTS IMAGERY OF CANADA 
David Goodenough, Joseph MacDowall 
& Robert A. Ryerson 
Canada Centre for Remote Sensing 
Department of Energy, Mines and Resources 
Ottawa, Ontario, Canada. 
ABSTRACT 
This paper describes some of the results obtained by 
government, university, and industrial investigators in develop 
ing methodology and applications for automatic classification 
of ERTS imagery of Canada. The Canada Centre for Remote Sensing 
(CCRS) receives 80 frames or 1.5 x 10l0 bits of multispectral 
scanner data per day. Complete ERTS coverage of Canada is 
obtained every eighteen days. This imagery is particularly 
beneficial to Canada if it can be rapidly and quantitatively 
analyzed with the final output being maps showing the distribu 
tion of various land-use classes and/or tables listing the 
acreages of each class. The quantity of data has necessitated 
the development of various methods to automatically classify the 
imagery in order to generate the greatest benefits. 
University investigators in Canada have concentrated 
upon software programs for supervised and unsupervised classifica 
tions. Government and industrial work has also included the 
development of man-machine interactive systems for image analysis. 
Descriptions of the different approaches to automated classifica 
tion are presented. 
RESUME 
Le présent rapport donne certains des résultats obtenus 
par des scientifiques du gouvernement, d'universités et de 
l'industrie dans la mise au point d'une méthode et de ses 
applications pour une classification automatique des images du 
Canada transmise par le satellite ERTS. Le Centre canadien de 
télédétection reçoit chaque jour, du satellite de détection des 
ressources terrestres (ERTS), environ 80 images ou 1.5 x 10l0 
bits de données provenant de l'explorateur multi-spectre. L'ERTS 
transmet une couverture complète du Canada en 18 jours. Ces 
images sont particulièrement utiles pour le Canada si elles 
peuvent 'être analysées quantitativement de façon rapide et donner 
en phase finale des cartes présentant la distribution des diverses 
classes d'utilisation du sol ou des tableaux indiquant les super 
ficies de chaque classe. La quantité d'information reçue a 
nécessite la mise au point de diverses méthodes de classement 
automatique des images afin d'en tirer le meilleur parti.