Mais

Classe de cobertura do solo TIMESAT

Classe de cobertura do solo TIMESAT


É possível monitorar a fenologia de apenas 2 classes de cobertura do solo no TIMESAT? O exemplo é milho e trigo por 7 anos. A estrutura de semeadura dessa cultura muda a cada ano, ou seja, sua localização em uma imagem é diferente a cada ano, diferentes pixels precisam ser monitorados.

Gostaria de mudar os pixels monitorados para cada ano, a fim de rastrear a fenologia do milho e do trigo de 2007 a 2014. Além disso, a estrutura de semeadura consiste em diferentes parcelas espalhadas em uma imagem, aproximadamente 50 pixels MODIS para cada ano.

Estou usando o produto MODIS13Q1.


É possível monitorar uma ou várias aulas no TIMESAT. A opção de usar várias classes é necessária principalmente se a estrutura fenológica for muito diferente entre as classes, ou seja, diferentes configurações de parâmetros são necessárias para as diferentes classes. No seu caso, pode ser possível usar as mesmas configurações para ambas as classes, mas obviamente isso precisa ser testado. Se as turmas se moverem entre os anos e forem necessários diferentes parâmetros do TIMESAT, será necessário configurar períodos separados do TIMESAT para cada ano. Isso não é difícil, mas um pouco tedioso, pois o TIMESAT requer três anos de dados para uma execução bem-sucedida, com o ano de interesse no centro.

Eu sugiro executar o TSM_GUI em pixels separados espalhados pela imagem para ver o quão bem o TIMESAT pode se ajustar aos seus dados.


Aula de ocupação do solo TIMESAT - Sistemas de Informação Geográfica

Informação em papel

Informação do diário

American Journal of Geographic Information System

p-ISSN: 2163-1131 e-ISSN: 2163-114X

Técnicas de Sensoriamento Remoto e Informação Geográfica: Ferramentas Verdadeiras para Avaliação de Degradação de Terras

Idowu Innocent Abbas 1 , Mayowa Johnson Fasona 2

1 Departamento de Geografia, Universidade Ahmadu Bello, Zaria, 810001, Nigéria

2 Departamento de Geografia, Universidade de Lagos, Lagos, Nigéria

Correspondência para: Mayowa Johnson Fasona, Departamento de Geografia, Universidade de Lagos, Lagos, Nigéria.

E-mail:

Copyright © 2012 Scientific & Academic Publishing. Todos os direitos reservados.

A degradação do solo pode ser definida como um solo que, devido aos processos naturais ou à atividade humana, não é mais capaz de sustentar adequadamente sua função econômica e / ou sua função ecológica natural original. As implicações da mudança do uso da terra-cobertura da terra freqüentemente levam à degradação da terra. Este estudo usou a imagem Landsat TM de 1986 e a imagem Nigeriasat-1 de 2008 para avaliar as terras degradadas para os respectivos anos em uma seção do Delta do Níger, Nigéria. Os conjuntos de dados foram analisados ​​no software Arcview no ambiente do Sistema de Informação Geográfica. Os resultados mostram os diferentes tipos de degradação do solo, a cobertura da área das terras degradadas ao longo dos anos e como as pessoas da área de estudo foram afetadas. Com base nas descobertas, recomendações são feitas para conter e, eventualmente, reduzir a degradação.

Palavras-chave: Degradação, Sensoriamento Remoto, Sistema de Informação Geográfica, Satélites, Implicações


Ambiente Mundial Atual

ISSN: 0973-4929, ISSN Online: 2320-8031

Abordagem de Sensoriamento Remoto e Técnicas GIS de Uso do Solo e Mapeamento da Cobertura do Solo & ndashPatna Municipal Corporation, (PMC) Patna, Bihar, Índia

Mohammad Yasir Ahmad 1 * /> e Nikhat Hassan Munim 2

1 Departamento de Ciências Ambientais, Magadh University, Bodh-Gaya, Bihar Índia.

2 Departamento de Zoologia, J.D. Womenâ € ™ s College, Patna, Magadh University, Bodh-Gaya, Bihar Índia.

Email do autor para correspondência: [email protected]

A abordagem de Sensoriamento Remoto (RS) e Sistema de Informações Geográficas (SIG) para a elaboração do mapeamento do uso da terra (LULC) é um aspecto essencial das atividades de planejamento e desenvolvimento para a gestão dos recursos terrestres. Este artigo investiga o mapa de uso da terra (LULC) da Patna Municipal Corporation (PMC), Patna, Bihar, Índia. A cidade de Patna (PMC) é uma cidade em rápido desenvolvimento e um centro econômico emergente em Bihar. A população da cidade (PMC) está crescendo dia a dia, e a rápida migração de diferentes partes do Bihar resultou da rápida urbanização. Oferecemos técnicas de RS e GIS delineadas diferentes LULC da área de estudo do PMC. LULC foi feito por meio de imagem de satélite FCC (False Color Composite), Sensor IV de Auto-varredura de Imagens Lineares Resourcesat-2A (LISS-IV) com dados de resolução espacial de 5,8 metros do ano de 2018. A classificação supervisionada e a classificação de máxima verossimilhança foram usadas para classificar Imagens LISS IV. O mapa LULC foi criado em cinco classes diferentes identificadas com corpos d'água, terras agrícolas, terras em pousio, terras devastadas, terras construídas e vegetação da área de estudo. As vantagens do método MLC em que um pixel com probabilidade máxima é classificado na classe correspondente com base em uma função de probabilidade determina a variância e a covariância de cada tema. O resultado do LULC mostrou que a área máxima sob o PMC foi coberta com uma área construída de 70,80 Sq. Km. é maior do que os outros devido ao rápido crescimento da população. Terras agrícolas, terras em pousio e vegetação ocuparam uma área de 31,7 quilômetros quadrados, enquanto as terras devastadas constituíam cerca de 11,86 quilômetros quadrados. Km e corpos d'água cobertos em torno de 5,8 km². A precisão foi feita por meio de verificação de campo e imagem de Satélite (Google).

O objetivo principal deste trabalho de pesquisa é implementar o uso da técnica de Sensoriamento Remoto e SIG para detectar a categoria LULC da área de PMC. Este estudo, a abordagem de técnicas de Sensoriamento Remoto e GIS trará benefícios nos planos de desenvolvimento de LULC futuros devido às suas vantagens em tempo, benefícios de custo e confiabilidade sobre as técnicas tradicionais de solo.

Copie o seguinte para citar este artigo:

Ahmad M. Y, Munim N. H. Abordagem de Sensoriamento Remoto e Técnicas GIS de Uso do Solo e Mapeamento da Cobertura do Solo & ndashPatna Municipal Corporation, (PMC) Patna, Bihar, Índia. Curr World Environ 2020 15 (2).


Um produto de fenologia de superfície terrestre operacional de múltiplas origens da Landsat e Sentinel 2

Investigador principal Co-Investigador Colaborador Pesquisador pós-doutorado Pesquisador Aluno de Graduação Outro
Nome da Pessoa Papel da pessoa no projeto Afiliação
Mark Friedl Investigador principal Universidade de Boston, Boston, EUA
Josh M Gray Co-Investigador Universidade Estadual da Carolina do Norte, Raleigh, EUA
Lars Eklundh Colaborador Lund University, Lund, SE-223 62, Suécia
Thomas Maiersperger Colaborador SGT, contratada para USGS EROS, Sioux Falls, EUA
Leticia Lee Pesquisador Aluno de Graduação Universidade de Boston, Boston, EUA
Xiaoxie Gao Pesquisador Aluno de Graduação Universidade Estadual da Carolina do Norte, Raleigh, EUA
Lua Minkyu Pesquisador pós-doutorado Universidade de Boston, Boston, EUA

Densas séries temporais de imagens do Landsat 8 e Sentinel 2 estão criando novas oportunidades empolgantes para monitorar, mapear e caracterizar a dinâmica temporal em propriedades da superfície terrestre com detalhes espaciais e qualidade sem precedentes. Combinando imagens do Landsat 8 Operational Land Imager (OLI) e do Instrumento MultiSpectral (MSI) a bordo do Sentinel 2A e 2B, os usuários terão acesso a imagens de resolução espacial moderada com frequências repetidas três vezes mais altas do que as disponíveis antes de o lançamento do Sentinel 2A. Ao mesmo tempo, os grandes volumes de dados e a alta dimensionalidade das séries temporais combinadas do Landsat 8 e do Sentinel 2 apresentam novos desafios substanciais para os usuários que desejam explorar esses conjuntos de dados. Os produtos da fenologia da superfície da terra (LSP), que sintetizam o tempo das transições da fenofase e quantificam a natureza e a magnitude da sazonalidade nas condições da superfície da terra com sensoriamento remoto, fornecem uma maneira simples e intuitiva de reduzir os volumes de dados e redundância, ao mesmo tempo que fornecem ricos conjuntos de recursos que são úteis para uma ampla gama de aplicações, incluindo modelagem de ecossistemas e agroecossistemas, monitoramento da resposta dos ecossistemas terrestres à variabilidade climática e eventos extremos, discriminação de tipo de cultivo e mapeamento de cobertura, uso da terra e mudança de cobertura da terra. Métodos para monitorar e mapear a fenologia de instrumentos de resolução espacial grosseira, como MODIS, estão maduros e operacionais. No entanto, a resolução espacial do MODIS é inadequada para muitas aplicações. O objetivo desta proposta é criar um produto operacional de fenologia da superfície terrestre com base em séries temporais combinadas de dados Landsat 8 OLI e Sentinel 2A e 2B MSI. Para explicar a motivação e a base metodológica de nossa abordagem, a proposta inclui quatro elementos principais. Primeiro, resumimos a base empírica e a justificativa para nosso produto proposto. Em segundo lugar, fornecemos uma definição formal para o nosso produto proposto de fenologia da superfície terrestre, que inclui um conjunto de conjuntos de dados científicos que: (1) identificam o momento das transições de fenofase, (2) fornecem à comunidade de usuários conjuntos de dados de imagem de dimensionalidade reduzida que capturam os modos primários de variabilidade multiespectral e multitemporal e minimizam a correlação temporal em séries temporais de imagens, e (3) identificam anomalias de época em tempo quase real. Desta forma, nosso produto proposto vai muito além do que os atuais produtos LSP de resolução espacial grosseira oferecem e é projetado para oferecer suporte a uma ampla e diversificada comunidade de usuários. Terceiro, descrevemos o algoritmo que será usado para esse esforço, que foi desenvolvido e testado nos últimos anos, juntamente com os requisitos de dados de entrada necessários para gerar nosso produto proposto. Quarto, apresentamos resultados de nosso algoritmo aplicado a séries temporais combinadas de dados Landsat 8 e Sentinel 2A que demonstram a eficácia e precisão de nosso algoritmo, junto com uma estratégia para validação de produto operacional. Para a implementação inicial, propomos gerar nosso produto em escala continental para a América do Norte em resolução espacial de 30 metros usando o conjunto de dados Harmonized Landsat-Sentinel (HLS) que está sendo gerado pela NASA, e distribuir nossos resultados através do Land Processes DAAC . Para apoiar este esforço, iremos colaborar com o Prof. Lars Eklundh da Lund University na Suécia, um dos pioneiros da fenologia da superfície terrestre, que é financiado na Europa para desenvolver algoritmos de fenologia da superfície terrestre baseados no Sentinel-2, e com quem temos uma colaboração contínua e bem-sucedida.


TIMESAT — um programa para analisar séries temporais de dados de sensores de satélite ☆

São apresentados três métodos de mínimos quadrados diferentes para o processamento de séries temporais de dados de sensores de satélite. O primeiro método usa funções polinomiais locais e pode ser classificado como um filtro Savitzky – Golay adaptativo. Os outros dois métodos são métodos de mínimos quadrados mais claros, onde os dados são ajustados a uma base de funções harmônicas e funções gaussianas assimétricas, respectivamente. Os métodos incorporam informações qualitativas sobre a contaminação de nuvens de conjuntos de dados auxiliares. As curvas suaves resultantes são usadas para extrair parâmetros sazonais relacionados às estações de cultivo. Os métodos são implementados em um programa de computador, TIMESAT, e aplicados aos dados do Índice de Vegetação por Diferença Normalizada da Terra da NASA / NOAA Pathfinder AVHRR sobre a África, dando imagens espacialmente coerentes de parâmetros sazonais, como início e fim de estações de cultivo, NDVI sazonalmente integrado e amplitudes sazonais . Com base em princípios gerais, o programa TIMESAT pode ser usado também para outros tipos de dados de série temporal derivados de satélite.


Validação Técnica

Mapas de cobertura do solo 2009 & # x020132013

Embora a produção de um único mapa de cobertura do solo seja uma referência útil, mapas de cobertura do solo regularmente atualizados são necessários para documentar as mudanças ao longo do tempo 13,42 e observar as diferenças nos tipos de cobertura do solo que mudam com frequência, como a rotação de culturas entre cereais, brássicas, leguminosas, pastagens e pastagens e solo descoberto. Mapas DLC anuais foram produzidos de 2009 a 2013, com precisão comparável entre anos em cada nível de detalhe. Matrizes de erro foram geradas para cada mapa (PDLC, SDLC e TDLC para cada ano) usando conjuntos independentes de dados de validação do solo. O número total de pontos de dados terrestres avaliados a cada ano variou dependendo dos recursos disponíveis para coletá-los. O número de pontos de dados terrestres avaliados foi 4.681 em 2009, 4.989 em 2010, 4.470 em 2011, 3.767 em 2012 e 6.034 em 2013.

A precisão geral para cada mapa (com base em uma avaliação de precisão final usando uma seleção aleatória independente de 25% de dados de solo) é apresentada na Tabela 3. Os mapas PDLC tiveram uma precisão de & # x0003e90% em todos os anos. A precisão geral dos mapas SDLC variou de 72 a 80%. Os mapas TDLC tiveram uma precisão entre 61 e 68%. A classificação do nível primário consiste em três classes: água, vegetação não lenhosa e vegetação lenhosa. Nesse nível de detalhe da classe, a maioria dos pixels do MODIS são predominantemente uma dessas três classes. Isso é particularmente verdadeiro em terras públicas e áreas agrícolas, que representam 38 e 55% do estado, respectivamente. A heterogeneidade dos tipos de cobertura do solo na escala espacial de um pixel MODIS aumenta à medida que o detalhe das classes de cobertura do solo aumenta, como ocorre nas classes de cobertura do solo secundária e terciária usadas neste estudo. A influência desse aumento na heterogeneidade se reflete na menor precisão dos mapas de nível secundário e terciário em comparação com os mapas de nível primário. Embora a precisão e o nível de detalhe da classe nos mapas sejam influenciados de alguma forma pela heterogeneidade da paisagem, eles ainda fornecem informações consistentes e repetíveis sobre a cobertura da terra em uma escala ampla, o que é importante para muitas aplicações.

Tabela 3

2009 2010 2011 2012 2013
Cobertura de terra dominante primária91.0%91.0%94.3%96.8%92.9%
Cobertura de terra dominante secundária72.9%77.4%74.5%80.9%76.3%
Cobertura da terra dominante terciária68.3%64.5%64.5%61.6%66.1%

Mapas PDLC 2009 & # x020132013

O nível PDLC oferece uma ampla visão geral do estado em termos de vegetação lenhosa e não lenhosa. Também identifica corpos d'água e a extensão da água neles. Uma árvore de decisão padrão foi usada para produzir todas as classificações PDLC de 2009 a 2013, que têm precisão de classificação geral maior que 91% (Tabela 3).

A Tabela 4 mostra as precisões gerais e específicas do produtor e do usuário para a camada de classificação PDLC de 2009, em que todas as classes tiveram uma precisão do produtor e do usuário & # x0003e84%. Mapas de exemplo do PDLC 2009 são mostrados na Fig. 4. A classificação PDLC de 2009 identificou a água com muita precisão, mas classificou incorretamente parte da vegetação lenhosa como vegetação não lenhosa. Em 2013 e 2010, os erros na classificação da água foram um problema: para a classificação PDLC de 2010, a precisão do produtor para a água foi de 69%, enquanto em 2013 foi de 34,6%. Nestes casos, a água foi erroneamente classificada como vegetação não lenhosa. Todas as outras estimativas de precisão para classificações PDLC de 2009 a 2013 foram & # x0003e80%.


Resumo

Dada a rápida perda de biodiversidade em todo o mundo e os impactos resultantes nas funções e serviços do ecossistema, mais do que nunca confiamos em avaliações atuais e espacialmente contínuas da distribuição de espécies para a conservação da biodiversidade e gestão sustentável da terra. Na última década, a utilidade de dados categóricos de cobertura do solo para explicar a degradação induzida pelo homem, transformação e perda de habitat natural em modelos de distribuição de espécies (SDMs) foi questionada e o número de estudos analisando diretamente variáveis ​​de sensoriamento remoto multiplicou-se recentemente . Embora várias suposições apóiem ​​as vantagens dos dados de sensoriamento remoto, ainda falta uma comparação empírica. O objetivo deste estudo foi preencher essa lacuna e comparar a adequação de uma classificação categórica existente de cobertura do solo e de variáveis ​​de sensoriamento remoto contínuo para modelar os padrões de distribuição de 30 espécies de árvores mexicanas. Nós aplicamos o Entropia Máxima algoritmo para prever distribuições de espécies com base em ambos os tipos de dados de forma independente, desempenho do modelo quantificado e relações espécies-cobertura da terra analisadas em detalhes. Como parte dessa comparação, nos concentramos em dois aspectos particulares, a saber, os efeitos de (1) detalhes temáticos e (2) resolução espacial dos dados de cobertura da terra no desempenho do modelo. Nossa análise revelou que os dados de sensoriamento remoto eram preditores de modelo significativamente melhores e que o principal obstáculo dos SDMs baseados na cobertura da terra eram suas previsões mais ousadas, juntamente com sua superestimação geral de adequação. Entre os modelos baseados na cobertura da terra, descobrimos que o detalhe temático era mais importante do que a resolução espacial para o desempenho do SDM. No entanto, nossos resultados também sugerem que a adequação dos dados de cobertura da terra difere amplamente entre as espécies e depende da distinção de seu habitat. Nossos resultados têm implicações relevantes para futuros estudos de modelagem de distribuição de espécies que visam complementar seu conjunto de preditores topo-climáticos por dados sobre as características da superfície da terra.


Identificadores de parcela de terras para sistemas de informação e-book grátis

  • Autor: D David Moyer
  • Data de publicação: 01 de abril de 1973
  • Editor: American Bar Association
  • Formato do livro: brochura :: 591 páginas
  • ISBN10: 091005858X
  • ISBN13: 9780910058582 Link para download: identificadores de parcelas de terras para sistemas de informação

O Sistema de Identificação de Parcelas (SIPA IACS) para reembolso de agricultores nos dados cadastrais pode ser usado para geocodificar e integrar informações sobre a cobertura da terra. Identificadores de Parcelas Terrestres para Sistemas de Informação Kenneth P. Fisher D. David Moyer Uma cópia que foi lida, mas permanece limpa. Todas as páginas são Sistemas de Informação de Terrenos Urbanos das organizações participantes e do comitê técnico. É importante notar que o desenvolvimento de um sistema de informação do solo urbano não requer necessariamente a adoção de uma abordagem de mapeamento digital e o uso de tecnologia GIS. Em muitos, senão na maioria dos casos, uma abordagem totalmente digital não é recomendada. sistema de registro de imóveis, unidades imobiliárias e identificação de parcelas de terras. Da administração fundiária e da gestão da informação imobiliária. País. Dentro do livro de terras e sistemas cadastrais, os identificadores usados ​​em. Identificadores de Parcelas Terrestres para Sistemas de Informação D David Moyer, 9780910058582, disponíveis no Book Depository com entrega gratuita em todo o mundo. Obtenha isto de uma biblioteca! Identificadores de lotes de terra para sistemas de informação: [transcrição e documentos]. [D David Moyer Kenneth Paul Fisher American Bar Foundation.] - A parcela de terra - O identificador - Compatibilidade - Funções de identificador para uso da terra e outros dados relacionados - Critérios para um pacote compatível Identificadores - Parcela Não confunda parcela do antigo sistema baseado em papel números de planta do formato e para ver uma imagem do Sistema de Informação Geográfica (SIG) da parcela de terreno. Uma lista de condados e seus sistemas de numeração de parcelas pode ser encontrada neste link: Um exemplo do Sistema de Identificação Fiscal de Parcelas do Condado de Kenosha é o seguinte: Mapa de Identificação de Parcelas Fiscais. Como pode ser visto neste Escritório de Informações de Terras Avaliação automática de sistemas de identificação de parcelas de terras para agricultura A primeira etapa é baseada na identificação da cobertura da terra com mapas auto-organizáveis ​​baseados em RPA que usa mapas digitais para registrar os limites físicos das parcelas e características da terra em seu mapa FER uma vez que a RPA não pode usar os números de lotes impressos. LPIS - Sistema de Identificação de Parcelas Terrestres. A SINERGISE opera Sistemas de Identificação de Parcelas Terrestres em informações gráficas e descritivas sobre o uso de. O sistema de pesquisa GIS agora fornece todas essas informações na etapa seguinte. Permite que você pesquise o endereço da rua ou o número de identificação do pacote. identificadores cel e sistemas de identificação de pacotes. Este padrão também aborda a interação entre os criadores e mantenedores de camadas de dados de mapas cadastrais, usuários de sistemas de informações geoespaciais mais amplos e consumidores de dados cadastrais multiuso, premiado por inovação na aplicação de tecnologia, coleta de dados, visualização de informações geoespaciais e liderança inovadora para o bem público. Proprietários de terras e o público em geral. Navegue e pesquise informações de parcelas usando o sistema de identificação de parcelas ParcelMap BC como um índice comum para todos os registros de propriedade. Setor de negócios privados e a comunidade de informações de terras (corretores de imóveis que GIS baseado em parcelas oferecem um conjunto único de vantagens, especialmente quando usados ​​Os sistemas de informações de terras não espaciais há muito tempo usam identificadores de parcelas para vincular este mapa exibe a localização das propriedades, incluindo o endereço Cívico - Rolo de Avaliação BC Número, Identificadores de Parcela do Escritório de Título de Terra e Informações de Zoneamento para a Área Eleitoral A. A Área Eleitoral A abrange todas as terras com o limite do Grande Distrito Regional de Vancouver que não caem dentro de um município. Com este sistema, as extensões de terra são atribuídas Números de Identificação de Parcela (PIN) que para obter mais informações sobre registros / mapeamento de terras ou ajuda com quaisquer linhas de propriedade, propriedade de terras e informações de parcelas, incluindo número de parcelas e acres. Sistemas de informações geográficas (GIS) são mais frequentemente associados aos códigos do Census Bureau para nomeados povoados lugares eram tão mais O Land Parcel-Based Information Management ESRI Survey Engineering GIS Summit 16 de junho 19, 2007 San Diego, Califórnia Frank Der, PhD Penn State University As informações do título do lote são obtidas do BC Land Title Register. As perguntas do título são um número de identificação exclusivo gerado pelo sistema. Avaliação espectral / radiométrica de imagens para aplicações do Sistema de Identificação de Parcelas Terrestres (LPIS). Fundo. Com a prevalência contínua de sensores digitais,


Jornal Internacional de Meio Ambiente e Mudanças Climáticas

O mapeamento de classificação de uso e cobertura da terra (LULC) é importante para avaliar, monitorar, proteger e planejar os recursos da terra. Um fator chave para extrair as informações desejadas de imagens de satélite é escolher a resolução espacial correta. A escala de um pixel no solo é conhecida como resolução espacial. Um pixel é o menor 'ponto' que compõe uma imagem ótica de satélite que define o nível de detalhe da imagem. Neste artigo, a estimativa da extensão da área de água, áreas construídas, estéreis, áreas de vegetação e terras em pousio com sua precisão de classificação foram revisadas especialmente para janeiro de 2013 e novembro de 2016 em Karmala tehsil do distrito de Solapur, Índia. LULC está implícito em imagens de diferentes resoluções espaciais de Campo Amplo Avançado Sensor (AWiFS), Linear Imaging Self Scanning Sensor (LISS-III), Landsat-8 Operational Land Imager (OLI) e imagens Sentinel-2A em ambiente QGIS enquanto a classificação foi realizada usando o algoritmo de máxima verossimilhança (MLA). Os mapas classificados obtidos dos sensores AWiFS e LISS-III, bem como os conjuntos de dados Sentinel-2A e Landsat-8 OLI, foram comparados separadamente. A análise espacial mostra que o coeficiente Kappa de Sentinal-2A, Landsat-8, LISS III e AWiFS foi encontrado em 96,96%, 91,64%, 87,30% e 89,36%. Além disso, a precisão geral de foi de 99,07%, 94,49%, 89,84% e 94,08%, respectivamente. A precisão da imagem classificada com maior resolução espacial (Sentinal-2A) se mostrou mais informativa do que a do sensor de menor resolução (AWiFS). Na resposta, a resolução espacial mais fina do Sentinal-2A (10 m) forneceu detalhes mais precisos e melhorou a precisão da classificação LULC de forma mais confiável do que a resolução espacial mais grosseira do Landsat-8 (30m), LISS III (23m) e AWiFS (56m) imagem. Uma leitura dos dados revelou que a precisão geral e o coeficiente Kappa foram proporcionais à resolução espacial das imagens de satélite. Os dados espaciais de resolução mais alta também reduzem muito o problema de pixels mistos. O estudo revelou que a resolução espacial desempenha um papel importante e afeta os detalhes de classificação e precisão do nível LULC.

  • Kappa
  • LULC
  • sensoriamento remoto
  • resolução espacial
  • classificação supervisionada

Como Citar

Referências

Sharma J, Prasad R, Mishra VN, Yadav VP, Bala R. Uso da terra e classificação da cobertura da terra de imagens de satélite multiespectrais Landsat-8 usando transformada wavelet discreta. ISPRS-Arquivo Internacional de Fotogrametria, XLII. 20185: 703-706.

Prakasam, Chakkra. Detecção de uso e mudança de cobertura da terra por meio de abordagem de sensoriamento remoto: estudo Acass de Kodaikanal taluk, Tamilnadu International Journal of Geomatics and Geosciences. 20101.

Islam K, Jashimuddin M, Nath B, Nath TK. Classificação do uso da terra e detecção de mudanças usando imagens multitemporais de sensoriamento remoto: O caso do santuário de vida selvagem de Chunati, Bangladesh. O Jornal Egípcio de Sensoriamento Remoto e Ciência Espacial. 201821 (1): 37-47

Koko AF, Yue W, Abubakar GA, Hamed R, Alabsi AAN. Monitoramento e previsão de mudanças espaço-temporais no uso da terra / cobertura da terra na cidade de Zaria, Nigéria, por meio de um autômato celular integrado e um modelo de cadeia de Markov (CA-Markov). Sustentabilidade. 202012: 10452.

Landviewer. O que é resolução espacial de dados de imagens de satélite? 2019.

Suwanprasit C, Srichai N, Impactos da resolução espacial na classificação da cobertura do solo. Proceedings of the Asia-Pacific Advanced Network. 201233 (39)

Geoimage Pty Ltd. Resolução SWIR + Potencial de desbloqueio. 2018. https://www.geoimage.com.au/SWIR%20Series/resolution.

Nileshwari Yeole, Suyog P. Urade. Estudo sobre dados de satélite de alta resolução para mapeamento em Karamala Taluka. Jornal Internacional de Ciência e Pesquisa (IJSR). 20158 (6).

Chavare SG. aplicação de sensoriamento remoto e gis no uso da terra e mapeamento da cobertura da terra da sub-bacia hidrográfica da bacia do rio Wardha Subhash G. Chavare 2015.

Ondieki CM, Murimi S. Aplicações de sistemas de informação geográfica. InyangH. I. Daniels J. (Eds.), Monitoramento Ambiental. 20092: 314-340.

Norovsuren B, Tseveen B, Batomunkuev V, Renchin T, Natsagdorj E, Yangiv A, Mart Z. Classificação da cobertura do solo usando o método de máxima verossimilhança (2000 e 2019) no vale Khandgait na Mongólia. IOP Conf. Ser .: Earth Environ. Sci. 2019381-012054.

Sharma NK, Lamay JB, Kullu NJ, Singh RK, Jeyaseelan AT. Análise do uso e cobertura do solo de Jharkhand usando sensoriamento remoto por satélite. J Space Sci & Tech. 20121: 1-10.

Topaloglu RH, Sertel E, MUSAOĞLU N. Avaliação da precisão da classificação dos dados sentinela-2 e landsat-8 para mapeamento de uso / cobertura da terra. Arquivos Internacionais de Fotogrametria, Sensoriamento Remoto e Ciências da Informação Espacial. 201641.

Kaul HA, Sopan I. Classificação do uso da terra, cobertura do solo e detecção de mudanças usando dados de satélite temporais de alta resolução. Journal of Environment. 20121 (04): 146-152.

Chen D, Stow DA, Gong P. Examinando o efeito da resolução espacial e tamanho da janela de textura na precisão da classificação: um caso de ambiente urbano. International Journal of Remote Sensing. 2004 25 (11): 2177-2192.

Deeksha Mishra, Singh BN. Classificação e avaliação da cobertura do uso da terra em Bara tehsil do distrito de Allahabad, imagens de satélite Sentinel-2 de 2017.


Métodos

Esquema de classificação de cobertura do solo

O DLC anual foi produzido como uma classificação baseada em pixels, com cada pixel de 250 m rotulado com a cobertura de terra dominante para aquele ano. O esquema de classificação da cobertura da terra é uma hierarquia de três camadas (primária, secundária e terciária), conforme detalhado na Tabela 1. A camada de cobertura da terra dominante primária (PDLC) compreende três classes: água, vegetação lenhosa e vegetação não lenhosa. A camada de cobertura secundária dominante (SDLC) divide as classes de vegetação lenhosa e não lenhosa em predominantemente de produção, como horticultura e produção agrícola, e outra vegetação, como cobertura lenhosa nativa e pastagens e pastagens. A camada de cobertura da terra dominante terciária (TDLC) refina ainda mais as classificações dos tipos de cobertura da terra, particularmente aqueles associados à produção agrícola.

Dados usados

As classificações de cobertura da terra são derivadas de uma série de fontes de dados de entrada, resumidas na Tabela 2 (disponível apenas online). As fontes de dados usadas, a derivação de dados e o fluxo de trabalho usado para gerar as classificações de cobertura da terra são detalhados nas seções a seguir.

Dados de sensoriamento remoto

Existem muitos sensores baseados em satélite que registram informações espectrais sobre a superfície da Terra, como Landsat, MODIS, SPOT e Rapideye. Eles têm características espaciais, temporais e espectrais variáveis ​​que os tornam mais adequados para o mapeamento da cobertura do solo em uma área ampla do que outros.

Vários sensores alternativos foram considerados para este trabalho. Dados que eram adquiridos rotineiramente com custo mínimo ou nenhum custo de abastecimento foram considerados para minimizar os recursos necessários para realizar este trabalho, tanto no presente quanto no futuro. Dados Landsat, com resolução espacial de 30 m, estão disponíveis gratuitamente, são adquiridos rotineiramente e são amplamente usados ​​para mapear a cobertura do solo 3,33–37. No entanto, a resolução temporal dos dados Landsat é limitada, com um tempo de revisita de 16 dias. A cobertura de nuvens geralmente restringe o número de imagens disponíveis em áreas como o sudoeste de Victoria devido à alta cobertura de nuvens. A disponibilidade de imagem reduzida devido à cobertura de nuvens aumenta a dificuldade de obter aquisição multitemporal consistente nas 19 cenas Landsat necessárias para obter cobertura espacial de Victoria. Isso apresenta limitações ao discriminar os tipos de cobertura do solo, particularmente quando a fenologia da vegetação derivada de séries temporais de imagens é usada ou em paisagens agrícolas onde a disponibilidade de dados durante a estação de crescimento pode ser muito baixa. Durante o desenvolvimento deste conjunto de dados, a segurança do fornecimento de dados da série de satélites Landsat não foi garantida 35,38, limitando ainda mais sua adequação para este trabalho específico.

Como os dados Landsat, as imagens MODIS também são adquiridas rotineiramente e estão disponíveis gratuitamente. Embora a resolução espacial das imagens MODIS seja mais grosseira do que os dados Landsat (250–1.000 m), a frequência temporal dos dados é muito melhorada em comparação com o Landsat, que é útil para derivar as características da fenologia da vegetação. Os dados MODIS também são amplamente usados ​​em aplicações de mapeamento da cobertura da terra, particularmente quando mapas que cobrem uma ampla extensão são necessários 10,13,39–42. Imagens MODIS têm sido usadas para mapear a cobertura da terra por pixel em áreas como subcontinentes 41, países 42, ecorregiões 13, seções de um país 6,15,40 e globalmente 10,39. A frequência temporal dos dados é frequentemente um fator chave usado para distinguir os tipos de cobertura da terra usando imagens MODIS 13,15,17,40.

Estudos anteriores demonstraram que o mapeamento da cobertura da terra com boa precisão (73-79,3% (refs 10,13,40,41)) pode ser alcançado em uma base por pixel com uma resolução espacial de 250-500 m usando imagens MODIS. O mapeamento da cobertura do solo utilizando dados com uma resolução espacial mais precisa, como o Landsat, foi realizado em Victoria, mas em uma extensão espacial menor, em vez de cobertura em todo o estado, e esses mapas não são produzidos regularmente. Os exemplos incluem Strezleki Ranges (uma área de estudo de 40 km 2 no sudeste de Victoria) 7, e o distrito de irrigação de Katandra (uma área de estudo de 2.000 ha no nordeste de Victoria) 2. Embora os dados do Landsat possam não fornecer as características exigidas para um mapa de cobertura do solo atualizado anualmente com cobertura em todo o estado, dados mais localizados com informações mais detalhadas como esses podem ser usados ​​como Informações Suplementares, se necessário. Isso está além do escopo do trabalho apresentado neste artigo, que apresenta o trabalho realizado para produzir mapas de cobertura do solo validados em todo o estado de 2009 a 2013.

The MOD13Q1 Vegetation Indices product, which used for this work, has a swath of 2330 km, a spatial resolution of approximately 250 m and is produced as a composite image by selecting the highest quality pixel within a 16 day window, ensuring a cloud-free image is produced every 16 days. It includes spectral bands and indices particularly relevant to identifying vegetation characteristics red and near-infrared (NIR) reflectance, NDVI, and EVI 43,44 .

Red reflectance responds to levels of chlorophyll in vegetation, while NIR reflectance is more sensitive to cell structure within leaves. NDVI has been shown to respond to levels of chlorophyll and vegetation biomass, although the response becomes saturated over areas of dense vegetation 43,45–48 . As a simple ratio, NDVI is also able to reduce topography effects on image data 49 . EVI is based on the soil adjusted vegetation index (SAVI) 50 , the atmospherically resistant vegetation index (ARVI) and the soil adjusted and atmospherically resistant vegetation index (SARVI) 51 . EVI is designed to be more sensitive to vegetation canopy structural features and in areas of high vegetative biomass, does not exhibit the same saturation issue as NDVI 43,46 . EVI reduces atmospheric and background reflectance effects 43 however, it is more affected by topography than NDVI 52 . The responses of these data, and differences in response over time, help discriminate between different land cover types.

Red reflectance, NIR reflectance, NDVI and EVI datasets from the MOD13Q1 product were used to produce an annual DLC map. For each calendar year, an annual time series of 23 MOD13Q1 images 44 were downloaded via the United States Geological Service (USGS) Reverb website (http://reverb.echo.nasa.gov/reverb). Images were clipped to the study area extent and formatted to generate input files for the TIMESAT program. The TIMESAT program 18,19 was used to examine vegetation growth over a year and generate seasonal vegetation phenology parameters from EVI, NDVI, red and NIR reflectance MODIS data. An adaptive Savitzky-Golay filter was used in this study to smooth the image data, using a moving average 19 .

The seasonal parameters calculated were: the start and end of the growing season, the mid-point of the growing season, the length of the growing season, the base and maximum levels, the amplitude, the increase at the beginning of the season and decrease at the end of the season, and large and small integrals 18 . The annual standard deviation was calculated for the EVI, NDVI, red and NIR reflectance datasets separately. The processed images were reprojected from a Sinusoidal to VicGrid94 projection, maintaining the native pixel dimensions. The reprojected images were used to create a grid covering the state of Victoria, showing the MODIS pixel footprints across the study area. This pixel grid was used as a base for collecting ground data.

Ancillary data

A number of ancillary spatial data were also used to guide ground data collection and refine the land cover classifications. These were Primary Production Landscapes, water bodies and parks and reserves: these data are maintained by the Victorian State Government (https://www.data.vic.gov.au/). Primary Production Landscapes are zones defined by features such as terrain, soil, broad climate aspects and land management 53 . Victoria is divided into six major Primary Production Landscape regions and 22 sub-regions. Geographic datasets of known water bodies 54 , including lakes, reservoirs, streams and wetlands, were used to determine the potential location of water. Land tenure for Victoria, which differentiates land in terms of ownership was also used 55 . Land tenure is recorded in many categories but for this project they were amalgamated to form four broad categories: private land, public land, parks and reserves (including National Parks and State Forests), and forestry plantations located on public land. These categories were used to guide the allocation of specific land cover classes on different types of land tenure (e.g., non-woody production was excluded from parks and reserves and forestry plantations located on public land, while woody production was excluded from parks and reserves but permitted in areas marked as forestry on public land).

Ground based data

Ground-based data were collected for use in validation and calibration of the derived land cover maps. Ground-based data was collected within land parcels with a minimum area of 25 ha. An internal buffer of 150 m was applied to these parcels to limit the effects of boundaries and land cover transitions between parcels. Within these areas, MODIS 250 m pixel footprints were used as a minimum mapping unit, with final pixels used to record the land cover selected based on homogeneity and visibility 56,57 . The land cover present in one pixel can be influenced by surrounding pixels (spatial autocorrelation). This can affect the sample’s independence, which is an important consideration for validation and accuracy assessments of the classified product 58 . The influence of spatial autocorrelation was reduced in this study by using only one pixel per parcel. The pixel used was selected as the best representative of the particular parcel. Figure 2 shows a representation of the relationship between these field units. Ground data were collected in the field on a laptop computer using a geodatabase in ArcGIS TM (ref. 57). For each pixel, the date, TDLC class, more detailed information about the cover present (such as specific crop type or forest canopy density) and an indication of information reliability (e.g., excellent or poor) was recorded. Ground data was collected for each year a land cover map was produced (2009–2013). Ground data was collected during Spring and early Summer (October to December each year) as agricultural crops reach maturity during this period and are more easily identified in the field.

Example of field units used to collect ground data including a land parcel (red), a land parcel with a 150 m internal buffer applied (blue) and the 250 m MODIS pixels located within the buffered land parcel which could be used to record land cover information (green).

A common approach to ground data collection is to use a random stratified clustered sampling approach, to provide a balance between a statistically rigorous sampling design and the practicalities and costs of ground data collection 58–60 . Victoria was stratified on the basis of six Primary Production Landscape regions. Within these regions, samples were clustered based on 1:25,000 topographical maps. Map sheets were randomly selected. Areas within a 20 km radius of the map sheet boundary were also included in the sampling structure to increase the number of ground data points collected.

As a guiding principle, other studies have suggested a minimum of 50 samples per class is required for validation purposes 58,61,62 . The number of samples collected per class is dependent on the resources available (time, money and personnel) and is also affected by the availability of accessible and suitable ground data sites for each class. This study aimed to collect a minimum of 400 samples per class, although some classes were consistently over- or under-sampled, dependent on their occurrence in the landscape. Half of the ground data collected each year were randomly selected and used as training data to derive classification rule sets. The remaining data were used to validate the land cover maps, with 50% of the validation data used to validate interim maps and 50% used to provide a final accuracy assessment of the land cover maps 63 .

Producing an annual DLC product

The annual DLC product was produced using a three-tiered hierarchical classification scheme. The land cover classifications are undertaken using the software ENVI 4.8 TM and IDL 8.0 TM . Ground data and other ancillary data were compiled using ArcGIS TM . The PDLC and SDLC classifications were generated from decision trees with thresholds determined from ground data collected in 2012. The TDLC classification was generated from rule sets calculated using the See5 TM program, which uses the C5.0 algorithm 31,32 . The TDLC rule sets are specific for each year and are generated from the ground data and imagery collected during a single year. The broader classification layers (PDLC and SDLC) are also used when determining the final TDLC allocated to each pixel. Figure 3 provides a schematic diagram of the different processing steps used to generate the annual DLC product. The data used in each step are listed in Table 2 (available online only) which, together with Fig. 3 provides an overview of the dataset creation process.

Schematic diagram of the process used to create an annual state-wide land cover map.

Primary dominant land cover

A number of studies have utilized decision tree algorithms to generate land cover classifications from remotely sensed data 10,39,40 . Decision trees provide a robust, simple method of allocating data to classes based on value thresholds. They can incorporate categorical and non-parametric data, and thresholds can be defined without relying on calibration data 11 . A single decision tree was used to generate the PDLC classification for any given year to classify water, woody vegetation and non-woody vegetation. The decision tree was generated using the ENVI 4.8 TM and IDL 8.0 TM programs initially using thresholds based on observed values from ground data collected in 2012. This year was chosen as there were no major climatic events such as floods or widespread drought. Data from a single year was initially used to assess the performance of the decision tree when applied retrospectively. This was done to determine if the decision trees could be applied in years when ground data was not available (either historically or if ground data could not be collected in future years due to resourcing issues). PDLC and SDLC maps were calculated retrospectively from 2009–2011 as a result of this work and the 2013 maps were produced using the same decision tree. The accuracy of these maps is documented in the Technical Validation section and on the basis of these results no further calibration of the decision tree was undertaken.

Water was classified through an annual water mask generated using MODIS NDVI images for a calendar year and a map of known water bodies for the state of Victoria. The land cover map recorded the dominant, or majority, land cover over a given year. NDVI values were used to determine the presence and extent of water within known water bodies as water bodies do not always contain water, especially in drought years, and dry water bodies can sometimes be used for cropping or grazing. Water was considered present if a pixel was located within a mapped water body and had an NDVI value of <0.1 for more than 40% of the year (nine images in a year). This threshold was used to exclude intermittent surface water (such as flood waters) and non-permanent water bodies from the water class. The value was determined based on local knowledge and from testing a number of different thresholds to decide which best captured known water bodies that were covered by surface water for the majority of a given year.

This water mask was used for the primary, secondary and tertiary land cover classifications. The spatial data used in the decision tree to differentiate between non-woody and woody vegetation is listed in Table 2 (available online only). A error matrix was generated using the interim ground data validation set (Fig. 3). Inter-annual smoothing was used to create a final PDLC classification by restricting illogical land cover class transitions between years (for example, if a pixel was classified as woody vegetation in year one, non-woody vegetation in year two and woody vegetation in year three, then the pixel in year two was reclassified as non-woody vegetation). A error matrix was generated using the final validation data set. This, together with the smoothed classification layer, was used as the final PDLC classification product (Data Citation 1).

Secondary dominant land cover

The SDLC classification was generated by a second decision tree which separates woody vegetation cover into native woody cover and woody vegetation production (woody horticulture and plantation forestry), and separates non-woody vegetation cover into non-woody vegetation production (cropping or horticulture) and grasslands or pastures. The decision tree used the PDLC layer to determine the location of water and to restrict which SDLC classes could be attributed to a pixel. Spatial data used in the SDLC decision tree is listed in Table 2 (available online only). The process used to generate and validate the interim and final SDLC classification layers follows the method described for the PDLC classification layer. The final SDLC classification product and error matrix are available at Data Citation 1.

Tertiary dominant land cover

To produce the TDLC classification, the C5.0 algorithm in the See5 TM data mining program 31,32 was used to generate a series of rules from ground-based training data which were collected annually (Fig. 3). C5.0, and its predecessor C4.5 construct decision trees based on observed patterns in the input data. The algorithm also breaks down the decision tree classifier into a series of rule sets, presenting the decision tree in a format which is more readily understood and interpreted, and often more accurate than the original decision tree 32 . Pruning was used to reduce errors introduced by over-fitting the data and to simplify the decision tree 32 . Decision tree algorithms such as C5.0 make no assumptions about the statistical distribution of the data, so are able to utilize non-parametric input data 64,65 . Each rule has a series of statements based on training data and input spatial layers used, and also has a confidence value (0–1) which is an indication of the prediction confidence associated with a rule 31 . The input spatial data used were the TIMESAT seasonal parameters and annual standard deviation derived from NDVI, EVI, red and NIR reflectance (Fig. 3 and Table 2 (available online only)). The layers used for different classes are selected by the algorithm and vary between years. Not all input layers were used in the final rule sets for each year.

The TDLC classification was produced using rules generated by the C5.0 algorithm and additional logical rules (for example, cereal crops could not be located on public land). Ancillary data including the PDLC and SDLC classifications, and land tenure, were used in this process. The rule set generated by C5.0 is not mutually exclusive and therefore multiple rules can produce a valid classification result for a single pixel. To determine the final class allocation for a given pixel, a class weighting was calculated based on the cumulative confidence values of all valid rules for each pixel within a single class 31 . The most likely and second most likely class for each pixel was determined. The final class was allocated based on a series of logical statements that considered the primary and secondary classes, and the most likely and second most likely tertiary class for each pixel. A error matrix was generated using the interim ground data validation set.

Inter-annual smoothing of the TDLC classifications to restrict illogical class transitions between years was done to produce a final TDLC classification, using a similar process to that used for the PDLC and SDLC classifications. A error matrix was generated using the final validation data set. This, and the smoothed classification layer were used as the final TDLC classification product (Data Citation 1).


Land Cover Change Detection in Ulaanbaatar Using the Breaks for Additive Seasonal and Trend Method

where Yt is the observed data at time t , Tt is the trend component, St is the seasonal component, and et is the remainder component [23]. It is assumed that Tt is piecewise linear with segment-specific slopes and intercepts on the different segments of m + 1 ( m ≥ 0). Thus, there are m breakpoints , such that:

where i = 1, . . . , m and we define e represents the piecewise phenological cycle on different p + 1 ( p ≥ 0) segments divided by the seasonal breakpoints, e ), shown as:

Breakpoints in trend and seasonal components are detected iteratively [23,36,40] as follows: (1) breakpoints are estimated using the residuals-based moving sum (MOSUM) test, and are assessed by minimizing Bayesian information criterion (BIC) from the seasonally adjusted data , Onde is first found by the STL method [41] (2) e are estimated using robust regression based on M-estimations (3) breakpoints are similarly estimated by MOSUM and BIC from the de-trended data (4) revised is estimated based on the M-estimation (5) the estimation of parameters is iteratively performed until the number and position of breakpoints are unchanging.

Assista o vídeo: Superfície Específica e a Fertilidade do Solo