Sub-pixel classification of middle-resolution satellite images – evaluation of regression trees applicability to monitor impervious surfaces coverage

• Autorzy: Drzewiecki W.

Warianty tytułu

PL

Podpikselowa klasyfikacja średniorozdzielczych obrazów satelitarnych – ocena możliwości zastosowania drzew regresji w monitoringu pokrycia terenu powierzchniami nieprzepuszczalnymi

• Języki publikacji: EN

Abstrakty

EN

The aim of the presented research was to test the method of assessing the imperviousness index on the basis of middle-resolution satellite images with the use of regression trees. The task also included evaluation of the applicability of the method to monitor the changes of impervious surfaces coverage. The research has been done in the catchments of Prądnik and Dłubnia rivers (Malopolska region, Poland). The imperviousness index has been assessed for two time periods – current state (2007) and the mid-1990s. The training and verification data for both time periods have been obtained from aerial orthophotomaps for urban, suburban, rural, industrial and commercial areas. In both time states the best assessment of imperviousness index have been achieved for the variants where the regression trees were built on the basis of all satellite data accessible for the time period. However, it is worth notifying that the variant with the input data limited to three images from spring, summer and autumn provided comparable accuracy of the results. These models have the systematic error between 1.3–2.2%, the mean error between 15.8–16.4% and correlation coefficient between 0.85-0.86 for the mid-1990s. For the year 2009 these values are respectively: 1.4–1.7%, 15.7–16.0% and 0.86. The accuracy of the imperviousness index obtained in the present research is comparable with the accuracy obtained with the use of regression trees in research reported in the literature. The comparison has shown high accuracy of imperviousness index change assessment for the whole population of pixels in verification dataset. The systematic error is 0.1%. However, the obtained assessment accuracy for a single pixel (š14.5%) can be too low for some applications.

PL

Celem prezentowanych badań było sprawdzenie możliwości zastosowania drzew regresji do szacowania wskaźnika nieprzepuszczalności powierzchni terenu na podstawie średniorozdzielczych obrazów satelitarnych. W ramach badań przeprowadzona została również ocena stosowalności tej metody jako narzędzia monitoringu pokrycia terenu powierzchniami nieprzepuszczalnymi. Badania przeprowadzono na obszarze obejmującym zlewnie rzek Prądnik i Dłubnia. Wskaźnik nieprzepuszczalności oszacowano dla dwóch stanów czasowych – roku 2007 i połowy lat 90. XX wieku. W obu przypadkach dane treningowe i weryfikacyjne pozyskano z ortofotomap lotniczych dla obszarów o zróżnicowanym użytkowaniu (terenów zabudowy miejskiej, podmiejskiej, wiejskiej, przemysłowej oraz handlowej). W przypadku obu stanów czasowych najlepsze oszacowanie wskaźnika nieprzepuszczalności uzyskano w wariantach, w których do budowy drzew regresji użyto wszystkich dostępnych obrazów satelitarnych z poszczególnych okresów. Na uwagę zasługuje jednak fakt, iż porównywalną dokładność oszacowania uzyskano także w wariantach, w których dane wejściowe ograniczone były jedynie do trzech obrazów pozyskanych w okresie wiosennym, letnim i jesiennym. Zbudowane modele pozwalały na oszacowanie wskaźnika nieprzepuszczalności dla stanu z połowy lat 90. z błędem przeciętnym wynoszącym 1.3–2.2%, błędem średnim pomiędzy 15.8% a 16.4% oraz współczynnikiem korelacji w granicach 0.85–0.86. Dla roku 2007 wartości te wyniosły odpowiednio: 1.4–1.7%, 15.7–16.0% i 0.86. Uzyskany w prezentowanych badaniach poziom dokładności oszacowania wartości wskaźnika nieprzepuszczalności jest porównywalny z wynikami uzyskiwanymi z zastosowaniem drzew regresji przez innych autorów. Ocena dokładności oszacowania zmian wskaźnika nieprzepuszczalności wykazała bardzo wysoką dokładność ich określenia w odniesieniu do całości populacji pikseli w próbce weryfikacyjnej. Błąd systematyczny wyniósł w tym przypadku 0.1%. Należy jednak zauważyć, iż uzyskany dla pojedynczego piksela błąd średni na poziomie š14.5% może być zbyt duży dla niektórych zastosowań takiego podejścia jako narzędzia monitoringu zmian pokrycia powierzchni terenu.

Słowa kluczowe

EN

imperviousness index; land cover mapping; regression trees; satellite remote sensing; Landsat TM

PL

wskaźnik nieprzepuszczalności; mapy pokrycia terenu; drzewo regresji; teledetekcja satelitarna; Landsat TM

• Wydawca: AGH University of Science and Technology Press
• Czasopismo: Geomatics and Environmental Engineering
• Rocznik: 2010
• Tom: Vol. 4, no. 4
• Strony: 61--75
• Opis fizyczny: Bibliogr. 31 poz., rys., tab.

Twórcy

autor

Drzewiecki W.

• AGH University of Science and Technology, Faculty of Mining Surveying and Environmental Engineering, Krakow

Bibliografia

• [1] Arnold C.L.Jr., Gibbons C.J.: Impervious surface coverage: the emergence of a key environmental indicator. Journal of the American Planning Association, 62, 1996, pp. 243–258.
• [2] Bastian O., Krönert R., Lipský Z.: Landscape diagnosis on different space and time scales – a challenge for landscape planning. Landscape Ecology, 21, 2006, pp. 359–374.
• [3] Bauer M.E., Heiner N. J., Doyle J.K., Yuan F.: Impervious surface mapping and change monitoring using landsat remote sensing. ASPRS Annual Conference Proceedings, Denver, Colorado, May 2004 (unpaginated, CD-ROM).
• [4] Bauer M.E., Loffelholz B.C., Wilson B.: Estimating and Mapping Impervious Surface Area by Regression Analysis of Landsat Imagery. [in:] Weng Q. (Ed.), Remote Sensing of Impervious Surfaces, CRC Press, Taylor & Francis Group, Boca Raton – London – New York 2008, pp. 3–19.
• [5] Brabec E., Schulte S., Richards P. L.: Impervious surface and water quality: a review of current literature and its implications for watershed planning. Journal of Planning Literature, 16, 2002, pp. 499–514.
• [6] Brun S.E., Band L.E.: Simulating runoff behavior in an urbanizing watershed. Computers, Environment and Urban Systems, 24, 2000, pp. 5–22.
• [7] Caetano M.: Image classification. ESA Advanced Training Course on Land Remote Sensing, Prague (Czech Republic), 28 June – 3 July 2009, [on-line:] http://earth.eo.esa.int/landtraining09/D2L2_Caetano_Classification_Techniques. pdf (access: 26.01.2010).
• [8] Chormański J., Van de Voorde T., De Roeck T., Batelaan O., Canters F.: Improving Distributed Runoff Prediction in Urbanized Catchments with Remote Sensing based Estimates of Impervious Surface Cover. Sensors, 8, 2008, pp. 910–932.
• [9] Ciołkosz A., Bielecka E.: Pokrycie terenu w Polsce. Bazy danych CORINE Land Cover. Biblioteka Monitoringu Środowiska, Warszawa 2005.
• [10] Dramstad W.E, Fjellstad W.J., Strand G.-H., Mathiesen H.F., Engan G., Stokland J.N.: Development and implementation of the Norwegian monitoring programme for agricultural landscapes. Journal of Environmental Management, Vol. 64, 1, 2002, pp. 49–63.
• [11] Drzewiecki W., Osak A.: Application of Landsat Imagery Based Vegetation Indices to Imperviousness Index Mapping. Geomatics and Environmental Engineering, Vol. 3, No. 4, 2009, pp. 43–52.
• [12] Esch T., Conrad C., Schorcht G., Thiel M., Wehrmann T., Dech S.: Model-Based Estimation of Impervious Surface by Application of Support Vector Machines. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XXXVII, part B8, 2008, pp. 41–44.
• [13] Foody G.M.: Sub-pixel Methods in Remote Sensing. [in:] de Jong S.M., van der Meer F.D. (Eds), Remote Sensing Image Analysis – Including the Spatial Domain, Springer, Dordrecht 2006, pp. 37–50.
• [14] Hejmanowska B., Drzewiecki W., Wróbel A.: ISO5725-2 standard application to verification of orthophoto-based impervious surface area and imperviousness factor determination. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XXXVII, part B4, 2008, pp. 1329–1334.
• [15] Hietel E., Waldhardt R., Otte A.: Analysing land-cover changes in relation to environmental variables in Hesse, Germany. Landscape Ecology, 19, 2004, pp. 473–489.
• [16] Homer C., Huang C., Yang L., Wylie B.: Development of a Circa 2000 Landcover Database for the United States. ASPRS Proceedings, Washington, April 2002, [on-line:] http://landcover.usgs.gov/pdf/asprs_final.pdf (access: 26.01.2010).
• [17] Homer C., Dewitz J., Fry J., Coan M., Hossain N., Larson C., Herold N., McKerrow A., Van Driel J.N., Wickham J.: Completion of the 2001 National Land Cover Database for the Conterminous United States. Photogrammetric Engineering and Remote Sensing, 73, 2007, pp. 337–341.
• [18] Jat M.K., Garg P.K., Khare D.: Monitoring and modelling of urban sprawl using remote sensing and GIS techniques. International Journal of Applied Earth Observation and Geoinformation, 10, 2008, pp. 26–43.
• [19] Krawiec K., Stefanowski J.: Uczenie maszynowe i sieci neuronowe. Wydawnictwo Politechniki Poznańskiej, Poznań 2004.
• [20] Phinn S., Stanford M., Scarth P., Murry A.T., Shyy P.T.: Monitoring the composition of urban environments based on the vegetation – impervious surface – soil (VIS) model by subpixel analysis techniques. International Journal of Remote Sensing, 23, 2002, pp. 4131–4153.
• [21] Powell S.L., CohenW.B., Yang Y., Pierce J.D., Alberti M.: Quantification of impervious surface in the Snohomish Water Resources Inventory Area of WesternWashington from 1972–2006. Remote Sensing of Environment, 112, 2008, pp. 1895–1908.
• [22] Turner II B.L., Meyer W.B.: Global Land Use and Land Cover Change: An Overview. [in:] Meyer W.B., Turner II B.L. (Eds), Changes in Land Use and Land Cover: A Global Perspective, Cambridge University Press, 1994, pp. 3–10.
• [23] Villa G., Valcarcel N., Arozarena A., Garcia-Asensio L., Caballero M.E., Porcuna A., Domenech E., Peces J. J.: Land cover classifications: an obsolete paradigm. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XXXVII, part B4, 2008, pp. 609–614.
• [24] Weng Q., Lu D.: Subpixel Analysis of Urban Landscapes. [in:] Weng Q., Quattrochi D.A. (Eds), Urban Remote Sensing, CRC Press, Taylor & Francis Group, Boca Raton – London – New York 2006, pp. 71–90.
• [25] Wu C., Murray A.T.: Estimating impervious surface distribution by spectral mixture analysis. Remote Sensing of Environment, 84, 2003, pp. 493–505.
• [26] Xian G.: Assessing Urban Growth with Subpixel Impervious Surface Coverage. [in:] Weng Q., Quattrochi D.A. (Eds), Urban Remote Sensing, CRC Press, Taylor & Francis Group, Boca Raton – London – New York, 2006, pp. 179–199.
• [27] Xian G.: Mapping Impervious Surfaces Using Classification and Regression Tree Algorithm. [in:] Weng Q. (Ed.), Remote Sensing of Impervious Surfaces, CRC Press, Taylor & Francis Group, Boca Raton – London – New York 2008, pp. 39–58.
• [28] Xian G., Crane M.: Assessments of urban growth in the Tampa Bay watershed using remote sensing data. Remote Sensing of Environment, 97, 2005, pp. 203–215.
• [29] Xu M., Watanachaturaporn P., Varshney P.K., Arora M.K.: Decision tree regression for soft classification of remote sensing data. Remote Sensing of Environment, 97, 2005, pp. 322–336.
• [30] Yang L., Huang C., Homer C., Wylie B., Coan M.: An approach for mapping large-area impervious surfaces: Synergistic use of Landsat 7 ETM+ and high spatial resolution imagery. Canadian Journal of Remote Sensing, 29(2), 2002, pp. 230–240.
• [31] Yang X., Liu Z.: Use of satellite-derived landscape imperviousness index to characterize urban spatial growth. Computers, Environment and Urban Systems, 29, 2005, pp. 524–540.