Models for monitoring the detection of land use change through the classification of urban areas

• Autorzy: AlHaddad B. , Burns M. C. , Cladera J. R.

Warianty tytułu

PL

Modele dla monitorowania wykrywania zmian użytkownia terenu przez klasyfikację obszarów zabudowanych

• Języki publikacji: EN

Abstrakty

EN

Remote sensing in urban areas has been a challenge for quite some time, due to theircomplexity and fragmentation with the combination of man-made and natural features. High-resolution satellite images offer potential for feature extraction and spatial modelling of urbanareas. Land use classification of urban areas may become possible by exploiting currenthigh-resolution sensor data. This proposed approach incorporates spectral information frommulti-spectral Spot images in an hierarchical image segmentation based on semanticallymeaningful thresholds. Urban areas are divided into various structure densities dependingupon land occupation and pixel neighbours, each region relating an administrative area, alreadyconverted (each pixel), to Points Of Interest (POIs) to form a geographic database for ourstudy in the income sections. The first stage, based on the identification of groups of points,exploits the fact that POIs are geographically distributed in clusters. In highly urban regions,the spatial density of the POIs is high, while in sparsely populated areas the density of pointsis much lower. To identify these different regions, a spatial density-based clustering techniquewas adopted. Once the groups of points are identified, the calculation of the boundaries ofthe areas containing each group of points defines the new regions. The third stage is wherethe regions are classified. This research is intended to find a way to delineate areas of differentland use and identify the land use type in every delineated area. Delaunay triangulation isdeployed to create spatial associations and structural analysis toward the spatial clustering ofphysical features in image space, with the aim of identifying land use. Delaunay triangulationhas been widely used in spatial analysis and spatial modelling (Bundy, Furse, 1995). We useDelaunay triangulation for deriving spatial relations between image objects and for structuralanalysis; mathematical morphology is applied to find the solid core of a spatial unit in 2Dspace; a Kernel Density function used to calculate a magnitude per cluster area from thecentroid point features using a kernel function to fit a smoothly tapered surface to each point.The Voronoi algorithm is proposed for deriving explicit boundaries between spatially adjacentland-use units. To test the approach, we selected a site in a suburban area within Barcelona Municipality, Spain.

PL

Na przestrzeni ostatnich kilku dekad zaobserwować można występowanie niekontrolowanego, nieskoordynowanego i nieplanowanego rozwoju urbanizacyjnego, powodującego rozprzestrzenianie sięmiast w wielu częściach globu. Gwałtowność dynamiki urbanizacyjnej ma znaczący wpływ na układyprzestrzenne związane z rozwojem i ekspansją wielkomiejskich obszarów. Hiszpania, w której terenpodlega urbanizacji w o wiele wyższym stopniu, niż wynikałoby to ze wzrostu populacji, nie stanowiwyjątku. Znaczna część ekspansji obszarów (pod)miejskich odbywa się kosztem gospodarstw rolnych, lasów oraz innych obszarów otwartych i zazwyczaj jest wynikiem niskiego zaludnienia tychobszarów. Rozsądne planowanie użytkowania terenu oraz zachowanie otwartej przestrzeni są wHiszpanii ważnymi problemami, jednakże obecnie dostępne informacje na temat rozprzestrzenianiasię miast i zmian użytkowania ziemi są bardzo niewielkie. Niniejszy artykuł przybliża kwestie pomiaruzmian miejskich obszarów zabudowanych z perspektywy czysto morfologicznej, oparte na poprzednich eksperymentalnych analizach obrazów satelitarnych datowanych na lata 1986-2004, pokazujących, że podejście pikselowe jest skuteczne dla grupowania przestrzennego, celem kwantyfikacji ianalizy procesu "peri-urbanizacji", co było celem doświadczenia w Barcelonie na przestrzeni tegookresu. Równolegle sprawdzana jest przydatność podejścia estymacji gęstości jądra (KDE) celemokreślenia najwyższej gęstości na podstawie "obszarów hot spot" centroidów klastrów, by zilustrować wykrywanie zmian obszarów zabudowanych. Poprzez diagram Voronoi'a sprawdzono równieżukłady centroidów w celu zrozumienia zachowania układu obszarów zabudowanych, które zwyklejest szeroko klasyfikowane jako losowe, jednorodne lub zgrupowane, zarówno w ramach oficjalnychgranic miejskich Barcelony, jak i poza nimi. Niniejsze badanie podzielić można na podstawowe etapy:1. wyodrębnienie rozłącznych obiektów z klasyfikacji użytkowania terenu na podstawie triangulacji Delone'a,2. monitorowanie nielicznych zmian obszarów zabudowanych przy użyciu parametru wygładzającego oraz gęstości jądra, 3. wykrywanie zmian obszarów zabudowanych przy użyciu dynamicznej struktury danych Voronoi'a, ,4. obliczenie statystyki odległości najbliższego sąsiada oraz dokładności. Na koniec warto nadmienić, iż zaprezentowane podejście można wykorzystać do monitorowaniazmian różnego rodzaju klas użytkowania ziemi na podstawie klasyfikacyjnych zbiorów danych.

Słowa kluczowe

EN

change detection; cluster; kernel; Voronoi

PL

wykrywanie zmian; klaster; jądro; Voronoi

• Wydawca: Polskie Towarzystwo Informacji Przestrzennej
• Czasopismo: Roczniki Geomatyki
• Rocznik: 2009
• Tom: T. 7, z. 2
• Strony: 7--12
• Opis fizyczny: Bibliogr. 11 poz.

Twórcy

autor

AlHaddad B.

autor

Burns M. C.

autor

Cladera J. R.

• Centre de Política de Sol i Valoracions, Universitat Politécnica de Cataluna, Barcelona, Spain,

Bibliografia

• Aurenhammer F., 1991: Voronoi diagrams – a survey of a fundamental geometric data structure. ACMComputing Surveys, 23: 345-405.
• Bundy G.L., Jones C.B., Furse E., 1995 [In:] J.C. Muller, J.P. Lagrange, Weibel R. (eds.). Holistic generalizationof large-scale cartographic data. GIS and Generalization. London etc., Taylor & Francis, pp. 106-119.
• Diggle P.J., Chetwynd A.G., 1991: Biometrics, Second-Order Analysis of Spatial Clustering for Inhomogeneous Populations. Vol. 47, No. 3: 1155-1163.
• Gong P., Marceau D.J., Howarth P.J., 1992: A comparison of spatial feature extraction algorithms for land-use classification with SPOT HRV data. Remote Sensing of Environment, 40: 137–151.
• Haralick R.M., Shanmugam K., Distein I., 1973: Textural features for image classification. IEEE Transactionson System, Man, and Cybernetics, SMC 3: 610–621.
• Marceau D.J., Howarth P.J., Dubois J.M., Gratton D.J., 1990: Evaluation of the grey-level co-occurrencematrix method for land-cover classification using SPOT imagery. IEEE Transactions on Geoscience andRemote Sensing, 28: 513–519.
• Ma J., Zeng D., Chen H., 2006: Spatial-Temporal Cross-Correlation Analysis: A New Measure and a CaseStudy in Infectious Disease Informatics. [In:] Proceedings of the Intelligence and Security Informatics:IEEE International Conference on Intelligence and Security Informatics (ISI 2006), San Diego, CA, USA,May 23-24.
• Mitchell A., 1999: Geographic Patterns & Relationships. The ESRI Guide to GIS Analysis, Vol. 1, ESRIPress, Redlands, CA.
• Sibson R., 1981: [In:] V. Bamett (ed.), A brief description of natural neighbour interpolation. InterpretingMultivariate Data, New York, John Wiley, pp. 2l-36.
• Silverman B.W., 1986: Density Estimation for Statistics and Data Analysis. New York, Chapman and Hall.
• Watson D.F., Philip G.M., 1987: Geobyte, Neighbourhood-based interpolation. Vol. 2, pp. 12-16.