Satellite remote sensing provides a synoptic view of the land and a spatial context for measuring drought impacts, which have proved to be a valuable source of spatially continuous data with improved information for monitoring vegetation dynamics. Many studies have focused on detecting drought effects over large areas, given the wide availability of low-resolution images. In this study, however, the objective was to focus on a smaller area (1085 km2) using Landsat ETM+ images (multispectral resolution of 30 m and 15 m panchromatic), and to process very accurate Land Use Land Cover (LULC) classification to determine with great precision the effects of drought in specific classes. The study area was the Tortugas-Tepezata sub watershed (Moctezuma River), located in the state of Hidalgo in central Mexico. The LULC classification was processed using a new method based on available ancillary information plus analysis of three single date satellite images. The newly developed LULC methodology developed produced overall accuracies ranging from 87.88% to 92.42%. Spectral indices for vegetation and soil/vegetation moisture were used to detect anomalies in vegetation development caused by drought; furthermore, the area of water bodies was measured and compared to detect changes in water availability for irrigated crops. The proposed methodology has the potential to be used as a tool to identify, in detail, the effects of drought in rainfed agricultural lands in developing regions, and it can also be used as a mechanism to prevent and provide relief in the event of droughts.
PL
Teledetekcja zapewnia synoptyczny ogląd Ziemi i kontekst przestrzenny do pomiarów efektów susz, co okazało się cennym źródłem ciągłych danych dla monitorowania dynamiki roślinności. Wiele badań koncentrowało się na śledzeniu skutków suszy na rozległych obszarach ze względu na łatwą dostępność obrazów o małej rozdzielczości. Celem przedstawionej pracy była jednak analiza mniejszego obszaru (1085 km2) z użyciem zdjęć Landsat ETM+ (wielospektralna rozdzielczość 30 m, panchromatyczna – 15 m) oraz przeprowadzenie dokładnej klasyfikacji użytkowania i pokrycia powierzchni terenu (ang. Land Use Land Cover – LULC) z zamiarem określenia z dużą dokładnością skutków suszy w poszczególnych klasach. Terenem badań była Tortugas-Tepezata zlewnia II rzędu rzeki Moctezuma, zlokalizowana w stanie Hidalgo w środkowym Meksyku. Klasyfikację LULC przeprowadzono z użyciem nowej metody bazującej na dostępnych dodatkowych informacjach i analizie trzech zdjęć satelitarnych wykonanych w różnym czasie. Opracowana na nowo metodyka LULC zapewniła dokładność w granicach od 87,88 do 92,42%. Spektralne wskaźniki dla roślinności i wilgotności gleby oraz roślin wykorzystano do wykrycia anomalii w rozwoju roślinności spowodowanych suszą. Ponadto zmierzono i porównano powierzchnię zbiorników wodnych w celu sprawdzenia zmian w dostępności wody do nawadniania upraw. Proponowana metodyka może służyć jako narzędzie szczegółowej identyfikacji skutków suszy w zasilanych opadowo obszarach rolniczych oraz jako mechanizm zapobiegania i łagodzenia skutków suszy.
2
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
The natural land cover class of Poland is almost entirely forest, but nowadays it is replaced by man-made ecosystems like arable, meadows, pastures and urban areas. The remaining forest forms islands, which are connected each other by corridors located mainly along rivers. Satellite images are an effective tool for the recognition of land cover structures which forms the first step for attaining a good understanding of landscape function. One of the commonly used remote sensing methods is unsupervised land use classification derived from the ISODATA (Iterative Self-Organizing Data Analysis Technique) algorithm. The logic of this routine was described by (Ball, Hall, 1965). Although the ISODATA routine applied to spectral bands acquired from multispectral scanners usually leads to good classification results, new approaches continue to be developed. In this paper we describe how classification results can be improved through the use of spectral indices instead of the original spectral bands. This will be explained using an example of analysing the structure of a forested area. The main objective of this research is to analyse how the vertical and horizontal structure of mixed forests can be assessed from satellite images. In our study we've used the IDRISI32 ISOCLUST routine, which is a specific implementation of the ISODATA approach (Eastman, 1999). The study was carried out on a 100 km2 subset of the Landsat scene p188r24 acquired on 7th May 2000 (http://www.landsat.org). This 7-band multispectral image with panchromatic band covers a region located in central Poland. The main land cover classes here are agricultural areas (arable fields, meadows, pastures) and forests. This landscape can be considered as representative of this part of Poland. The entire study area was also recorded using aerial photographs taken with a DMC 2000 digital camera. The resolution (ground sample distance) of these images was about 0.15 m. For our study NC- (natural color) and CIR-composites were produced.
PL
Naturalną formą pokrycia terenu w Polsce są lasy, które zostały jednakże zastąpione w znacznym stopniu przez obszary użytkowane rolniczo - pola uprawne, łąki i pastwiska. Pozostałości lasów tworzą w krajobrazie wyspy, które są połączone siecią korytarzy. Rolę korytarzy pełnią najczęściej lasy i zarośla położone wzdłuż cieków wodnych. Obrazy satelitarne są uważane za efektywne narzę dzie służące do rozpoznawania struktury i funkcjonowania krajobrazu na dużych obszarach. Jedną z popularnych metod analizy jest procedura klasyfikacji nienadzorowanej ISODATA. W niniejszej pra cy przedstawiono wyniki klasyfikacji sceny Landsat p188r24 za pomocą algorytmu ISOCLUST, który jest implementacją procedury ISODATA w programie IDRISI32. Głównym celem badań było spraw dzenie, czy można poprawić wyniki klasyfikacji nienadzorowanej przez zastosowanie indeksów spek tralnych, zamiast oryginalnych kanałów obrazu satelitarnego. Specjalną uwagę zwrócono na odróżnianie drzewostanów mieszanych o złożonej strukturze poziomej i pionowej w sytuacji, gdy scena jest klasyfikowana do niedużej liczby klas. Wykazano, że zastosowanie wskaźników spektralnych popra wia wynik klasyfikacji. Rozpoznano drzewostany jednogatunkowe, jednak nie udało się utworzyć oddzielnej klasy drzewostanów mieszanych - piksele reprezentujące te obiekty były klasyfikowane do klasy drzewostanów iglastych bądź liściastych. Wynik taki otrzymano zarówno w przypadku drzewo stanów mieszanych jednopiętrowych, jak i dwupiętrowych - z sosną w piętrze górnym i dębem lub innymi gatunkami liściastymi w piętrze dolnym. Autorzy sugerują, że wynik klasyfikacji można popra wić przez zwiększenie liczby tworzonych klastrów-skupień (parametr procedury ISOCLUST), a także przez uwzględnienie sezonowej zmienności lasów, czyli prowadzenie analizy na obrazach wieloczasowych.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.