Український журнал лісівництва та деревинознавства

КЛАСИФІКАЦІЯ ЗЕМНОГО ПОКРИВУ ТА МОНІТОРИНГ ПРОЦЕСУ УРБАНІЗАЦІЇ З ВИКОРИСТАННЯМ ЗНІМКІВ LANDSAT НА ПРИКЛАД МІСТА ЧАНША, ПРОВІНЦІЯ ХУНАНЬ, КИТАЙ

Микола Миколайович Кутя, Дзіавей Лі, Арбі Саркісян, Тім Паджелла
Завантажити статтю
Анотація

За прогнозами Організації Об’єднаних Націй, до 2050 року 64,1 % країн, що розвиваються, і 85,9 % розвинених країн будуть урбанізованими. Це призвело до швидких змін у землекористуванні та типах земного покриву на територіях навколо міст у всіх країнах, особливо в Китаї, що зумовлює актуальність цієї статті. Метою дослідження було оцінити динаміку змін рослинного покриву в місті Чанша, провінція Хунань, Китай, між 2005 і 2020 роками з використанням часових серій супутникових знімків Landsat і алгоритму класифікації Random Forest. Збір, попередня обробка та аналіз даних проводилися на загальнодоступній онлайн-платформі Google Earth Engine (GEE). Тематичні безперервні растрові карти рослинного покриву були створені за допомогою програмного забезпечення ESRI ArcGIS 10.5.1. Загальна точність класифікації склала понад 83 % для кожної створеної карти, а коефіцієнт Каппа – 0,84 і вище, що підтверджує достовірність результатів класифікації, які за отриманою точністю близькі до аналогічних нещодавніх досліджень. Дослідження показує, що з 2005 по 2020 рік площа густих поселень у місті Чанша, Китай, значно збільшилася, причому експоненціальне зростання міської території склало від 3,23 % до 15,95 %. Частка лісового покриву поступово зменшувалася з 2005 по 2015 рік, але збільшилася з 2015 по 2020 рік. Орні землі були другим найбільш домінуючим типом земельного покриву, з піком майже 50 % у 2010 році. Водні об’єкти залишалися стабільними на рівні близько 3 %. Частка відкритого ґрунту  коливалася між 180 і 400 км2 (1,5-3 % від усієї площі). Дослідження показує, що запропонований підхід до моніторингу забезпечує надійні результати, а результати дослідження можуть бути використані для сталого міського планування та управління, а також для ініціатив зі збереження та розвитку. Дані дистанційного зондування та передові ГІС-технології можуть надати особам, які приймають рішення, точні дані для забезпечення сталого розвитку цієї території

Ключові слова

оцінка точності, алгоритм Random Forest, супутникові знімки, загальна точність, урбанізація

ЦИТУВАТИ
Kutia, M., Li, L., Sarkissian, A., & Pagella, T. (2023). Land cover classification and urbanization monitoring using Landsat data: A case study in Changsha city, Hunan province, China. Ukrainian Journal of Forest and Wood Science, 14(1), 72-91. https://doi.org/10.31548/forest/1.2023.72
Використані джерела

[1] Amini, S., Saber, M., Rabiei-Dastjerdi, H., & Homayouni, S. (2022). Urban land use and land cover change analysis using random forest classification of Landsat time series. Remote Sensing, 14(11), 2654. doi:10.3390/rs14112654.

[2] Ayanu, Y., Conrad, C., Jentsch, A., Koellner, T. (2015). Correction: Unveiling undercover cropland inside forests using landscape variables: A supplement to remote sensing image classification. PLoS ONE, 10(8), article number e0137150. doi: 10.1371/journal.pone.0137150.

[3] Banerjee, B., & Buddhiraju, K. (2015). A novel semi-supervised land cover classification technique of remotely sensed images. Journal of the Indian Society of Remote Sensing. New Delhi: Springer India, 43(4), 719-728. doi: 10.1007/s12524-014-0370-z.

[4] Batty, M. (2008). The size, scale, and shape of cities. Science. American Association for the Advancement of Science, 319(5864), 769-771. doi: 10.1126/science.1151419.

[5] Breiman, L. (2001). Random forests. Machine Learning, 45, 5-32. doi: 10.1023/A:1010933404324.

[6] Chaolin, G., Liya, W., & Cook, I. (2012). Progress in research on Chinese urbanization, Frontiers of Architectural Research, 1(2), 101-149. doi: 10.1016/j.foar.2012.02.013.

[7] Chen X, Yu B, Zhou D, Zhou W, Gong J, Li S, & Stanton, B. (2015) A comparison of the number of men who have sex with men among rural-to-urban migrants with non-migrant rural and urban residents in Wuhan, China: A GIS/GPS-assisted random sample survey study. PLoS ONE, 10(8), article number e0134712. doi: 10.1371/journal.pone.0134712.

[8] Corona, P. (2010). Integration of forest mapping and inventory to support forest management. IForest – Biogeosciences and Forestry, 3(3), 59-64. doi: 10.3832/IFOR0531-003.

[9] Cui, J., Zhu, M., Liang, Y., Qin, G., Li, J., & Liu, Y. (2022). Land use/land cover change and their driving factors in the Yellow River Basin of Shandong Province based on Google Earth Engine from 2000 to 2020. ISPRS International Journal of Geo-Information, 11(3), article number 163. doi: 10.3390/ijgi11030163.

[10] Deng, Z., Zhu, X., He, Q., & Tang, L. (2019). Land use/land cover classification using time series Landsat 8 images in a heavily urbanized area, Advances in Space Research, 63(7), 2144-2154. doi: 10.1016/j.asr.2018.12.005.

[11] Eisavi, V., Homayouni, S., Yazdi, A. M., & Alimohammadi, A. (2015). Land cover mapping based on random forest classification of multitemporal spectral and thermal images. Environmental monitoring and assessment, 187, 1-14. doi: 10.1007/s10661-015-4489-3.

[12] Esetlili, M., & Sunar, F. (2017). Evaluation of image fusion methods using PALSAR, RADARSAT-1 and SPOT images for land use/ land cover classification. Journal of the Indian Society of Remote Sensing. Dordrecht: Springer Science & Business Media, 45(4), 591-601. doi: 10.1007/s12524-016-0625-y.

[13] Feizizadeh, B., Omarzadeh, D., Garajeh, M. K., Lakes, T., & Blaschke, T. (2023). Machine learning data-driven approaches for land use/cover mapping and trend analysis using Google Earth Engine. Journal of Environmental Planning and Management, 66(3), 665-697. doi: 10.1080/09640568.2021.2001317.

[14] Feng, L., Chen, B., Hayat, T., Alsaedi, A., & Ahmad, B. (2017). The driving force of water footprint under the rapid urbanization process: a structural decomposition analysis for Zhangye city in China, Journal of Cleaner Production, 163(S), S322-S328. doi: 10.1016/j.jclepro.2015.09.047.

[15] Feng, S., Li, W., Xu, J., Liang, T., Ma, X., Wang, W., & Yu, H. (2022). Land use/land cover mapping based on GEE for the monitoring of changes in ecosystem types in the upper Yellow River Basin over the Tibetan Plateau. Remote Sensing, 14(21), article number 5361. doi: 10.3390/rs14215361.

[16] Firpi, O.A.A. (2016). Satellite data for all? Review of Google Earth Engine for archaeological remote sensing. Internet Archaeology. University of York, 42. doi: 10.11141/ia.42.10.

[17] Friedmann, J. (2003). China’s Urbanization. International Journal of Urban and Regional Research, 27(3), 745-758. doi: 10.1111/1468-2427.00480.

[18] Friedmann, J. (2011). Becoming urban: Periurban dynamics in Vietnam and China – introduction. Pacific Affairs, 84(3), 425-434. doi: 10.5509/2011843425.

[19] GADM data. (n.d.). Retrieved from https://gadm.org/data.html.

[20] Ge, G., Shi, Z., Zhu, Y., Yang, X., & Hao, Y. (2020). Land use/cover classification in an arid desert-oasis mosaic landscape of China using remote sensed imagery: Performance assessment of four machine learning algorithms. Global Ecology and Conservation, 22, article number e00971. doi: 10.1016/j.gecco.2020.e00971.

[21] He, C., Zhanga, D., Huanga, Q., & Zhao, Y. (2016). Assessing the potential impacts of urban expansion on regional carbon storage by linking the LUSD-urban and InVEST models. Environmental Modelling and Software, 75, 44-58. doi: 10.1016/j.envsoft.2015.09.015.

[22] Martinez, H.M., & Cartier, C. (2017). City as province in China: The territorial urbanization of Chongqing, Eurasian Geography and Economics. Routledge, 58(2), 201-230. doi: 10.1080/15387216.2017.1312474.

[23] Jin, M., Dickinson, R., & Zhang, D. (2005). The footprint of urban areas on global climate as characterized by MODIS. Journal of Climate, 18(10), 1551-1565. doi: 10.1175/JCLI3334.1.

[24] Kolotii, A., Kussul, N., Shelestov, A., Skakun, S., Yailymov, B., Basarab, R., Lavreniuk, M., Oliinyk, T., & Ostapenko, V. (2015). Comparison of biophysical and satellite predictors for wheat yield forecasting in Ukraine. ISPRS, XL-7/W3, 39-44. doi: 10.5194/isprsarchives-XL-7-W3-39-2015.

[25] Kutia, M., Myroniuk, V., & Sarkissian, A. (2018). Evaluation of Sentinel-2 composited mosaics and random forest method for tree species distribution mapping in suburban areas of Kyiv City, Ukraine. In Proceedings of the International Workshop on Environmental Management, Science and Engineering – IWEMSE (pp. 597-604). Xiamen, China. doi: 10.5220/0007563505970604.

[26] Lambin, E.F., Turner, B.L., Geist, H.J., Agbola, S.B., Angelsen, A., Bruce, J.W., Coomes, O.T., Dirzo, R., Fischer, G., Folke, C., George, P.S., Homewood, K., Imbernon, J., Leemans, R., Li, X., Moran, E.F., Mortimore, M., Ramakrishnan, P.S., Richards, J.F., Skånes, H., Steffen, W., Stone, G.D., Svedin, U., Veldkamp, T.A., Vogel, C., & Xu, J. (2001). The causes of land-use and land-cover change: moving beyond the myths. Global Environmental Change, 11(4), 261-269. doi: 10.1016/S0959-3780(01)00007-3.

[27] Li, H., Huang, X., Kwan, M.-P., Bao, H. X. H., & Jefferson, S. (2015). Changes in farmers’ welfare from land requisition in the process of rapid urbanization. Land Use Policy, 42, 635-641. doi: 10.1016/J.LANDUSEPOL.2014.09.014.

[28] Lin, B.B., Egerer, M.H., Liere, H., Jha, Sh., Bichier, P., Philpott, S.M. (2018). Local- and landscape-scale land cover affects microclimate and water use in urban gardens. Science of the Total Environment, 610-611, 570-575. doi: 10.1016/j.scitotenv.2017.08.091.

[29] Liu, Y., Zuo, R., & Dong, Y. (2021). Analysis of temporal and spatial characteristics of urban expansion in Xiaonan district from 1990 to 2020 using time series Landsat imagery. Remote Sensing, 13(21), article number 4299. doi: 10.3390/rs13214299.

[30] Luo, S., & Yan, W. (2018). Evolution and driving force analysis of ecosystem service values in Guangxi Beibu gulf coastal areas, China. Acta Ecologica Sinica, 9, article number 3248. doi: 10.5846/stxb201704050578.

[31] Ma, Y., Wu, H., Wang, L., Huang, B., Ranjan, R., Zomaya, A.Y., & Jie, W. (2015). Remote sensing big data computing: Challenges and opportunities. Future Generation Computer Systems, 51, 47-60. doi: 10.1016/j.future.2014.10.029.

[32] Mateo-García, G., Gómez-Chova, L., Amorós-López, J., Muñoz-Marí, J., & Camps-Valls, G. (2018). Multitemporal cloud masking in the Google Earth Engine. Remote Sensing, 10(7), article number 1079. doi: 10.3390/rs10071079.

[33] Miao, J., & Wu, X. (2016). Urbanization, socioeconomic status and health disparity in China. Health & place, 42, 87-95. doi: 10.1016/j.healthplace.2016.09.008.

[34] Midekisa, A, Holl, F, Savory, D.J., Andrade-Pacheco, R., Gething, P.W., Bennett, A., Andrade-Pacheco, R., Gething, P., Bennett, A., & Sturrock, H. (2017). Mapping land cover change over continental Africa using Landsat and Google Earth Engine cloud computing. PLoS ONE, 12(9), article number e0184926. doi: 10.1371/journal.pone.0184926.

[35] Myroniuk, V, Kutia, M., Sarkissian, A.J., Bilous, A., & Liu, S. (2020). Regional-scale forest mapping over fragmented landscapes using global forest products and Landsat time series classification. Remote Sensing. 12(1), article number 187. doi: 10.3390/rs12010187.

[36] Pan, J., Wang, C., Wang, J., Gao, F., Liu, Q., Zhang, J., & Deng, Y. (2022). Land cover classification using ICESat-2 photon counting data and Landsat 8 OLI Data: A case study in Yunnan Province, China. IEEE Geoscience and Remote Sensing Letters, 19, article number 2507405. doi: 10.1109/LGRS.2022.3209725.

[37] Pande, C.B. (2022). Land use/land cover and change detection mapping in Rahuri watershed area (MS), India using the google earth engine and machine learning approach. Geocarto International, 37(26), 13860-13880. doi: 10.1080/10106049.2022.2086622.

[38] Poumanyvong, P., Kaneko, S., & Dhakal, S. (2012). Impacts of urbanization on national transport and road energy use: Evidence from low, middle and high income countries. Energy Policy, 46, 268-277. doi: 10.1016/J.ENPOL.2012.03.059.

[39] Puletti, N., Perria, R., & Storchi, P. (2014). Unsupervised classification of very high remotely sensed images for grapevine rows detection. European Journal of Remote Sensing, 47, 45-54. doi: 10.5721/EuJRS20144704.

[40] Roy, D.P., Wulder, M.A., Loveland, T.R., Woodcock, C.E., Allen, R.G., Anderson, M.C., Helder, D., Irons, J.R., Johnson, D.M., Kennedy R., Scambos, T.A., Schaaf, C.B., Schott, J.R., Sheng, Y., Vermote, E.F., Belward, A.S., Bindschadler, R., Cohen, W.B., Gao, F., Hipple, J.D., Hostert, P., Huntington, J., Justice, C.O., Kilic, A., Kovalskyy, V., Lee, Z.P., Lymburner, L., Masek, J.G., McCorkel, J., Shuai, Y., Trezza, R., Vogelmann, J., Wynne, R.H., & Zhu, Z. (2014). Landsat-8: Science and product vision for terrestrial global change research. Remote Sensing of Environment, 145, 154-172. doi: 10.1016/J.RSE.2014.02.001.

[41] Rwanga, S., & Ndambuki, J. (2017). Accuracy assessment of land use/land cover classification using remote sensing and GIS. International Journal of Geosciences, 8, 611-622. doi: 10.4236/ijg.2017.84033.

[42] Seto, K.C., Kaufmann, R.K., & Woodcock, C.E. (2000). Landsat reveals China’s farmland reserves, but they’re vanishing fast. Nature, 406(6792), article number 121. doi: 10.1038/35018267.

[43] Song, W., & Deng, X. (2017). Land-use/land-cover change and ecosystem service provision in China. Science of The Total Environment, 576, 705-719. doi: 10.1016/J.SCITOTENV.2016.07.078.

[44] Stehman, S.V., & Czaplewski, R.L. (1998). Design and analysis for thematic map accuracy assessment: fundamental principles. Remote Sensing of Environment, 64, 331-344. doi: 10.1016/S0034-4257(98)00010-8.

[45] Su, S., Jiang, Z., Zhang, Q., & Zhang, Y. (2011). Transformation of agricultural landscapes under rapid urbanization: A threat to sustainability in Hang-Jia-Hu region, China. Applied Geography, 31(2), 439-449. doi: 10.1016/j.apgeog.2010.10.008.

[46] Tian, K., Huang, B., Xing, Z., & Hu, W. (2017). Geochemical baseline establishment and ecological risk evaluation of heavy metals in greenhouse soils from Dongtai, China, Ecological Indicators, 72, 510-520. doi: 10.1016/j.ecolind.2016.08.037.

[47] Tian, Y., Xu, Y.P., & Wang, G. (2018). Agricultural drought prediction using climate indices based on Support Vector Regression in Xiangjiang River basin. The Science of the Total Environment, 622-623, 710-720. doi: 10.1016/j.scitotenv.2017.12.025.

[48] Tse-Tung, M. (2017). Changsha. Literary Review. Madison: Fairleigh Dickinson University, 60(3), 24-295.

[49]Welch, R., Pannell, C.W., & Lo, C.P. (1975). Land use in Northeast China, 1973: A view from Landsat-1. Annals of the Association of American Geographers, 65, 595-596. doi: 10.1111/j.1467-8306.1975.tb01067.x.

[50] Yan, Y., Ju, H., Zhang, S., & Jiang, W. (2020). Spatiotemporal patterns and driving forces of urban expansion in coastal areas: A study on urban agglomeration in the Pearl River Delta, China. Sustainability, 12(1), article number 191. doi: 10.3390/su12010191.

[51] Yao, T., Zhang, X., Guan, H., Zhou, H., Hua, M., & Wang, X. (2018). Climatic and environmental controls on stable isotopes in atmospheric water vapor near the surface observed in Changsha, China. Atmospheric Environment, 189, 252-263. doi: 10.1016/j.atmosenv.2018.07.008.

[52] Zhang, J., Mauzerall, D.L., Zhu, T., Liang, S., Ezzati, M., & Remais, J.V. (2010). Environmental health in China: Progress towards clean air and safe water. Lancet (London, England), 375(9720), 1110-1119. doi: 10.1016/S0140-6736(10)60062-1.

[53] Zhou, G., & He, Y. (2007). The influencing factors of urban land expansion in Changsha. Journal of Geographical Sciences, 17, 487-499. doi: 10.1007/s11442-007-0487-x.