Updating the Grassland Vegetation Inventory Using Change Vector Analysis and Functionally-Based Vegetation Indices

Abstract

The Grassland Vegetation Inventory (GVI), which represents a comprehensive biophysical, anthropogenic, and land-use inventory of grasslands in Alberta, is widely used as a baseline for grassland conditions. An up-to-date GVI is essential for understanding grassland changes and for planning management or conservation actions on grasslands. In this study, a hybrid change detection method is proposed that incorporates change vector analysis and a set of vegetation indices (VIs) measuring different vegetation attributes for mapping the conversion of native grassland to cultivated agriculture, and ultimately to update the GVI based on multiseasonal and multiyear Landsat images. Vegetation indices that contribute significantly to differentiation between existing native grassland and land recently converted from native grassland to cultivated cropland were identified by using stepwise regression analyses and were used as inputs for mapping the conversion between 2006 and 2011 or 2015. The results showed that land conversion can be detected using a single image acquired during the growing season, but that the accuracy of identification is affected by the date of image collection and the nature of the VIs used. The greatest accuracy in detecting land conversion between 2006 and 2011 was achieved using the difference in VI between years (dVI) for the Shortwave Infrared Reflectance 3/2 Ratio (SWIR32) and the Enhanced Vegetation Difference Index (EVI) derived from July imagery (accuracy = 95.2 %; Kappa = 0.86). The same combination of SWIR32 and EVI was also effective, although with lower accuracy (accuracy = 86.0 %; Kappa = 0.64) when tested on a larger geographical area and for detecting land use change between 2006 and 2015. The method proposed here could be applied to detect the land cover conversion in other grassland regions, although the optimal VIs and image acquisition date may need to be modified depending on the type of land use activities implemented in each region.

Résumé

L'inventaire de la végétation des prairies (Grassland Vegetation Inventory; GVI) représente un vaste inventaire biophysique, anthropique et d'utilisation des terres des prairies en Alberta. Il est largement utilisé comme base de référence des conditions des prairies. Un GVI est essentiel pour comprendre les changements dans les prairies et pour en planifier les mesures de gestion ou de conservation. Dans cette étude, nous proposons une méthode hybride de détection de changements qui intègre une analyse de vecteurs de changements et un ensemble d'indices de végétation (VIs) mesurant différents attributs de la végétation pour cartographier la conversion des prairies indigènes en terres cultivées et, finalement, pour mettre à jour le GVI à partir d'images Landsat multisaisonnières et pluriannuelles. Les indices de végétation qui contribuent de manière significative à la différenciation entre les prairies indigènes existantes et les terres récemment converties de prairies indigènes en terres cultivées ont été identifiés à l'aide d'analyses de régression pas à pas et utilisés comme intrants pour cartographier la conversion entre 2006 et 2011 ou 2015. Les résultats ont montré que la conversion des terres peut être détectée au moyen d'une seule image acquise pendant la saison de croissance, mais que la précision de l'identification est influencée par la date de la collecte des images et la nature des VIs utilisés. La plus grande précision dans la détection de la conversion des terres entre 2006 et 2011 a été obtenue en utilisant la différence de la VI entre les années (dVI) pour le rapport 3/2 de réflectance infrarouge à ondes courtes (Shortwave Infrared Reflectance 3/2 Ratio; SWIR32) et l'indice de végétation amélioré (EVI) dérivé de l'imagerie de juillet (précision = 95,2 %; Kappa = 0,86). La même combinaison de SWIR32 et EVI a également été efficace, mais avec une précision plus faible (précision = 86,0 %; Kappa = 0,64) lorsqu'elle a été testée sur une plus grande zone géographique et pour détecter les changements d'utilisation des terres entre 2006 et 2015. La méthode proposée ici pourrait être utilisée pour détecter la conversion des terres dans d'autres régions de prairie même s'il pourrait s'avérer nécessaire de modifier les VIs et les dates d'acquisition optimales des images selon les utilisations des terres dans chaque région.

ACKNOWLEDGEMENT

The authors thank Oriano Castelli and Craig Demaere for logistical help and Gary Larson and Ingrid Oseen for field-data collection. Appreciation also goes to the anonymous reviewers for their comments and suggestions on improving the quality of this manuscript.

FUNDING

The authors acknowledge funding from the Canadian Space Agency, Agriculture and Agri-Food Canada and Alberta Environment and Parks.

Notes

1 https://earthexplorer.usga.gov/

2 National Landsat Archive Production System and the Landsat Ecosystem Distribution Adaptive Processing System (http://ledaps.nascom.nasa.gov/)

3 Agriculture Financial Services Corporation insurance database.