Impacts of Topography on the Land Cover Classification in the Qilian Mountains, Northwest China

Abstract

There are many disagreements and uncertainties among global land use/land cover (LULC) products, which make it unsuitable to apply these products directly to a specific region. In this study, Enhanced Vegetation Index (EVI) time-series data from the Moderate Resolution Imaging Spectroradiometer (MODIS) with 250 m spatial resolution, combining with geographic features, were used for LULC classification in the Qilian Mountains, northwest China. The authors tested the Random Forest (RF), the Classification and Regression Tree (CART), and the Support Vector Machine (SVM) classifiers. Their final classification product was also compared with 3 global LULC maps. The results showed that (1) topographic information could improve the classification results to some extent when they were integrated with spectral information in complex mountain regions; (2) the classification results using an RF classifier reached the highest overall accuracy (88.84%); (3) there was consistency with homogenous classes between our classification result and the 3 LULC products, but inconsistency with heterogeneous classes; and (4) the overall accuracy of this study was improved about 10% compared with the 3 LULC products. Therefore, this classification product is more suitable than global LULC products when considering complex terrain factors in mountain regions.

RÉSUMÉ

Il existe de nombreuses divergences et incertitudes entre les divers produits mondiaux d’utilisation des terres et de couverture foncière (LULC), qui les rendent inadaptés à leur utilisation directe dans une région spécifique. Dans cette étude, des séries temporelles de l’indice de végétation améliorée (EVI) provenant du spectroradiomètre imageur à résolution modérée (MODIS), ayant une résolution spatiale de 250 m, ont été utilisées en combinaison avec des caractéristiques géographiques pour une classification de l’occupation du territoire (LULC) dans les montagnes de Qilian, au nord-ouest de la Chine. Trois algorithmes ont été évalués : Random Forest (RF); l’arbre de classification et de régression (CART); et la machine vectorielle (SVM). Notre produit de classification final a été comparé à trois cartes LULC mondiales. Les résultats ont montré que (1) dans des régions montagneuses complexes, l’information topographique pouvait améliorer les résultats de la classification lorsqu’elle était intégrée à l’information spectrale; (2) les résultats de l’algorithme RF ont atteint la plus grande précision globale (88,84%); (3) il y a une cohérence entre notre résultat de classification et les trois produits LULC pour les classes homogènes, mais les résultats sont incohérents dans les classes hétérogènes; et (4) l’exactitude globale a été améliorée d’environ 10% par rapport aux trois produits LULC. Par conséquent, ce produit de classification est plus approprié que les produits LULC mondiaux compte tenu de la topographie complexe de cette région montagneuse.

Acknowledgments

We are grateful to Haojie Xu for providing the vector file of the Qilian Mountains.

Disclosure statement

No potential conflict of interest was reported by the author(s).

Additional information

Funding

This research was funded by the National Natural Science Foundation of China [51178209, 31901130], China Postdoctoral Science Foundation [2020M673532] and the Fundamental Research Funds for the Central Universities in Lanzhou University [lzujbky-2020-kb35].