Abstract
Accurate and timely monitoring of urban land-use and land-cover (LULC) change is useful for understanding the various impacts of human activity on the urban environment. In order to demonstrate the advantage of time series imaging for urban LULC change detection, we selected time series Landsat images over a two-year period to detect inter-annual changes. A time series trajectory for each pixel was developed by the biophysical composition index (BCI) and normalized vegetation index (NDVI) values extracted from Landsat images. Considering that temporal length of trajectories in different years might be different, the dynamic time warping (DTW) measure was selected as the LULC change magnitude indicator. After DTW-based change/unchanged detection, the DTW-based clustering method was used in LULC change type extraction. Finally, the overall accuracy of change/unchanged detection result was 92.3%, and the overall accuracy of all change types was 71%. Some change types that are difficult to extract by bi-temporal images were detected, such as inter-class changes between farmland and forest, and intra-class change of farmland, indicating the advantage of time series information in LULC change detection.
RÉSUMÉ
Une surveillance précise et opportune des changements de l’utilisation du sol et de la couverture du sol (LULC) est utile pour comprendre les divers impacts de l’activité humaine sur l’environnement urbain. Afin de démontrer l’avantage de séries chronologiques d’images pour la détection des changements LULC en milieu urbain, nous avons sélectionné une série d’images Landsat sur une période de deux ans pour détecter les changements interannuels. Une trajectoire temporelle a été déterminée pour chaque pixel au moyen de l’indice de composition biophysique (BCI) et les valeurs normalisées de l’indice de végétation (NDVI). Considérant que la longueur des trajectoires des séries de différentes années pourrait être différente, la mesure de la distorsion du temps dynamique (DTW) a été choisie comme indicateur de l’ampleur du changement LULC. Suivant la détection du changement ou de son absence par le DTW, une méthode de regroupement basée sur DTW a été utilisée pour extraire les types de changement. Enfin, la précision globale de la détection ou de l’absence de changement est de 92.3%, et la précision globale de tous les types de changement est de 71%. Certains types de changement difficiles à extraire au moyen de seulement deux images ont été détectés, comme les changements interclasses entre les terres agricoles et les forêts, et les changements à l’intérieur de la classe des terres agricoles, ce qui montre l’avantage des séries chronologiques dans la détection des changements LULC.
Disclosure statement
No potential conflict of interest was reported by the author(s).