Abstract
Abstract. Accurate modeling of change in urban lands has been limited by many technical factors. Although efforts have been put into improving many of the urban land change models and in developing new ones, little has been done to promote understanding the significance of methods of classifying the satellite images often used as input maps in many of these models. In this study, the goal was to examine the significance of the impacts of classification methods of input land cover maps on the overall accuracy of the urban land change prediction. To do this, the historical SPOT satellite images of Kansas City were classified using multilayer perceptron neural network, and maximum likelihood classification techniques. The effects of these two classification methods on the overall accuracy of land change prediction were then assessed. The study made use of an independently classified and more accurate map of a known year to validate the results of both predictions. The study results show that the methods selected to classify satellite images that are used as inputs in many land change models can significantly affect land change prediction.
Résumé. La modélisation précise des changements d'utilisation des terres urbaines a été limitée par de nombreux facteurs techniques. Bien que des efforts ont été faits pour améliorer plusieurs modèles de changements d'utilisation des terres urbaines et pour le développement de nouveaux modèles, peu a été fait pour comprendre l'importance des méthodes de classification des images satellitaires qui sont souvent utilisées comme cartes d'entrée dans un grand nombre de ces modèles. Dans cette étude, l'objectif était d'examiner l'importance des méthodes de classification des cartes de la couverture terrestre utilisées comme entrées sur la précision globale de la prédiction du changement d'utilisation des terres urbaines. Pour ce faire, les images satellitaires historiques SPOT de Kansas City ont été classées à l'aide d'un réseau de neurones perceptron multicouche et des techniques de classification du maximum de vraisemblance. Les impacts de ces deux méthodes de classification sur la précision globale de la prédiction du changement d'utilisation des terres ont ensuite été évalués. L'étude a utilisé une carte classée indépendamment et plus précise, pour une année donnée, afin de valider les résultats des deux prédictions. Les résultats de l'étude montrent que les méthodes choisies pour la classification des images satellitaires, qui sont souvent utilisées comme intrants dans de nombreux modèles de changement d'utilisation des terres, peuvent affecter de manière significative la prédiction du changement d'utilisation des terres.
Résumé.
La modélisation précise des changements d’utilisation des terres urbaines a été limitée par de nombreux facteurs techniques. Bien que des efforts ont été faits pour améliorer plusieurs modèles de changements d’utilisation des terres urbaines et pour le développement de nouveaux modèles, peu a été fait pour comprendre l’importance des méthodes de classification des images satellitaires qui sont souvent utilisées comme cartes d’entrée dans un grand nombre de ces modèles. Dans cette étude, l’objectif était d’examiner l’importance des méthodes de classification des cartes de la couverture terrestre utilisées comme entrées sur la précision globale de la prédiction du changement d’utilisation des terres urbaines. Pour ce faire, les images satellitaires historiques SPOT de Kansas City ont été classées à l’aide d’un réseau de neurones perceptron multicouche et des techniques de classification du maximum de vraisemblance. Les impacts de ces deux méthodes de classification sur la précision globale de la prédiction du changement d’utilisation des terres ont ensuite été évalués. L’étude a utilisé une carte classée indépendamment et plus précise, pour une année donnée, afin de valider les résultats des deux prédictions. Les résultats de l’étude montrent que les méthodes choisies pour la classification des images satellitaires, qui sont souvent utilisées comme intrants dans de nombreux modèles de changement d’utilisation des terres, peuvent affecter de manière significative la prédiction du changement d’utilisation des terres.
Notes
IDRISI Selva Online Help System. http://www.clarklabs.org/support/IDRISI-Taiga-Help-System.cfm