Multitemporal spectral mixture analysis for Amazonian land-cover change detection

Abstract

The complex landscape and environmental conditions in the moist tropical region often result in poor land-cover change detection accuracy using traditional change detection methods. This paper explores linear spectral mixture analysis (LSMA) of multitemporal thematic mapper (TM) images to detect land-cover change in Rondônia, Brazilian Amazon basin. Three image endmembers (shade, green vegetation, and soil) were developed based on a combination of field data and image scatterplots. An unconstrained least-squares solution was used to unmix the multitemporal TM images into three fractions. Then, fraction image differencing results were used to analyze land-cover change/non-change detection. The detailed "from-to" change detection was implemented using a pixel-by-pixel comparison of classified images, which were developed using a decision tree classifier on the multitemporal fraction images. This study indicates that LSMA is a powerful image processing tool for land-cover classification and change detection. The multitemporal fraction images can be effectively used for land-cover change detection. The stable and reliable multitemporal fraction images developed using LSMA make the change detection possible without the use of training sample datasets for historical remotely sensed data. This characteristic is particularly valuable for the land-cover change detection in the Amazon basin.

Le paysage complexe et les conditions environnementales caractéristiques de cette région humide tropicale entraînent souvent une précision faible dans le contexte de la détection des changements dans le couvert basée sur l'utilisation des méthodes traditionnelles de détection du changement. Cet article explore l'analyse spectrale mixte (LSMA) appliquée aux images multitemporelles de « thematic mapper » (TM) pour la détection des changements dans le couvert dans la région de Rondônia, dans le bassin du fleuve Amazone. Trois composantes spectrales pures d'images (ombre, végétation verte et sol) ont été développées basé sur une combinaison de graphiques de corrélation dérivés des données de terrain et des images. Une solution non contrainte par moindres carrés a été utilisée pour démixer les images multitemporelles TM en trois fractions différentes. Ensuite, les résultats de la différenciation des fractions d'images ont été utilisés pour la détection des zones avec changement / sans changement dans le couvert. La détection en détail du changement "de / à" a été appliquée en effectuant une comparaison pixel par pixel des images classifiées, qui ont été ensuite développées à l'aide d'un classificateur basé sur un arbre de décision appliqué aux images multitemporelles des fractions. Cette étude montre que la technique LSMA est un outil de traitement d'image puissant pour la classification du couvert et la détection du changement. Les images multitemporelles des fractions peuvent être utilisées efficacement pour la détection du changement dans le couvert. Les images multitemporelles des fractions, stables et fiables, développées à l'aide de la technique LSMA rendent possible la détection du changement sans recours à l'utilisation d'ensembles de données d'entraînement dans le cas des données historiques de télédétection. Cette dernière caractéristique est particulièrement importante pour la détection du changement dans le couvert dans le bassin de l'Amazone.[Traduit par la Rédaction]