Search

With respect to climate change it is necessary to study land use and land cover (LULC) and their changes. LULC are related directly and indirectly to climatic changes such as rising temperatures that trigger earlier onset of vegetation growing seasons (IPCC 2007). Land surface phenology refers to the seasonal patterns of variation in vegetated land surfaces over large areas using satellite data (Reed et al. 2009). General variations observed from satellite may also be referred to as seasonality (Jönsson and Eklundh 2002, 2004). In this study, seasonality was modeled from normalized difference vegetation index timeseries derived from Moderate Resolution Imaging Spectro-Radiometer (MODIS) satellite data. Seasonality data contain valuable information about vegetation dynamics of LULC, such as the maximum of a season as well as the season start and end. The specific seasonality data signatures of LULC and may improve LULC classifications compared to multi-spectral satellite data approaches. Support vector machine classification (SVC) is a machine learning technique that does not require normal distributed input data. A normal distribution of seasonality data cannot be assumed. SVC is superior in comparison to traditional classification methods using multispectral satellite data (Tso and Mather 2009). Thus, it is feasible to test the potential of SVC separation of LULC using seasonality data. The most common linear and non-linear SVC methods recommended for satellite data were applied in this study. The chosen study area is located in southern Sweden, and its LULC classes are well documented by the latest CORINE land cover 2006 data. Thus, it is a good test area for validation of the performance of seasonality parameters for LULC classification using SVC. In this study, a SVC framework was developed and implemented that: (1) selects the most appropriate input seasonality data, (2) incorporates a direct acyclic graph for multiclassification and (3) validates the SVC outco, Då klimatförändringar studeras är det viktigt att ha markanvändningarna och deras förändringar i åtanke. Markanvändningarna är direkt och indirekt relaterat till klimatförändringar såsom exempelvis stigande temperaturer, vilket påskyndar starten av växtsäsongen. Fjärranalysdata ger en bättre bild av storskaliga förändringar i vegetationen än vad som är möjligt att observera från jordytan. Vegetationen och dess fenologi kan observeras med satellitdata, och kallas även för årstidsvariationer. Denna studie använder tidsserier av vegetationsindex från satellitdata för att modellera årstidsvariationer. Dessa matematiska modeller av årstidsvariationerna används sedan för att extrahera olika årstidsrelaterade parametrar som ger värdefull information om vegetationsdynamiken. Dessa årstidsrelaterade parametrar kan förbättra klassificeringen av markanvändningarna. Studien tillämpar en ny teknik, som kallas ”support vector machine” klassificering, för att klassificera de årstidsrelaterade parametrarna. Studien fokuserade på de vanligaste linjära och olinjära ”support vector machine” tekniker som rekommenderas för satellitdata. Det studerade området ligger i södra Sverige och dess markanvändningsklasser är sedan tidigare väldokumenterade. Det innebär att området är mycket lämpligt för att testa årstidsrelaterade parametrar genom att tillämpa ”support vector machine” klassificering. Studien utgick från att: (1) välja de mest lämpliga årstidsrelaterade parametrarna, (2) använda en multi-klassificering, och (3) utvärdera de klassificeringsutfall med noggrannhetsbedömningar baserat från senast dokumenterad CORINE land cover 2006 data. Resultaten påvisar en måttlig prestanda hos ”support vector machine” klassificering, där den övergripande noggrannheten landar mellan 61 till 64 %, och Kappavärdet varierar mellan 0,49 till 0,52. Skillnaderna mellan de linjära och olinjära ”support vector machine” teknikerna är marginella. Dock bör årstidsrelaterade parametrar klassificeras med tradit

The use of remotely sensed data is an important method to indicate land use and land cover changes. Remote sensing can provide a better picture of monitoring land use and land cover changes. It makes it feasible to locate geographically changed areas in order to employ it further detailed studies on environmental changes (e.g. land degradation). The study area is a heterogeneous and small-structured agriculturally dominated prefecture in northern Greece. The core post-classification change detection analysis was based on two Landsat 5 TM and Landsat 7 ETM+ images. Maximum likelihood classification was applied on the satellite data. A basic arithmetic combination was used to compare the classification outcomes to detect and locate land use and land cover changes over a period of 14 years. The accomplished post-classification change detection analysis performed weakly., Användandet av fjärranalysdata är en viktig metod för att bestämma markanvändning och visa på förändringar i marktäcke. Fjärranalys kan ge en bättre utgångspunkt för övervakning av markytstäcke. Det gör det möjligt att geografiskt lokalisera förändrade markområden för att vidare kunna utföra noggrannare undersökningar om miljöförändringar (t.ex. markdegradering). Studieområdet är ett administrativt distrikt i norra Grekland. Det är ett heterogent jordbruksdominerat område karakteriserat av småskaliga landskapsstrukturer. Markförändringsanalysen efter klassifikation baserades på två bilder från Landsat 5TM och Landsat 7 ETM+. Maximum likelihood classification användes för klassifikation av satellitdatan. En kombination av enkel aritmetisk matematik användes för att jämföra resultatet av klassifikationerna och lokalisera förändringar i markanvändning och markytstäcke över en period på 14 år. Den utförda markförändringsanalysen fungerade inte väl.