अधिक

TIMESAT लैंड कवर क्लास

TIMESAT लैंड कवर क्लास


क्या TIMESAT में केवल 2 भूमि कवर वर्गों की फिनोलॉजी की निगरानी करना संभव है? उदाहरण 7 साल के लिए मक्का और गेहूं है। इस फसल की बुवाई संरचना हर साल बदलती है, यानी हर साल एक छवि पर उनका स्थान अलग होता है, अलग-अलग पिक्सेल की निगरानी की आवश्यकता होती है।

मैं 2007 से 2014 तक मकई और गेहूं की फेनोलॉजी को ट्रैक करने के लिए हर साल मॉनिटर किए गए पिक्सल को बदलना चाहता हूं। इसके अलावा बुवाई संरचना में एक छवि पर बिखरे हुए अलग-अलग पार्सल होते हैं, हर साल लगभग 50 MODIS पिक्सल।

मैं MODIS13Q1 उत्पाद का उपयोग कर रहा हूं।


TIMESAT में एक या कई कक्षाओं की निगरानी करना संभव है। कई वर्गों का उपयोग करने का विकल्प मुख्य रूप से आवश्यक है यदि फेनोलॉजिकल संरचना कक्षाओं के बीच बहुत भिन्न है, अर्थात विभिन्न वर्गों के लिए अलग-अलग पैरामीटर सेटिंग्स आवश्यक हैं। आपके मामले में दोनों वर्गों के लिए समान सेटिंग्स का उपयोग करना संभव हो सकता है, लेकिन स्पष्ट रूप से इसका परीक्षण करने की आवश्यकता है। यदि कक्षाएं वर्षों के बीच चलती हैं, और विभिन्न TIMESAT पैरामीटर आवश्यक हैं, तो प्रत्येक वर्ष के लिए अलग TIMESAT रन सेट करना आवश्यक होगा। यह मुश्किल नहीं है, लेकिन थोड़ा थकाऊ है क्योंकि TIMESAT को एक सफल रन के लिए तीन साल के डेटा की आवश्यकता होती है, जिसमें केंद्र में रुचि का वर्ष होता है।

मेरा सुझाव है कि TSM_GUI को छवि में बिखरे हुए अलग-अलग पिक्सेल पर चलाकर देखें कि TIMESAT आपके डेटा के लिए कितनी अच्छी तरह फिट हो सकता है।


TIMESAT भूमि कवर वर्ग - भौगोलिक सूचना प्रणाली

कागज की जानकारी

जर्नल सूचना

भौगोलिक सूचना प्रणाली के अमेरिकी जर्नल

पी-आईएसएसएन: 2163-1131 ई-आईएसएसएन: 2163-114X

रिमोट सेंसिंग और भौगोलिक सूचना तकनीक: भूमि क्षरण आकलन के लिए सत्य उपकरण Ver

इदोवु इनोसेंट अब्बास 1 , मायोवा जॉनसन फासोना 2

1 भूगोल विभाग, अहमदू बेलो विश्वविद्यालय, ज़ारिया, ८१०००१, नाइजीरिया

2 भूगोल विभाग, लागोस विश्वविद्यालय, लागोस, नाइजीरिया

पत्राचार: मायोवा जॉनसन फासोना, भूगोल विभाग, लागोस विश्वविद्यालय, लागोस, नाइजीरिया।

ईमेल:

कॉपीराइट © 2012 वैज्ञानिक और अकादमिक प्रकाशन। सर्वाधिकार सुरक्षित।

भूमि निम्नीकरण को भूमि के रूप में परिभाषित किया जा सकता है जो प्राकृतिक प्रक्रियाओं या मानव गतिविधि के कारण अब अपने आर्थिक कार्य और/या अपने मूल प्राकृतिक पारिस्थितिक कार्य को ठीक से बनाए रखने में सक्षम नहीं है। भूमि उपयोग-भूमि आवरण परिवर्तन के निहितार्थ अक्सर भूमि निम्नीकरण का कारण बनते हैं। इस अध्ययन में नाइजर डेल्टा, नाइजीरिया के एक खंड में संबंधित वर्षों के लिए अवक्रमित भूमि का आकलन करने के लिए 1986 की लैंडसैट टीएम छवि और 2008 की नाइजीरियासैट -1 छवि का उपयोग किया गया था। भौगोलिक सूचना प्रणाली वातावरण में आर्कव्यू सॉफ्टवेयर का उपयोग करके डेटा सेट का विश्लेषण किया गया था। परिणाम विभिन्न प्रकार की भूमि निम्नीकरण, वर्षों से निम्नीकृत भूमि के क्षेत्र कवरेज और अध्ययन क्षेत्र के लोगों को कैसे प्रभावित करते हैं, यह दर्शाते हैं। निष्कर्षों के आधार पर, गिरावट को रोकने और अंततः गिरावट को कम करने के लिए सिफारिशें की जाती हैं।

कीवर्ड: गिरावट, रिमोट सेंसिंग, भौगोलिक सूचना प्रणाली, उपग्रह, प्रभाव


वर्तमान विश्व पर्यावरण

आईएसएसएन: 0973-4929, ऑनलाइन आईएसएसएन: 2320-8031

भूमि उपयोग और भूमि कवर मैपिंग के रिमोट सेंसिंग और जीआईएस तकनीकों का दृष्टिकोणपटना नगर निगम, (पीएमसी) पटना, बिहार, भारत

मोहम्मद यासिर अहमद 1 * /> और निकहत हसन मुनीम 2

1 पर्यावरण विज्ञान विभाग, मगध विश्वविद्यालय, बोधगया, बिहार भारत।

2 प्राणी विज्ञान विभाग, जेडी महिला कॉलेज, पटना, मगध विश्वविद्यालय, बोध-गया, बिहार भारत।

संबंधित लेखक ईमेल: [email protected]

भूमि उपयोग भूमि कवर (एलयूएलसी) मानचित्रण की तैयारी के लिए रिमोट सेंसिंग (आरएस) और भौगोलिक सूचना प्रणाली (जीआईएस) का दृष्टिकोण पृथ्वी संसाधन प्रबंधन के लिए योजना और विकास गतिविधियों का एक अनिवार्य पहलू है। यह पेपर पटना नगर निगम (पीएमसी), पटना, बिहार, भारत के भूमि उपयोग भूमि कवर (एलयूएलसी) मानचित्र की जांच करता है। पटना शहर (पीएमसी) एक तेजी से विकासशील शहर और बिहार में उभरता हुआ आर्थिक केंद्र है। शहर की जनसंख्या (पीएमसी) दिन-ब-दिन बढ़ रही है, और तेजी से शहरीकरण के कारण बिहार के विभिन्न हिस्सों से तेजी से पलायन हुआ है। हम आरएस और जीआईएस तकनीकों की पेशकश करते हैं जो पीएमसी अध्ययन क्षेत्र के विभिन्न एलयूएलसी को चित्रित करते हैं। LULC वर्ष 2018 के 5.8-मीटर स्थानिक रिज़ॉल्यूशन डेटा के साथ फाल्स कलर कम्पोजिट (FCC) सैटेलाइट इमेज, रिसोर्ससैट-2A लीनियर इमेजिंग सेल्फ स्कैनिंग सेंसर IV (LISS-IV) के माध्यम से किया गया था। पर्यवेक्षित वर्गीकरण और अधिकतम संभावना वर्गीकरण का उपयोग वर्गीकृत करने के लिए किया गया था। लिस IV छवियां। LULC नक्शा पांच अलग-अलग वर्गों की पहचान की गई जल निकायों, कृषि भूमि, परती भूमि, बंजर भूमि, निर्मित भूमि और अध्ययन क्षेत्र की वनस्पति की पहचान की गई थी। एमएलसी पद्धति के लाभ जिसमें अधिकतम संभावना वाले पिक्सेल को संभाव्यता फ़ंक्शन के आधार पर संबंधित वर्ग में वर्गीकृत किया जाता है, प्रत्येक विषय के विचरण और सहप्रसरण को निर्धारित करता है। एलयूएलसी के परिणाम से पता चला कि पीएमसी के तहत अधिकतम क्षेत्र 70.80 वर्ग मीटर के निर्मित क्षेत्र के साथ कवर किया गया था। किमी. तेजी से बढ़ती जनसंख्या के कारण दूसरों की तुलना में अधिक है। 31.7 वर्ग किलोमीटर का कृषि भूमि, परती भूमि और वनस्पति कब्जा क्षेत्र, जबकि बंजर भूमि लगभग 11.86 वर्ग किलोमीटर है। किमी और जल निकाय लगभग 5.8 वर्ग किमी में फैले हुए हैं। सटीकता क्षेत्र सत्यापन और सैटेलाइट (गूगल) छवि के माध्यम से की गई थी।

इस शोध कार्य का प्राथमिक उद्देश्य पीएमसी क्षेत्र की एलयूएलसी श्रेणी का पता लगाने के लिए रिमोट सेंसिंग और जीआईएस तकनीक के उपयोग को लागू करना है। यह अध्ययन, रिमोट सेंसिंग और जीआईएस तकनीकों का दृष्टिकोण भविष्य की एलयूएलसी विकास योजनाओं में लाभ देगा, क्योंकि समय पर इसके फायदे, लागत लाभ, पारंपरिक जमीनी तकनीकों पर विश्वसनीयता।

इस लेख को उद्धृत करने के लिए निम्नलिखित की प्रतिलिपि बनाएँ:

अहमद एम. वाई, मुनीम एन.एच. भूमि उपयोग और भूमि कवर मैपिंग के रिमोट सेंसिंग और जीआईएस तकनीकों का दृष्टिकोणपटना नगर निगम, (पीएमसी) पटना, बिहार, भारत। कर्र वर्ल्ड एनवायरन 2020 15(2)।


लैंडसैट और सेंटिनल से एक ऑपरेशनल मल्टीसोर्स लैंड सरफेस फेनोलॉजी उत्पाद 2

प्रमुख अन्वेषक सह अन्वेषक सहयोगी पोस्टडॉक शोधकर्ता स्नातक छात्र शोधकर्ता अन्य
व्यक्ति का नाम परियोजना पर व्यक्ति की भूमिका संबंधन
मार्क फ्राइडली प्रमुख अन्वेषक बोस्टन विश्वविद्यालय, बोस्टन, यूएसए
जोश एम ग्रे सह अन्वेषक उत्तरी कैरोलिना स्टेट यूनिवर्सिटी, रैले, यूएस
लार्स एकलुंधो सहयोगी लुंड विश्वविद्यालय, लुंड, एसई-223 62, स्वीडन
थॉमस मायर्सपर्गर सहयोगी SGT, USGS EROS के ठेकेदार, Sioux Falls, US contractor
लेटिसिया ली स्नातक छात्र शोधकर्ता बोस्टन विश्वविद्यालय, बोस्टन, यूएसए
ज़ियाओक्सी गाओ स्नातक छात्र शोधकर्ता नॉर्थ कैरोलिना स्टेट यूनिवर्सिटी, रैले, यूएसए
मिंक्यू मून पोस्टडॉक शोधकर्ता बोस्टन विश्वविद्यालय, बोस्टन, यूएसए

लैंडसैट 8 और सेंटिनल 2 से इमेजरी की सघन समय श्रृंखला अभूतपूर्व स्थानिक विस्तार और गुणवत्ता के साथ भूमि की सतह के गुणों में अस्थायी गतिशीलता की निगरानी, ​​​​मानचित्र और विशेषता के लिए रोमांचक नए अवसर पैदा कर रही है। लैंडसैट 8 ऑपरेशनल लैंड इमेजर (OLI) और मल्टीस्पेक्ट्रल इंस्ट्रूमेंट (MSI) ऑनबोर्ड सेंटिनल 2A और 2B से इमेजरी को मिलाकर, उपयोगकर्ताओं को मध्यम स्थानिक रिज़ॉल्यूशन इमेजरी तक रिपीट फ़्रीक्वेंसी के साथ एक्सेस होगा जो पहले उपलब्ध की तुलना में तीन गुना अधिक है। प्रहरी 2A का शुभारंभ। साथ ही, लैंडसैट 8 और सेंटिनल 2 से मिश्रित समय श्रृंखला की बड़ी डेटा मात्रा और उच्च आयामीता उन उपयोगकर्ताओं के लिए पर्याप्त नई चुनौतियां पेश करती है जो इन डेटा सेटों का फायदा उठाना चाहते हैं। भूमि सतह फेनोलॉजी (एलएसपी) उत्पाद, जो फीनोफ़ेज़ संक्रमणों के समय को संश्लेषित करते हैं और दूर से संवेदी भूमि की सतह की स्थिति में मौसमी की प्रकृति और परिमाण को मापते हैं, डेटा वॉल्यूम और अतिरेक को कम करने के लिए एक सरल और सहज तरीका प्रदान करते हैं, जबकि समृद्ध फीचर सेट भी प्रस्तुत करते हैं पारिस्थितिकी तंत्र और कृषि-पारिस्थितिकी तंत्र मॉडलिंग सहित अनुप्रयोगों की एक विस्तृत श्रृंखला के लिए उपयोगी हैं, जलवायु परिवर्तनशीलता और चरम घटनाओं, फसल-प्रकार के भेदभाव, और भूमि कवर, भूमि उपयोग और भूमि कवर परिवर्तन मानचित्रण के लिए स्थलीय पारिस्थितिक तंत्र की प्रतिक्रिया की निगरानी करना। मोडिस जैसे मोटे स्थानिक विभेदन उपकरणों से फेनोलॉजी की निगरानी और मानचित्रण करने के तरीके परिपक्व और परिचालन में हैं। हालाँकि, कई अनुप्रयोगों के लिए MODIS का स्थानिक संकल्प अपर्याप्त है। इस प्रस्ताव का लक्ष्य लैंडसैट 8 ओएलआई और सेंटिनल 2ए और 2बी एमएसआई डेटा की मिश्रित समय श्रृंखला के आधार पर एक परिचालन भूमि सतह फेनोलॉजी उत्पाद बनाना है। हमारे दृष्टिकोण के लिए प्रेरणा और पद्धतिगत आधार की व्याख्या करने के लिए, प्रस्ताव में चार मुख्य तत्व शामिल हैं। सबसे पहले, हम अपने प्रस्तावित उत्पाद के लिए अनुभवजन्य आधार और औचित्य को संक्षेप में प्रस्तुत करते हैं। दूसरा, हम अपने प्रस्तावित भूमि सतह फेनोलॉजी उत्पाद के लिए एक औपचारिक परिभाषा प्रदान करते हैं, जिसमें विज्ञान डेटा सेट का एक सेट शामिल है जो: (1) फेनोफ़ेज़ संक्रमणों के समय की पहचान करता है, (2) उपयोगकर्ता समुदाय को कम आयामी छवि डेटा सेट प्रदान करता है जो कैप्चर करता है मल्टीस्पेक्ट्रल और मल्टी-टेम्पोरल परिवर्तनशीलता के प्राथमिक तरीके और छवि समय श्रृंखला में अस्थायी सहसंबंध को कम करते हैं, और (3) निकट वास्तविक समय में मौसमी विसंगतियों की पहचान करते हैं। इस तरह, हमारा प्रस्तावित उत्पाद मौजूदा मोटे स्थानिक रिज़ॉल्यूशन एलएसपी उत्पादों से काफी आगे निकल जाता है, और एक विस्तृत और विविध उपयोगकर्ता समुदाय का समर्थन करने के लिए डिज़ाइन किया गया है। तीसरा, हम उस एल्गोरिथम का वर्णन करते हैं जिसका उपयोग इस प्रयास के लिए किया जाएगा, जिसे पिछले कई वर्षों में विकसित और परीक्षण किया गया है, साथ ही हमारे प्रस्तावित उत्पाद को उत्पन्न करने के लिए आवश्यक इनपुट डेटा आवश्यकताओं के साथ। चौथा, हम लैंडसैट 8 और सेंटिनल 2ए डेटा की मिश्रित समय श्रृंखला पर लागू हमारे एल्गोरिदम से परिणाम प्रस्तुत करते हैं जो परिचालन उत्पाद सत्यापन के लिए रणनीति के साथ-साथ हमारे एल्गोरिदम की प्रभावशीलता और सटीकता को प्रदर्शित करता है। प्रारंभिक कार्यान्वयन के लिए, हम नासा द्वारा उत्पन्न किए जा रहे हार्मोनाइज्ड लैंडसैट-सेंटिनल (HLS) डेटा सेट का उपयोग करके, और भूमि प्रक्रियाओं DAAC के माध्यम से हमारे परिणामों को वितरित करने के लिए, 30-मीटर स्थानिक रिज़ॉल्यूशन पर उत्तरी अमेरिका के लिए महाद्वीपीय पैमाने पर अपने उत्पाद को उत्पन्न करने का प्रस्ताव करते हैं। . इस प्रयास का समर्थन करने के लिए, हम स्वीडन में लुंड विश्वविद्यालय में प्रोफेसर लार्स एकलुंड के साथ सहयोग करेंगे, जो भूमि सतह फेनोलॉजी के अग्रदूतों में से एक है, जिसे यूरोप में सेंटिनल -2 पर आधारित भूमि सतह फेनोलॉजी एल्गोरिदम विकसित करने के लिए वित्त पोषित किया गया है, और जिसके साथ हमारे पास है एक सतत और सफल सहयोग।


TIMESAT- उपग्रह सेंसर डेटा की समय-श्रृंखला के विश्लेषण के लिए एक कार्यक्रम

उपग्रह सेंसर डेटा की समय-श्रृंखला को संसाधित करने के लिए तीन अलग-अलग न्यूनतम-वर्ग विधियां प्रस्तुत की जाती हैं। पहली विधि स्थानीय बहुपद कार्यों का उपयोग करती है और इसे अनुकूली सवित्स्की-गोले फ़िल्टर के रूप में वर्गीकृत किया जा सकता है। अन्य दो विधियाँ अधिक स्पष्ट कट-कम-वर्ग विधियाँ हैं, जहाँ डेटा क्रमशः हार्मोनिक कार्यों और असममित गाऊसी कार्यों के आधार पर फिट होते हैं। विधियों में सहायक डेटासेट से क्लाउड संदूषण पर गुणात्मक जानकारी शामिल है। परिणामी चिकने वक्रों का उपयोग बढ़ते मौसमों से संबंधित मौसमी मापदंडों को निकालने के लिए किया जाता है। विधियों को एक कंप्यूटर प्रोग्राम, TIMESAT में लागू किया जाता है, और अफ्रीका पर NASA/NOAA पाथफाइंडर AVHRR भूमि सामान्यीकृत अंतर वनस्पति सूचकांक डेटा पर लागू किया जाता है, जो मौसमी मापदंडों की स्थानिक रूप से सुसंगत छवियां देता है जैसे कि बढ़ते मौसम की शुरुआत और अंत, मौसमी रूप से एकीकृत NDVI और मौसमी आयाम . सामान्य सिद्धांतों के आधार पर, TIMESAT कार्यक्रम का उपयोग अन्य प्रकार के उपग्रह-व्युत्पन्न समय-श्रृंखला डेटा के लिए भी किया जा सकता है।


तकनीकी सत्यापन

भूमि कवर मानचित्र 2009�

जबकि एक एकल भूमि कवर मानचित्र का उत्पादन एक उपयोगी संदर्भ है, 13,42 समय के दौरान परिवर्तनों को दस्तावेज करने के लिए नियमित रूप से अद्यतन भूमि कवर मानचित्रों की आवश्यकता होती है, और भूमि कवर प्रकारों में अंतर का निरीक्षण करते हैं जो अक्सर बदलते हैं, जैसे अनाज, ब्रासिका के बीच फसल रोटेशन, फलियां, चारागाह और घास के मैदान और खाली जमीन। विवरण के प्रत्येक स्तर पर वर्षों के बीच तुलनीय सटीकता के साथ, 2009 से 2013 तक वार्षिक डीएलसी मानचित्र तैयार किए गए थे। ग्राउंड सत्यापन डेटा के स्वतंत्र सेट का उपयोग करके प्रत्येक मानचित्र (प्रत्येक वर्ष के लिए पीडीएलसी, एसडीएलसी और टीडीएलसी) के लिए त्रुटि मैट्रिक्स उत्पन्न किए गए थे। प्रत्येक वर्ष मूल्यांकन किए गए ग्राउंड डेटा बिंदुओं की कुल संख्या उन्हें एकत्र करने के लिए उपलब्ध संसाधनों पर निर्भर करती है। मूल्यांकन किए गए ग्राउंड डेटा बिंदुओं की संख्या 2009 में 4681, 2010 में 4989, 2011 में 4470, 2012 में 3767 और 2013 में 6034 थी।

प्रत्येक मानचित्र के लिए समग्र सटीकता (ग्राउंड डेटा के एक स्वतंत्र 25% यादृच्छिक चयन का उपयोग करके अंतिम सटीकता मूल्यांकन के आधार पर) तालिका 3 में प्रस्तुत की गई है। PDLC नक्शों की सटीकता सभी वर्षों के लिए 㺐% थी। एसडीएलसी नक्शों की समग्र सटीकता 72 से 80% के बीच थी। TDLC नक्शों की सटीकता ६१ से ६८% के बीच थी। प्राथमिक स्तर के वर्गीकरण में तीन वर्ग होते हैं: जल, गैर-काष्ठ वनस्पति और काष्ठ वनस्पति। वर्ग विवरण के इस स्तर पर, अधिकांश MODIS पिक्सेल मुख्य रूप से इन तीन वर्गों में से एक हैं। यह सार्वजनिक भूमि और कृषि क्षेत्रों में विशेष रूप से सच है, जो क्रमशः राज्य का 38 और 55% हिस्सा है। एक MODIS पिक्सेल के स्थानिक पैमाने पर भूमि कवर प्रकारों की विविधता बढ़ जाती है क्योंकि भूमि कवर वर्गों का विस्तार बढ़ता है, जैसा कि इस अध्ययन में प्रयुक्त माध्यमिक और तृतीयक भूमि कवर वर्गों में होता है। विविधता में इस वृद्धि का प्रभाव प्राथमिक स्तर के मानचित्रों की तुलना में माध्यमिक और तृतीयक स्तर के मानचित्रों की कम सटीकता में परिलक्षित होता है। जबकि मानचित्रों में वर्ग विवरण की सटीकता और स्तर कुछ हद तक परिदृश्य की विविधता से प्रभावित होते हैं, फिर भी वे व्यापक पैमाने पर भूमि कवर के बारे में लगातार, दोहराने योग्य जानकारी प्रदान करते हैं जो कई अनुप्रयोगों के लिए महत्वपूर्ण है।

टेबल तीन

2009 2010 2011 2012 2013
प्राथमिक प्रमुख भूमि कवर91.0%91.0%94.3%96.8%92.9%
माध्यमिक प्रमुख भूमि कवर72.9%77.4%74.5%80.9%76.3%
तृतीयक प्रमुख भूमि कवर68.3%64.5%64.5%61.6%66.1%

पीडीएलसी मानचित्र 2009�

पीडीएलसी स्तर काष्ठीय और गैर-काष्ठीय वनस्पतियों के संदर्भ में राज्य का व्यापक अवलोकन देता है। यह जल निकायों और उनमें पानी की मात्रा की भी पहचान करता है। 2009 से 2013 तक सभी पीडीएलसी वर्गीकरणों का उत्पादन करने के लिए एक मानक निर्णय वृक्ष का उपयोग किया गया था, जिसमें समग्र वर्गीकरण सटीकता 91% (तालिका 3) से अधिक है।

तालिका 4 2009 से पीडीएलसी वर्गीकरण परत के लिए समग्र, और वर्ग विशिष्ट, निर्माता और उपयोगकर्ता सटीकता दिखाती है, जहां सभी वर्गों में एक निर्माता और उपयोगकर्ता सटीकता 㺄% थी। 2009 PDLC के उदाहरण मानचित्र चित्र 4 में दिखाए गए हैं। 2009 पीडीएलसी वर्गीकरण ने पानी को बहुत सटीक रूप से पहचाना, लेकिन कुछ काष्ठ वनस्पतियों को गैर-वुडी वनस्पति के रूप में गलत वर्गीकृत किया। २०१३ और २०१० में, पानी के वर्गीकरण में त्रुटियां एक मुद्दा थीं: २०१० पीडीएलसी वर्गीकरण के लिए, पानी के लिए उत्पादक सटीकता ६९% थी जबकि २०१३ में यह ३४.६% थी। इन मामलों में, पानी को गैर-वुडी वनस्पति के रूप में गलत वर्गीकृत किया गया था। 2009 से 2013 तक पीडीएलसी वर्गीकरणों के लिए अन्य सभी सटीकता अनुमान 㺀% थे।


सार

दुनिया भर में जैव विविधता के तेजी से नुकसान और पारिस्थितिकी तंत्र के कार्यों और सेवाओं पर परिणामी प्रभावों को देखते हुए, हम जैव विविधता संरक्षण और स्थायी भूमि प्रबंधन के लिए प्रजातियों के वितरण के वर्तमान और स्थानिक रूप से निरंतर आकलन पर पहले से कहीं अधिक भरोसा करते हैं। पिछले दशक में, प्रजाति वितरण मॉडल (एसडीएम) में मानव-प्रेरित गिरावट, परिवर्तन और प्राकृतिक आवास के नुकसान के लिए स्पष्ट भूमि कवर डेटा की उपयोगिता पर सवाल उठाया गया है और दूरस्थ रूप से संवेदी चर का सीधे विश्लेषण करने वाले अध्ययनों की संख्या हाल ही में कई गुना बढ़ गई है। . जबकि कई धारणाएँ सुदूर संवेदन डेटा के लाभों का समर्थन करती हैं, एक अनुभवजन्य तुलना की अभी भी कमी है। इस अध्ययन का उद्देश्य इस अंतर को पाटना था और मौजूदा श्रेणीबद्ध भूमि कवर वर्गीकरण की उपयुक्तता और 30 मैक्सिकन वृक्ष प्रजातियों के वितरण पैटर्न के मॉडलिंग के लिए निरंतर रिमोट सेंसिंग चर की तुलना करना था। हमने लागू किया अधिकतम एन्ट्रॉपी स्वतंत्र रूप से दोनों डेटा प्रकारों के आधार पर प्रजातियों के वितरण की भविष्यवाणी करने के लिए एल्गोरिदम, मॉडल प्रदर्शन की मात्रा और विश्लेषण की गई प्रजाति-भूमि कवर संबंधों का विस्तार से विश्लेषण किया। इस तुलना के हिस्से के रूप में, हमने दो विशेष पहलुओं पर ध्यान केंद्रित किया, अर्थात् (1) विषयगत विवरण और (2) मॉडल प्रदर्शन पर भूमि कवर डेटा के स्थानिक संकल्प के प्रभाव। हमारे विश्लेषण से पता चला कि रिमोट सेंसिंग डेटा काफी बेहतर मॉडल भविष्यवक्ता थे और भूमि कवर-आधारित एसडीएम की मुख्य बाधा उनकी उपयुक्तता के समग्र overestimation के साथ-साथ उनकी बोल्ड भविष्यवाणियां थीं। लैंड कवर-आधारित मॉडलों में, हमने पाया कि एसडीएम प्रदर्शन के लिए स्थानिक संकल्प की तुलना में विषयगत विवरण अधिक महत्वपूर्ण था। हालाँकि, हमारे परिणाम यह भी बताते हैं कि भूमि कवर डेटा की उपयुक्तता प्रजातियों के बीच काफी हद तक भिन्न होती है और यह उनके निवास स्थान की विशिष्टता पर निर्भर करती है। हमारे निष्कर्षों का भविष्य की प्रजातियों के वितरण मॉडलिंग अध्ययनों के लिए प्रासंगिक निहितार्थ हैं, जिसका उद्देश्य भूमि की सतह की विशेषताओं पर डेटा द्वारा उनके टॉपो-जलवायु भविष्यवाणियों के सेट को पूरक करना है।


सूचना प्रणाली ईबुक के लिए भूमि पार्सल पहचानकर्ता मुफ्त

  • लेखक: डी डेविड मोयर
  • प्रकाशित तिथि: 01 अप्रैल 1973
  • प्रकाशक: अमेरिकन बार एसोसिएशन
  • पुस्तक प्रारूप: पेपरबैक::591 पृष्ठ
  • ISBN10: 091005858X
  • आईएसबीएन१३: ९७८०९१००५८५८२ डाउनलोड लिंक: सूचना प्रणाली के लिए भूमि पार्सल पहचानकर्ता

भूकर डेटा में किसानों की प्रतिपूर्ति के लिए पार्सल पहचान प्रणाली (IACS LPIS) का उपयोग भू-आवरण पर जानकारी को जियोकोड और एकीकृत करने के लिए किया जा सकता है। सूचना प्रणाली के लिए भूमि पार्सल पहचानकर्ता केनेथ पी। फिशर डी। डेविड मोयर एक प्रति जिसे पढ़ा गया है, लेकिन साफ ​​स्थिति में है। सभी पृष्ठ शहरी भूमि सूचना प्रणाली भाग लेने वाले संगठन और तकनीकी समिति हैं। यह ध्यान रखना महत्वपूर्ण है कि शहरी भूमि सूचना प्रणाली के विकास के लिए डिजिटल मैपिंग दृष्टिकोण को अपनाने और जीआईएस प्रौद्योगिकी के उपयोग की आवश्यकता नहीं है। कई मामलों में, यदि अधिकांश मामलों में नहीं, तो पूरी तरह से डिजिटल दृष्टिकोण की अनुशंसा नहीं की जाती है। भूमि पंजीकरण, अचल संपत्ति इकाइयों और भूमि पार्सल पहचान की प्रणाली। भूमि और भूमि प्रशासन और वास्तविक संपत्ति की जानकारी के प्रबंधन की। देश। लैंड बुक और कैडस्ट्राल सिस्टम के भीतर पहचानकर्ता का उपयोग किया जाता है। सूचना प्रणाली के लिए भूमि पार्सल पहचानकर्ता डी डेविड मोयर, ९७८०९१००५८५८२, बुक डिपोजिटरी में दुनिया भर में मुफ्त वितरण के साथ उपलब्ध है। एक पुस्तकालय से इसे पाओ! सूचना प्रणाली के लिए भूमि पार्सल पहचानकर्ता: [प्रतिलेख और कागजात]। [डी डेविड मोयर केनेथ पॉल फिशर अमेरिकन बार फाउंडेशन।] - भूमि पार्सल - पहचानकर्ता - संगतता - भूमि उपयोग और अन्य संबंधित डेटा के लिए पहचानकर्ता कार्य - एक संगत पार्सल पहचानकर्ता के लिए मानदंड - पार्सल पुराने पेपर-आधारित सिस्टम पार्सल को भ्रमित न करें प्रारूप की योजना संख्या और भूमि के पार्सल की भौगोलिक सूचना प्रणाली (जीआईएस) तस्वीर देखने के लिए। काउंटियों और उनके पार्सल नंबरिंग सिस्टम की एक सूची इस लिंक पर पाई जा सकती है: केनोशा काउंटी टैक्स पार्सल आइडेंटिफिकेशन सिस्टम का एक उदाहरण इस प्रकार है: टैक्स पार्सल आईडी मैप। जैसा कि इस भूमि सूचना कार्यालय से देखा जा सकता है कि कृषि के लिए भूमि पार्सल पहचान प्रणाली का स्वचालित मूल्यांकन पहला कदम भूमि कवर पहचान पर आधारित है, मानचित्रों पर आधारित आरपीए भौतिक भूमि पार्सल सीमाओं और भूमि के लिए सुविधाओं को आपके एफईआर मानचित्र पर रिकॉर्ड करने के लिए डिजिटल मानचित्र का उपयोग करता है। चूंकि आरपीए मुद्रित भूमि पार्सल नंबरों का उपयोग नहीं कर सकता है। एलपीआईएस - भूमि पार्सल पहचान प्रणाली। सिनर्जिस के उपयोग पर ग्राफिकल और वर्णनात्मक जानकारी में भूमि पार्सल पहचान प्रणाली का संचालन। जीआईएस लुकअप सिस्टम अब निम्नलिखित चरण में यह सारी जानकारी प्रदान करता है। आपको सड़क का पता या पार्सल पहचान संख्या खोजने की अनुमति देता है। सेल पहचानकर्ता, और पार्सल पहचान प्रणाली। यह मानक भूकर मानचित्र डेटा स्तर के रचनाकारों और अनुरक्षकों, व्यापक भू-स्थानिक सूचना प्रणालियों के उपयोगकर्ताओं और बहुउद्देशीय भूकर डेटा के उपभोक्ताओं, प्रौद्योगिकी के अनुप्रयोग में नवाचार के लिए पुरस्कार विजेता, डेटा संग्रह, भू-स्थानिक सूचना विज़ुअलाइज़ेशन के बीच बातचीत को भी संबोधित करता है। , और जनता की भलाई के लिए सोचा नेतृत्व। जमीन के मालिक और आम जनता। पार्सल मैप बीसी पार्सल पहचान प्रणाली का उपयोग करके सभी संपत्ति रिकॉर्ड के लिए एक सामान्य सूचकांक के रूप में पार्सल जानकारी ब्राउज़ करें और खोजें। निजी व्यापार क्षेत्र, और भूमि सूचना समुदाय (रियल्स जो पार्सल-आधारित जीआईएस लाभ का एक अनूठा सेट प्रदान करता है, खासकर जब गैर-स्थानिक भूमि सूचना प्रणाली का उपयोग करने के लिए लंबे समय से पार्सल पहचानकर्ताओं का उपयोग किया जाता है यह नक्शा नागरिक पते बीसी मूल्यांकन रोल सहित संपत्ति स्थानों को प्रदर्शित करता है। संख्या, भूमि शीर्षक कार्यालय पार्सल पहचानकर्ता और चुनावी क्षेत्र के लिए ज़ोनिंग जानकारी ए। चुनावी क्षेत्र ए में ग्रेट वैंकूवर क्षेत्रीय जिले की सीमा के साथ सभी भूमि शामिल हैं जो नगरपालिका के भीतर नहीं आती हैं। इस प्रणाली के साथ, भूमि के इलाकों को पार्सल पहचान संख्याएं सौंपी जाती हैं (पिन) जो भूमि अभिलेखों / मानचित्रण के बारे में अधिक जानकारी के लिए या पार्सल नंबर और एकड़ सहित संपत्ति लाइनों, भूमि स्वामित्व, और पार्सल जानकारी प्राप्त करने में मदद के लिए। भौगोलिक सूचना प्रणाली (जीआईएस) अक्सर नामित आबादी के लिए जनगणना ब्यूरो कोड से जुड़ी होती है लैंड पार्सल-आधारित सूचना प्रबंधन ईएसआरआई सर्वेक्षण इंजीनियरिंग जीआईएस शिखर सम्मेलन जून 16 19, 2007 सैन डिएगो, कैलिफोर्निया फ्रैंक डेर, पीएचडी पेन स्टेट यूनिवर्सिटी पार्सल शीर्षक जानकारी बीसी भूमि शीर्षक रजिस्टर से प्राप्त की जाती है। शीर्षक प्रश्न एक प्रणाली जनित विशिष्ट पहचान संख्या है। भूमि पार्सल पहचान प्रणाली (एलपीआईएस) अनुप्रयोगों के लिए छवि वर्णक्रमीय/रेडियोमेट्री मूल्यांकन। पृष्ठभूमि। डिजिटल सेंसर के चल रहे प्रचलन के साथ,


पर्यावरण और जलवायु परिवर्तन के अंतर्राष्ट्रीय जर्नल

भूमि संसाधनों के मूल्यांकन, निगरानी, ​​सुरक्षा और योजना के लिए भूमि उपयोग और भूमि कवर (एलयूएलसी) वर्गीकरण मानचित्रण महत्वपूर्ण है। उपग्रह छवियों से वांछित जानकारी निकालने में एक महत्वपूर्ण कारक सही स्थानिक संकल्प का चयन करना है। जमीन पर एक पिक्सेल के पैमाने को स्थानिक संकल्प के रूप में जाना जाता है। एक पिक्सेल सबसे छोटा 'डॉट' होता है जो एक ऑप्टिकल उपग्रह छवि बनाता है जो छवि के रूप में विस्तार के स्तर को परिभाषित करता है। इस पेपर में भारत के सोलापुर जिले की करमाला तहसील में विशेष रूप से जनवरी 2013 और नवंबर 2016 के लिए वर्गीकरण सटीकता के साथ पानी, निर्मित, बंजर भूमि, वनस्पति भूमि और परती भूमि वर्गों के क्षेत्रफल के आकलन की समीक्षा की गई थी। LULC उन्नत वाइड फील्ड की विभिन्न स्थानिक रिज़ॉल्यूशन छवियों द्वारा निहित है सेंसर (AWiFS), रैखिक इमेजिंग सेल्फ स्कैनिंग सेंसर (LISS-III), लैंडसैट -8 ऑपरेशनल लैंड इमेजर (OLI) और QGIS वातावरण में सेंटिनल -2A इमेजरी, जबकि वर्गीकरण अधिकतम संभावना एल्गोरिथ्म (MLA) का उपयोग करके किया गया था। AWiFS और LISS-III सेंसर के साथ-साथ Sentinel-2A और Landsat-8 OLI डेटा सेट से प्राप्त वर्गीकृत मानचित्रों की अलग-अलग तुलना की गई। स्थानिक विश्लेषण से पता चलता है कि सेंटिनल -2 ए, लैंडसैट -8, लिस III और एडब्ल्यूआईएफएस का कप्पा गुणांक 96.96%, 91.64%, 87.30% और 89.36% पाया गया। इसके अलावा, समग्र सटीकता क्रमशः 99.07%, 94.49%, 89.84% और 94.08% पाई गई। उच्च स्थानिक विभेदन (सेंटिनल-2A) के साथ वर्गीकृत छवि की सटीकता कम रिज़ॉल्यूशन (AWiFS) सेंसर की तुलना में अधिक जानकारीपूर्ण साबित हुई। प्रतिक्रिया पर, सेंटिनल -2 ए (10 मीटर) के बेहतर स्थानिक संकल्प ने लैंडसैट -8 (30 मीटर), लिस III (23 मीटर) और एडब्ल्यूआईएफएस (56 मीटर) के मोटे स्थानिक संकल्प की तुलना में अधिक सटीक विवरण और एलयूएलसी वर्गीकरण सटीकता को बढ़ाया। छवि। डेटा के अवलोकन से पता चला कि समग्र सटीकता और कप्पा गुणांक उपग्रह इमेजरी के स्थानिक रिज़ॉल्यूशन के अनुपात में पाया गया था। उच्च रिज़ॉल्यूशन वाला स्थानिक डेटा भी मिश्रित-पिक्सेल समस्या को बहुत कम करता है। अध्ययन से पता चला कि स्थानिक संकल्प एक महत्वपूर्ण भूमिका निभाता है और एलयूएलसी स्तर के वर्गीकरण विवरण और सटीकता को प्रभावित करता है।

  • रूई
  • LULC
  • सुदूर संवेदन
  • स्थानिक संकल्प
  • पर्यवेक्षित वर्गीकरण

कैसे उद्धृत करें

संदर्भ

शर्मा जे, प्रसाद आर, मिश्रा वीएन, यादव वीपी, बाला आर. लैंड यूज एंड लैंड कवर क्लासिफिकेशन ऑफ मल्टीस्पेक्ट्रल लैंडसैट- 8 सैटेलाइट इमेजरी यूजिंग डिस्क्रीट वेवलेट ट्रांसफॉर्म। आईएसपीआरएस-इंटरनेशनल आर्काइव ऑफ द फोटोग्रामेट्री, एक्सएलआईआई। 20185:703-706।

प्रकाशम, चक्र। रिमोट सेंसिंग दृष्टिकोण के माध्यम से भूमि उपयोग और भूमि कवर परिवर्तन का पता लगाना: कोडाईकनाल तालुक का एकस अध्ययन, तमिलनाडु इंटरनेशनल जर्नल ऑफ जियोमैटिक्स एंड जियोसाइंसेज। 20101.

इस्लाम के, जशीमुद्दीन एम, नाथ बी, नाथ टीके। मल्टी-टेम्पोरल रिमोट सेंस्ड इमेजरी का उपयोग करके भूमि उपयोग वर्गीकरण और परिवर्तन का पता लगाना: चुनाटी वन्यजीव अभयारण्य, बांग्लादेश का मामला। रिमोट सेंसिंग एंड स्पेस साइंस के मिस्री जर्नल। 201821(1):37-47

कोको एएफ, यू डब्ल्यू, अबुबकर जीए, हमीद आर, अलबसी एएएन। एक एकीकृत सेलुलर ऑटोमेटा और मार्कोव चेन मॉडल (सीए-मार्कोव) के माध्यम से ज़ारिया शहर, नाइजीरिया में स्थानिक-अस्थायी भूमि उपयोग / भूमि कवर परिवर्तन की निगरानी और भविष्यवाणी। स्थिरता। 202012:10452।

लैंडव्यूअर। उपग्रह इमेजरी डेटा का स्थानिक विभेदन क्या है? 2019 ।

सुवनप्रसिट सी, श्रीचाई एन, भूमि आवरण वर्गीकरण पर स्थानिक संकल्प के प्रभाव। एशिया-प्रशांत उन्नत नेटवर्क की कार्यवाही। 201233(39)

जियोइमेज प्राइवेट लिमिटेड SWIR रेजोल्यूशन+ संभावित अनलॉक करता है। 2018 https://www.geoimage.com.au/SWIR%20Series/resolution।

नीलेश्वरी येओले, सुयोग पी. उराडे। करमाला तालुका में मानचित्रण के लिए उच्च-रिज़ॉल्यूशन उपग्रह डेटा पर अध्ययन। इंटरनेशनल जर्नल ऑफ साइंस एंड रिसर्च (आईजेएसआर)। २०१५८(६)।

चावरे एसजी. वर्धा नदी बेसिन सुभाष जी. चावरे 2015 के उप-वाटरशेड के भूमि उपयोग और भूमि कवर मानचित्रण में रिमोट सेंसिंग और जीआईएस का अनुप्रयोग।

Ondieki सीएम, मुरीमी एस। भौगोलिक सूचना प्रणाली के अनुप्रयोग। इनयांग एच. I. डेनियल जे. (सं.), पर्यावरण निगरानी। 20092:314-340।

नोरोवसुरेन बी, त्सेवेन बी, बाटोमुंकुएव वी, रेनचिन टी, नटसागदोरज ई, यांगिव ए, मार्ट जेड। मंगोलिया में खांडगैत घाटी में अधिकतम संभावना विधि (2000 और 2019) का उपयोग करके भूमि कवर वर्गीकरण। आईओपी सम्मेलन सेवा.: पृथ्वी पर्यावरण। विज्ञान 2019381-012054।

शर्मा एनके, लमय जेबी, कुल्लू एनजे, सिंह आरके, जयसीलन एटी। सैटेलाइट रिमोट सेंसिंग का उपयोग करके झारखंड का भूमि उपयोग और भूमि कवर विश्लेषण। जे स्पेस साइंस एंड टेक। 20121:1-10.

Topaloglu RH, Sertel E, MUSAOĞLU N. लैंड कवर/यूज मैपिंग के लिए प्रहरी-2 और लैंडसैट-8 डेटा की वर्गीकरण सटीकता का आकलन। फोटोग्रामेट्री, रिमोट सेंसिंग और स्थानिक सूचना विज्ञान के अंतर्राष्ट्रीय अभिलेखागार। २०१६४१.

कौल एचए, सोपान I. उच्च-रिज़ॉल्यूशन अस्थायी उपग्रह डेटा का उपयोग करके भूमि उपयोग भूमि कवर वर्गीकरण और परिवर्तन का पता लगाना। पर्यावरण के जर्नल। 20121 (04):146-152।

चेन डी, स्टोव डीए, गोंग पी। वर्गीकरण सटीकता पर स्थानिक संकल्प और बनावट खिड़की के आकार के प्रभाव की जांच: एक शहरी पर्यावरण मामला। रिमोट सेंसिंग के अंतर्राष्ट्रीय जर्नल। 2004 25(11):2177-2192.

दीक्षा मिश्रा, सिंह बीएन. इलाहाबाद जिला प्रहरी-2 सेटेलाइट इमेजरी 2017 की बारा तहसील में भूमि उपयोग भूमि कवर का वर्गीकरण एवं आकलन।


तरीकों

भूमि कवर वर्गीकरण योजना

वार्षिक डीएलसी को पिक्सेल-आधारित वर्गीकरण के रूप में तैयार किया गया था, जिसमें प्रत्येक 250 मीटर पिक्सेल को उस वर्ष के लिए प्रमुख भूमि कवर के साथ लेबल किया गया था। भूमि कवर वर्गीकरण योजना एक तीन-स्तरीय पदानुक्रम (प्राथमिक, माध्यमिक और तृतीयक) है, जैसा कि तालिका 1 में विस्तृत है। प्राथमिक प्रमुख भूमि कवर (पीडीएलसी) स्तर में तीन वर्ग शामिल हैं: जल, लकड़ी की वनस्पति और गैर-वुडी वनस्पति। सेकेंडरी डोमिनेंट लैंड कवर (SDLC) टियर वुडी और नॉन-वुडी वनस्पति वर्गों को मुख्य रूप से उत्पादन में विभाजित करता है, जैसे कि बागवानी और कृषि उत्पादन, और अन्य वनस्पति जैसे देशी वुडी कवर और चरागाह और घास के मैदान। तृतीयक प्रमुख भूमि कवर (टीडीएलसी) टियर भूमि कवर प्रकारों के वर्गीकरण को और परिष्कृत करता है, विशेष रूप से कृषि उत्पादन से जुड़े।

इस्तेमाल किया गया डेटा

भूमि कवर वर्गीकरण कई इनपुट डेटा स्रोतों से प्राप्त होते हैं, जिन्हें तालिका 2 (केवल ऑनलाइन उपलब्ध) में संक्षेपित किया गया है। उपयोग किए गए डेटा के स्रोत, डेटा की व्युत्पत्ति और भूमि कवर वर्गीकरण उत्पन्न करने के लिए उपयोग किए जाने वाले कार्य प्रवाह का विवरण निम्नलिखित अनुभागों में दिया गया है।

दूर से महसूस किया गया डेटा

कई उपग्रह-आधारित सेंसर हैं जो पृथ्वी की सतह के बारे में वर्णक्रमीय जानकारी जैसे लैंडसैट, मोडिस, स्पॉट और रैपिडआई रिकॉर्ड करते हैं। उनके पास अलग-अलग स्थानिक, लौकिक और वर्णक्रमीय विशेषताएं हैं जो दूसरों की तुलना में विस्तृत क्षेत्र में भूमि कवर मैपिंग के लिए कुछ अधिक उपयुक्त बनाती हैं।

इस काम के लिए कई वैकल्पिक सेंसरों पर विचार किया गया। डेटा जो नियमित रूप से न्यूनतम या बिना आपूर्ति लागत के प्राप्त किया गया था, वर्तमान और भविष्य दोनों में इस कार्य को करने के लिए आवश्यक संसाधनों को कम करने के लिए माना जाता था। 30 मीटर स्थानिक विभेदन के साथ लैंडसैट डेटा, स्वतंत्र रूप से उपलब्ध हैं, नियमित रूप से प्राप्त किए जाते हैं और बड़े पैमाने पर भूमि कवर 3,33-37 को मैप करने के लिए उपयोग किए जाते हैं। हालाँकि, लैंडसैट डेटा का अस्थायी समाधान सीमित है, जिसमें 16 दिनों का पुनरीक्षण समय है। क्लाउड कवर अक्सर उच्च क्लाउड कवरेज के कारण दक्षिण-पश्चिमी विक्टोरिया जैसे क्षेत्रों में उपलब्ध छवियों की संख्या को प्रतिबंधित करता है। क्लाउड कवर के कारण कम छवि उपलब्धता विक्टोरिया के स्थानिक कवरेज को प्राप्त करने के लिए आवश्यक 19 लैंडसैट दृश्यों में लगातार बहु-अस्थायी अधिग्रहण प्राप्त करने की कठिनाई को बढ़ाती है। यह भूमि कवर प्रकारों में भेदभाव करते समय सीमाएं प्रस्तुत करता है, खासकर जब छवि समय श्रृंखला से प्राप्त वनस्पति फेनोलॉजी का उपयोग किया जाता है या कृषि परिदृश्य में जहां बढ़ते मौसम के दौरान डेटा उपलब्धता बहुत कम हो सकती है। इस डेटासेट के विकास के दौरान, उपग्रहों की लैंडसैट श्रृंखला से डेटा आपूर्ति की सुरक्षा की गारंटी 35,38 नहीं थी, इस विशेष कार्य के लिए इसकी उपयुक्तता को और सीमित कर दिया।

लैंडसैट डेटा की तरह, MODIS इमेजरी भी नियमित रूप से प्राप्त की जाती है और स्वतंत्र रूप से उपलब्ध होती है। जबकि MODIS इमेजरी का स्थानिक रिज़ॉल्यूशन लैंडसैट डेटा (250–1,000 मीटर) की तुलना में अधिक मोटा होता है, डेटा की अस्थायी आवृत्ति लैंडसैट की तुलना में बहुत बेहतर होती है, जो वनस्पति फेनोलॉजी विशेषताओं को प्राप्त करने के लिए उपयोगी है। MODIS डेटा का व्यापक रूप से लैंड कवर मैपिंग अनुप्रयोगों में उपयोग किया जाता है, खासकर जब व्यापक सीमा को कवर करने वाले मानचित्रों की आवश्यकता 10,13,39–42 होती है। MODIS इमेजरी का उपयोग उप-महाद्वीप 41, देशों 42, ईकोरियोजन 13, देश के वर्गों 6,15,40 और विश्व स्तर पर 10,39 जैसे क्षेत्रों में प्रति-पिक्सेल आधार पर भूमि कवर को मैप करने के लिए किया गया है। मोडिस इमेजरी 13,15,17,40 का उपयोग करके भूमि कवर प्रकारों को अलग करने के लिए डेटा की अस्थायी आवृत्ति अक्सर एक महत्वपूर्ण कारक होती है।

पिछले अध्ययनों से पता चला है कि अच्छी सटीकता (73-79.3% (10,13,40,41 वर्ष)) के साथ भूमि कवर मैपिंग को प्रति-पिक्सेल आधार पर 250-500 मीटर के स्थानिक रिज़ॉल्यूशन पर MODIS इमेजरी का उपयोग करके प्राप्त किया जा सकता है। लैंडसैट जैसे महीन स्थानिक विभेदन के साथ डेटा का उपयोग करते हुए लैंड कवर मैपिंग विक्टोरिया में की गई है, लेकिन राज्य-व्यापी कवरेज के बजाय एक छोटी स्थानिक सीमा पर, और ये नक्शे नियमित आधार पर तैयार नहीं किए जाते हैं। उदाहरणों में स्ट्रेज़्लेकी रेंज (दक्षिण-पूर्व विक्टोरिया में एक 40 किमी 2 अध्ययन क्षेत्र) 7, और कटांद्रा सिंचाई जिला (उत्तर-पूर्व विक्टोरिया में एक 2000 हेक्टेयर अध्ययन क्षेत्र) 2 शामिल हैं। जबकि लैंडसैट डेटा राज्य-व्यापी कवरेज के साथ सालाना अद्यतन किए गए भूमि कवर मानचित्र के लिए आवश्यक विशेषताओं को प्रदान नहीं कर सकता है, अधिक स्थानीयकृत डेटा जैसे कि सूक्ष्म विवरण पर जानकारी के साथ यदि आवश्यक हो तो पूरक सूचना के रूप में उपयोग किया जा सकता है। यह इस पत्र में प्रस्तुत कार्य के दायरे से परे है जो 2009 से 2013 तक राज्य-व्यापी मान्य भूमि कवर मानचित्र तैयार करने के लिए किए गए कार्य को प्रस्तुत करता है।

The MOD13Q1 Vegetation Indices product, which used for this work, has a swath of 2330 km, a spatial resolution of approximately 250 m and is produced as a composite image by selecting the highest quality pixel within a 16 day window, ensuring a cloud-free image is produced every 16 days. It includes spectral bands and indices particularly relevant to identifying vegetation characteristics red and near-infrared (NIR) reflectance, NDVI, and EVI 43,44 .

Red reflectance responds to levels of chlorophyll in vegetation, while NIR reflectance is more sensitive to cell structure within leaves. NDVI has been shown to respond to levels of chlorophyll and vegetation biomass, although the response becomes saturated over areas of dense vegetation 43,45–48 . As a simple ratio, NDVI is also able to reduce topography effects on image data 49 . EVI is based on the soil adjusted vegetation index (SAVI) 50 , the atmospherically resistant vegetation index (ARVI) and the soil adjusted and atmospherically resistant vegetation index (SARVI) 51 . EVI is designed to be more sensitive to vegetation canopy structural features and in areas of high vegetative biomass, does not exhibit the same saturation issue as NDVI 43,46 . EVI reduces atmospheric and background reflectance effects 43 however, it is more affected by topography than NDVI 52 . The responses of these data, and differences in response over time, help discriminate between different land cover types.

Red reflectance, NIR reflectance, NDVI and EVI datasets from the MOD13Q1 product were used to produce an annual DLC map. For each calendar year, an annual time series of 23 MOD13Q1 images 44 were downloaded via the United States Geological Service (USGS) Reverb website (http://reverb.echo.nasa.gov/reverb). Images were clipped to the study area extent and formatted to generate input files for the TIMESAT program. The TIMESAT program 18,19 was used to examine vegetation growth over a year and generate seasonal vegetation phenology parameters from EVI, NDVI, red and NIR reflectance MODIS data. An adaptive Savitzky-Golay filter was used in this study to smooth the image data, using a moving average 19 .

The seasonal parameters calculated were: the start and end of the growing season, the mid-point of the growing season, the length of the growing season, the base and maximum levels, the amplitude, the increase at the beginning of the season and decrease at the end of the season, and large and small integrals 18 . The annual standard deviation was calculated for the EVI, NDVI, red and NIR reflectance datasets separately. The processed images were reprojected from a Sinusoidal to VicGrid94 projection, maintaining the native pixel dimensions. The reprojected images were used to create a grid covering the state of Victoria, showing the MODIS pixel footprints across the study area. This pixel grid was used as a base for collecting ground data.

Ancillary data

A number of ancillary spatial data were also used to guide ground data collection and refine the land cover classifications. These were Primary Production Landscapes, water bodies and parks and reserves: these data are maintained by the Victorian State Government (https://www.data.vic.gov.au/). Primary Production Landscapes are zones defined by features such as terrain, soil, broad climate aspects and land management 53 . Victoria is divided into six major Primary Production Landscape regions and 22 sub-regions. Geographic datasets of known water bodies 54 , including lakes, reservoirs, streams and wetlands, were used to determine the potential location of water. Land tenure for Victoria, which differentiates land in terms of ownership was also used 55 . Land tenure is recorded in many categories but for this project they were amalgamated to form four broad categories: private land, public land, parks and reserves (including National Parks and State Forests), and forestry plantations located on public land. These categories were used to guide the allocation of specific land cover classes on different types of land tenure (e.g., non-woody production was excluded from parks and reserves and forestry plantations located on public land, while woody production was excluded from parks and reserves but permitted in areas marked as forestry on public land).

Ground based data

Ground-based data were collected for use in validation and calibration of the derived land cover maps. Ground-based data was collected within land parcels with a minimum area of 25 ha. An internal buffer of 150 m was applied to these parcels to limit the effects of boundaries and land cover transitions between parcels. Within these areas, MODIS 250 m pixel footprints were used as a minimum mapping unit, with final pixels used to record the land cover selected based on homogeneity and visibility 56,57 . The land cover present in one pixel can be influenced by surrounding pixels (spatial autocorrelation). This can affect the sample’s independence, which is an important consideration for validation and accuracy assessments of the classified product 58 . The influence of spatial autocorrelation was reduced in this study by using only one pixel per parcel. The pixel used was selected as the best representative of the particular parcel. Figure 2 shows a representation of the relationship between these field units. Ground data were collected in the field on a laptop computer using a geodatabase in ArcGIS TM (ref. 57). For each pixel, the date, TDLC class, more detailed information about the cover present (such as specific crop type or forest canopy density) and an indication of information reliability (e.g., excellent or poor) was recorded. Ground data was collected for each year a land cover map was produced (2009–2013). Ground data was collected during Spring and early Summer (October to December each year) as agricultural crops reach maturity during this period and are more easily identified in the field.

Example of field units used to collect ground data including a land parcel (red), a land parcel with a 150 m internal buffer applied (blue) and the 250 m MODIS pixels located within the buffered land parcel which could be used to record land cover information (green).

A common approach to ground data collection is to use a random stratified clustered sampling approach, to provide a balance between a statistically rigorous sampling design and the practicalities and costs of ground data collection 58–60 . Victoria was stratified on the basis of six Primary Production Landscape regions. Within these regions, samples were clustered based on 1:25,000 topographical maps. Map sheets were randomly selected. Areas within a 20 km radius of the map sheet boundary were also included in the sampling structure to increase the number of ground data points collected.

As a guiding principle, other studies have suggested a minimum of 50 samples per class is required for validation purposes 58,61,62 . The number of samples collected per class is dependent on the resources available (time, money and personnel) and is also affected by the availability of accessible and suitable ground data sites for each class. This study aimed to collect a minimum of 400 samples per class, although some classes were consistently over- or under-sampled, dependent on their occurrence in the landscape. Half of the ground data collected each year were randomly selected and used as training data to derive classification rule sets. The remaining data were used to validate the land cover maps, with 50% of the validation data used to validate interim maps and 50% used to provide a final accuracy assessment of the land cover maps 63 .

Producing an annual DLC product

The annual DLC product was produced using a three-tiered hierarchical classification scheme. The land cover classifications are undertaken using the software ENVI 4.8 TM and IDL 8.0 TM . Ground data and other ancillary data were compiled using ArcGIS TM . The PDLC and SDLC classifications were generated from decision trees with thresholds determined from ground data collected in 2012. The TDLC classification was generated from rule sets calculated using the See5 TM program, which uses the C5.0 algorithm 31,32 . The TDLC rule sets are specific for each year and are generated from the ground data and imagery collected during a single year. The broader classification layers (PDLC and SDLC) are also used when determining the final TDLC allocated to each pixel. Figure 3 provides a schematic diagram of the different processing steps used to generate the annual DLC product. The data used in each step are listed in Table 2 (available online only) which, together with Fig. 3 provides an overview of the dataset creation process.

Schematic diagram of the process used to create an annual state-wide land cover map.

Primary dominant land cover

A number of studies have utilized decision tree algorithms to generate land cover classifications from remotely sensed data 10,39,40 . Decision trees provide a robust, simple method of allocating data to classes based on value thresholds. They can incorporate categorical and non-parametric data, and thresholds can be defined without relying on calibration data 11 . A single decision tree was used to generate the PDLC classification for any given year to classify water, woody vegetation and non-woody vegetation. The decision tree was generated using the ENVI 4.8 TM and IDL 8.0 TM programs initially using thresholds based on observed values from ground data collected in 2012. This year was chosen as there were no major climatic events such as floods or widespread drought. Data from a single year was initially used to assess the performance of the decision tree when applied retrospectively. This was done to determine if the decision trees could be applied in years when ground data was not available (either historically or if ground data could not be collected in future years due to resourcing issues). PDLC and SDLC maps were calculated retrospectively from 2009–2011 as a result of this work and the 2013 maps were produced using the same decision tree. The accuracy of these maps is documented in the Technical Validation section and on the basis of these results no further calibration of the decision tree was undertaken.

Water was classified through an annual water mask generated using MODIS NDVI images for a calendar year and a map of known water bodies for the state of Victoria. The land cover map recorded the dominant, or majority, land cover over a given year. NDVI values were used to determine the presence and extent of water within known water bodies as water bodies do not always contain water, especially in drought years, and dry water bodies can sometimes be used for cropping or grazing. Water was considered present if a pixel was located within a mapped water body and had an NDVI value of <0.1 for more than 40% of the year (nine images in a year). This threshold was used to exclude intermittent surface water (such as flood waters) and non-permanent water bodies from the water class. The value was determined based on local knowledge and from testing a number of different thresholds to decide which best captured known water bodies that were covered by surface water for the majority of a given year.

This water mask was used for the primary, secondary and tertiary land cover classifications. The spatial data used in the decision tree to differentiate between non-woody and woody vegetation is listed in Table 2 (available online only). A error matrix was generated using the interim ground data validation set (Fig. 3). Inter-annual smoothing was used to create a final PDLC classification by restricting illogical land cover class transitions between years (for example, if a pixel was classified as woody vegetation in year one, non-woody vegetation in year two and woody vegetation in year three, then the pixel in year two was reclassified as non-woody vegetation). A error matrix was generated using the final validation data set. This, together with the smoothed classification layer, was used as the final PDLC classification product (Data Citation 1).

Secondary dominant land cover

The SDLC classification was generated by a second decision tree which separates woody vegetation cover into native woody cover and woody vegetation production (woody horticulture and plantation forestry), and separates non-woody vegetation cover into non-woody vegetation production (cropping or horticulture) and grasslands or pastures. The decision tree used the PDLC layer to determine the location of water and to restrict which SDLC classes could be attributed to a pixel. Spatial data used in the SDLC decision tree is listed in Table 2 (available online only). The process used to generate and validate the interim and final SDLC classification layers follows the method described for the PDLC classification layer. The final SDLC classification product and error matrix are available at Data Citation 1.

Tertiary dominant land cover

To produce the TDLC classification, the C5.0 algorithm in the See5 TM data mining program 31,32 was used to generate a series of rules from ground-based training data which were collected annually (Fig. 3). C5.0, and its predecessor C4.5 construct decision trees based on observed patterns in the input data. The algorithm also breaks down the decision tree classifier into a series of rule sets, presenting the decision tree in a format which is more readily understood and interpreted, and often more accurate than the original decision tree 32 . Pruning was used to reduce errors introduced by over-fitting the data and to simplify the decision tree 32 . Decision tree algorithms such as C5.0 make no assumptions about the statistical distribution of the data, so are able to utilize non-parametric input data 64,65 . Each rule has a series of statements based on training data and input spatial layers used, and also has a confidence value (0–1) which is an indication of the prediction confidence associated with a rule 31 . The input spatial data used were the TIMESAT seasonal parameters and annual standard deviation derived from NDVI, EVI, red and NIR reflectance (Fig. 3 and Table 2 (available online only)). The layers used for different classes are selected by the algorithm and vary between years. Not all input layers were used in the final rule sets for each year.

The TDLC classification was produced using rules generated by the C5.0 algorithm and additional logical rules (for example, cereal crops could not be located on public land). Ancillary data including the PDLC and SDLC classifications, and land tenure, were used in this process. The rule set generated by C5.0 is not mutually exclusive and therefore multiple rules can produce a valid classification result for a single pixel. To determine the final class allocation for a given pixel, a class weighting was calculated based on the cumulative confidence values of all valid rules for each pixel within a single class 31 . The most likely and second most likely class for each pixel was determined. The final class was allocated based on a series of logical statements that considered the primary and secondary classes, and the most likely and second most likely tertiary class for each pixel. A error matrix was generated using the interim ground data validation set.

Inter-annual smoothing of the TDLC classifications to restrict illogical class transitions between years was done to produce a final TDLC classification, using a similar process to that used for the PDLC and SDLC classifications. A error matrix was generated using the final validation data set. This, and the smoothed classification layer were used as the final TDLC classification product (Data Citation 1).


Land Cover Change Detection in Ulaanbaatar Using the Breaks for Additive Seasonal and Trend Method

where Yटी is the observed data at time t , Tटी is the trend component, Sटी is the seasonal component, and eटी is the remainder component [23]. It is assumed that Tटी is piecewise linear with segment-specific slopes and intercepts on the different segments of m + 1 ( m ≥ 0). Thus, there are m breakpoints , such that:

where i = 1, . . . , m and we define तथा represents the piecewise phenological cycle on different p + 1 ( p ≥ 0) segments divided by the seasonal breakpoints, तथा ), shown as:

Breakpoints in trend and seasonal components are detected iteratively [23,36,40] as follows: (1) breakpoints are estimated using the residuals-based moving sum (MOSUM) test, and are assessed by minimizing Bayesian information criterion (BIC) from the seasonally adjusted data , कहाँ पे is first found by the STL method [41] (2) तथा are estimated using robust regression based on M-estimations (3) breakpoints are similarly estimated by MOSUM and BIC from the de-trended data (4) revised is estimated based on the M-estimation (5) the estimation of parameters is iteratively performed until the number and position of breakpoints are unchanging.