Methodology for land cover mapping based on remote sensing data in a subtropical area (SW of Angola)

Abstract

This study proposed to develop and assess a methodology for land cover mapping in a subtropical region of Southwestern Angola. The goal was not only to create a methodology for creating a land cover map but also an accompanying assessment procedure based on fieldwork observations to acquire quality reference data. The land cover classification was produced by training a Decision Tree Model using a high quality training set. The proposed methodology began with the characterization of the study area to create an appropriate land cover classification system. Literature review and extensive field work led to the characterization of the area which was centered on the municipality of Humpata, confined primarily to an afro-montane forest-grassland mosaic ecoregion. The visual analysis of satellite imagery provided insight into the radiometric distinction and location of certain classes while the field work served to verify specific classes and helped to distinguishing between classes, especially vegetation classes. Using the information acquired during the field observations a sample of 3880 pixels (combinations of individual pixels and 3x3 pixel groups) were selected for the training set. Roughly the same number of sample pixels was selected for each land cover class. The selection of the training set was limited almost exclusively to areas observed during the field work as opposed to selecting the sample using high definition images. This was done as an effort to guarantee the quality of the training set above all else. The great limitation and difficulty of this approach, as can be imagined, was the road access and time constraints. The limited information concerning road access in the study area led to a time-consuming exploration of the area and a dependency on guides or a third person during the field work. The training set was then used to calibrate and validate a Decision Tree Model, using one Landsat 8 image from the dry season and one from the rainy season. Validation of the model was done using 10% of the sample set. Once satisfactory results were acquired with the model, it was then used to classify the 2013/2014 Landsat 8 images thus creating a land cover map of the area at a spatial resolution of 30 m, presented at a scale of 1:100 000. The next step of the methodology was creating an accuracy assement procedure to verify the quality of the land cover classification. Once again, this was done almost exclusively using field work observations. A random stratified design was used to select the sample for the accuracy assessment limited to the area with road acces. Two classes, however, were assessed using Google Earth images instead of ground observation because of complete lack of access. The classification system was made up of 16 Level II land cover classes and 8 Level I land cover classes. The overall assessment showed 72% accuracy for the Level II classes and 81% accuracy for the Level I classes. Individual 2x2 km areas were selected in the different regions of the mapped area in order to further evaluate the accuracy of the model and therefore acquire a greater understanding of the overall quality of the classification. This analysis highlighted the accuracy of the different land cover classes in the various sectors of the study area. The accuracy of the model was also assessed in a similar area to the East of the original mapped area to verify its application to an area in which it was not calibrated. Verification in this area, because of time constraints, was done using only Google Earth images and not ground observations. As a result, it was impossible to verify the Level II land cover classes. Using Google Earth made it very difficult if not impossible to distinguish and verify the different vegetation classes. The assessment, therefore, was restricted to verifying the 8 Level I land cover classes. The assessment showed a decrease in accuracy in this area compared to the original mapped area. The overall accuracy was 71%. This decrease in accuracy could be due to the fact that verification was done using Google Earth images, instead of ground observation, or perhaps due to the fact that the model was not calibrated in this specific area. Nevertheless, these results are promising and show the possible application of the model in classifying areas with similar characteristics as the original mapped area. A further assessment was done of the training set acquired in the first stages of the methodology, to verify its application in training models for classifying images of different/future years. This assessment was done using Landsat 8 images from 2017. Based on a visual analysis, specific pixels were removed from the training set that showed evidences of significant change since the images used for calibration (2013/2014). A decision tree model was then calibrated using the updated training set. The validation of the algorithm for the classification of the 2017 images resulted in an accuracy of 87%. These good results attest to the quality of the training set, and its potential for future classifications and as a tool for continual land cover monitoring. In summary, the results of this study show that even with the limited access described many times before, the proposed methodology based on field work is a robust tool for studies on land cover evaluation. The acquired training set can also be used in future support of other research and be an essential tool for monitoring land cover in southwest Africa and, thus, in evaluating the impact of climatic change applied in different contexts as opposed to being limited to creating this specific land cover map. It is hoped that this methodology would contribute to other land cover mapping studies in places with similar characteristics.

Este estudo visa desenvolver e avaliar uma metodologia para o mapeamento da cobertura do solo numa região subtropical no Sudoeste de Angola. O objetivo não era apenas criar uma metodologia para a criação duma carta de cobertura do solo, mas também um procedimento de avaliar a sua precisão, baseado em observações de campo para a aquisição de dados de referência de qualidade. A classificação da ocupação do solo foi produzida através da calibração de um modelo de árvore de decisão usando um conjunto de treino de alta qualidade. A metodologia proposta começou com um processo de caracterização da área de estudo, para criar um sistema de classificação de cobertura do solo apropriado. A revisão de literatura e trabalho de campo extensivo levou à caracterização da área que estava centrada no município da Humpata, confinado primordialmente a uma eco região de Mosaico Florestal Angolano de Pastagem de Montanha. A análise visual de imagens de satélite forneceu informação sobre a separação radiométrica e localização de certas classes enquanto o trabalho de campo serviu para verificar classes específicas e auxiliou a distinguir entre diferentes classes, especialmente classes de vegetação. Utilizando a informação adquirida durante as observações do trabalho de campo uma amostra de 3380 pixéis (combinações de pixéis individuais e grupos de 3x3 pixéis) foi selecionada para o conjunto de treino. Aproximadamente o mesmo número de pixéis de amostra foram selecionados por classe de cobertura do solo. A seleção do conjunto de treino foi limitada quase exclusivamente a áreas acessíveis ao trabalho de campo, ao invés de selecionar apenas amostras recorrendo a imagens de alta resolução. Isto foi uma tentativa de garantir, acima de tudo, a qualidade do conjunto de treino. A grande limitação e dificuldade, como pode-se imaginar, foi o acesso por estrada e as limitações de tempo. A informação disponível acerca dos acessos na área de estudo levou a longas explorações na área de estudo e a dependência em guias durante o processo de trabalho de campo. O conjunto de treino foi então usado para calibrar e validar o modelo de árvore de decisão, utilizando uma imagem Landsat 8 do tempo de seco e uma do tempo chuvoso. A validação do modelo foi feita utilizando 10% dos pixéis do conjunto de amostras. Uma vez obtidos resultados satisfatórios com o modelo, este foi utilizado para classificar a imagem Landsat 8 referente aos anos 2013/2014, assim criando uma carta de ocupação do solo da área numa resolução espacial de 30 m, apresentada numa escala de 1:100 000. O passo seguinte foi o de criar um procedimento de avaliação da precisão para verificar a qualidade da classificação da cobertura do solo. Mais uma vez, isto foi feito quase exclusivamente utilizando observações do trabalho de campo. Um design de aleatório de estratificação foi usado para selecionar a amostra para a avaliação de precisão limitada às áreas acessíveis no terrneno por estrada. Duas das classes, contudo, foram verificadas utilizando imagens do Google Earth em vez de observações de campo por forte limitações de acesso. O sistema de classificação foi constituído por 16 classes de cobertura do solo do Nível I e 8 do Nível II. A avaliação geral da classificação mostrou 72% de precisão da classificação com 16 classes e 81% para a classificação com 8 classes. Áreas de 2x2 km foram selecionadas em diferentes zonas da área mapeada com o propósito de melhor avaliar o modelo e assim adquirir uma maior compreensão da qualidade geral da classificação. Esta análise permitiu avaliar a precisão das diferentes classes de cobertura do solo em diferentes sectores da área de estudo. O modelo foi também testado numa área contígua situada na margem leste para verificar a sua aplicabilidade numa área não usada previamente nas áreas de treino. Devido a constrangimentos de tempo a avaliação da qualidade dos resultados do modelo, foi apenas feita com o suporte de imagens do Google Earth e não por observações no campo. Por esta razão, não foi possível verificar as clases do Nível II, difíceis de distinguir na escala das imagens do Google Earth optando-se por trabalhar apenas com as 8 classes do Nivel I. Em 71% dos casos os resultados foram satisfatórios. Comparativamente à situação observada na área em estudo, este resultado indica uma pequena diminuição da qualidade do modelo definido para a área de teste. Esta diminuição poderá ser devido ao facto da avaliação ter sido feito apenas utilizando imagens do Google Earth, em vez de observações no campo, ou talvez devido ao facto de que o modelo não foi calibrado nesta área specifica. De qualquer forma, estes resultados são promissores e mostram as possíveis aplicações do modelo em classificar áreas com características semelhantes à da área original. Foi também testada aplicação do modelo à mesma área mas em anos diferentes daqule que serviu à calibração do modelo. Esta avaliação suportou-se em dados expressos em imagens de Landsat 8 do ano 2017. Baseado numa avaliação visual, foram removidos todos os pixies do conjunto de treino que mostravam evidências de que a área que representam sofreu alterações significativas desde o ano em que foram obtidas as imagens previamente calibradas (2013/2014). Um modelo de árvore de decisão foi calibrado usando o conjunto de treino que foi objeto do refinamente descrito. Na validação do algoritmo à classificação das imagens de 2017 obteve-se uma precisão de 87%. Estes bons resultados mostram a qualidade do conjunto de treino, e o seu potencial para classificações de imagens futuras e como uma ferramenta para a monitorização contínua da cobertura do solo. Em síntese os resultados do presente trabalho de investigação indicam que, mesmo com as limitações atrás várias vezes decritas, a metodologia proposta, baseada no trabalho de campo, é uma ferramenta robusta em estudos de avaliação da cobertura do solo. O conjunto de treino obtido poderá também servir no futuro de apoio a outros trabalhos de investigação e ser uma ferramenta essencial para a monitorização da cobertura do solo no sudoeste de África e, assim, avaliar o impacte das alterações climáticas aplicadas em diferentes contextos ao contrário de serem limitados apenas à criação desta carta de cobertura de solo. Espara-se que esta metodologia podesse contribuir para outros estudos de cobertura de solo em lugares com características semelhantes.