Land cover classification based on NDVI using LANDSAT8 time series: A case study Tirupati region

Jeevalakshmi, D; Reddy, Sreedhar; Manikiam, B.

doi:10.1109/iccsp.2016.7754369

Cited by 58 publications

(32 citation statements)

References 3 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Los valores de máximos y mínimos de NDVI obtenidos de las imágenes Landsat variaron para cada año, esto debido a que se han obtenido a partir de sensores diferentes, en rangos de 32 días sin cobertura nubosa y en algunos casos en condiciones atmosféricas distintas (Jeevalakshmi et al, 2016); sin embargo, a pesar de esto se puede ver una diferencia de patrones de cambio al comparar visualmente las imágenes NDVI, tal como indica Gandhi et al (2015) con el NDVI se puede determinar una producción vegetal y detectar cambios en esta, lo que indica que trabajar con imágenes y procesarlas en GEE es importante ya que el procesamiento se realiza mediante la computación en la nube, como se indicó anteriormente la selección de imágenes fue de 32 días y con casi nula cobertura nubosa lo cual es permitido por la plataforma GEE debido a que cuenta con un algoritmo de reducción de cobertura nubosa, esto para áreas de estudio como las de Amazonía peruana facilita la selección de imágenes debido a la gran cobertura nubosa estacional que se presenta en estas áreas de estudio y que finalmente mediante GEE es más fácil integrar series temporales NDVI estacionales (Gandhi et al, 2015;Huang et al, 2017); lo que permitiría obtener datos precisos, útiles y efectivos para utilizarlos en la generación de insumos para la gestión del territorio (Patel et al, 2015).…”

Section: Discussionunclassified

Predicción de la pérdida de la cobertura vegetal por aumento de áreas urbanas en Iquitos, Perú

Vega

Zárate-Gómez

Vela

et al. 2020

View full text Add to dashboard Cite

La pérdida del bosque amazónico ocasionada por el crecimiento de las ciudades afecta de manera directa al clima, generando islas de calor en áreas urbanas y un deterioro o pérdida de hábitats naturales de especies de flora y fauna en áreas periurbanas. No existe mucha información espacial sobre los cambios de cobertura vegetal ocasionados por el crecimiento urbano, ni sobre sus efectos en un mediano y largo plazo, a pesar que el conocimiento de estos cambios es fundamental para la planificación y la gestión del territorio urbano y rural. El objetivo del estudio fue determinar un escenario de predicción para la pérdida del bosque en la ciudad de Iquitos al 2029. Para ello se procesaron en Google Earth Engine (GEE) datos del Índice de Vegetación de Diferencia Normalizada (NDVI) de imágenes Landsat del periodo 1999 y 2018, lo que permitió, aplicando Redes Neuronales Artificiales y Autómatas Celulares, generar un escenario para el año 2029. El principal cambio para el año 2029 se corresponde con las categorías de “vegetación no intervenida” y “construido”, pronosticando una pérdida de 375 ha en el primero y un aumento de 318 ha en el segundo. Se concluye que GEE permite obtener datos procesados de imágenes de satélite que son útiles y efectivos, los escenarios obtenidos fueron moderados y sustanciales, con una tendencia a la pérdida de la vegetación por aumento de la categoría “construido” en la ciudad de Iquitos y alrededores.

show abstract

Section: Discussionunclassified

Predicción de la pérdida de la cobertura vegetal por aumento de áreas urbanas en Iquitos, Perú

Vega

Zárate-Gómez

Vela

et al. 2020

View full text Add to dashboard Cite

show abstract

“…NDVI layers experienced much less category mixture in the case of minimum, standard deviation and maximum values. Due to the fact that the NDVI is a widely-used robust index for distinguishing main land cover classes [71][72][73][74], it may have become helpful in separating the main CLC categories. Miomir et al [75] investigated opportunities for a good practice of updating the national forest inventory in Serbia by comparing CLC and NDVI-based solutions based on Landsat images from different years.…”

Section: Clc Classes and The Mixture Of Spectral Featuresmentioning

confidence: 99%

Validation of Visually Interpreted Corine Land Cover Classes with Spectral Values of Satellite Images and Machine Learning

Varga

Kovács²,

Bekő

et al. 2021

Remote Sensing

View full text Add to dashboard Cite

We analyzed the Corine Land Cover 2018 (CLC2018) dataset to reveal the correspondence between land cover categories of the CLC and the spectral information of Landsat-8, Sentinel-2 and PlanetScope images. Level 1 categories of the CLC2018 were analyzed in a 25 km × 25 km study area in Hungary. Spectral data were summarized by land cover polygons, and the dataset was evaluated with statistical tests. We then performed Linear Discriminant Analysis (LDA) and Random Forest classifications to reveal if CLC L1 level categories were confirmed by spectral values. Wetlands and water bodies were the most likely to be confused with other categories. The least mixture was observed when we applied the median to quantify the pixel variance of CLC polygons. RF outperformed the LDA’s accuracy, and PlanetScope’s data were the most accurate. Analysis of class level accuracies showed that agricultural areas and wetlands had the most issues with misclassification. We proved the representativeness of the results with a repeated randomized test, and only PlanetScope seemed to be ungeneralizable. Results showed that CLC polygons, as basic units of land cover, can ensure 71.1–78.5% OAs for the three satellite sensors; higher geometric resolution resulted in better accuracy. These results justified CLC polygons, in spite of visual interpretation, can hold relevant information about land cover considering the surface reflectance values of satellites. However, using CLC as ground truth data for land cover classifications can be questionable, at least in the L1 nomenclature.

show abstract

“…Remote sensing is the art of science obtaining and analyzing information about phenomenon, area or object using a physical device without a physical contact. It provides constant and tedious view of the earth surface [1]. It offers a reliable and repetitive perspective of the earth's surface.…”

Section: Introductionmentioning

confidence: 99%

Classification of Landsat-8 Imagery Based On Pca And Ndvi Methods

Dasu¹,

Reddy²,

Reddy³

2019

IJITEE

View full text Add to dashboard Cite

Remote sensing is an important issue in satellite image classification. In developing a significant sustainable system in agriculture farming, the major concern for remote sensing applications is the crop classification mechanism. The other important application in remote sensing is urban classification which gives the information about houses, roads, buildings, vegetation etc. A superior indicator for the presence of vegetation can be computed from the vegetation indices of a satellite image. This indicator supports in describing the health of vegetation through the image attributes like greenness and density. The other parameter in detecting objects or region of interest is an image is the texture. A satellite image contains spectral information and can be represented by more spectral bands and classification is very tough task. Generally, Classification of individual pixels in satellite images is based on the spectral information. In this research paper Principle component analysis and combination of PCA and NDVI classification methods are applied on Landsat-8 images. These images are acquired from USGS. The performance of these methods is compared in statistical parameters such as Kappa coefficient, overall accuracy, user’s accuracy, precision accuracy and F1 accuracy. In this work existing method is PCA and proposed method is PCA+NDVI. Experimental results shows that the proposed method has better statistical values compared to existing method.

show abstract

Land cover classification based on NDVI using LANDSAT8 time series: A case study Tirupati region

Cited by 58 publications

References 3 publications

Predicción de la pérdida de la cobertura vegetal por aumento de áreas urbanas en Iquitos, Perú

Predicción de la pérdida de la cobertura vegetal por aumento de áreas urbanas en Iquitos, Perú

Validation of Visually Interpreted Corine Land Cover Classes with Spectral Values of Satellite Images and Machine Learning

Classification of Landsat-8 Imagery Based On Pca And Ndvi Methods

Contact Info

Product

Resources

About