Object-based change detection using semivariogram indices derived from NDVI images: The environmental disaster in Mariana, Brazil

Abstract

Object-based change detection is a powerful analysis tool for remote sensing data, but few studies consider the potential of temporal semivariogram indices for mapping land-cover changes using object-based approaches. In this study, we explored and evaluated the performance of semivariogram indices calculated from remote sensing imagery, using the Normalized Differential Vegetation Index (NDVI) to detect changes in spatial features related to land cover caused by a disastrous 2015 dam failure in Brazil's Mariana district. We calculated the NDVI from Landsat 8 images acquired before and after the disaster, then created objects by multiresolution segmentation analysis based on post-disaster images. Experimental semivariograms were computed within the image objects and semivariogram indices were calculated and selected by principal component analysis. We used the selected indices as input data to a support vector machine algorithm for classifying change and no-change classes. The selected semivariogram indices showed their effectiveness as input data for object-based change detection analysis, producing highly accurate maps of areas affected by post-dam-failure flooding in the region. This approach can be used in many other contexts for rapid and accurate assessment of such land-cover changes.Index terms: Remote sensing; geostatistics; feature extraction. RESUMORecentemente, variáveis geoestatísticas derivadas de imagens de sensoriamento remoto ganharam espaço dentre os procedimentos de detecção de mudanças, porém, o potencial temporal destas variáveis para o mapeamento das mudanças baseado na análise por objetos ainda é pouco estudado. Neste estudo, o desempenho de um conjunto de índices calculados de semivariogramas derivados de imagens NDVI bitemporais para detectar mudanças na cobertura do solo foi analisado e avaliado. O município de Mariana foi selecionado para teste e validação da metodologia devido ao grande impacto ocasionado pelo desastre. O processo iniciou-se com a aquisição de imagens Landsat 8 antes e após o desastre e o cálculo do NDVI. Os objetos foram criados através da segmentação em multiresolução baseada na imagem pós-desastre. Os semivariogramas experimentais foram gerados dentro de cada objeto e os índices foram extraídos e selecionados através da análise de componentes principais. Os índices selecionados foram utilizados como dados de entrada para o algoritmo support vector machines para a classificação de áreas de mudança e não mudança. Os índices selecionados se mostraram efetivos para a detecção de mudanças, indicando a possibilidade de utilização para a detecção de mudanças baseada em objetos, resultando em um mapa precisos das áreas inundadas afetadas pelo desastre. Esta abordagem pode ser usada em muitos outros contextos para uma avaliação rápida e precisa de tais mudanças na cobertura do solo.Termos para indexação: Sensoriamento remoto; geostatistica; extração de atributos.

Using Spatial Features to Reduce the Impact of Seasonality for Detecting Tropical Forest Changes from Landsat Time Series

“…The scale of segmentation directly influences the size of the objects connected to the semivariogram predefined criteria (lag distance) and the minimum number of pixels inside each object necessary to generate the semivariogram makes this segmentation parameter crucial at this point. Based upon starting values found in the literature [48], we then used a "trial-and-error" approach [54] to find the appropriate scale parameter [55] that was set to 150 [37]. The image segmentation outputs were assessed based on a visual assessment of segmentation suitability.…”

“…We attempted to find an optimal lag distance to ensure that sill values would provide a concise description of data variability. We fixed the number of lags as 20 pixels and the lag size equivalent to image spatial resolution (30 m), resulting in a lag distance of 600 m [37,58].…”

“…Previous studies have shown that pixel-based change detection can suffer from not including additional information regarding the spatial context [32]. The inclusion of spatial information can reduce the small or spurious changes [33] and also allow for the incorporation of supplemental spatial information, such as geostatistical features [34][35][36][37]. Although pixel-based approaches also generate spatial information, the neighborhood used to retrieve the information is often defined by a square window that is easy to implement.…”

Análise de tendências fluviométricas na região hidrográfica da Calha Norte – PA

“…O estudo de tendências em séries de vazões de uma revela o seu comportamento ao longo do tempo. As tendências são inclinações nos valores de dada variável hidrológica, usando como parâmetros os níveis de significância estatísticas, podendo revelar um acréscimo ou decréscimo em seus volumes no decorrer dos anos, ou mesmo atestar a hipótese de uma distribuição homogênea nesses dados, o que revelaria a ausência de tendências significativas (Silveira et al, 2017).…”

“…O teste de Mann-Kendall é um dos principais métodos não-paramétricos mais indicados e aplicados para variáveis que envolvam processos estocásticos, como nos casos das vazões e das precipitações (Marengo e Alves, 2005;Ferreira et al, 2013;Silveira et al, 2017). Silveira et al (2017) avaliaram a tendência de uma série histórica de precipitação pluviométrica da estação Abunã, localizado em Porto Velho-RO, e as influências dos eventos climáticos El Niño e La Niña nessa região. Aplicaram o teste estatístico de Mann-Kendall, e concluíram uma tendência de crescimento da precipitação, caracterizando o comportamento hidrológico típico da região amazônica e influência dos eventos La Niña.…”