Χαρτογράφηση των χρήσεων γής και της κάλυψης γης και της δυναμικής τους στη "δεξαμενή" του ποταμού Awash με χρήση τηλεπισκόπησης και GIS
Από RemoteSensing Wiki
Πρωτότυπος τίτλος:Mapping of land-use/land-cover changes and its dynamics in Awash River Basin using remote sensing and GIS
Συγγραφείς:Mahtsente Tadese, Lalit Kumar, Richard Koech, Benjamin K. Kogo
Citation:Mahtsente Tadese, Lalit Kumar, Richard Koech, Benjamin K. Kogo, Mapping of land-use/land-cover changes and its dynamics in Awash River Basin using remote sensing and GIS, Remote Sensing Applications: Society and Environment, Volume 19, 2020, 100352, ISSN 2352-9385, [1].
Πηγή: ScienceDirect
Λέξεις κλειδιά:Land-use/land-cover; Dynamics; Cropland; Forest; Population
Αντικείμενο εφαρμογής : Χρήσεις γης και κάλυψη γης
1. Χρήση και στόχος εφαρμογής:
Η παρούσα έρευνα μελετά τις χρήσεις γης και την κάλυψη γης, καθώς και τη δυναμική του, κάνοντας χρήση τηλεπισκόπησης και GIS και στοχεύει στην υποβοήθηση του σχεδιασμού στρατηγικών και πρακτικών στα πλαίσια της βιωσιμότητας του περιβάλλοντος και των οικοσυστημάτων, καθώς και στην διαχείριση της επισιτιστικής ανασφάλειας στην περιοχή.
2. Εισαγωγή:
Η κάλυψη γης και οι χρήσεις γης (LUCL) και ειδικότερα οι μεταβολές αυτών αποτελούν έναν από τους παράγοντες που οδηγούν σε οικολογικές μεταβολές σε τοπικό περιφερειακό και παγκόσμιο επίπεδο. Οι μεταβολές αυτές μπορεί να συνδέονται έμμεσα ή άμεσα με ανθρώπινες παρεμβάσεις (Etter et al., 2006; Manandhar et al., 2009) και μπορούν να επηρεάσουν ή και να επηρεαστούν απο το κλίμα. Επίσης, στην Αιθιοπία μελέτες έχουν αποδείξει τη σχέση μεταξύ LUCL με την υποβάθμιση της γης σε διάφορα μέρη της χώρας (Amsaluet al.,2007, Hurniet al., 2010, Garedewet al., 2009, Mesheshaet al.,2014, Tsegayeet al.,2010). Τέλος,η κατανόηση των μεταβολών της LUCL σε επίπεδο "δεξαμενή"ς, μαζί με τις αιτίες που προκαλούν τις μεταβολές αυτές, είναι ζωτικής σημασίας για την ανάπτυξη κατάλληλων πολιτικών και πρακτικών για τη διαχείριση του περιβάλλοντος.
3. Ο ρόλος της τηλεπισκόπησης:
Η χαρτογράφηση των μεταβολών χρήσεις γης με τη χρήση της τηλεπισκόπησης αποτελεί μια ποσοτική περιγραφή των αλλαγών της γης και βοηθά στον προσδιορισμό για το ποσοστό, την έκταση και το μοτίβο της δυναμικής των χρήσεων γης. Μια σειρά από διαφορετικές μεθόδους ταξινόμησης έχουν αναπτυχθεί και εφαρμοστεί ευρέως για τη χαρτογράφηση των LUCL. Οι μέθοδοι αυτοί είναι οι εξής: α) επιβλεπόμενη ταξινόμηση (μέγιστης πιθανοφάνειας, ελάχιστης απόστασης και παραλληλεπιπέδου), β) μη επιβλεπόμενης ταξινόμησης (ISODATA και Κ-means) και γ) μη παραμετρική (arest-neighbour classification, fuzzy classification, neutral networks and support vector machines)(Lu et al., 2004; Zhang et al., 2000; Al-Doski et al., 2013) . Μεταξύ αυτών οι μέθοδοι επιβλεπομενης ταξινόμησης είναι οι πιο δημοφιλείς (Rawat and Kumar, 2015; Kogo et al., 2019; Kibet Langat et al., 2019). Η χωρική ανάλυση αποτελεί κρίσιμο στοιχείο για την ταξινόμηση των εικόνων και επομένως η εκτίμηση της ακρίβειας των ταξινομημένων εικόνων είναι ιδιαίτερα σημαντική για την ανάπτυξη αξιόπιστων μεθόδων ταξινόμησης με χρήση της τηλεπισκόπησης (Owojori and Xie, 2005), και μπορεί να επιτευχθεί με τη χρήση μεθόδων όπως το μη παραμετρικό kappa test (Rosenfield and Fitzpatrick-Lins, 1986). Μια σειρά από έρευνες ταυτοποίησαν τη δυναμική της κάλυψης της γης με χρήση τηλεπισκόπησης σε διάφορες περιοχές της Αιθιοπίας (Garedew et al., 2009; Alemu, 2015; Kidane and Alemu, 2015; Bekele et al., 2019; Dinka, 2012).
4. Περιοχή μελέτης:
Ως περιοχή μελέτης επιλέχθηκε η "δεξαμενή" του ποταμού Awash (Awash River Basin-ARB) (Εικόνα 1). Η έκταση της είναι ίση με 112,000 km 2 και οι επιφανειακές απορροές ανέρχονται σε 4.9 δισεκατομμύρια . Η περιοχή χωρίζεται σε τρεις υποπεριοχές με βάσει φυσικά και κοινωνικοοικονομικά κριτήρια: i) Upper Awash (περιοχές άνω των 1500m), ii) Middle Awash ( περιοχές στα 1000-1500m) και iii) Lower Awash (περιοχές στα 500-1000m και η ανατολική "δεξαμενή"). Μέχρι και την διεξαγωγή της παρούσας έρευνας δεν υπήρχαν πληροφορίες σε σχέση με τις μεταβολές της LUCL και τα αποτελέσματα της πληθυσμιακής μεγέθυνσης.
5. Δεδομένα:
5.1 Τηλεπισκοπικά δεδομένα:
Χρησιμοποιήθηκαν εικόνες Landsat των ετών 1988, 2002 και 2018 (Πίνακας 1) για την ανάλυση της δυναμικής των μεταβολών στις χρήσεις γης σε διάστημα 30 ετών. Δόθηκε, επίσης, προσοχή στη διαθεσιμότητα εικόνων χωρίς νεφοκάλυψη. Οι εικόνες αντλήθηκαν από τον Earth Explorer ([2]) του USGS . Χρησιμοποιήθηκαν 9 εικόνες για να καλυφθεί η περιοχή μελέτης με path/row 66–169/52–54 για τις επιλεγμένες χρονιές.
Τα δεδομένα πεδίου της περιοχής μελέτης για την αξιολόγηση της ταξινόμησης λήφθηκαν τον Σεπτέμβριο του 2018 με χρήση GPS, ενώ συνεπικουρικά χρησιμοποιήθηκαν αρχειακές εικόνες Google Earth.
5.2 Δημογραφικά δεδομένα:
Τα απαραίτητα δεδομένα για την εκτίμηση της μεταβολής του πληθυσμού αντλήθηκαν από τις Αρχές της "δεξαμενή"ς Awash για τα έτη 2007, 2014 και 2019 και μέσα από βιβλιογραφική ανασκόπηση για το έτος 1985.
6. Μέθοδος:
Η μέθοδος που ακολουθήθηκε, σε σχέση με την επεξεργασία των δορυφορικών δεδομένων, στην παρούσα έρευνα αποδίδεται σχηματικά στην Εικόνα 2.
6.1 Προεπεξεργασία εικόνων:
Η προεπεξεργασία των εικόνων, για την καθιέρωση μιας άμεσης σύνδεσης των βιοφυσικών φαινομένων και των δεδομένων που χρησιμοποιήθηκαν, είναι κρίσιμη για την ανίχνευση των μεταβολών (Coppin et al., 2004). Διορθώθηκαν ατμοσφαιρικά και φασματικά σφάλματα, καθώς και σφάλματα λωριδοποίησης , ενώ αφαιρέθηκαν και τα σκοτεινά αντικείμενα Τέλος, εννιά δορυφορικές εικόνες χρησιμοποιήθηκαν για να δημιουργηθεί το μωσαϊκό που αναπαριστά την περιοχή μελέτης και στη συνέχεια καλύφθηκε με το shapefile της περιοχής.
6.2 Ταξινόμηση:
Δεδομένα πεδίου και η γνώση της περιοχής χρησιμοποιήθηκαν για την δημιουργία των δεδομένων εκπαίδευσης και την ερμηνεία. Δημιουργήθηκαν έξι κλάσεις: καλλιέργειες, θαμνώδεις περιοχές, κτίσματα, δάσος, υγρότοποι και υδάτινοι όγκοι. Για κάθε κλάση δημιουργήθηκαν 327 δεδομένα εκπαίδευσης κατ’ ελάχιστο μέσω ψηφιοποίησης κατάλληλων πολυγώνων. Ο αριθμός των πολυγώνων που ψηφιοποιήθηκαν διαφέρει βάσει των εκάστοτε μεταβλητών και με στόχο τη διευκόλυνση της ταυτοποίησης κάθε χρήσης γης. Η οπτικοποίηση των χαρακτηριστικών πραγματοποιήθηκε με ψευδο-έγχρωμα σύνθετα. Στη συγκεκριμένη έρευνα χρησιμοποιήθηκε επιβλεπόμενη ταξινόμηση ανά pixel και συγκεκριμένα ο αλγόριθμος μέγιστης πιθανοφάνειας (Rawat and Kumar, 2015; Lille-sand et al., 2015).
6.3 Μεταταξινομητική επεξεργασία:
Αρχικά, εκτιμήθηκε η ακρίβεια των ταξινομημένων εικόνων ως προς τα δεδομένα αναφοράς (Jianya et al., 2008; Congalton and Green, 2002). Η διαδικασία αυτή υλοποιήθηκε με δύο τρόπους:
A. Σύγκριση των αποτελεσμάτων της ταξινόμησης με την γνώση για την περιοχή και αρχειακές εικόνες Google Earth για τα
έτη 1988 και 2002 και με τα δεδομένα πεδίου για το έτος 2018.
B. Με το μη παραμετρικό Kappa test
Στη συνέχεια, η ανίχνευση των μεταβολών στην κάλυψη της γης πραγματοποιήθηκε σε περιβάλλον ENVI για τα έτη 1988/2002 και 2002/2018. Ενώ, τέλος, πίνακες διπλής εισόδου σε επίπεδο pixel χρησιμοποιήθηκαν για την ανίχνευση του τύπου και της έκτασης των μεταβολών στην κάλυψη της γης.
6.4 Μεταβολή του πληθυσμού:
Η επεξεργασία των δεδομένων έγινε σε περιβάλλον Εxcel. Για την εκτίμηση του πληθυσμού τα έτη 1988, 2002 και 2004 χρησιμοποιήθηκε η γραμμή τάσης για τα έτη 1985 και 2009. Tέλος, μελετήθηκε η στατιστικη σχέση μεταξύ της αύξηση του πληθυσμού και της LULC με χρήση του συντελεστή συσχέτισης Pearson.
7. Αποτελέσματα:
Αρχικά να σημειωθεί πως η ακρίβεια των ταξινομημένων εικόνων ανέρχεται σε 86,9, 88,7 και 92,6% για τις εικόνες 1988, 2002 και 2018 αντίστοιχα. Και στις τρεις περιπτώσεις ξεπερνά το κατώτερο όριο του 85% που τέθηκε από τον Anderson(1976).Οι συντελεστές Kappa ήταν 0,83 για το 1988 & 2002 και 0,88 για το 2018.Η ανάλυση έδειξε πως οι καλλιεργήσιμες εκτάσεις και τα κτίσματα επεκτάθηκαν εις βάρος των δασικών και θαμνωδων εκτάσεων, με τους θάμνους και τα δάση να μειώνονται κατά 4% και 25% αντίστοιχα κατά την περίοδο των 30 ετών. Τα υψηλά επίπεδα αποψίλωσης, σε συνδυασμό με την αύξηση του πληθυσμού, την αστικοποίηση και την επέκταση των καλλιεργήσιμων εκτάσεων, έχουν επηρεάσει τους διαθέσιμους υδάτινους πόρους και την απορροή στην περιοχή.
Σε σχέση με τη μεταβολή του πληθυσμού διαπιστώνεται ότι ρυθμός αύξησης του πληθυσμού του ARB ήταν 3,1% και 2,2% για την περίοδο 1988–2002 και 2002–2018 αντίστοιχα.
Τέλος, βάσει του συντελεστή συσχέτισης Pearson, προκύπτει ότι υπάρχει ισχυρή συσχέτιση:
- μεταξύ της αύξησης του πληθυσμού και της αύξησης της κατοικημένης έκτασης (r = 0.9677)
- μεταξύ της επέκτασης των καλλιεργήσιμων εκτάσεων (r =0,9990), της μείωσης των θάμνων (r=-0,9897) και της μείωσης της δασικής κάλυψης (r =-0,8990)
8. Συμπεράσματα:
Τα πορίσματα της μελέτης αυτής μπορούν να συμβάλουν στο σχεδιασμό στρατηγικών και πρακτικών περιβαλλοντικής διαχείρισης για τη διασφάλιση της βιωσιμότητας του οικοσυστήματος και των φυσικών πόρων. Η μελέτη δεν περιλαμβάνει ανάλυση της καταλληλότητας χρήσης γης, η οποία είναι ζωτικής σημασίας για τη δημιουργία βιώσιμης διαχείρισης των φυσικών πόρων στην ARB. Επιπλέον, η ποσοτικοποιημένη επίδραση της αλλαγής της χρήσης γης σε υδάτινους πόρους και στην άρδευση είναι σημαντική για τον σχεδιασμό βιώσιμων πολιτικών και στρατηγικών για τη διαχείριση της γης και των υδάτων. Ως εκ τούτου, συνιστάται περαιτέρω μελέτη σχετικά με τον αντίκτυπο της αλλαγής της κάλυψης γης στους διαθέσιμους υδάτινους πόρους και την ανάλυση της καταλληλότητας της γης.
ΑΝΑΦΟΡΕΣ
Al-Doski, J., Mansorl, S.B., Shafri, H.Z.M., 2013. Image Classification in Remote Sensing. Department of Civil Engineering, Faculty of Engineering, University Putra, Malaysia.
Alemu, B., 2015. The effect of land use land cover change on land degradation in the highlands of Ethiopia. J. Environ. Earth Sci. 5, 1–12.
Amsalu, A., Stroosnijder, L., de Graaff, J., 2007. Long-term dynamics in land resource use and the driving forces in the Beressa watershed, highlands of Ethiopia. J. Environ. Manag. 83 (4), 448–459.
Anderson, J.R., 1976. A Land Use and Land Cover Classification System for Use with Remote Sensor Data, vol. 964. US Government Printing Office.
Bekele, D., et al., 2019. Land use and land cover dynamics in the Keleta watershed, Awash River basin, Ethiopia. Environ. Hazards 18 (3), 246–265.
Congalton, R.G., Green, K., 2002. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices. CRC press.
Coppin, P., et al., 2004. Review ArticleDigital change detection methods in ecosystem monitoring: a review. Int. J. Rem. Sens. 25 (9), 1565–1596.
Dinka, M.O., 2012. Analysing decadal land use/cover dynamics of the Lake Basaka catchment (Main Ethiopian Rift) using LANDSAT imagery and GIS. Lakes Reservoirs Res. Manag. 17 (1), 11–24.
Etter, A., et al., 2006. Regional patterns of agricultural land use and deforestation in Colombia. Agric. Ecosyst. Environ. 114 (2-4), 369–386.
Garedew, E., et al., 2009. Land-use and land-cover dynamics in the central rift valley of Ethiopia. Environ. Manag. 44 (4), 683–694. Hurni, H., et al., 2010. Land Degradation and Sustainable Land Management in the Highlands of Ethiopia.
Jianya, G., et al., 2008. A review of multi-temporal remote sensing data change detection algorithms. Int. Arch. Photogram. Rem. Sens. Spatial Inf. Sci. 37 (B7), 757–762.
Kibet Langat, P., et al., 2019. Monitoring of Land Use/Land-Cover Dynamics Using Remote Sensing: A Case of Tana River Basin. Geocarto International, Kenya, pp. 1–20 just-accepted.
Kidane, D., Alemu, B., 2015. The effect of upstream land use practices on soil erosion and sedimentation in the Upper Blue Nile Basin, Ethiopia. Research Journal of Agriculture and Environmental Management 4 (2), 55–68.
Kogo, B.K., Kumar, L., Koech, R., 2019. Analysis of spatio-temporal dynamics of land use and cover changes in Western Kenya. Geocarto Int. 1–16. Lillesand, T., Kiefer, R.W., Chipman, J., 2015. Remote Sensing and Image Interpretation. John Wiley & Sons. Lu, D., et al., 2004. Change detection techniques. Int. J. Rem. Sens. 25 (12), 2365–2401.
Manandhar, R., Odeh, I., Ancev, T., 2009. Improving the accuracy of land use and land cover classification of Landsat data using post-classification enhancement. Rem. Sens. 1 (3), 330–344.
Meshesha, D.T., et al., 2014. Land-use change and its socio-environmental impact in Eastern Ethiopia’s highland. Reg. Environ. Change 14 (2), 757–768.
Owojori, A., Xie, H., 2005. Landsat image-based LULC changes of San Antonio, Texas using advanced atmospheric correction and object-oriented image analysis approaches. In: 5th International Symposium on Remote Sensing of Urban Areas. Tempe, AZ.
Rawat, J., Kumar, M., 2015. Monitoring land use/cover change using remote sensing and GIS techniques: a case study of Hawalbagh block, district Almora, Uttarakhand, India. The Egyptian Journal of Remote Sensing and Space Science 18 (1), 77–84. Rosenfield, G.H., Fitzpatrick-Lins, K., 1986. A coefficient of agreement as a measure of thematic classification accuracy. Photogramm. Eng. Rem. Sens. 52 (2), 223–227.
Tsegaye, D., et al., 2010. Land-use/cover dynamics in Northern Afar rangelands, Ethiopia. Agric. Ecosyst. Environ. 139 (1-2), 174–180. Zhang, S.-q., Zhang, S.-k., Zhang, J.-y., 2000. A study on wetland classification model of remote sensing in the Sangjiang Plain. Chin. Geogr. Sci. 10 (1), 68–73.T
