Ανίχνευση των αλλαγών των αδιαπέρατων επιφανειών με εικόνες Landsat πολλαπλών χρονικών δεδομένων στο αστικό-αγροτικό όριο

Από RemoteSensing Wiki

Αναθεώρηση της 00:24, 20 Μαρτίου 2015

Εικόνα 1. Σύγκριση των έγχρωμων σύνθετων των απεικονίσεων Landsat TM και QuickBird (2008), που απεικονίζει το πρόβλημα των μικτών pixels σε σχετικά χονδροειδούς χωρικής ανάλυσης εικόνες.

Εικόνα 2. Η περιοχή μελέτης - Município de Lucas do Rio Verde, Πολιτεία του Mato Grosso, Βραζιλία.

Εικόνα 3. Η στρατηγική της χρήσης Landsat TM και QuickBird εικόνων για τη χαρτογράφηση των αδιαπέρατων επιφανειών και την παρακολούθηση της δυναμικής τους αλλαγής.

Εικόνα 4. Η αλλαγή των αδιαπέρατων επιφανειών από το 1977 έως το 2008. Απεικονίζεται τμήμα της περιοχής μελέτης Município de Lucas, Mato Grosso, Βραζιλία.

Αντικείμενο Εφαρμογής: Παρακολούθηση και χαρτογράφηση των κλασμάτων των αδιαπέρατων επιφανειών στο αστικό-αγροτικό όριο

Πρωτότυπος Τίτλος: 'Detection of impervious surface change with multitemporal Landsat images in an urban–rural frontier'

Συγγραφείς: Dengsheng Lu*, Emilio Moran, Scott Hetrick

• Anthropological Center for Training and Research on Global Environmental Change (ACT), Indiana University, Bloomington, IN, 47405, USA

Πηγή: Elsevier, ISPRS Journal of Photogrammetry and Remote Sensing, 66 (2011), 298–306

Λέξεις Κλειδιά: αδιαπέρατες επιφάνειες, αστικό-αγροτικό όριο, Landsat, QuickBird, ανάλυση παλινδρόμησης

Περίληψη: Η παρακολούθηση και χαρτογράφηση της δυναμικής αλλαγής των αδιαπέρατων επιφανειών σε ένα περίπλοκο αστικό-αγροτικό όριο, με εικόνες μεσαίας ή χονδροειδούς χωρικής ανάλυσης, αποτελεί πρόκληση που οφείλεται στο πρόβλημα των μικτών pixels και της φασματικής σύγχυσης μεταξύ των αδιαπέρατων επιφανειών και της εκτός-βλάστησης κάλυψης της γης. Ως περιοχή μελέτης επιλέχθηκε η Κομητεία Lucas do Rio Verde, της Πολιτείας Mato Grosso της Βραζιλίας, για τη βελτίωση της απόδοσης της εκτίμησης των αδιαπέρατων επιφανειών, με τη χρήση εικόνων Landsat και QuickBird, καθώς και την παρακολούθηση των αλλαγών των αδιαπέρατων επιφανειών, αναλύοντας τα κανονικοποιημένα κλάσματα πολλαπλών χρονικών δεδομένων των αδιαπέρατων επιφανειών, που προέρχονται από τον Landsat. Η έρευνα καταδεικνύει τη σημασία δύο φάσεων βαθμονόμησης. Το πρώτο βήμα είναι η βαθμονόμηση της αξίας των κλασμάτων των αδιαπέρατων επιφανειών από τον Landsat, μέσω του μοντέλου παλινδρόμησης το οποίο βασίζεται σε εικόνες αδιαπέρατων επιφανειών του 2008 από τον QuickBird. Το δεύτερο βήμα είναι η κανονικοποίηση μεταξύ των βαθμονομημένων εικόνων του 2008, με εικόνες άλλων ημερομηνιών. Η έρευνα αποδεικνύει ότι η 'ανά pixel' μέθοδος υπερεκτιμά το ποσοστό των αδιαπέρατων επιφανειών στο αστικό-αγροτικό όριο, κατά 50% - 60%. Προκειμένου να εκτιμηθεί με ακρίβεια η έκταση των αδιαπέρατων επιφανειών, είναι απαραίτητη η χαρτογράφηση των κλασμάτων αυτών των επιφανειών και η περαιτέρω βαθμονόμηση των εκτιμήσεων, χρησιμοποιώντας εικόνες υψηλής χωρικής ανάλυσης. Επίσης, είναι απαραίτητη η κανονικοποίηση των εικόνων, ώστε να μειωθούν οι επιπτώσεις των διαφορετικών περιβαλλοντικών συνθηκών. Η παρούσα διαδικασία είναι ιδιαίτερα χρήσιμη στο αστικό-αγροτικό όριο, όπου οι εικόνες Landsat πολλαπλών χρονικών δεδομένων είναι δύσκολο να χρησιμοποιηθούν για την ακριβή εξαγωγή των χαρακτηριστικών των αδιαπέρατων επιφανειών που βασίζεται στην παραδοσιακή, 'ανά pixel' ταξινόμηση, καθώς δεν μπορεί να χειριστεί αποτελεσματικά το πρόβλημα των μικτών pixels.

Εισαγωγή: Η ψηφιακή ανίχνευση των αλλαγών του αστικού περιβάλλοντος είναι μια πρόκληση που οφείλεται σε ποικίλους παράγοντες. Οι αλλαγές της χρήσης/κάλυψης γης, συνήθως αντιπροσωπεύουν ένα μικρό τμήμα της περιοχής μελέτης και είναι χωρικά διάσπαρτες, ενώ συχνά συγχέονται με άλλες αλλαγές, λόγω της πολυπλοκότητας των φασματικών χαρακτηριστικών των αδιαπέρατων επιφανειών και άλλων, εκτός της βλάστησης, καλύψεων. Επιπλέον, ένας μεγάλος αριθμός μικτών pixels οδηγεί συχνά σε χαμηλή ακρίβεια ταξινόμησης, λόγω της ανομοιογένειας του αστικού περιβάλλοντος και του περιορισμού της χωρικής ανάλυσης της τηλεπισκοπικής εικόνας.

Η πλειοψηφία των τεχνικών ανίχνευσης των αλλαγών της κάλυψης γης, βασίζεται στη σύγκριση των φασματικών αποκρίσεων ή των ταξινομημένων εικόνων σε κλίμακα pixel, χρησιμοποιώντας εικόνες μεσαίας ή χονδροειδούς χωρικής ανάλυσης και καταλήγοντας σε κακής ποιότητας αποτελέσματα ανίχνευσης, ιδιαίτερα στο όριο των αστικών-αγροτικών περιοχών. Πρόσφατες έρευνες έδειξαν ότι τα σύνολα δεδομένων των αδιαπέρατων επιφανειών που βασίζονται στο υπο-pixel (subpixel), έχουν τη δυνατότητα ανίχνευσης της αστικής επέκτασης.

Σε εικόνες μεσαίας ή χονδροειδούς χωρικής ανάλυσης, όπως του Landsat Thematic Mapper (TM), τα μικτά pixels αποτελούν πρόβλημα για την αποτελεσματική χρήση των δεδομένων τηλεπισκόπισης στην ταξινόμηση της χρήσης/κάλυψης γης και στην ανίχνευση των αλλαγών. Όπως φαίνεται στην εικόνα 1, τα μικτά pixels είναι συνήθη στην απεικόνιση TM, αλλά το πρόβλημα αυτό σχεδόν δεν υπάρχει στην απεικόνιση QuickBird (εδώ με χωρική ανάλυση 0,6 m). Τα σχήματα των κτιρίων, οι δρόμοι και τα όρια μεταξύ των διαφόρων καλύψεων γης, τα οποία δύσκολα διακρίνονται στον Landsat TM (λόγω της σχετικά χονδροειδούς χωρικής ανάλυσης των 30 m), μπορούν να προσδιοριστούν με σαφήνεια στην απεικόνιση QuickBird. Εάν για τον προσδιορισμό της χρήσης/κάλυψης γης χρησιμοποιηθούν οι παραδοσιακές 'ανά-pixel' μέθοδοι ταξινόμησης, όπως αυτή της μέγιστης πιθανοφάνειας, υπάρχει ο κίνδυνος υπερεκτίμησης των αστικών περιοχών και υποτίμησης των αγροτικών.

Οι αδιαπέρατες επιφάνειες ορίζονται ως το σύνολο των ανθρωπογενών υλικών στα οποία το νερό δεν μπορεί να διεισδύσει και συνδέονται κατά κύριο λόγο με την κατασκευή μεταφορικών υποδομών και κτιρίων. Από το 1970, έχουν αναπτυχθεί πολλές μέθοδοι χαρτογράφησής τους, χρησιμοποιώντας εικόνες διαφορετικής χωρικής ανάλυσης, από υψηλής (IKONOS και QuickBird) και μεσαίας (Landsat TM και Terra ASTER), μέχρι χονδροειδούς (DMSP-OLS). Παρόλα αυτά, το ποσοστό των αδιαπέρατων επιφανειών συνήθως υπερεκτιμούταν ή υποτιμούταν. Λόγω της πολυπλοκότητας των τηλεπισκοπικών φασματικών υπογραφών των αδιαπέρατων επιφανειών, καθώς και του προβλήματος των μικτών pixels στις εικόνες μεσαίας ή χονδροειδούς χωρικής ανάλυσης (εικόνα 1), οι μέθοδοι που βασίζονται στο υπο-pixel (subpixel) κερδίζουν συνεχώς έδαφος τα τελευταία χρόνια. Ο στόχος της έρευνας είναι, αφενός η ανάπτυξη μίας νέας μεθόδου για τη βελτίωση της εκτίμησης της επιφάνειας των αδιαπέρατων επιφανειών, μέσω απεικονίσεων Landsat TM και QuickBird, και αφετέρου, η μελέτη της αστικής επέκτασης, μέσω της ανάλυσης των κανονικοποιημένων εικόνων πολλαπλών χρονικών δεδομένων των αδιαπέρατων επιφανειών.

Η περιοχή μελέτης και τα σύνολα δεδομένων: Η Lucas do Rio Verde στο Mato Grosso της Βραζιλίας καλύπτει μια περιοχή 3.660 km2 και μικρών υψομετρικών διαφορών (εικόνα 2). Ιδρύθηκε στις αρχές του 1980 και από τότε γνώρισε μια ραγδαία αστικοποίηση. Η περιοχή μελέτης περιλαμβάνει τόσο την αστική περιοχή της έδρας της Κομητείας, πληθυσμού 29.000 κατοίκων, όσο και αγροτικές περιοχές, όπου αναπτύσσονται γεωργικές και κτηνοτροφικές δραστηριότητες. Η Κομητεία βρίσκεται στο επίκεντρο της παραγωγής σόγιας στη Βραζιλία και αναμένεται τριπλασιαστεί σε πληθυσμό μέσα στα επόμενα δέκα χρόνια. Αποτελεί ιδανική τοποθεσία για την παρακολούθηση των δυναμικών αλλαγών των αδιαπέρατων επιφανειών, καθώς προς το παρόν αποτελεί, μία σχετικά μικρή πόλη που δεν έχει υποστεί ακόμα τις συνέπειες της προγραμματισμένης αστικής ανάπτυξης.

Για τη διεξαγωγή της έρευνας χρησιμοποιήθηκαν εικόνες Landsat από το 1977 έως το 2008 και εικόνες QuickBird του 2007 και του 2008. Οι εικόνες επιλέχτηκαν με κριτήριο την μικρή νεφοκάλυψη και τα λιγότερα λάθη του συστήματος. Για όλες τις επιλεγμένες εικόνες Landsat, πραγματοποιήθηκε ραδιομετρική και ατμοσφαιρική βαθμονόμηση με τη μέθοδο αφαίρεσης σκοτεινών αντικειμένων. Όλες οι εικόνες καταχωρήθηκαν γεωμετρικά σε προβολή UTM (ζώνη 21, νότια), με γεωμετρικά σφάλματα μικρότερα του ενός pixel, έτσι ώστε όλες οι εικόνες να έχουν το ίδιο σύστημα συντεταγμένων. Η τεχνική του πλησιέστερου γείτονα χρησιμοποιήθηκε για την επαναδειγματοληψία των εικόνων Landsat, με μέγεθος pixel 30 * 30 m.

Μέθοδοι: Κρίσιμο βήμα της έρευνας αποτελεί η χαρτογράφηση των συνόλων δεδομένων των αδιαπέρατων επιφανειών. Για τη βελτίωση της χαρτογραφικής απόδοσης, εικόνες QuickBird χρησιμοποιήθηκαν για τη βαθμονόμηση των εικόνων Landsat των αδιαπέρατων επιφανειών. Η στρατηγική της χαρτογράφησης και παρακολούθησης των αλλαγών των αδιαπέρατων επιφανειών, απεικονίζεται στην εικόνα 3. Τα κύρια βήματα περιλαμβάνουν:

1. χαρτογράφηση των αδιαπέρατων επιφανειών μέσω μίας υβριδικής μεθόδου που βασίζεται στην απεικόνιση QuickBird

2. ανά pixel εξαγωγή των εικόνων των αδιαπέρατων επιφανειών από εικόνες Landsat, εφαρμόζοντας μέγιστο και της ελάχιστο φιλτράρισμα εικόνων και επιβλεπόμενη ταξινόμηση

3. χαρτογράφηση των εικόνων υψηλής ανακλαστικότητας, χαμηλής ανακλαστικότητας, βλάστησης και εδάφους, μέσω γραμμικής φασματικής ανάλυσης

4. παραγωγή εικόνων αδιαπέρατων επιφανειών, προσθέτοντας εικόνες υψηλής και χαμηλής ανακλαστικότητας, με ταυτόχρονη απομάκρυνση των pixels των μη αδιαπέρατων επιφανειών, συνδυάζοντας τις ανά pixel εικόνες του 2ου βήματος

5. καθιέρωση ενός μοντέλου παλινδρόμησης για τη βαθμονόμηση των εικόνων Landsat, χρησιμοποιώντας εικόνες QuickBird του 2008

6. κανονικοποίηση των εικόνων πολλαπλών χρονικών δεδομένων Landsat

7. αξιολόγηση της εκτίμησης των αδιαπέρατων επιφανειών, με εικόνες QuickBird του 2007 και τέλος,

8. μελέτη των αλλαγών των αδιαπέρατων επιφανειών

Αποτελέσματα και Συζήτηση: Συνολικά, επιτεύχθηκε μία αρκετά καλή γραμμική σχέση μεταξύ των εικόνων των αδιαπέρατων επιφανειών του Landsat TM (2008), με τις εικόνες του QuickBird, αν και συνέβη υπερεκτίμηση όταν οι αδιαπέρατες επιφάνειες αντιπροσώπευαν ένα σχετικά μικρό ποσοστό του pixel και υποτίμηση, στην αντίθετη περίπτωση. Η κανονικοποίηση των εικόνων αποδείχθηκε πολύτιμη για την απόδοση της εκτίμησης των αδιαπέρατων επιφανειών, μειώνοντας τις επιπτώσεις που προκαλούνται από τις διαφορετικές περιβαλλοντικές συνθήκες. Επιπλέον, επιτεύχθηκε μία καλή συσχέτιση μεταξύ του TM αποτελέσματος των αδιαπέρατων επιφανειών και του αντίστοιχου αποτελέσματος του 2007 του QuickBird. Ο συντελεστής συσχέτισης μεταξύ τους ήταν 0,89, με τη ρίζα του μέσου τετραγωνικού σφάλματος (root mean square error-RMSE) να είναι ίση με 0,128. Το παραπάνω αποτελεί αποδεκτό σφάλμα για ένα τόσο περίπλοκο αστικό - αγροτικό όριο. Ο υψηλός συντελεστής συσχέτισης και η σχετικά χαμηλή RMSE, δείχνουν ότι η TM εικόνα των αδιαπέρατων επιφανειών του 2007 είναι αξιόπιστη, ενώ ταυτόχρονα σημαίνει ότι η μέθοδος που αναπτύχθηκε σε αυτή την έρευνα για την εκτίμηση του ποσοστού των αδιαπέρατων επιφανειών είναι εφικτή.

Η εξάπλωση των αδιαπέρατων επιφανειών στο διάστημα 1977-2008 γίνεται εύκολα αντιληπτή, εάν παρατηρήσουμε την εικόνα 4. Οι αδιαπέρατες επιφάνειες αυξήθηκαν εκθετικά, ενώ ο ρυθμός αύξησης ήταν μεγαλύτερος μετά το έτος 2000. Επιπλέον, αποδεικνύεται ότι η 'ανά pixel' μέθοδος υπερεκτιμά το ποσοστό των αδιαπέρατων επιφανειών στο αστικό-αγροτικό όριο, κατά 50% - 60%, επισημαίνοντας την σπουδαιότητα της υπο-pixel (subpixel) μεθόδου εκτίμησης. Τέλος, τονίζεται η σημασία της μεθόδου βαθμονόμησης των δύο φάσεων για τη βελτίωση της εκτίμησης των αδιαπέρατων επιφανειών, ειδικά στο αστικό - αγροτικό όριο, χωρίς την εφαρμογή της ταξινόμησης των ιστορικών εικόνων Landsat, η οποία είναι συχνά δύσκολη λόγω της έλλειψης δεδομένων του δείγματος εκπαίδευσης.

Αναφορές

Adams, J.B., Sabol, D.E., Kapos, V., Filho, R.A., Roberts, D.A., Smith, M.O., Gillespie, A.R., 1995. Classification of multispectral images based on fractions of endmembers: application to land cover change in the Brazilian Amazon. Remote Sensing of Environment 52 (2), 137–154.

Bauer, M.E., Loffelholz, B.C., Wilson, B., 2008. Estimating and mapping impervious surface area by regression analysis of Landsat imagery. In: Weng, Q. (Ed.), Remote Sensing of Impervious Surfaces. Taylor&Francis Group, LLC, Boca Raton, FL, pp. 3–19.

Brabec, E., Schulte, S., Richards, P.L., 2002. Impervious surface and water quality: a review of current literature and its implications for watershed planning. Journal of Planning Literature 16 (4), 499–514.

Chander, G., Markham, B.L., Helder, D.L., 2009. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote Sensing of Environment 113 (5), 893–903.

Coppin, P.R., Bauer, M.E., 1996. Digital change detection in forest ecosystems with remote sensing imagery. Remote Sensing Reviews 13 (3), 207–234.

Coppin, P., Jonckheere, I., Nackaerts, K., Muys, B., Lambin, E., 2004. Digital change detection methods in ecosystem monitoring: a review. International Journal of Remote Sensing 25 (9), 1565–1596.

Cracknell, A.P., 1998. Synergy in remote sensing — what’s in a pixel? International Journal of Remote Sensing 19 (11), 2025–2047.

Deguchi, C., Sugio, S., 1994. Estimations for the percentage of impervious area by the use of satellite remote sensing imagery. Journal of Soil and Water Conservation 29 (1–2), 135–144.

Dougherty, M., Dymond, R.L., Goetz, S.J., Jantz, C.A., Goulet, N., 2004. Evaluation of impervious surface estimates in a rapidly urbanizing watershed. Photogrammetric Engineering and Remote Sensing 70 (11), 1275–1284.

Elvidge, C.D., Tuttle, B.T., Sutton, P.C., Baugh, K.E., Howard, A.T., Milesi, C., Bhaduri, B., Nemani, R., 2007. Global distribution and density of constructed impervious surfaces. Sensors 7 (9), 1962–1979.

Esch, T., Himmler, V., Schorcht, G., Thiel, M., Wehrmann, T., Bachofer, F., Conrad, C., Schmidt, M., Dech, S., 2009. Large-area assessment of impervious surface based on integrated analysis of single-date Landsat-7 images and geospatial vector data. Remote Sensing of Environment 113 (8), 1678–1690.

Fisher, P., 1997. The pixel: a snare and a delusion. International Journal of Remote Sensing 18 (3), 679–685.

Gillies, R.R., Box, J.B., Symanzik, J., Rodemaker, E.J., 2003. Effects of urbanization on the aquatic fauna of the Line Creek watershed, Atlanta – a satellite perspective. Remote Sensing of Environment 86 (3), 411–422.

Greenfield, E.J., Nowak, D.J., Walton, J.T., 2009. Assessment of 2001 NLCD percent tree and impervious cover estimates. Photogrammetric Engineering & Remote Sensing 75 (11), 1279–1286.

Hodgson, M.E., Jensen, J.R., Tullis, J.A., Riordan, K.D., Archer, C.M., 2003. Synergistic use of Lidar ad color aerial photography for mapping urban parcel imperviousness. Photogrammetric Engineering & Remote Sensing 69 (9), 973–980.

Hu, X., Weng, Q., 2009. Estimating impervious surfaces from medium spatial resolution imagery using the self-organizing map and multi-layer perceptron neural networks. Remote Sensing of Environment 113 (10), 2089–2102.

Jennings, D.B., Jarnagin, S.T., Ebert, C.W., 2004. A modeling approach for estimating watershed impervious surface area from national land cover data 92. Photogrammetric Engineering & Remote Sensing 70 (11), 1295–1307.

Ji, M., Jensen, J.R., 1999. Effectiveness of subpixel analysis in detecting and quantifying urban imperviousness from Landsat Thematic Mapper. Geocarto International 14 (4), 31–39.

Kennedy, R.E., Townsend, P.A., Gross, J.E., Cohen, W.B., Bolstad, P., Wang, Y.Q., Adams, P., 2009. Remote sensing change detection tools for natural resource managers: understanding concepts and tradeoffs in the design of landscape monitoring projects. Remote Sensing of Environment 113 (7), 1382–1396.

Lu, D., Mausel, P., Brondνzio, E., Moran, E., 2002. Assessment of atmospheric correction methods for Landsat TM data applicable to Amazon basin LBA research. International Journal of Remote Sensing 23 (13), 2651–2671.

Lu, D., Mausel, P., Brondizio, E., Moran, E., 2004. Change detection techniques. International Journal of Remote Sensing 25 (12), 2365–2407.

Lu, D., Weng, Q., 2004. Spectral mixture analysis of the urban landscapes in Indianapolis with Landsat ETM+ imagery. Photogrammetric Engineering & Remote Sensing 70 (9), 1053–1062.

Lu, D., Weng, Q., 2006a. Use of impervious surface in urban land use classification. Remote Sensing of Environment 102 (1–2), 146–160.

Lu, D., Weng, Q., 2006b. Spectral mixture analysis of ASTER images for examining the relationship between urban thermal features and biophysical descriptors in Indianapolis, United States. Remote Sensing of Environment 104 (2), 157–167.

Lu, D., Batistella, M., Moran, E., de Miranda, E.E., 2008. A comparative study of Landsat TM and SPOT HRG images for vegetation classification in the Brazilian Amazon. Photogrammetric Engineering & Remote Sensing 74 (3), 311–321.

Lu, D., Weng, Q., 2009. Extraction of urban impervious surface from an IKONOS image. International Journal of Remote Sensing 30 (5), 1297–1311.

Lu, D., Hetrick, S., Moran, E., 2010. Impervious surface mapping with QuickBird imagery. International Journal of Remote Sensing. doi:10.1080/01431161003698393.

Madhavan, B.B., Kubo, S., Kurisaki, N., Sivakumar, T.V.L.N., 2001. Appraising the anatomy and spatial growth of the Bangkok Metropolitan area using a vegetation-impervious-soil model through remote sensing. International Journal of Remote Sensing 22 (5), 789–806.

Mohapatra, R.P., Wu, C., 2008. Subpixel imperviousness estimation with IKONOS imagery: an artificial neural network approach. In: Weng, Q. (Ed.), Remote Sensing of Impervious Surfaces. Taylor & Francis Group, LLC, Boca Raton, FL, pp. 21–37.

Phinn, S., Stanford, M., Scarth, P., Murray, A.T., Shyy, P.T., 2002. Monitoring the composition of urban environments based on the vegetation-impervious surface-soil (VIS) model by subpixel analysis techniques. International Journal of Remote Sensing 23 (20), 4131–4153.

Powell, S.L., Cohen, W.B., Yang, Z., Pierce, J.D., Alberti, M., 2008. Quantification of impervious surface in the Snohomish water resources inventory area of western Washington from 1972–2006. Remote Sensing of Environment 112 (4), 1895–1908.

Rashed, T., Weeks, J.R., Gadalla, M.S., Hill, A.G., 2001. Revealing the anatomy of cities through spectral mixture analysis of multispectral satellite imagery: a case study of the Greater Cairo region. Egypt. Geocarto International 16 (4),7–18

Rashed, T., Weeks, J.R., Roberts, D., Rogan, J., Powell, R., 2003. Measuring the physical composition of urban morphology using multiple endmember spectral mixture models. Photogrammetric Engineering & Remote Sensing 69 (9), 1011–1020.

Ridd, M.K., 1995. Exploring a V–I–S (Vegetation-Impervious Surface-Soil) model for urban ecosystem analysis through remote sensing: comparative anatomy for cities. International Journal of Remote Sensing 16 (12), 2165–2185.

Seto, K.C., Liu, W., 2003. Comparing ARTMAP neural network with the maximumlikelihood classifier for detecting urban change. Photogrammetric Engineering and Remote Sensing 69 (9), 981–990.

Shaban, M.A., Dikshit, O., 2001. Improvement of classification in urban areas by the use of textural features: the case study of Lucknow city, Uttar Pradesh. International Journal of Remote Sensing 22 (4), 565–593.

Singh, A., 1989. Digital change detection techniques using remotely sensed data. International Journal of Remote Sensing 10 (6), 989–1003.

Slonecker, E.T., Jennings, D., Garofalo, D., 2001. Remote sensing of impervious surface: a review. Remote Sensing Reviews 20 (3), 227–255.

Smith, M.O., Ustin, S.L., Adams, J.B., Gillespie, A.R., 1990. Vegetation in Deserts: I. A regional measure of abundance from multispectral images. Remote Sensing of Environment 31 (1), 1–26.

Sutton, P.C., Anderson, S.A., Elvidge, C.D., Tuttle, B.T., Ghosh, T., 2009. Paving the planet: impervious surface as proxy measure of the human ecological footprint. Progress in Physical Geography 33 (4), 510–527.

Wang, Y., Zhou, Y., Zhang, X., 2008. The SPLIT and MASC models for extraction of impervious surface areas from multiple remote sensing data. In: Weng, Q. (Ed.), Remote Sensing of Impervious Surfaces. Taylor&Francis Group, LLC, Boca Raton, FL, pp. 77–92.

Weng, Q. (Ed.), 2007. Remote Sensing of Impervious Surfaces. Taylor & Francis Group, LLC, Boca Raton, FL, 454 p.

Weng, Q., Hu, X., Lu, D., 2008. Extracting impervious surface from medium spatial resolution multispectral and hyperspectral imagery: a comparison. International Journal of Remote Sensing 29 (11), 3209–3232.

Weng, Q., Hu, X., Liu, H., 2009. Estimating impervious surfaces using linear spectral mixture analysis with multitemporal ASTER images. International Journal of Remote Sensing 30 (18), 4807–4830.

Wu, C., Murray, A.T., 2003. Estimating impervious surface distribution by spectral mixture analysis. Remote Sensing of Environment 84 (4), 493–505.

Wu, C., 2004. Normalized spectral mixture analysis for monitoring urban composition using ETM+ imagery. Remote Sensing of Environment 93 (4), 480–492.

Wu, C., Yuan, F., 2008. Seasonal sensitivity analysis of impervious surface estimation with satellite imagery. Photogrammetric Engineering & Remote Sensing 73 (12), 1393–1402.

Wu, C., 2009. Quantifying high-resolution impervious surfaces using spectral mixture analysis. International Journal of Remote Sensing 30 (11), 2915–2932.

Xian, G., Crane, M., 2005. Assessments of urban growth in the Tampa Bay watershed using remote sensing data. Remote Sensing of Environment 97 (2), 203–215.

Xian, G., 2007. Assessing urban growth with subpixel impervious surface coverage. In: Weng, Q., Quattrochi, D.A. (Eds.), Urban Remote Sensing. Taylor & Francis Group, LLC, Boca Raton, FL, pp. 179–200.

Xian, G., 2008. Mapping impervious surfaces using classification and regression tree algorithm. In: Weng, Q. (Ed.), Remote Sensing of Impervious Surfaces. Taylor & Francis Group, LLC, Boca Raton, FL, pp. 39–58.

Xian, G., Crane, M.P., McMahon, C., 2008. Quantifying multitemporal urban development characteristics in Las Vegas from Landsat and Aster data. Photogrammetric Engineering & Remote Sensing 74 (4), 473–481.

Yang, L., Xian, G., Klaver, J.M., Deal, B., 2003a. Urban land-cover change detection through sub-pixel imperviousness mapping using remotely sensed data. Photogrammetric Engineering & Remote Sensing 69 (9), 1003–1010.

Yang, L., Huang, C., Homer, C., Wylie, B., Coan, M., 2003b. An approach for mapping large-area impervious surface: synergistic use of Landsat 7 ETM+ and high spatial resolution imagery. Canadian Journal of Remote Sensing 29 (2), 230–240.

Yang, L., Jiang, L., Lin, H., Liao, M., 2009. Quantifying sub-pixel urban impervious surface through fusion of optical and InSAR imagery. GIScience and Remote Sensing 46 (2), 161–171.

το άρθρο στο διαδίκτυο