Original paper
Improving Land Cover Maps in Areas of Disagreement of Existing Products using NDVI Time Series of MODIS – Example for Europe
Vuolo, Francesco; Atzberger, Clement
Photogrammetrie - Fernerkundung - Geoinformation Jahrgang 2014 Heft 5 (2014), p. 393 - 407
published: Oct 1, 2014
DOI: 10.1127/1432-8364/2014/0232
ArtNo. ESP172201405008, Price: 29.00 €
Abstract
Regional to global scale land cover (LC) information is one of the most important inputs to various models related to global climate change studies, natural resource use and environmental assessment. This paper presents a methodology to derive land cover maps using time series of moderate-resolution imaging spectroradiometer (MODIS) 250 m normalized difference vegetation index (NDVI). An example for Europe is produced using the random forest (RF) classifier. For the accuracy assessment, the overall performance of our classification product (BOKU, Universität für Bodenkultur) is compared to the one of three existing LC maps namely GlobCover2009, MODIS land cover 2009 (using the IGBP classification scheme) and GLC2000. Considered GlobCover and JGEP, the assessment is further detailed for areas where these two maps agree or disagree. The BOKU map reported an overall accuracy of 71%. Classification accuracies ranged from 78% where IGBP and GlobCover agreed to 63% for areas of disagreement. Results confirm that existing LC products are as accurate as the BOKU map in areas of agreement (with little margin for improvements), while classification accuracy is substantially better for the BOKU map in areas of disagreement. Two pixel-based measures of confidence of classification were derived, which showed a strong correlation with classification accuracy. The study also confirmed that RF provides an unbiased estimation of the error (out-of-bag) and therefore eliminates the need for an independent validation dataset.
Kurzfassung
Verlässliche regionale bis globale Informationen über die aktuelle Landbedeckung sind von größter Bedeutung für Fragen des Klimaschutzes, des Managements natürlicher Ressourcen sowie für Umweltbewertungen. Der vorliegende Beitrag beschreibt ein innovatives Verfahren, um Landbedeckungskarten aus Zeitreihendaten des Umweltsatelliten MODIS in 250 m Bodenauflösung zu generieren. Das überwachte Klassifikationsverfahren basiert auf multiplen Entscheidungsbäumen (Random Forest Classifier) und verwendet lnformationen über den temporalen Verlauf der fernerkundlich erfassten Vegetationsdichte (NDVI). Um die Qualität unserer europäischen Landbedeckungskarte zu evaluieren, wird ein Vergleich mit drei existierenden globalen Landbedeckungskarten durchgeführt: GlobCover 2009, MODI Land Cover 2009 (IGBP) und GLC2000. Als Referenz dient ein aus Google Earth generierter Referenzdatensatz basierend auf der visuellen Interpretation einer großen Anzahl von Referenzpunkten. Für die vergleichende Evaluierung wird zwischen Gebieten mit und ohne Übereinstimmung zwischen IGBP und GlobCover Produkten unterschieden. Die Landbedeckungskarte der Universität für Bodenkultur (BOKU) erreicht eine Gesamtgenauigkeit von 71%. Die Klassifikationsgenauigkeit variiert dabei zwischen 78%, wenn IGBP und GlobCover übereinstimmen, und 63% in Gebieten ohne Übereinstimmung der zwei Vergleichskarten. Die BOKU Landbedeckungskarte zeigt in Gebieten ohne Übereinstimmmung zwischen IGEP und GlobCover eine deutliche Verbesserung der Klassifikationsgenauigkeit. Die pixelweise generierten Konfidenzmaße zeigen darüber hinaus eine deutliche Korrelation mit der erzielten Klassifikationsgenauigkeit. Damit erhällt der Nutzer ein detailliertes Bild über die zu erwartende Unsicherheitsmarge. Die Studie bestätigt, dass Random Forest eine ausgewogene (unbiased) Einschätzung der Fehler (out-of-bag) bietet.
Keywords
accuracy confidence • classification • land cover • ndvi • random forest • time series