Land use en land cover change analyse van de Turpan regio, Xinjiang, China gebruik makende van satellietbeelden en GIS.

Transcriptie

1 FACULTEIT WETENSCHAPPEN Opleiding Geografie en Geomatica Master in de Geografie Land use en land cover change analyse van de Turpan regio, Xinjiang, China gebruik makende van satellietbeelden en GIS Isabelle Huisman Aantal woorden in tekst: Promotoren: Prof. dr. P. De Maeyer vakgroep Geografie Universiteit Gent Prof. dr. Alishir Kurban Xinjiang Institute of Ecology and Geography Academiejaar Masterproef ingediend tot het behalen van de graad van Master in de Geografie

2 WOORD VOORAF Al van jongs af aan had ik interesse in technologie maar minstens evenveel in het reilen en zeilen van de wereld. Mede hierdoor besloot ik om voor de opleiding geografie te kiezen, een keuze waarvan ik nooit spijt heb gehad. Gedurende mijn studieloopbaan heb ik me geen enkel moment verveeld, het resulteerde in zes onvergetelijke jaren: leuke momenten gehad, fantastische mensen leren kennen, hilarische en unieke belevingen meegemaakt en vooral vrienden voor het leven gemaakt. Deze wil ik allemaal bedanken om deze studententijd voor mij zo onvergetelijk te maken want vriendschap is onbetaalbaar! Ook de studentenkring Geografica verdient hier een vermelding, zonder deze kring zou mijn studententijd er volledig anders uitgezien hebben. Dank u om er voor te zorgen dat er nooit een saai moment was. Deze thesis is de afsluiter van het hoofdstuk Master in de Geografie. Natuurlijk heb ik dit eindpunt niet kunnen bereiken zonder de hulp en bijstand van anderen. Eerst wil ik mijn promotoren Prof. dr. Philippe De Maeyer en Prof. dr. Alishir Kurban bedanken voor al de hulp die zij mij gegeven hebben bij het kiezen van het onderwerp en de begeleiding achteraf. Elke vraag werd beantwoorden met veel enthousiasme. Ook de UGent en XIEG hebben recht op een bedanking, zonder hun hulp via de bilaterale raamakkoorden was het mij nooit gelukt om mijn onderzoek in Turpan uit te voeren. Mijn medestudenten (en eigenlijk meer dan enkel medestudenten, echte vrienden) moet ik ook bedanken, samen hebben we gelachen, gevloekt en bijna gehuild om onze studies en die thesis. Door elkaar te steunen en te helpen hebben we zelfs plezier kunnen halen uit de weinige mindere momenten. Natuurlijk mag ik niet mijn vriend en eersteklas sidekick vergeten. Hem wil ik bedanken voor de leuke momenten die we samen hebben beleefd, het geduld dat hij had met mij en vooral bedanken om mij op de cruciale momenten te motiveren om verder te werken. Zonder hem was mijn thesis niet geweest wat het nu was. Dus eeuwige dank hiervoor. Ten slotte wil ik mijn ouders bedanken om mij de mogelijkheid te bieden om te studeren en mij altijd met raad en daad bij te staan en te blijven steunen, ook al was dat allicht niet steeds evident. Mijn ouders hebben het mogelijk gemaakt dat ik nu hier sta met een afgewerkte scriptie, klaar om de volgende stap in mijn leven te nemen, nogmaals bedankt hiervoor. Isabelle Huisman 1

3 ABSTRACT The general objective of this master dissertation is to examine the evolution of the land use and land cover changes in Turpan in a multi temporal remote sensing context and how this is placed in the world trend of the commodification of nature. Remote sensing is an important tool to approach the changes in the environment on a larger scale with an emphasis on the development and environmental degradation in land cover and land use. It combines the concerns of ecology and a broadly defined political economy. Together this encompasses the constantly shifting dialectic between society and land based resources. The water supply evolution, and with this the commodification of nature (water), within the context of remote sensing has been documented and analyzed for different study areas. It is my attempt here to document and analyze the evolution of the water supply and agricultural land availability in a nonwestern city in an arid region (Turpan). SLEUTELWOORDEN Remote Sensing, Land use en land cover change, Xinjiang, Turpan, Erdas imagine 2

4 INHOUDSOPGAVE WOORD VOORAF... 1 ABSTRACT... 2 SLEUTELWOORDEN... 2 INHOUDSOPGAVE... 3 LIJST MET AFKORTINGEN... 5 LIJST VAN FIGUREN... 6 LIJST VAN TABELLEN... 8 LIJST VAN BIJLAGEN INLEIDING Achtergrond Probleemstelling Relevantie Doel Structuur Korte resultaten en conclusies METHODEN EN MATERIAAL Studiegebied Data verzameling Methoden voor verwerking en analyse Landsatbeelden Genereren digitaal hoogtemodel Preprocessing satellietbeelden Radiometrische en atmosferische correctie Geometrische correctie Topografische normalisatie Creatie mozaïek en selectie subset Classificatie Landsat beelden Classificatiesysteem Nauwkeurigheid assessment Change detection aan de hand van post classificatie RESULTATEN Accuracy assessment Analyse LULC-change DISCUSSIE BESLUIT BRONNENLIJST Literatuur Internetbronnen

5 6.3 Lijst van gebruikte software BIJLAGEN Bijlage 1: Beschrijving bronnen digitale annex Bijlage 2: tabellen van de golflengten en beschrijving van landsat MSS, TM en OLI/TIRS (bron:

6 LIJST MET AFKORTINGEN AOI ASTER COST DHM DN DOS ETM+ GIS LULC MLC MNDWI MSS NASA NDVI NDWI NIR OLI POK RMSE SWIR TIRS TM USGS XIEG Area Of Interest Advanced Spaceborne Thermal Emission and Reflection Radiometer Cos van de zenit Digitaal Hoogtemodel Digital Number Dark Object Substraction Enhanced Thematic Mapper Geografisch Informatie Systeem Land Use and Land Cover Maximum likelihood classification Modified Normal Difference Water Index Multispectral scanner National Aeronautics and Space Administration Normalized Difference Vegetaion Index Normalized Difference Vegetation Index Nabij Infrarood Operational Land Imaginer Pixel-object-knowledge-based Root Mean Square Error Short wave infrarood Thermal Infrared Sensor Thematic Mapper United States Geological Survey Xinjiang Institute of Ecology and Geography 5

7 LIJST VAN FIGUREN Figuur 1:Schematische opbouw karez (Bron: Hansen, 2007) Figuur 2: Situering van studiegebied (Bron: Eigen Bewerking op ESRI basemap imagery, 2014) Figuur 3: Exacte afbakening studiegebied (Bron: Eigen Bewerking op ESRI basemap imagery, 2014) Figuur 4: Tijdlijn van de lancering van de verschillende Landsat satellieten (Bron: 12/07/2015) Figuur 5: Workflow LULC-change analyse (Bron: Eigen Bewerking) Figuur 6: Invloed atmosferische interferentie en pad elektro-magnetische straling (Bron: 27 Figuur 7: ERDAS imagine model voor COST methode (bron: Eigen Bewerking) Figuur 8: Verdeling grondcontrolepunten en bijhorende waarden (Bron: Eigen Bewerking). 33 Figuur 9: Illustratie schaduwzones in gebieden met een uitgesproken reliëf (Bron: Landsat 8 met Eigen Bewerking) Figuur 10: Schematische weergave illuminatie door lokale invalshoek met θ_p als hellingshoek van het terrein, θ_z de zenit en γ_i de invalshoek van de zon (Bron: 15/07/2015) Figuur 11: ERDAS imagine model voor bepalen illuminatie (Bron: Eigen Bewerking) Figuur 12: Illumination surface (Bron: Eigen Bewerking) Figuur 13: aanduiding AOI s (stippellijn) klasse grasland (groen) bij verschillende illuminatie en terrein (Bron: Eigen Bewerking) Figuur 14: Output lineaire regressie vergelijking band 1 Landsat 8 (Bron: Eigen Bewerking) Figuur 15: Model voor topografische normalisatie (Bron: ERDAS imagine) Figuur 16: Vergelijking tussen topografisch genormaliseerd beeld (links) en enkel atmosferisch en geometrisch gecorrigeerd beeld (rechts) (Bron: Eigen Bewerking) Figuur 17: Anomalie aan de rand van Landsat 5 afbeelding (Bron: Eigen Bewerking) Figuur 18: links gezonde vegetatie die meer zichtbaar licht observeert en een hoog percentage nabij infrarood weerkaatst, rechts minder gezonde vegetatie die minder visueel licht absorbeert Figuur 19: ERDAS model voor berekening MNDWI (Bron: Eigen Bewerking)

8 Figuur 20: Boven binaire weergave wit: water, zwart: non water, onder weergave SWIR band (Bron: Eigen Bewerking) Figuur 21: Beslissingsboom classificatie LULC (Bron: Eigen Bewerking) Figuur 22: Set van hypotheses en regels voor de classificatie van de beelden Figuur 23: Verdeling random gestratificeerde controlepunten (Bron: Google Earth, Eigen Bewerking) Figuur 24: Bodemgebruik en -bedekking in de Turpan depressie in 1976 (Bron: Eigen Bewerking van ERDAS data in ArcMap) Figuur 25: Bodemgebruik en -bedekking in de Turpan depressie in 1998 (Bron: Eigen Bewerking van ERDAS data in ArcMap) Figuur 26: Bodemgebruik en -bedekking in de Turpan depressie in 2006 (Bron: Eigen Bewerking van ERDAS data in ArcMap) Figuur 27: Bodemgebruik en -bedekking in de Turpan depressie in 2009 (Bron: Eigen Bewerking van ERDAS data in ArcMap) Figuur 28: Bodemgebruik en -bedekking in de Turpan depressie in 2014 (Bron: Eigen Bewerking van ERDAS data in ArcMap) Figuur 29: Grafiek evolutie (in procent) voor 1976 tot 2014 gegroepeerd per klasse Figuur 30: LULC-change in de Turpan depressie tussen 1976 en (Bron: Eigen Bewerking) Figuur 31: LULC-change in de Turpan depressie tussen 1998 en (Bron: Eigen Bewerking) Figuur 32: LULC-change in de Turpan depressie tussen 1976 en 1998 (Bron: Eigen Bewerking) Figuur 33: LULC-change in de Turpan depressie tussen 1998 en (Bron: Eigen Bewerking) Figuur 34: LULC-change in de Turpan depressie tussen 2006 en (Bron: Eigen Bewerking) Figuur 35: LULC-change in de Turpan depressie tussen 2009 en (Bron: Eigen Bewerking) Figuur 36: Evolutie van Landbouwland in de Turpan depressie tussen 1976 en (Bron: Eigen Bewerking) Figuur 37: Resultaat MLC gesuperviseerde classificatie

9 LIJST VAN TABELLEN Tabel 1: Eigenschappen gebruikte Landsat-beelden (bron: 23 Tabel 2: Gebruikte ASTER tegels (Bron: Eigen Bewerking) Tabel 3: Opsomming en definitie verschillende LULC klassen (Bron: Anderson et al., 1976; Eigen Bewerking) Tabel 4: Error matrix (Bron: ERDAS imagine, Eigen Bewerking) Tabel 5: Verschillende nauwkeurigheden (Bron: Erdas Imagine, Eigen Bewerking) Tabel 6: Percentage verschillende LULC-klassen over de verschillende jaren Tabel 7: Totale oppervlakte (km²) van elke klasse per jaar LIJST VAN BIJLAGEN Bijlage 1: Beschrijving inhoud digitale annex Bijlage 2: tabellen van de golflengten en beschrijving van landsat MSS, TM en OLI/TIRS (bron: 8

10 1. INLEIDING Sinds millenia wordt de mens geconfronteerd met desertificatie. Dit is het fenomeen waarbij vruchtbaar land langzaam maar zeker wordt omgevormd tot woestijn. Niet enkel in het oude Egypte was dit een significant probleem, ook in het hedendaagse landschap is dit een acuut probleem dat snelle en diepgaande interventie vereist. De reeds aride gebieden in onze wereld zijn het meest kwetsbaar voor dit fenomeen. Met de huidige klimaatsveranderingen zijn veel van deze desertificatie processen in een snelstroom terecht gekomen. Efficiënt en uitvoerig onderzoek naar dit fenomeen is noodzakelijk om op tijd stappen te kunnen ondernemen om dit tegen te gaan. Echter stap één is detectie. Het is niet altijd even eenvoudig om te bepalen wanneer een gebied onderhevig is aan desertificatie, er een afname aan vegetatie plaatsvindt of dat er nog een ander proces aan de gang is. Een efficiënte methode om dit fenomeen te bestuderen en vast te leggen is bodemgebruik en bodembedekking te bestuderen aan de hand van satellietbeelden en verdere verwerking van de data in een Geografisch Informatie Systeem (GIS). Dit stelt de onderzoeker in staat om op basis van satellietbeelden een tijdsreeks op te stellen om de veranderingen in beeld te brengen en achteraf te bestuderen en analyseren. Deze scriptie zal een tijdreeks behandelen die de Turpan depressie in kaart brengt op basis van beelden van 1976, 1998, 2006, 2009 en 2014 verkregen via de Landsat satellieten. Het studiegebied situeert zich in de Turpan depressie gelegen in de Taklamakan woestijn. In dit gebied bevinden zich tevens karez-systemen die gebruikt worden voor irrigatie van de aanwezige landbouwactiviteit. De depressie is gelegen in de provincie Xinjiang (officieel: Xinjiang Uyghur Autonomous Region) en is een autonome regio in het noordwesten van China met Ürümqi als hoofdstad. Het onderzoek van deze thesis is verricht in samenwerking met de partnerinstelling The Xinjiang Institute of Ecology and Geography (XIEG) gelegen in Ürümqi. 1.1 Achtergrond Binnen het studiegebied van deze scriptie bevinden zich vele karez-systemen. Karez is één van de benamingen voor een specifiek irrigatiesysteem in een woestijnachtige omgeving 9

11 omringd door bergachtige gebieden waarbij via een ondergronds stelsel van kanalen water kan gewonnen worden uit de hoger gelegen gebieden (Cressey, 1958). In de Turpan depressie heersen de juiste condities voor het gebruik van karez-systemen, zo zijn er voldoende grote natuurlijke bronnen van water aanwezig. Deze zijn vooral terug te vinden onder de vorm van afvloeiing van smelt- en regenwater richting de depressie. Onderaan de bergen is er een doordringbare kiezelbodem die ervoor zorgt dat er ondergrondse reservoirs kunnen ontstaan. Een karez in dit gebied heeft een gemiddelde lengte van drie tot vier kilometer (Kobori, 2010). Figuur 1:Schematische opbouw karez (Bron: Hansen, 2007) Een karez transporteert water ondergronds naar de lager gelegen landbouwgronden enkel door gebruik te maken van de zwaartekracht. Doordat het grootste gedeelte van de karez zich ondergronds bevindt, vermindert de kans op evaporatie van het kostbare water en is er een reductie van de kans dat er vervuiling optreedt (Hansen, 2007). De karez heeft doorgaans een complexe structuur maar bestaat uit vier essentiële componenten die zichtbaar zijn op figuur 1. De verticale schachten of chien ch ing (4), ondergrondse kanalen (2), een bovengronds kanaal (3) en een klein reservoir of raobai (5) (Fang et al., 2008; Kobori, 2010). De lengte van 10

12 een Karez varieert tussen de drie tot in extreme gevallen zelfs dertig kilometer. Praktisch is het bijna onmogelijk om zo ver te graven zonder de constructie van verticale schachten (nummer 4 op figuur 1). Deze verticale schachten ontstonden dus in eerste instantie om het graven van de ondergrondse tunnel te vergemakkelijken maar worden verder ook gebruikt als ventilatiekanaal en voor oriëntatie tijdens en na de constructie. In het hoogst gelegen gedeelte van de karez liggen de verticale schachten ongeveer zestig tot honderd meter uit elkaar en hoe dichter bij de alluviale vlakte hoe dichter de verticale schachten zich bij elkaar bevinden, met in het laagst gelegen gedeelte een gemiddelde afstand van drie tot vijftien meter (Fang et al., 2008). Zoals eerder vermeld bevindt het grootste deel van de kanalen zich ondergronds (2), deze vormen vaak een netwerk, wat zorgt voor de typische complexe structuur van de karez. Deze ondergrondse kanalen worden doorgaans verstevigd met houten constructies om ze te behoeden tegen instorten en zo de levensduur te verlengen (Fang et al., 2008). Deze ondergrondse kanalen lopen door tot de zogenaamde outlet, waar het ondergrondse kanaal aan de oppervlakte komt (3) en terecht komt in een klein reservoir (5) of uitmondt in een systeem van kleine kanaaltjes die het water leiden tot de landbouwgronden (6). De reservoirs waarin het water tijdelijk wordt opgeslagen staan vaak onder invloed van direct zonlicht wat er zal voor zorgen dat de gemiddelde temperatuur toeneemt. De temperatuur in de ondergrondse kanalen ligt vaak laag doordat een groot deel van het beschikbare water afkomstig is van smeltwater. De grootte van het reservoir is afhankelijk van de grootte van het te irrigeren oppervlak en het debiet van de karez (Fang et al., 2008). Een irrigation officer controleert dit debiet doorgaans elke 24 uur zoals beschreven in het artikel van Kobori (2010). Onderzoek naar veranderingen in bodemgebruik en bedekking is niet meer weg te denken uit de hedendaagse onderzoekswereld. Giri et al. (2005) wijzen op de noodzaak aan accurate en recente data over de veranderingen in bodemgebruik en bedekking om de economisch-, ecologisch- en klimaat gerelateerde gevolgen op een gepaste wijze in te schatten en (indien nodig) aan te pakken. Urbanisatie en sterke bevolkingsgroei zijn hier vaak een belangrijke (en soms zelfs een doorslaggevende) factor. Hierin speelt de wetenschappelijke analyse van satellietbeelden een belangrijke rol om de veranderingen in kaart te brengen. Roy et al. (2002) steunen deze stelling, echter leggen op hetzelfde moment ook de nadruk op het feit dat om de correcte informatie uit de beelden te halen er nood is aan effectieve (en automatische) verandering detecterende technieken. Enkel de ruwe beelden zijn niet voldoende. Het nagaan van de trend en de ratio van de verandering in de bodembedekking en bodemgebruik is nodig om op beleidsniveau onderbouwde beslissingen inzake rationeel landgebruik te nemen en 11

13 meerjarenplannen op te stellen. De temporele dynamiek van de data verworven door middel van teledetectie speelt een belangrijke rol bij de analyse van de veranderingen die zich voordoen inzake bodembedekking (Shalaby and Tateishi, 2007). Vooraleer er dieper kan ingegaan worden op de hoe, wat, waar en waarom van dit onderzoek moet er eerst verduidelijkt worden wat er verstaan wordt onder de studie van de verandering van bodembedekking en bodemgebruik op basis van satellietbeelden. Singh (1989) ziet dit als het proces van determineren en/of beschrijven van de veranderingen in het bodemgebruik en bodembedekking, gebruik makende van co-geregistreerde multi-temporele remote sensing data. Belangrijk hierbij is de basisonderstelling dat het proces enkel kan uitgevoerd worden op twee of meer beelden waarbij de datum van opname geen natuurlijke/normale variatie bezit (bijvoorbeeld hetzelfde gebied maar tijdens verschillende jaargetijden) (Shalaby and Tateishi, 2007). Dit aspect van de teledetectie in combinatie met GIS vormt volgens Singh (1989) een goede en effectieve methode om landgebruik en bodembedekking te analyseren en is daarnaast ook een geschikte tool voor de modellering en toekomstige planning van het landgebruik. Door inzicht te verwerven in de drijvende factoren achter het landgebruik in het verleden, de huidige situatie te beheren met behulp van moderne GIS pakketten en gebruik te maken van modellering voor toekomstige situaties kan men effectieve beleidsplannen opstellen voor het gebruik en de conservatie van natuurlijke hulpbronnen (Bisht and Kothyari 2001). De teledetectie op basis van satellietbeelden maakt het tevens mogelijk om onderzoek uit te voeren in ontwikkelingslanden waar nog geen recente en/of bruikbare ruimtelijke informatie van beschikbaar is. Civco (1989) voegt hier aan toe dat de op kennis gebaseerde beeldanalyse voor de classificatie van de data verkregen via Landsat beelden in combinatie met digitale ruimtelijke informatie superieur is ten opzichte van de pixel per pixel (spectrale data) statistische methodes voor het afleiden van informatie inzake de verandering in bodemgebruik en - bedekking. De opkomst van teledetectie op basis van satellietbeelden heeft de studie van deze veranderingen in een stroomversnelling gebracht. Door deze doorbraak is een onderzoek minder tijdrovend, heeft het een lagere kostprijs en is het meer accuraat dan teledetectie op basis van gewone luchtfoto s. De data die wordt verkregen via de satellieten hebben een hogere accuraatheid omdat deze op regelmatige en op identieke wijze wordt verzameld. De verzameling gebeurt telkens met dezelfde sensoren en met een gelijkaardige observatie geometrie (Kachhwala, 1985; Jensen, 1996; Veldkamp & Lambin, 2001). Dit in combinatie 12

14 met GIS zorgt voor een geschikt platform voor analyse, bijwerken, bevragen en presentatie van de data (Jensen, 1996; Star et al. 1997; Chilar 2000). Binnen de studie van veranderingsdetectie zijn er verscheidene methoden die men kan toepassen en verschillende modellen die men kan volgen. Jensen (1996) stelt dat de twee meest gebruikte methoden de postclassificatie vergelijking en het multi-temporaal samengesteld beeld zijn. Khorram et al. (1999) maken de terechte opmerking dat de verschillen detecteren en meten enkel op basis van de verkregen beelden vaak niet voldoende is. In de meeste gevallen is er nog bijkomende informatie vereist om een volledige en correcte analyse door te voeren. Samengaand met de satellietbeelden is er dus ook informatie nodig over de initiële en finale bodembedekking/gebruik in het gekozen studiegebied, de zogenaamde from-to analyse. In ideale omstandigheden wordt deze informatie verkregen door veldwerk (Shalaby & Tateishi, 2007). Voor het onderzoek van deze scriptie werd een maand veldwerk verricht in samenwerking met de partnerinstelling The Xinjiang Institute of Ecology and Geography (XIEG) gelegen in Ürümqi waar verspreid in het studiegebied een hoeveelheid punten werden geregistreerd en omschreven. Bij het vaststellen van de veranderingen op basis van de satellietbeelden kunnen er bepaalde problemen voorvallen. Globaal gezien kunnen de afwijkingen opgedeeld worden in twee categorieën, natuurlijke problemen en beeld gerelateerde problemen. Deze eerste groep omvat de fouten die het gevolg zijn van natuurlijke verschijnselen, zoals de aanwezigheid van een wolkendek waardoor er onvoldoende data beschikbaar is. Ook het niet of foutief in rekening brengen van de fenologie 1 kan zorgen voor foutieve analyses. De tweede groep van problemen situeren zich rondom de beelden zelf. De meeste voorkomende problemen hierbij zijn het foutief of onzorgvuldig toepassen van cropping en de beperkte beschikbaarheid van beelden (geen beschikbare data of te hoge kostprijs). De resolutie speelt ook een belangrijke rol in het algemene proces. Zo zijn beelden met een lage resolutie vaak niet geschikt om kleinere contrasten waar te nemen en zijn beelden met een hoge resolutie vaak zeer duur (Shalaby & Tateishi, 2007; Fonji & Taff, 2014). 1 Fenelogie is de studie van de jaarlijks terugkerende natuurverschijnselen (meteorologische omstandigheden en de tijdstippen van het jaar. (bron: 13

15 In een efficiënt en grondig uitgevoerd onderzoek naar de verandering in bodemgebruik en bedekking is de post-classificatie een onmisbaar onderdeel. Khorram et al. (1999) en Shalaby & Tateishi (2007) zijn het er over eens dat dergelijk onderzoek meer vereist dan enkel de productie van eenvoudige thematische kaarten, simplistische detectie en kwantificatie cijfers. Enkel de grootschalige impact als gevolg van ontbossing, urbanisatie of andere dergelijke drijvende factoren zijn eenvoudig zichtbaar. Evolutionaire veranderingen zoals desertificatie zijn moeilijker direct weer te geven en te kwantificeren. In deze studie wordt aan de hand van een veranderingsdetectie matrix twee classificaties pixel per pixel vergeleken. Belangrijk hierbij is dat de initiële classificatie met grote zorg wordt uitgevoerd aangezien fouten die in de classificatie aanwezig zijn zullen worden overgedragen naar de post-classificatie. 1.2 Probleemstelling De Xinjiang regio in het Westen van China kent sinds enkele decennia een niet te onderschatten probleem van zandstormen dat een belangrijke impact kan hebben op de verandering van landgebruik en bodembedekking. De grootste veranderingen in vegetatie en bodembedekking gedurende de laatste vijftig jaar is grotendeels het gevolg van land reclamatie, verhoogde cultivatie (gecombineerd met het gebruik van kunstmeststoffen) en irrigatie (Fan 1993; Wang & Cheng 1998; Luo et al. 2003). Het studiegebied omvat zoals eerder vermeld de Turpan oase. Een oase gelegen in een woestijnlandschap is volgens Jia (1996) een speciaal landschapstype en bijgevolg ook onderhevig aan een speciaal type landschapsverandering. Doordat een oase een grotere productiviteit heeft dan zijn omgeving vormt er zich zo een ideale site voor een nederzetting. Het voorziet in vruchtbare gronden, grondwater en surface runoff vanuit de bergen wat landbouw toelaat in een eerder onvruchtbaar landschap. Luo et al. (2008) stellen terecht dat oases een zeer fragiel ecosysteem kennen. Om een goed en effectief beleid en beheerssysteem uit te werken is er nood een aan goed begrip van de huidige toestand van de betrokken oase en de lopende trends in het gebied. Het is hier dat teledetectie op basis van satellietbeelden een belangrijke rol kan spelen. Door de moeilijke bereikbaarheid van dergelijke studiegebieden vormen satellietbeelden een goed (en goedkoper) alternatief. De oases in de Taklamakan woestijn in het Noorden van Xinjiang in China zijn al jaren het slachtoffer van zandstormen en verandering in bodembedekking en -gebruik. Deze zijn het 14

16 gevolg van een samenloop van sociaal, economische en milieu gerelateerde omstandigheden. Zo zijn deze oases vaak het slachtoffer van landdegradatie door overbegrazing en slechte irrigatie, ook de klimaatsverandering en de algemene ontbossingen in China spelen een niet te onderschatten rol (Wang, 1996; Zhu & Wang, 1996). De Turpan depressie is een oase gelegen ten noorden van de Taklamakan woestijn waarbij de verandering in vegetatie en bodem bijna volledig toegeschreven kan worden aan de introductie van elektrische waterpompen voor irrigatie in de oase. Deze gemoderniseerde irrigatietechniek vormt een te grote stressfactor voor de beperkte beschikbaarheid van water in de depressie wat de uitdroging van de bodem en de omliggende karez-systemen met zich meebrengt. Dit zal op termijn leiden tot een verlies van vruchtbare gronden en een verandering in bodemgebruik en bedekking met zich meebrengen. Voor de invoering van deze elektrische pompen maakte de regio gebruik van karez-systemen om hun landbouwgronden te irrigeren. Fang et al. (2008) beschrijven de belangrijkste voordelen hiervan en stellen waarom een karez systeem reeds eeuwen een effectieve methode is om de droogte tegen te gaan in van nature minder herbergzame gebieden. De belangrijkste eigenschap is dat enkel de gravitatiekracht nodig is om de watertoevoer te garanderen in de lager gelegen gebieden. Daarnaast zorgt dit systeem voor een stabiele uitstroom van water en verzekert het een hoge kwaliteit van het water, dit dankzij de ondergrondse constructie. Deze constructie draagt bij tot een goede bescherming tegen evaporatie van het kostbare water en zorgt dat rechtstreeks contact met dier en mens wordt teruggedrongen waardoor er een lagere kans is op vervuiling van het water. Het ondergrondse systeem verschaft eveneens een natuurlijk filtratiesysteem en zorgt voor de verrijking met mineralen van het doorstromende water. De noodzaak voor deze nieuwe pompen kan in verband worden gebracht met de actuele ontwikkelingen in het studiegebied en in de rest van de wereld. Ten eerste is er een toename van het bevolkingsaantal in Turpan. Een stijging van het bevolkingsaantal impliceert meteen een grotere vraag naar landbouwproducten wat leidt tot een groter te irrigeren oppervlakte, een stijgende vraag naar water (voor de irrigatie) en dus nood voor de uitbreiding van het gehele karez-systeem. Door de grotere vraag naar water op te vangen worden op diesel aangedreven waterpompen en waterputten gebouwd nabij de verschillende karez-systemen. Hierdoor daalt de grondwatertafel, wat ook een directe impact heeft op het debiet van de karez. Steeds meer karezes drogen uit of worden niet verder onderhouden omdat de nieuwe 15

17 generatie enkel vertrouwt op de elektrische pompen. (Nagasawa et al. 2006). De waterpompen zijn echter veel minder duurzaam, de karez is een hernieuwbare bron omdat het grotendeels steunt op de afvloeiing van smeltwater en doordat het debiet van de karez zich aanpast aan het niveau van de watertafel, op diesel aangevoerde waterputten daarentegen worden benut naargelang de vraag van de gebruikers en zal uiteindelijk leiden tot overexploitatie. Het gebruik van waterputten vraagt een sterke controle en regulatie wat vaak ontbreekt in dit gebied. (Abudu et al. 2011). Naast de bevolkingstoename en daarmee gepaard gaande stijgende vraag naar water is er ook nog de urbanisatie die een invloed uitoefent op het karez-systeem. Een karez vraagt veel onderhoud door traditionele muqannis, deze kenmerken zich vooral door een sterke verbondenheid met hun culturele en traditionele achtergrond. Dit wordt vaak doorgegeven doorheen verschillende generaties, maar door de toenemende urbanisatie is er een steeds groter deel van de jongere generaties die zich gaan vestigen in meer verstedelijkte gebieden en minder voeling ontwikkelen voor deze traditionele irrigatietechniek (Abudu et al. 2011). Als laatste is er nog de klimaatsverandering die een invloed heeft op de toekomst van de karez-systemen. Een groot deel van het water dat door een karez stroomt is smeltwater afkomstig uit de omliggende gebergten waar zich gletsjers bevinden. Met het terugtrekken van deze gletsjers door de klimaatopwarming is er steeds minder smeltwater beschikbaar en verhoogt het risico op het finaal uitdrogen van de karez (Li et al. 2011). 1.3 Relevantie Omdat Turpan een oase is gelegen aan de Taklamakan woestijn is er een grote vraag naar irrigatie om de groeiende bevolking en toenemende landbouw te ondersteunen. Sinds een zeer lange tijd wordt er in deze regio gebruik gemaakt van karez-systemen voor deze irrigatie. Een eerste vermelding van karez in de Turpan depressie in geschriften dateert van 1845 na Christus (Kobori, 2010). Door de introductie van de karez-systemen was het mogelijk voor oases, die geschikt zijn voor landbouw en vestiging van kleine samenlevingen, zich te ontwikkelen rondom de Taklamakan woestijn. De oases hebben steeds een belangrijke rol gespeeld zowel nu als in het verleden, zo waren oases belangrijke stopplaatsen langsheen de zijderoute (Fang et al., 2008; Abubu et al., 2011). Het verlies van dit irrigatiesysteem en de verdere overschakeling naar elektrische pompen zou desastreuze gevolgen hebben voor de 16

18 regio. Vandaar is het belangrijk om de veranderingen in het gebied te analyseren en te presenteren om dit probleem bij de bron aan te pakken. 1.4 Doel Het doel van deze thesis is om op basis van satellietbeelden en verdere verwerking in GIS tot geschikte kaarten te komen die de verandering in bodemgebruik en bedekking illustreren. Aan de hand van deze kaarten en door gebruik te maken van post-classificatie zal er getracht worden om een mogelijke trend in de potentiële veranderingen vast te stellen. De analyse die zal worden uitgevoerd in de thesis kan mogelijk dienen als uitgangspunt voor verder onderzoek of als referentie document om goed onderbouwd beleid en beheer van de oase op te stellen. Bijkomende onderzoeksvragen en doelen die aanleiding geven om deze thesis te vervaardigen zijn: Nagaan of er een merkbare trend aanwezig is sinds de ingebruikname van elektrische pompen Creëren van land use en land cover kaarten voor de verschillende jaren Detecteren en kwantificeren van ruimtelijke patronen inzake vegetatie en oppervlaktewater doorheen de jaren in het studiegebied Nagaan of de knowledge based classificatie methode op basis van indices een voldoende hoge nauwkeurigheid kan bereiken Nagaan of er op basis van een multi-temporele studie van Landsat beelden aanwezige trends kunnen worden gemodelleerd 1.5 Structuur Deze masterproef is opgebouwd uit vijf grote onderdelen. Het eerste deel is een inleidend hoofdstuk waarin het onderwerp wordt geschetst en geduid binnen de wetenschappelijke context. Het tweede deel omvat de gebruikte methoden en materialen die uitvoerig beschreven zijn en vervolgens worden toegepast op het unieke geval van het Turpan-depressie. In het derde deel worden de bekomen resultaten van het onderzoek beschreven en geanalyseerd. Hier wordt eerst ingegaan op de nauwkeurigheid waarmee de classificatie werd uitgevoerd om vervolgens een overzicht en samenvatting te geven van de geclassificeerde beelden. Tevens worden er binnen dit onderdeel de resultaten van de change detection aan de 17

19 hand van post classificatie weergegeven. Als vierde onderdeel van deze masterproef volgt een discussie van het onderzoek waarbij de resultaten in functie van de doelstellingen worden besproken en kritisch worden behandeld. Ten slotte volgt er nog een algemene conclusie waarbij de belangrijkste uitkomsten van deze masterproef worden gebundeld en er gekeken wordt naar de toekomst van het onderzoeksonderwerp. 1.6 Korte resultaten en conclusies Dit onderzoek heeft als voornaamste doel na te gaan of het mogelijk is aanwezige processen en trends te modelleren aan de hand van teledetectie met integratie van GIS. Hierbij werden eerst de beschikbare beelden gecorrigeerd voor atmosferische, geometrische en topografische tekortkomingen waarna op basis van een knowledge based beslissingsboom classificatie werd uitgevoerd. De belangrijkste resultaten en conclusies die hieruit voortvloeien zijn dat de resulterende kaarten en afgeleiden hiervan een goede weergave bieden van de realiteit. De gehanteerde methode bereikt een voldoende hoge nauwkeurigheid maar om een globale analyse te maken is het noodzakelijk dat aanvullende verklarende gegevens verkregen worden die een ruimer inzicht kunnen bieden voor dit studiegebied. Een aantal opvallende trends zijn de lichte afname van onbedekt land. Daarnaast kan uit de kaarten en gegevens die gegenereerd werden aan de hand van een union matrix afgeleid worden dat de urbane kernen sedert 1976 een sterke groei hebben gekend. Een andere opvallende trend is dat de hoeveelheid beschikbare landbouwgronden ongeveer gelijk blijft doorheen de jaren, wel is er een verschuiving te zien in de ruimtelijke ligging van deze gronden. Voornamelijk in het noordoosten van het studiegebied zijn landbouwgronden bijgekomen terwijl elders deze voornamelijk afnemen. 18

20 2. METHODEN EN MATERIAAL 2.1 Studiegebied Het studiegebied is gelegen in de meest noordwestelijke provincie van China, de Autonome Regio Xinjiang of kortweg Xinjiang met Ürümqi als hoofdstad. Het overheersende klimaat in Xinjiang is een semi-aride of woestijnklimaat op de schaal van Köppen 2, hierdoor liggen de steden doorgaans aan de voet van de aanwezige bergketens. Xinjiang wordt onderverdeeld in 14 prefecturen 3 waarvan Turpan er één is. Binnen deze prefectuur situeert zich het studiegebied. Turpan bevindt zich ongeveer 150 km ten zuidoosten van Ürümqi en bevat het vierde laagste blootgestelde punt op het aardoppervlak (ongeveer 135 meter onder zeeniveau). De gemiddelde precipitatie op jaarbasis bedraagt slechts 15,7 mm waarvan de overgrote meerderheid valt in de maand juni. Dit heeft de aanzet gegeven tot het ontwikkelen van een uitgebreid irrigatiesysteem aangezien deze regio één van belangrijke stopplaats was van de eeuwenoude zijderoute (Hansen, 2007). Het studiegebied omvat het voornaamste deel van de Turpan-depressie met de vruchtbare oase centraal in de depressie waar dankzij een zeer vernuftig irrigatiesysteem (karez) aan verschillende vormen van landbouw kan worden gedaan. Omdat het doel van deze thesis zich concentreert op de veranderingen in de vegetatie en wateroppervlakte wordt het studiegebied beperkt tot enkel de oase en direct aangrenzende woestijn. De algemene situering van het studiegebied wordt weergegeven op figuur 2. Dit afgebakend gebied beslaat ongeveer 4150 km² en strekt zich uit tussen breedtegraad N en N en tussen lengtegraden E en E. Figuur 3 geeft de exacte afbakening van het studiegebied. 2 Schaal van Köppen: Het meest gebruikte klimaat classificatie model vervaardigd door Geiger in 1961waarop vele klimaat studies op zijn gebaseerd ( 31/07/2015) 3 Prefecturen worden in China gebruikt om administratieve grenzen aan te duiden die die onder het niveau van een provincie staan maar boven een arrondissement 19

21 Figuur 2: Situering van studiegebied (Bron: Eigen Bewerking op ESRI basemap imagery, 2014) Figuur 3: Exacte afbakening studiegebied (Bron: Eigen Bewerking op ESRI basemap imagery, 2014) 20

22 2.2 Data verzameling De belangrijkste bestanddelen voor deze studie zijn een reeks beelden geproduceerd door verschillende satellieten van het Landsat project. Dit project is het resultaat van een uitgebreide samenwerking tussen de United States Geological Survey (USGS) en National Aeronautics and Space Administration (NASA). Sinds midden jaren 60 waren er actieve plannen om een missie op te starten die op lange termijn de aarde zou observeren. De eerste component hiervan, Landsat 1, werd gelanceerd door NASA in 1972 en was voorzien van een aantal sensoren met als belangrijkste sensor de Multispectral sensor (MSS). MSS voorziet opnames binnen vier banden (binnen het zichtbaar spectrum groen en rood, en twee in het nabije-infrarood) en had een resolutie van ongeveer tachtig meter. Op 22 januari 1975 werd een tweede component gelanceerd, Landsat 2. Deze was eveneens voorzien van een MSS die dezelfde spectrale banden kon registreren als zijn voorganger maar met een betere resolutie, namelijk een resolutie van ongeveer zestig meter. Landsat 2 is operationeel gebleven tot juli De derde component, Landsat 3, werd in 1978 gelanceerd. Deze was uitgebreid met de mogelijkheid om een extra spectrale band op te nemen, een thermale band ( 24/06/2015). In 1982 begon een nieuw era in het Landsat tijdperk. Vanaf Landsat 4 werden de satellieten uitgerust met een Thematic Mapper (TM) sensor samen met de nog steeds aanwezige MSS. Dankzij de komst van de TM verhoogde de grondresolutie tot dertig meter. Tegelijkertijd bracht deze nieuwe satelliet een verhoging in het aantal beschikbare banden met zich mee, in totaal zeven spectrale banden waarvan één thermale band met een grondresolutie van 120 meter. Landsat 5 die door NASA werd gelanceerd in 1985 werd uitgerust met dezelfde sensoren, de MSS en de TM. De MSS opnames boven de Verenigde Staten werden in 1992 stilgelegd, waarna de hoofdactiviteit verder werd stopgezet in Het gebruik van MSS opnames gebeurde nadien enkel nog in het kader van specifieke projecten om in 2013 volledig te verdwijnen. ( 24/06/2015). Een volgende ontwikkeling binnen het Landsat project was de toevoeging van de Enhanced Thematic Mapper (ETM) die voor het eerst aan boord was in 1993 in de Landsat 6. Deze satelliet was enkel voorzien van een ETM en zou dus de eerste Landsat satelliet zijn geweest zonder een MSS, echter deze heeft nooit zijn geplande baan in de ruimte bereikt. In 1999 werd zijn opvolger gelanceerd, Landsat 7, met aan boord een ETM+. Deze sensor was 21

23 voorzien van opnameapparatuur voor acht banden waarvan één thermale band met een resolutie van zestig meter, een panchromatische band met een resolutie van vijftien meter en zes spectrale banden met een resolutie van dertig meter. Deze satelliet is nog steeds operationeel en was de eerste Landsat satelliet die werd uitgerst met middelen om een panchromatische band op te nemen. In 2013 werd de voorlopig recentste satelliet gelanceerd, de Landsat 8. Deze werd voorzien van een heel aantal vernieuwingen en verbeteringen ten opzichte van zijn voorgangers, zoals twee volledig nieuwe sensoren, de Operational Land Imaginer (OLI) en Thermal Infrared Sensor (TIRS). OLI voorziet in opnameapparatuur om negen verschillende banden, waaronder één panchromatische band met een resolutie van vijftien meter en nog acht spectrale banden met een resolutie van dertig meter op te nemen, daarnaast is de TIRS verantwoordelijk voor de registratie van de thermale banden, dit zijn er twee met elk een resolutie van honderd meter ( 24/06/2015). Figuur 4 geeft de tijdlijn weer van de lanceringen van de verschillende satellieten van het Landsat project. In bijlage 2 staan de tabellen met de golflengten en beschrijving van de spectrale banden van respectievelijk de Landsat 1, 2 en 3 MSS, Landsat 4 en 5 TM en Landsat 8 OLI/TIRS. Figuur 4: Tijdlijn van de lancering van de verschillende Landsat satellieten (Bron: 12/07/2015) In tabel 1 staan de belangrijkste eigenschappen van de verschillende beelden die aangewend werden binnen dit onderzoek. Tijdens de selectie van de gebruikte beelden was het moment van opname een eerste beslissende factor, hiervoor werd gezocht naar beelden die ongeveer in dezelfde periode werden verkregen, zodanig dat de vegetatie op de verschillende beelden steeds ongeveer in dezelfde staat van groei verkeerde. Dit is noodzakelijk om ze met elkaar te kunnen vergelijken en analyses op uit te voeren (Singh, 1989). In Turpan bestaat het overgrote deel van de aanwezige vegetatie uit geïrrigeerde landbouw, daarbovenop zorgt het 22

24 aanwezige woestijn klimaat voor lange warme zomers en korte maar koude winters. Een geschikte periode voor een land use en land cover (LULC)-classificatie en een bijbehorende post-classificatie en change detection valt richting het einde van het zomerseizoen (augustus september). Deze periode komt tevens overeen met de periode waarin terreinwerk werd verricht in het studiegebied. Dit vergemakkelijkt het opstellen van de grondverificatiepunten. Een tweede belangrijke factor is de afwezigheid van wolkendek gedurende de opname van de beelden. Dunne bewolking kan deels worden weggewerkt aan de hand van image enhancement, maar algemeen genomen is het best om te streven naar een minimale wolkenbedekking. Als laatste factor is er de kwaliteit van de data van de verschillende banden, deze moet steeds hoger of gelijk aan zeven zijn op een schaal van negen die ontwikkeld werd door USGS ( 24/06/2015). Tabel 1: Eigenschappen gebruikte Landsat-beelden (bron: Datum Product Cloud Coverage Kwaliteit ProductID Pad Rij Landsat 2 MSS 22/09/1976 MSS L1T 6% 8 LM GD S Landsat 5 TM 13/09/1998 TM L1T 8% 7 LT BIK0 0 22/09/1998 TM L1T 0.5% 9 LT BIK0 0 19/09/2006 TM L1T 0% 9 LT IKR0 0 28/09/2006 TM L1T 0% 9 LT IKR0 0 26/08/2009 TM L1T 0% 9 LT IKR0 0 19/08/2009 TM L1T 3% 9 LT IKR Landsat 8 OLI/TIRS 24/08/2014 OLI_TIRSL 1T 6.69% 9 LC LGN /09/2014 OLI_TIRSL 1T % 9 LC LGN

25 2.3 Methoden voor verwerking en analyse Landsatbeelden De algemene workflow voor de LULC-change analyse is terug te vinden in figuur 5. Er zijn drie grote luiken te beginnen met de preprocessing van de verschillende beelden, gevolgd door de classificatie van de LULC van de verschillende beelden met ten slotte de uiteindelijke analyse van de resultaten. Figuur 5: Workflow LULC-change analyse (Bron: Eigen Bewerking) Genereren digitaal hoogtemodel Een digitaal hoogtemodel (DHM) is nodig om de topografische normalisatie van de verschillende Landsat beelden te kunnen uitvoeren. Hiervoor werd data gebruikt die gegenereerd werd door de Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER). ASTER is één van de wetenschappelijke instrumenten aan boord van de Terra satelliet. Deze satelliet is het resultaat van een samenwerking tussen de Verenigde Staten en Japan, werd gelanceerd in 1999 en levert data aan sinds 2000 ( 25/06/2015). De beschikbare data dateert van 17 oktober 2011 is vrij te gebruiken en te downloaden via de website van USGS ( mits een aantal voorwaarden 4. ASTER verzamelt (onder andere) gedetailleerde informatie omtrent hoogteligging en reliëf en is daardoor geschikt om aan te wenden bij topografische normalisatie van de verschillende Landsat-beelden. Hiervoor wordt het level 3 product (Ortho digital elevation versie 2) van ASTER gebruikt. Dit is een gratis product met een nominale resolutie van dertig meter dat werkt met tegels van 1 x 1. De tegels werden nagekeken op 4 Bij het gebruik van de data wordt er vereist dat er een citatie naar de bron wordt bijgevoegd: "ASTER GDEM is a product of METI and NASA." 24

26 wolkenbedekking en uitschieters om vervolgens gestapeld te worden waaruit het gemiddelde werd berekend voor alle gebieden die minimaal 0.01 % land bevatten tussen 83 N en 83 S. Deze worden dan via de site beschikbaar gesteld voor publiek ( 25/06/2015). Op basis van de aangeleverde tegels, ingeladen in ERDAS imagine, werd er een mozaïek gecreëerd die toegepast moet worden bij de topografische correctie. Bij creatie van de mozaïek werd er gebruik gemaakt van de nearest neighbour resampling. Hier wordt de waarde van de output pixel bepaald aan de hand van de dichtstbijzijnde gekende waarde. Dit gebeurt aan de hand van een grid waarbij een maximale root mean square error (RMSE) tolerantie van 0.1 pixel wordt gehanteerd. Om dit DHM te genereren voor het gehele gebied, dat bedekt wordt door de gebruikte Landsatbeelden, zijn in totaal negentien tegels vereist. In tabel 2 worde, door middel van een kruistabel, de beschikbare ASTER tegels weergeven, waarbij de gebruikte tegels voor het DHM aangeduid zijn met X. Deze beelden zijn terug te inden op digitale annex. Tabel 2: Gebruikte ASTER tegels (Bron: Eigen Bewerking) E86 E87 E88 E89 E90 E91 N41 X X N42 X X X X X X N43 X X X X X X N44 X X X X X Preprocessing satellietbeelden Voorafgaand aan een multi-temporele analyse op basis van classificatie van de verschillende Landsat afbeeldingen dienen deze beelden een aantal correcties te ondergaan zodanig dat deze onderling vergelijkbaar zijn. Deze correcties zullen er toe leiden dat er een hogere kwaliteit van analyse kan behaald worden door het elimineren van de radiometrische, atmosferische, geometrische en topografische verstoringen. In het geval van dit onderzoek zijn er vier verschillende stappen nodig: Radiometrische en atmosferische correctie Geometrische correctie Topografische normalisatie 25

27 Creatie van een mozaïek waaruit het studiegebied uitgesneden kan worden Radiometrische en atmosferische correctie De radiometrische en atmosferische correctie zijn een belangrijke stap in de aanloop naar de classificatie van Landsat beelden. Door deze correctie uit te voeren zal een groot deel van de atmosferische effecten op de reflectie geëlimineerd worden. Deze correctie omvat onder andere de verstrooiing, straalbreking en absorptie van licht (Zhang et al.,2010). Figuur 6 geeft een vereenvoudigde weergave van de atmosferische interferentie en de overdracht van elektro-magnetische straling van de zon naar de sensor in de satelliet weer. Er bestaan verschillende methoden om deze correctie uit te voeren. Het belangrijkste onderscheid is enerzijds een absolute radiometrische correctie en anderzijds een relatieve kalibratie methode (Lu et al., 2002). Bij de absolute radiometrische correctie wordt per beeld de digital number (DN)-waarden omgezet naar werkelijke reflectie aan het aardoppervlak. Bij de relatieve kalibratie zal een gelijke DN-waarde eenzelfde reflectie voorstellen ongeacht wat de werkelijke waarde hiervan is aan het aardoppervlak (Song et al.,2001). 26

28 Figuur 6: Invloed atmosferische interferentie en pad elektro-magnetische straling (Bron: Hier werd gekozen om gebruik te maken van een absolute methode die beeld-gebaseerd is en dus geen kennis vereist van de in situ atmosferische parameters bij opname van het satellietbeeld. Een geschikte methode hiervoor is de dark object substraction (DOS). Deze methode neemt aan dat de verstoring uniform verspreid is over het gehele beeld en dat er dark objects bestaan (Song et al.,2001). Atmosferische correctie aan de hand van deze methode bestaat uit twee grote onderdelen. Eerst moeten de DN-waarden die werden geregistreerd door de banden van de sensor aanwezig in de satelliet omgezet worden naar spectrale straling aan de opening van de sensor. Dit werd uitgevoerd aan de hand van volgende formule: (1) 27

29 Waarbij de Gain en Bias afhankelijk zijn van de satelliet en per band verschillend zijn. De waarden hiervoor werden opgezocht in Chander et al. (2009) 5 voor het beeld van Landsat 2 MSS en Landsat 5 TM. Voor Landsat 8 OLI/TIRS werd zowel de Gain als de Bias berekend op basis van de formules in Chander et al. (2009) en de bijgeleverde metadata. Vervolgens moet de reflectie aan het aardoppervlak uit deze spectrale straling bepaald worden. Dit gebeurt door een correctie uit te voeren op de effecten veroorzaakt door de zon en de atmosfeer (Chavez, 1996). Deze wordt gegeven door volgende formule: (2) Hier zijn er een aantal onbekenden die bepaald moeten worden: L p is de pad uitstraling, T v de atmosferische doorlaatbaarheid in kijkrichting, T z de atmosferische doorlaatbaarheid in de verlichte richting, E down is de neergaande diffuse instraling. Om de reflectie te bepalen is het nodig om aan deze onbekenden een waarde toe te kennen. Aangezien er hier gewerkt wordt met de DOS-methode zijn er geen in situ parameters vereist maar werden een aantal aannames verricht om de vergelijking te laten kloppen (zie verder in de tekst) (Chavez, 1996). De reeds gekende parameters zijn: d, de afstand tussen de aarde en de zon in astronomische eenheden. Deze kan worden opgezocht in de metadata of via de vrij beschikbare Landsat handboek 6 (NASA, 2011)., stelt de zenit voor tijdens het moment van opname van de beelden en is eveneens terug te vinden in de metadata. E 0 is de gemiddelde exo-atmosferische zon instraling in W/(m² m), deze waarde is afhankelijk van de satelliet van toepassing en van de golflengte van de band en is eveneens terug te vinden in Chander et al. (2009) voor het beeld van Landsat 2 MSS en Landsat 5 TM. Voor Landsat 8 OLI/TIRS werd aangenomen dat deze benaderd wordt door: (3) waarbij radiance max en reflectance max terug te vinden zijn in het metadatabestand. Dit wordt aangetoond in het handboek voor Landsat 8 materiaal (NASA, 2015). Er werd geopteerd om te werken met de cos(zenit) of COST methode van Chavez (1996), welke een uitbreiding vormt op de standaard DOS-methode. Hierbij wordt E down genegeerd en dus gelijkgesteld aan 0 en T v wordt hierbij gelijkgesteld aan 1 aangezien de nadir voor 5 Dit artikel is tevens terug te vinden in de digitale annex. 6 Dez tabel kan teruggevonden worden in de digitale annex. 28

30 kijkrichting gelijk is aan 0. T z wordt cos(. Als laatste onbekende is er nog L path. Deze wordt bepaald aan de hand van zwarte objecten op het beeld zelf, met andere woorden van elementen die zo goed als zeker een DN-waarde moeten hebben van 0 maar door atmosferische verstrooiing een andere waarden hebben aangenomen (DN min ). Deze waarde werd bepaald op basis van het frequentie histogram per band voor alle beelden. Chavez (1988) meent dat dit echter niet steeds correct is aangezien er maar slechts weinig compleet donkere elementen bestaan op aarde en gaat er vanuit dat een donker object toch 1% reflectie kent, hierdoor moet er nog een correctie toegepast worden. Kortom L path kan dus worden bepaald door de straling gebaseerd op DN min verminderd met de straling als resultaat van de reflectie van het donker object zelf en wordt dus gegeven door: (4) Alle parameters voor de verschillende banden werden per beeld voor formule (2) bepaald met behulp van Excel. Hierna werd in ERDAS imagine een model aangemaakt (zie figuur 7) die voor de verschillende beelden de verschillende afbeeldingen per band opvraagt en waar de juiste parameters vervolgens in de functie ingevuld kunnen worden. Hierna wordt door het model gecontroleerd of de berekende reflectie al dan niet negatief is, indien dit het geval is wordt deze gelijkgesteld aan 0. Vervolgens worden de verschillende beelden zowel afzonderlijk geëxporteerd als in een multi-spectraal beeld. De berekeningen van de verschillende parameters per band, per beeld en per sensor zijn terug te vinden in de digitale annex. Tenslotte werd er nog een histogram equalization uitgevoerd om de DN waarden terug te schalen naar het normale spectrum (0-255). 29

31 Figuur 7: ERDAS imagine model voor COST methode (bron: Eigen Bewerking) Geometrische correctie De geometrische correctie bij LULC-studies gebaseerd op een multitemporele reeks van satellietbeelden is nodig om ervoor te zorgen dat alle beelden onderling op elkaar afgestemd zijn om het op die manier mogelijk te maken om ze na de classificatie (bij post-classificatie) pixel per pixel te kunnen vergelijken om potentiële veranderingen te detecteren. Bijgevolg is het nodig om de verschillende beelden (van de verschillende tijdstippen) zo accuraat mogelijk geometrisch te corrigeren (Kardoulas et al., 1996). Alle betrokken beelden van Landsat 2, Landsat 5 en Landsat 8 zijn een level 1T product. Dit wijst erop dat deze beelden reeds een standaard terrein correctie hebben ondergaan, wat een standaard geometrische en radiometrische correctie omvat. Geodetische nauwkeurigheid is afhankelijk van de kwaliteit van de gebruikte grondcontrolepunten en het digitale hoogtemodel. Als gevolg van deze standaard terrein correctie zijn deze beelden reeds gecorrigeerd op fouten die ontstaan door de sensor (kijkhoek), satelliet (hoogte afwijkingen) en de aarde (rotatie, kromming, helling). 30

32 Doordat elk beeld zijn eigen unieke grondcontrolepunten bezit kunnen er wel verschillen binnen de geometrie ontstaan tussen de verschillende satellietopnamen (NASA, 2011). Bij het beeld van Landsat 2 is een gekend probleem dat bij deze producten niet steeds even nauwkeurig kunnen worden gecorrigeerd als gevolg van een lagere resolutie en lagere kwaliteit van de opnames door de banden. ( 02/07/2015). Alle beelden zijn geprojecteerd naar WGS 84 (UTM 45, EPSG: 32645). De beelden van Landsat 8 afkomstig uit 2014 dienen als referentie afbeeldingen waarnaar de beelden van Landsat 5 en Landsat 2 geometrisch gecorrigeerd werden. Dit gebeurde aan de hand van een kwadratische polynomiale vergelijking. De relatie tussen het referentiebeeld (X,Y) en het te corrigeren beeld (X,Y ) kan worden uitgedrukt door: (5) Waarbij n de orde voorstelt van de polynomiale functie. Hoe hoger deze orde hoe beter de grondcontrolepunten inpassen in het model, maar dit gaat ten koste van de kwaliteit van het model, punten die verder van de grondcontrolepunten gelegen zijn zoals aan de randen zullen sterke vervormingen ondervinden. Hier werd gekozen voor een kwadratische polynomiale functie die kan worden beschreven als: en (6) Bij deze vorm zijn minstens zes grondcontrolepunten vereist, meer punten zijn echter wenselijk om de globale RMSE zo laag mogelijk te houden zodanig dat er een grotere positionele nauwkeurigheid kan worden bereikt (Errico et al., 2011). De geometrische correctie werd uitgevoerd in ERDAS imagine software. De beelden verkregen door Landsat 8 dienen als referentie afbeelding waarnaar de andere beelden gecorrigeerd worden. Dit aan de hand van bovenstaande wiskundige vergelijking. Hierbij werden steeds minimaal 20 tot 40 grondcontrolepunten geïdentificeerd, verspreid over het gehele beeld (zie figuur 8 die ook terug te vinden is in de digitale annex). Er werd voornamelijk gezocht naar vaste punten die doorheen de tijd weinig verandering hebben ondergaan, voornamelijk kruispunten, hoekpunten van grote gebouwen, hoekpunten van wegen, en dergelijke. De RMSE die de nauwkeurigheid en consistentie van de 31

33 grondcontrolepunten uitdrukt werd berekend voor elk punt door de vierkantswortel te bepalen van het gemiddeld kwadratisch verschil van de x en y locatie tussen de werkelijke locatie van het grondcontrolepunt en de geschatte locatie door middel van de kwadratische polynomiale vergelijking. De grondcontrolepunten werden gekozen zodat de RMSE steeds onder 0.6 lag zodanig dat er een voldoende hoge nauwkeurigheid werd behaald. 32

34 Figuur 8: Verdeling grondcontrolepunten en bijhorende waarden (Bron: Eigen Bewerking) 33

35 De volgende stap is de resampeling van de beelden waarbij de nieuwe coördinaten bepaald werden voor de te refereren afbeelding. De nieuwe coördinaten werden bepaald door middel van de nearest neighbour resampling methode. De waarde van de output pixel wordt bepaald aan de hand van de dichtstbijzijnde gekende waarde. Deze resampling methode heeft de kleinste impact maar is wel het meest geschikt voor multi-band afbeeldingen. Op deze manier wordt de onderlinge relatie tussen de banden behouden en zal het geen negatieve impact hebben op latere bewerkingen aan de hand van band combinaties. De omgezette DN-waarden naar reflectie aan het aardoppervlak door de atmosferische correctie blijft zo behouden voor alle banden. Doordat de beelden level 1T producten zijn, hebben deze al een eerste resampling ondergaan zoals beschreven in het Landsat handboek (NASA, 2011, 2015). De resampling methode die werd toegepast is cubic convolution. Deze methode maakt gebruik van een 4x4 matrix die de omliggende 16 buren aanwendt voor de berekening van de output waarde op basis van een twee dimensionale interpolatie van de derde orde. Dit is een zeer uitgebreide techniek die eveneens corrigeert voor de aardkromming en aardrotatie, hierdoor is het niet nodig deze opnieuw uit te voeren op de beelden verkregen door Landsat 5. Door de mogelijks mindere kwaliteit van de standaard correctie die werd toegepast op de beelden van Landsat 2 werd er hiervoor wel geopteerd om cubic convolution toe te passen als resampling methode Topografische normalisatie Topografische normalisatie is nodig indien de beelden een bergachtig gebied beslaan. Het studiegebied van de Turpan oase is volledig omringd door bergen en heeft bijgevolg naad aan dergelijke normalisatie. De topografie van het gebied heeft een grote invloed op hoe het signaal wordt opgenomen. Zo hebben voornamelijk de schaduwen die deze toppen werpen een grote invloed, deze zullen donkerdere en lichtere gebieden creëren die door de atmosferische correctie kunnen worden aangenomen als een vlakke topografie. De verschillende beelden zijn onder andere omstandigheden (uur, dag, maand) opgenomen waardoor er grote verschillen kunnen ontstaan bij de classificatie van deze beelden (Richter et al., 2009) en wordt geïllustreerd door figuur 9. Om dit te vermijden werd een topografische normalisatie uitgevoerd aan de hand van het gegenereerde DHM. 34

36 Figuur 9: Illustratie schaduwzones in gebieden met een uitgesproken reliëf (Bron: Landsat 8 met Eigen Bewerking) Er bestaan verschillende methodes om topografische normalisatie uit te voeren. Het belangrijkste onderscheid tussen de verschillende methodes is deze tussen de Lambertiaanse en de niet-lambertiaanse methodes. De Lambertiaanse methodes gaan uit van de assumptie dat de reflectie die het oppervlak uitstraalt in alle richtingen gelijk is. Methodes die deze assumptie aannemen hebben de neiging de benodigde correctie te overschatten aan de noordelijke zijde van de aanwezige hellingen (Ekstrand, 1996). Om deze reden werd gekozen om een niet-lambertiaanse methode toe te passen, namelijk de minnaert methode. Deze methode houdt rekening met de verschillen in gereflecteerde uitstraling op basis van het reliëf. De eerste stap van deze methode was het bepalen van de illuminatie per pixel als de cosinus van lokale invalshoek, genoteerd als (cos(i)). Deze kan worden bepaald aan de hand van volgende formule: 35

37 (7) Waarbij de zenit voorstelt,, de hellingshoek, de azimut en de kompasrichting (Ediriweera et al., 2013). Figuur 10 geeft een schematische voorstelling van de illuminatie weer. De zenit en azimut kunnen achterhaald worden uit het metadata bestand dat bijgeleverd werd met de Landsat afbeeldingen. De hellingshoek en de kompasrichting werden bepaald op basis van het DHM dat werd gegenereerd gebruik makende van ASTER data. Figuur 10: Schematische weergave illuminatie door lokale invalshoek met θ_p als hellingshoek van het terrein, θ_z de zenit en γ_i de invalshoek van de zon (Bron: 15/07/2015) Hierna kon de oppervlakte straling worden bepaald voor horizontaal terrein op basis van volgende vergelijking: (8) L t is de reflectie van het hellend oppervlak en k stelt de Minnaert constante voor. Deze exponent kan een waarde aannemen tussen 0 en 1, waarbij 1 een compleet Lambertiaans 36

38 oppervlak voorstelt (Richter et al., 2009). Hoe lager deze constante hoe meer anisotroop gedrag de band vertoont. Deze constante moet voor elke band apart worden bepaald, dit omdat de golflengte die wordt voorgesteld door de band een invloed heeft op de weergave van de reflectie. Om k te bepalen werd vergelijking (8) omgevormd tot volgende lineaire vergelijking: cos( (9) Dit vertaalt zich naar een lineaire vergelijking van de eerste orde ( ) waarop een eenvoudige regressie-analyse kan worden toegepast waarmee de constante k voor de verschillende banden kon worden bepaald. De constante k stelt hier de richtingscoëfficiënt voor van deze lineaire vergelijking. Vervolgens kon deze worden ingevuld worden in formule (8) waaruit een topografisch genormaliseerd beeld ontstaat (Smith et al., 1980). Als eerste stap voor de topografische normalisatie werd op basis van het DHM per pixel de hellingshoek in graden en de kompasrichting bepaald. Deze werden vervolgens geëxporteerd als aparte rasterafbeeldingen om later in de ERDAS imagine model maker terug op te roepen. Zoals eerder vermeld kunnen zowel de azimut en zenit achterhaald worden uit de bijgeleverde metadata. De zenit wordt bepaald door 90 graden te verminderen met de meegeleverde zon elevatie. Deze twee waarden zijn afhankelijk van het opnamemoment van het beeld en moet er dus per beeld een topografische correctie worden uitgevoerd vooraleer er een mozaïek geconstrueerd kan worden. Aan de hand van formule (7) werd een model geconstrueerd in de ERDAS imagine model maker om de cosinus van de invalshoek per pixel te bepalen op basis van de benodigde parameters van elk beeld (figuur 11). 37

39 Figuur 11: ERDAS imagine model voor bepalen illuminatie (Bron: Eigen Bewerking) De ERDAS imagine model maker maakt gebruik van radialen in plaats van graden waardoor de hellingshoek, kompasrichting, zenit en azimut omgezet moeten worden om een correct resultaat te bekomen. Dit kan door deze allemaal te vermenigvuldigen met. Voor de zenit en azimut werd dit bepaald met behulp van Excel (hiermee werd tevens de zenit bepaald uit de zon elevatie en is terug te vinden in de digitale annex). Het bereik van de resulterende functie in ERDAS imagine is gelegen tussen -1 en 1 en geeft als resultaat een soort drie dimensionaal beeld van het betrokken gebied zoals te zien op figuur 12 welke een detailbeeld weergeeft. 38

40 Figuur 12: Illumination surface (Bron: Eigen Bewerking) Om de topografische normalisatie uit te voeren moet deze ingevoerd worden samen met de andere parameters in formule (8). Om de Minnaert constante k te bepalen moest eerst een regressie-analyse uitgevoerd worden. Deze constante is golflengte afhankelijk en moet bijgevolg per band apart bepaald worden. Om deze constante te bepalen werd gebruik gemaakt van subsets van pixels die eenzelfde bodembedekking voorstellen. De data voor deze bodembedekking is afkomstig van GlobeLand30. Dit is het resultaat van een chinees project met als doel een globale bodembedekkingskaart te genereren met een resolutie van dertig meter. Deze kaart is voornamelijk gebaseerd op Landsat afbeeldingen uit 2000 en Het eindresultaat van dit project is een kaart van de bodembedekking met vier verschillende klassen voor het studiegebied. De classificatie methode die werd toegepast voor deze kaart is een pixel-object-knowledge-based (POK) benadering in plaats van een volledig geautomatiseerde benadering. De accuraatheid van deze methode werd gecontroleerd aan de hand van intensief veldwerk om een fouten matrix samen te stellen voor de POK benadering voor Shaanxi provincie in China. Hieruit bleek dat er een nauwkeurigheid kon bereikt worden van ongeveer 78,6 procent (Chen et al., 2015). Als referentie categorie werd gekozen voor grassland, dit omdat deze categorie zich uitstrekt tot in de hoger gelegen gebieden en zal dus een goede indicator zijn om subsets te bepalen langs de verschillende hellingshoeken en kompasrichtingen. Op basis hiervan kan de constante k bepaald worden voor de verschillende banden. Als eerste stap werd uit de vrij beschikbare dataset van GlobeLand30 de categorie grassland geëxtraheerd om deze vervolgens over de Landsat beelden te plaatsen en verschillende Areas of interest (AOI) te selecteren (zie figuur 13). 39

41 Figuur 13: aanduiding AOI s (stippellijn) klasse grasland (groen) bij verschillende illuminatie en terrein (Bron: Eigen Bewerking) Deze AOI s werden opgeslagen en de bijbehorende DN s per pixel per band geëxporteerd naar ASCII formaat om vervolgens te verwerken met Excel 7. Dit proces werd vervolgens herhaald voor de illuminatie afbeelding van het oppervlak voor het desbetreffende beeld aangezien dit eveneens nodig is om de enkelvoudige lineaire regressievergelijking (9) op te kunnen lossen. In het resulterende Excel bestand werden de logaritmes berekend die nodig zijn om formule (9) uit te kunnen voeren. Als gevolg van het grote aantal waarden per bestand (elk bestand bezit minstens waarden) was het noodzakelijk om gebruik te maken van een statistisch verwerkingsprogramma. Er werd gekozen voor TIBCO Spotfire S+. Dit programma heeft een aantal vooraf gedefinieerde functies, waaronder ook de lineaire regressie analyse. Hierbij werd cos( ingesteld als afhankelijke veranderlijke en als onafhankelijke veranderlijke. Per band werd deze regressievergelijking opgelost en zo kon de constante k worden bepaald. Figuur 14 geeft een weergave van de statistische output voor band 1 van een beeld van 24/08/2014 geproduceerd 7 Dit excelbestand is terug te vinden in de digitale annex. 40

42 door Landsat 8 (path 142 row 30). Voor de andere beelden is de statistische output terug te vinden in de digitale annex. k Figuur 14: Output lineaire regressie vergelijking band 1 Landsat 8 (Bron: Eigen Bewerking) Na het bepalen van de constante k voor de verschillende banden per beeld kunnen deze in een model in ERDAS Imagine model maker worden ingevoerd. Er werd gekozen voor een bestaand model van ERDAS Imagine dat specifiek ontwikkeld werd om een k-minnaert topografische normalisatie toe te passen. Hierbij zijn slechts vier soorten input vereist. Sun elevation en azimut: terug te vinden in de bijbehorende metadata van het beeld Een DHM: het ASTER DHM, waarvan een subset per beeld werd gemaakt en een herschaling naar de exacte pixels van het Landsat beeld dat van toepassing is Input: De layerstack van de verschillende banden die reeds atmosferisch en geometrisch corrigeert zijn De k-minnaert constanten: een kolom in te vullen per band zodat deze automatisch kunnen worden toegekend Als interpolatie methode voor het DHM en het input beeld werd gekozen voor nearest neighbour. Figuur 15 geeft het schematische model weer dat werd gebruikt in ERDAS imagine model maker. 41

43 Figuur 15: Model voor topografische normalisatie (Bron: ERDAS imagine) Figuur 16 stelt een detailbeeld voor van het topografisch genormaliseerde Landsat 8 beeld in vergelijking met het enkel atmosferische en geometrisch gecorrigeerde beeld. Hierop is duidelijk te zien dat de schaduw die wordt geworpen door de stand van de zon weggefilterd werd. Figuur 16: Vergelijking tussen topografisch genormaliseerd beeld (links) en enkel atmosferisch en geometrisch gecorrigeerd beeld (rechts) (Bron: Eigen Bewerking) 42

44 Creatie mozaïek en selectie subset Nadat alle onderdelen van de preprocessing zijn doorlopen werden de beelden afkomstig van Landsat 5 en Landsat 8 met behulp van de mozaïekfunctie van ERDAS imagine software samengevoegd. Doordat de randen van de beelden sterke anomalieën vertonen (vooral bij Landsat 5, zie figuur 17) werd er binnen de beelden een AOI aangeduid die geen invloed ondervindt van deze tekortkomingen, dit is mogelijk aangezien er voldoende overlap aanwezig is bij de corresponderende beelden. Het is op basis van deze AOI s dat de mozaïek werd gegenereerd. Figuur 17: Anomalie aan de rand van Landsat 5 afbeelding (Bron: Eigen Bewerking) Vervolgens moest de intensiteit van de kleuren van de verschillende beelden op elkaar worden afgestemd. Hiervoor wordt histogram matching gebruikt die band per band op basis van de overlappende regio de kleuren zal corrigeren voor beide beelden. Door de keuze van histogram matching is het voldoende om een mozaïek te creëren op basis van nearest neighbour resampling. Tenslotte wordt uit alle beschikbare verwerkte beelden (Landsat 2, Landsat 5 en Landsat 8) het studiegebied dat werd bepaald in sectie 2.1 geëxtraheerd aan de rand van de subset functie in ERDAS imagine. Hiervoor werd eerst opnieuw een AOI aangemaakt die het studiegebied omvat. Met deze vijf resulterende, volledig gecorrigeerde beelden zal het classificatieproces worden aangevat. 43

45 2.3.3 Classificatie Landsat beelden De classificatie van de verschillende beelden is een van de voornaamste onderdelen van een de LULC-change studie aangezien een geclassificeerd model zoals aangehaald door Brown et al. (2007) zal zorgen voor een beter begrip in de aanwezige dynamieken binnen het systeem. De modellen bij LULC-change studies zijn voornamelijk grotendeels gebaseerd op satellietbeelden en luchtfoto s (Turner et al., 1995). De selectie van een geschikte classificatiemethode zal hierdoor van groot belang zijn om een relevant resultaat te bekomen Classificatiesysteem Classificatie kent twee belangrijke verschillende benaderingen. Enerzijds is er de pixel based benadering en anderzijds de object based benadering. Het belangrijkste verschil hiertussen is dat bij het eerste voor alle pixels afzonderlijk bepaald wordt in welke categorie ze moeten worden onderverdeeld. Bij de tweede benadering wordt de vorm, textuur en spectrale signatuur van de gedefinieerde objecten in rekening gebracht, wat afhankelijk van de toegepaste segmentatie zal bepalen hoe deze objecten zullen worden toegekend aan de verschillende klassen. Pixel based classificatie van een bepaald studiegebied kan worden gedefinieerd als volgt: het proces waarbij pixels worden toegewezen aan een gelimiteerd aantal vooraf gedefinieerd klassen of thema s, hetgeen doorgaans een tweeledig proces is. Een trainingsprocedure waar wordt gedefinieerd wanneer welke criteria moeten worden herkend, gevolgd door de effectieve classificatie waarbij op basis van een of meerdere beslissingsregels (vaak een wiskundig algoritme) de resterende pixels worden toegewezen aan klassen (Erdas inc., 2002). Pixel based classificatie kan onderverdeeld worden onder twee grote luiken: de ongesuperviseerde en de gesuperviseerde classificering. Bij het eerste worden de pixels onderverdeeld in eenduidige klassen gebaseerd op hun specifieke spectrale signatuur. Deze methode is minder subjectief aangezien de manuele input zich beperkt tot het minimum, maar daarentegen is dit geautomatiseerde systeem vaak niet in staat bepaalde patronen te herkennen in grote gebieden die met een visuele analyse wel herkenbaar zouden zijn (Rozenstein & Karnieli, 2011). Een van de meest gebruikte methoden hierbij zijn de K-means en ISODATA methode. Ongesuperviseerde classificatie kan worden gebruikt voorafgaand aan het tweede 44

46 grote luik: de gesuperviseerde classificatie om kennis te verwerven over de variatie in spectrale signatuur (Congalton, 1991). Bij gesuperviseerde classificatie wordt op basis van analyse van de ongesuperviseerde classificatie, veldverkenning en voorafgaande kennis met betrekking tot het studiegebied per klasse (die vooraf werden opgesteld) een aantal trainingssets geselecteerd die representatief zijn voor de bijbehorende klasse inzake similariteit in signatuur. Hierbij is het belangrijk dat de onderlinge seperabiliteit van de klassen gewaarborgd wordt om een zo eenduidig resultaat te bekomen wanneer de overige pixels toegewezen worden naar hun klasse aan de hand van een classificatie-algoritme zoals maximum likelihood classifier (MLC) (Congalton, 1991). Naast deze vaak gebruikte methoden voor LULC-classificatie wordt er ook steeds meer aandacht besteed aan het gebruik van een knowledge-based benadering onder de vorm van beslissingsbomen. Deze beslissingsbomen zijn opgemaakt uit een wortelknoop waaruit de boom ontstaat en in dit geval het gehele beeld bevat. Hieruit ontstaan een aantal takken met bijbehorende knopen, elke knoop (behalve de wortel) bezit een ouderknoop en kan een aantal kindknopen bezitten. Indien een knoop geen kindknopen bevat wordt deze gezien als een bladknoop en zal in dit geval een bepaalde klasse representeren (De Tré, 2007). Bij deze LULC-classificatie methode worden de objecten of pixels toegewezen aan de hand van het doorlopen van de opgestelde beslissingsboom. Gebruik maken van een beslissingsboom in tegenstelling tot de meer conventionele methoden zoals MLC kent een aantal voordelen: Er kan gebruik worden gemaakt van zowel categorische als numerische data Verschillende indices en parameters kunnen gecombineerd worden in één enkele classificatie Ontbrekende waarden kunnen worden toegelaten Er is niet steeds een Gaussiaanse verdeling vereist Daarenboven geeft de schematische vorm van een beslissingboom vaak een duidelijk te interpreteren weergave van de gebruikte parameters en bijbehorende drempelwaarden (Friedl & Brodley, 1997). 45

47 Voor dit onderzoek wordt er gebruik gemaakt van een knowledge pixel based benadering. De eerste stap hierbij is het ontwikkelen van een classificatieschema en het definiëren van de te gebruiken klassen. Aangezien het om een groot studiegebied gaat en vooral de globale trend in veranderingen in LULC van belang zijn is het nodig om een aantal overkoepelende klassen te definiëren. Zoals Anderson et al. (1976) aangeven: There is no one ideal classification of land use and land cover and it is unlikely that one could ever be developed Het belangrijkste aspect bij definiëren van klassen is dat ze van toepassing zijn op grotere schaal, bijvoorbeeld een nationale of globale schaal. Hiermee rekening houdend werd als basis voor het afbakenen van de verschillende LULC klassen de indeling van Anderson et al. (1976) gebruikt. Deze is grotendeels aangepast voor het gebruik van satellietbeelden. Het classificatieschema is beperkt tot een aantal veel voorkomende klassen met 1 sub level zodat er voor de verschillende instanties nog ruimte is om deze aan te passen aan specifieke noden en wensen. De intentie van deze structuur richt zich voornamelijk op het ontwikkelen van een uniform systeem voor de Verenigde Staten. Maar uit de literatuur van Cabral et al. (2005) en Rozenstein & Karnieli (2011) die respectievelijk een analyse hebben gemaakt van een studiegebied Portugal en een studie in Israël bleek dat deze classificatie zeer goed overdraagbaar is naar regio s buiten de Verenigde Staten. Daarnaast geven Anderson et al. (1976) aan dat een classificatiesysteem ook bruikbaar moet zijn in uitgestrekte extensieve regio s, wat van belang is voor dit onderzoek. Bij het afbakenen van de klassen werd gebruikt gemaakt van Anderson et al. (1976) niveau 1, hetgeen specifiek van toepassing is voor Landsat beelden. Op basis van interpretatie van veldverkenning, visuele analyse en beelden van Google Earth kunnen zo vijf verschillende klassen gedefinieerd worden welke terug te vinden zijn in tabel 3. Tabel 3: Opsomming en definitie verschillende LULC klassen (Bron: Anderson et al., 1976; Eigen Bewerking) Klasse Urbaan Omschrijving Gebieden die bedekt zijn met gebouwen of intensief gebruikt worden waarbij het overgrote deel bedekt is met artificiële structuren zoals huizen, commerciële complexen, industrie of landbouwstructuren 46

48 Landbouwland Gronden die voornamelijk ingezet worden voor landbouwdoeleinden, hier voornamelijk druiventeelt, meloenen en katoenvelden Weiland Hier gedefinieerd als gebieden waar er voornamelijk grassen en lage struiken en een aantal lage bomen voorkomen. Gronden die niet geschikt zijn voor landbouw maar wel extensief gebruikt kunnen worden Water Waar water aan de oppervlakte komt en voor langere tijd aanwezig is. In dit studiegebied waar de Karez uitmonden vormt er zich soms een klein reservoir dat voldoende groot is om te definiëren, daarnaast zijn er ook kleine meren en permanente stromen aan de oppervlakte 47

49 Onbedekt Gronden die niet de kwaliteit hebben om leven te onderhouden, hier de uitgestrekte droge vlakten en duinformaties Van deze verschillende elementen zijn ook observaties beschikbaar die tijdens het veldwerk verricht werden (afbeeldingen in tabel). Naast het classificatieschema van Anderson et al. (1976) werd ook de globale landcover kaart GlobeLand30 van Chen et al. (2015) beschouwt voor het studiegebied. Hier worden 6 verschillende klassen geïdentificeerd: - Bareland - Cultivated land - Grassland - Water bodies - Artificial structures - Wetland Hier wordt een onderscheid gemaakt binnen de klasse water tussen water bodies en wetland. Ook bij Anderson et al. (1976, p 30) bestaat de klasse wetland welke gedefinieerd wordt als: 48

50 Wetlands are those areas where the water table is at, near, or above the land surface for a significant part of most years. The hydrologic regime is such that aquatic or hydrophytic vegetation usually is established, although alluvial and tidal flats may be nonvegetated. Maar aangezien in dit studiegebied mede door het woestijnklimaat, de beperkte resolutie en door het feit dat het overgrote deel van de irrigatiekanalen zich onder aard oppervlak bevinden is het onderscheid tussen water bodies en wetland bijna onmogelijk correct te definiëren op basis van de spectrale signatuur en werd er gekozen om deze twee categorieën onder enzelfde noemer te plaatsen. Tijdens de classificatie van het studiegebied is gebleken dat het bepalen van het onderscheid tussen urbane gebieden en onbedekt land (woestijn) op basis van de spectrale signatuur niet het gewenste resultaat geeft, er is namelijk teveel spectrale verwarring tussen deze twee klassen. Een mogelijke oplossing hiervoor is om dezelfde classificatie opnieuw door te voeren maar dan op basis van een hoger aantal klassen om zo de interne variatie binnen de klasse urbaan en onbedekt land aan te pakken. Deze nieuwe klassen zouden dan in een later stadia opnieuw worden samengevoegd tot de overkoepelende klasse urbaan of onbedekt. Echter binnen dit onderzoek heeft de vermeerdering van het aantal klassen geen soelaas gebracht in de spectrale verwarring tussen urbaan en onbedekt. Aangezien de classificatie van de drie andere klassen (landbouwland, water en weiland) een goede en correcte representatie weergeeft van de realiteit en het hoofddoel van deze LULCchange studie het bepalen van de verandering in de vegetatie en het wateroppervlakte is, werd er gekozen om urbaan en onbedekt tot een klasse samen te voegen. De volgende stap is het bepalen van de te gebruiken parameters waaruit een geschikte beslissingsboom kan ontstaan. Om hieraan te voldoen kunnen veel verschillende verklarende parameters worden aangewend zoals vermeld door Nutini et al. (2013). Naast voldoende kennis over de eigenschappen van het studiegebied kan de spectrale signatuur van de klassen, visuele interpretatie van bestaande luchtfoto s, topografische kaarten, resultaten bekomen door ongesuperviseerde classificatie en bandratio s gebruikt worden om een aantal kenmerken te verduidelijken. Hier werd in eerste instantie een gesuperviseerde classificatie uitgevoerd aan de hand van MLC. Deze methode was echter niet geschikt voor dit gebied als gevolg van de grote variatie 49

51 in signatuur die bestaat in de klasse onbedekt waardoor de hoogst mogelijk te bekomen seperabiliteit niet voldoende bleek om een onderscheid te maken tussen urbaan, onbedekt en water. Enkel landbouwland en weiland leken correct toegewezen. Hierdoor was het nodig om de beslissingsboom aan te vullen aan de hand van bandratio s. Hierbij werd gebruik gemaakt van Normalized Difference Vegetaion Index (NDVI) en modified Normal Difference Water Index (MDNWI). NDVI en MDNWI zijn beide bandratio s die resulteren in een waarde tussen -1 en 1. NDVI wordt bepaald uit het nabije infrarood (NIR) en het visuele (rood) spectrum. Dit omdat vegetatie dit deel van het visuele spectrum gebruikt voor fotosynthese en het nabije infrarood weerkaatst. Doordat gezonde vegetatie meer visueel licht absorbeert als minder gezonde vegetatie (zie figuur 18) kan op basis van de bandratio een onderscheid worden gemaakt tussen de verschillende soorten aanwezige vegetatie ( 25/07/2015). NDVI wordt berekend aan de hand van volgende ratio: (10) Figuur 18: links gezonde vegetatie die meer zichtbaar licht observeert en een hoog percentage nabij infrarood weerkaatst, rechts minder gezonde vegetatie die minder visueel licht absorbeert. (Bron: tation_2.php, 25/07/2015) 50

52 MDNWI is een bandratio die een aanpassing van de standaard Normalized Difference Vegetation Index (NDWI) voorstelt. NDWI is een bandratio die gebruik maakt van het groene visueel licht en het nabije infrarood. Deze ratio zorgt ervoor dat het oppervlaktewater verduidelijkt kan worden en non-water elementen zoals vegetatie, bodem en urbane elementen onderdrukt worden. Echter vaak wordt bij deze ratio niet steeds alle ruis en urbane structuren volledig onderdrukt en kan er verwarring ontstaan in het onderscheiden van oppervlaktewater. Om dit tegen te gaan heeft Xu (2006) een aanpassing doorgevoerd en de MNDWI ontwikkeld die gebruik maakt van het short wave infrarood (SWIR) in plaats van het nabij infrarood. Doordat water meer SWIR dan NIR absorbeert zal het oppervlaktewater bij de MNDWI een hogere waarde toegewezen krijgen en bodem, vegetatie en urbane structuren zullen een negatieve waarde toegewezen krijgen. MNDWI wordt berekent aan de hand van volgende ratio: MNDWI (11) Beide ratio s werden voor elk beeld berekend. NDVI aan de hand van de ingebouwde functie in ERDAS imagine en voor MNDWI wordt een model opgesteld in ERDAS model maker. Hierbij werd de teller en noemer van de ratio afzonderlijke bepaald waarna in de volgende stap de ratio kon worden bepaald indien aan de conditie dat de noemer niet 0 is werd voldaan. Onderstaande figuur 19 geeft dit model weer. Het resulterende rasterbeeld (figuur 20) werd omgezet naar een binair beeld waarbij 1 oppervlaktewater voorstelt en 0 non water elementen. 51

53 Figuur 19: ERDAS model voor berekening MNDWI (Bron: Eigen Bewerking) 52

54 Figuur 20: Boven binaire weergave wit: water, zwart: non water, onder weergave SWIR band (Bron: Eigen Bewerking) Op basis van deze twee ratio s kon landbouwland, weiland en oppervlaktewater geclassificeerd worden. Om de juiste drempelwaarde te vinden om landbouwland te onderscheiden van weiland woerd er gebruik gemaakt van de thematische kaart gegenereerd aan de hand van MLC en de swipe 8 functie beschikbaar in ERDAS imagine om dan na verscheidene iteraties een geschikte waarde te vinden. Figuur 21 geeft de resulterende beslissingsboom weer. 8 Toepassing die het toelaat om twee afbeeldingen onderling te vergelijken door het ene beeld over het andere te verslepen en na te gaan hoe goed beide beelden elkaar aanvullen. 53

55 Volledig beeld MNDWI = 1 MNDWI = 0 water Geen water NDVI < 0,4 Onbedekt/urbaan Vegetatie NDVI >= 0,4 NDVI < 0,8 NDVI >= 0,8 Weiland Landbouw Figuur 21: Beslissingsboom classificatie LULC (Bron: Eigen Bewerking) Deze beslissingsboom wordt aan de hand van de knowledge engineer van ERDAS imagine omgezet naar een set van hypothesen en regels om toe te kunnen toepassen op de bijbehorende beelden. In totaal werden er vier hypothesen opgesteld (Water, Weiland, Landbouwland en Onbedekt/urbaan) met vier bijbehorende regels gebaseerd op twee variabelen (NDVI en MNDWI) (zie figuur 22). Aan de hand van de knowledge classifier kon dit worden uitgevoerd per beeld. Doordat bij Landsat 2 MSS geen SWIR-band aanwezig is en er bij dit beeld slechts een resolutie is van zestig meter kon water niet afzonderlijk worden geclassificeerd en werd dus beschouwd als Onbedekt/urbaan. De verschillende sets van hypothesen en bijbehorende regels zijn terug te vinden in de digitale annex. 54

56 Figuur 22: Set van hypotheses en regels voor de classificatie van de beelden Nauwkeurigheid assessment Om de nauwkeurigheid van een classificatie te bepalen kan er gebruik worden gemaakt van een error matrix. Deze techniek maakt gebruik van een tweede bron (topografische kaarten, veldwerk, digitale kaarten ) waarbij het werkelijke bodemgebruik en/of bodembedekking gekend is. Deze error matrix neemt doorgaans de vorm aan waarbij de rijen de geclassificeerde data voorstellen en de kolommen de referentiedata. De invulling van de matrix kan gebeuren door het verifiëren van een reeks random samples per klasse. Deze error matrix geeft dan een raamwerk waaruit een aantal interessante statistieken kunnen worden berekend (Congalton, 1991). Hieruit kan onder andere de overall accuracy, producers accuracy en users accuracy bepaald worden. De overall accuracy is de verhouding van de correct geclassificeerde samples ten opzichte van het totaal aantal samples De producers accuracy is de verhouding tussen het aantal juist geïdentificeerde samples in een klasse ten opzichte van het aantal dat in de klasse zou moeten zitten De producers accuracy dat kan worden bepaald door de verhouding van juist geïdentificeerde samples in referentie data van een gegeven klasse ten opzichte van het aantal dat eigenlijk in die klasse zou moeten zitten 55

57 Aan de hand van deze statistieken kan kappa bepaald worden. Kappa geeft een globale benadering van in welke mate het model de juiste klasse voorspelt in vergelijking met de werkelijke waarde. Dit geeft dan een percentage als resultaat. (Congalton, 1991). Omdat voor alle beelden steeds dezelfde methode werd gebruikt en zowel het veldwerk en de informatie beschikbaar via Google Earth recente data zijn (respectievelijk 2014 en 2013) werd deze Error matrix en bijbehorende statistieken enkel voor de periode van 2014 bepaald en aangenomen dat de overige beelden over ongeveer eenzelfde nauwkeurigheid beschikken. De matrix en statistieken werden berekend aan de hand van de ingebouwde functie in ERDAS imagine. Hierbij werd gebruik gemaakt van 160 punten die gestratificeerd willekeurig bepaald zijn waarbij de drempelwaarde 10 werd vooropgesteld. Gestratificeerd willekeurig wilt zeggen dat er een drempelwaarde kan worden vooropgesteld die voorstelt hoeveel van de willekeurige punten minimaal in elke klasse aanwezig moeten zijn. Deze punten werden geëxporteerd naar Excel formaat waarin de kolommen Latitude, Longitude en Name werden toegewezen zodat dit bestand vervolgens geïmporteerd kan worden in Google Earth. Figuur 23 geeft de spreiding van de punten over het studiegebied in Google Earth weer. Op basis van Google Earth werd een klasse toegewezen aan de verschillende punten, indien mogelijk werden deze geverifieerd aan de hand van het verrichte veldonderzoek. Figuur 23: Verdeling random gestratificeerde controlepunten (Bron: Google Earth, Eigen Bewerking) 56

58 2.3.4 Change detection aan de hand van post classificatie Post classificatie is een methode om afzonderlijk geclassificeerde beelden van verschillende momenten met elkaar te kunnen vergelijken. Een van de belangrijkste bedenkingen hierbij is dat eventuele fouten die zijn voortgekomen uit het classificatieproces kan zorgen voor het voorkomen van valse positieven of negatieven. De nauwkeurigheid van de oorspronkelijke classificatie bepaalt bijgevolg mee de nauwkeurigheid van de post classificatie. De nauwkeurigheid van de post classificatie is immers het product van de twee afzonderlijke nauwkeurigheden (Lambin & Strahler, 1994). Daarentegen is het wel een veel gebruikte methode om multi-temporele data te vergelijken omdat het een goede methode is om een duidelijke from-to analyse uit te voeren aangezien het kaart per kaart, pixel per pixel vergelijkt welke de veranderingen zijn. Deze methode is ook interessant in deze studie aangezien data werd gebruikt met verschillende resoluties (Landsat MSS ten opzichte van Landsat TM en Landsat OLI/TIRS) (Serra et al., 2003). Deze postclassificatie werd uitgevoerd in ERDAS imagine. De gegenereerde LULC-kaarten werden twee aan twee vergeleken door gebruik te maken van de functie union matrix. Deze functie bepaalt per pixel de waarde/klasse van het vroegste beeld en vervolgens de waarde/klasse die deze pixel heeft gekregen via de classificatie van het laatste beeld. Op basis hiervan ontstond er een uitvoer die bestaat uit 16 klassen die elk een from-to combinatie voorstellen. Op basis van de verkregen gegevens kon ook per combinatie van beelden een kruistabel opgesteld worden die een globaal overzicht weergeeft tussen welke klassen de grootste verschuivingen hebben plaatsgevonden. Op basis van de verkregen gegevens werden change maps opgesteld. Om deze kaart visueel overzichtelijk te houden werd gekozen om de veranderingen te groeperen in 4 klassen. 1) Water, weiland, onbedekt/urbaan => landbouwland 2) landbouwland, weiland, onbedekt/urbaan => water 3) Water, onbedekt/urbaan, landbouwland => weiland 4) Water, weiland, landbouwland => Onbedekt/urbaan Naast deze veranderingen werden ook de onveranderde gebieden gevisualiseerd per klasse. Dit werd uitgevoerd voor: 1998 => =>

59 2009 => => 2014 Aangezien voor de thematische kaart voor 1976 geen oppervlaktewater werd geclassificeerd was het nodig om bij de kaart van 2014 en 1998 de klasse water bij Onbedekt/urbaan te voegen. Voor deze vergelijking werd eveneens een kruistabel opgesteld met de vastgestelde veranderingen tussen de verschillende klassen en een change map vervaardigd die de veranderingen voor de aanwezigheid van landbouwland voorstelt. Voor de periode werd eveneens een change/no change kaart vervaardigd die algemene wijzigingen in beschikbaar landbouwgrond illustreert. 58

60 3. RESULTATEN 3.1 Accuracy assessment Het toewijzen van de gestratificeerd random gegenereerde punten werd verricht zonder dat de klasse die werd toegewezen door gebruik te maken van de beslissingsboom gekend was, dit om manipulatie van het onderzoek tegen te gaan. Tijdens het invullen van de referentiepunten werd ondervonden dat 5 punten niet eenduidig toe te wijzen waren aan één bepaalde klasse en werden bijgevolg verwijderd uit de dataset met random punten. Tabel 4: Error matrix (Bron: ERDAS imagine, Eigen Bewerking) Geclassificeerde Data Referentie data Landbouwland Water Weiland Onbedekt/Urbaan Rij totaal Landbouwland Water Weiland Onbedekt/Urbaan Kolom totaal Uit de error matrix in tabel 4 is af te leiden dat de verschillende klassen redelijk eenduidig geclassificeerd werden. Echter bevinden zich de meeste fouten inzake verkeerde classificatie zich in de klasse weiland of rangeland. Dit kan echter ook te verklaren zijn doordat de beelden die beschikbaar zijn via Google Earth ontstaan uit een mozaïek van tiles met verschillende opnamedata waardoor het mogelijk is dat deze schaarse vegetatie niet aanwezig is of zich in een ander fenologisch stadium bevindt waardoor deze minder goed te onderscheiden is van onbedekt of urbaan gebied. Tabel 5: Verschillende nauwkeurigheden (Bron: Erdas Imagine, Eigen Bewerking) Class Reference Totals Classified Totals Number Correct Producers Accuracy Users Accuracy Landbouwland % 90.00% Water % 90.00% Weiland % 84.21% Onbedekt/Urbaan % 87.50% Totals Overall Classification Accuracy = 87.74% 59

61 Op basis van deze statistieken uit tabel 5 is eveneens duidelijk dat het grootste probleem zich bevindt bij het eenduidig classificeren van het aanwezige rangeland of weiland. De algehele classificatie kent een nauwkeurigheid van 87,74% wat als goed kan worden gerekend aangezien het boven de drempelwaarde ligt die vooropgesteld werd door USGS (85 %). Ten slotte is er nog de Kappa statistiek. Deze bedraagt 0,7927 voor het geclassificeerde beeld van Deze wilt zeggen dat 79,27% van het geclassificeerde gebied een beter resultaat geeft ten opzichte van wanneer er een willekeurige classificatie zou worden uitgevoerd. Een goede Kappa is vanaf 80 % (Manandhar et al., 2009). Het resultaat ligt net onder deze drempelwaarde. 3.2 Analyse LULC-change Aan de hand van een knowledge based pixel benadering op basis van twee verschillende bandratio s, NDVI en MNDWI, werden de verschillende beelden geclassificeerd. De verschillende LULC-classificaties voor 1976, 1998, 2006, 2009 en 2014 zijn terug te vinden in figuur 24 tot en met figuur 28. Als gevolg van het ontbreken van een SWIR band bij Landsat 2 MSS kan er voor de LULC kaart van 1976 geen water in de legende worden opgenomen. Het ontbreken van deze band zorgt er immers voor dat de benodigde MNDWI niet berekend kon worden. Op de kaarten is het duidelijk dat de vegetatie zich voornamelijk concentreert in het westen van het studiegebied en in een strook gaande van het noorden naar het westen van het gebied. De gekozen methode van knowledge based pixel benadering lijkt een voldoede realistisch resultaat voort te brengen. De bekomen kaarten geven een goede en correcte weergave van de realiteit weer. Het is zeker een methode die kan gebruikt worden voor verder onderzoek. 60

62 Figuur 24: Bodemgebruik en -bedekking in de Turpan depressie in 1976 (Bron: Eigen Bewerking van ERDAS data in ArcMap) Figuur 25: Bodemgebruik en -bedekking in de Turpan depressie in 1998 (Bron: Eigen Bewerking van ERDAS data in ArcMap) 61

63 Figuur 26: Bodemgebruik en -bedekking in de Turpan depressie in 2006 (Bron: Eigen Bewerking van ERDAS data in ArcMap) Figuur 27: Bodemgebruik en -bedekking in de Turpan depressie in 2009 (Bron: Eigen Bewerking van ERDAS data in ArcMap) 62

64 Figuur 28: Bodemgebruik en -bedekking in de Turpan depressie in 2014 (Bron: Eigen Bewerking van ERDAS data in ArcMap) Tabel 6 geeft een overzicht van de verschillende oppervlaktes en corresponderende percentages die de verschillende LULC-klassen respectievelijk innemen voor 1976, 1998, 2006, 2009, Deze tabel geeft een gekwantificeerde weergave van hetgeeen wat visueel wordt voorgesteld in bovenstaande figuren. Het valt hierbij op dat de meeste klassen globaal genomen relatief stabiel zijn waarbij de klasse urbaan/onbedekt (woestijn) zoals te verwachten de overheersende klasse is. Enkel de hoeveelheid water neemt een spectaculaire duik na Deze daling is te wijten aan het opdrogen van het meer, dat gevormd werd door smeltwater afkomstig uit de bergen, gelegen in zuiden van het studiegebied. Dit was het gevolg van steeds meer aftakkingen en indamming van aanvoerende kanalen aan het meer voor irrigatie en de introductie van de elektrische pompen die ook gebruik maakten van het meer als watertoevoer. Momenteel is het vroegere meer omgevormd tot woestijnlandschap met nog enkele zilte moerassen (Kurban, persoonlijk contact). 63

65 0,00 2,08 0,10 0,12 0,12 7,73 5,32 8,18 6,83 7,85 17,75 15,83 16,02 18,22 17,52 74,52 76,78 75,70 74,83 74,50 Tabel 6: Percentage verschillende LULC-klassen over de verschillende jaren km² % km² % km² % km² % km² % landbouwland water weiland onbedekt/urbaan totaal Onderstaande grafiek (figuur 29) geeft een globaal overzicht van de percentages LULC per klasse gevisualiseerd per jaar. Aangezien er voor 1976 geen water werd geclassificeerd ontbreekt deze waarde. Een andere opvallende trend is de lichte afname van de klasse onbedekt/urbaan. Weiland en landbouwland lijken een stabiele bezetting te onderhouden. Echter werd tot hier niet gekeken naar mogelijke verschuivingen binnen de verschillende klassen dit volgt in de komende analyse. EVOLUTIE PERCENTAGES VOOR 1976 TOT 2014 GEGROEPEERD PER KLASSE L A N D B O U W L A N D W A T E R W E I L A N D O N B E D E K T / U R B A A N Figuur 29: Grafiek evolutie (in procent) voor 1976 tot 2014 gegroepeerd per klasse Het opstellen van deze LULC kaarten is slechts de eerste stap van de LULC-change analyse. Vervolgens worden de beelden twee aan twee vergeleken aan de hand van een union matrix 64

66 die alle mogelijke combinaties van overgang tussen de klassen tussen de twee beelden weergeeft. De uitkomst van deze matrix is een kruistabel waarbij de rijen de oorspronkelijke klassen voorstellen en de kolommen de klassen van de meest recente kaart. Deze bekomen gegevens worden omgezet naar vierkante kilometer en zijn terug te vinden in tabel 7. Tabel 7: Totale oppervlakte (km²) van elke klasse per jaar 2006 landbouwland water weiland onbedekt/urbaan totaal 1998 Landbouwland water weiland onbedekt/urbaan totaal landbouwland water weiland onbedekt/urbaan totaal 2006 Landbouwland water weiland onbedekt/urbaan totaal landbouwland water weiland onbedekt/urbaan totaal 2009 Landbouwland water weiland onbedekt/urbaan totaal landbouwland water weiland onbedekt/urbaan totaal 1998 Landbouwland water weiland onbedekt/urbaan totaal landbouwland weiland onbedekt/urbaan totaal Landbouwland weiland onbedekt/urbaan totaal landbouwland weiland onbedekt/urbaan totaal 65

67 1976 Landbouwland weiland onbedekt/urbaan totaal Op basis van deze gegevens worden de kaarten gegenereerd die de verandering tussen de twee te vergelijken jaren visueel weergeven. Deze kaarten zijn terug te vinden op figuur 30 tot en met figuur 35. Figuur 30 is de grafische voorstelling van alle veranderingen inzake bodemgebruik en bedekking die hebben plaatsgevonden in de Turpan depressie sinds Tabel 6 gaf al eerder aan dat er globaal gezien relatief bijna geen veranderingen zijn waar te nemen bij de verschillende klassen. Figuur 30 toont duidelijk dat, ondanks de minieme verschillen op het totaal, er intern toch een grote hoeveelheid aan veranderingen heeft plaatsgevonden. De meest frappante verandering bevindt zich in het zuiden van het studiegebied en is volledig toe te wijzen aan de opdroging van het meer. Uit figuur 31 is het duidelijk dat dit is gebeurt na Uit literatuuronderzoek is gebleken dat de volledige uitdroging van het meer gesitueerd kan worden rond het jaar Een andere zeer duidelijke verandering die kan worden waargenomen is de verdere uitbreiding van de nederzettingen Turpan en Toksun. De andere veranderingen zijn meer verspreid en omvatten geen eenduidig antwoord over de waarom van dit fenomeen. 66

68 Figuur 30: LULC-change in de Turpan depressie tussen 1976 en (Bron: Eigen Bewerking) Voor dit onderzoek is er gekozen om tevens een algemeen overzicht te geven van alle veranderingen in het gebied sinds De reden hierachter is het feit dat het beeld van 1976 afkomstig is van Landsat 2 MSS, deze sensor bevat geen SWIR band waardoor het niet mogelijk was de MNDWI te berekenen en oppervlaktewater te classificeren. De vergelijking tussen het beeld van 1998 en 2014 geeft bijgevolg een preciezer beeld (inclusief de veranderingen in het oppervlaktewater) van de veranderingen, dit is waar te nemen op figuur

69 Figuur 31: LULC-change in de Turpan depressie tussen 1998 en (Bron: Eigen Bewerking) Zoals eerder vermeld is een van de duidelijke veranderingen in het studiegebied de uitbreiding van de twee nederzettingen. Op figuur 32 kan men duidelijk de groei van Turpan onderscheiden in het noorden van het studiegebied door de toename van de klasse Onbedekt/Urbaan. Hetzelfde geldt ook voor Toksun in het westen van het gebied. 68

70 Figuur 32: LULC-change in de Turpan depressie tussen 1976 en 1998 (Bron: Eigen Bewerking). Het is op figuur 33 dat de uitdroging van het meer in het zuiden van het studiegebied duidelijk wordt weergegeven. Figuur 33: LULC-change in de Turpan depressie tussen 1998 en (Bron: Eigen Bewerking) 69

71 Figuur 34: LULC-change in de Turpan depressie tussen 2006 en (Bron: Eigen Bewerking) Figuur 35: LULC-change in de Turpan depressie tussen 2009 en (Bron: Eigen Bewerking) 70

72 Figuur 36 geeft op een duidelijke en directe wijze de evolutie van landbouwland in de Turpan depressie weer. De urbane kern van Turpan en Toksun zijn twee duidelijke gebieden waarbij landbouwland sterk achteruitgegaan is. Opvallend is dat de toename van de landbouwgronden zich bijna allemaal concentreren in het oosten van het studiegebied. Figuur 36: Evolutie van Landbouwland in de Turpan depressie tussen 1976 en (Bron: Eigen Bewerking) Bij het begin van dit onderzoek werden er een aantal onderzoeksvragen opgesteld. Uit het gedane onderzoek is gebleken dat er inderdaad nood is aan meer onderzoek naar de toestand in de Turpan depressie. Ondanks de relatieve stabiliteit inzake de gekozen klassen worden er toch een aantal fenomenen vastgesteld. De uitdroging van het meer is een duidelijk teken dat de huidige situatie van het gebruik van elektrische pompen een sterk risico met zich meebrengen voor de waterhuishouding in het gebied. Het is belangrijk dat dit goed gereguleerd wordt zodanig dat gelijkaardige situaties niet opnieuw voorvallen. Door zijn fragiele ecosysteem is het belangrijk om de reeds schaarse waterbronnen niet uit te putten. Een ander belangrijke element dat uit de analyse is gebleken is dat de landbouwgronden weliswaar ongeveer status quo zijn gebleven, de bevolking in Turpan is daarentegen wel toegenomen. Een toename van de bevolking zonder een toename 71

73 in beschikbare landbouwgrond kan leiden tot de uitputting van de huidige gronden en verdere desertificatie in de hand werken. Daarom is er nood aan verder onderzoek om goed onderbouwd beleid en beheer van de oase op te stellen. Naast de algemene analyse werd er tevens getracht om een aantal bijkomende onderzoeksvragen op te lossen. Zo werd de vraag gesteld of de introductie van de elektrische pompen een merkbare trend met zich meebrengt. Uit het onderzoek is gebleken dat dit wel degelijk het geval is. Voorlopig heeft het al bijgedragen tot de uitdroging van een meer in het studiegebied. Verder onderzoek hieromtrent is nodig om meer trends waar te nemen en oplossingen aan te bieden. Eén van de doelen van dit onderzoek was de creatie van een duidelijk overzicht van de veranderingen inzake vegetatie en oppervlaktewater in het studiegebied. De gemaakte LULCchange kaarten zijn hier geschikt voor. Naast de algemene verandering van de afgelopen (bijna) veertig jaar van het gebied is er ook een visuele voorstelling van de veranderingen tussen de verschillende beelden. Het is duidelijk gebleken dat de knowledge based methode op basis van indices een voldoende nauwkeurigheid kan bereiken. In het onderdeel discussie wordt hier nog verder op in gegaan. Binnen het onderzoek van deze masterproef is het niet gelukt om de op basis van een multitemporele studie van Landsat beelden aanwezige trends te modelleren. Hiervoor is nog extra onderzoek voor nodig. 72

74 4. DISCUSSIE Op basis van de beschikbare beelden en gegevens werden er een aantal vaststellingen gemaakt. De nauwkeurigheid van de geclassificeerde beelden ligt voldoende hoog om een beeld met gepaste nauwkeurigheid te geven van de werkelijke verdeling van de verschillende landgebruik en bodembedekkings klassen. Maar de gebruikte methode, een beslissingsboom die gebruik maakt van de bandratio s NDVI en MDNWI is niet in staat om een eenduidig onderscheid te maken tussen tussen urbane structuren en woestijnlandschappen. Dit is een gekend probleem in semi-aride of aride gebieden. Om urbane structuren te onderscheiden uit omliggende klassen bestaan eveneens een aantal indices zoals de normalized difference built-up index en index based built up index (Xu, 2008). Beide indices kunnen gebruikt worden om urbane structuren te identificeren. De eerste maakt gebruik van de NIR en SWIR band terwijl de laatste gebruik maakt van een combinatie van verschillende indices (NDVI, NDWI en NDBI). De doelstelling voor beide is hetzelfde, zo goed mogelijk de urbane structuren benadrukken en hierbij de niet relevante data onderdrukken. Echter door de grote variatie in spectrale signatuur in aride gebieden (voornamelijk rotswoestijnen) wordt een groot deel van het onbedekte land eveneens benadrukt en kan er nog steeds geen volledige classificatie plaatsvinden. Hetzelfde probleem doet zich voor indien er enkel gebruikt wordt gemaakt van gesuperviseerde classificatie zoals MLC. Aangezien het onmogelijk is om de trainingssets onderling van elkaar te onderscheiden zal er steeds een groot deel van het woestijnlandschap als urbane structuren geclassificeerd worden. Deze methode werd eveneens toegepast in dit onderzoek maar bood onvoldoende nauwkeurig resultaat, zie figuur 37, waarbij rood de geclassificeerde urbane structuren weergeeft. Naast de kernen werden echter ook grote delen van het onbedekt land gezien worden als urbane structuren. Echter een goede benadering is wel de knowledge based benadering aangezien deze methode gebruik kan maken van een groot aantal hypothesen en variabelen zoals input van indices, resultaten van ongesuperviseerde en gesuperviseerde classificatie. Een methode die onderzoekers toepassen om het probleem van de urbane structuren in semiaride en aride gebieden te omzeilen is het gebruik maken van object based classificatie in plaats van pixel based. Deze methode biedt een betere benadering inzake het omgaan met de vele pixels die niet aan exact één klasse kunnen worden toegewezen. Bij object based wordt het hele beeld opgesplitst in betekenisvolle segmenten. Deze segmenten kunnen geanalyseerd 73

75 worden en later gebruikt worden in het classificatie proces. Hierbij kunnen dan een reeks verklarende variabelen toegevoegd worden aan het proces zoals verschillende indices (Qian et al., 2007). Figuur 37: Resultaat MLC gesuperviseerde classificatie Een aantal belangrijke trends die naar boven komen na analyse van de resultaten van de LULC kaarten is de afname van het percentage waarmee onbedekt/urbaan vertegenwoordigd is doorheen de jaren. Daarnaast is het in de LULC-change kaarten (met aanvulling van terreinwerk) duidelijk dat er een sterke aangroei van urbane structuren heeft plaatsgevonden. Dit kan er op wijzen dat door de toename van bevolking er ook een steeds grotere nood was om ongeschikte onbedekte woestijngronden te cultiveren. Dit was mogelijk dankzij de in gebruik name van de elektrische waterpompen. Hierdoor is het mogelijk dat de hoeveelheid aanwezige landbouwgronden ongeveer stabiel is gebleven. Maar eenmaal de beschikbaarheid van het grondwater door de overexploitatie met elektrische pompen afneemt zal er mogelijks een plotse daling plaatsvinden van het beschikbare landbouwgrond. Om dit te kunnen voorspellen en benaderen is verder onderzoek vereist, mogelijks door gebruik te maken van bijkomende verklarende gegevens. Een aantal beperkingen van deze studie zijn onder andere: Het ontbreken van consistente beschikbare Landsat beelden die éénzelfde opnamemoment kennen, waardoor fenologische verschillen tussen de verschillende jaren een belangrijke rol spelen bij het accuraat classificeren en analyseren van de verschillen in vegetatie 74