The Utilization of Image Texture Measures in Urban Change Detection

Image texture is increasingly being integrated into classification procedures using remotely sensed data. This research examined the utility of texture measures when integrated within established approaches for monitoring urban development. Landsat-7 satellite data for the years 1999 and 2002 were enhanced through a pansharpening process to provide 15 metre spatial resolution multispectral data. The images were acquired within the same approximate yearly time frame to help minimize seasonal vegetation differences and the effects of varying sun positions. Texture proved valuable in accounting for and distinguishing varying degrees of “greenness” in the imagery and the dissimilarity option was useful in locating recently excavated land. The measures were also helpful in separating agricultural fields from urban features. An increase of 3% in overall classification accuracy was realized when texture information was included as a classification variable. An integrated unsupervised classification/image differencing change detection process with a combination of inputs including texture, principal components, and the Normalized Difference Vegetation Index (NDVI) provided enhanced classification results and allowed for the estimation of urban expansion rates (4.62 square kilometres per year for the 1999-2002 period). Zusammenfassung: Die Verwendung von Image Texturwerten in der Stadtentwicklungsanalyse. Texturwerte werden zunehmend für SatellitenbildKlassifikationsverfahren verwendet. Dieser Artikel überprüft die Nützlichkeit von Texturwerten und integriert sie innerhalb einer herkömmlichen städtischen Entwicklungsüberwachungsanalyse. Landsat-7 Daten wurden für die Jahre 1999 und 2002 durch ein „pansharpening“ bearbeitet, um die Multispektraldaten auf 15 Meter in der räumlichen Auflösung zu verbessern. Die Bilder wurden etwa zur gleichen Jahreszeit aufgezeichnet, um saisonale Vegetationsunterschiede und die Effekte bei der Veränderung der Sonnenposition herabzusetzen. Die Textur von Objekten war wertvoll in der Erkennung unterschiedlicher Grün-Abstufungen in den Bildern, und die „dissimilarity“ Option war nützlich um kürzlich gerodetes Land zu lokalisieren. Die Maßnahmen waren auch hilfreich bei der Trennung von landwirtschaftlichen Flächen und städtischen Strukturen. Eine Zunahme von 3% der gesamten Klassifizierungsgenauigkeit konnte festgestellt werden, da Texturwerte in die Klassifikationsverfahren eingeschlossen wurden. Es wurde versucht, mehrere Parameter in die Klassifikation zu integrieren wie die Textur, die Hauptkomponenten und der normalisierte Vegetationsindex (NDVI), welche schlussendlich bessere Klassifizierungsergebnisse hervorgebracht haben. Die Untersuchungen führten zu dem Resultat, dass sich die Fläche der Stadt im Untersuchungszeitraum um jährlich 4,62 km