Kartering van stedelijke bodembedekking op basis van multispectrale satellietbeelden met gemiddelde ruimtelijke resolutie

De wereldwijde verstedelijking is al tientallen jaren aan de gang en zal ook in de toekomst doorgaan, waarbij aanzienlijke hoeveelheden natuurlijk landoppervlakte wordt omgezet in stedelijke gebieden. Deze door de mens veroorzaakte veranderingen in landbedekking hebben geleid tot milieuproblemen die de kwaliteit van het stadsleven kunnen aantasten, zoals hittegolven en luchtverontreiniging. Het voorkomen en reguleren van deze stedelijke milieuproblemen is dan ook een gemeenschappelijke zorg geworden van wetenschappers en beleidsmakers. Het verkrijgen van ruimtelijk expliciete informatie over de verspreiding en verandering van stedelijke bodembedekkingen kan daarom de sleutel zijn tot het oplossen van dit probleem. Dankzij de wereldwijde dekking, de vrije toegang en de frequente waarnemingsintervallen zijn multispectrale satellietbeelden met middelhoge ruimtelijke resolutie een van de belangrijkste datasets die worden gebruikt voor het in kaart brengen van stedelijke bodembedekkingen op verschillende geografische schalen. Het onderscheiden van spectraal en ruimtelijk heterogene stedelijke oppervlakken in deze beeldgegevens is echter een uitdaging vanwege hun beperkte spectrale en ruimtelijke resoluties, waardoor de nauwkeurigheid van het in kaart brengen van stedelijke bodembedekking wordt beperkt. Om dezelfde reden kunnen alle landbedekkingsproducten op continentale schaal, ontwikkeld op basis van satellietbeelden met gemiddelde ruimtelijke resolutie, de ruimtelijke verspreiding van specifieke stedelijke landbedekkingen, zoals stedelijk groen, niet karakteriseren. In dit proefschrift hebben wij getracht het potentieel van multispectrale satellietbeelden met middelhoge ruimtelijke resolutie te benutten voor teledetectie van steden door (i) het vermogen van de beeldgegevens te verbeteren om ruimtelijk en spectraal onderscheid te maken tussen stedelijke bodembedekkingen en (ii) betrouwbare kaarten te produceren van de ruimtelijke verdeling van stedelijke groengebieden op de continentale schaal van Europa. 

In Hoofdstuk 2 hebben wij getracht de aanwezigheid van gemengde pixels in stedelijke gebieden te verminderen door de ruimtelijke resolutie van satellietbeelden te verhogen en zo de beeldgegevens beter in staat te stellen stedelijke landdekken ruimtelijk van elkaar te onderscheiden. Met name gezien de ruimtelijke textuur van de vier Sentinel-2 10 m banden, werd in Hoofdstuk 2 een verbeterde unmixing-gebaseerde beeldfusie aanpak (UnFuSen2) voorgesteld om de zes Sentinel-2 20 m banden te verscherpen tot 10 m resolutie. Vergeleken met traditionele unmixing-gebaseerde beeldfusie methoden, kan UnFuSen2 zichzelf aanpassen aan de spectrale variabiliteit van variërende landbedekkingen en de nauwkeurigheid van de beeldfusie verbeteren door de unmixing vergelijkingen te construeren op basis van spectrale mengmodellen en de correlatie tussen spectrale banden van respectievelijk grove en fijne ruimtelijke resolutie. Parallel daaraan is het doel van Hoofdstuk 3 de verbetering van het vermogen van satellietbeelden om onderscheid te maken tussen stedelijke oppervlaktedekkingen op spectraal niveau. Gegeven het feit dat Fisher Discriminant Analysis (FDA) de inter-klasse spectrale scheidbaarheid tussen monsters van verschillende klassen en de spectrale gelijkenis van monsters van dezelfde categorie kan verbeteren, integreerde Hoofdstuk-3 FDA en Multiple Endmember Spectral Mixture Analysis (MESMA) (F-MESMA) voor het nauwkeuriger in kaart brengen van stedelijke landbedekking. Onze experimenten toonden aan dat in vergelijking met andere state-of-the-art datatransformatiemethoden, de verhouding tussen de spectrale variabiliteit van stedelijke landbedekkingen binnen en tussen de klassen het sterkst gereduceerd was na toepassing van de FDA. Bijgevolg leverde F-MESMA consequent de meest nauwkeurige schattingen van de fractie van ondoordringbare oppervlakken op in vijf stedelijke gebieden (RMSE F-MESMA = 0,13 vs. RMSE alternatieve benaderingen = [0,16-0,17]).

Verder analyseerden we in Hoofdstuk 4 het individuele en gecombineerde effect van UnFuSen2, FDA, en multi-temporele waargenomen beeldgegevens op de op Sentinel-2 gebaseerde kartering van stedelijke landbedekking. Onze resultaten toonden aan dat de classificatienauwkeurigheid van UnFuSen2-verwerkte beelden van één datum, FDA-verwerkte beelden van één datum, en Sentinel-2-beeldtijdreeksen (ITS) hoger was dan die van de originele Sentinel-2-beelden van één datum. De classificatie van de ITS die bestaat uit UnFuSen2-verwerkte beelden met één datum vertoonde de hoogste gemiddelde Kappa coëfficiënt (0,7225) in vergelijking met de classificaties van andere datasets.

Tenslotte hebben we in Hoofdstuk 5 een op machine learning gebaseerde subpixel classificatie aanpak gebruikt om stedelijk groen in heel Europa in kaart te brengen op basis van Landsat beelden uit 1990, 2000 en 2015. Hiermee vullen we een hiaat in de nauwkeurige extractie van stedelijk groen op continentale schaal met behulp van multispectrale satellietbeelden met gemiddelde ruimtelijke resolutie. Onze resultaten toonden aan dat de gemodelleerde stedelijke groengebiedfracties lage RMSE-waarden opleverden, variërend van 0,09 tot 0,16 voor tien stedelijke validatiegebieden. Ondertussen bleek dat onze gemodelleerde stedelijke groengebiedkaarten beter presteerden dan andere landbedekkingsproducten zoals CORINE en de Stedelijke Atlas. Op basis van de verkregen stedelijke groengebiedenkaarten vonden we (i) stedelijk groen in West-Europese landen ruimtelijk meer geconcentreerd is, terwijl dat in Oost- en Zuid-Europa relatief dun gezaaid is. (ii) de groene ruimte in stedelijke kerngebieden (de verstedelijkte gebieden van voor 1990) bleef tussen 1990 en 2000 vrijwel constant, maar begon tussen 2000 en 2015 in heel Europa merkbaar toe te nemen. (iii) recente stadsuitbreidingen (de verstedelijkte gebieden na 1990) bevatten meer stedelijk groen dan het toegenomen stedelijk groen in de UCA's van 1990 tot 2015. (iv) Het stedelijk groen per hoofd van de bevolking is tussen 1990 en 2015 toegenomen in West-, Oost- en Noord-Europa, maar de waarde van deze indicator is afgenomen in Zuid-Europa.