Monitoring Annual Land Use/Land Cover Change in the Tucson Metropolitan Area with Google Earth Engine (1986–2020)
Suivi de l’évolution annuelle (1986-2021) de la couverture des sols dans la région métropolitaine de Tucson en utilisant Google Earth Engine
Résumé
The Tucson metropolitan area, located in the Sonoran Desert of southeastern Arizona (USA), is affected by both massive population growth and rapid climate change, resulting in important land use and land cover (LULC) changes. As its fragile arid ecosystem and scarce resources are increasingly under pressure, there is a crucial need to monitor such landscape transformations. For such ends, we propose a method to compute yearly 30 m resolution LULC maps of the region from 1986 to 2020, using a combination of Landsat imagery, derived transformation and indices, texture analysis and other ancillary data fed to a Random Forest classifier. The entire process was hosted in the Google Earth Engine that allowed us to process a large amount of data and to achieve high overall classification accuracy for each year, ranging from 86.7% to 96.3%. Conservative post-processing techniques were also used to mitigate the persistent confusions between the numerous isolated houses in the region and their desert surroundings and to smooth year-specific LULC changes in order to identify general trends. We then show that policies to lessen urban sprawl in the area had little effects and we provide an automated tool to continue monitoring such dynamics in the future. This poster presents an article recently published in Remote Sensing 2022, 14(9), 2127 (https://doi.org/10.3390/rs14092127).
La région métropolitaine de Tucson, située dans le désert de Sonora au sud-est de l'Arizona (USA), est affectée conjointement par une croissance démographique massive et un changement climatique rapide, ce qui entraîne d'importantes transformations dans l'utilisation et la couverture des sols (LULC). Alors que l’écosystème aride fragile et les rares ressources de cette région subissent une pression croissante, il y a un besoin crucial de surveiller l’évolution de ses paysages. À cette fin, nous proposons une méthode de calcul de cartes annuelles de l'occupation du sol à 30 m de résolution sur l’ensemble de la région entre 1986 à 2020, qui associe une combinaison d'images Landsat, des transformations et indices dérivés, diverses analyses de texture et d'autres données auxiliaires alimentées dans un classificateur Random Forest. L'ensemble du processus a été hébergé dans Google Earth Engine, nous ayant permis de traiter une grande quantité de données et d'obtenir une précision de classification globale élevée pour chaque année, allant de 86,7 % à 96,3 %. Des techniques de post-traitement conservatrices ont également été utilisées pour atténuer les confusions persistantes entre les nombreuses maisons isolées de la région et leur environnement désertique, et pour lisser les changements de LULC spécifiques à chaque année afin d'identifier des tendances générales. Grâce à ces résultats, nous montrons ensuite que les politiques visant à réduire l'étalement urbain dans la région se sont avérées peu efficaces et nous fournissons un outil automatisé pour continuer à surveiller cette dynamique à l'avenir. Ce poster présente un article récemment publié dans Remote Sensing 2022, 14(9), 2127 (https://doi.org/10.3390/rs14092127).
Domaines
Sciences de l'environnement| Origine | Fichiers produits par l'(les) auteur(s) |
|---|