Article details
Object-based mapping and classification features for tropical highlands using Sentinel-1, Sentinel-2, and GEDI canopy height data - A case study of the Muringato catchment, Kenya
Tropical highlands remain a challenging target for remote sensing due to their high heterogeneity of the landscape and frequent cloud cover, causing a shortage of high-quality and reliable comprehensive data on land use and land cover on a local or regional scale. These, however, are urgently needed by local stakeholders and decisionmakers. This applies for example to the Muringato sub-catchment in Nyeri County, Kenya, where acute water problems have been identified to be usually directly related to specific land use and land cover. This article contributes to the understanding of tropical highlands from a remote sensing perspective by examining Sentinel-1, Sentinel-2 and Global Forest Canopy Height Model data from the Global Ecosystem Dynamics Investigation, all provided by the Google Earth Engine. To do so, we assess classifiers derived from these datasets for different land cover types, analyzing the performance of promising candidates identified in the literature, using 2,800 samples extracted from high-resolution image data across Nyeri County. We also propose an object-based classification strategy based on sequential masking. This strategy is adapted to very heterogeneous landscapes by refining image objects after re-evaluating their homogeneity. Small buildings, which constitute a significant part of the settlement structure in the area, are particularly difficult to detect. To improve the recognition of these objects we additionally consider the local contrast of the relevant classifier to identify potential candidates. Evaluating our sample data, we found that especially optical indices like the Sentinel Water Index, the Enhanced Normalized Difference Impervious Surfaces Index or specific Sentinel-2 bands combined with canopy height data are promising for water, built-up or tree cover detection. With these findings, our proposed object-based classification approach is applied to the Muringato sub-catchment as a representative example of the Kenyan tropical highland region. We achieve a classification accuracy of approximately 88% in the Muringato sub-catchment, outperforming existing products available for the study area. The knowledge gained in the study will also be used for future remote sensing-based monitoring of the region.
Das tropische Hochland ist aufgrund großer Heterogenität der Landschaft und der häufigen Bewölkung nach wie vor ein schwieriges Ziel für die Fernerkundung, woraus ein Mangel an hochwertigen, zuverlässigen und umfassenden Daten über Landnutzung und Bodenbedeckung auf lokaler oder regionaler Ebene in diesen Regionen resultiert. Dies gilt beispielsweise auch für das Teileinzugsgebiet Muringato in Nyeri County, Kenia, wo akute Wasserprobleme meist direkt auf die Landnutzung und Bodenbedeckung zurückzuführen sind. Dieser Artikel trägt zum Verständnis des tropischen Hochlands aus der Perspektive der Fernerkundung bei, indem er von der Google Earth Engine bereitgestellte Daten von Sentinel-1, Sentinel-2 und des Global Forest Canopy Height Model aus der Global Ecosystem Dynamics Investigation untersucht. Zu diesem Zweck bewerten wir aus diesen Datensätzen abgeleitete Klassifikatoren für verschiedene Landbedeckungsarten und analysieren die Leistung vielversprechender, in der Literatur identifizierter Kandidaten anhand von 2800 Stichproben, die aus hochauflösenden Bilddaten von Nyeri County extrahiert wurden. Außerdem schlagen wir eine objektbasierte Klassifizierungsstrategie vor, die auf sequenzieller Maskierung basiert. Diese Strategie ist an sehr heterogene Landschaften angepasst, indem Bildobjekte nach der Generierung hinsichtlich ihrer Homogenität bewertet gegebenenfalls neu auf einer feineren Ebene segmentiert werden. Ergänzend werden kleine Gebäude, welche einen bedeutenden Teil der Siedlungsstruktur in diesem Gebiet ausmachen und besonders anspruchsvoll zu erkennen sind, zusätzlich mit mithilfe des lokalen Kontrastes des entsprechenden Klassifikators identifiziert. Bei der Auswertung unserer Stichproben haben wir festgestellt, dass insbesondere optische Indizes wie der Sentinel Water Index, der Enhanced Normalized Difference Impervious Surfaces Index oder bestimmte Sentinel-2-Bänder in Kombination mit Daten zur Vegetationshöhe vielversprechend für die Erkennung von Wasser, Bebauung oder Baumbedeckung sind. Unter Berücksichtigung dieser Erkenntnisse wenden wir den von uns vorgeschlagenen Klassifizierungsansatz auf das Teileinzugsgebiet Muringato an, welcher als repräsentatives Beispiel für die tropische Hochlandregion Kenias dient. Dabei erzielen wir eine Klassifizierungsgenauigkeit von ca. 88 % und übertreffen damit die für das Untersuchungsgebiet bislang verfügbaren Produkte. Die in der Studie gewonnenen Erkenntnisse werden für die künftige fernerkundungsbasierte Überwachung der Region genutzt.
