A Spatial-Temporal Modeling Approach to Reconstructing Land-Cover Change Trajectories from Multi-temporal Satellite Imagery

Temporal trajectories of land-cover change provide important information on landscape dynamics that are critical to our understanding of complex human–environment adaptive systems. The increasing availability of long time series of satellite images, especially the recent free release of multi-decadal Landsat satellite archive, presents a great opportunity to improve our ability to detect land-cover change over multiple dates and advance land change science. In this article, a spatial-temporal modeling approach is developed for reconstructing land-cover change trajectories from time series of satellite images. The change detection method represents an enhancement to the conventional post-classification comparison. The key innovation lies in the use of Markov random field theory to model spatial-temporal contextual information explicitly in the classification of time series images. When evaluated using a time series of seven Landsat images in a case study of southeast Ohio, the spatial-temporal modeling approach yielded significantly more accurate and consistent trajectories of land-cover change than conventional non-contextual approaches. The results from the case study demonstrate the effectiveness of the change detection method in reconstructing land-cover change trajectories and also highlight the utility of spatial-temporal contextual information in improving the accuracy and consistency of land-cover classifications across space and time. Las trayectorias temporales de cambio de cobertura terrestre proporcionan información importante sobre la dinámica del paisaje que son fundamentales para nuestra comprensión de los complejos sistemas de adaptación humano-ambientales. La creciente disponibilidad de largas series temporales de imágenes de satélite, en especial el reciente libre lanzamiento de archivos de varios decenios del satélite Landsat, presentan una gran oportunidad para mejorar nuestra capacidad para detectar el cambio de la cobertura terrestre durante múltiples fechas y promover la ciencia del cambio de la tierra. En este artículo se ha desarrollado un enfoque de modelado espacio-temporal para reconstruir las trayectorias del cambio de cobertura terrestre de las series temporales de imágenes de satélite. El método de detección de cambio representa una mejora a la convencional comparación post-clasificación. La clave de la innovación radica en el uso de la teoría de campo aleatorio de Markov para modelar información contextual espacial-temporal de forma explícita en la clasificación de imágenes de series de tiempo. Cuando se evaluó utilizando una serie de tiempos de siete imágenes Landsat en un caso de estudio del sureste de Ohio, el enfoque del modelo espacio-temporal produjo trayectorias mucho más precisas y coherentes del cambio de la cobertura terrestre que los enfoques convencionales no contextuales. Los resultados del caso de estudio demuestran la eficacia del método de detección de cambios en la reconstrucción de trayectorias de cambios de cobertura terrestre y también resaltan la utilidad de la información contextual espacio-temporal en la mejora de la precisión y coherencia de las clasificaciones de la cobertura terrestre a través del espacio y del tiempo. Key Words: change detectionland-cover change trajectoriesLandsat imagerypost-classification comparisonspatial-temporal contextual information.关键词: 变化检测土地覆盖变化的轨迹陆地卫星图像分类后比较时空的背景资料Palabras claves: detección de cambiostrayectorias de cambio de cobertura terrestreimágenes Landsatcomparación post-clasificacióninformación contextual espacio-temporal Acknowledgments This research received support from the Center for Urban and Regional Analysis (CURA) at The Ohio State University and from the National Science Foundation, Award #1010314, "CNH: Collaborative Research: Explaining Socioecological Resilience Following Collapse: Forest Recovery in Appalachian Ohio." The authors would like to thank Kendra McSweeney, Darla Munroe, Becky Mansfield, and other members of the Appalachian Ohio Forest Research Group for their help. Comments from the editor Mei-Po Kwan and four anonymous reviewers are greatly appreciated. Notes 1. A subset of pixels, c, is a clique if any two different pixels of c are neighbors. 2. (⊘ stands for empty set) at t=1 because pixels at the start of the time series have no past temporal neighbors. 3. at t=m because pixels at the end of the time series have no future temporal neighbors. 4. at t=1 because pixels at the start of the time series have no past temporal neighbors (i.e., for t=1). 5. at t=m because pixels at the end of the time series have no future temporal neighbors (i.e., for t=m).