Decision tree development for land cover classification in the Eastern Cape
Date
2017-03
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Stellenbosch : Stellenbosch University
Abstract
ENGLISH ABSTRACT: The purpose of this study was to develop a cost-effective and practical method for producing
land cover maps by assessing the efficacy of classifier extension in a highly heterogeneous
area. Effective classifier extension would reduce the amount of training data required. The
high costs and excessive time taken for the collection of such data would therefore also be
reduced.
The highly heterogeneous Eastern Cape Province in South Africa was selected as the area of
interest. Landsat-8 imagery from both the spring and summer season was acquired, and two
experiments were carried out.
The first experiment analysed the spectral separability of four Landsat-8 scenes in the study
area. By using training data for eight land cover classes, the spectral separability for each
individual scene, and that of a two-, three- and four-scene mosaic, was calculated. Tests were
successfully repeated for each season and for a two-season composite. The results indicated
that, while the separability of certain land cover classes decreased with the addition of more
scenes, the overall separability remained constant. Further results revealed a better spectral
separability from the two seasons composite compared to that of each individual season. Most
classes were sufficiently separable in all scenes.
The aim of the second experiment was to develop a transferable decision tree (DT) ruleset. A
randomised sampling allowed for the selection of various points from the polygon training
samples. Information on the pixel values of the bands, various indices, textures and elevation
data was extracted for each point. A DT was developed from the dataset using the
classification and regression trees (CART) algorithm. The DT was pruned and the rules
applied to the four Landsat-8 and the two adjacent scenes. The four Landsat-8 scenes achieved
an accuracy of 80.6%, and the two adjacent scenes 83.7% and 64.1%. The poor results of the
second adjacent scene were attributed to large discrepancies in vegetation between the wet
and dry seasons, causing confusion for certain classes. The inclusion of a vegetation mask
elevated the accuracy of the classification to 70.4%.
This research has shown that it is possible to develop a DT to accurately classify land cover
in a large heterogeneous area, but that the complexity of the area can have a detrimental effect
on accuracy. Additionally, it is evident that despite sufficient spectral separability, classifier
AFRIKAANS OPSOMMING: Die doel van hierdie studie was om 'n koste-effektiewe en praktiese metode vir die vervaardiging van grondbedekking kaarte te ontwikkel deur die effektiwiteit van klassifiseerder-uitbreiding in 'n hoogs heterogene area te bepaal. Effektiewe klassifiseerderuitbreiding sal die hoeveelheid opleidingdata wat benodig word verminder. Die hoë koste en oormatige tyd wat dit neem om sulke inligting in te samel sal dus ook verminder word. Die hoogs heterogene Oos-Kaap Provinsie in Suid-Afrika is gekies as die area van belang. Landsat-8 beelde van beide die lente en somer is verkry en twee eksperimente is uitgevoer. Die eerste eksperiment het die spektrale skeibaarheid van vier Landsat-8 beelde in die studiearea ontleed. Deur gebruik te maak van die opleidingsdata van agt grondbedekkingsklasse, is die spektrale skeibaarheid vir elke individuele beeld asook 'n twee-, drie-, en vier-toneel mosaïek bereken. Toetse is suksesvol herhaal vir elke seisoen, en vir 'n twee-seisoensamestelling. Die resultate dui daarop dat, alhoewel die skeibaarheid van sekere grondbedekkingsklasse met die toevoeging van meer tonele afgeneem het, die algehele skeibaarheid konstant gebly het. Verdere resultate het gedui op 'n beter spektrale skeibaarheid van die twee-seisoen-samestelling as vir elk van die individuele seisoene. Die meeste klasse het voldoende skeibaarheid in alle tonele getoon. Die doel van die tweede eksperiment was om 'n stel oordraagbare besluitnemingskemareëls (“decision tree rulesets”) te ontwikkel. 'n Ewekansige steekproefneming het die keuse van verskeie punte op die veelhoekige opleidingsmonsters toegelaat. Inligting oor die beeldelementwaardes van die bande, verskeie indekse, teksture en hoogte-data van elke punt is bekom. 'n Besluitnemingskema is ontwikkel deur 'n klassifikasie-en-regressieskema- (CART)-algoritme toe te pas. Die besluitnemingskema is gesnoei en die reëls is op die vier Landsat-8 tonele en die twee aangrensende tonele toegepas. Die vier Landsat-8 tonele het 'n akkuraatheid van 80.6% bekom, terwyl die twee aangrensende tonele onderskeidelik 83.7% en 64.1% behaal het. Die swak resultate van die tweede aangrensende toneel is toegeskryf aan groot kontraste tussen die plantegroei van die nat en droë seisoene, wat verwarring vir sekere klasse veroorsaak het. Die toepassing van 'n plantegroeimasker het die akkuraatheid van die klassifikasie na 70.4% verhoog. Hierdie navorsing toon dat dit moontlik is om 'n besluitnemingskema te ontwikkel om grondbedekking in 'n groot heterogene omgewing akkuraat te klassifiseer, maar dat die Stellenbosch University https://scholar.sun.ac.za vi kompleksiteit van die area die akkuraatheid nadelig kan beïnvloed. Verder is dit duidelik dat, ten spyte van voldoende spektrale skeibaarheid, klassifiseerder-uitbreiding via besluitnemingskemas onbetroubaar is en dat deskundige reëls of addisionele GIS data benodig mag word om oordraagbaarheid te verbeter.
AFRIKAANS OPSOMMING: Die doel van hierdie studie was om 'n koste-effektiewe en praktiese metode vir die vervaardiging van grondbedekking kaarte te ontwikkel deur die effektiwiteit van klassifiseerder-uitbreiding in 'n hoogs heterogene area te bepaal. Effektiewe klassifiseerderuitbreiding sal die hoeveelheid opleidingdata wat benodig word verminder. Die hoë koste en oormatige tyd wat dit neem om sulke inligting in te samel sal dus ook verminder word. Die hoogs heterogene Oos-Kaap Provinsie in Suid-Afrika is gekies as die area van belang. Landsat-8 beelde van beide die lente en somer is verkry en twee eksperimente is uitgevoer. Die eerste eksperiment het die spektrale skeibaarheid van vier Landsat-8 beelde in die studiearea ontleed. Deur gebruik te maak van die opleidingsdata van agt grondbedekkingsklasse, is die spektrale skeibaarheid vir elke individuele beeld asook 'n twee-, drie-, en vier-toneel mosaïek bereken. Toetse is suksesvol herhaal vir elke seisoen, en vir 'n twee-seisoensamestelling. Die resultate dui daarop dat, alhoewel die skeibaarheid van sekere grondbedekkingsklasse met die toevoeging van meer tonele afgeneem het, die algehele skeibaarheid konstant gebly het. Verdere resultate het gedui op 'n beter spektrale skeibaarheid van die twee-seisoen-samestelling as vir elk van die individuele seisoene. Die meeste klasse het voldoende skeibaarheid in alle tonele getoon. Die doel van die tweede eksperiment was om 'n stel oordraagbare besluitnemingskemareëls (“decision tree rulesets”) te ontwikkel. 'n Ewekansige steekproefneming het die keuse van verskeie punte op die veelhoekige opleidingsmonsters toegelaat. Inligting oor die beeldelementwaardes van die bande, verskeie indekse, teksture en hoogte-data van elke punt is bekom. 'n Besluitnemingskema is ontwikkel deur 'n klassifikasie-en-regressieskema- (CART)-algoritme toe te pas. Die besluitnemingskema is gesnoei en die reëls is op die vier Landsat-8 tonele en die twee aangrensende tonele toegepas. Die vier Landsat-8 tonele het 'n akkuraatheid van 80.6% bekom, terwyl die twee aangrensende tonele onderskeidelik 83.7% en 64.1% behaal het. Die swak resultate van die tweede aangrensende toneel is toegeskryf aan groot kontraste tussen die plantegroei van die nat en droë seisoene, wat verwarring vir sekere klasse veroorsaak het. Die toepassing van 'n plantegroeimasker het die akkuraatheid van die klassifikasie na 70.4% verhoog. Hierdie navorsing toon dat dit moontlik is om 'n besluitnemingskema te ontwikkel om grondbedekking in 'n groot heterogene omgewing akkuraat te klassifiseer, maar dat die Stellenbosch University https://scholar.sun.ac.za vi kompleksiteit van die area die akkuraatheid nadelig kan beïnvloed. Verder is dit duidelik dat, ten spyte van voldoende spektrale skeibaarheid, klassifiseerder-uitbreiding via besluitnemingskemas onbetroubaar is en dat deskundige reëls of addisionele GIS data benodig mag word om oordraagbaarheid te verbeter.
Description
Thesis (MSc)--Stellenbosch University, 2017.
Keywords
Land cover, Supervised classification, Decision tree learning, Classification and Regression Tree (CART), Classifier extension, Remote sensing, Jeffries-Matusita Distance, Landsat-8, Learning Classifier Systems, UCTD