Using time series analysis to monitor deforestation dynamics in Miombo woodlands in Southern Highlands of Tanzania
Aalto, Ilona (2020-05-26)
Using time series analysis to monitor deforestation dynamics in Miombo woodlands in Southern Highlands of Tanzania
Aalto, Ilona
(26.05.2020)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
avoin
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe2020081860891
https://urn.fi/URN:NBN:fi-fe2020081860891
Tiivistelmä
Deforestation and forest fragmentation are threatening the Miombo woodlands in Southern Highlands of Tanzania. Miombo ecoregion is considered one of the world’s most valuable wilderness areas, providing livelihood for over 150 million people throughout the region, who are directly or indirectly depending on these ecosystem services. Monitoring deforestation process using satellite images enables the identification of ongoing changes and pressures facing the region, which is crucial for the sustainable management of the area.
In this thesis the deforestation dynamics are analysed using LandTrendr (Landsat-based detection of Trends in Disturbance and Recovery) -time series algorithm. The algorithm uses temporal segmentation of spectral trajectories to extract change information from pixel time series derived from satellite images. The study is focused in miombo woodlands around a rural village of Mantadi, which is located in Tanzanian Southern Highlands. The capacity of LandTrendr algorithm to detect changes in Miombo woodland region is evaluated through the appliance of three spectral indices. The results are combined to examine the magnitude and spatial distribution of deforestation in the study area.
The results show that to detect areas under any kind of disturbance, LandTrendr performs considerably well with all three indices. In more profound change magnitude detection, clear differences between the spectral indices can be noticed especially in finding subtler, low magnitude changes. The Normalized Burn Ratio (NBR) was found to be most stable index to detect changes in miombo woodlands. Combining the results from spectral indices increased the mapping accuracy by 10 %. The results indicate that 26,5 % of the whole study area has been under very high or high magnitude disturbance and 29,5 % under low or moderate magnitude disturbance between 1987 and 2018. This study proves that the LandTrendr algorithm is suitable for tracking long-term deforestation dynamics in Miombo woodland environments. Metsäkato ja metsien pirstoutuminen uhkaavat Tansanian eteläisten ylänköalueiden miombo-savanneja. Miombo-savannit muodostavat yhden maailman tärkeimmistä erämaa-alueista, tarjoten toimeentulon yli 150 miljoonalle ihmiselle, jotka ovat tavalla tai toisella riippuvaisia alueen ekosysteemipalveluista. Metsäkatoprosessien seuranta satelliittikuvien avulla mahdollistaa tapahtuvien muutosten ja paineiden tunnistamisen, mikä on elintärkeää alueen kestävälle hallinnalle.
Tässä opinnäytetyössä metsien häviämisen dynamiikkaa analysoidaan LandTrendr (Landsat-based detection of Trends in Disturbance and Recovery) aikasarja-algoritmin avulla. Algoritmi hyödyntää spektraalisen kulkuradan ajallista segmentointia erottaakseen muutostiedot satelliittikuvien pikselikohtaisista aikasarjoista. Tutkimus kohdistuu miombo-metsäalueisiin Tansanian eteläisillä ylänköalueilla sijaitsevan Mantadi-kylän ympärillä. LandTrendr-algoritmin kykyä havaita muutoksia miombo-savanneilla arvioidaan kolmen spektraalisen indeksin avulla. Lopulta indeksien tulokset yhdistetään, jotta metsäkadon laajuutta ja alueellista jakautumista tutkimusalueella voitaisiin tutkia entistä tarkemmin.
Tulokset osoittavat, että LandTrendr havaitsee metsissä tapahtuneet muutokset merkittävän hyvin kaikilla kolmella indeksillä. Perusteellisemmassa muutoksen voimakkuuden tarkastelussa havaitaan selviä eroja eri indeksien välillä, etenkin hienovaraisempien muutosten tunnistamisessa. Yksittäisistä indekseistä NBR (The Normalized Burn Ratio) osoittautui kaikkein vakaimmaksi miombo-savanneilla tapahtuvien muutosten tunnistamisessa. Kolmen spektraalisen indeksin tulosten yhdistäminen lisäsi kartoitustarkkuutta 10 %. Tulokset osoittavat, että 26,5 % tutkimusalueen metsistä on hävinnyt tai heikentynyt voimakkaasti ja 29,5 % on kokenut pieniä tai kohtalaisia häiriöitä vuosien 1987-2018 välillä. Tutkielma osoittaa, että LandTrendr algoritmin avulla metsäkatoa voidaan kartoittaa tehokkaasti Miombo-metsäympäristöissä pitkällä aikavälillä.
In this thesis the deforestation dynamics are analysed using LandTrendr (Landsat-based detection of Trends in Disturbance and Recovery) -time series algorithm. The algorithm uses temporal segmentation of spectral trajectories to extract change information from pixel time series derived from satellite images. The study is focused in miombo woodlands around a rural village of Mantadi, which is located in Tanzanian Southern Highlands. The capacity of LandTrendr algorithm to detect changes in Miombo woodland region is evaluated through the appliance of three spectral indices. The results are combined to examine the magnitude and spatial distribution of deforestation in the study area.
The results show that to detect areas under any kind of disturbance, LandTrendr performs considerably well with all three indices. In more profound change magnitude detection, clear differences between the spectral indices can be noticed especially in finding subtler, low magnitude changes. The Normalized Burn Ratio (NBR) was found to be most stable index to detect changes in miombo woodlands. Combining the results from spectral indices increased the mapping accuracy by 10 %. The results indicate that 26,5 % of the whole study area has been under very high or high magnitude disturbance and 29,5 % under low or moderate magnitude disturbance between 1987 and 2018. This study proves that the LandTrendr algorithm is suitable for tracking long-term deforestation dynamics in Miombo woodland environments.
Tässä opinnäytetyössä metsien häviämisen dynamiikkaa analysoidaan LandTrendr (Landsat-based detection of Trends in Disturbance and Recovery) aikasarja-algoritmin avulla. Algoritmi hyödyntää spektraalisen kulkuradan ajallista segmentointia erottaakseen muutostiedot satelliittikuvien pikselikohtaisista aikasarjoista. Tutkimus kohdistuu miombo-metsäalueisiin Tansanian eteläisillä ylänköalueilla sijaitsevan Mantadi-kylän ympärillä. LandTrendr-algoritmin kykyä havaita muutoksia miombo-savanneilla arvioidaan kolmen spektraalisen indeksin avulla. Lopulta indeksien tulokset yhdistetään, jotta metsäkadon laajuutta ja alueellista jakautumista tutkimusalueella voitaisiin tutkia entistä tarkemmin.
Tulokset osoittavat, että LandTrendr havaitsee metsissä tapahtuneet muutokset merkittävän hyvin kaikilla kolmella indeksillä. Perusteellisemmassa muutoksen voimakkuuden tarkastelussa havaitaan selviä eroja eri indeksien välillä, etenkin hienovaraisempien muutosten tunnistamisessa. Yksittäisistä indekseistä NBR (The Normalized Burn Ratio) osoittautui kaikkein vakaimmaksi miombo-savanneilla tapahtuvien muutosten tunnistamisessa. Kolmen spektraalisen indeksin tulosten yhdistäminen lisäsi kartoitustarkkuutta 10 %. Tulokset osoittavat, että 26,5 % tutkimusalueen metsistä on hävinnyt tai heikentynyt voimakkaasti ja 29,5 % on kokenut pieniä tai kohtalaisia häiriöitä vuosien 1987-2018 välillä. Tutkielma osoittaa, että LandTrendr algoritmin avulla metsäkatoa voidaan kartoittaa tehokkaasti Miombo-metsäympäristöissä pitkällä aikavälillä.