Картографування рівнинних лісів України на основі щільних часових рядів супутникових знімків Landsat

dc.citation.conferenceВсеукраїнська науково-практична конференція "Картографічне моделювання та географічні інформаційні системи"
dc.citation.epage54
dc.citation.journalTitleКартографічне моделювання та географічні інформаційні системи : збірник матеріалів всеукраїнської науково-практичної конференції
dc.citation.spage51
dc.contributor.affiliationНаціональний університет біоресурсів і природокористування України
dc.contributor.affiliationNational University of Life and Environmental Sciences of Ukraine
dc.contributor.authorМиронюк, Віктор
dc.contributor.authorMyroniuk, Viktor
dc.coverage.placenameЛьвів
dc.coverage.placenameLviv
dc.coverage.temporal3–5 жовтня 2019 року, Львів
dc.date.accessioned2020-06-02T10:57:29Z
dc.date.available2020-06-02T10:57:29Z
dc.date.created2019-10-03
dc.date.issued2019-10-03
dc.description.abstractУ дослідженні опрацьовано фенологічно орієнтований метод дешифрування вкритих лісовою рослинністю ділянок на території рівнинної частини України, використовуючи часові ряди супутникових знімків Landsat 8 OLI. Класифікацію знімків виконано за алгоритмом Random Forest в «хмарній» платформі Google Earth Engine API. У результаті створено лісову маску рівнинних лісів України з просторовим розрізненням 30 м. Її точність за показниками точності користувача (user’s accuracy) та виробника (producer’s accuracy) в середньому оцінюється на рівні відповідно 0,795±0,022 та 0,845±0,025. При цьому для поліської частини регіону дослідження точність виявилася вищою, а степової зони – навпаки, нижчою.
dc.description.abstractThe paper discuses phenology-based method of mapping forested areas of flatland Ukraine using time series of Landsat 8 OLI images. The study is based on 1548 scenes of images that have been composed in four seasonal mosaics: yearly, summer, autumn, AprilOctober. The classification has been performed by Random Forest algorithm in Google Earth Engine API cloudbased platform. In total, 36 spectral features of seasonal mosaics were used in the study. About 4700 random points have been visually interpreted by Google images and used as a reference dataset. After classification, the forest mask of flatland Ukraine have been created having 30 m spatial resolution. In average, user’s and producer’s accuracies is assessed to be 0,795±0,022 and 0,845±0,025 respectively, although the forest mask is more accurate for Polissia regions and lower – for Steppe zone.
dc.format.extent51-54
dc.format.pages4
dc.identifier.citationМиронюк В. Картографування рівнинних лісів України на основі щільних часових рядів супутникових знімків Landsat / Віктор Миронюк // Картографічне моделювання та географічні інформаційні системи : збірник матеріалів всеукраїнської науково-практичної конференції, 3–5 жовтня 2019 року, Львів. — Львів : Видавництво Львівської політехніки, 2019. — С. 51–54.
dc.identifier.citationenMyroniuk V. Mapping flat land forests of Ukraine using dense time series of Landsat satellite images / Viktor Myroniuk // Kartohrafichne modeliuvannia ta heohrafichni informatsiini systemy : zbirnyk materialiv vseukrainskoi naukovo-praktychnoi konferentsii, 3–5 zhovtnia 2019 roku, Lviv. — Lviv : Vydavnytstvo Lvivskoi politekhniky, 2019. — P. 51–54.
dc.identifier.isbn978-966-941-386-4
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/50781
dc.language.isouk
dc.publisherВидавництво Львівської політехніки
dc.relation.ispartofКартографічне моделювання та географічні інформаційні системи : збірник матеріалів всеукраїнської науково-практичної конференції, 2019
dc.relation.references1. Миронюк В. В. Застосування стратифікованої вибірки для регіональної оцінки площі лісів України за даними глобальних карт лісового покриву / В. В. Миронюк, М. І. Георгіян // Збалансоване природокористування. 2017. Вип. 1. С. 69–74.
dc.relation.references2. Миронюк В. В. Підбір незалежних змінних для класифікації лісового покриву за сезонними мозаїками / В. В. Миронюк // Науковий вісник Національного університету біоресурсів і природокористування України. 2017. Вип. 278. С. 66–76.
dc.relation.references3.Ткач В. П. Ліси та лісистість в Україні: сучасний стан і перспективи розвитку / В. П. Ткач // Український географічний журнал. 2012. Вип. 2. С. 49–55.
dc.relation.references4. Bey A. Collect Earth: Land Use and Land Cover Assessment through Augmented Visual Interpretation / A. Bey, A. Sánchez-Paus Díaz A., D. Maniatis et al. // Remote Sensing. 2016. Vol. 8(10). P. 807.
dc.relation.references5.Boisvenue C. Integration of Landsat time series and field plotsfor forest productivity estimatesin decision support models/ C. Boisvenue, B. P. Smiley,J. C. White, W. A. Kurz, M. A. Wulder // Forest Ecology and Management. 2016. Vol. 376. P. 284–297.
dc.relation.references6. Breiman L. Random forests / L. Breiman // Machine Learning. 2001. Vol. 45(1). P. 5–32.
dc.relation.references7. Cohen W. B. Landsat’s Role in Ecological Applications of Remote Sensing / W. B. Cohen, S. N. Goward // BioScience. 2004. Vol. 54(6). P. 535.
dc.relation.references8. Gómez C. Optical remotely sensed time series data for land cover classification: A review / C. Gómez, J. C. White, M. A. Wulder // ISPRS Journal of Photogrammetry and Remote Sensing. 2016. Vol. 116. P. 55–72.
dc.relation.references9. Gorelick N. Google Earth Engine: Planetaryscale geospatial analysis for everyone / N. Gorelick, M. Hancher, M. Dixon et al. // Remote Sensing of Environment. 2017. Vol. 202. P. 18–27.
dc.relation.references10. Hansen M. C. Monitoring conterminous United States (CONUS) land cover change with WebEnabled Landsat Data (WELD) / M. C. Hansen, A. Egorov, P. V. Potapov et al. // Remote Sensing of Environment. 2014. Vol. 140. P. 466–484.
dc.relation.references11. Hansen M. C. High-Resolution Global Maps of 21st-Century Forest Cover Change / M. C. Hansen, P. V. Potapov, R. Moore et al. // Science. 2013. Vol. 342(6160). P. 850–853.
dc.relation.references12. Olofsson P. Good practices for estimating area and assessing accuracy of land change / P. Olofsson, G. M. Foody, M. Herold // Remote Sensing of Environment. 2014. Vol. 148. P. 42–57.
dc.relation.references13. Zald H. S. J. Integrating Landsat pixel composites and change metrics with lidar plots to predictively map forest structure and aboveground biomass in Saskatchewan, Canada / H. S. J. Zald, M. A. Wulder, J. C. White // Remote Sensing of Environment. 2016. Vol. 176. P. 188–201.
dc.relation.referencesen1. Myroniuk V. V. Zastosuvannia stratyfikovanoi vybirky dlia rehionalnoi otsinky ploshchi lisiv Ukrainy za danymy hlobalnykh kart lisovoho pokryvu, V. V. Myroniuk, M. I. Heorhiian, Zbalansovane pryrodokorystuvannia. 2017. Iss. 1. P. 69–74.
dc.relation.referencesen2. Myroniuk V. V. Pidbir nezalezhnykh zminnykh dlia klasyfikatsii lisovoho pokryvu za sezonnymy mozaikamy, V. V. Myroniuk, Naukovyi visnyk Natsionalnoho universytetu bioresursiv i pryrodokorystuvannia Ukrainy. 2017. Iss. 278. P. 66–76.
dc.relation.referencesen3.Tkach V. P. Lisy ta lisystist v Ukraini: suchasnyi stan i perspektyvy rozvytku, V. P. Tkach, Ukrainskyi heohrafichnyi zhurnal. 2012. Iss. 2. P. 49–55.
dc.relation.referencesen4. Bey A. Collect Earth: Land Use and Land Cover Assessment through Augmented Visual Interpretation, A. Bey, A. Sánchez-Paus Díaz A., D. Maniatis et al., Remote Sensing. 2016. Vol. 8(10). P. 807.
dc.relation.referencesen5.Boisvenue C. Integration of Landsat time series and field plotsfor forest productivity estimatesin decision support models/ C. Boisvenue, B. P. Smiley,J. C. White, W. A. Kurz, M. A. Wulder, Forest Ecology and Management. 2016. Vol. 376. P. 284–297.
dc.relation.referencesen6. Breiman L. Random forests, L. Breiman, Machine Learning. 2001. Vol. 45(1). P. 5–32.
dc.relation.referencesen7. Cohen W. B. Landsat’s Role in Ecological Applications of Remote Sensing, W. B. Cohen, S. N. Goward, BioScience. 2004. Vol. 54(6). P. 535.
dc.relation.referencesen8. Gómez C. Optical remotely sensed time series data for land cover classification: A review, C. Gómez, J. C. White, M. A. Wulder, ISPRS Journal of Photogrammetry and Remote Sensing. 2016. Vol. 116. P. 55–72.
dc.relation.referencesen9. Gorelick N. Google Earth Engine: Planetaryscale geospatial analysis for everyone, N. Gorelick, M. Hancher, M. Dixon et al., Remote Sensing of Environment. 2017. Vol. 202. P. 18–27.
dc.relation.referencesen10. Hansen M. C. Monitoring conterminous United States (CONUS) land cover change with WebEnabled Landsat Data (WELD), M. C. Hansen, A. Egorov, P. V. Potapov et al., Remote Sensing of Environment. 2014. Vol. 140. P. 466–484.
dc.relation.referencesen11. Hansen M. C. High-Resolution Global Maps of 21st-Century Forest Cover Change, M. C. Hansen, P. V. Potapov, R. Moore et al., Science. 2013. Vol. 342(6160). P. 850–853.
dc.relation.referencesen12. Olofsson P. Good practices for estimating area and assessing accuracy of land change, P. Olofsson, G. M. Foody, M. Herold, Remote Sensing of Environment. 2014. Vol. 148. P. 42–57.
dc.relation.referencesen13. Zald H. S. J. Integrating Landsat pixel composites and change metrics with lidar plots to predictively map forest structure and aboveground biomass in Saskatchewan, Canada, H. S. J. Zald, M. A. Wulder, J. C. White, Remote Sensing of Environment. 2016. Vol. 176. P. 188–201.
dc.rights.holder© Національний університет “Львівська політехніка”, 2019
dc.subjectлісова маска
dc.subjectлісистість
dc.subject«хмарні» обчислення
dc.subjectGoogle Earth Engine
dc.subjectforest mask
dc.subjectforest cover
dc.subjectcloud computations
dc.subjectGoogle Earth Engine
dc.subject.udc630*53
dc.titleКартографування рівнинних лісів України на основі щільних часових рядів супутникових знімків Landsat
dc.title.alternativeMapping flat land forests of Ukraine using dense time series of Landsat satellite images
dc.typeConference Abstract

Files

Original bundle

Now showing 1 - 2 of 2
Thumbnail Image
Name:
2019_Myroniuk_V-Mapping_flat_land_forests_51-54.pdf
Size:
369.26 KB
Format:
Adobe Portable Document Format
Thumbnail Image
Name:
2019_Myroniuk_V-Mapping_flat_land_forests_51-54__COVER.png
Size:
559.57 KB
Format:
Portable Network Graphics

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.97 KB
Format:
Plain Text
Description: