Порівняльний аналіз спектральних індексів для виявлення забудови на основі супутникових знімків Sentinel-2

Автор(и)

DOI:

https://doi.org/10.33730/2310-4678.2.2025.337148

Ключові слова:

дистанційне зондування Землі, спектральні індекси, опустелювання, урбанізація, сезонність спектральних індексів

Анотація

У зв’язку з посиленням урбанізаційних процесів і сезонною мінливістю ландшафтного покриву виникає потреба в точному та адаптивному методі ідентифікації забудованих територій за даними дистанційного зондування Землі. Класичні спектральні індекси, зокрема NDBI та NDVI, демонструють недостатню стабільність під час зміни сезонів, особливо в умовах снігового покриву або за наявності відкритого ґрунту. У межах цього дослідження було проведено порівняльний аналіз індексів NDBI, NDWI, модифікованого індексу NDBIBlue та запропонованого авторами індексу EVI-S. Перевагою обраного підходу стало використання сезонних мультиспектральних знімків Sentinel-2, що дозволило оцінити ефективність індексів у чотирьох сезонних періодах. Кожен з індексів продемонстрував різний рівень чутливості до трьох типів об’єктів — забудови, води та ріллі. Найкращі результати для виділення урбанізованих територій зафіксовано в літній період, тоді як зимовий сезон виявився непридатним для класифікації через значну кількість хибнопозитивних сигналів, зумовлених сніговим покривом. Фінальним етапом дослідження стала класифікація методом Maximum Likelihood із використанням трьох індексних шарів, що дозволило отримати векторизовану модель забудови з високим ступенем узгодженості з реальними супутниковими зображеннями. Дослідження демонструє перспективність гібридного підходу, який поєднує сезонну чутливість спектральних індексів із методами автоматизованої класифікації, та підкреслює необхідність вдосконалення методів для зменшення похибок у класах, зокрема за наявності відкритого ґрунту або затінених ділянок.

Посилання

  1. ArcGIS Pro. (n.d.). Normalized Difference Built-up Index (NDBI). Retrieved from https://pro.arcgis.com/en/pro-app/latest/arcpy/spatial-analyst/ndbi.htm
  2. RIndCalc documentation. (n.d.). Index Formula List. Retrieved from https://rindcalc.readthedocs.io/en/latest/Index%20Formula%20List.html
  3. Santecchia, G. S., Revollo Sarmiento, G. N., Genchi, S. A., Vitale, A. J., & Delrieux, C. A. (2023). Assessment of Landsat-8 and Sentinel-2 water indices: A case study in the southwest of the Buenos Aires Province (Argentina). Journal of Imaging, 9(9), 186. doi: 10.3390/jimaging9090186
  4. Bhangale, U., More, S., Shaikh, T., & Patil, S. (2020). Analysis of surface water resources using Sentinel-2 imagery. Procedia Computer Science, 171, 2645–2654. doi: 10.1016/j.procs.2020.04.287
  5. Drešković, N., Đug, S., & Osmanović, M. (2024). NDVI and NDBI indexes as indicators of the creation of urban heat islands in the Sarajevo basin. Geographica Pannonica, 28(1), 34–43. doi: 10.5937/gp28-48216
  6. Hashim, H., Abd Latif, Z., & Adnan, N. A. (2019). Urban vegetation classification with NDVI threshold value method with very high resolution (VHR) Pleiades imagery. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-4/W16, 237–241. doi: 10.5194/isprs-archives-XLII-4-W16-237-2019
  7. Loukili, I., Laamrani, A., El Ghorfi, M., El Moutak, S., & Ghafiri, A. (2025). Monitoring land changes at an open mine site using remote sensing and multi-spectral indices. Heliyon, 11(2), e41845. doi: 10.1016/j.heliyon.2025.e41845
  8. Rouibah, K., & Belabbas, M. (2020). Applying multi-index approach from Sentinel-2 imagery to extract urban area in dry season (semi-arid land in North East Algeria). Revista de Teledetección, 56, 89–101. doi: 10.4995/raet.2020.13787
  9. Hidayati, I. N., Suharyadi, R., & Danoedoro, P. (2018). Developing an extraction method of urban built-up area based on remote sensing imagery transformation index. Forum Geografi, 32(1), 96–108. doi: 10.23917/forgeo.v32i1.5907
  10. Zheng, Y., Tang, L., & Wang, H. (2021). An improved approach for monitoring urban built-up areas by combining NPP-VIIRS nighttime light, NDVI, NDWI, and NDBI. Journal of Cleaner Production, 328, 129488. doi: 10.1016/j.jclepro.2021.129488
  11. Zhu, W., Yuan, C., Tian, Y., Wang, Y., Liping, L., & Hu, C. (2024). A new high-resolution rural built-up land extraction method based on artificial surface index with short-wave infrared downscaling. Remote Sensing, 16(7), 1126. doi: 10.3390/rs16071126
  12. Lynch, P., Blesius, L., & Hines, E. (2020). Classification of urban area using multispectral indices for urban planning. Remote Sensing, 12(15), 2503. doi: 10.3390/rs12152503
  13. Decentralization portal. (n.d.). Feodosiivska Territorial Community. Retrieved June from https://decentralization.ua/newgromada/4092
  14. Sreznevskyi Central Geophysical Observatory. (n.d.). Climatic data for Kyiv. Retrieved from http://cgo-sreznevskyi.kyiv.ua/uk/
  15. GIS Resources. (n.d.). Why does NDVI, NDBI, NDWI range from –1 to 1? Retrieved from https://gisresources.com/ndvi-ndbi-ndwi-ranges-1-1
  16. Zha, Y., Gao, J., & Ni, S. (2003). Use of normalized difference built-up index in automatically mapping urban areas from TM imagery. International Journal of Remote Sensing, 24(3), 583–594. doi: 10.1080/01431160304987
  17. McFEETERS, S. K. (1996). The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7), 1425–1432. doi: 10.1080/01431169608948714
  18. Javed, A., Cheng, Q., Peng, H., Altan, O., Li, Y., Ara, I., & Saleem, N. (2021). Review of spectral indices for urban remote sensing. Photogrammetric Engineering & Remote Sensing, 87(7), 513–524. doi: 10.14358/PERS.87.7.51369608948714

##submission.downloads##

Опубліковано

2025-05-16

Номер

Розділ

Статті