Published September 19, 2022 | Version v1
Publication Metadata-only

Rapid method for yearly LULC classification using Random Forest and incorporating time-series NDVI and topography: a case study of Thanh Hoa province, Vietnam

Creators

  • 1. Vietnam National University Ho Chi Minh City
  • 2. Hồng Đức University
  • 3. Ho Chi Minh City University of Science

Description

Land-use and land-cover (LULC) mapping in the complex area is a challenging task due to the mixed vegetation patterns, and rough mountains with fast-flowing rivers. In Vietnam, LULC update is not frequently. In this study, we applied a supervised machine learning (Random forest—RF) approach to mapping LULC in Thanh Hoa province, Vietnam from 2011 to 2015 utilizing multi-temporal Normalized Difference Vegetation Index (NDVI) data from MODIS, combined with topographic features. Random forest classification (RFC) reached a total prediction accuracy of 91% and Kappa coefficient (K) of 0.89 across eight LULCs. Besides, the results showed that the features extracted from time-series NDVI comprising the mean of yearly NDVI, the sum of NDVI, and the topography were the important variables controlling the LULC classification. For similar studies on the distribution of LULC, the method proposed in this study could be helpful.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

يعد رسم خرائط استخدام الأراضي والغطاء الأرضي (LULC) في المنطقة المعقدة مهمة صعبة بسبب أنماط الغطاء النباتي المختلطة والجبال الوعرة مع الأنهار سريعة التدفق. في فيتنام، لا يتم تحديث LULC بشكل متكرر. في هذه الدراسة، طبقنا نهجًا للتعلم الآلي الخاضع للإشراف (Random forest - RF) لرسم خرائط LULC في مقاطعة ثانه هوا، فيتنام من 2011 إلى 2015 باستخدام بيانات مؤشر الاختلاف المعياري للغطاء النباتي (NDVI) متعدد الأزمنة من MODIS، جنبًا إلى جنب مع الميزات الطبوغرافية. وصل تصنيف الغابات العشوائية (RFC) إلى دقة تنبؤ إجمالية بلغت 91 ٪ ومعامل كابا (K) البالغ 0.89 عبر ثمانية LULCs. إلى جانب ذلك، أظهرت النتائج أن الميزات المستخرجة من السلاسل الزمنية NDVI التي تضم متوسط NDVI السنوي، ومجموع NDVI، والطبوغرافيا كانت المتغيرات المهمة التي تتحكم في تصنيف LULC. بالنسبة للدراسات المماثلة حول توزيع LULC، يمكن أن تكون الطريقة المقترحة في هذه الدراسة مفيدة.

Translated Description (French)

La cartographie de l'utilisation et de la couverture des terres (LULC) dans la zone complexe est une tâche difficile en raison des modèles de végétation mélangés et des montagnes accidentées avec des rivières à débit rapide. Au Vietnam, la mise à jour LULC n'est pas fréquente. Dans cette étude, nous avons appliqué une approche d'apprentissage automatique supervisé (Random forest-RF) à la cartographie des LULC dans la province de Thanh Hoa, au Vietnam, de 2011 à 2015, en utilisant des données multi-temporelles de l'indice de végétation à différence normalisée (NDVI) de MODIS, combinées à des caractéristiques topographiques. La classification aléatoire des forêts (RFC) a atteint une précision totale de prédiction de 91 % et un coefficient Kappa (K) de 0,89 sur huit LULC. En outre, les résultats ont montré que les caractéristiques extraites des séries chronologiques NDVI comprenant la moyenne des NDVI annuels, la somme des NDVI et la topographie étaient les variables importantes contrôlant la classification LULC. Pour des études similaires sur la distribution des LULC, la méthode proposée dans cette étude pourrait être utile.

Translated Description (Spanish)

El mapeo del uso de la tierra y la cubierta terrestre (LULC) en el área compleja es una tarea desafiante debido a los patrones mixtos de vegetación y las montañas ásperas con ríos de flujo rápido. En Vietnam, la actualización de LULC no es frecuente. En este estudio, aplicamos un enfoque de aprendizaje automático supervisado (Random forest-RF) para mapear LULC en la provincia de Thanh Hoa, Vietnam, de 2011 a 2015, utilizando datos multitemporales del Índice de Vegetación de Diferencia Normalizada (NDVI) de MODIS, combinados con características topográficas. La clasificación de bosques aleatorios (RFC) alcanzó una precisión de predicción total del 91% y un coeficiente Kappa (K) de 0,89 en ocho LULC. Además, los resultados mostraron que las características extraídas de las series temporales NDVI que comprenden la media de NDVI anual, la suma de NDVI y la topografía fueron las variables importantes que controlaron la clasificación de LULC. Para estudios similares sobre la distribución de LULC, el método propuesto en este estudio podría ser útil.

Additional details

Additional titles

Translated title (Arabic)
طريقة سريعة لتصنيف LULC السنوي باستخدام Random Forest ودمج السلاسل الزمنية NDVI والتضاريس: دراسة حالة لمقاطعة ثانه هوا، فيتنام
Translated title (French)
Méthode rapide pour la classification LULC annuelle à l'aide de Random Forest et intégrant des séries chronologiques NDVI et topographie : une étude de cas de la province de Thanh Hoa, Vietnam
Translated title (Spanish)
Método rápido para la clasificación anual de LULC utilizando Random Forest e incorporando series temporales NDVI y topografía: un estudio de caso de la provincia de Thanh Hoa, Vietnam

Identifiers

Other
https://openalex.org/W4295233892
DOI
10.1080/10106049.2022.2123959

Is supplement to
https://openalex.org/W4390240101 (Other)
https://openalex.org/W4377014260 (Other)
https://openalex.org/W4306942285 (Other)
https://openalex.org/W4245827621 (Other)
https://openalex.org/W2803445926 (Other)
https://openalex.org/W2541496036 (Other)
https://openalex.org/W2442738406 (Other)
https://openalex.org/W2086835154 (Other)
https://openalex.org/W2021379394 (Other)
https://openalex.org/W1989870285 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Vietnam

References

  • https://openalex.org/W1948098636
  • https://openalex.org/W1978034823
  • https://openalex.org/W1980965483
  • https://openalex.org/W2005217881
  • https://openalex.org/W2006203995
  • https://openalex.org/W2010150056
  • https://openalex.org/W2014555541
  • https://openalex.org/W2029185882
  • https://openalex.org/W2040667072
  • https://openalex.org/W2042692910
  • https://openalex.org/W2045257928
  • https://openalex.org/W2046113982
  • https://openalex.org/W2051288748
  • https://openalex.org/W2055248879
  • https://openalex.org/W2069099149
  • https://openalex.org/W2076516557
  • https://openalex.org/W2076656703
  • https://openalex.org/W2102049927
  • https://openalex.org/W2126902408
  • https://openalex.org/W2138973222
  • https://openalex.org/W2144994528
  • https://openalex.org/W2145862305
  • https://openalex.org/W2303249742
  • https://openalex.org/W2331231823
  • https://openalex.org/W2437953928
  • https://openalex.org/W2536525838
  • https://openalex.org/W2569826544
  • https://openalex.org/W2597898080
  • https://openalex.org/W2610254470
  • https://openalex.org/W2763014865
  • https://openalex.org/W2771038928
  • https://openalex.org/W2774638801
  • https://openalex.org/W2776146695
  • https://openalex.org/W2793927960
  • https://openalex.org/W2795268736
  • https://openalex.org/W2799508744
  • https://openalex.org/W2885406917
  • https://openalex.org/W2888154665
  • https://openalex.org/W2899101283
  • https://openalex.org/W2902593550
  • https://openalex.org/W2911964244
  • https://openalex.org/W2921701549
  • https://openalex.org/W2956041202
  • https://openalex.org/W2964025915
  • https://openalex.org/W2969945043
  • https://openalex.org/W2970618422
  • https://openalex.org/W2990480734
  • https://openalex.org/W3014449685
  • https://openalex.org/W3024860805
  • https://openalex.org/W3046711384
  • https://openalex.org/W3082780233
  • https://openalex.org/W3088028382
  • https://openalex.org/W3090679658
  • https://openalex.org/W3163555663
  • https://openalex.org/W3168536162
  • https://openalex.org/W3183038704
  • https://openalex.org/W561088580