Comparison of vegetation indices for mangrove mapping using THEOS data

Abstract

The increasing application of remote sensing for mangrove mapping and monitoring is practical for sustainable management of the biological resources. Over the past few decades, the emergence of several vegetation indices (VIs) has certainly given significant impacts on mangrove and other forest mappings. In this study, five different vegetation indices including Normalized Different Vegetation Index (NDVI), Simple Ratio (SR), Soil Adjusted Vegetation Index (SAVI), Perpendicular Vegetation Index (PVI) and Triangular Vegetation Index (TVI) were compared to discover a suitable vegetation index for identifying mangrove area in Pa Khlok sub-district, Phuket, Thailand. THEOS imagery with 15-m resolution from 2010 was utilized. Maximum Likelihood Classifier (MLC) was used to classify Mangrove and Non-Mangrove area. The results demonstrated that the best accuracy (96.78%) was from combination between 4 THEOS's spectral bands and some vegetation indices including NDVI, SR and SAVI.

Cartografía de bosques de manglar mediante imágenes de sensores remotos: estudio de caso Buenaventura, Colombia

“…Obtener información precisa y actualizada de la distribución de los manglares es primordial para la protección y restauración de los mismos ya que estos bosques están en constante presión ; en este sentido, el mapeo de manglares utilizando sensores remotos se vuelve clave para obtener datos precisos y mapas actualizados los cuales son herramientas importantes en procesos de conservación, y seguimiento de manglares en áreas extensas y de difícil acceso (Kongwongjan et al, 2012;Wang et al, 2018;Xia et al, 2018). Las imágenes del Sentinel 2 se convierten en una opción integral para llevar a cabo procesos de cartografía a una escala local de bosques de manglar debido a que son de uso libre y presentan una buena resolución espacial y temporal (Portengen, 2017).…”

“…La reflectancia espectral hallada en este estudio fue similar a los valores reportados por otras investigaciones a nivel internacional (Kongwongjan et al, 2012;Portengen, 2017;Mondal et al, 2018); para la cobertura de Manglar y Otra vegetación, el comportamiento espectral es típico de la vegetación, donde presenta su mayor reflectividad en la longitud de banda del infrarrojo cercano, sin embargo la variabilidad en el valor de la reflectividad de estas coberturas puede deberse por factores como el contenido de humedad, pigmentos en las hojas, estado fisiológico y características morfológicas de la especies (Chuvieco, 2010;Díaz, 2015). La cobertura de Suelo desnudo/Construcción, tuvo una reflectancia particular debido a que los suelos se ven afectados por la marea y las lluvias, estos permanecen húmedos la mayoría del tiempo; se puede alterar las propiedades físicas y por ende influye en la reflectividad; este fenómeno se observa principalmente en la disminución de la reflectancia de la banda roja e infrarroja cercana con respecto a suelos secos (Sánchez-Rodríguez et al, 2000;Chuvieco, 2010).…”

“…Por su parte el algoritmo de máxima verosimilitud obtiene resultados más eficientes frente a otros algoritmos de clasificación supervisada y aumenta en gran medida la exactitud y la fiabilidad global de la clasificación basada en píxeles (Hossain et al, 2009;Kanniah et al, 2015). Este algoritmo es muy utilizado para determinar las coberturas de manglares utilizando imágenes de sensores remotos y técnicas de teledetección a nivel global (Gao, 1999;Alatorre et al, 2011;Kongwongjan et al, 2012;Valderrama-Landeros et al, 2017); sin embargo dentro de los hallazgos, algunos bosques inundables presentaron similar valor en la reflectividad, lo que podrían presentar incertidumbre y sobreestimar la extensión del manglares (Alatorre et al, 2011); del mismo modo se hace necesario tener información secundaria como mapas temáticos de coberturas vegetales, datos de campo y ortofotos de alta resolución espacial, lo que conllevaría a una buena validación de los resultados expresados en una buena fiabilidad global de la clasificación con algoritmos de máxima verosimilitud usando imágenes de sensores remotos (García-Mora y Mas, 2008;Chuvieco, 2010).…”

Mangrove Vegetation Health Assessment Based on Remote Sensing Indices for Tanjung Piai, Malay Peninsular

“…The index has been tested in forest biomes, including deciduous and evergreen broadleaf, tropical rainforest, herbaceous savannah, and in the succession of crops (Hmimina et al, 2013). Additionally, studies that applied indices for mangrove include (Heenkenda et al, 2016;Kongwongjan et al, 2012;Kovacs et al, 2005), whereas Tasselled Cap transformation is index producing three data structure axes defining the vegetation information content: brightness-a weighted sum of all bands, as determined by the phonological variation in soil reflectance; greenness, which is orthogonal to brightness and measures the contrast between the near-infrared and visible bands; and wetness, which relates to canopy and soil moisture. In a comprehensive statement (Crist & Cicone, 1984) defined TC as an orientation data plane such that the two features which define it are directly related to physical scene characteristics.…”

Testing the Potential of Vegetation Indices for Land Use/Cover Classification Using High Resolution Data

“…The most common approach is to incorporate the * Corresponding author ancillary data before, during and after the classification (Kongwongjan et al, 2012;Mwakapuja et al, 2013;Thakkar et al, 2014;Luo et al, 2015;Mare and Mihai, 2016;Thakkar et al, 2017). One of these ancillary data is derived remote sensing indices using satellite image.…”