Land consumption estimation using Landsat satellite data and change detection techniques in the Google Earth Engine cloud environment

Land consumption is the permanent or reversible transformation of non-artificial into artificial land cover, that leads to urban sprawl and densification, as well as the loss of the soil resource. The impervious cover of the land surface causes land degradation, as it contributes to increasing environmental and territorial risks. Mapping and monitoring the urban growth is therefore essential for sustainable development. Earth observation remote sensing is a powerful way to provide continuous information on land cover changes. Among various satellite datasets, the multi-decadal archive of Landsat images is particularly suitable for many urban change detection studies. The aim of this thesis is to extract land consumption information from open Landsat satellite imagery by applying different algorithms, also with some innovative elements, in the Google Earth Engine (GEE) cloud environment. The first change detection method implied the development and application of a novel index-based image classification approach, involving multiple decision rules, from Landsat 8 data. The “post-classification comparison” between binary “Urban/Non-urban” maps, followed by the “image differencing” between multi-date land surface albedo maps, was successfully tested for the study area of Bitritto and subsequently applied to the Bari territory (2015-2023), with very good results. The second change detection method consisted in the implementation of the Continuous Change Detection and Classification algorithm in GEE, involving a stack of multitemporal cloud-free Landsat images to identify temporal spectral behavior, pixel-by-pixel. The multitemporal “Urban/Non-urban” maps, produced using per-pixel model coefficients as input variables for Random Forest classifications, subsequently underwent “post-classification comparison” and allowed to retrieve urban growth information, with very satisfactory results, for all the capitals of Italian regions (2006-2023). Both methods slightly underestimated the changes that really occurred, due to the “mixed pixels” issue and the filtering techniques, while GEE allowed relatively rapid processing of remote sensing data.

Il consumo di suolo rappresenta la trasformazione permanente o reversibile della copertura del suolo da non artificiale ad artificiale, che comporta l’espansione e la densificazione urbana, così come la perdita della risorsa suolo. La copertura impermeabile della superficie terrestre causa degradazione del suolo, poichè contribuisce ad incrementare il rischio ambientale e territoriale. La mappatura ed il monitoraggio della crescita urbana è pertanto essenziale per lo sviluppo sostenibile. Il telerilevamento per l’osservazione della Terra è un potente strumento per fornire continue informazioni sui cambiamenti di copertura del suolo. Tra vari datasets satellitari, l’archivio multi-decennale di immagini Landsat è particolarmente adatto per molti studi di change detection a scala urbana. L’obiettivo della tesi è di estrarre informazioni sul consumo di suolo da immagini satellitari open Landsat applicando differenti algoritmi, anche con alcuni elementi innovativi, in ambiente cloud Google Earth Engine (GEE). Il primo metodo di change detection ha implicato lo sviluppo e l’applicazione di un nuovo approccio di classificazione delle immagini index-based, con multiple regole decisionali, da dati Landsat 8. Il “post-classification comparison” tra mappe binarie “Urban/Non-urban”, seguito da “image-differencing” tra mappe di albedo superficiale multi-temporali, è stato testato con successo sull’area di studio di Bitritto e in seguito applicato al territorio di Bari (2015-2023), con risultati molto buoni. Il secondo metodo di change detection ha riguardato l’implementazione dell’algoritmo di Continuous Change Detection and Classification su GEE, utilizzando uno stack di immagini Landsat multi-temporali prive di nuvole per individuare il comportamento spettrale nel tempo di ogni pixel. Le mappe multi-temporali “Urban/Non-urban”, ottenute utilizzando i coefficienti del modello pixel per pixel come variabili di input per classificazioni Random Forest, sono state in seguito sottoposte a “post-classification comparison” e hanno permesso di ricavare informazioni sulla crescita urbana con risultati molto soddisfacenti per tutti i capoluoghi di Regione italiani (2006-2023). Entrambi i metodi hanno leggermente sottostimato i cambiamenti realmente avvenuti a causa del problema dei “pixel misti” e delle tecniche di filtraggio, mentre GEE ha permesso una elaborazione relativamente rapida dei dati telerilevati.