Original paper

Bi-temporal Change Detection, Change Trajectories and Time Series Analysis for Forest Monitoring

Thonfeld, Frank; Hecheltjen, Antje; Menz, Gunter

Abstract

Traditional change detection refers to bi-temporal approaches. With the recent open access policy of several data providers, the use of multi- to hyper-temporal data for change detection and monitoring applications becomes feasible. Dense time series with several hundreds of Landsat-like satellite images are rarely used to date. This study exemplifies opportunities of three approaches with respect to forest monitoring on a local study area on Vancouver Island (Canada). Each of the approaches has advantages and disadvantages that make it particularly powerful for certain purposes. The more datasets are involved the more complex the analysis becomes. At the same time, complex processes such as forest structural development can only be resolved with multi- to hyper-temporal datasets. Dense time series are an adequate means to account for the dominant temporal dimensions of forest development and change including phenological or seasonal variation, structural or long-term trends, as well as abrupt changes and changes in forest dynamics. Exploration of dense time series is the key to efficient use of upcoming high temporal resolution sensors such as Sentinel-2.

Kurzfassung

Traditionelle Veränderungsdetektion bezieht sich meist auf bi-temporale Ansätze. Durch die derzeitige offene Datenpolitik verschiedener Datenanbieter wird die Anwendung von multi- und hyper-temporalen Datensätzen für die Veränderungsdetektion und das Monitoring zunehmend praktikabel. Dichte Zeitreihen von mehreren Hundert Landsat-ähnlichen Satellitendaten werden aktuell nur wenig genutzt. Diese Studie zeigt beispielhaft die Möglichkeiten dreier verschiedener Ansätze in Bezug auf das Waldmonitoring an einem Untersuchungsgebiet auf Vancouver Island (Kanada). Jeder der drei Ansätze hat Vor- und Nachteile, die sie besonders leistungsstark für bestimmte Anwendungen machen. Je mehr Daten in die Analyse einbezogen werden, desto komplexer wird die Analyse. Gleichzeitig können komplexe Prozesse wie die Waldstrukturentwicklung nur mit multi- und hyper-temporalen Daten entschlüsselt werden. Dichte Zeitreihen sind ein geeignetes Mittel, um die dominanten zeitlichen Dimensionen der Waldentwicklung und -veränderung zu erfassen, darunter phänologische oder saisonale Schwankungen, strukturelle oder Langzeittrends sowie abrupte Veränderungen und Veränderungen in der Walddynamik. Die Analyse dichter Zeitreihen ist essenziell für den effizienten Einsatz zukünftiger Satelliten mit hoher zeitlicher Auflösung wie Sentinel-2.

Keywords

land cover changeforest monitoringchange detectiontime series analysis