528.8:911.2

Исследование проведено в подзоне Мендефера, четвертом по величине городском центре Государства Эритреи. Правительство страны увеличило финансирование процесса вовлечения земель в хозяйственный оборот. В результате стало изменяться соотношение земель разных категорий на изучаемой территории. Для их категоризации использовалась классификация, разработанная Всемирной продовольственной организацией (ФАО) и получившая название временная эволюция покрова местности (land use and land cover - LULC). В настоящее время имеются многочисленные методы и технологии выделения различных категорий земель по космическим изображениям на основе управляемых и неуправляемых классификаций. Нами для выделения категорий земель на изучаемой территории использовалась управляемая классификация макси мального правдоподобия (MLC), которая опирается на пиксельный подход. В качестве исходных данных использовался мультиспектральный снимок среднего пространственного разрешения LANDSAT-8 OLI за февраль 2021 г. (USGS.gov). Его обработка осуществлялась в программе ENVI 5.3, где имеется возможность применять контролируемую классификацию с использованием алгоритмов максимального правдоподобия (MLC), а также проводить различные варианты генерализации. Оценка точности осуществлялась с использованием Google Earth pro. Помимо образцов для обучающей классификации использовалась так же цифровая модель рельефа (ЦМР) и производные на ее основе. На изучаемой территории представлены 6 категорий объектов: застройка, водные объекты, естественная растительность, сельскохозяйственные земли, территории, лишенные растительности, неиспользуемые земли. Общая точность определения оценивалась коэффициентом Каппа и составила 77% (максимальная) и 70% (минимальная) соответственно. Общая точность и статистика Каппа-классификации показывают, что MLС является одним из параметрических методов, который может быть использован в качестве алгоритма. В наилучшей степени на его ос-нове выделяются водные объекты и территории с естественным растительным покровом.

The present study was conducted in the Mendefer subzone, the fourth largest urban center in Eritrea, where government-funded projects have accelerated LULC dynamics. The bottleneck, however, is that data on urban change is largely missing, and the rate of impact is unknown. Remote sensing data is used to identify and reveal the latest land-use-land cover (LULC) information. Various methods and techniques have been developed to classify the images into various categories, which are still in process. The maximum likelihood classifier (MLC) was used as the algorithm for the supervised pixel-based approach for the study area. LANDSAT 8 OLI multispectral satellite images from February 2021, which were downloaded from the USGS website, were used for the study. Pre-processing was done in ENVI 5.3 to improve the images. This was followed by supervised image classification using maximum likelihood algorithms. The classified image was then processed for post-classification smoothing. In addition, Google earth pro was used to assess accuracy. During the preparation and creation of the study samples, auxiliary data, such as digital elevation model (DEM) and aspect, were used in conjunction with composite channels. Six land use and land cover classes were created for this study, namely development, water bodies, natural vegetation, agricultural areas, non-vegetated land cover, and unused land. The overall accuracy and kappa rates were 77% and 70%, respectively. The overall accuracy and kappa statistics of classification show that ML is one of the parametric methods that can be used as an algorithm, but it is not the best classification algorithm.

аспирант кафедры географии картографического факультета Московского государственного университета геодезии и картографии

доктор географических наук, заведующий кафедрой географии картографического факультета, Московский государственный университет геодезии и картографии

кандидат физико-математических наук, доцент кафедры высшей математики, Московский государственный университет геодезии и картографии

Amini S., Saber M., Rabiei-Dastjerdi H., Homayouni S. Urban Land Use and Land Cover Change Analysis Using Random Forest Classification of Landsat Time Series. Remote Sens. 2022. Vol. 14. No 11. https://doi.org/10.3390/rs14112654.

Hemati M., Hasanlou M., Mahdianpari M., Mohammadimanesh F. A Systematic Review of Landsat Data for Change Detection Applications: 50 Years of Monitoring the Earth. Remote Sens. 2021. Vol. 13. No. 15. https://doi.org/10.3390/rs13152869.

Taati A., Sarmadian F., & Mousavi A. Land Use Classification using Support Vector Machine and Maximum Likelihood Algorithms by Landsat 5 TM Images Digital soil mapping with machine learning and fuzzy logic approaches. View project Remote Sensing Analyses with R View project. Walailak Journal. 2015. Vol 12. No. 8. Pp. 681-6887. https://doi.org/10.14456/WJST.2015.33.

Horning N. 2004. Land cover classification methods, Version 1.0. American Museum of Natural History, Center for Biodiversity and Conservation. Available from http://biodiversityinformatics.amnh.org. (accessed on 17.01.2023).

Araya Y.H., & Hergarten C. A comparison of pixel and object-based land cover classification: A case study of the Asmara region, Eritrea. WIT Transactions on the Built Environment. 2008. Vol 100. Pp. 233-243. https://doi.org/10.2495/GEO080231.

Rwanga S.S., & Ndambuki J.M. Accuracy Assessment of Land Use/Land Cover Clas-sification Using Remote Sensing and GIS. International Journal of Geosciences. 2017. Vol 08. No 04. Pp. 611-622. https://doi.org/10.4236/ijg.2017.84033.

Hussain M., Chen D., Cheng A., Wei H., & Stanley D. Change detection from remotely sensed images: From pixel-based to objectbased approaches. In ISPRS Journal of Photogrammetry and Remote Sensing. 2017. Vol. 80. Pp. 91-106. Elsevier B.V. https://doi. org/10.1016/j.isprsjprs.2013.03.006 (assessed on 12.11.2022).

Oo T.K., Arunrat N., Sereenonchai S., Ussawarujikulchai A., Chareonwong U. Nutmagul W. Comparing Four Machine Learning Algorithms for Land Cover Classification in Gold Mining: A Case Study of Kyaukpahto Gold Mine, Northern Myanmar. Sustainability. 2022. Vol. 14. No. 17. 10754. https://doi.org/10.3390/su141710754.

Nivedita Priyadarshini K., Kumar M., Rahaman S.A., & Nitheshnirmal S. A Comparative study of advanced land use/land cover classification algorithms using Sentinel-2 data. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2018. Vol. XLII-5. Pp. 665-670. https://doi.org/10.5194/isprs-archives-xlii-5-665-2018.

Patil M.B., Desai C.G., & Umrikar B.N. Image classification tool for land use / land cover analysis: a comparative study of Maximum Likelihood and Minimum Distance Method. In Online) An Online International Journal Available at. 2012. Vol. 2. No. 3. http:// www.cibtech.org/jgee.htm.

Ministry of Land Water and Environment, Department of Environment. Support the Development of Legislative and Regulatory Framework and the Strengthening of Govern-ments Capacity for Effective Natural Resources Management. MoLWE-DoE: Asmara, Eritrea. 2005. Pp. 22-23.

Liping C., Yujun S., & Saeed S. (2018). Monitoring and predicting land use and land cover changes using remote sensing and GIS techniques - A case study of a hilly area, Jiangle, China. PLoS ONE. 2018. Vol. 13. No. https://doi.org/10.1371/journal. pone.0200493.

Waylen P., Southworth J., Gibbes C., & Tsai H. Time series analysis of land cover change: Developing statistical tools to determine significance of land cover changes in persistence analyses. Remote Sensing. 2014. Vol. 6. No. 5. Pp. 4473-4497. https://doi. org/10.3390/rs6054473.

Alkaradaghi K., Ali S.S., Al-Ansari N., & Laue J. Land Use Classification and Change Detection Using Multitemporal Landsat Imagery in Sulaimaniyah Governorate, Iraq. In Advances in Science, Technology and Innovation. 2019. Pp. 117-120. Springer Nature. https://doi.org/10.1007/978-3-030-01440-7_28.

Norovsuren B., Tseveen B., Batomunkuev V., Renchin T., Natsagdorj E., Yangiv A., & Mart Z. Land cover classification using maximum likelihood method (2000 and 2019) at Khandgait valley in Mongolia. IOP Conference Series: Earth and Environmental Science. 2019. Vol. 381. No. 1. https://doi.org/10.1088/1755-1315/381/1/012054.