Mongolian Central region land cover changes studies by Tungaa

1. Tungalag A, Tolmon R
NUM-ITC-UNESCO Space Science/Remote Sensing
International Laboratory, National University of Mongolia
GIS Meeting
8 October 2014, Ulaanbaatar, Mongolia

2. Remote Sensing/GIS in Mongolia
Introduction
Mongolia has a big territory,
remote sensing offers a unique
access to primary data about
the research of land surfaces.
•Economically beneficial
•Accessible unreachable places
•Natural Disaster vulnerable

3. Introduction (cont)
Desertification in Mongolia

4. LAND DEGRADATION

5. Судалгааны муж
Судалгаанд хамрагдсан талбай, MODIS хиймэл дагуул, 250 м

6. Ашигласан мэдээ
Band 2 Band 3
SPOT /VEG/ хиймэл дагуулын 1 км-ийн нарийвчлалтай
•B2 (спектрийн шийд нь 0,61-0,68)
•B3 (спектрийн шийд нь 0,79-0,89) сувгийн болон
NDVI-ийн 1998-2007 оны жил бүрийн VI, VII, VIII-р сар

7. Ашигласан мэдээ
Тус судалгаанд LANDSAT (TM, ETM) хиймэл дагуулын, 30м-ийн
нарийвчлалтай (path 134, row 28)
1989 оны 08 сарын 25
1999 оны 07 сарын 22
Энэ мэдээ нь хугацааны хувьд харьцуулахад нэлээд тохиромжтой 8
жилийн зайтай ойролцоо хугацааны мэдээ юм.

8. Ашигласан мэдээ
Хур тунадас, температурын мэдээ: 1981-2007 оны 6,7,8
сарын хур тунадас, температурын мэдээ болон газрын
хэмжилтийн мэдээнүүд
Нийгэм статистикийн мэдээ: Өвөрхангай аймгийн сум
тус бүрийн 1981-2007 оны малын тоо, 2000-2006 оны
хоорондох хүн амын тоог тус тус ашигласан.

9. Аргазүй
SPOT хиймэл дагуулын сувгийн мэдээг ашиглан хөрсний
чийгээс хамаарсан ургамлын индекс буюу MSAVI /Modified Soil
Adjusted Vegetation Index/, ургамлын нормчилсон индекс буюу
NDVI /Normalized Difference Vegetation Index/-ийг тооцоолсон.
Зайнаас тандан судлал

10. Аргазүй
Soil-adjusted vegetation index (SAVI)
SAVI = NIR -
RED +
• NIR (Near Infra Red)-Ойрын нил улаан туяаны муж
• Red- үзэгдэх гэрлийн муж
• L-сонгож авсан хүчин зүйл
Huete, 1988
* (1 L)
NIR + RED +
L
Зайнаас тандан судлал

11. Аргазүй
Ки болон бусад эрдэмтэд (1994) SAVI дээр үндэслэн дүрс
мэдээнд ашиглах боломж бүхий дараагийн дэвшилттэй
хувилбарыг боловсруулж Modified Soil Adjusted Vegetation
Index буюу MSAVI гэж нэрлээд дараах томъёог гаргасан
úû ù
êë é MSAVI = NIR + - NIR + - NIR - RED
2 2 1 (2 1) 8( ) / 2 2
Зайнаас тандан судлал

12. Аргазүй
Газарзүй мэдээллийн системийн нөхцөлт функц
/Map Algebra Conditional function/
Дараах нөхцөлийг газрын бодит хэмжилтийн үр дүнд
тулгуурлан тооцоолсон.
con ( [ямаа] > 20000, con ([MSAVI] < 0.35, 1, 0) ,0)
con ( [хүн ам] > 6500, con ([уурхай] > 1, 2, 0) ,0)
con ( [температур > 16, con ([хур тунадас] < 10, 3, 0) ,0)
Газарзүй мэдээллийн систем

13. Доройтлын хэмжигдэхүүн
0 6
MSAVI
температур
Хур тунадас
Хүн ам
Уурхай
Ямаа
Аргазүй
Газарзүй мэдээллийн систем

14. Дүн шинжилгээ
SPOT хиймэл дагуулын 1998-2007 оны VI, VII, VIII сарын
нийлмэл мэдээ тус бүр дээр боловсруулалт хийж
Өвөрхангай аймгийн хэмжээнд ургамалжилтын ерөнхий
төлөв байдлыг харуулсан MSAVI-ийн ангилалын
зураглалыг гарган авсаныг дараах байдлаар харуулав.

15. Өвөрхангай аймгийн
газрын бүрхүүлийн 10
жилийн өөрчлөлтийг
MSAVI-ийн утгаар
Дүн шинжилгээ

16. Дүн шинжилгээ
Дээрх боловсруулалтаас онги голын сав газрын ургамалжилтыг
хамарсан талбайн (MSAVI утгаар ангилсан олон жилийн зураг тус бүр
дээр тооцож гаргасан талбайн эзэлхүүн) 10 жилийн өөрчлөлтийн
графикийг үзүүлэв.

17. Дүн шинжилгээ
Өвөрхангай аймгийн сумдуудаас экосистемийн доройтолд хамгийн ихээр
өртөөд байгаа буюу Онги голын сав нутагд хамрагдах сумдын VI, VII,
VIII-р сарын MSAVI-ийн дундаж утгыг бусад сумдтай харьцуулсан
байдлыг дараах график-д үзүүлэв.
0.500000
0.450000
0.400000
0.350000
0.300000
0.250000
0.200000
0.150000
0.100000
0.050000
0.000000
1998 1999 2000 2001 2002 2003 2004 2005 2006 2007
Онги голын сав
Бусад сумд
Өвөрхангай аймгийн нийт сумдын MSAVI-ийн өөрчлөлт

18. NDVI
1999.7.23 í û Landsat
50
45
40
35
30
25
20
15
10
5
0
0= 0-0,1 0,1-0,2 0,2-0,3 0,3-0,4 0,4-0,5 >0,5
NDVI óòãà
Ýçëýõ òàëáàé, %
Àëòí û óóðõàéí á¿ñýä Óóðõàéãààñ ãàäí àõ 1 êì -èéí áóô åð á¿ñýä
NDVI
1989.06.09-í û Landsat
Analysis
50
45
40
35
30
25
20
15
10
5
0
0= 0-0,1 0,1-0,2 0,2-0,3 0,3-0,4 0,4-0,5 >0,5
NDVI óòãà
Ýçëýõ òàëáàé, %
NDVI
Î äî î ãèéí óóðõàéí òàëáàé Î äî î ãèéí óóðõàéãààñ 1 êì -èéí áóô åð á¿ñýä
y = -0.0202x + 0.468
0.6
0.4
0.2
0
precipitation
y = 0.4339x + 45.433
80
60
40
20
0
temperature
y = 0.0279x + 14.887
20
15
10
5
0
population
y = 465.13x + 6206.8
15000
10000
5000
0
mining
y = 2.7212x + 1.5333
40
30
20
10
0
goat
y = 5376.3x + 14479
100000
80000
60000
40000
20000
0
Factors in land degradation for Uynga soum

19. Дүн шинжилгээ
Экосистемийн доройтолд нөлөөлөх тодорхой хүчин зүйлсүүдийг
ашиглан доройтлын зураглалыг тухайн аймгийн сум тус бүр дээр
ГМС-ийн Map Algebra функц, командуудын тусламжтайгаар нарийн
тооцоолон гаргасан.
Өвөрхангай аймгийн хэмжээнд газрын доройтолд өртсөн байдлыг
сум тус бүр дээр нь харуулав

20. Дүн шинжилгээ
120.00
100.00
80.00
60.00
40.00
20.00
0.00
Хархорин
Бүрд
Хужирт
Бат-Өлзий
Баян-
Зүүнбаян-
Уянга
Тарагт
Хайрхан
Сант
Нарийн
Баянгол
Төгрөг
Гучин-Ус
Баруунбая
Богд
Зүйл
Өлзийт
%
Доройтлын хэмжээ (%)
NDVI
Газарзүйн мэдээллийн системийн MAP ALGEBRA FUNCTION
командын тусламжтайгаар тухайн газрыг доройтолд өртөж буй
эсэхийг үнэн бодитойгоор цаг алдалгүй хямд зардлаар зайнаас
тандан судалж тодорхойлох өндөр боломжтойг харуулж, судалгаа
хийсэн газар нутгийн хэмжээнд тодорхой үр дүн гаргаж авсныг
бодит байдалтай (NDVI) харьцуулсан байдал

21. Дүгнэлт
Өвөрхангай аймгийн нийт сумдын ургамалжилтийн сүүлийн
10жилийн өөрчлөлтөөс харахад уул уурхайн үйл ажиллагаа
явуулж байгаа газар болох Онги голын сав газрын MSAVI-нь
бусад сумдынхаас ямагт бага байгаа нь голын сав газарт газрын
доройтол явагдаж байна гэдгийг харуулж байна.
Онги голын сав газрын нийт ургамалжилтын доройтол сүүлийн
арван жилийн хугацаанд нэмэгдсэн хандлагатай байна. Энэ нь
хүний буруутай үйл ажиллагаа болон ялангуяа уурхайн үйл
ажиллагаанаас ихээхэн хамааралтай байгаа нь дээрх анализ үр
дүнгүүдээс дүгнэж болох юм.
Газарзүй мэдээллийн системийг ашиглаж тухайн бүс нутгийн сум
тус бүрээр доройтсон байдлыг үнэлсэн нь үнэн бодит байдалтай
таарсан дэвшилттэй үр дүн болсон юм.

22. CHANGE DETECTION

23. Objectives
-To apply change detection technique and
supervised classification using radiometric and
geometric corrected data for Landsat Image from
years 2002 and 2007.
-To determine mining activity is dangerous
impacted for land degradation.

24. LANDSAT DATA
COST Atmospheric
correction
1. Ground truth
-529 sample points from
high Google Earth
2. Socio-Economic
-Climate and Statistic data
Supervised classification
- Maximum Likelhood
Land
cover
mapping
Discussion and future
research
Change Vector Analysis
-Matlab algorithms
The flow chart of the monitoring
Change Detection
Mapping

25. Image preprocessing

26. Digital Image processing of satellite images can be divided into:
 Pre-processing
 Enhancement and Transformations
 Classification and Feature extraction
Preprocessing consists of:
Geometric correction: conversion of data to ground coordinates by removal of
distortions from sensor geometry
Radiometric Correction: removal of sensor or atmospheric 'noise', to more
accurately represent ground conditions:
to correct data loss, remove haze, enable mosaicking and comparison

27. Radiometric correction is used to modify DN values to account for
noise, i.e. contributions to the DN that are a result of…
a. the intervening atmosphere
b. the sun-sensor geometry
c. the sensor itself
We may need to correct for the following reasons:
a. Variations within an image (speckle or striping)
b. between adjacent or overlapping images (for mosaicking)
c. between bands (for some multispectral techniques)
d. between image dates (temporal data) and sensors

28. Classification
Supervised classification – a procedure where the analyst
guides or supervises the classification process by specifying
numerical descriptors of the land cover types of interest
Unsupervised classification – the computer is allowed to
aggregate groups of pixels into like clusters based upon
different classification algorithms

29. Multiband Classification Approaches
 Minimum distance classifiers
 Parallelepiped classifiers
 Maximum likelihood classifiers
 Decision trees
 and others

30. Maximum likelihood classifiers
Based on a probability function derived from a
statistical distribution of reflectance values

31. Methodology
COST atmospheric correction.
-The inputs to the model are the Earth-Sun Distance, sun
elevation angle, and minimum DN values for each band.
The model first converts each minimum DN value to an
at-satellite minimum spectral radiance value:
Lsat = bias + gain * DN (2)
(Landsat 7 Science Data Users Handbook)

32. Reflectance conversion + atmospheric correction
(COST)
REF= (PI*(Lsat-Lhaze))
(TAUv*(Eo*Cos(TZ)*TAUz+Edown))
Lhaze: upwelling spectral radiance (path radiance), value derived from
image using dark-object criteria; Calculated by using the dark object criteria
(lowest value at the base of the slope of the histogram from either the blue
or green band)
TAUv: atmospheric transmittance along the path from ground to sensor,
assumed to be 1 because of nadir look angle
Eo: solar spectral irradiance
TZ: solar zenith angle, ThetaZ
TAUz: atmospheric transmittance along the path from the sun to the ground
surface,
Edown: downwelling spectral irradiance at the atmosphere
Chavez, P.S. Jr (1996). Image-based atmospheric corrections – revisited and improved.
Photogrammetric Engineering and Remote Sensing 62, 1025-1036.

33. COST REFERENCE

34. Analysis
Results of COST Radiometric correction

35. Methodology
 UNSUPERVISED change detection plays an important role in many
application domains related to the exploitation of multitemporal remote
sensing images. The availability of images acquired on the same geographical
area by satellite sensors at different times makes it possible to identify and
label possible changes that have occurred on the ground
 Change vector analysis first computes a multispectral difference image (XD )
subtracting the spectral feature vectors associated with each corresponding
spatial position in the two considered images X1 and X2 . Let XD be the
multidimensional random variable representing the spectral change vectors in
the difference image obtained as follows :
XD = X2 − X1 [1]
(Francesca Bovolo, and Lorenzo Bruzzone, University of Trento)

36. Methodology
Supervised Classification (Maximum Likelihood)
In order to make land cover legends, we used the
baseline legends definitions from NELDA research.
The assessment for 7 aggregated land cover classes
included (APN report, 2010)

37. RESEARCH RESULTS

38. Test site-1
Change detection in the area of Illegal gold miners, 2002 and 2007 years,
Landsat Image

41. Test site-2
Change detection in the area of Domestic Investment company
(2002 and 2007 years, Landsat Image)

42. Test site-3
Change detection in the area of Foreign Investment company, 2002 and 2007 years,
Landsat Image

45. 2002 2007
Mining site, Landsat Image, MSAVI2
2 2 1 (2 1) 8( ) / 2 2
úû ù
êë é
MSAVI = NIR + - NIR + - NIR - RED

46. 2002 2009
Pasture land

47. Contribution to Land Degradation
Land degradation has been identified as one the
priority concerns. Causes of land degradation can be
divided into two categories natural and human
induced .
Natural cause: - Climate changes
- Dust and sand storms
….
Human induced: - Mining
- Pasture Degradation
/Overgrazing/

48. Discussion and Recommendation
This study contributes to the research which involves policy
makers and stakeholders to define and negotiate relevant
scenarios in participatory approaches in the local area and to
the studies about linking people to pixels.
This case study will enable our researchers to plan for the
future by making more educated decisions in issues
stemming from mining, land degradation, water pollution
and the potential health issues related to these
environmental problems.
 We will do discussion among participatory mining land
and local people on mining awareness and land degradation.
Also handouts for local environmentalists will be
distributed.

49. ENVIRONMENTALIMPACT ANALYSIS
IN ECONOMIC GROWTH:
THE CASE OF MONGOLIA
UNIVERSITÀ DEGLI STUDI DI TORINO
Oyunjargal Jaltsav, Tungalag A

50. The thesis of the work tested how environmental elements effect to current
Mongolian economic growth, which is growing economy becase of minig
sector.
The study extends the Solow model and the Ramsey-Cass-Koopmans model,
including environmental elementswhich are setallite data degraded land and
vegetation value that analyzed from Num-itc-Unesco space science and
remote: sensing international laboratory of National University of
Mongolia., between the 1995-2013.
A description of the methodology of the study conducted follows together
with thedata collected and econometric estimations and calibration with
environmental elements.
The concluding chapter will show the effects of the environmental elements of
Mongolian economy.

51. Source: http://www.mram.gov.mn/pdac/ (Mineral Resource Authority of Mongolia)

52. The three pillars or principles of sustainable development
Figure source: http://www.cei-bois.org/en/roadmap-2010/wood-in-sustainable-development

53. Investment for environment protect and
rehabilitation

55. Degraded land of Mongolia,
1997
2013

56. Therefore, degraded land and vegetation index
have indirect relation.

57. Thank you
tungalag0504@gmail.com
,