A study on the urbanization of Bengaluru, India between 2015 and 2020 based on Sentinel-1/2 data

Availability of timely information about land-use and land-cover (LULC) changes is essential for understanding and modelling the urbanization pattern, and thereby in planning sustainable urban development of a region accordingly. Remote sensing technology, using Earth observation satellites, has emerged as a reliable tool for timely monitoring of changes anywhere on Earth. This project focusses on studying urbanization and LULC changes in Bengaluru, one of the fastest-growing metropolitan areas in India, between 2015 and 2020 using remotely sensed satellite images from Sentinel missions. LULC image classifications and change detection techniques were used for studying urbanization and LULC changes in the study area. Multispectral Sentinel-2 images of the area, from 2015 and 2020, were used for producing LULC classification maps for the respective years. The classification maps produced were then used for calculating changes in the area under different LULC classes including the urban class between 2015 and 2020. Change detection was performed using three different techniques viz, post-classification change detection, change vector analysis (CVA), and Sentinel-1 SAR based log-ratio method. An overall change map showing changes in LULC classes, and an urban change map showing changes in urban class were generated using each of the change detection methods. Accuracy assessment of the LULC classification maps and the change maps was performed using confusion matrices and kappa values. The study was implemented on Google Earth Engine (GEE) platform. The image classification results for 2015 and 2020 showed good accuracy with kappa values of 0.88 and 0.87 respectively. The results showed a substantial increase in the urban class area and a considerable decrease in area under park and agriculture classes. An increase in the urban class area by 18.70% between 2015 and 2020 was observed. Post-classification change detection and CVA methods performed with good accuracy levels (kappa > 0.8) in detecting LULC class changes using overall change maps. CVA method was found to provide the best results in detecting the LULC class changes. In detecting the urban class changes, post-classification change detection was found to provide the best results. However, the urban change maps produced using all the three methods provided a kappa value below 0.8, showing a moderate level of accuracy in identifying urban class changes. It was observed that the log-ratio method did not provide as good accuracy as the other two methods in detecting LULC changes and urban class changes. Tillgänglighet av aktuell information om ändringar i markanvändning och marköverdrag (LULC) är avgörande för att förstå och modellera urbaniseringsmönstret och därmed planera en hållbar stadsutveckling i en region. Fjärravkänningsteknik, som använder jordobservationssatelliter, har framstått som ett tillförlitligt verktyg för att övervaka ändringar överallt på jorden. Detta projekt fokuserar på att studera urbanisering och LULC-förändringar i Bengaluru, ett av de snabbast växande storstadsområdena i Indien, mellan 2015 och 2020 med hjälp av fjärranalyserade satellitbilder från ett flertal Sentinel-uppdrag. LULC -bildklassificeringar och tekniker för förändringsdetektering användes för att studera urbanisering och LULC -förändringar i studieområdet. Multispektrala Sentinel-2-bilder av området, från 2015 och 2020, användes för att ta fram LULC-klassificeringskartor för respektive år. Klassificeringskartorna som producerades användes sedan för att beräkna förändringar i tätorten och andra LULC-klassområden mellan 2015 och 2020. Förändringsdetektering utfördes med hjälp av tre olika tekniker, nämligen efterklassificering av ändringsdetektering, förändringsvektoranalys (CVA) och log- förhållande metod. En övergripande förändringskarta som visar förändringar i LULC-klasser och en stadsförändringskarta som visar förändringar i stadsklass genererades med var och en av metoderna för att identifiera förändringar. Noggrannhetsbedömning av LULC-klassificeringskartorna och förändringskartorna utfördes med förvirringsmatriser och beräkning av kappavärden. Studien utfördes på plattformen Google Earth Engine (GEE). Bildklassificeringsresultaten för 2015 och 2020 visade god noggrannhet med kappavärden på 0,88 respektive 0,87. Resultaten visade en väsentlig ökning av urbana klassområdet och en betydande minskning av området under park- och jordbruksklasser. En ökning av urbana klassområdet med 18,70% mellan 2015 och 2020 observerades. Efterklassificering av förändringsdetektering och CVA-metoder utfördes med goda noggrannhetsnivåer (kappa > 0,8) för att upptäcka LULC-klassändringar med övergripande förändringskartor. CVA-metoden visade sig ge bästa resultat för att upptäcka LULC -klassändringar. Vid upptäckten av förändringar i urbana klasser visade det sig att efterklassificering av förändringar gav de bästa resultaten. Stadsförändringskartorna som producerades med alla tre metoderna gav emellertid ett kappavärde under 0,8, vilket visar en måttlig noggrannhet vid identifiering av urbana klassförändringar. Det observerades att log-ratio-metoden inte gav lika god noggrannhet som de två andra metoderna för att upptäcka LULC-förändringar och urbana klassförändringar