The Use of Spatial and Non-Spatial Information Systems/Analyses for Predicting Crop Dynamics in the Nile Delta, Egypt

The objectives of this paper are to develop a new approach to crop-dynamics prediction, based solely on geomatics technology, and secondarily, to apply this approach in order to monitor future crop dynamics in the Nile Delta of Egypt. The pattern of crop green-up is examined by statistical analysis NOAA NDVI (Normalized Difference Vegetation Index) satellite imagery. The analysis focusses on November 1998 to April 1999, a winter-crop calendar. It also examines the sustainability of land to support various crops, that is, is cropping land area being decreased or increased over time. Crop coverage is predicted using a combination of logistic regression spatial analysis and Markov non-spatial analysis. The combined approach developed for this study capitalizes on the strengths of each technique—the Markov analysis was used to predict the actual number of landscape units (pixels) expected to show cropping pattern changes, while logistic regression was used to identify the spatial distribution of the Markov prediction. The results of this study indicate that when Markov and logistic regression models are used, each approach compensates for the limitations of the other.

Les objectifs de cet article sont, dans un premier temps, de développer une nouvelle approche de la prévision des dynamiques des récoltes, basée uniquement sur la technologie géomatique, et dans un second temps d'appliquer cette approche pour surveiller la dynamique de récolte dans le Delta du Nil en Egypte. La distribution de la germination est examinée par analyse statistique basée sur l'Indice de végétation différence normalisée (NDVI) d'imageries satellitales (NOAA). L'analyse examine la période de novembre 1998 à avril 1999, la période des récoltes d'hiver. L'article examine également le potentiel des terres pour porter les différentes récoltes, à savoir si la surface de récolte diminue ou augmente dans le temps. La couverture est prédite en combinant une analyse spatiale de régression logistique et une analyse non-spatiale markovienne. Cette approche combinée développée pour cette étude s'appuie sur les acquis de chaque technique—l'analyse markovienne est utilisée pour prédire le nombre de pixels que l'on estime avoir changé de type de récolte, alors que la régression logistique est utilisée pour identifier la distribution spatiale de la prévision markovienne. Les résultats de cette étude indiquent que quand les modèles markovien et de régression logistique sont utilisés, chaque approche compense les limitations de l'autre.