Fusing Landsat and SAR Data for Mapping Tropical Deforestation through Machine Learning Classification and the PVts-β Non-Seasonal Detection Approach
| Autor: | Tarazona Coronel, Yonatan, Zabala Torres, Alaitz, Pons, Xavier, Broquetas, Antoni, Nowosad, Jakub, Zurqani, Hamdi A., American Program in GIS and Remote Sensing (Califòrnia), Arkansas Forest Resources Center (Estats Units) |
|---|---|
| Přispěvatelé: | Universitat Politècnica de Catalunya. Departament de Teoria del Senyal i Comunicacions, Universitat Politècnica de Catalunya. RSLAB - Grup de Recerca en Teledetecció |
| Rok vydání: | 2021 |
| Předmět: |
Time series
media_common.quotation_subject Synthetic aperture radar Space-based radar Excellence Machine learning Aprenentatge automàtic Imatges satel·litàries Deforestation Tropical deforestation media_common Remote-sensing images Tropics Geometrical optics language.human_language Radar imaging Statistical classification Deboscament Geography Mapping Enginyeria de la telecomunicació::Radiocomunicació i exploració electromagnètica::Teledetecció [Àrees temàtiques de la UPC] Work (electrical) Remote sensing (archaeology) language General Earth and Planetary Sciences Christian ministry Catalan Cartography |
| Zdroj: | UPCommons. Portal del coneixement obert de la UPC Universitat Politècnica de Catalunya (UPC) |
| DOI: | 10.6084/m9.figshare.15059403 |
| Popis: | This article focuses on mapping tropical deforestation using time series and machine learning algorithms. Before detecting changes in the time series, we reduced seasonality using Photosynthetic Vegetation (PV) index fractions obtained from Landsat images. Single and multi-temporal filters were used to reduce speckle noise from Synthetic Aperture Radar (SAR) images (i.e., ALOS PALSAR and Sentinel-1B) before fusing them with optical images through Principal Component Analysis (PCA). We detected only one change in the two PV series using a non-seasonal detection approach, as well as in the fused images through five machine learning algorithms that were calibrated with Cross-Validation (CV) and Monte Carlo Cross-Validation (MCCV). In total, four categories were obtained: forest, cropland, bare soil, and water. We then compared the change map obtained with time series and that obtained with the classification algorithms with the best calibration performance, revealing an overall accuracy of 92.91% and 91.82%, respectively. For statistical comparisons, we used deforestation reference data. Finally, we conclude with some discussions and reflections on the advantages and disadvantages of the detections made with time series and machine learning algorithms, as well as the contribution of SAR images to the classifications, among other aspects. Cet article porte sur la cartographie de la déforestation tropicale à l’aide de séries chronologiques et d’algorithmes d’apprentissage automatique. Avant de détecter les changements dans les séries temporelles, nous avons réduit la saisonnalité en utilisant les fractions de l’indice de végétation photosynthétique (PV) obtenues à partir des images Landsat. Des filtres mono et multitemporels ont été appliqués pour réduire le bruit de chatoiement des images RSO (Radar à synthèse d’ouverture) (c’est-à-dire ALOS PALSAR et Sentinel-1B) avant de les fusionner avec les images optiques par le biais de l’analyze en composantes principales (ACP). Nous avons détecté un seul changement à la fois dans les séries de PV en utilisant une approche de détection non saisonnière, ainsi que dans les images fusionnées, grâce à cinq algorithmes d’apprentissage automatique qui ont été calibrés par validation croisée (CV) et validation croisée de Monte-Carlo (MCCV). Au total, quatre catégories ont été obtenues: forêt, terres cultivées, sol nu et eau. Ensuite, nous avons comparé la carte des changements obtenue avec les séries temporelles et celle obtenue avec les algorithmes de classification les plus performants en matière de calibration, révélant une précision globale de 92.91% et 91.82% respectivement. Pour les comparaisons statistiques, nous avons utilisé des données de référence sur la déforestation. Enfin, nous concluons par des discussions et des réflexions sur les avantages et les inconvénients des détections effectuées avec les séries temporelles et les algorithmes d’apprentissage automatique, ainsi que sur la contribution des images RSO dans les classifications. The work of Yonatan Tarazona Coronel has been partially funded by American Program in GIS and Remote Sensing and National Program of Scholarships and Educational Credit (PRONABEC–Peru) through RJ: Nº 4276-2018- MINEDU/VMGI-PRONABEC-OBE and RJ: Nº 942-2019- MINEDU/VMGI-PRONABEC-OBE. Xavier Pons is the recipient of an ICREA Academia Excellence in Research Grant. The GRUMETS Research Group is partially supported by the Catalan Government under Grant SGR2017- 1690. This work has also been supported by the Spanish MCIU Ministry through the NEWFORLAND project (RTI2018-099397-B-C21 (MCIU/AEI/ERDF, EU)). |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|