Near real-time deforestation detection in Malaysia and Indonesia using change vector analysis with three sensors
Notice bibliographique
Résumé
Malaysia and Indonesia have been affected by deforestation caused in great part by the proliferation of oil palm plantations. To survey this loss of forest, several studies have monitored these southeast Asian nations with satellite remote sensing alert systems. The methods used have shown potential for this approach, but they are limited by imagery with coarse spatial resolution, low revisit times, and cloud cover. The objective of this research is to improve near real-time operational deforestation detection by combining three sensors: Sentinel-1, Sentinel-2 and Landsat-8. We used Change Vector Analysis to detect changes between non-affected forest and images under analysis. The results were validated using 166 plots of undisturbed forest and confirmed deforestation events throughout Sabah Malaysian State, and from 70 points from drone pictures in Sumatra, Indonesia. Sentinel-2 and Landsat-8 yielded sufficient results in terms of accuracy (less than 11% of commission and omission error). Sentinel-1 had lower accuracy (14% of commission error and 28% of omission error), probably resulting from geometric distortions and speckle noise. During the high cloud-cover season optical sensors took about twice the time to detect deforestation compared to Sentinel-1 which was not affected by cloud cover. By combining the three sensors, we detected deforestations about 8 days after forest clearing events. Deforestations were only detectable during approximately the first 100 days, before bare soils were often coved by legume crop. Our results indicate that near real-time deforestation detection can reveal most events, but the number of false detections could be improved using a multiple event detection process.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».