Comparing Sentinel-2 MSI and Landsat 8 OLI Imagery for Monitoring Selective Logging in the Brazilian Amazon
Notice bibliographique
Résumé
Imagery from medium resolution satellites, such as Landsat, have long been used to map forest disturbances in the tropics. However, the Landsat spatial resolution (30 m) has often been considered too coarse for reliably mapping small-scale selective logging. Imagery from the recently launched Sentinel-2 sensor, with a resampled 10 m spatial resolution, may improve the detection of forest disturbances. This study compared the performance of Landsat 8 and Sentinel-2 data for the detection of selective logging in an area located in the Brazilian Amazon. Logging impacts in seven areas, which had governmental authorization for harvesting timber, were mapped by calculating the difference of a self-referenced normalized burn ratio (ΔrNBR) index over corresponding time periods (2016–2017) for imagery of both satellite sensors. A robust reference dataset was built using both high- and very-high-resolution imagery. It was used to define optimum ΔrNBR thresholds for forest disturbance maps, via a bootstrapping procedure, and for estimating accuracies and areas. A further assessment of our approach was also performed in three unlogged areas. Additionally, field data regarding logging infrastructure were collected in the seven study sites where logging occurred. Both satellites showed the same performance in terms of accuracy, with area-adjusted overall accuracies of 96.7% and 95.7% for Sentinel-2 and Landsat 8, respectively. However, Landsat 8 mapped 36.9% more area of selective logging compared to Sentinel-2 data. Logging infrastructure was better detected from Sentinel-2 (43.2%) than Landsat 8 (35.5%) data, confirming its potential for mapping small-scale logging. We assessed the impacted area by selective logging with a regular 300 m × 300 m grid over the pixel-based results, leading to 1143 ha and 1197 ha of disturbed forest on Sentinel-2 and Landsat 8 data, respectively. No substantial differences in terms of accuracy were found by adding three unlogged areas to the original seven study sites.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».