Enhancing Wetland Mapping: Integrating Sentinel-1/2, GEDI Data, and Google Earth Engine
Notice bibliographique
Résumé
Wetlands are amongst Earth's most dynamic and complex ecological resources, serving productive and biodiverse ecosystems. Enhancing the quality of wetland mapping through Earth observation (EO) data is essential for improving effective management and conservation practices. However, the achievement of reliable and accurate wetland mapping faces challenges due to the heterogeneous and fragmented landscape of wetlands, along with spectral similarities among different wetland classes. The present study aims to produce advanced 10 m spatial resolution wetland classification maps for four pilot sites on the Island of Newfoundland in Canada. Employing a comprehensive and multidisciplinary approach, this research leverages the synergistic use of optical, synthetic aperture radar (SAR), and light detection and ranging (LiDAR) data. It focuses on ecological and hydrological interpretation using multi-source and multi-sensor EO data to evaluate their effectiveness in identifying wetland classes. The diverse data sources include Sentinel-1 and -2 satellite imagery, Global Ecosystem Dynamics Investigation (GEDI) LiDAR footprints, the Multi-Error-Removed Improved-Terrain (MERIT) Hydro dataset, and the European ReAnalysis (ERA5) dataset. Elevation data and topographical derivatives, such as slope and aspect, were also included in the analysis. The study evaluates the added value of incorporating these new data sources into wetland mapping. Using the Google Earth Engine (GEE) platform and the Random Forest (RF) model, two main objectives are pursued: (1) integrating the GEDI LiDAR footprint heights with multi-source datasets to generate a 10 m vegetation canopy height (VCH) map and (2) seeking to enhance wetland mapping by utilizing the VCH map as an input predictor. Results highlight the significant role of the VCH variable derived from GEDI samples in enhancing wetland classification accuracy, as it provides a vertical profile of vegetation. Accordingly, VCH reached the highest accuracy with a coefficient of determination (R2) of 0.69, a root-mean-square error (RMSE) of 1.51 m, and a mean absolute error (MAE) of 1.26 m. Leveraging VCH in the classification procedure improved the accuracy, with a maximum overall accuracy of 93.45%, a kappa coefficient of 0.92, and an F1 score of 0.88. This study underscores the importance of multi-source and multi-sensor approaches incorporating diverse EO data to address various factors for effective wetland mapping. The results are expected to benefit future wetland mapping studies.
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 ».