Identifying direct deforestation drivers in Cameroon using deep learning and optical satellite data
Notice bibliographique
Résumé
Deforestation rates have been increasing in the Congo Basin in recent years, especially in Cameroon. To support actions to slow deforestation, Earth Observation (EO) has been used extensively to detect forest loss, but approaches to automatically identify specific drivers of deforestation in a level of detail that allows for intervention prioritisation have been rare. In this paper, we use deep learning to classify direct deforestation drivers in Cameroon and create a country-specific dataset for this task. We also compare the effectiveness of two types of freely available optical satellite imagery: Landsat-8 (pan-sharpened to a 15 m spatial resolution) and NCIFI PlanetScope (4.77 m spatial resolution). Our detailed classification strategy includes 15 direct deforestation drivers for forest loss events taking place between 2015 and 2020. We obtain an overall accuracy of 82% (F1-score: 0.82) with Landsat-8 data and an overall accuracy of 76% (F1-score: 0.76) for NICFI PlanetScope. Despite a coarser spatial resolution, Landsat-8 performs better than NICFI PlanetScope overall, including for small-scale drivers, although results vary by class. With Landsat-8, using only a single-image approach, we achieve an accuracy of at least 70% for all classes except for ‘Hunting’, ‘Oil palm plantation’, and ‘Fruit plantation’. These results show the potential of using this approach to monitor or analyse land-use changes leading to deforestation with more refined classes than before. In addition, our study demonstrates the potential of leveraging existing available datasets and straightforwardly adapting a generalised framework for other tropical locations with a relatively small amount of location-specific data.
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 | 0,001 | 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 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».