Enhanced Mapping for Ecosystem Management: Evaluating the Accuracy of Sentinel-1 and Sentinel-2 Data Fusion Compared to Sole Sentinel-2 Using Random Forest Classification
Notice bibliographique
Résumé
Recent advances in satellite technology have brought enormous potential to ecosystem mapping, which is one of the fundamental components of environmental studies. In this paper, a Random Forest classifier is applied for the strict assessment of the efficiency of ecosystem mapping through a detailed comparative analysis between combined Sentinel-1 and Sentinel-2 data and stand-alone Sentinel-2 imagery over three priority ecosystems, including wetlands, riverine areas, and mangroves in Bangladesh. The collocated images, based on the integration of Sentinel-1 data with Sentinel-2 data, would do better than Sentinel-2 imagery alone over various ecosystems. Particularly, in this study, attention focused on the Hakaluki Haor area for the wetlands, the Padma-Jamuna River confluence for the riverine ecosystem, and the Sundarban forest for mangroves. By leveraging Synthetic Aperture Radar (SAR) data in C-band dual-polarization from Sentinel-1 and four spectral bands (blue, green, red, and near-infrared) from Sentinel-2, the study analyzes imagery from December 2022 to February 2023. A 5% cloud masking filter is applied to optical data to enhance accuracy. In this methodology, 70% of the total signature values are used for training the classification model and the remaining 30% for testing. It can be noticed from the results that with the use of fused data, remarkably high accuracy in classification has been improved, such as overall accuracies of 94.17% for mangroves, 87.30% for riverine, and 85.96% for wetland ecosystems. In contrast, the use of singular Sentinel-2 imagery yields lower accuracies of 91.56%, 85.21%, and 82.51% for the respective ecosystems. The integration of radar data is shown to provide critical information, especially in environments with dense vegetation or cloud cover, where optical data alone may be insufficient. The findings of this study underline the limitations of relying on Sentinel-2 imagery to capture complex details of diverse ecosystems and highlight the need to include Sentinel-1 data for a more holistic analysis. This fusion allows improved accuracy to be achieved, which not only brings in more depth of ecological knowledge but also underpins more effective conservation strategies.
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 | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».