Evaluating satellite data and deep learning for identifying direct deforestation drivers in Cameroon
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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 (e.g. focusing on specific areas and actions, designing measures to address specific drivers) have been rare. In this paper, using a new country-specific dataset created for this task, we test whether deep learning with optical satellite data can reliably identify direct drivers of deforestation in Cameroon. We compare the effectiveness of two types of freely available optical satellite imagery of differing spatial resolutions: Landsat-8 (30 m) and NICFI PlanetScope (4.77 m). Since it can be challenging to know which collections are best suited for specific applications, we tested different ones to find the optimal approach. Our detailed classification strategy includes fifteen direct deforestation drivers for forest loss events taking place between 2015 and 2020. We obtain a macro-average F1 score of 0.77 with Landsat-8 data, and a macro-average F1 score of 0.65 with 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. Using only a single-image approach, we achieve F1 scores above 0.65 for all classes except ‘Oil palm plantation’, ‘Hunting’ and ‘Fruit plantation’ with Landsat-8. Our results demonstrate the potential of this approach to monitor and analyse land-use changes leading to deforestation with more refined classes than before. Further, our study demonstrates the potential of leveraging existing available datasets and straightforwardly adapting a generalised framework for other regions experiencing rapid deforestation with only 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.
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 | 0,001 | 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 découle