Evaluating satellite data and deep learning for identifying direct deforestation drivers in Cameroon
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.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».