Object-Based Image Analysis (OBIA) and Machine Learning (ML) Applied to Tropical Forest Mapping Using Sentinel-2

Abstract

The purpose of this research was to distinguish and estimate natural forest areas at Paraná, Brazil. Forest plantations (Silviculture) and natural forests have high annual vegetative vigor, as well as agricultural areas in the periods of agricultural harvests, which can bring classification errors between these classes of Land Use and Land Cover (LULC), these classes have similar spectral signatures, but have a distinct texture that can be separated in the supervised classification process, with the joining of object and pixel-to-pixel classification method approaches. Thus, image segmentation techniques through Object-Based Image Analysis (OBIA) and Machine Learning (ML) made forest mapping possible over a large territorial extension. The Google Earth Engine (GEE) platform was used to calculate the vegetation indices (VIs) and Spectral Mixture Analysis (SMA) fraction spectral from Sentinel-2 images, and the creation of homogeneous spectrally shaped regions under supervised classification of phytoecological regions and mesoregions. The overall precision obtained in the mappings resulted in 0.94 Kappa Index (KI) and 96% of Overall Accuracy (OA), which indicates a high performance in large-scale forest mapping. The proposed dataset, source codes and trained models are available on Github (https://github.com/Cechim/simepar-brazil/), creating opportunities for further ad vances in the field.

Résumé

Le but de cette recherche était de distinguer et d’estimer les superficies forestières indigènes du Paranà, au Brésil. Les plantations forestières (sylviculture) et les forêts naturelles ont une vigueur végétative annuelle élevée de même que les zones agricoles pendant les périodes de récoltes agricoles, ce qui peut entrâıner des erreurs de classification entre ces trois classes d’utilisation des terres (LULC). Ces classes ont des signatures spectrales similaires, mais ont une texture distincte qui peut être séparée dans le processus de classification supervisée en combinant les méthodes de classification par objet et par pixel. Ainsi, les techniques de segmentation d’images par l’analyse basée sur les objets (OBIA) et l’apprentissage automatique (ML) ont rendu possible la cartographie forestière sur un grand territoire. La plate-forme Google Earth Engine (GEE) a été utilisée pour calculer les indices de végétation (VIs), pour analyser les mélanges spectraux (SMA) d’images Sentinel-2, et pour créer des régions spectralement ho-mogènes lors de la classification supervisée des régions phytoécologiques et des mésorégions. Les classifications résultantes ont obtenu un indice Kappa (KI) global de 0,94 et une précision globale (OA) de 96%, ce qui indique une performance élevée dans la cartographie forestière à grande échelle. L’ensemble de données, les codes sources et les modèles entrâınés sont disponibles sur Github1, ce qui ouvre la voie à de nouvelles avancées dans ce domaine.

Acknowledgment

The authors would like to thank the Academic Publishing Advisory Center (Centro de Assessoria de Publicação Acadêmica, CAPA – www.capa.ufpr.br) of the Federal University of Paraná (UFPR) for assistance with English language translation and developmental editing.

Disclosure statement

No potential conflict of interest was reported by the author(s).

Additional information

Funding

This work was supported by the Federal University Paraná (UFPR) and Technology System and Environmental Monitoring of Paraná (SIMEPAR).