The Second Generation Canadian Wetland Inventory Map at 10 Meters Resolution Using Google Earth Engine

Abstract

Recently, there has been a significant increase in efforts to better inventory and manage important ecosystems across Canada using advanced remote sensing techniques. In this study, we improved the method and results of our first-generation Canadian wetland inventory map at 10-m resolution. Iin order to increase wetland classification accuracy, the main contributions of this new study are adding more training data to the classification process and training Random Forest (RF) models on the Google Earth Engine (GEE) platform within the boundaries of ecozones rather than provinces. A considerable effort has been devoted to data collection, preparation, standardization of datasets for each ecozone. The data cleaning reveals a data gap in several Northern ecozones. Accordingly, high-resolution optical data, from Worldview-2 and Pleiades, were acquired to delineate wetland training data based on visual interpretation in those regions. By using this well-distributed training data, this second generation wetland inventory map represents an improvement of 7% compared to the first generation map. Accuracy varied from 76% to 91% in different ecozones depending on available resources. Furthermore, the results of RF variable importance, which was carried out for each ecozone, demonstrate that $\frac{{{|S}_{VV}^{\mathrm{ }}|}^2}{{{|S}_{VH}^{\mathrm{ }}|}^2}$ and NDVI extracted from Sentinel-1 and Sentinel-2 data, respectively, were the most important features for wetland mapping.

RÉSUMÉ

Récemment, on a constaté une augmentation significative des efforts visant à mieux inventorier et gérer les écosystèmes importants au Canada en utilisant des techniques de télédétection avancées. Dans le cadre de cette étude, nous avons amélioré la méthode et les résultats de notre carte de l'inventaire canadien des milieux humides de première génération à une résolution de 10 m. Afin d'accroître la précision de la classification des milieux humides, les principales contributions de cette nouvelle étude sont l'ajout de donnees d’apprentissage supplémentaires au processus de classification et la formation de modèles de forêts aléatoires (FA) sur la plateforme Google Earth Engine (GEE) dans les limites des écozones plutôt que des provinces, Un effort considérable a été consacré à la collecte de données, à la préparation, et à la normalisation des ensembles de données pour chaque écozone. Le nettoyage des données a révélé un manque de données dans plusieurs écozones nordiques. En conséquence, des données optiques à haute résolution, provenant de Worldview-2 et de Pléiades, ont été acquises pour délimiter les zones d’apprentissage des milieux humides basées sur l'interprétation visuelle dans ces régions. En utilisant ces données bien réparties, la deuxième génération de la carte d'inventaire des milieux humides représente une amélioration de 7% par rapport à celle de la première génération. La précision varie de 76% à 91% dans les différentes écozones, en fonction des ressources disponibles. En outre, l’analyse des variables significatives du FA, réalisée pour chaque écozone, montre que $\frac{{{|S}_{VV}^{\mathrm{ }}|}^2}{{{|S}_{VH}^{\mathrm{ }}|}^2}$ et NDVI, extraits respectivement des données Sentinel-1 et Sentinel-2, étaient les caractéristiques les plus importantes pour la cartographie des milieux humides.

Acknowledgments

This research was funded by Natural Resources Canada under Grant (NRCan-3000694092) to M. Mahdianpari. The field data were collected by various organizations, including Ducks Unlimited Canada, Nature Conservancy Canada, Environment and Climate Change Canada (ECCC), and Government of Newfoundland and Labrador, Department of Environment and Conservation. The authors thank these organizations for the generous financial support and providing such valuable datasets. Additionally, the authors would like to thank anonymous reviewers for their helpful comments and suggestions.