Detection of Potential Vernal Pools on the Canadian Shield (Ontario) Using Object-Based Image Analysis in Combination with Machine Learning

Abstract

Vernal pools are small, temporary, forested wetlands of ecological importance with a high sensitivity to changing climate and land-use patterns. These ecosystems are under considerable development pressure in southeastern Georgian Bay, where mapping techniques are required to inform wise land-use decisions. Our mapping approach combines common machine learning techniques [random forest, support vector machines (SVMs)] with object-based image analysis. Using multispectral image segmentation on high-resolution orthoimagery, we first created objects and assigned classes based on field collected data. We then supplied machine learning algorithms with data from freely available sources (Ontario orthoimagery and Sentinel 2) and tested accuracy on a reserved dataset. We achieved producer’s accuracies of 85 and 79% and user’s accuracies of 78 and 84% for random forest and SVMs models, respectively. Difficulty differentiating between small, dark shadows and small, obscured pools accounted for many of the omission and commission errors. Our automated approach of vernal pool classification provides a relatively accurate, consistent, and fast mapping strategy compared to manual photointerpretation. Our models can be applied on a regional basis to help verify the locations of pools in an area of Ontario that is in critical need of more detailed ecological information.

Résumé

Les étangs vernaux sont de petites zones humides forestières temporaires d'importance écologique très sensibles aux changements climatiques et aux modes d'utilisation des terres. Ces écosystèmes sont soumis à une pression de développement considérable dans le sud-est de la Baie Georgienne, où des techniques de cartographie sont nécessaires pour éclairer les décisions en matière d'utilisation des terres. Notre approche de cartographie combine des techniques d'apprentissage automatique courantes (forêt aléatoire, machines à vecteurs de support) avec une méthode orientée-objet. En utilisant la segmentation multispectrale d’une image haute résolution ortho-rectifiée, nous avons créé des objets et attribué des classes en fonction des données collectées sur le terrain. Ensuite, nous avons fourni aux algorithmes d'apprentissage automatique des images disponibles gratuitement (Ontario orthoimagerie et Sentinel 2) et testé la précision sur un ensemble de données réservé. Nous avons obtenu des précisions de producteur de 85% et 79% et des précisions d’utilisateur de 78% et 84% pour les modèles de forêt aléatoire et machines à vecteurs de support, respectivement. La difficulté de distinguer les petites zones d’ombre des petits étangs obscurs est à l'origine de plusieurs des erreurs d'omission et de commission. Notre approche automatisée de classification des étangs vernaux fournit une stratégie de cartographie relativement précise, cohérente et rapide par rapport à la photo-interprétation manuelle. Nos modèles peuvent être appliqués sur une base régionale pour aider à vérifier l'emplacement des étangs dans une région de l'Ontario qui a un besoin critique d'informations écologiques détaillées.

Acknowledgements

We would like to thank all individuals involved in field surveys for this study, including James Marcaccio, J. Daniel Weller, Chantel Markle, Oliver Wearing, Morgan Piczak, Jonah Lehman, and Cameron Brown. We would like to thank Jean DeMarco and Ralph and Caroline Grose for hosting field crews at their cottages during our surveys. We would also like to thank Sarah Walton-Rabideau for help with the production of verification maps for early iterations of the model. Funding for this project was provided by the Natural Sciences and Engineering Research Council of Canada in the form of a Discovery Grant to PC-F and a PGS-D to NL, and the Boreal Water Futures project, a project of the Global Water Futures Program funded by the Canada First Research Excellence Fund. We greatly appreciate the suggestions of two anonymous reviewers.

Disclosure statement

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