Automatic forest cover classification using Sentinel-2 multispectral satellite data and machine learning algorithms in Google Earth Engine

Abstract

Forest cover plays an essential role in maintaining ecological equilibrium, mitigating climate change, and securing a sustainable future for both humanity and the planet. Most countries conduct forest inventory or remote sensing surveys every few years to monitor changes in forest cover. However, only a few initiatives offer more frequent updates, typically weekly or monthly, focusing exclusively on areas experiencing high rates of deforestation or those of significant ecological value. The present study focuses on the classification of forest cover throughout Slovakia, covering the period 2017-2022, using Sentinel-2 multispectral satellite imagery along with the machine learning (ML) algorithms Random Forest (RF) and Support Vector Machine (SVM). The computation was performed in the cloud-based Google Earth Engine (GEE) platform, which offers a versatile interface for a broad range of computational capabilities for geospatial analysis and landscape monitoring. Forest cover change processing and evaluation is based on the RF classification algorithm, which demonstrated higher accuracy than the SVM classifier. The results indicate that RF outperformed SVM by 4% and 21% in 2017 and 2020, respectively. The RF algorithm achieved an overall accuracy (OA) of 95% in both classification cases (2017 and 2020) and F1 score of up to 0.95. The selected RF algorithm revealed an increase in forest cover in Slovakia, particularly notable during the period 2017-2019, with a slight decrease detected between 2019 and 2020. Furthermore, it was determined that the current forest cover is lower than that reported in official state statistics and land cover databases. Additionally, a user-friendly automatic tool for forest cover classification was developed and made freely available in GEE. This tool can benefit foresters, urban planners, and everyday users by detecting subtle changes in forest cover, crucial for forest sustainability and human well-being.

S rastúcimi hrozbami a tlakom na lesné zdroje v posledných desaťročiach začína dochádzať k strate a degradácii lesov. Úbytok lesov je celosvetovým fenoménom a jedným z kľúčových faktorov globálnej zmeny klímy. V súčasnosti sa preto v regionálnom, ale aj celosvetovom meradle, zvyšujú požiadavky na získavanie včasnejších a presnejších informácií o stave lesa, jeho fungovaní a udržateľnosti, pričom na monitorovanie časopriestorových zmien lesa sa využívajú v posledných desaťročiach aj metódy diaľkového prieskumu Zeme. Z hľadiska lesnatosti sa Slovenská republika radí medzi popredné krajiny v Európe. Avšak aj lesy na tomto území čelia v posledných rokoch rastúcemu riziku škodlivých činiteľov. K poklesu lesnatosti dochádza vplyvom človeka, ktorý premieňa les na poľnohospodárske plochy za účelom hospodárstva, ale aj vplyvom biotických a abiotických faktorov, akými sú extrémy počasia a veterné kalamity. Cieľom tohto článku bolo vyvinúť automatizovaný postup klasifikácie lesnej pokrývky pomocou snímok Sentinel-2 a klasifikačných algoritmov Random Forest (RF) a Support Vector Machine (SVM) v prostredí Google Earth Engine (GEE). Pre monitorovanie zmien lesa na území Slovenska a v jeho krajoch v časovom období rokov 2017-2022 bol vytvorený a aplikovaný skript. Ako vstupné údaje boli použité vybrané pásma družice Sentinel-2, normalizovaný diferenčný vegetačný index NDVI a digitálny výškový model SRTM. Na vytvorenie validačných trénovacích vzoriek bola použitá kombinácia databáz Corine Land Cover (CLC) a Global Forest Change (GFC). Následne boli porovnané výsledky klasifikácie s použitím klasifikačných algoritmov riadenej klasifikácie RF a SVM. Pomocou vytvoreného skriptu sa vyhodnotila správnosť klasifikácií a vyhodnotili sa zmeny stavu lesnej pokrývky na vybranom území, ktoré boli porovnané aj s oficiálnymi údajmi získanými zo Štatistického úradu SR (ŠÚ SR) a údajmi CLC o výmere lesov. Hlavným produktom sú klasifikácie lesnej pokrývky SR, pričom vytvorený nástroj - kód - je možné jednoducho aplikovať na klasifikáciu lesnej pokrývky pre jednotlivé kraje alebo okresy SR, a tiež modifikovať pre akékoľvek iné záujmové územie v rámci EÚ. Algoritmus RF vykazoval vyššiu spoľahlivosť s celkovou presnosťou 95 % pre oba validačné roky (2017 a 2020), v ktorých sa správal približne rovnako stabilne. Pri ďalších analýzach pomocou RF algoritmu sme zistili, že najviac lesnej pokrývky pribudlo na území SR v období rokov 2018 až 2019. Výmera lesa sa za toto obdobie zvýšila o 24 831,68 ha. Naopak, úbytok lesa bolo možné pozorovať medzi rokmi 2019 a 2020, kedy sa stav lesa znížil o 1,04 %. Na regionálnej úrovni bola v sledovanom období najvyššia lesnatosť pozorovaná v Žilinskom, Banskobystrickom a Prešovskom kraji. Vykonaná klasifikácia lesnej pokrývky pomocou algoritmu strojového učenia RF a satelitných dát Sentinel-2 v GEE preukázala vysokú presnosť klasifikácie a efektivitu pri sledovaní zmien lesnej pokrývky na území Slovenska vo vysokom časovom a priestorovom rozlíšení v porovnaní s oficiálnymi údajmi ŠÚ SR a CLC. Uvedený postup automatickej klasifikácie lesnej pokrývky a samotné klasifikované rastrové vrstvy lesnej pokrývky Slovenska pre roky 2017 až 2022 sú dostupné vo forme voľne dostupných kódov pre GEE.