Ocena przydatności obrazów satelitarnych Sentinel-2, PlanetScope oraz uczenia maszynowego do detekcji nawłoci (Solidago spp.)

Gatunki inwazyjne stanowią jedno z największych zagrożeń dla różnorodności biologicznej, stabilności ekosystemów oraz gospodarki. Skuteczne zarządzanie nimi wymaga precyzyjnego i szybkiego wykrywania nowych ognisk inwazji oraz oceny kierunków zachodzących zmian. Tradycyjne metody monitoringu są czasochłonne, kosztowne i ograniczone do niewielkich powierzchni badawczych, stąd rośnie zainteresowanie wykorzystaniem m.in. teledetekcji oraz automatyzacji procesu identyfikacji i monitorowania obcych gatunków inwazyjnych. Mając to na uwadze, celem niniejszej pracy była ocena potencjału wielospektralnych obrazów satelitarnych Sentinel-2 oraz komercyjnych obrazów PlanetScope, a także algorytmów uczenia maszynowego – Random Forest i Support Vector Machine do identyfikacji nawłoci (Solidago spp.). Wykorzystano zobrazowania pozyskane z września, października oraz listopada 2021 r., połączone w jedną kompozycję wieloczasową dla każdego sensora, obejmujące swoim zasięgiem fragment Wyżyny Śląsko-Krakowskiej. W klasyfikacji uwzględniono różne wielkości zbiorów, a także przeprowadzono testy istotności statystycznej uzyskanych wyników oraz analizę MDA. Niezależnie od zastosowanego algorytmu, najwyższą dokładność zapewniły ogólnodostępne dane Sentinel-2 (współczynnik F1: 0,96 dla RF, F1: 0,94 dla SVM w przypadku klasy nawłoci), podczas gdy w przypadku danych PlanetScope wartości F1 wyniosły odpowiednio 0,84 (RF) i 0,89 (SVM). Ponadto oba algorytmy osiągnęły porównywalne wyniki, jednak dla danych Sentinel-2 Random Forest skuteczniej identyfikował jednorodną klasę nawłoci, zaś Support Vector Machine klasę miks, natomiast w przypadku danych PlanetScope niezależnie od klasy algorytm RF pozwolił na osiągnięcie wyższych dokładności. Optymalną wielkość zbioru treningowego dla nawłoci określono dla zbioru liczącego 400 pikseli, zaś dla klasy miks 700 pikseli. Opracowana metodyka potwierdziła przydatność obu źródeł danych teledetekcyjnych do identyfikacji nawłoci, a także pozwoliła na zweryfikowanie, które parametry pozwalają na uzyskanie jak najdokładniejszych wyników.

Invasive species represent one of the greatest threats to biodiversity, ecosystem stability and the economy. Effective management of them requires accurate and rapid detection of new invasion hotspots and assessment of the direction of change. Traditional monitoring methods are time-consuming, costly and limited to small study areas, hence there is growing interest in the use of, inter alia, remote sensing and automation of the process of identifying and monitoring alien invasive species. With this in mind, the aim of this study was to assess the potential of Sentinel-2 multispectral satellite imagery and commercial PlanetScope imagery, as well as machine learning algorithms - Random Forest and Support Vector Machine for the identification of goldenrod (Solidago spp.). Images acquired in September, October and November 2021 were used, combined into a single multi-temporal composition for each sensor, covering a fragment of the Silesian-Cracow Upland. Different set sizes were taken into account in the classification, and statistical significance tests of the obtained results and MDA analysis were performed. Regardless of the algorithm used, the highest accuracy was provided by the publicly available Sentinel-2 data (F1 coefficient: 0.96 for RF, F1: 0.94 for SVM in the case of the goldenrod class), while in the case of PlanetScope data, the F1 values were 0.84 (RF) and 0.89 (SVM), respectively. Furthermore, both algorithms achieved comparable results, but for the Sentinel-2 Random Forest data Random Forest was more effective in identifying the homogeneous goldenrod class, while Support Vector Machine was more effective in identifying the mix class, while for the PlanetScope data, regardless of class, the RF algorithm achieved higher accuracies. The optimal training set size for goldenrods was determined for a set size of 400 pixels, while for the mix class it was 700 pixels. The developed methodology confirmed the suitability of both remote sensing data sources for goldenrod identification, and allowed to verify which parameters allow to obtain the most accurate results.