Amazon forest monitoring using the U-Net fully convolutional neural network

The objective of this study is to classify forest and non-forest areas in the Amazon rainforest in a specific area of interest using documented Fully Convolutional Neural Networks (FCNN), in this case, U-Net, utilizing Google Colab with Keras and TensorFlow as processing tools, and Google Earth Engine (EE) as a satellite imagery data source and classified training data source. Several classifications were performed, each one during the period may-august in different years in an approximately 5-year interval, ergo, different satellite missions were considered to cover a long monitoring period, e.g., 20 years. The satellite missions that were used to classify forest land cover are Landsat 5, Landsat 8, and Sentinel 2. The U-Net model was trained using patches of 3.87 x 3.87 km² and 1.29 x 1.29 km² for Landsat and Sentinel, respectively, equivalent to 128x128 pixel containing 4 bands: Red, Green, Blue, Near Infrared and a fifth additional band that is the Random Forest (RF) classification which contains the binary labels. This RF classification is performed using the EE classifier and is taken as the ground truth, therefore, one assumes that RF classification errors can be inherited to the U-Net classification, although, in some cases, it may learn to discard some patterns. The validation of this classification is performed using randomly generated validation points that were manually classified through Collect Earth and high-resolution images, depicting the high goodness of the computed product. The experiment overall produced 97% accuracy.

L'obiettivo di questo studio è classificare le aree forestali e non forestali della foresta pluviale amazzonica in una specifica area di interesse utilizzando le reti neurali completamente convoluzionali (FCNN) documentate, in questo caso U-Net, utilizzando Google Colab con Keras e TensorFlow come strumenti di elaborazione e Google Earth Engine (EE) come fonte di dati di immagini satellitari e fonte di dati classificati. Sono state eseguite diverse classificazioni, ciascuna durante il periodo maggio-agosto in anni diversi in un intervallo di circa 5 anni, ergo, diverse missioni satellitari sono state considerate per coprire un lungo periodo di monitoraggio, e.g., 20 anni. Le missioni satellitari utilizzate per classificare la copertura del suolo forestale sono Landsat 5, Landsat 8 e Sentinel 2. Il modello U-Net è stato addestrato utilizzando patch di 3,87 x 3,87 km² e 1,29 x 1,29 km² per Landsat e Sentinel, rispettivamente, equivalenti a 128x128 pixel contenenti 4 bande: rosso, verde, blu, vicino infrarosso e una quinta banda aggiuntiva che è la classificazione Random Forest (RF) che contiene le etichette binarie. Questa classificazione RF viene eseguita utilizzando il classificatore EE ed è considerata la verità fondamentale, pertanto si presume che gli errori di classificazione RF possano essere ereditati dalla classificazione U-Net, sebbene, in alcuni casi, possa imparare a scartare alcuni modelli. La convalida di questa classificazione viene eseguita utilizzando punti di convalida generati casualmente che sono stati classificati manualmente tramite Collect Earth e immagini ad alta risoluzione, che illustrano l'elevata bontà del prodotto calcolato. L'esperimento nel complesso ha prodotto circa il 97% di precisione nella classificazione.