High-resolution land cover mapping via consensus fusion and GeoAI: a case study in the Philippines

High-resolution land cover (HRLC) maps are essential for diverse fields, but obtaining high-quality training data remains a major challenge. To address this, this study proposes an automated framework that integrates existing HRLCs and GeoAI to generate high-accuracy Land Cover (LC) maps in the Philippines. By fusing existing HRLCs, the Map of Land Cover Agreement (MOLCA) and the Map of Land Cover Partial Agreement (MOLCOPA) were generated. MOLCA serves as a benchmark LC map, and MOLCOPA provides pixel-wise class probabilities. Different strategies effectively integrating GeoAI approaches with MOLCA and MOLCOPA were implemented. These approaches utilized Google Satellite Embeddings (GSE), 64-dimensional feature vectors extracted from the AlphaEarth Foundation Model. Both unsupervised approach (K-Means clustering with auto-labeling) and semi-supervised classifiers (Random Forest, Support Vector Machine, and Multi-Layer Perceptron) were evaluated. The semi-supervised approach, specifically with Multi-Layer Perceptron (MLP), which extracts training samples from MOLCA and leverages the MOLCOPA priors, emerged as the most robust model. It achieved an Overall Accuracy (OA) of 80.86% and a Kappa Coefficient of 0.78 on an independent validation set, demonstrating the significant potential of the proposed framework for land cover mapping.

Le mappe di copertura del suolo (Land Cover- LC) ad alta risoluzione (HRLC) sono essenziali per svariati settori, tuttavia l’acquisizione di dati di addestramento di alta qualità rimane una sfida significativa. Per far fronte a tale problema, il presente studio propone un framework automatizzato che integra le HRLC esistenti e la GeoAI per generare mappe di copertura del suolo (LC) ad elevata accuratezza nelle Filippine. Tramite la fusione delle HRLC esistenti, sono state generate la Map of Land Cover Agreement (MOLCA) e la Map of Land Cover Partial Agreement (MOLCOPA). La MOLCA funge da mappa LC di riferimento (benchmark), mentre la MOLCOPA fornisce le probabilità di classe a livello di pixel. Sono state implementate diverse strategie che integrano efficacemente approcci di GeoAI con MOLCA e MOLCOPA. Tali approcci hanno utilizzato i Google Satellite Embeddings (GSE), vettori di feature a 64 dimensioni estratti dal Foundation Model AlphaEarth. Sono stati valutati sia un approccio non supervisionato (clustering K-Means con auto-etichettatura) sia classificatori semi-supervisionati (Random Forest, Support Vector Machine e Multi-Layer Perceptron). L’approccio semi-supervisionato, nello specifico con il Multi-Layer Perceptron (MLP), che estrae i campioni di addestramento dalla MOLCA e sfrutta le informazioni a priori (priors) della MOLCOPA, è risultato essere il modello più robusto. Ha ottenuto un’Accuratezza Complessiva (OA) dell’80,86% e un Coefficiente Kappa di 0,78 su un set di validazione indipendente, dimostrando il significativo potenziale del framework proposto per la mappatura della copertura del suolo.