Discriminating industrial and smallholder oil palm plantations in Indonesia using Sentinel-1 textural features
Résumé
In recent decades, oil palm plantations have expanded significantly in Indonesia. Palm oil production currently relies on two plantation types with different economic, social and environmental impacts: (1) industrial plantations and (2) smallholder plantations. While efforts have been made to characterize these plantation types, this objective remains challenging for the remote sensing community. Consequently, this study assesses the potential of Sentinel-1 textural metrics in distinguishing between industrial and smallholder plantations, offering potential solutions to this persistent challenge. We used machine learning algorithms (Random Forest vs. eXtreme Gradient Boosting Tree) with textural features calculated by the Grey Level Co-occurrence Matrix. The results confirmed the potential of Sentinel-1 textural metrics to discriminate OP plantation types. The XGBTree model achieved a higher Kappa (0.71) than the Random Forest model (0.63). Moreover, the contrast, dissimilarity, GLCM-Mean, and GLCMVariance metrics were the most explanatory for discriminating industrial and smallholder plantations. This study possesses limitations, especially concerning its applicability on a broader scale. However, leveraging cloud computing tools like Google Earth Engine could aid in scaling up the methodology.
Au cours des dernières décennies, les plantations de palmiers à huile se sont considérablement étendues en Indonésie. La production d'huile de palme repose actuellement sur deux types de plantations ayant des impacts économiques, sociaux et environnementaux différents : (1) les plantations industrielles et (2) les plantations de petits exploitants. Caractériser ces types de plantations représente un défi pour la communauté de la télédétection en raison des problèmes méthodologiques impliqués. Dans ce travail, nous évaluons le potentiel des métriques texturales Sentinel-1 pour discriminer les plantations industrielles des plantations de petits exploitants. Pour ce faire, nous avons utilisé des algorithmes d'apprentissage automatique (Forêt Aléatoire vs. Arbre de Gradient Extrême Boosting) avec des caractéristiques texturales calculées par la Matrice de Co-occurrence des Niveaux de Gris. Les résultats ont confirmé le potentiel des métriques texturales Sentinel-1 pour discriminer les types de plantations de palmiers à huile. Le modèle XGBTree a atteint un Kappa plus élevé (0,71) que le modèle Forêt Aléatoire (0,63). De plus, les métriques de contraste, de dissimilarité, GLCMMean et GLCMVariance étaient les métriques les plus explicatives pour discriminer les plantations industrielles des plantations de petits exploitants.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|