Ecosystem classification using machine learning

Abstract

Økosystemer er en avgjørende del av jorden, og de gir essensielle ressurser samtidig som de påvirker menneskers helse på ulike måter. rammeverket for planetariske grenser, foreslått av et team av forskere ved Stockholm Resilience Centre, forankret i jordens systemvitenskap, identifiserer ni avgjørende prosesser som er avgjørende for å opprettholde planetens stabilitet og motstandskraft. Ifølge rammeverket har 6 grenser blitt krysset innen 2023. Europa har innført en lov om naturgjenoppretting som fastsetter mål for å gjenopprette økosystemer. For å gjenopprette et økosystem må vi først vurdere helsen. Fjernmåling kan brukes til å oppdage økosystemer og deres endringer over tid for å vurdere endringen i helsen deres. Satellitter kan brukes til å skaffe data ved å måle mengden lys som reflekteres fra jordoverflaten i ulike frekvenser. Maskinlæringsmetoder har vært et populært verktøy innen fjernmåling for å hjelpe med å oppdage ulike økosystemer og studere dem. I dette prosjektet ble maskinlæringsmetodene Random Forests og SVM brukt til å klassifisere landtyper i Norge. Disse algoritmene ble implementert på data fra Sentinel-2-satellitten, og Google Earth Engine-plattformen ble brukt til å behandle data, trene modellene og visualisere resultatene. Random Forests-modellen ga det beste resultatet, med en nøyaktighet på 90,8% for valideringsdata og 89,6% for treningsdata.

Ecosystems are a crucial part of Earth and they provide essential resources and also affect human health in various ways. The planetary boundaries framework proposed by a team of scientists at at Stockholm Resilience Centre; it rooted in Earth system science, identifies nine pivotal processes crucial for maintaining the stability and resilience of the planet. According to the boundaries 6 boundaries have crossed by 2023. Europe has introduced a nature restoration law which sets targets for restoring ecosystems. In order to restore an ecosystem first we have to assess its health. Remote sensing can be used for the detection of ecosystems and their changes during time in order to assess the change in its health. Satellites can be used to get the data by measuring the amount of light reflected from the surface of the earth in various frequencies. Machine learning methods have been a popular tool in remote sensing helping with the detection of different ecosystems and studying them. In this project machine learning methods of Random Forests and SVM were used to classify land types in Norway. This algorithms were implemented on the data from sentinel-2 satellite, and Google earth engine platform was used for processing the data, training the models and visualization. The random forests model yielded the best result, with 90.8% accuracy for validation data and 89.6% for training.