MACHINE LEARNING APPROACHES FOR BURNED AREA IDENTIFICATION USING SENTINEL-2 IN CENTRAL KALIMANTAN

Abstract

Šumski ili kopneni požar je katastrofa koja ima veliki utecaj na životnu sredinu. Indonezija se svake godine suočava sa šumskim i kopnenim požarima, većinom u Kilimantanu i Sumateri. Optički daljinski satelit sa senzorima postaje obećavajuća tehnologija koja se u okviru sistema kontrole prirodnih katastrofa može koristiti za brzu identifikaciju spaljenih područja. Korišćenje mašinskog učenja za brzu identifikaciju spaljenog područja je u porastu s obzirom da se može koristiti za automatsku identifikaciju spaljenih područja na velikom prostoru. Ova studija je u junu i avgustu 2019 godine izvršila procenu korišćenja vektorske mašine za podršku (SVM), nasumične šume (RF) i duboke neuralne mreže (DNN) u pokrajini Centralni Kalimantan kao slučajeve pre i posle požara, koristeći slike Sentinel-2. Na tim klasifikatorima su korišćene neuravnotežene i uravnotežene grupe podataka s različitim hiper-parametrima. Korišćeni su i podaci o hotspot dobiveni iz MODIS-a i Suomi NPP podataka kao grupe podataka za obučavanje i testiranje. Na osnovu ove studije, grupa neuravnoteženih podataka utiče na vrednosti vezane za preciznosti i opoziv kao i na tačnost SVM i DNN klasifikatora, tako da, u slučaju vrednosti vezanih za preciznost, opoziv iIi tačnost, RF nadmašuje SVM i DNN metode. Ovo se pokazuje kroz RF metod koji ne prolazi kroz značajne promene u tim vrednostima i uravnotežene i neuravnotežene grupe podataka. Međutim, visoka tačnost se još uvek može postići putem SVM, RF i DNN metoda s neuravnoteženim ili uravnoteženim grupama podataka. 

Forest or land fire is a disaster that has a large impact on the environment. Every year, Indonesia undergoes forest or land fire mainly in Kalimantan and Sumatera. Optical remote sensing satellite becomes a promising technology that can be utilized to identify the burned area in quick time for disaster management response. The use of machine learning for burned area identification is rising since it can be used to identify the burned area in a vast area automatically. This study evaluated the use of Support Vector Machine (SVM), Random Forest (RF), and Deep Neural Network (DNN) in the Central Kalimantan province on June and August 2019 as pre-fire event and post-fire event using Sentinel-2 imageries. An imbalanced and a balanced dataset with varying hyper-parameter were used on those classifiers. Hotspot data derived from MODIS and Suomi NPP data are also used as training and testing dataset. Based on the study, the imbalanced dataset influences precision and recall values, as well as the accuracy of SVM and DNN classifier, so that RF outperforms SVM and DNN methods in case of precision and recall values, as well as accuracy. This is shown through RF method that is relatively not experiencing significant changes on those values in both an imbalanced or balanced dataset. However, the high accuracy is still can be achieved by SVM, RF, and DNN methods with an imbalanced or a balanced dataset.