[ Cartographie des unités d’occupation du sol du District d’Abidjan depuis le cloud Google Earth Engine, sur la base des images optiques Sentinel-2 et des algorithmes de Machine Learning ]
Volume 40, Issue 1, July 2023, Pages 310–332
NJEUGEUT MBIAFEU Amandine Carine1, Marc Youan Ta2, KAMENAN Satti Jean-Robert3, KOUAME Kouadio Armel4, ASSOMA Tchimou Vincent5, and JOURDA Jean Patrice6
1 Centre Universitaire de Recherche Appliquée en Télédétection (CURAT), Université Félix Houphouët-Boigny d’Abidjan-Cocody, Abidjan, Côte d’Ivoire
2 Centre Universitaire de Recherche et d'Application en Télédétection (CURAT), U.F.R des Sciences de la Terre et des Ressources Minières (STRM), Université Félix Houphouët Boigny de Cocody, 22 B.P. 801 Abidjan 22, Côte d'Ivoire
3 EDP-INPHB Institut National Polytechnique Houphouët Boigny, Yamoussoukro, Côte d’Ivoire
4 Unité de Formation et de Recherche des Sciences de la Terre et des Ressources Minières (UFR-STRM), Université Félix Houphouët-Boigny d’Abidjan-Cocody, Abidjan, Côte d’Ivoire
5 Centre Universitaire de Recherche Appliquée en Télédétection (CURAT), Université Félix Houphouët-Boigny d’Abidjan-Cocody, Abidjan, Côte d’Ivoire
6 Unité de Formation et de Recherche des Sciences de la Terre et des Ressources Minières (UFR-STRM), Université Félix Houphouët-Boigny d’Abidjan-Cocody, Abidjan, Côte d’Ivoire
Original language: French
Copyright © 2023 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
The objective of this study performed in the Abidjan District is to map land cover units using the Google Earth Engine (GEE) platform and Machine Learning algorithms such as Random Forest (RF), Support Vector Machine (SVM), Classification and Regression Tree (CART), Naive Bayes (NB), and Minimum Distance (MD). The data used include optical Multispectral Sentinel 2A satellite images with a 10-meter resolution, a 12.5-meter Alos Polsar digital terrain model (DTM) resampled to a 10-meter resolution, as well as cartographic data. The implemented methodology starts with the preprocessing and normalization of the composite image. The final composite image is created using eight spectral indices: NDVI, NDWI, MNDWI, VARI, SBI, SAVI, GCI, RGR, along with the first three bands of Principal Component Analysis and slope information. Subsequently, training and validation points are collected and coded based on image reflectance and ground truth data. The different classifiers SVM, RF, CART, MD, and ND are then trained and evaluated using various metrics such as confusion matrix, overall accuracy, producer’s accuracy, consumer’s accuracy (reliability), and Kappa coefficient. The classification performed with the RF algorithm achieved the highest overall accuracy of 83.28%, with a Kappa coefficient of 0.78. The statistics reveal that the Abidjan District is composed of 28.07% urban areas, 25.35% agricultural and other cultivated areas, 12.39% oil palm plantations, 10.05% rubber plantations, 4.66% banana plantations, 2.53% forests, 3.96% mangroves, 3.80% forest plantations (reforestation), and 9.2% water bodies in 2020. This study has led to an improved mapping of the distribution and proportions of land cover classes in the Abidjan District.
Author Keywords: (Machine learning, Land cover, Google Earth Engine, Sentinel 2, Alos Polsar, Abidjan, Ivory Coast.
Volume 40, Issue 1, July 2023, Pages 310–332
NJEUGEUT MBIAFEU Amandine Carine1, Marc Youan Ta2, KAMENAN Satti Jean-Robert3, KOUAME Kouadio Armel4, ASSOMA Tchimou Vincent5, and JOURDA Jean Patrice6
1 Centre Universitaire de Recherche Appliquée en Télédétection (CURAT), Université Félix Houphouët-Boigny d’Abidjan-Cocody, Abidjan, Côte d’Ivoire
2 Centre Universitaire de Recherche et d'Application en Télédétection (CURAT), U.F.R des Sciences de la Terre et des Ressources Minières (STRM), Université Félix Houphouët Boigny de Cocody, 22 B.P. 801 Abidjan 22, Côte d'Ivoire
3 EDP-INPHB Institut National Polytechnique Houphouët Boigny, Yamoussoukro, Côte d’Ivoire
4 Unité de Formation et de Recherche des Sciences de la Terre et des Ressources Minières (UFR-STRM), Université Félix Houphouët-Boigny d’Abidjan-Cocody, Abidjan, Côte d’Ivoire
5 Centre Universitaire de Recherche Appliquée en Télédétection (CURAT), Université Félix Houphouët-Boigny d’Abidjan-Cocody, Abidjan, Côte d’Ivoire
6 Unité de Formation et de Recherche des Sciences de la Terre et des Ressources Minières (UFR-STRM), Université Félix Houphouët-Boigny d’Abidjan-Cocody, Abidjan, Côte d’Ivoire
Original language: French
Copyright © 2023 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Abstract
The objective of this study performed in the Abidjan District is to map land cover units using the Google Earth Engine (GEE) platform and Machine Learning algorithms such as Random Forest (RF), Support Vector Machine (SVM), Classification and Regression Tree (CART), Naive Bayes (NB), and Minimum Distance (MD). The data used include optical Multispectral Sentinel 2A satellite images with a 10-meter resolution, a 12.5-meter Alos Polsar digital terrain model (DTM) resampled to a 10-meter resolution, as well as cartographic data. The implemented methodology starts with the preprocessing and normalization of the composite image. The final composite image is created using eight spectral indices: NDVI, NDWI, MNDWI, VARI, SBI, SAVI, GCI, RGR, along with the first three bands of Principal Component Analysis and slope information. Subsequently, training and validation points are collected and coded based on image reflectance and ground truth data. The different classifiers SVM, RF, CART, MD, and ND are then trained and evaluated using various metrics such as confusion matrix, overall accuracy, producer’s accuracy, consumer’s accuracy (reliability), and Kappa coefficient. The classification performed with the RF algorithm achieved the highest overall accuracy of 83.28%, with a Kappa coefficient of 0.78. The statistics reveal that the Abidjan District is composed of 28.07% urban areas, 25.35% agricultural and other cultivated areas, 12.39% oil palm plantations, 10.05% rubber plantations, 4.66% banana plantations, 2.53% forests, 3.96% mangroves, 3.80% forest plantations (reforestation), and 9.2% water bodies in 2020. This study has led to an improved mapping of the distribution and proportions of land cover classes in the Abidjan District.
Author Keywords: (Machine learning, Land cover, Google Earth Engine, Sentinel 2, Alos Polsar, Abidjan, Ivory Coast.
Abstract: (french)
L’objectif de cette étude menée dans le District d’Abidjan est de cartographier les unités d’occupation du sol en utilisant la plateforme Google Earth Engine (GEE) et des algorithmes de Machine Learning tels que la forêt aléatoire (RF), la machine à vecteurs de support (SVM), l’arbre de classification et de régression (CART), le naïve Bayes (NB) et la distance minimale (MD). Les données utilisées comprennent des images satellites optiques Multispectrale Sentinel 2A de 10 m de resolution, le modèle numérique de terrain (MNT) Alos Polsar de 12.5m rééchantillonné à une résolution de 10 mètres, ainsi que des données cartographiques. La méthodologie mise en œuvre débute par le prétraitement et la normalisation de l’image composite. L’image composite finale est créée en utilisant huit indices spectraux: le NDVI, le NDWI, le MNDWI, le VARI, le SBI, le SAVI, le GCI, le RGR, ainsi que les trois premières bandes de l’Analyse en Composantes Principales et des informations sur les pentes. Ensuite, des points d’entraînement et de validation sont collectés et codifiés selon les réflectances de l’image et les vérités terrain. Les différents classifieurs SVM, RF, CART, MD et ND sont ensuite entraînés et évalués à l’aide de différentes métriques telles que la matrice de confusion, la précision globale, la précision du producteur, la précision du consommateur (fiabilité) et le coefficient de Kappa. La classification effectuée avec l’algorithme RF a obtenu la meilleure précision globale, atteignant 83,28%, avec un coefficient de Kappa de 0,78. Les statistiques révèlent que le District d’Abidjan est composé de 28,07% d’espace urbain, 25,35% d’aménagements agricoles et autres cultures, 12,39% de plantations de palmiers à huile, 10,05% de plantations d’hévéa, 4,66% de plantations de bananes, 2,53% de forêts, 3,96% de zones marécageuses, 3,80% de plantations forestières (reboisement) et 9,2% de plans d’eau en 2020. Cette étude a conduit à une meilleure cartographie de la répartition et des proportions des classes d’occupation du sol du District d’Abidjan.
Author Keywords: Machine learning, Occupation du sol, Google earth engine, sentinel 2, Alos polsar, Abidjan, Côte d’Ivoire.
How to Cite this Article
NJEUGEUT MBIAFEU Amandine Carine, Marc Youan Ta, KAMENAN Satti Jean-Robert, KOUAME Kouadio Armel, ASSOMA Tchimou Vincent, and JOURDA Jean Patrice, “Mapping of land use units in the District of Abidjan using Google Earth Engine cloud, based on Sentinel-2 optical images and Machine Learning algorithms,” International Journal of Innovation and Applied Studies, vol. 40, no. 1, pp. 310–332, July 2023.
