Is sub-metre resolution necessary for cocoa mapping? A landscape-stratified evaluation of very high resolution imagery, decametric Earth Observation inputs, and operational products in Cote d'Ivoire

Technische Samenvatting: Is sub-meter resolutie noodzakelijk voor cacaokaartlegging?

Probleemstelling
Nauwkeurige cacaokaartlegging is cruciaal voor het monitoren van ontbossing, transparantie in de toeleveringsketen en naleving van regelgeving zoals de Europese Verordening inzake Ontbossingsvrije Producten (EUDR). Het in kaart brengen van cacao in West-Afrika, met name in Côte d'Ivoire, vormt echter aanzienlijke uitdagingen vanwege de heterogeniteit van kleinschalige landbouwlandschappen. Cacaosystemen variëren van volledige zon-monoculturen tot complexe agroforestry-systemen met variërende dichtheden van overstory-schaduwbomen. Op middelmatige ruimtelijke resoluties (bijv. 10 m Sentinel-2) leidt deze fijnmazige heterogeniteit tot gemengde pixels, wat de klassenseparabiliteit vermindert en verwarring veroorzaakt tussen beschaduwde cacaosystemen en bos, of tussen schaarse cacao en niet-houtige vegetatie. Hoewel beelden met zeer hoge resolutie (VHR, sub-meter) het potentieel bieden om deze fijnmazige structuren te ontrafelen, wordt hun operationele bruikbaarheid vaak beperkt door kosten, de dekking en bewolking. Daartegenover staan opkomende geospatiale foundation models die dichte, wall-to-wall embeddings bieden vanuit medium-resolutie archieven, maar hun prestaties ten opzichte van VHR in complexe cacaolandschappen zijn nog niet gekwantificeerd. Deze studie adresseert de kloof in het begrip van hoe landschapsstructuur de kaartleggingsprestaties beïnvloedt over verschillende EO-inputs en of de voordelen van VHR de operationele kosten rechtvaardigen.

Methodologie
De studie voerde een landschapsgestratificeerde evaluatie uit in Côte d'Ivoire, waarbij intern getrainde modellen en bestaande operationele producten werden vergeleken onder variërende omstandigheden van boombedekkingsdichtheid (TCD) en landschapsfragmentatie.

• Onderzoeksgebied & Data: De analyse richtte zich op cacaoproducterende regio's die worden gedekt door 56 Pléiades-scènes (0,5 m resolutie) en bijbehorende referentiedata uit de COLD-CI dataset.
• Geëvalueerde Inputs:
  • VHR: 0,5 m Pléiades optische beelden (4 banden).
  • Decametrische Conventionele: Een 10 m Sentinel-2 (S2) jaarlijkse composiet (10 banden).
  • Foundation Models: TESSERA (128-dim embeddings uit S1/S2) en AlphaEarth Foundations (AEF) (64-dim embeddings uit multi-modale data inclusief optisch, radar, LiDAR en klimaat).
• Modelarchitectuur: Intern getrainde modellen maakten gebruik van een U-Net architectuur met een EfficientNet-B5 encoder. Om een gecontroleerde vergelijking te garanderen, gebruikten alle interne modellen identieke trainingsdata, data-splits en optimalisatieprocedures, waarbij ze alleen verschilden in de EO-input.
• Gestratificeerde Evaluatie: Een onafhankelijke testset van 2.821 referentiepunten werd verzameld via expert foto-interpretatie. De evaluatie werd gestratificeerd in negen landschapsklassen op basis van twee variabelen:
  • Boombedekkingsdichtheid (TCD): Laag (0–30%), Medium (30–70%) en Hoog (>70%).
  • Landschapsfragmentatie (Patch Density): Laag, Medium en Hoog.
• Metrieken: Prestaties werden beoordeeld aan de hand van F1-score, User's Accuracy (UA), Producer's Accuracy (PA) en Overall Accuracy (OA), met area-weighted aggregatie om rekening te houden met het gestratificeerde bemonsteringsontwerp.

Belangrijkste Resultaten

• VHR Superieuriteit: Het VHR-model behaalde de hoogste algehele prestaties (F1 = 0,92) en behield F1-scores boven de 0,90 in alle landschapstrata. Het vertoonde een significant lagere gevoeligheid voor landschapsgradiënten vergeleken met medium-resolutie benaderingen.
• Impact van Landschapscondities: De prestaties van medium-resolutie inputs (S2, TESSERA, AEF) en bestaande producten namen merkbaar af in sterk gefragmenteerde landschappen en onder extreme TCD-omstandigheden (zeer laag of zeer hoog).
  • Lage TCD: Schaarse kronen leidden tot dominantie van het signaal door bodem/kruidachtige vegetatie, wat de missie-fouten (omission errors) vergrootte.
  • Hoge TCD: Dichte overstory verhulde het cacaosignaal, wat leidde tot meer verwarring met bos en andere boomgewassen.
  • Fragmentatie: Hoge fragmentatie verhoogde spectrale menging bij grenzen, wat decameterige modellen onevenredig hard trof.
• Foundation Models: TESSERA (F1 = 0,86) en AEF (F1 = 0,82) presteerden beter dan de conventionele S2-baseline (F1 = 0,76), wat aantoont dat foundation-model embeddings de decameterige kaartlegging verbeteren. Geen van beide kwam echter in de buurt van de prestaties van het VHR-model, en beide vertoonden nog steeds een afname in prestaties in moeilijke landschapstrata.
• Spectrale Ablatie: Een spectrale ablatie-experiment (het trainen van een S2-model met alleen de 4 banden die beschikbaar zijn in Pléiades) toonde aan dat de extra 6 S2-banden ongeveer 43% van het prestatieverschil tussen S2 en VHR herstelden. Het volledige S2-model bleef echter aanzienlijk achter bij VHR, wat aangeeft dat de ruimtelijke resolutie de primaire drijfveer is van het prestatieverschil, en niet alleen de spectrale rijkdom.
• Operationele Producten: Onder de bestaande producten presteerde het Kalischek et al. (2023) model het best (F1 = 0,83), vergelijkbaar met het intern getrainde AEF-model. BNETD vertoonde de laagste prestaties (F1 = 0,55), vooral in gefragmenteerde gebieden, wat de beperkingen van pixel-gewijze, single-composite benaderingen benadrukt.

Betekenis en Claims
Het artikel claimt dat sub-meter resolutie een meetbaar en consistent voordeel biedt voor cacaokaartlegging, met name in complexe, gefragmenteerde kleinschalige landschappen waar medium-resolutie pixels meerdere landbedekkingcomponenten aggregeren. De studie concludeert dat hoewel foundation-model embeddings een schaalbare en nauwkeurige alternatief bieden voor grootschalige baseline-kaartlegging, zij de verliezen in fijnmazige ruimtelijke informatie die inherent zijn aan decameterige data niet volledig kunnen compenseren.

De auteurs stellen dat de keuze van de kaartleggingsmethode contextafhankelijk moet zijn:

1. VHR is het meest nuttig voor regelgevende contexten die een hoge thematische nauwkeurigheid vereisen, vroege detectie van nieuwe expansie, of monitoring in structureel complexe gebieden (schaarse of dichte kronen) waar medium-resolutie signalen ambigu zijn.
2. Foundation-model embeddings (met name TESSERA) bieden een aantrekkelijke balans tussen nauwkeurigheid en operationele schaalbaarheid voor wall-to-wall baseline-kaartlegging en brede screening.
3. Hybride Strategieën worden voorgesteld, waarbij medium-resolutie embeddings voor continue dekking zorgen, terwijl gerichte VHR-acquisities worden gebruikt om trainingsdata te verfijnen of voorspellingen te valideren in zones met een hoge onzekerheid.

De studie benadrukt dat nauwkeurigheidsbeoordelingen voor cacaokaartlegging gestratificeerd moeten worden naar landschapscondities, aangezien globale metrieken systematische prestatievariaties kunnen maskeren die worden gedreven door kronendichtheid en fragmentatie. De resultaten suggereren dat ruimtelijke resolutie een kritieke activa blijft die niet volledig kan worden vervangen door geavanceerde spectrale of temporele representaties alleen in heterogene tropische landbouwsystemen.