Optimizing SVM for argan tree classification using Sentinel-2 data: A case study in the Sous-Massa Region, Morocco

Abstract

[EN] The development of efficient classifiers for land cover remains challenging due to the presence of hyperparameters in the model. Conventional approaches rely on manual tuning, which is both time-consuming and impractical, often leading to suboptimal results. This study aimed to optimize the hyperparameters of the Support Vector Machine (SVM) algorithm using the grid search method to map the distribution of the Argan forest in the Souss-Massa region of Morocco from Sentinel-2 satellite image. To achieve this, we examined the C parameter for the linear function, as well as the C and gamma parameters for the radial RBF and sigmoid functions. Similarly, we explored the C, gamma, and degree parameters for the polynomial function chosen using the grid search method. These parameters are compared with the default hyperparameters of each SVM function. The results are validated using the cross-validation method and by the following scores: accuracy, precision, recall, F1 score, and Cohen s Kappa. The experiments were conducted using the Earth Engine Python API in Google Colab (Google Collaboratory). In addition, experimental results indicate that the hyperparameters selected by grid search yield higher scores than the default hyperparameters. The best results were achieved using the hyperparameters of the polynomial base kernel, specifically with C = 10, degree = 2, and gamma = 10. Accuracy = 96.61%.

[ES] El desarrollo de clasificadores eficientes para la cobertura del suelo sigue siendo un desafío debido a la presencia de hiperparámetros en el modelo. Los enfoques convencionales dependen de un ajuste manual, que es tanto lento como poco práctico, lo que a menudo conduce a resultados subóptimos. Este estudio tuvo como objetivo optimizar los hiperparámetros del algoritmo de Máquina de Vectores de Soporte (SVM) utilizando el método de búsqueda en cuadrícula para mapear la distribución del bosque de Argán en la región de Souss-Massa de Marruecos a partir de una imagen de satélite Sentinel-2. Para lograr esto, examinamos el parámetro C para la función lineal, así como los parámetros C y gamma para las funciones radiales RBF y sigmoide. De manera similar, exploramos los parámetros C, gamma y grado para la función polinómica elegida utilizando el método de búsqueda en cuadrícula. Estos parámetros se comparan con los hiperparámetros predeterminados de cada unción SVM. Los resultados se validan utilizando el método de validación cruzada y mediante los siguientes puntajes: exactitud, precisión, recall, puntaje F1 y Kappa de Cohen. Los experimentos se realizaron utilizando la API de Python de Earth Engine en Google Colab (Google Collaboratory). Además, los resultados experimentales indican que los hiperparámetros seleccionados por búsqueda en cuadrícula arrojan puntajes más altos que los hiperparámetros predeterminados. Los mejores resultados se lograron utilizando los hiperparámetros del kernel de base polinómica, específicamente con C = 10, grado = 2 y gamma = 10. Exactitud = 96.61%.