Sub-meter resolution canopy height maps using self-supervised learning and a vision transformer trained on Aerial and GEDI Lidar

要約

タイトル

Self-supervised学習およびAerialおよびGEDI Lidarでトレーニングされたビジョントランスフォーマーを使用したサブメートル解像度キャノピー高さマップ

要約

– 植生構造マッピングは、グローバル炭素循環の理解および気候適応および軽減の自然ベースのアプローチの監視に重要である。
– 植生構造データの繰り返し測定により、伐採や既存の森林の劣化、自然の森林再生、アグロフォレストリーなどの持続可能な農業実践の観察が可能になる。
– 高空間解像度の衛星画像は、1m以下の地上サンプル距離を可能にし、木のレベルでの情報抽出が可能になる。これは同時に非常に大規模な監視も可能にする。
– この論文では、複数の地域で同時に作成された最初の高解像度キャノピー高さマップが紹介されている。
– キャノピー高さマップは、ビジョントランスフォーマーを適用して、2017年から2020年のMaxarイメージングから抽出された特徴に対して自己学習モデルを適用して、aerial lidarおよびGEDI観測に対してトレーニングされたものである。
– 提案されたマップは、セットバリデーションLidarデータによって評価され、他のリモートセンシングマップおよび現場収集データと比較され、平均絶対誤差（MAE）が3.0メートル以内であることが示された。

要約(オリジナル)

Vegetation structure mapping is critical for understanding the global carbon cycle and monitoring nature-based approaches to climate adaptation and mitigation. Repeat measurements of these data allow for the observation of deforestation or degradation of existing forests, natural forest regeneration, and the implementation of sustainable agricultural practices like agroforestry. Assessments of tree canopy height and crown projected area at a high spatial resolution are also important for monitoring carbon fluxes and assessing tree-based land uses, since forest structures can be highly spatially heterogeneous, especially in agroforestry systems. Very high resolution satellite imagery (less than one meter (1m) ground sample distance) makes it possible to extract information at the tree level while allowing monitoring at a very large scale. This paper presents the first high-resolution canopy height map concurrently produced for multiple sub-national jurisdictions. Specifically, we produce canopy height maps for the states of California and S\~{a}o Paolo, at sub-meter resolution, a significant improvement over the ten meter (10m) resolution of previous Sentinel / GEDI based worldwide maps of canopy height. The maps are generated by applying a vision transformer to features extracted from a self-supervised model in Maxar imagery from 2017 to 2020, and are trained against aerial lidar and GEDI observations. We evaluate the proposed maps with set-aside validation lidar data as well as by comparing with other remotely sensed maps and field-collected data, and find our model produces an average Mean Absolute Error (MAE) within set-aside validation areas of 3.0 meters.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI