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：
– 航空・GEDI Lidarによりトレーニングされた自己教師あり学習とビジョン・トランスフォーマーを使用したサブメーター解像度の樹冠高度マップ

要約：
– 植生の構造マッピングは、地球環境の理解や気候変動への自然ベースのアプローチのモニタリングに不可欠である。
– 特に、樹冠高度とクラウン投影面積の評価は、炭素フラックスと木材ベースの土地利用の評価に重要である。
– 非常に高い解像度の衛星画像は、木のレベルでの情報の抽出と同時に、非常に大規模なモニタリングを可能にする。
– 本研究では、Maxar画像から抽出された特徴にビジョン・トランスフォーマーを適用し、自己教師あり学習モデルによって訓練された樹冠高さマップを提供する。
– サブナショナル管轄区域のカリフォルニア州とサンパウロ州に対して、以前のSentinel / GEDIベースの世界的な樹冠高度マップの10メートル（10m）解像度に比べて、サブメーター解像度で作成されたものである。
– バリデーションでリダーが使用され、他のリモートセンシングマップやフィールドデータと比較して、平均平均絶対誤差（MAE）が3.0メートル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