Deep Learning Model Transfer in Forest Mapping using Multi-source Satellite SAR and Optical Images

要約

深層学習 (DL) モデルは、地球観測画像を使用した森林変数予測で人気を集めています。
ただし、実際の森林目録では、参照データセットはプロットまたは林分レベルの測定値で表されることが多く、DL モデルのエンドツーエンドのトレーニング用の高品質で代表的な壁から壁までの参照データはほとんど入手できません。
転移学習は、高品質の教師データが利用可能な領域でモデルの事前トレーニングを可能にすることで、最適ではないトレーニング データを持つ領域への深層学習モデルの使用の拡張を促進します。
この研究では、プロットレベルの測定を使用して、事前トレーニングされた DL モデルのターゲット領域への「モデル転送」(またはドメイン適応) を実行し、パフォーマンスと他の機械学習モデルを比較します。
私たちは、以前に開発された UNet ベースのモデル (SeUNet) を使用して、森林の構造と構成が異なる 2 つの異なるタイガ遺跡でのアプローチを実証しました。
多源地球観測 (EO) データは、Copernicus Sentinel-1 C バンド SAR および Sentinel-2 マルチスペクトル画像、JAXA ALOS-2 PALSAR-2 SAR モザイク、および TanDEM-X バイスタティック干渉レーダー データの組み合わせによって表されます。
訓練研究地はフィンランドのラップランドにあり、対象地はフィンランド南部にあります。
転移学習を活用することで、SeUNet の予測は 2.70 m の二乗平均平方根誤差 (RMSE) と 0.882 の R$^2$ を達成し、従来のベンチマーク手法よりもかなり正確になりました。
このようなフォレスト固有の DL モデル転送は、フォレスト構造に影響されやすい他のフォレスト変数や他の EO データ ソースにも適していると考えられます。

要約(オリジナル)

Deep learning (DL) models are gaining popularity in forest variable prediction using Earth Observation images. However, in practical forest inventories, reference datasets are often represented by plot- or stand-level measurements, while high-quality representative wall-to-wall reference data for end-to-end training of DL models are rarely available. Transfer learning facilitates expansion of the use of deep learning models into areas with sub-optimal training data by allowing pretraining of the model in areas where high-quality teaching data are available. In this study, we perform a ‘model transfer’ (or domain adaptation) of a pretrained DL model into a target area using plot-level measurements and compare performance versus other machine learning models. We use an earlier developed UNet based model (SeUNet) to demonstrate the approach on two distinct taiga sites with varying forest structure and composition. Multisource Earth Observation (EO) data are represented by a combination of Copernicus Sentinel-1 C-band SAR and Sentinel-2 multispectral images, JAXA ALOS-2 PALSAR-2 SAR mosaic and TanDEM-X bistatic interferometric radar data. The training study site is located in Finnish Lapland, while the target site is located in Southern Finland. By leveraging transfer learning, the prediction of SeUNet achieved root mean squared error (RMSE) of 2.70 m and R$^2$ of 0.882, considerably more accurate than traditional benchmark methods. We expect such forest-specific DL model transfer can be suitable also for other forest variables and other EO data sources that are sensitive to forest structure.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google