Estimating optical vegetation indices with Sentinel-1 SAR data and AutoML

要約

現在、森林生態系を監視するための光学式植生指数 (VI) は、さまざまなアプリケーションで広く使用されています。
ただし、光学衛星データに基づく継続的な監視は、雲などの大気の影響によって妨げられる可能性があります。
それどころか、合成開口レーダー (SAR) データは、雲を通した信号の透過と昼夜の取得により、完全な時系列で洞察力に富んだ体系的な森林モニタリングを提供できます。
この研究の目標は、SAR データを使用して光学データに影響を与える問題を克服し、機械学習を使用して森林の光学 VI を推定する代替として機能することです。
4 つの VI (LAI、FAPAR、EVI、NDVI) の時系列は、多時点の Sentinel-1 SAR と補助データを使用して推定されました。
これは、時間的および空間的に位置合わせされた Sentinel-1、Sentinel-2、デジタル標高モデル (DEM)、天気および土地被覆データセット (MMT) を含む、ペアのマルチタイム データセットとマルチモーダル データセットを Google Earth Engine (GEE) で作成することで実現しました。
-ジー）。
DEM と気象データから生成された補助機能を使用すると、結果が改善されました。
オープンソースの自動機械学習 (AutoML) アプローチである auto-sklearn は、4 つの VI のうち 3 つでランダム フォレスト回帰を上回りましたが、最適化の長さは 1 時間で、R2 が 69 ～ 84% の低いエラーで十分な結果を達成するのに十分でした。
(VI に応じて MAE が 0.05 ～ 0.32)。
時系列分析および元の SAR ベース VI と推定 SAR ベース VI の間の空間比較において、選択されたケーススタディで大きな一致が見られました。
一般に、現在自由に利用できる光学衛星データからの VI や利用可能なグローバル VI 製品と比較して、推定された SAR ベースの VI を使用すると、より優れた時間分解能 (最大 240 測定/年) とより優れた空間分解能 (20 m) が達成されました。
SAR ベース VI の大きな利点は、森林の突然の変化を 1 週間未満の時間精度で検出できることです。

要約(オリジナル)

Current optical vegetation indices (VIs) for monitoring forest ecosystems are widely used in various applications. However, continuous monitoring based on optical satellite data can be hampered by atmospheric effects such as clouds. On the contrary, synthetic aperture radar (SAR) data can offer insightful and systematic forest monitoring with complete time series due to signal penetration through clouds and day and night acquisitions. The goal of this work is to overcome the issues affecting optical data with SAR data and serve as a substitute for estimating optical VIs for forests using machine learning. Time series of four VIs (LAI, FAPAR, EVI and NDVI) were estimated using multitemporal Sentinel-1 SAR and ancillary data. This was enabled by creating a paired multi-temporal and multi-modal dataset in Google Earth Engine (GEE), including temporally and spatially aligned Sentinel-1, Sentinel-2, digital elevation model (DEM), weather and land cover datasets (MMT-GEE). The use of ancillary features generated from DEM and weather data improved the results. The open-source Automatic Machine Learning (AutoML) approach, auto-sklearn, outperformed Random Forest Regression for three out of four VIs, while a 1-hour optimization length was enough to achieve sufficient results with an R2 of 69-84% low errors (0.05-0.32 of MAE depending on VI). Great agreement was also found for selected case studies in the time series analysis and in the spatial comparison between the original and estimated SAR-based VIs. In general, compared to VIs from currently freely available optical satellite data and available global VI products, a better temporal resolution (up to 240 measurements/year) and a better spatial resolution (20 m) were achieved using estimated SAR-based VIs. A great advantage of the SAR-based VI is the ability to detect abrupt forest changes with a sub-weekly temporal accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google