Very high resolution canopy height maps from RGB imagery using self-supervised vision transformer and convolutional decoder trained on Aerial Lidar

要約

植生構造マッピングは、地球規模の炭素循環を理解し、気候適応と緩和に対する自然ベースのアプローチを監視するために重要です。
これらのデータを繰り返し測定することで、森林破壊や既存森林の劣化、自然林の再生、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ります。
特にアグロフォレストリーシステムでは森林構造が空間的に非常に不均一になる可能性があるため、高空間解像度での樹冠の高さと樹冠投影面積の評価は、炭素フラックスの監視や樹木ベースの土地利用の評価にも重要です。
非常に高解像度の衛星画像 (地上サンプル距離 1 メートル未満) により、ツリー レベルで情報を抽出できると同時に、非常に大規模な監視が可能になります。
この論文では、複数の準国家管轄区域向けに同時に作成された初の高解像度樹冠高さマップを紹介します。
具体的には、カリフォルニア州とサンパウロ州の非常に高解像度の樹冠高さマップを作成します。これは、以前の Sentinel / GEDI ベースの樹冠高さの世界地図の解像度 10 メートル (10 メートル) を超えて、解像度が大幅に向上しています。
このマップは、2017 年から 2020 年までの Maxar 画像でトレーニングされた自己教師ありモデルからの特徴の抽出と、航空 LIDAR マップに対する高密度予測デコーダーのトレーニングによって生成されます。
また、GEDI 観測で訓練された畳み込みネットワークを使用した後処理ステップも導入します。
提案されたマップを、別の検証用 LIDAR データを使用して評価し、他の遠隔検知マップや現場で収集したデータと比較することによって評価しました。その結果、モデルが平均 2.8 メートルの平均絶対誤差 (MAE) と平均誤差 (ME) を生成していることがわかりました。
0.6メートル。

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. Repeated 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 very high resolution canopy height maps for the states of California and Sao Paulo, a significant improvement in resolution over the ten meter (10m) resolution of previous Sentinel / GEDI based worldwide maps of canopy height. The maps are generated by the extraction of features from a self-supervised model trained on Maxar imagery from 2017 to 2020, and the training of a dense prediction decoder against aerial lidar maps. We also introduce a post-processing step using a convolutional network trained on 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) of 2.8 meters and Mean Error (ME) of 0.6 meters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google