Estimating optical vegetation indices and biophysical variables for temperate forests with Sentinel-1 SAR data using machine learning techniques: A case study for Czechia

要約

森林生態系を監視するための現在の光学植生指数 (VI) は十分に確立されており、さまざまな用途に広く使用されていますが、雲などの大気の影響によって制限される可能性があります。
対照的に、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画像取得により、完全な時系列 (TS) による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。
この研究は、機械学習 (ML) を通じて森林の光学 VI を推定する代替手段として SAR データを使用することで、光学衛星データの限界に対処することを目的としています。
このアプローチは直接的ではなく、おそらく ML の力によってのみ実現可能ですが、VI を正確に推定するのに十分な関連情報が SAR 信号に含まれているかどうかという科学的な疑問が生じます。
この研究では、多時点の Sentinel-1 SAR と補助データを使用した 4 つの VI (LAI、FAPAR、EVI、および NDVI) の TS の推定を扱います。
この研究では、2021 年のチェコの健全な温帯森林地域と荒廃した温帯森林地域の両方に焦点を当て、グラウンド トゥルース ラベルは Sentinel-2 マルチスペクトル データから生成されました。
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、DEM、気象および土地被覆データセットを含む、ペアのマルチモーダル TS 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。
DEM 由来の補助特徴と追加の気象情報を含めることで、結果がさらに改善されました。
ML モデルの比較では、従来の ML アルゴリズムである RFR および XGBoost は、すべての VI において AutoML アプローチである auto-sklearn よりわずかに優れており、高い精度 (70 ～ 86% の $R^2$) と低い誤差 (0.055-%) を達成しました。
MAEの0.29）。
一般に、推定された SAR ベースの VI を高精度で使用すると、年間最大 240 回の測定と 20 m の空間分解能を達成できます。
SAR ベース VI の大きな利点は、森林の突然の変化を週単位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 well established and widely used in various applications, but can be limited by atmospheric effects such as clouds. In contrast, synthetic aperture radar (SAR) data can offer insightful and systematic forest monitoring with complete time series (TS) due to signal penetration through clouds and day and night image acquisitions. This study aims to address the limitations of optical satellite data by using SAR data as an alternative for estimating optical VIs for forests through machine learning (ML). While this approach is less direct and likely only feasible through the power of ML, it raises the scientific question of whether enough relevant information is contained in the SAR signal to accurately estimate VIs. This work covers the estimation of TS of four VIs (LAI, FAPAR, EVI and NDVI) using multitemporal Sentinel-1 SAR and ancillary data. The study focused on both healthy and disturbed temperate forest areas in Czechia for the year 2021, while ground truth labels generated from Sentinel-2 multispectral data. This was enabled by creating a paired multi-modal TS dataset in Google Earth Engine (GEE), including temporally and spatially aligned Sentinel-1, Sentinel-2, DEM, weather and land cover datasets. The inclusion of DEM-derived auxiliary features and additional meteorological information, further improved the results. In the comparison of ML models, the traditional ML algorithms, RFR and XGBoost slightly outperformed the AutoML approach, auto-sklearn, for all VIs, achieving high accuracies ($R^2$ between 70-86%) and low errors (0.055-0.29 of MAE). In general, up to 240 measurements per year and a spatial resolution of 20 m can be achieved using estimated SAR-based VIs with high accuracy. A great advantage of the SAR-based VI is the ability to detect abrupt forest changes with sub-weekly temporal accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google