Individual mapping of large polymorphic shrubs in high mountains using satellite images and deep learning

要約

ジュニパーのような長命の大低木の分布とサイズを監視することは、地球規模の変化が高山の生態系に及ぼす長期的な影響を評価するために重要です。
深層学習モデルはオブジェクトのセグメンテーションにおいて目覚ましい成功を収めていますが、多形性を持つ低木種を検出するためにこれらのモデルを適応させるのは依然として困難です。
この研究では、自由に利用できる衛星画像上に個々の低木の輪郭を描いた大規模なデータセットを公開し、インスタンス セグメンテーション モデルを使用して、生物圏保護区全体 (スペインのシエラネバダ) の樹木境界線上にすべてのジュニパーをマッピングします。
パフォーマンスを最適化するために、新しい二重データ構築アプローチを導入しました。つまり、モデル開発には写真判読 (PI) データを使用し、検証にはフィールドワーク (FW) データを使用します。
モデル評価中のジュニパーの多態性の性質を考慮して、Intersection over Union メトリックのソフト バージョンを開発しました。
最後に、樹冠被覆率とサイズクラスごとの低木の密度に関して、結果として得られた地図の不確実性を評価しました。
私たちのモデルは、低木の描写で PI データで 87.87%、FW データで 76.86% の F1 スコアを達成しました。
実測値と予測値の関係の R2 と RMSE は、樹冠被覆率で 0.63 と 6.67%、低木密度で 0.90 と 20.62 でした。
モデルの出力で観察された低高度ではより大きな低木、より高高度ではより小さな低木の密度が高いことは、PI および FW データにも存在しており、種の最適なパフォーマンスにおける高度の上昇を示唆しています。
この研究は、自由に利用できる高解像度の衛星画像に適用された深層学習が、地域規模で生態学的価値の高い中～大規模の低木を検出するのに有用であることを実証しており、これは世界中の他の高山や過去の画像や今後の画像にも拡張できる可能性があります。

要約(オリジナル)

Monitoring the distribution and size of long-living large shrubs, such as junipers, is crucial for assessing the long-term impacts of global change on high-mountain ecosystems. While deep learning models have shown remarkable success in object segmentation, adapting these models to detect shrub species with polymorphic nature remains challenging. In this research, we release a large dataset of individual shrub delineations on freely available satellite imagery and use an instance segmentation model to map all junipers over the treeline for an entire biosphere reserve (Sierra Nevada, Spain). To optimize performance, we introduced a novel dual data construction approach: using photo-interpreted (PI) data for model development and fieldwork (FW) data for validation. To account for the polymorphic nature of junipers during model evaluation, we developed a soft version of the Intersection over Union metric. Finally, we assessed the uncertainty of the resulting map in terms of canopy cover and density of shrubs per size class. Our model achieved an F1-score in shrub delineation of 87.87% on the PI data and 76.86% on the FW data. The R2 and RMSE of the observed versus predicted relationship were 0.63 and 6.67% for canopy cover, and 0.90 and 20.62 for shrub density. The greater density of larger shrubs in lower altitudes and smaller shrubs in higher altitudes observed in the model outputs was also present in the PI and FW data, suggesting an altitudinal uplift in the optimal performance of the species. This study demonstrates that deep learning applied on freely available high-resolution satellite imagery is useful to detect medium to large shrubs of high ecological value at the regional scale, which could be expanded to other high-mountains worldwide and to historical and forthcoming imagery.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google