Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Deep Ensembles

要約

情報に基づいた方法で地球の森林を監視および管理することは、生物多様性の損失や気候変動などの課題に対処するための重要な要件です。
森林評価のための従来の現場または空中キャンペーンは、地域レベルでの分析のための正確なデータを提供しますが、それらを国全体およびそれを超えて高い時間分解能でスケーリングすることはほとんど不可能です。
この作業では、無料で入手できる衛星画像を入力として使用して、10 メートルの解像度で国規模で森林構造変数を密に推定するディープ アンサンブルに基づく方法を提案します。
私たちの方法は、Sentinel-2 光学画像と Sentinel-1 合成開口レーダー画像を、95 番目の高さパーセンタイル、平均高さ、密度、ジニ係数、部分被覆の 5 つの異なる森林構造変数のマップに共同で変換します。
ノルウェー全土の 41 件の空中レーザー スキャン ミッションからの参照データでモデルをトレーニングおよびテストし、変数に応じて 11% から 15% の正規化された平均絶対誤差を達成して、目に見えないテスト領域に一般化できることを示します。
私たちの研究は、いわゆるベイジアン ディープ ラーニングの変種を提案した最初の研究でもあり、衛星画像から適切に調整された不確実性推定値を使用して、複数の森林構造変数を密に予測します。
不確実性情報は、モデルの信頼性と、意思決定の基礎として信頼できる信頼性の推定を必要とするダウンストリーム タスクへの適合性を高めます。
予測されたマップの精度と予測された不確実性の品質を検証するための広範な実験セットを提示します。
スケーラビリティを実証するために、5 つの森林構造変数のノルウェー全体のマップを提供します。

要約(オリジナル)

Monitoring and managing Earth’s forests in an informed manner is an important requirement for addressing challenges like biodiversity loss and climate change. While traditional in situ or aerial campaigns for forest assessments provide accurate data for analysis at regional level, scaling them to entire countries and beyond with high temporal resolution is hardly possible. In this work, we propose a method based on deep ensembles that densely estimates forest structure variables at country-scale with 10-meter resolution, using freely available satellite imagery as input. Our method jointly transforms Sentinel-2 optical images and Sentinel-1 synthetic-aperture radar images into maps of five different forest structure variables: 95th height percentile, mean height, density, Gini coefficient, and fractional cover. We train and test our model on reference data from 41 airborne laser scanning missions across Norway and demonstrate that it is able to generalize to unseen test regions, achieving normalized mean absolute errors between 11% and 15%, depending on the variable. Our work is also the first to propose a variant of so-called Bayesian deep learning to densely predict multiple forest structure variables with well-calibrated uncertainty estimates from satellite imagery. The uncertainty information increases the trustworthiness of the model and its suitability for downstream tasks that require reliable confidence estimates as a basis for decision making. We present an extensive set of experiments to validate the accuracy of the predicted maps as well as the quality of the predicted uncertainties. To demonstrate scalability, we provide Norway-wide maps for the five forest structure variables.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google