High-resolution canopy height map in the Landes forest (France) based on GEDI, Sentinel-1, and Sentinel-2 data with a deep learning approach

要約

森林が小さなサイズの林分に分割され、林分内で異質性を示す可能性があるヨーロッパの集中的に管理された森林では、林冠の高さの違いを捉えるために高い空間解像度 (10 ～ 20 メートル) がおそらく必要です。
この作業では、マルチ ストリーム リモート センシング測定に基づくディープ ラーニング モデルを開発し、13,000 km$^2$ の大規模な海岸松林であるフランスの「Landes de Gascogne」森林の高解像度キャノピー高マップを作成しました。
平坦な地形と集中管理。
この地域は、35 年から 50 年ごとに収穫される典型的な長さ数百メートルの均一な年齢の単一固有の林分によって特徴付けられます。
私たちの深層学習 U-Net モデルは、Sentinel-1 と Sentinel-2 からのマルチバンド画像を使用し、GEDI 波形から導出された樹木の高さを予測するための入力として複合時間平均を使用します。
評価は、森林インベントリ プロットからの外部検証データと、特定の場所で利用可能な Skysat 画像に基づくステレオ 3D 再構成モデ​​ルを使用して実行されます。
Sentinel-1 バンドと Sentinel-2 バンドの組み合わせに基づいて 7 つの異なる U-net モデルをトレーニングし、支配的な身長検索における各機器の重要性を評価しました。
モデル出力により、2020 年の「Landes de Gascogne」森林地域全体の解像度 10 m の樹冠高マップを、テスト データセットで平均絶対誤差 2.02 m で生成できます。
Sentinel-1 と Sentinel-2 から利用可能なすべての衛星レイヤーを使用して最良の予測が得られましたが、1 つの衛星ソースのみを使用しても良好な予測が得られました。
針葉樹林のすべての検証データセットについて、私たちのモデルは、同じ地域で利用可能な以前の林冠高モデルよりも優れた指標を示しました。

要約(オリジナル)

In intensively managed forests in Europe, where forests are divided into stands of small size and may show heterogeneity within stands, a high spatial resolution (10 – 20 meters) is arguably needed to capture the differences in canopy height. In this work, we developed a deep learning model based on multi-stream remote sensing measurements to create a high-resolution canopy height map over the ‘Landes de Gascogne’ forest in France, a large maritime pine plantation of 13,000 km$^2$ with flat terrain and intensive management. This area is characterized by even-aged and mono-specific stands, of a typical length of a few hundred meters, harvested every 35 to 50 years. Our deep learning U-Net model uses multi-band images from Sentinel-1 and Sentinel-2 with composite time averages as input to predict tree height derived from GEDI waveforms. The evaluation is performed with external validation data from forest inventory plots and a stereo 3D reconstruction model based on Skysat imagery available at specific locations. We trained seven different U-net models based on a combination of Sentinel-1 and Sentinel-2 bands to evaluate the importance of each instrument in the dominant height retrieval. The model outputs allow us to generate a 10 m resolution canopy height map of the whole ‘Landes de Gascogne’ forest area for 2020 with a mean absolute error of 2.02 m on the Test dataset. The best predictions were obtained using all available satellite layers from Sentinel-1 and Sentinel-2 but using only one satellite source also provided good predictions. For all validation datasets in coniferous forests, our model showed better metrics than previous canopy height models available in the same region.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google