[論文レビュー] A global method to identify trees inside and outside of forests with medium-resolution satellite imagery.

John Brandt, Fred Stolle|arXiv (Cornell University)|May 13, 2020

Remote Sensing and LiDAR Applications参考文献 63被引用数 3

ひとこと要約

本稿では、10メートル解像度のパンシャープンされたセントネル-2光学画像およびセントネル-1レーダー画像を用いた、グローバルに一貫したディーブラーニング手法を提示する。この手法は中程度解像度で、森林内および森林外の木々を検出することを目的としている。畳み込みゲート付き再帰型ユニットと特徴マップのピラミッドアテンション層を備えた完全畳み込みニューラルネットワークで訓練されたモデルは、低〜中程度の冠皮膚密度領域で75％以上のユーザーやプロデューサーの正確性を達成し、密度の高い森林では95％に達する。これにより、多様な景観をカバーする高精度なグローバルな木々マップ作成が可能になる。

ABSTRACT

Scattered trees outside of dense forests are very important for carbon sequestration, supporting livelihoods, maintaining ecosystem integrity, and climate change adaptation and mitigation. In contrast to trees inside of forests, not much is known about the spatial extent and distribution of scattered trees at a global scale. Due to the very high cost of high-resolution satellite imagery, global monitoring systems rely on medium resolution satellites to monitor land use and land use change. However, detecting and monitoring scattered trees with an open canopy using medium resolution satellites is difficult because individual trees often cover a smaller footprint than the satellites resolution. Here we present a globally consistent method to identify trees inside and outside of forests with medium resolution optical and radar imagery. Biweekly cloud-free, pansharpened 10 meter Sentinel-2 optical imagery and Sentinel-1 radar imagery are used to train a fully convolutional network, consisting of a convolutional gated recurrent unit layer and a feature pyramid attention layer. Tested across more than 215,000 Sentinel-1 and Sentinel-2 pixels distributed from -60 to +60 latitude, the proposed model exceeds 75 percent users and producers accuracy identifying trees in hectares with a low to medium density (less than 40 percent) of canopy cover, and 95 percent user's and producer's accuracy in hectares with dense (greater than 40 percent) canopy cover. When applied across large, heterogeneous landscapes, the results demonstrate potential to map trees in high detail and consistent accuracy over diverse landscapes across the globe. This information is important for understanding current land cover and can be used to detect changes in land cover such as agroforestry, buffer zones around biological hotspots, and expansion or encroachment of forests.

研究の動機と目的

• 密集した森林外の散在木に関するグローバルスケールのデータ不足に取り組むこと。これは炭素吸収とエコシステムの健全性にとって重要である。
• 中程度解像度の衛星画像では木の冠が空間解像度以下にまで小さくなることが多いため、個々の木の検出という課題を克服すること。
• 光学およびレーダー衛星データを用いて、多様な景観において一貫性があり、グローバルに適用可能な木の同定手法を開発すること。
• 農業的森林の導入、森林の侵入、生物多様性ホットスポット周辺のバッファゾーンなど、土地利用および土地利用変化の監視を向上させること。

提案手法

• 本手法は、2週間に1回の雲なし、パンシャープンされた10メートル解像度のセントネル-2光学画像およびセントネル-1レーダー画像を入力データとして用いる。
• 完全畳み込みニューラルネットワークアーキテクチャを採用し、時間的ダイナミクスと空間的文脈をモデル化するために畳み込みゲート付き再帰型ユニット層を組み込む。
• 特徴マップのピラミッドアテンション層により、複数スケールでの特徴表現が向上し、サイズや冠皮膚密度が異なる木々の検出が向上する。
• モデルは、北緯60度から南緯60度の範囲に広がる215,000ピクセル以上のデータで訓練され、グローバルな適用性が保証される。
• 天候や照明条件の変化に強くするために、光学およびレーダー両方のデータを活用する。
• ユーザーやプロデューサーの正確性を、冠皮膚密度の閾値ごとに評価することで、モデルの性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 中程度解像度の光学およびレーダー衛星画像を用いたディーブラーニングモデルは、森林地帯および非森林地帯の両方で木々を信頼性高く検出できるか？
• RQ2 異なる冠被覆密度を示す多様なグローバル景観において、モデルの木々同定の正確性はどの程度か？
• RQ3 光学およびレーダー両方のデータを統合することで、単一センサー手法と比較して、木々検出の正確性がどの程度向上するか？
• RQ4 本モデルは、グローバルスケールで異なるバイオームおよび土地被覆タイプにおいて一貫した性能を維持できるか？
• RQ5 農業的森林の発展や森林の侵入といった木々被覆の変化を検出する際、本手法はどの程度効果的か？

主な発見

• 低〜中程度の冠皮膚密度（40％未満）を示すヘクタール単位の領域において、モデルは75％以上のユーザーやプロデューサーの正確性を達成している。
• 冠皮膚密度が40％を超える密度の高い領域では、モデルは95％のユーザーやプロデューサーの正確性に達しており、森林地域における高い信頼性を示している。
• 本手法は、大規模で多様な景観において一貫した性能を維持しており、多様なグローバルバイオームにわたるスケーラビリティと耐性を示している。
• 光学およびレーダー両方のデータ統合により、正確性が顕著に向上し、特に頻繁に雲がかかる地域で顕著である。
• 本モデルは、グローバルスケールで高解像度の木々マップ作成を可能にし、農業的森林や森林拡大などの土地被覆変化の詳細な監視を支援する。
• 結果として、バッファゾーンや生物多様性ホットスポットの保護を含む、土地利用および土地利用変化の追跡における運用的応用の強力な可能性が示された。