[論文レビュー] Estimating Canopy Height at Scale

Jan Pauls, Max Zimmer+7 more|arXiv (Cornell University)|Jun 3, 2024

Remote Sensing and LiDAR ApplicationsEnvironmental Science被引用数 3

ひとこと要約

本論文は、衛星データと新規のディープラーニングアプローチを用いたグローバルスケールの被覆高さ推定フレームワークを提示する。Sentinel-1、Sentinel-2、GEDIデータを活用し、地上走査ラベルの位置ずれ誤差を補正するためのカスタム損失関数を採用し、SRTMデータを統合して山岳地域における誤った予測をフィルタリングすることで、10 m解像度でグローバルなMAEが2.43 m、RMSEが4.73 mに達した。

ABSTRACT

We propose a framework for global-scale canopy height estimation based on satellite data. Our model leverages advanced data preprocessing techniques, resorts to a novel loss function designed to counter geolocation inaccuracies inherent in the ground-truth height measurements, and employs data from the Shuttle Radar Topography Mission to effectively filter out erroneous labels in mountainous regions, enhancing the reliability of our predictions in those areas. A comparison between predictions and ground-truth labels yields an MAE / RMSE of 2.43 / 4.73 (meters) overall and 4.45 / 6.72 (meters) for trees taller than five meters, which depicts a substantial improvement compared to existing global-scale maps. The resulting height map as well as the underlying framework will facilitate and enhance ecological analyses at a global scale, including, but not limited to, large-scale forest and biomass monitoring.

研究の動機と目的

• 生態的および気候モニタリングのための正確でグローバルに一貫性のある被覆高さマップの不足に対処する。
• 既存のグローバルマップにはノイズ、バイアス、山岳地帯や複雑な地形における性能の低さといった限界があるため、それを克服する。
• トレーニング段階でGEDIミッションの地上走査データの位置ずれ誤差を補正することで、地上走査データの信頼性を向上させる。
• SRTMデジタルエレベーションデータをフィルタリングメカニズムとして用いることで、地形が複雑な地域における予測精度を向上させる。
• 10 m解像度で壁に至るまで高分解能の被覆高さマッピングを可能にする、スケーラブルで完全畳み込みニューラルネットワーク（FCN）フレームワークを構築する。

提案手法

• マルチソースの衛星データ（Sentinel-1（レーダ）、Sentinel-2（光学）、GEDI（LiDAR由来の高さ））を用いた完全畳み込みニューラルネットワーク（FCN）をトレーニングする。
• 時間的合成を適用し、時間系列のピクセル単位中央値を計算することで、曇りのない一貫性のある衛星画像入力を生成する。
• GEDI高さ測定における位置ずれ誤差の影響を軽減するために特別に設計された新規損失関数を導入する。
• 山岳地帯の不切な高い被覆高さ予測を抑制するために、シャトルレーダー地形ミッション（SRTM）データを空間的フィルタとして統合する。
• 衛星データとGEDIデータのアライメント、無効領域のマスク処理、入力特徴量の正規化を含むきめ細かいデータ前処理を実施する。
• 公開利用可能なデータを用いてグローバルスケールでエンドツーエンドにモデルをトレーニングし、すべての陸上領域で10 m空間解像度での推論を可能にする。

実験結果

リサーチクエスチョン

• RQ1 マルチセンサ衛星データを用いたディープラーニングフレームワークは、10 m解像度でグローバルに一貫性があり正確な被覆高さマップを生成できるか？
• RQ2 GEDI高さ測定における位置ずれ誤差の影響を軽減するために設計されたカスタム損失関数は、モデルの予測精度にどの程度効果的か？
• RQ3 SRTM由来の地形情報は、山岳地帯および地形が複雑な地域における被覆高さ推定をどの程度向上させられるか？
• RQ4 本フレームワークは、既存のグローバル被覆高さ製品と比較して、MAEおよびRMSEの観点でどの程度優れているか？
• RQ5 レーダ、光学、LiDARデータを統合的なディープラーニングパイプラインで統合することで、スケールに応じたより信頼性の高いバイオマスおよび炭素貯蔵量推定が可能になるか？

主な発見

• 本フレームワークは、地上走査GEDI測定値と比較して、グローバルな平均絶対誤差（MAE）が2.43メートル、平均二乗誤差（RMSE）が4.73メートルに達した。
• 5メートル以上の高い木の場合は、MAEが4.45メートル、RMSEが6.72メートルに達し、高木の検出および推定において優れた性能を示した。
• 新規損失関数の使用により、GEDIの位置ずれ誤差の影響が顕著に軽減され、モデルのロバスト性と予測の一貫性が向上した。
• SRTMデータを地形フィルタとして統合することで、山岳地域における誤った高い被覆高さ予測が効果的に低減され、複雑な地形における信頼性が向上した。
• 得られた10 m解像度のグローバル被覆高さマップは、特に地形変動が激しい地域において、既存のグローバルスケール製品よりも精度と空間的一致性に優れていた。
• 本フレームワークは、大規模な生態的モニタリング、炭素貯蔵量評価、気候政策支援に適した、壁に至るまで高分解能の被覆高さ推定を可能にした。