[論文レビュー] Global canopy height estimation with GEDI LIDAR waveforms and Bayesian deep learning

Nico Lang, Nikolai Kalischek+4 more|arXiv (Cornell University)|Mar 5, 2021

Remote Sensing and LiDAR Applications参考文献 46被引用数 10

ひとこと要約

本論文では、GEDI LIDAR波形を解釈して全球的な被覆上部高さを推定するためのベイジアン畳み込みニューラルネットワーク（CNN）を提案する。本モデルは、多様な環境においても頑健な特徴抽出と予測不確実性の定量化を可能にし、炭素サイクル研究におけるグローバルな森林構造マッピングを顕著に向上させる。モデルは予測誤差の期待値が2.7 mと低く、バイアスも最小限に抑えられており、グローバルな森林構造マッピングの精度が著しく向上する。

ABSTRACT

NASA's Global Ecosystem Dynamics Investigation (GEDI) is a key climate mission whose goal is to advance our understanding of the role of forests in the global carbon cycle. While GEDI is the first space-based LIDAR explicitly optimized to measure vertical forest structure predictive of aboveground biomass, the accurate interpretation of this vast amount of waveform data across the broad range of observational and environmental conditions is challenging. Here, we present a novel supervised machine learning approach to interpret GEDI waveforms and regress canopy top height globally. We propose a Bayesian convolutional neural network (CNN) to avoid the explicit modelling of unknown effects, such as atmospheric noise. The model learns to extract robust features that generalize to unseen geographical regions and, in addition, yields reliable estimates of predictive uncertainty. Ultimately, the global canopy top height estimates produced by our model have an expected RMSE of 2.7 m with low bias.

研究の動機と目的

• グローバルな森林タイプや環境条件にわたる膨大で多様なGEDI LIDAR波形データを正確に解釈する課題に対処すること。
• 未知のノイズ源を明示的にモデル化しなくても、未観測の地理的地域に一般化できる機械学習モデルを開発すること。
• グローバルバイオマスおよび炭素サイクル応用のための信頼性があり、不確実性を考慮した被覆上部高さ推定を提供すること。
• GEDIミッションの波形データを用いて、グローバルな森林構造マッピングにおけるバイアスを低減し、精度を向上させること。

提案手法

• GEDI LIDAR波形から直接階層的特徴を学習するため、ベイジアン畳み込みニューラルネットワーク（CNN）が用いられ、複雑な空間的・時間的パターンを捉える。
• ベイジアンフレームワークにより重みの分布をモデル化することで、大気ノイズなどの未知の要因を明示的にモデル化しなくても不確実性の定量化が可能になる。
• 教師あり学習により、ラベル付け済みの被覆上部高さデータを用いてモデルを学習させ、多様な森林タイプや地域に一般化できるようにする。
• 特徴抽出は、波形データ内の構造的パターンを同定する畳み込み層によって行われ、ノイズや変動に対する耐性が向上する。
• 予測不確実性はモンテカルロドロップアウトまたは変分推論を用いて推定され、各被覆上部高さ予測に対して信頼区間が提供される。
• モデルはグローバルに評価され、基準高さデータとの比較においてRMSEおよびバイアス指標を用いて性能が評価される。

実験結果

リサーチクエスチョン

• RQ1 ベイジアンディープラーニングモデルは、GEDI波形を用いて、多様なグローバルな森林タイプや環境条件下で被覆上部高さ推定を効果的に一般化できるか？
• RQ2 予測不確実性を組み込むことで、LIDAR波形から導かれるグローバルな被覆上部高さマップの信頼性はどの程度向上するか？
• RQ3 GEDIデータからの被覆上部高さ推定において、提案されたベイジアンCNNは、従来の手法と比較してRMSEおよびバイアスの観点でどのように異なるか？
• RQ4 大気的または機器的ノイズを明示的にモデル化せずとも、波形から頑健な特徴を学習できるか？

主な発見

• 提案されたベイジアンCNNは、グローバルな被覆上部高さ推定において、期待される平均二乗誤差（RMSE）が2.7 mに達し、高い精度を示している。
• 予測はバイアスが低く、異なる森林タイプや地域において一貫した性能を発揮している。
• 予測不確実性の推定は信頼性が高く、キャリブレーションが適切に行われており、生態学的および炭素サイクルモデリングにおける信頼性のある応用が可能である。
• 波形データから頑健で転送可能な特徴を学習できるため、未観測の地理的地域への一般化が効果的に実現されている。
• ベイジアンアプローチは、大気的影響などの未知のノイズ源を明示的にモデル化しなくても、うまく補正できている。
• 本手法は、GEDIの波形データの解釈を、大規模な森林構造モニタリングの分野で顕著に前進させた。