[論文レビュー] High carbon stock mapping at large scale with optical satellite imagery and spaceborne LIDAR

Nico Lang, Konrad Schindler+1 more|arXiv (Cornell University)|Jul 15, 2021

Remote Sensing and LiDAR Applications参考文献 43被引用数 15

ひとこと要約

本論文は、熱帯東南アジア全域で、スパースなGEDI LIDARデータと高分解能のSentinel-2光学画像を活用して、樹木高および炭素密度を大規模にマッピングする深層学習フレームワークを提案する。この手法は、高炭素ストック（HCS）森林を分類する際、86%の正確性を達成し、インドネシア、マレーシア、フィリピンにおける最初の10 m解像度のウォールツウォールHCSマップを生成する。

ABSTRACT

The increasing demand for commodities is leading to changes in land use worldwide. In the tropics, deforestation, which causes high carbon emissions and threatens biodiversity, is often linked to agricultural expansion. While the need for deforestation-free global supply chains is widely recognized, making progress in practice remains a challenge. Here, we propose an automated approach that aims to support conservation and sustainable land use planning decisions by mapping tropical landscapes at large scale and high spatial resolution following the High Carbon Stock (HCS) approach. A deep learning approach is developed that estimates canopy height for each 10 m Sentinel-2 pixel by learning from sparse GEDI LIDAR reference data, achieving an overall RMSE of 6.3 m. We show that these wall-to-wall maps of canopy top height are predictive for classifying HCS forests and degraded areas with an overall accuracy of 86 % and produce a first high carbon stock map for Indonesia, Malaysia, and the Philippines.

研究の動機と目的

• 熱帯地域における大規模な高炭素ストック（HCS）森林マッピングのための自動的かつスケーラブルな手法の開発。
• 航空レーザースキャニング（ALS）の高コストとカバー範囲の制限を克服するため、参照データとしてスパースな宇宙船搭載LIDAR（GEDI）を活用する。
• 光学衛星画像にトレーニングされた深層学習を用いて、高分解像（10 m）の被覆高および炭素密度推定を可能にする。
• インドネシア、マレーシア、フィリピンのウォールツウォールHCSマップを生成し、保全活動および持続可能な土地利用計画を支援する。
• 主観的な視覚的解釈や高コストのフィールド調査に依存することを減らし、バイオマスおよび炭素ストック推定を自動化する。

提案手法

• 完全畳み込みニューラルネットワーク（FCN）を用い、スパースなGEDI LIDAR波形データを参照として、10 mのSentinel-2ピクセルごとに被覆上部高さを予測する。
• モデルは822枚のSentinel-2タイル（2460万サンプル）でトレーニングされ、92枚のホールドアウトタイル（270万サンプル）で検証され、ADAM最適化を用いた平均二乗誤差（MSE）損失関数が使用される。
• 被覆高予測は、非被覆領域に対しても実行され、Sentinel-2 L2Aシーン分類を用いて高さをゼロに設定する。
• 5つの浅い完全畳み込みネットワークのアンサンブルを用い、密な被覆高マップから炭素密度を予測する。負のガウス対数尤度を最小化する。
• 被覆高と炭素密度の関係をモデル化するために、トレーニング可能なパラメータを有するべき乗法変換を最初の層として適用するが、顕著な性能向上は観察されない。
• HCS分類は、HCSAツールキットモジュール4の値を用いて予測された炭素密度をしきい値処理することで得られ、プランテーションおよび都市部は既存のマップを用いてマスクされる。

実験結果

リサーチクエスチョン

• RQ1 スパースな宇宙船搭載LIDAR（GEDI）データは、光学衛星画像からの高分解像被覆高推定に向けた深層学習モデルのトレーニングに効果的に利用可能か？
• RQ2 GEDIとSentinel-2データにトレーニングされた深層学習モデルは、大陸規模で炭素密度を正確に予測し、高炭素ストック森林を分類できるか、その程度は？
• RQ3 GEDIにトレーニングされた深層学習モデルは、従来の回帰法や視覚的解釈法と比較して、正確性およびスケーラビリティの観点で優れているか？
• RQ4 本モデルは、原生林、劣化地帯、プランテーションを含む多様な熱帯景観において、高空間分解能を維持したまま一般化可能か？
• RQ5 15×15の受容 field を通じた周辺コンテキストの組み込みは、被覆高および炭素密度予測の正確性にどのような影響を与えるか？

主な発見

• GEDIの参照データに対して検証された際、深層学習モデルは被覆高推定で6.3 mのルート平均二乗誤差（RMSE）を達成する。
• 予測された炭素密度を用いて、高炭素ストック（HCS）森林と劣化地帯を分類する際、全体の正確性は86%である。
• 本手法により、インドネシア、マレーシア、フィリピンにおける最初の10 m空間解像度のウォールツウォールHCSマップが生成された。
• 5つの完全畳み込みネットワークのアンサンブルは、被覆高から炭素密度を効果的に予測したが、明示的なべき乗法変換による性能向上は顕著ではなかった。
• 木の密度しきい値（それぞれ10 mピクセルあたり0.2および0.4本以上）を用いたパームおよびココヤシプランテーションのマスクにより、分類の正確性が向上し、非森林領域が除外された。
• 2016年の航空レーザースキャニングデータとの時間的不一致を低減するため、2017年のSentinel-2データを用いることで、トレーニングおよび検証プロセスの整合性が向上した。