[論文レビュー] OpenForest: A data catalogue for machine learning in forest monitoring

Arthur Ouaknine, Teja Kattenborn+2 more|arXiv (Cornell University)|Nov 1, 2023

Remote Sensing and LiDAR Applications被引用数 4

ひとこと要約

OpenForest は、地上、航空、および衛星リモートセンシングをカバーする 86 種類のオープンアクセス森データセットの動的でコミュニティ主導のカタログを提供し、森のモニタリングにおける大規模な機械学習応用を可能にします。地理的に多様なマルチモーダルデータを標準化されたメタデータとともに集約することで、本プラットフォームは、樹種同定、バイオマス推定、およびグローバルな森の持続可能性のためのフォーメーションモデル開発における研究を加速します。

ABSTRACT

Forests play a crucial role in Earth's system processes and provide a suite of social and economic ecosystem services, but are significantly impacted by human activities, leading to a pronounced disruption of the equilibrium within ecosystems. Advancing forest monitoring worldwide offers advantages in mitigating human impacts and enhancing our comprehension of forest composition, alongside the effects of climate change. While statistical modeling has traditionally found applications in forest biology, recent strides in machine learning and computer vision have reached important milestones using remote sensing data, such as tree species identification, tree crown segmentation and forest biomass assessments. For this, the significance of open access data remains essential in enhancing such data-driven algorithms and methodologies. Here, we provide a comprehensive and extensive overview of 86 open access forest datasets across spatial scales, encompassing inventories, ground-based, aerial-based, satellite-based recordings, and country or world maps. These datasets are grouped in OpenForest, a dynamic catalogue open to contributions that strives to reference all available open access forest datasets. Moreover, in the context of these datasets, we aim to inspire research in machine learning applied to forest biology by establishing connections between contemporary topics, perspectives and challenges inherent in both domains. We hope to encourage collaborations among scientists, fostering the sharing and exploration of diverse datasets through the application of machine learning methods for large-scale forest monitoring. OpenForest is available at https://github.com/RolnickLab/OpenForest .

研究の動機と目的

• 多様なリモートセンシングプラットフォームや地理的地域にまたがるオープン森データセットの断片化とアクセス困難さに対処すること。
• 機械学習研究を支援するための、中央集権的で動的かつコミュニティが更新するオープンアクセス森データセットのリポジトリを確立すること。
• 機械学習の課題と森のモニタリングのニーズ、およびデータの可用性を結びつけることで、学際的協働を促進すること。
• 特にアフリカやアジアなど代表が不足している地域の地理的代表性を向上させること。
• 整理された統一されたデータを通じて、マルチモーダルでフォーメーションモデルの開発を促進すること。

提案手法

• OpenForest カタログは、インventories、地上ベース、航空、および衛星プラットフォームから得た 86 種類のオープンアクセス森データセットを収集し、空間スケール、センサータイプ、データモダリティ別に分類している。
• データセットは、データプロバイダー情報、空間的・時間的分解能、アノテーション品質を含む標準化されたメタデータとともにキュレートされており、機械学習用途における利用可能性を保証している。
• プラットフォームは GitHub にホスティングされており、コミュニティの貢献を歓迎しており、ESA Biomass ミッションからの新しいデータセットの統合を含め、継続的な更新が可能である。
• フレームワークは、空間的・時間的・スペクトル的分解能の観点から、特に LiDAR、SAR、ハイパースペクトルデータのマルチモーダルデータの整合性を重視している。
• OpenAerialMap や GBIF などのプラットフォームからの市民科学データが統合されており、グローバルカバレッジの向上と自己教師あり学習アプローチの支援が図られている。
• カタログは、事前学習およびゼロショット適応のための多様で大規模かつマルチタスクのデータセットを提供することで、フォーメーションモデルの開発を支援している。

実験結果

リサーチクエスチョン

• RQ1 中央集権的でコミュニティがメンテナンスするデータカタログは、機械学習研究におけるオープン森データセットのアクセス性と利用可能性をどのように向上させるか？
• RQ2 既存のオープン森データセットにおいて、地理的およびセンサータイプの多様性にどのようなギャップが存在し、体系的なキュレーティングによってそれらはどのように是正できるか？
• RQ3 マルチモーダルでマルチリソースの森データは、森のモニタリングタスクのための強固なフォーメーションモデルのトレーニングをどの程度可能にするか？
• RQ4 市民が生成したデータとリモートセンシングデータは、どのように統合され、森のモニタリングにおける自己教師あり学習およびトランスファー学習を支援できるか？
• RQ5 データキュレーティングとメタデータの標準化は、機械学習を用いた大規模かつスケールを超えた森のモニタリングを実現するために果たす役割は何か？

主な発見

• OpenForest カタログは現在、地上インventories、航空調査、および衛星観測をカバーする 86 種類のオープンアクセス森データセットをホスティングしており、包括的なメタデータとプロバイダー情報が付与されている。
• プラットフォームは、LiDAR や SAR、ハイパースペクトル画像を含むマルチモーダルデータを含む、高い空間的・時間的分解能を持つデータセットの特定とアクセスを可能にしている。
• カタログは、アフリカやアジア地域における顕著なデータギャップを浮き彫りにし、機械学習モデルにおけるバイアスを低減するためのより地理的に代表的なデータセットの必要性を強調している。
• ESA Biomass ミッションからの予定されるデータ統合（Pバンド SAR を提供）により、グローバルな森のトモグラフィーと炭素貯蔵量推定の能力が顕著に向上する見込みである。
• GBIF や OpenAerialMap からの市民生成データの利用は、グローバルなデータカバレッジの向上を図り、とくにデータが乏しい地域における自己教師あり学習を支援している。
• OpenForest の動的でコミュニティが更新する性質は、協働を促進し、森のモニタリングタスクに特化したフォーメーションモデルの開発を加速させている。