[論文レビュー] Sub-Meter Tree Height Mapping of California using Aerial Images and LiDAR-Informed U-Net Model

Fabien H Wagner, Sophia Roberts+8 more|arXiv (Cornell University)|Jun 2, 2023

Remote Sensing and LiDAR Applications被引用数 4

ひとこと要約

本研究では、2020年米国農務省-NAIP航空写真（60 cm解像度）を用い、LiDARを用いたU-Net回帰モデルを訓練することで、カリフォルニア州の1m未塔の解像度（0.6 m）の樹冠高マップを提示する。モデルは多様な森林タイプにおいて平均絶対誤差2.9 mを達成し、垂直視点の光学画像から3次元木構造を正確に再構築し、既存のグローバルな樹冠高製品を上回る性能を示し、高さ50 mまでの木に対しても有効である。

ABSTRACT

Tree canopy height is one of the most important indicators of forest biomass, productivity, and species diversity, but it is challenging to measure accurately from the ground and from space. Here, we used a U-Net model adapted for regression to map the canopy height of all trees in the state of California with very high-resolution aerial imagery (60 cm) from the USDA-NAIP program. The U-Net model was trained using canopy height models computed from aerial LiDAR data as a reference, along with corresponding RGB-NIR NAIP images collected in 2020. We evaluated the performance of the deep-learning model using 42 independent 1 km$^2$ sites across various forest types and landscape variations in California. Our predictions of tree heights exhibited a mean error of 2.9 m and showed relatively low systematic bias across the entire range of tree heights present in California. In 2020, trees taller than 5 m covered ~ 19.3% of California. Our model successfully estimated canopy heights up to 50 m without saturation, outperforming existing canopy height products from global models. The approach we used allowed for the reconstruction of the three-dimensional structure of individual trees as observed from nadir-looking optical airborne imagery, suggesting a relatively robust estimation and mapping capability, even in the presence of image distortion. These findings demonstrate the potential of large-scale mapping and monitoring of tree height, as well as potential biomass estimation, using NAIP imagery.

研究の動機と目的

• 光学航空写真と限定的なLiDARトレーニングデータのみを用いて、大規模な森林地域における高分解能の樹冠高マッピング手法をスケーラブルに開発すること。
• 地域の森林管理や保全応用に不適切な精度を示す粗いグローバルな樹冠高マップ（例：10–30 m解像度）の限界を克服すること。
• 深層学習がLiDARで得られた高さリファレンスから幾何的パターンを学習することで、垂直視点の2次元光学画像から3次元木構造を再構築できるかどうかを評価すること。
• カリフォルニア州の高い森林バイオマスと生物多様性を有する地域において、大規模かつサブメートル解像度の樹高マッピングを可能にし、炭素貯蔵量の監視と保全計画の向上を図ること。
• モデルの多様な森林タイプや地形条件（山岳地帯や歪みの生じやすい画像環境を含む）にわたる移植性および耐性を評価すること。

提案手法

• 2020年に取得されたRGB-NIR NAIP航空写真（60 cm解像度）から樹冠高を予測する回帰用のU-Netベースの畳み込みニューラルネットワーク（CNN）を訓練した。
• モデルのトレーニングのための正解ラベルとして、LiDARで得られた樹冠高モデル（CHMs）を用い、木の高さ推定に高い精度を持つ基準データを確保した。
• 異なる森林タイプや撮影条件にわたるモデルの一般化を向上させるために、データ拡張および正規化技術を適用した。
• 高価なクラスタを必要とせず、標準的な研究用ハードウェアでも利用可能なため、1台のNVIDIA RTX 3090 GPUを用いてトレーニングおよび推論を実施した。
• 既存の建物の敷地マップデータを統合し、正解CHMsにおける構造物の誤分類（植生としての誤認識）を低減した。
• カリフォルニア州の多様な森林タイプおよび地形的条件をカバーする42の独立した1 km²のテストサイトで、モデルの性能を検証した。

Figure 1: Mosaic of NAIP aerial images containing 11,076 tiles that cover the state of California, USA, from the 2020 campaign ( $\sim$ 430,000 km 2 ). Only the red, blue, and green bands were used for visualization purposes. The map displays the extent of the NAIP images used for model training (sh

実験結果

リサーチクエスチョン

• RQ1 LiDARで得られた樹冠高マップでトレーニングされた深層学習モデルは、垂直視点の2次元光学航空写真から正確な3次元木構造を再構築できるか？
• RQ2 U-Netベースの回帰モデルの性能は、空間解像度および精度の観点で、既存のグローバルな樹冠高製品と比べてどうか？
• RQ3 モデルは、山岳地帯や画像歪みの生じやすい地域を含む多様な森林タイプおよび地形変動にどれほど一般化できるか？
• RQ4 モデルは40 mを超える木の高さを飽和せずに推定できるか？特にコリン・レッドウッドのようなカリフォルニアの最も高い木に対し、性能はいかがなものか？
• RQ5 モデルのアーキテクチャおよび推論パイプラインは、標準的なハードウェアで大規模に展開可能であり、保全および森林管理分野における広範なアクセスを可能にするか？

主な発見

• 42の独立した1 km²の検証サイトにおいて、モデルは全範囲の観測木高にわたり、平均絶対誤差（MAE）が2.9 mであり、系統的なバイアスは低かった。
• モデルは50 mまでの木高を飽和せずに正確に推定でき、10 m解像度のSentinel-2マップや30 m解像度のLandsatベースマップといった既存のグローバルな樹冠高製品を上回った。
• 2次元垂直視点航空写真から高精度に3次元木構造を再構築でき、木の高さや樹冠径といった個体レベルの指標を抽出可能となった。
• 2020年時点で、5メートルを超える木がカリフォルニア州の約19.3%を覆っており、バイオマスおよび炭素貯蔵量の評価における重要な指標となった。
• 画像歪みが一般的な山岳地帯や地形的に複雑な地域でも、モデルは頑健な性能を示し、高分解像度画像における幾何的歪みに対しても耐性があることが示唆された。
• モデルの推論およびトレーニングパイプラインは効率的であり、1台のハイエンドGPU（NVIDIA RTX 3090）で実行可能で、大多数の研究機関および保全機関が利用可能となった。

Figure 2: U-Net model architecture used for canopy height estimation from VHR NAIP images.