[논문 리뷰] A global method to identify trees inside and outside of forests with medium-resolution satellite imagery.

John Brandt, Fred Stolle|arXiv (Cornell University)|2020. 05. 13.

Remote Sensing and LiDAR Applications참고 문헌 63인용 수 3

한 줄 요약

이 논문은 10미터 해상도의 패널샤프닝된 에어로스페이셜-2 옵티컬 및 에어로스페이셜-1 레이더 영상 자료를 사용하여 전 세계적으로 일관된 딥러닝 방법을 제시한다. 이 방법은 중간 해상도에서 숲 안팎의 나무를 탐지할 수 있으며, 낮고 중간 수준의 수관 밀도 지역에서는 75% 이상의 사용자 및 생산자 정확도를 달성하고, 밀도가 높은 숲에서는 95%의 정확도를 기록한다. 이는 다양한 지형에서 고정밀 전 세계 나무 지ap핑을 가능하게 한다. 전역적으로 일관된 성능을 보이며, 완전히 컨volutional 네트워크를 특징으로 하는 모델은 컨volutional 게이트드 순환단위와 특징 피라미드 주의층을 포함하고 있다. 이는 낮고 중간 수준의 수관 밀도 지역에서 75% 이상의 사용자 및 생산자 정확도를 달성하고, 밀도가 높은 숲에서는 95%의 정확도를 기록한다. 이는 다양한 지형에서 고정밀 전 세계 나무 지도 제작을 가능하게 한다.

ABSTRACT

Scattered trees outside of dense forests are very important for carbon sequestration, supporting livelihoods, maintaining ecosystem integrity, and climate change adaptation and mitigation. In contrast to trees inside of forests, not much is known about the spatial extent and distribution of scattered trees at a global scale. Due to the very high cost of high-resolution satellite imagery, global monitoring systems rely on medium resolution satellites to monitor land use and land use change. However, detecting and monitoring scattered trees with an open canopy using medium resolution satellites is difficult because individual trees often cover a smaller footprint than the satellites resolution. Here we present a globally consistent method to identify trees inside and outside of forests with medium resolution optical and radar imagery. Biweekly cloud-free, pansharpened 10 meter Sentinel-2 optical imagery and Sentinel-1 radar imagery are used to train a fully convolutional network, consisting of a convolutional gated recurrent unit layer and a feature pyramid attention layer. Tested across more than 215,000 Sentinel-1 and Sentinel-2 pixels distributed from -60 to +60 latitude, the proposed model exceeds 75 percent users and producers accuracy identifying trees in hectares with a low to medium density (less than 40 percent) of canopy cover, and 95 percent user's and producer's accuracy in hectares with dense (greater than 40 percent) canopy cover. When applied across large, heterogeneous landscapes, the results demonstrate potential to map trees in high detail and consistent accuracy over diverse landscapes across the globe. This information is important for understanding current land cover and can be used to detect changes in land cover such as agroforestry, buffer zones around biological hotspots, and expansion or encroachment of forests.

연구 동기 및 목표

• 밀도가 높은 숲 외부의 산재한 나무에 대한 전 세계 규모의 데이터 부족 문제를 해결하기 위해, 이는 탄소 흡수 및 생태계의 안정성에 핵심적이다.
• 수평 해상도가 중간 수준인 위성 영상에서 나무를 개별적으로 탐지하는 데 도전하는 문제를 해결하기 위해, 나무 수관이 종종 공간 해상도 이하에 머무르기 때문이다.
• 이국적인 지형에서 옵티컬 및 레이더 위성 자료를 활용하여 전 세계적으로 적용 가능한 일관된 방법을 개발하기 위해.
• 농림복합경영, 숲 확장, 생물다양성 핫스팟 주변의 보호구역 등을 포함한 토지 이용 및 토지 이용 변화의 모니터링을 향상시키기 위해.

제안 방법

• 이 방법은 이중 주기의 구름 없는, 패널샤프닝된 10미터 해상도의 에어로스페이셜-2 옵티컬 영상과 에어로스페이셜-1 레이더 영상을 입력 자료로 사용한다.
• 완전히 컨볼루션 네트워크 아키텍처를 사용하며, 시간적 동적 변화와 공간적 맥락을 모델링하기 위해 컨볼루션 게이트드 순환단위층을 포함한다.
• 특징 피라미드 주의층은 다양한 척도에서 특징 표현을 향상시켜 크기와 수관 밀도가 다른 나무의 탐지 성능을 향상시킨다.
• 모델은 -60°에서 +60°의 위도를 아우르는 215,000개 이상의 픽셀을 기반으로 훈련되어 전 세계 적용 가능성을 확보한다.
• 기상 및 조명 조건의 변화에 대비하여 옵티컬 및 레이더 자료를 융합함으로써 모델의 강건성을 향상시킨다.
• 사용자 및 생산자 정확도를 다양한 수관 밀도 임계치에서 평가하여 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 중간 해상도의 옵티컬 및 레이더 위성 영상 자료를 사용하여 딥러닝 모델이 숲이 있는 지역과 없는 지역 모두에서 나무를 신뢰성 있게 탐지할 수 있는가?
• RQ2 다양한 전 세계 지형에서 수관 커버 밀도가 다른 지역에서 모델의 정확도는 어느 정도인가?
• RQ3 옵티컬 및 레이더 자료의 융합이 단일 센서 접근 방식에 비해 나무 탐지 정확도를 얼마나 향상시킬 수 있는가?
• RQ4 모델은 전 세계적으로 다양한 생태대 및 토지 피복 유형에서 일관된 성능을 유지할 수 있는가?
• RQ5 이 방법은 농림복합경영 개발 또는 숲 확장과 같은 수관 커버 변화 탐지에 얼마나 효과적인가?

주요 결과

• 수관 밀도가 낮거나 중간 수준(40% 이하)인 헥타르 단위 지역에서, 모델은 사용자 및 생산자 정확도가 75% 이상을 달성한다.
• 수관 밀도가 높은 지역(40% 초과)에서는 모델의 사용자 및 생산자 정확도가 95%에 도달하여 숲 지역에서의 높은 신뢰성을 입증한다.
• 이 방법은 대규모이고 이질적인 지형에서 일관된 성능을 유지하며, 다양한 전 세계 생태대에서의 확장성과 강건성을 시사한다.
• 옵티컬 및 레이더 자료의 융합은 특히 자주 구름이 드리우는 지역에서 탐지 정확도를 크게 향상시킨다.
• 모델은 전 세계 규모에서 고해상도 나무 지도 제작을 가능하게 하며, 농림복합경영 및 숲 확장과 같은 토지 피복 변화의 세밀한 모니터링을 지원한다.
• 결과는 농림복합경영, 보호구역 및 생물다양성 핫스팟 보호를 포함한 토지 이용 및 토지 이용 변화의 지속적 모니터링에 운영적으로 활용할 수 있는 잠재력을 입증한다.