[논문 리뷰] Estimating Canopy Height at Scale

Jan Pauls, Max Zimmer외 7명|arXiv (Cornell University)|2024. 06. 03.

Remote Sensing and LiDAR ApplicationsEnvironmental Science인용 수 3

한 줄 요약

이 논문은 위성 데이터와 새로운 딥러닝 접근법을 활용한 글로벌 스케일의 관측 높이 추정 프레임워크를 제시한다. Sentinel-1, Sentinel-2 및 GEDI 데이터를 활용하며, 지오로케이션 오차를 보정하기 위한 맞춤형 손실 함수를 적용하고, SRTM 데이터를 통합하여 산악 지역에서의 오류 예측을 필터링함으로써, 10m 해상도에서 전 세계적으로 평균 절대 오차(MAE) 2.43m, 루트 평균 제곱 오차(RMSE) 4.73m를 달성한다.

ABSTRACT

We propose a framework for global-scale canopy height estimation based on satellite data. Our model leverages advanced data preprocessing techniques, resorts to a novel loss function designed to counter geolocation inaccuracies inherent in the ground-truth height measurements, and employs data from the Shuttle Radar Topography Mission to effectively filter out erroneous labels in mountainous regions, enhancing the reliability of our predictions in those areas. A comparison between predictions and ground-truth labels yields an MAE / RMSE of 2.43 / 4.73 (meters) overall and 4.45 / 6.72 (meters) for trees taller than five meters, which depicts a substantial improvement compared to existing global-scale maps. The resulting height map as well as the underlying framework will facilitate and enhance ecological analyses at a global scale, including, but not limited to, large-scale forest and biomass monitoring.

연구 동기 및 목표

• 생태계 및 기후 모니터링을 위한 정확하고 글로벌하게 일관된 관측 높이 지도의 부족을 해소하기 위해.
• 기존 글로벌 지도들이 자주 겪는 노이즈, 편향 및 산악 또는 복잡한 지형에서의 낮은 성능 문제를 극복하기 위해.
• 학습 과정에서 지오로케이션 정확도 부족으로 인한 GEDI 미션의 지상 기반 데이터 신뢰도를 향상시키기 위해.
• SRTM 디지털 고도 데이터를 필터링 수단으로 활용하여 지형이 복잡한 지역에서의 예측 정확도를 향상시키기 위해.
• 벽에서 벽까지, 고해상도의 관측 높이 지ap을 10m 해상도에서 가능하게 하는 확장 가능한, 완전 컨volution 신경망 프레임워크를 개발하기 위해.

제안 방법

• 다양한 원천의 위성 데이터(센티넬-1(레이다), 센티넬-2(광학), GEDI(LiDAR 기반 높이))를 기반으로 훈련된 완전 컨volution 신경망(FCNs)을 활용한다.
• 시간적 병합 기법을 적용하여, 시간 시리즈에서 픽셀별 중앙값을 계산함으로써 구름 제거 및 일관성 있는 위성 이미지 입력을 생성한다.
• GEDI 높이 측정치의 지오로케이션 정확도 부족이 모델 예측 정확도에 미치는 영향을 최소화하기 위해 특별히 설계된 새로운 손실 함수를 도입한다.
• 산악 지역에서 비현실적으로 높은 관측 높이 예측을 억제하기 위해 셔틀 레이더 지형 측정 미션(SRTM) 데이터를 공간적 필터로 통합한다.
• 위성 데이터와 GEDI 데이터의 정렬, 유효하지 않은 영역 마스킹, 입력 특징의 정규화를 포함한 철저한 데이터 전처리를 수행한다.
• 공개된 데이터를 사용하여 전 세계적으로 종단 간(end-to-end)으로 모델을 훈련함으로써, 모든 육지 표면에서 10m 공간 해상도로 추론이 가능하게 한다.

실험 결과

연구 질문

• RQ1 다양한 센서의 위성 데이터를 기반으로 훈련된 딥러닝 프레임워크는 10m 해상도에서 글로벌하게 일관되고 정확한 관측 높이 지도를 생성할 수 있는가?
• RQ2 맞춤형 손실 함수는 GEDI 높이 측정치의 지오로케이션 오차가 모델 예측 정확도에 미치는 영향을 얼마나 효과적으로 줄이는가?
• RQ3 SRTM에서 유도된 지형 정보는 산악 및 지형이 복잡한 지역에서의 관측 높이 추정에 어느 정도 향상 효과를 가지는가?
• RQ4 기존 글로벌 관측 높이 제품과 비교할 때, 제안된 프레임워크는 MAE 및 RMSE 측면에서 성능이 어떻게 뛰어나게 되는가?
• RQ5 레이다, 광학 및 LiDAR 데이터를 통합한 유일한 딥러닝 파이프라인을 통해 대규모에서 신뢰할 수 있는 생물량 및 탄소 저장량 추정치를 도출할 수 있는가?

주요 결과

• 모델은 지상 기반 GEDI 측정치와 비교하여 전 세계 평균 절대 오차(MAE) 2.43미터, 루트 평균 제곱 오차(RMSE) 4.73미터를 달성한다.
• 다섯 미터를 초과하는 나무에 대해서는 평균 절대 오차(MAE) 4.45미터, 루트 평균 제곱 오차(RMSE) 6.72미터를 기록하여, 높은 식생을 탐지하고 추정하는 데 강력한 성능을 보인다.
• 새로운 손실 함수의 사용은 GEDI 지오로케이션 정확도 부족이 미치는 영향을 크게 감소시켜 모델의 강건성과 예측 일관성을 향상시킨다.
• SRTM 데이터를 지형 필터로 통합함으로써 산악 지역에서의 비현실적으로 높은 관측 높이 예측을 효과적으로 줄여 복잡한 지형에서의 신뢰도를 향상시킨다.
• 결과적으로 도출된 10m 해상도의 글로벌 관측 높이 지도는 해상도 일관성과 정확도 측면에서 기존 글로벌 스케일 제품보다 뛰어나며, 특히 지형 변화가 빈번한 지역에서 두각을 나타낸다.
• 이 프레임워크는 대규모 생태계 모니터링, 탄소 저장량 평가 및 기후 정책 지원에 적합한 벽에서 벽까지의 고해상도 관측 높이 추정을 가능하게 한다.