[논문 리뷰] Estimation of forest height and biomass from open-access multi-sensor satellite imagery and GEDI Lidar data: high-resolution maps of metropolitan France

David Morin, Milena Planells외 2명|arXiv (Cornell University)|2023. 10. 23.

Remote Sensing and LiDAR Applications인용 수 4

한 줄 요약

이 연구는 메트로폴리탄 프랑스 전역의 산림 높이와 생물량을 추정하기 위한 머신러닝 프레임워크를 개발하였다. 공개된 위성 데이터(Sentinel-1, Sentinel-2, ALOS-2)와 GEDI 라이다를 기반 자료로 사용하였으며, 산림 유형별로 집계했을 때 높이의 평균 절대 오차(MAE)는 4.3 m, 상부 생물량은 30 m³/ha로, 국가 규모의 산림 모니터링 및 탄소 회계에 기여한다.

ABSTRACT

Mapping forest resources and carbon is important for improving forest management and meeting the objectives of storing carbon and preserving the environment. Spaceborne remote sensing approaches have considerable potential to support forest height monitoring by providing repeated observations at high spatial resolution over large areas. This study uses a machine learning approach that was previously developed to produce local maps of forest parameters (basal area, height, diameter, etc.). The aim of this paper is to present the extension of the approach to much larger scales such as the French national coverage. We used the GEDI Lidar mission as reference height data, and the satellite images from Sentinel-1, Sentinel-2 and ALOS-2 PALSA-2 to estimate forest height and produce a map of France for the year 2020. The height map is then derived into volume and aboveground biomass (AGB) using allometric equations. The validation of the height map with local maps from ALS data shows an accuracy close to the state of the art, with a mean absolute error (MAE) of 4.3 m. Validation on inventory plots representative of French forests shows an MAE of 3.7 m for the height. Estimates are slightly better for coniferous than for broadleaved forests. Volume and AGB maps derived from height shows MAEs of 75 tons/ha and 93 m${}^3$/ha respectively. The results aggregated by sylvo-ecoregion and forest types (owner and species) are further improved, with MAEs of 23 tons/ha and 30 m${}^3$/ha. The precision of these maps allows to monitor forests locally, as well as helping to analyze forest resources and carbon on a territorial scale or on specific types of forests by combining the maps with geolocated information (administrative area, species, type of owner, protected areas, environmental conditions, etc.). Height, volume and AGB maps produced in this study are made freely available.

연구 동기 및 목표

• 메트로폴리탄 프랑스 전역의 국가 규모 지ap 맵핑으로 지역 산림 매개변수 추정 방법을 확장한다.
• 공개된 위성 영상과 GEDI 라이다 데이터를 활용하여 고해상도 산림 모니터링을 실현한다.
• 탄소 및 산림 관리 응용을 위해 산림 높이, 부피, 상부 생물량(AGB)의 정확하고 공간적으로 명시된 지도를 제작한다.
• 항공 레이저 스캐닝(ALS) 데이터와 현장 조사 플롯을 이용해 지도의 정확도를 검증한다.
• 소유권, 수종, 보호 지역과 같은 지공간 데이터와 통합하여 지역 규모의 분석을 가능하게 한다.

제안 방법

• GEDI 라이다 데이터를 기반 자료로 하여 프랑스 전역의 산림 높이에 대해 머신러닝 모델을 훈련시켰다.
• 산림의 구조적 및 스펙트럼적 특성을 캡처하기 위해 Sentinel-1(C밴드 레이더), Sentinel-2(광학), ALOS-2(PALSAR-2 레이더)의 다중 센서 위성 데이터를 통합하였다.
• 10 m 해상도에서 위성 반사율 및 백산란 데이터로부터 산림 높이를 예측하기 위해 지도 학습 접근법을 적용하였다.
• 수종별로 다른 생장 방정식을 사용하여 추정된 산림 높이를 부피와 상부 생물량(AGB)으로 변환하였다.
• 독립적인 항공 레이저 스캐닝(Als) 기반 높이 지도와 국가 산림 조사 플롯을 대조하여 예측값을 검증하였다.
• 정확도 향상과 타겟 분석 지원을 위해 결과를 산림 생태지역 및 산림 유형별로 집계하였다.

실험 결과

연구 질문

• RQ1 GEDI 라이다 데이터로 훈련된 머신러닝 모델이 메트로폴리탄 프랑스와 같은 크고 다양한 지역에서 산림 높이를 정확하게 추정할 수 있는가?
• RQ2 다중 센서 위성 데이터를 사용할 때 산림 유형별로 소나무류와 낙엽수림 간의 산림 높이 및 생물량 추정 정확도는 어떻게 다를까?
• RQ3 산림 유형과 산림 생태지역별로 집계된 지도가 생물량 및 부피 추정의 정확도를 얼마나 향상시키는가?
• RQ4 공개된 위성 데이터와 GEDI 라이다를 조합하여 탄소 회계 및 산림 관리에 적합한 고해상도, 국가 수준 일致성 있는 산림 지도를 제작할 수 있는가?
• RQ5 모델의 예측값이 높이 및 생물량의 평균 절대 오차(MAE) 기준으로 독립적인 ALS 및 현장 조사 데이터와 비교해 볼 때 어떻게 되는가?

주요 결과

• ALS 기반 지도와의 검증에서 산림 높이 지도의 평균 절대 오차(MAE)는 4.3 m로, 최첨단 정확도에 근접하였다.
• 국가 산림 조사 플롯에 대한 검증 결과 산림 높이의 MAE는 3.7 m였으며, 소나무류 산림에서 약간 더 뛰어난 성능을 보였다.
• 국가 규모에서 평가한 부피 및 상부 생물량(AGB) 지도의 MAE는 각각 75 톤/ha와 93 m³/ha였다.
• 산림 유형 및 산림 생태지역별로 집계한 결과, AGB의 MAE는 30 m³/ha로 감소하여, 분류 기반 정확도 향상이 확인되었다.
• 모델은 다양한 산림 유형과 지역에서 뛰어난 성능을 보이며, 신뢰할 수 있는 국가 규모의 모니터링을 지원하였다.
• 최종적으로 제작된 산림 높이, 부피, AGB의 고해상도 지도는 연구, 정책, 토지 관리 응용을 위해 무료로 제공된다.