[논문 리뷰] Global canopy height estimation with GEDI LIDAR waveforms and Bayesian deep learning

Nico Lang, Nikolai Kalischek외 4명|arXiv (Cornell University)|2021. 03. 05.

Remote Sensing and LiDAR Applications참고 문헌 46인용 수 10

한 줄 요약

이 논문은 글로벌 숲 생태계의 캄파스 고도 추정을 위해 GEDI 라이다 웨이브포맷을 해석하기 위한 베이지안 컨volution 신경망(Bayesian convolutional neural network, CNN)을 제안한다. 이 모델은 다양한 환경에서 강건한 특징 학습과 예측 불확실성 정량화를 가능하게 하며, 전 세계적으로 낮은 기대 RMSE(2.7 m)와 최소한의 편향을 달성하여 탄소 순환 연구를 위한 글로벌 숲 구조 지ap핑을 크게 향상시킨다.

ABSTRACT

NASA's Global Ecosystem Dynamics Investigation (GEDI) is a key climate mission whose goal is to advance our understanding of the role of forests in the global carbon cycle. While GEDI is the first space-based LIDAR explicitly optimized to measure vertical forest structure predictive of aboveground biomass, the accurate interpretation of this vast amount of waveform data across the broad range of observational and environmental conditions is challenging. Here, we present a novel supervised machine learning approach to interpret GEDI waveforms and regress canopy top height globally. We propose a Bayesian convolutional neural network (CNN) to avoid the explicit modelling of unknown effects, such as atmospheric noise. The model learns to extract robust features that generalize to unseen geographical regions and, in addition, yields reliable estimates of predictive uncertainty. Ultimately, the global canopy top height estimates produced by our model have an expected RMSE of 2.7 m with low bias.

연구 동기 및 목표

• 다양한 숲 유형과 환경 조건에서 전 세계적으로 광범위하고 다양한 GEDI 라이다 웨이브포맷 데이터를 정확하게 해석하는 데 도전하는 것.
• 알 수 없는 노이즈 원인을 명시적으로 모델링하지 않더라도, 새로운 지리적 지역에 대해 잘 일반화되는 기계학습 모델을 개발하는 것.
• 글로벌 생물량 및 탄소 순환 응용 분야에서 신뢰할 수 있고 불확실성 인식이 가능한 캄파스 고도 추정을 제공하는 것.
• GEDI 미션의 웨이브포맷 데이터를 활용하여 글로벌 숲 구조 지도의 편향을 줄이고 정확도를 향상시키는 것.

제안 방법

• GEDI 라이다 웨이브포맷에서 직접 계층적인 특징을 학습하기 위해 베이지안 컨volution 신경망(CNN)을 사용하여, 복잡한 공간적 및 시간적 패턴을 포착한다.
• 베이지안 프레임워크를 통해 가중치 분포를 모델링함으로써 불확실성 정량화를 가능하게 하며, 대기 노이즈와 같은 알 수 없는 영향을 명시적 모델링 없이도 내재적으로 고려한다.
• 레이블이 부여된 캄파스 고도 데이터를 사용하여 지도 학습 방식으로 모델을 훈련시켜 다양한 숲 유형과 지역으로의 일반화를 가능하게 한다.
• 웨이브포맷 데이터의 구조적 패턴을 식별하기 위해 컨volution 레이어를 통해 특징 추출을 수행함으로써 노이즈 및 변동성에 대한 강건성을 향상시킨다.
• 예측 불확실성은 몬테카를로 드롭아웃 또는 변분 추론을 통해 추정되며, 각 캄파스 고도 예측에 대한 신뢰구간을 제공한다.
• 모델은 글로벌 범위에서 평가되며, 기준 고도 데이터와의 비교를 통해 RMSE 및 편향 지표로 성능을 평가한다.

실험 결과

연구 질문

• RQ1 GEDI 웨이브포맷을 활용하여 다양한 글로벌 숲 유형과 환경 조건에서 베이지안 딥 러닝 모델이 캄파스 고도 추정을 효과적으로 일반화할 수 있는가?
• RQ2 예측 불확실성 정량화를 통합할 경우, 라이다 웨이브포맷에서 유도된 글로벌 캄파스 고도 지도의 신뢰성은 어느 정도 향상되는가?
• RQ3 GEDI 데이터에서 캄파스 고도를 추정할 때, 제안된 베이지안 CNN은 기존 방법 대비 RMSE와 편향 측면에서 어떻게 비교되는가?
• RQ4 모델은 대기 또는 기기 노이즈를 명시적으로 모델링하지 않더라도 웨이브포맷으로부터 강건한 특징을 학습할 수 있는가?

주요 결과

• 제안된 베이지안 CNN은 글로벌 캄파스 고도 추정에서 기대 제곱근 평균제곱오차(RMSE)가 2.7 m로 높은 정확도를 달성한다.
• 모델은 예측에서 낮은 편향을 보이며, 다양한 숲 유형과 지역에서 일관된 성능을 보인다.
• 예측 불확실성 추정치는 신뢰도가 높고 잘 校정되어 있어 생태학적 및 탄소 순환 모델링에 신뢰할 수 있는 응용이 가능하다.
• 웨이브포맷 데이터에서 강건하고 이식 가능한 특징을 학습할 수 있기 때문에, 모델은 새로운 지리적 지역으로의 일반화가 효과적으로 이루어진다.
• 베이지안 접근법은 대기 효과와 같은 알 수 없는 노이즈 원인을 명시적 모델링 없이도 성공적으로 고려한다.
• 이 방법은 대규모 숲 구조 모니터링을 위한 GEDI의 웨이브포맷 데이터 해석 분야에서 크게 발전시켰다.