[논문 리뷰] High carbon stock mapping at large scale with optical satellite imagery and spaceborne LIDAR

Nico Lang, Konrad Schindler외 1명|arXiv (Cornell University)|2021. 07. 15.

Remote Sensing and LiDAR Applications참고 문헌 43인용 수 15

한 줄 요약

이 논문은 열대 동남아시아 전역에서 대규모로 수관 높이와 탄소 밀도를 지ap핑하기 위해 희박한 GEDI 라이다 데이터와 고해상도 Sentinel-2 옵티컬 위성 이미지를 활용하는 딥러닝 프레임워크를 제안한다. 이 방법은 고탄소저축림(HCS)을 86%의 정확도로 분류하며, 인도네시아, 말레이시아, 필리핀에 대해 10m 해상도로 처음으로 월월(HCS) 지ap핑도를 제작한다.

ABSTRACT

The increasing demand for commodities is leading to changes in land use worldwide. In the tropics, deforestation, which causes high carbon emissions and threatens biodiversity, is often linked to agricultural expansion. While the need for deforestation-free global supply chains is widely recognized, making progress in practice remains a challenge. Here, we propose an automated approach that aims to support conservation and sustainable land use planning decisions by mapping tropical landscapes at large scale and high spatial resolution following the High Carbon Stock (HCS) approach. A deep learning approach is developed that estimates canopy height for each 10 m Sentinel-2 pixel by learning from sparse GEDI LIDAR reference data, achieving an overall RMSE of 6.3 m. We show that these wall-to-wall maps of canopy top height are predictive for classifying HCS forests and degraded areas with an overall accuracy of 86 % and produce a first high carbon stock map for Indonesia, Malaysia, and the Philippines.

연구 동기 및 목표

• 열대 지역에서 대규모 고탄소저축림(HCS) 지도 제작을 위한 자동화되고 확장 가능한 방법을 개발하기 위해.
• 항공 레이저 스캐닝(ALS)의 높은 비용과 제한된 커버리지 문제를 해결하기 위해, 희박한 궤도 기반 라이다(GEDI) 데이터를 기준 데이터로 활용하기 위해.
• 옵티컬 위성 이미지에 기반한 딥러닝 모델을 훈련시켜 고해상도(10m) 수관 높이 및 탄소 밀도 추정을 가능하게 하기 위해.
• 인도네시아, 말레이시아, 필리핀에 대해 고해상도(10m)의 월월 HCS 지도를 제작하여 보존 및 지속 가능한 토지 이용 계획을 지원하기 위해.
• 생물량 및 탄소 저축량 추정을 자동화하여 주관적인 시각적 해석과 비용이 많이 드는 현장 조사에 의존도를 줄이기 위해.

제안 방법

• 전체 컨volution 신경망(FCN)이 희박한 GEDI 라이다 웨이브포트 데이터를 기준으로 하여, 각 10m 해상도의 Sentinel-2 픽셀에 대해 수관 상단 높이를 예측하도록 훈련된다.
• 모델은 822개의 Sentinel-2 타일(2,460만 개의 샘플)에서 훈련되고, 92개의 별도의 타일(270만 개의 샘플)에서 검증되며, 평균 제곱오차(MSE) 손실과 ADAM 최적화를 사용한다.
• 수관 높이 예측은 비식생 지역에서도 수행되며, 이 경우 수관 높이가 Sentinel-2 L2A 시나리오 분류를 사용하여 0으로 설정된다.
• 다섯 개의 얕은 전연결 컨volution 네트워크의 앙상블이, 음의 가우시안 로그우도를 최소화하도록, 조밀한 수관 높이 지ap핑도에서 탄소 밀도를 예측하도록 훈련된다.
• 수관 높이와 탄소 밀도 간의 관계를 모델링하기 위해 가중치를 학습 가능한 파라미터를 가진 거듭제곱법 변환을 첫 번째 레이어로 적용했지만, 성능 향상은 관찰되지 않았다.
• HCS 분류는 HCSA 툴킷 모듈 4에서 제공하는 값들을 사용하여 예측된 탄소 밀도를 임계값으로 설정하고, 농경지 및 도시 지역은 기존 지ap핑도를 사용하여 마스킹된다.

실험 결과

연구 질문

• RQ1 희박한 궤도 기반 라이다(GEDI) 데이터가 옵티컬 위성 이미지에서 고해상도 수관 높이 추정을 위한 딥러닝 모델 훈련에 효과적으로 활용될 수 있는가?
• RQ2 GEDI와 Sentinel-2 데이터를 기반으로 훈련된 딥러닝 모델이 대륙 규모에서 탄소 밀도를 정확하게 예측하고 고탄소저축림을 분류할 수 있는 정도는 어느 정도인가?
• RQ3 GEDI 데이터를 기반으로 훈련된 딥러닝 모델의 정확도와 확장성 측면에서, 전통적인 회귀 분석 또는 시각적 해석 방법에 비해 어떤가?
• RQ4 모델이 동남아시아의 다양한 열대 환경(원시림, 훼손된 지역, 농경지 등)을 포괄하면서도 고해상도를 유지할 수 있는가?
• RQ5 15×15 수신 필드를 통한 국소적 맥락 정보 통합이 수관 높이 및 탄소 밀도 예측 정확도에 어떤 영향을 미치는가?

주요 결과

• GEDI 기준 데이터와의 검증에서, 딥러닝 모델은 수관 높이 추정에 대해 루트 평균 제곱오차(RMSE)가 6.3m를 기록한다.
• 예측된 탄소 밀도를 사용하여 고탄소저축림과 훼손된 지역을 분류할 때 전체 정확도가 86%에 이른다.
• 이 방법은 인도네시아, 말레이시아, 필리핀에 대해 10m 공간 해상도로 처음으로 월월 HCS 지도를 제작한다.
• 다섯 개의 전연결 컨볼루션 네트워크 앙상블은 수관 높이에서 탄소 밀도를 성공적으로 예측했으며, 명시적인 거듭제곱법 변환을 통해 성능 향상은 관찰되지 않았다.
• 옥수수 및 코conut 농경지를 수관 밀도 임계값(각각 10m 픽셀당 0.2개 및 0.4개 이상의 수목)을 사용하여 마스킹함으로써, 비림지 영역을 제외함으로써 분류 정확도가 향상되었다.
• 2016년 항공 라이다 데이터와의 시간적 불일치를 줄이기 위해 2017년 Sentinel-2 데이터를 사용함으로써, 훈련 및 검증 과정의 일관성이 향상되었다.