[논문 리뷰] High-resolution canopy height map in the Landes forest (France) based on GEDI, Sentinel-1, and Sentinel-2 data with a deep learning approach

Martin A. Schwartz, Philippe Ciais외 12명|arXiv (Cornell University)|2022. 12. 20.

Remote Sensing and LiDAR Applications참고 문헌 35인용 수 30

한 줄 요약

본 논문은 Sentinel-1/2 데이터를 이용하여 10 m 수관 캐노피 높이 맵을 Landes de Gascogne 숲(프랑스) 용으로 생성하는 심층 학습 U-Net 모델을 개발하고 GEDI 유도 높이를 참조로 하며, MAE는 2.02 m이다.

ABSTRACT

In intensively managed forests in Europe, where forests are divided into stands of small size and may show heterogeneity within stands, a high spatial resolution (10 - 20 meters) is arguably needed to capture the differences in canopy height. In this work, we developed a deep learning model based on multi-stream remote sensing measurements to create a high-resolution canopy height map over the "Landes de Gascogne" forest in France, a large maritime pine plantation of 13,000 km$^2$ with flat terrain and intensive management. This area is characterized by even-aged and mono-specific stands, of a typical length of a few hundred meters, harvested every 35 to 50 years. Our deep learning U-Net model uses multi-band images from Sentinel-1 and Sentinel-2 with composite time averages as input to predict tree height derived from GEDI waveforms. The evaluation is performed with external validation data from forest inventory plots and a stereo 3D reconstruction model based on Skysat imagery available at specific locations. We trained seven different U-net models based on a combination of Sentinel-1 and Sentinel-2 bands to evaluate the importance of each instrument in the dominant height retrieval. The model outputs allow us to generate a 10 m resolution canopy height map of the whole "Landes de Gascogne" forest area for 2020 with a mean absolute error of 2.02 m on the Test dataset. The best predictions were obtained using all available satellite layers from Sentinel-1 and Sentinel-2 but using only one satellite source also provided good predictions. For all validation datasets in coniferous forests, our model showed better metrics than previous canopy height models available in the same region.

연구 동기 및 목표

• 저구획에서 구획 간 이질성이 작고 이질적인 유럽 관리 숲에서 미세 규모의 캐노피 높이 이질성을 포착한다.
• 다중 센서 Sentinel 데이터를 사용하여 Landes de Gascogne의 고해상도(10 m) 캐노피 높이 맵을 생성한다.
• 대규모 영역에서 학습/배포하기 위해 GEDI 유도 높이를 참조로 활용한다.
• Sentinel-1 및 Sentinel-2 입력의 기여도를 평가하기 위해 여러 U-Net 구성들을 평가한다.

제안 방법

• 다중 밴드 Sentinel-1/2 입력과 합성 시간 평균 특징을 사용하여 7개의 U-Net 모델을 학습한다.
• GEDI 유도 트리 높이를 지도 학습의 목표로 사용한다.
• 각 기기의 중요성을 판단하기 위해 밴드 구성을 평가한다.
• Landes de Gascogne 지역에 대해 2020 시점의 10 m 해상도 캐노피 높이 맵을 생성한다.
• 특정 위치에서 외부 산림 재고 표와 Skysat 기반 3D 재구성 모델을 사용하여 예측을 검증한다.
• 같은 지역의 기존 캐노피 높이 모델과 성능을 비교한다.

실험 결과

연구 질문

• RQ1 대형 관리 숲 전반에서 다중 밴드 Sentinel-1/2 데이터를 사용한 심층 학습 모델이 GEDI 유도 트리 높이를 정확하게 예측할 수 있는가?
• RQ2 Sentinel-1/2 밴드 조합의 다양성이 캐노피 높이 예측 정확도에 어떤 영향을 미치는가?
• RQ3 2020년 Landes de Gascogne에 대해 10 m 캐노피 높이 맵을 제시 가능한가, 검증 데이터셋에서 허용 가능한 오차(MAE)로?
• RQ4 제안된 모델이 해당 지역의 기존 캐노피 높이 모델과 비교할 때 어떠한 차이가 있는가?

주요 결과

• 2020년 Landes de Gascogne에 대한 10 m 해상도 캐노피 높이 맵을 테스트 데이터에서 평균 절대 오차 2.02 m로 달성했다.
• 모든 이용 가능한 Sentinel-1 및 Sentinel-2 레이어를 사용한 최적 예측이 도출되었으며, 단일 위성 소스도 좋은 결과를 낳았다.
• 해당 지역의 침엽수 숲에 대해 기존 캐노피 높이 모델보다 검증 데이터에서 더 나은 성능을 보였다.
• 평가를 위해 산림 재고 표와 Skysat 기반 3D 재구성의 외부 검증 데이터를 활용했다.