[논문 리뷰] OpenForest: A data catalogue for machine learning in forest monitoring

Arthur Ouaknine, Teja Kattenborn외 2명|arXiv (Cornell University)|2023. 11. 01.

Remote Sensing and LiDAR Applications인용 수 4

한 줄 요약

OpenForest는 지상, 항공 및 위성 원격 감시를 아우르는 86개의 개방형 산림 데이터셋으로 구성된 동적이고 커뮤니티 기반의 카탈로그를 소개하며, 산림 모니터링 분야의 대규모 머신러닝 응용을 가능하게 한다. 표준화된 메타데이터를 갖춘 지리적으로 다양한 다중 모odal 데이터를 통합함으로써, 산림 종 식별, 생물량 추정, 글로벌 산림 지속 가능성에 기여하는 기초 모델 개발 분야의 연구를 가속화한다.

ABSTRACT

Forests play a crucial role in Earth's system processes and provide a suite of social and economic ecosystem services, but are significantly impacted by human activities, leading to a pronounced disruption of the equilibrium within ecosystems. Advancing forest monitoring worldwide offers advantages in mitigating human impacts and enhancing our comprehension of forest composition, alongside the effects of climate change. While statistical modeling has traditionally found applications in forest biology, recent strides in machine learning and computer vision have reached important milestones using remote sensing data, such as tree species identification, tree crown segmentation and forest biomass assessments. For this, the significance of open access data remains essential in enhancing such data-driven algorithms and methodologies. Here, we provide a comprehensive and extensive overview of 86 open access forest datasets across spatial scales, encompassing inventories, ground-based, aerial-based, satellite-based recordings, and country or world maps. These datasets are grouped in OpenForest, a dynamic catalogue open to contributions that strives to reference all available open access forest datasets. Moreover, in the context of these datasets, we aim to inspire research in machine learning applied to forest biology by establishing connections between contemporary topics, perspectives and challenges inherent in both domains. We hope to encourage collaborations among scientists, fostering the sharing and exploration of diverse datasets through the application of machine learning methods for large-scale forest monitoring. OpenForest is available at https://github.com/RolnickLab/OpenForest .

연구 동기 및 목표

• 다양한 원격 감시 플랫폼과 지리적 지역에서 흩어져 있는 개방형 산림 데이터셋의 분산성과 접근성 부족 문제를 해결하기 위해.
• 기계학습 연구를 지원하기 위해 중앙집중화되고 동적으로 유지되며 커뮤니티가 업데이트하는 개방형 산림 데이터셋 레포지토리 구축을 위해.
• 기계학습 과제와 산림 모니터링 수요 및 데이터 가용성 간의 연결을 통해 다학제적 협업을 촉진하기 위해.
• 특히 아프리카와 아시아 등 대표성이 부족한 지역을 포함해 지리적 대표성을 향상시키기 위해.
• 정제되고 통합된 데이터를 통해 다중 모달, 기초 모델 개발을 촉진하기 위해.

제안 방법

• OpenForest 카탈로그는 지상 조사, 지상 기반, 항공 및 위성 플랫폼에서 유래한 86개의 개방형 산림 데이터셋을 수집하며, 공간 척도, 센서 유형, 데이터 모달리티 기준으로 분류된다.
• 데이터셋은 제공자 정보, 공간 해상도 및 시간 해상도, 주석 품질 등 표준화된 메타데이터를 갖추어 기계학습에 대한 사용 가능성을 보장한다.
• 플랫폼은 GitHub에 호스팅되어 있으며 커뮤니티 기여를 수용하여 지속적인 업데이트 및 신규 데이터셋(예: ESA Biomass 미션 데이터) 통합이 가능하다.
• 다중 모달 데이터 정렬(특히 LiDAR, SAR, 고분광 영상)을 강조하여 공간, 시간, 스펙트럼 해상도 간의 일치를 확보함으로써 고급 모델 훈련을 지원한다.
• OpenAerialMap 및 GBIF와 같은 플랫폼의 시민 과학 데이터 통합을 통해 글로벌 커버리지 향상과 자기지도 학습 접근법 지원이 가능하다.
• 다양하고 대규모이며 다중 작업 데이터셋을 제공함으로써 기초 모델 개발을 지원하며, 사전 훈련 및 제로샷 적응을 위한 기초를 마련한다.

실험 결과

연구 질문

• RQ1 중앙집중화되고 커뮤니티가 유지하는 데이터 카탈로그는 기계학습 연구를 위한 개방형 산림 데이터셋의 접근성과 사용 가능성을 어떻게 향상시킬 수 있는가?
• RQ2 기존의 개방형 산림 데이터셋에서 지리적 다양성과 센서 다양성 측면에서 나타나는 주요 격차는 무엇이며, 체계적인 정제를 통해 어떻게 보완할 수 있는가?
• RQ3 다중 모달, 다중 해상도 산림 데이터는 산림 모니터링 과제를 위한 강력한 기초 모델 훈련을 얼마나 잘 지원할 수 있는가?
• RQ4 시민이 생성한 데이터와 원격 감시 데이터는 산림 모니터링에서 자기지도 학습 및 전이 학습을 지원하기 위해 어떻게 통합될 수 있는가?
• RQ5 데이터 정제와 메타데이터 표준화는 기계학습을 활용한 대규모, 다중 척도 산림 모니터링에서 어떤 역할을 하는가?

주요 결과

• OpenForest 카탈로그는 현재 지상 조사, 항공 조사, 위성 관측을 아우르는 86개의 개방형 산림 데이터셋을 운영하며, 포괄적인 메타데이터와 제공자 정보를 포함한다.
• 플랫폼은 고공간 해상도 및 고시간 해상도 데이터셋, 특히 LiDAR, SAR, 고분광 영상 등 다중 모달 데이터에 대한 검색과 접근을 가능하게 한다.
• 카탈로그는 아프리카 및 아시아 지역의 심각한 데이터 격차를 드러내며, 기계학습 모델의 편향을 줄이기 위해 더 많은 지리적 대표성 있는 데이터셋이 필요하다는 점을 강조한다.
• ESA Biomass 미션의 향후 데이터 통합(특히 P밴드 SAR)은 글로벌 산림 톰그래피 및 탄소 저장량 추정 능력을 크게 향상시킬 것이다.
• GBIF 및 OpenAerialMap의 시민 생성 데이터 활용은 글로벌 데이터 커버리지 향상과 데이터가 부족한 지역에서 자기지도 학습을 지원하는 데 기여한다.
• OpenForest의 동적이고 커뮤니티가 업데이트하는 특성은 협업을 촉진하고 산림 모니터링 과제에 특화된 기초 모델 개발을 가속화한다.