[论文解读] Estimating Canopy Height at Scale

Jan Pauls, Max Zimmer+7 more|arXiv (Cornell University)|Jun 3, 2024

Remote Sensing and LiDAR ApplicationsEnvironmental Science被引用 3

一句话总结

本文提出了一种利用卫星数据和新型深度学习方法的全球尺度冠层高度估算框架。该框架结合Sentinel-1、Sentinel-2和GEDI数据，并采用自定义损失函数以校正地面真值标签中的地理定位误差，同时整合SRTM数据以过滤山区区域的错误预测，最终在10米分辨率下实现全球平均绝对误差（MAE）2.43米，均方根误差（RMSE）4.73米。

ABSTRACT

We propose a framework for global-scale canopy height estimation based on satellite data. Our model leverages advanced data preprocessing techniques, resorts to a novel loss function designed to counter geolocation inaccuracies inherent in the ground-truth height measurements, and employs data from the Shuttle Radar Topography Mission to effectively filter out erroneous labels in mountainous regions, enhancing the reliability of our predictions in those areas. A comparison between predictions and ground-truth labels yields an MAE / RMSE of 2.43 / 4.73 (meters) overall and 4.45 / 6.72 (meters) for trees taller than five meters, which depicts a substantial improvement compared to existing global-scale maps. The resulting height map as well as the underlying framework will facilitate and enhance ecological analyses at a global scale, including, but not limited to, large-scale forest and biomass monitoring.

研究动机与目标

• 解决生态与气候监测中缺乏准确、全球一致的冠层高度图的问题。
• 克服现有全球地图的局限性，这些地图通常存在噪声、偏差，且在山区或复杂地形中表现不佳。
• 通过校正训练过程中GEDI任务地面真值数据的地理定位不准确性，提高其可靠性。
• 利用SRTM数字高程数据作为过滤机制，提升复杂地形区域的预测准确性。
• 开发一种可扩展的全卷积神经网络框架，实现在10米分辨率下对所有陆地区域进行全覆盖、高分辨率的冠层高度制图。

提出的方法

• 利用全卷积神经网络（FCNs）在多源卫星数据上进行训练：Sentinel-1（雷达）、Sentinel-2（光学）和GEDI（激光雷达衍生高度）。
• 通过时间序列中逐像素取中位数的方式进行时间合成，生成无云、一致的卫星图像输入。
• 提出一种新型损失函数，专门用于减轻训练过程中GEDI高度测量中地理定位不准确的影响。
• 将航天飞机雷达地形测绘任务（SRTM）数据作为空间过滤器，抑制陡峭山区区域不切实际的高冠层高度预测。
• 执行严格的数据预处理，包括卫星数据与GEDI数据的配准、无效区域的掩膜处理以及输入特征的归一化。
• 使用公开可用的数据在全球范围内端到端训练模型，实现在所有陆地区域10米空间分辨率下的推理。

实验结果

研究问题

• RQ1 基于多传感器卫星数据训练的深度学习框架，能否在10米分辨率下生成全球一致且准确的冠层高度图？
• RQ2 自定义损失函数在多大程度上能有效降低GEDI高度测量中地理定位误差对模型预测精度的影响？
• RQ3 利用SRTM衍生地形数据，在山区和地形复杂的区域，能在多大程度上改善冠层高度估算？
• RQ4 与现有全球冠层高度产品相比，该框架在性能上表现如何，特别是在MAE和RMSE方面？
• RQ5 通过统一的深度学习流程整合雷达、光学和激光雷达数据，能否在大尺度上生成更可靠的生物量和碳储量估算？

主要发现

• 与地面真值GEDI测量相比，该框架在全球范围内的平均绝对误差（MAE）为2.43米，均方根误差（RMSE）为4.73米。
• 对于高度超过五米的树木，模型的MAE为4.45米，RMSE为6.72米，显示出在检测和估算高大植被方面的优异性能。
• 使用新型损失函数显著降低了GEDI地理定位不准确的影响，提升了模型的鲁棒性和预测一致性。
• 将SRTM数据作为地形过滤器，有效减少了山区区域错误的高冠层高度预测，增强了复杂地形下的可靠性。
• 生成的10米分辨率全球冠层高度图在精度和空间一致性方面优于现有全球尺度产品，尤其在地形变化剧烈的区域表现更优。
• 该框架实现了全覆盖、高分辨率的冠层高度估算，适用于大规模生态监测、碳储量评估以及气候政策支持。