[论文解读] A global method to identify trees inside and outside of forests with medium-resolution satellite imagery.

John Brandt, Fred Stolle|arXiv (Cornell University)|May 13, 2020

Remote Sensing and LiDAR Applications参考文献 63被引用 3

一句话总结

本论文提出一种全局一致的深度学习方法，利用10米分辨率的哨兵-2光学影像与哨兵-1雷达影像进行全色锐化处理，以在中等分辨率下检测森林内外的树木。该模型采用全卷积神经网络架构，包含卷积门控循环单元和特征金字塔注意力层，可在低至中等树冠密度区域实现超过75%的用户和生产者准确率，在密集森林区域准确率高达95%，从而实现对多样化景观的高精度全球树木制图。

ABSTRACT

Scattered trees outside of dense forests are very important for carbon sequestration, supporting livelihoods, maintaining ecosystem integrity, and climate change adaptation and mitigation. In contrast to trees inside of forests, not much is known about the spatial extent and distribution of scattered trees at a global scale. Due to the very high cost of high-resolution satellite imagery, global monitoring systems rely on medium resolution satellites to monitor land use and land use change. However, detecting and monitoring scattered trees with an open canopy using medium resolution satellites is difficult because individual trees often cover a smaller footprint than the satellites resolution. Here we present a globally consistent method to identify trees inside and outside of forests with medium resolution optical and radar imagery. Biweekly cloud-free, pansharpened 10 meter Sentinel-2 optical imagery and Sentinel-1 radar imagery are used to train a fully convolutional network, consisting of a convolutional gated recurrent unit layer and a feature pyramid attention layer. Tested across more than 215,000 Sentinel-1 and Sentinel-2 pixels distributed from -60 to +60 latitude, the proposed model exceeds 75 percent users and producers accuracy identifying trees in hectares with a low to medium density (less than 40 percent) of canopy cover, and 95 percent user's and producer's accuracy in hectares with dense (greater than 40 percent) canopy cover. When applied across large, heterogeneous landscapes, the results demonstrate potential to map trees in high detail and consistent accuracy over diverse landscapes across the globe. This information is important for understanding current land cover and can be used to detect changes in land cover such as agroforestry, buffer zones around biological hotspots, and expansion or encroachment of forests.

研究动机与目标

• 为解决缺乏关于密集森林外零散树木的全球尺度数据的问题，这些树木对碳汇和生态系统完整性至关重要。
• 克服在中等分辨率卫星影像中检测单个树木的挑战，因为树冠通常低于空间分辨率。
• 开发一种一致且可全球应用的方法，利用光学与雷达卫星数据识别异质景观中的树木。
• 提升对土地利用及土地利用变化的监测能力，包括农林复合系统、森林扩张以及生物多样性热点区域周边缓冲区。

提出的方法

• 该方法使用每两周一次的无云、10米分辨率全色锐化哨兵-2光学影像与哨兵-1雷达影像作为输入数据。
• 采用全卷积神经网络架构，集成卷积门控循环单元层以建模时间动态与空间上下文。
• 特征金字塔注意力层增强了多尺度下的特征表示，提升了对不同大小与树冠密度树木的检测能力。
• 模型在跨越-60°至+60°纬度范围的超过215,000个像素上进行训练，确保其全球适用性。
• 该方法结合光学与雷达数据，提升了在不同天气与光照条件下的鲁棒性。
• 通过不同树冠密度阈值下的用户与生产者准确率评估模型性能。

实验结果

研究问题

• RQ1 基于中等分辨率光学与雷达卫星影像，深度学习模型能否可靠地检测森林与非森林区域的树木？
• RQ2 该模型在具有不同树冠覆盖密度的多样化全球景观中，识别树木的准确率如何？
• RQ3 与单传感器方法相比，光学与雷达数据的融合在多大程度上提升了树木检测的准确率？
• RQ4 该模型能否在全球尺度上在不同生物群落与土地覆盖类型中保持一致的性能表现？
• RQ5 该方法在检测树木覆盖变化（如农林复合系统发展或森林扩张）方面有多高效？

主要发现

• 在树冠覆盖密度低于40%的低至中等密度区域，模型在识别树木方面用户与生产者准确率均超过75%。
• 在树冠覆盖密度较高的区域（超过40%），模型用户与生产者准确率可达95%，表明在森林区域具有高度可靠性。
• 该方法在大规模异质景观中保持一致的性能，表明其在全球各类生物群落中具备可扩展性与鲁棒性。
• 光学与雷达数据的融合显著提升了检测准确率，尤其在频繁出现云层覆盖的区域。
• 该模型实现了全球尺度的高分辨率树木制图，支持对农林复合系统与森林扩张等土地覆盖变化的详细监测。
• 结果表明该方法在跟踪土地利用与土地利用变化方面具有强大潜力，包括缓冲区与生物多样性热点区域的保护。