[论文解读] ArcticNet: A Deep Learning Solution to Classify Arctic Wetlands

Ziyu Jiang, K. Von Ness+2 more|arXiv (Cornell University)|Jun 1, 2019

Underwater Acoustics Research参考文献 50被引用 3

一句话总结

ArcticNet 是一种深度学习模型，利用高分辨率多光谱卫星影像（Planet Dove 纳卫星）和数字高程模型（ArcticDEM）对北极湿地进行分类，通过晚期融合将 RGB、NIR 和 DEM 数据结合，以提升语义分割性能。该模型在全新构建的 50 km² 北极湿地数据集（AWD）上实现了 93.12% 的准确率，优于单一模态模型，在区分生态上关键的湿地类型（如河道泥炭沼泽和泥炭藓沼泽）方面表现更优。

ABSTRACT

Arctic environments are rapidly changing under the warming climate. Of particular interest are wetlands, a type of ecosystem that constitutes the most effective terrestrial long-term carbon store. As permafrost thaws, the carbon that was locked in these wetland soils for millennia becomes available for aerobic and anaerobic decomposition, which releases CO2 and CH4, respectively, back to the atmosphere.As CO2 and CH4 are potent greenhouse gases, this transfer of carbon from the land to the atmosphere further contributes to global warming, thereby increasing the rate of permafrost degradation in a positive feedback loop. Therefore, monitoring Arctic wetland health and dynamics is a key scientific task that is also of importance for policy. However, the identification and delineation of these important wetland ecosystems, remain incomplete and often inaccurate. Mapping the extent of Arctic wetlands remains a challenge for the scientific community. Conventional, coarser remote sensing methods are inadequate at distinguishing the diverse and micro-topographically complex non-vascular vegetation that characterize Arctic wetlands, presenting the need for better identification methods. To tackle this challenging problem, we constructed and annotated the first-of-its-kind Arctic Wetland Dataset (AWD). Based on that, we present ArcticNet, a deep neural network that exploits the multi-spectral, high-resolution imagery captured from nanosatellites (Planet Dove CubeSats) with additional DEM from the ArcticDEM project, to semantically label a Arctic study area into six types, in which three Arctic wetland functional types are included. We present multi-fold efforts to handle the arising challenges, including class imbalance, and the choice of fusion strategies. Preliminary results endorse the high promise of ArcticNet, achieving 93.12% in labelling a hold-out set of regions in our Arctic study area.

研究动机与目标

• 为解决由于复杂微地形和非维管植物导致的北极地区可靠、高分辨率湿地制图不足的问题。
• 构建首个北极湿地数据集（AWD），包含 across six wetland classes 的 500 个标注的 30m×30m 影像块。
• 开发一种深度神经网络 ArcticNet，通过融合多模态数据（RGB、NIR、DEM、NDVI）以提升北极湿地的语义分割性能。
• 通过一种新颖的数据增强策略缓解湿地数据中的类别不平衡问题。
• 评估不同融合策略及后处理技术（如 CRF）在空间一致性方面的模型性能。

提出的方法

• 该模型采用基于图像块的多模态编码器架构，为 RGB、NIR/DEM/NDVI 输入分别设置独立分支，随后对特征图进行晚期融合以实现分类。
• 通过公式 1 计算归一化差异植被指数（NDVI），以增强输入模态中植被健康状况的表征。
• 设计了一种数据增强策略，以平衡类别分布，特别是针对通道泥炭沼泽和泥炭藓沼泽等代表性不足的类别。
• 采用晚期融合策略结合不同模态的特征，相较于单一模态方法，显著提升了分类判别能力。
• 应用条件随机场（CRF）作为后处理步骤，以优化分割图并抑制孤立的误分类像素。
• 通过滑动窗口推理对整个研究区域进行分割，最终将结果拼接为完整的语义标签图。

实验结果

研究问题

• RQ1 深度学习模型能否有效利用高分辨率多光谱卫星影像与 DEM 数据对北极湿地功能类型进行分类？
• RQ2 与单一模态模型相比，RGB、NIR 和 DEM 模态的晚期融合在分类准确率方面有何提升？
• RQ3 数据增强策略在多大程度上可缓解北极湿地数据集中类别不平衡问题？
• RQ4 如 CRF 等后处理技术如何提升语义分割输出的空间一致性并减少噪声？
• RQ5 ArcticNet 模型在其他北极区域的泛化能力如何？不同光谱波段组合在区分湿地类型方面起到何种作用？

主要发现

• ArcticNet 在北极湿地数据集（AWD）的保留测试集上实现了 93.12% 的测试准确率，表明其在分类六种湿地类型方面表现优异。
• 晚期融合模型显著优于仅使用 RGB 的模型，有效减少了将湖泊误分类为河道泥炭沼泽的情况，并提升了整体分割保真度。
• 仅使用 RGB 的模型对河道泥炭沼泽的估计存在较大偏差（可能由于仅依赖可见光无法检测湿度与生物量），而晚期融合模型显著降低了此类错误。
• CRF 后处理有效抑制了孤立的误分类像素，例如湖泊中错误标注的湿地，从而提升了空间一致性。
• 与无人机影像的定性验证表明，模型能正确区分关键湿地特征，如莎草类主导的河道泥炭沼泽和苔藓覆盖的泥炭藓沼泽。
• 尽管在识别非湿地特征（如道路）方面存在局限性（常被误分类为水体或泥炭藓沼泽），但整体模型输出经地理空间专家评估后被认为具有可解释性且合理。