[论文解读] Deep Learning and Earth Observation to Support the Sustainable Development Goals

Claudio Persello, Jan Dirk Wegner+5 more|arXiv (Cornell University)|Dec 21, 2021

Human Mobility and Location-Based Analysis被引用 6

一句话总结

本文综述了深度学习（DL）与地球观测（EO）数据协同推进联合国可持续发展目标（SDGs）的机制，实现了对环境与社会挑战的可扩展、数据驱动的监测。通过在云平台上的开放、大规模EO数据上应用深度学习模型——尤其是卷积神经网络与生成网络——该研究在粮食安全、城市可持续性、气候适应以及生物多样性监测等应用中展示了最先进的性能。

ABSTRACT

The synergistic combination of deep learning models and Earth observation promises significant advances to support the sustainable development goals (SDGs). New developments and a plethora of applications are already changing the way humanity will face the living planet challenges. This paper reviews current deep learning approaches for Earth observation data, along with their application towards monitoring and achieving the SDGs most impacted by the rapid development of deep learning in Earth observation. We systematically review case studies to 1) achieve zero hunger, 2) sustainable cities, 3) deliver tenure security, 4) mitigate and adapt to climate change, and 5) preserve biodiversity. Important societal, economic and environmental implications are concerned. Exciting times ahead are coming where algorithms and Earth data can help in our endeavor to address the climate crisis and support more sustainable development.

研究动机与目标

• 评估深度学习在提升地球观测能力以监测和实现联合国可持续发展目标（SDGs）方面的作用。
• 识别在将深度学习应用于EO数据时面临的关键挑战，包括数据稀缺性、泛化能力有限以及可复现性问题。
• 突出开放科学、大数据与云计算在推动地理空间研究以实现全球可持续发展方面的变革潜力。
• 展示深度学习与地球观测如何提供一致、客观且可全球扩展的环境与社会指标监测。
• 倡导将深度学习与地球观测整合到政策制定及国际框架（如2030年议程、新城市议程和仙台框架）中。

提出的方法

• 系统性回顾应用于多源地球观测数据的深度学习架构，特别是卷积神经网络（CNNs）、循环神经网络（RNNs）、生成对抗网络（GANs）和自编码器。
• 应用端到端的深度学习框架，整合数据融合、特征提取与推理，用于图像分类、分割和变化检测等任务。
• 利用开放、符合FAIR原则的数据集及公共基准平台（如IEEE GRSS DAS、Google Earth Engine），以确保可复现性与可扩展性。
• 利用云计算基础设施（如Google Earth Engine、Copernicus DIAS）处理PB级地球观测数据，无需本地存储或高性能计算资源。
• 整合多模态数据（卫星、无人机、原位观测）以提升模型泛化能力与时空理解能力。
• 采用标准化评估协议与公共评估服务器，以在不同地球观测任务与传感器类型之间比较模型性能。

实验结果

研究问题

• RQ1 深度学习模型如何提升地球观测数据分析在可持续发展目标监测中的准确率与可扩展性？
• RQ2 在处理大规模、异构的地球观测数据时，应用深度学习面临哪些关键技术与社会挑战？
• RQ3 开放科学与基于云的平台在提升基于深度学习的地理空间分析的可复现性与可访问性方面有哪些作用？
• RQ4 深度学习与地球观测在跨国界监测超越国界的环境与经济社会现象方面发挥何种作用？
• RQ5 深度学习与地球观测在支持2030年议程、新城市议程和仙台框架等国际政策框架方面可发挥何种作用？

主要发现

• 深度学习模型在土地覆盖分类、目标检测与变化检测等地球观测任务中达到最先进性能，显著提升了准确率与自动化水平。
• 将深度学习与开放、大规模地球观测数据及云计算相结合，实现了在全球范围内、在多样化环境与城市背景下对可持续发展目标指标的一致、可复现的监测。
• 开放科学原则（FAIR与FOSS）推动了公共基准数据集与评估平台的建立，减少了对小型孤立数据集的依赖，提升了模型验证能力。
• 基于深度学习的地球观测数据分析提供了空间与时间上一致的信息，克服了国家层面报告中的不一致性，支持对森林砍伐与城市扩张等现象的跨国监测。
• 深度学习与地球观测的协同作用支持了五个关键可持续发展目标领域：零饥饿、可持续城市、土地权属安全、气候变化减缓与适应，以及生物多样性保护。
• 基于云的平台（如Google Earth Engine与Copernicus DIAS）使研究人员能够直接在云端处理PB级地球观测数据，极大降低了进入门槛。