[论文解读] ForestNet: Classifying Drivers of Deforestation in Indonesia using Deep Learning on Satellite Imagery

Jeremy Irvin, Hao Sheng+8 more|arXiv (Cornell University)|Nov 10, 2020

Conservation, Biodiversity, and Resource Management被引用 19

一句话总结

ForestNet 是一种深度学习模型，利用 Landsat 8 卫星影像和专家标注的数据，对印度尼西亚原始森林损失的直接驱动因素进行分类。通过在大规模土地覆盖数据集上进行预训练、利用卫星重访实现时间数据增强，并结合辅助预测因子进行多模态融合，ForestNet 在区分种植园、小规模农业、草原/灌木丛以及“其他”原因等驱动因素方面达到了最先进的性能，显著优于标准分类方法。

ABSTRACT

Characterizing the processes leading to deforestation is critical to the development and implementation of targeted forest conservation and management policies. In this work, we develop a deep learning model called ForestNet to classify the drivers of primary forest loss in Indonesia, a country with one of the highest deforestation rates in the world. Using satellite imagery, ForestNet identifies the direct drivers of deforestation in forest loss patches of any size. We curate a dataset of Landsat 8 satellite images of known forest loss events paired with driver annotations from expert interpreters. We use the dataset to train and validate the models and demonstrate that ForestNet substantially outperforms other standard driver classification approaches. In order to support future research on automated approaches to deforestation driver classification, the dataset curated in this study is publicly available at https://stanfordmlgroup.github.io/projects/forestnet .

研究动机与目标

• 开发一种自动化、可扩展的方法，用于分类印度尼西亚原始森林损失的直接驱动因素。
• 解决专家标注数据有限以及卫星影像中森林砍伐模式高度多变的挑战。
• 通过利用具有上下文和时间特征的卫星数据的深度学习方法，改进传统机器学习方法。
• 通过准确、空间覆盖广泛的驱动因素归因，支持政策制定和企业零毁林承诺。

提出的方法

• 该模型采用在大规模、精心筛选的土地覆盖数据集上预训练的卷积神经网络（CNN）架构，以提升特征学习能力。
• 通过利用时间序列卫星重访实现数据增强，以模拟多样的影像条件并提高模型鲁棒性。
• 多模态融合将辅助预测因子（例如地形、水文、泥炭地存在性）与卫星影像结合，以增强分类的上下文信息。
• 采用四分类头，区分四种驱动因素：种植园、小规模农业、草原/灌木丛以及“其他”。
• 模型采用焦点损失和广义Dice损失，以处理数据集中存在的类别不平衡问题。
• 发布了一个包含 2,756 个标注的森林损失事件的公开数据集，以支持未来研究。

实验结果

研究问题

• RQ1 仅使用 Landsat 8 卫星影像，深度学习模型能否准确分类印度尼西亚的森林砍伐直接驱动因素？
• RQ2 在大规模土地覆盖数据集上进行预训练，如何提升在低资源森林砍伐驱动因素分类任务中的性能？
• RQ3 利用卫星重访实现的时间数据增强，在多大程度上提升了模型的泛化能力和鲁棒性？
• RQ4 与辅助地理空间预测因子进行多模态融合，在多大程度上提升了分类准确性？
• RQ5 所提出的模型是否能在该任务上超越标准机器学习和基于决策树的方法？

主要发现

• ForestNet 显著优于标准的驱动因素分类方法，在分类森林砍伐驱动因素方面表现出更高的准确性。
• 该模型在所有四类驱动因素中均表现优异，尤其在区分种植园和小规模农业与其他土地利用类型方面表现突出。
• 在大规模土地覆盖数据集上进行预训练，显著提升了特征学习能力和模型泛化能力。
• 利用卫星重访实现的时间数据增强，增强了模型对季节性和物候变化的鲁棒性。
• 与辅助预测因子（如泥炭地存在性、坡度）进行多模态融合，提升了分类准确性，尤其在模糊或低对比度情况下效果显著。
• 经精心筛选的 2,756 个标注森林损失事件数据集已公开发布，支持研究的可重现性，并推动未来在自动化森林砍伐驱动因素分类领域的研究。