[论文解读] Global canopy height estimation with GEDI LIDAR waveforms and Bayesian deep learning

Nico Lang, Nikolai Kalischek+4 more|arXiv (Cornell University)|Mar 5, 2021

Remote Sensing and LiDAR Applications参考文献 46被引用 10

一句话总结

本文提出一种贝叶斯卷积神经网络（CNN），用于从全球 GEDI 激光雷达波形中解析冠层顶部高度，实现跨多样化环境的稳健特征学习与预测不确定性量化。该模型在全局范围内的预期均方根误差（RMSE）仅为 2.7 m，偏差极小，显著提升了全球森林结构制图在碳循环研究中的应用。

ABSTRACT

NASA's Global Ecosystem Dynamics Investigation (GEDI) is a key climate mission whose goal is to advance our understanding of the role of forests in the global carbon cycle. While GEDI is the first space-based LIDAR explicitly optimized to measure vertical forest structure predictive of aboveground biomass, the accurate interpretation of this vast amount of waveform data across the broad range of observational and environmental conditions is challenging. Here, we present a novel supervised machine learning approach to interpret GEDI waveforms and regress canopy top height globally. We propose a Bayesian convolutional neural network (CNN) to avoid the explicit modelling of unknown effects, such as atmospheric noise. The model learns to extract robust features that generalize to unseen geographical regions and, in addition, yields reliable estimates of predictive uncertainty. Ultimately, the global canopy top height estimates produced by our model have an expected RMSE of 2.7 m with low bias.

研究动机与目标

• 为解决在全球不同类型森林和环境条件下准确解析海量、多样化 GEDI 激光雷达波形数据的挑战。
• 开发一种机器学习模型，能够在不显式建模未知噪声源的情况下，对未见过的地理区域实现良好泛化。
• 为全球生物量与碳循环应用提供可靠且具备不确定性感知的冠层顶部高度估计。
• 通过 GEDI 任务的波形数据，降低偏差并提升全球森林结构制图的准确性。

提出的方法

• 采用贝叶斯卷积神经网络（CNN）直接从 GEDI 激光雷达波形中学习分层特征，捕捉复杂的时空模式。
• 贝叶斯框架通过建模权重分布实现不确定性量化，天然地考虑了如大气噪声等未知影响因素，而无需显式建模。
• 模型通过有标签的冠层高度数据进行监督训练，使其能够泛化于多种森林类型和区域。
• 通过卷积层执行特征提取，识别波形数据中的结构化模式，提升对噪声和变异的鲁棒性。
• 通过蒙特卡洛 dropout 或变分推理估计预测不确定性，为每项冠层高度预测提供置信区间。
• 在全球范围内进行模型评估，性能通过与参考高度数据对比的 RMSE 和偏差指标进行衡量。

实验结果

研究问题

• RQ1 贝叶斯深度学习模型能否有效利用 GEDI 波形在多样化全球森林类型和环境条件下实现冠层高度估计的泛化？
• RQ2 在从激光雷达波形推导的全球冠层高度图中，引入预测不确定性在多大程度上提升了结果的可靠性？
• RQ3 与传统方法相比，所提出的贝叶斯 CNN 在利用 GEDI 数据估计冠层顶部高度时，其 RMSE 和偏差表现如何？
• RQ4 该模型是否能够在不显式建模大气或仪器噪声的情况下，从波形中学习到鲁棒的特征？

主要发现

• 所提出的贝叶斯 CNN 在全球冠层顶部高度估计中实现了 2.7 m 的预期均方根误差（RMSE），表明其具有高精度。
• 模型预测偏差极低，确保在不同森林类型和区域中均保持一致的性能表现。
• 预测不确定性估计结果可靠且校准良好，可支持生态学与碳循环建模中的信心感知型应用。
• 由于能够从波形数据中学习到鲁棒且可迁移的特征，该模型在未见过的地理区域中也表现出有效的泛化能力。
• 贝叶斯方法成功处理了如大气效应等未知噪声源的影响，而无需显式建模。
• 该方法显著推进了对 GEDI 波形数据的解析，为大规模森林结构监测提供了有力支持。