[论文解读] High carbon stock mapping at large scale with optical satellite imagery and spaceborne LIDAR

Nico Lang, Konrad Schindler+1 more|arXiv (Cornell University)|Jul 15, 2021

Remote Sensing and LiDAR Applications参考文献 43被引用 15

一句话总结

本文提出了一种深度学习框架，利用稀疏的GEDI激光雷达数据和高分辨率的Sentinel-2光学影像，对热带东南亚地区的大范围冠层高度和碳密度进行制图。该方法在分类高碳储量（HCS）森林方面实现了86%的准确率，并生成了印度尼西亚、马来西亚和菲律宾首幅10米分辨率的全覆盖HCS地图。

ABSTRACT

The increasing demand for commodities is leading to changes in land use worldwide. In the tropics, deforestation, which causes high carbon emissions and threatens biodiversity, is often linked to agricultural expansion. While the need for deforestation-free global supply chains is widely recognized, making progress in practice remains a challenge. Here, we propose an automated approach that aims to support conservation and sustainable land use planning decisions by mapping tropical landscapes at large scale and high spatial resolution following the High Carbon Stock (HCS) approach. A deep learning approach is developed that estimates canopy height for each 10 m Sentinel-2 pixel by learning from sparse GEDI LIDAR reference data, achieving an overall RMSE of 6.3 m. We show that these wall-to-wall maps of canopy top height are predictive for classifying HCS forests and degraded areas with an overall accuracy of 86 % and produce a first high carbon stock map for Indonesia, Malaysia, and the Philippines.

研究动机与目标

• 开发一种自动化、可扩展的方法，用于在热带地区进行大范围高碳储量（HCS）森林制图。
• 通过使用稀疏的星载激光雷达（GEDI）作为参考数据，克服机载激光扫描（ALS）成本高且覆盖范围有限的问题。
• 利用在光学卫星影像上训练的深度学习模型，实现高分辨率（10米）冠层高度与碳密度估算。
• 生成印度尼西亚、马来西亚和菲律宾的全覆盖HCS地图，以支持保护和可持续土地利用规划。
• 通过自动化生物量与碳储量估算，减少对主观视觉判读和昂贵实地调查的依赖。

提出的方法

• 使用稀疏的GEDI激光雷达波形数据作为参考，训练全卷积神经网络（FCN）以预测每个10米Sentinel-2像元的冠层顶部高度。
• 模型在822个Sentinel-2影像块（2460万个样本）上进行训练，并在92个保留的影像块（270万个样本）上进行验证，采用均方误差（MSE）损失函数与ADAM优化算法。
• 对所有像元生成冠层高度预测结果，即使在非植被区域，也通过Sentinel-2 L2A影像分类结果将高度设为零。
• 训练五个浅层全卷积网络的集成模型，从密集的冠层高度图中预测碳密度，以最小化负高斯对数似然。
• 在第一层应用具有可学习参数的幂律变换，以建模冠层高度与碳密度之间的关系，但未观察到显著的性能提升。
• 通过使用HCSA工具包模块4中的阈值对预测的碳密度进行分类，同时利用现有地图对种植园和城市区域进行掩膜处理。

实验结果

研究问题

• RQ1 稀疏的星载激光雷达（GEDI）数据是否可有效用于训练深度学习模型，以实现从光学卫星影像中进行高分辨率冠层高度估算？
• RQ2 在大陆尺度上，基于GEDI和Sentinel-2数据训练的深度学习模型在预测碳密度和分类高碳储量森林方面能达到多大程度的准确性？
• RQ3 与传统回归或视觉判读方法相比，基于GEDI训练的深度学习模型在准确性与可扩展性方面表现如何？
• RQ4 该模型能否在东南亚多样的热带景观（包括原始森林、退化土地和种植园）中实现泛化，同时保持高空间分辨率？
• RQ5 通过15×15感受野引入邻域上下文信息，对冠层高度与碳密度预测的准确性有何影响？

主要发现

• 在使用GEDI参考数据验证时，该深度学习模型在冠层高度估算中实现了6.3米的均方根误差（RMSE）。
• 通过预测的碳密度，该模型对高碳储量（HCS）森林和退化土地的总体分类准确率达到86%。
• 该方法生成了印度尼西亚、马来西亚和菲律宾首份10米空间分辨率的全覆盖高碳储量地图。
• 五个全卷积网络的集成模型成功从冠层高度预测了碳密度，但显式应用幂律变换并未带来显著性能提升。
• 通过树密度阈值（>0.2和>0.4棵树/10米像元）对油棕和椰子种植园进行掩膜处理，有效排除非森林区域，提升了分类准确率。
• 使用2017年Sentinel-2数据以减少与2016年机载激光雷达数据之间的时序差异，提高了训练与验证过程的一致性。