[论文解读] High-resolution canopy height map in the Landes forest (France) based on GEDI, Sentinel-1, and Sentinel-2 data with a deep learning approach

Martin A. Schwartz, Philippe Ciais+12 more|arXiv (Cornell University)|Dec 20, 2022

Remote Sensing and LiDAR Applications参考文献 35被引用 30

一句话总结

本文开发了一个深度学习 U-Net 模型，使用 Sentinel-1/2 数据，在 Landes de Gascogne 森林（法国）生成 10 m 的冠层高度图，以 GEDI 推导的高度作为参考，在测试数据上达到 MAE 为 2.02 m。

ABSTRACT

In intensively managed forests in Europe, where forests are divided into stands of small size and may show heterogeneity within stands, a high spatial resolution (10 - 20 meters) is arguably needed to capture the differences in canopy height. In this work, we developed a deep learning model based on multi-stream remote sensing measurements to create a high-resolution canopy height map over the "Landes de Gascogne" forest in France, a large maritime pine plantation of 13,000 km$^2$ with flat terrain and intensive management. This area is characterized by even-aged and mono-specific stands, of a typical length of a few hundred meters, harvested every 35 to 50 years. Our deep learning U-Net model uses multi-band images from Sentinel-1 and Sentinel-2 with composite time averages as input to predict tree height derived from GEDI waveforms. The evaluation is performed with external validation data from forest inventory plots and a stereo 3D reconstruction model based on Skysat imagery available at specific locations. We trained seven different U-net models based on a combination of Sentinel-1 and Sentinel-2 bands to evaluate the importance of each instrument in the dominant height retrieval. The model outputs allow us to generate a 10 m resolution canopy height map of the whole "Landes de Gascogne" forest area for 2020 with a mean absolute error of 2.02 m on the Test dataset. The best predictions were obtained using all available satellite layers from Sentinel-1 and Sentinel-2 but using only one satellite source also provided good predictions. For all validation datasets in coniferous forests, our model showed better metrics than previous canopy height models available in the same region.

研究动机与目标

• 在欧洲管理林地中，树丛小且林分内部存在异质性的情境下，捕捉细尺度冠层高度异质性。
• 创建 Landes de Gascogne 的高分辨率（10 m）冠层高度图，使用多源 Sentinel 数据。
• 利用 GEDI 推导的高度作为参考，在大范围内训练/部署深度学习模型。
• 评估多种 U-Net 配置，以评估 Sentinel-1 和 Sentinel-2 输入的贡献。

提出的方法

• 训练七个 U-Net 模型，使用多波段 Sentinel-1/2 输入及复合时间平均特征。
• 以 GEDI 推导的树高作为监督学习目标。
• 评估波段配置，以确定每个仪器的重要性。
• 为 Landes de Gascogne 区域生成 2020 年时间步的 10 m 分辨率冠层高度图。
• 在特定地点用外部森林清单样点和基于 Skysat 的立体 3D 重建模型对预测进行验证。
• 将性能与该地区现有冠层高度模型进行比较。

实验结果

研究问题

• RQ1 一个使用多波段 Sentinel-1/2 数据的深度学习模型，能否在大范围管理林地上准确预测 GEDI 推导的树高。
• RQ2 不同 Sentinel-1/2 波段组合如何影响冠层高度预测的准确性？
• RQ3 在验证数据集上， Landes de Gascogne 的 10 m 冠层高度图是否能在可接受的误差（MAE）范围内实现？
• RQ4 所提模型与该区域先前的冠层高度模型相比如何？

主要发现

• 在 Landes de Gascogne 于 2020 年实现了 10 m 分辨率的冠层高度图，测试数据集的平均绝对误差为 2.02 m。
• 最佳预测是使用所有可用的 Sentinel-1 和 Sentinel-2 波段实现，尽管使用單一卫星源也获得良好结果。
• 在验证数据集上，超过了该区域针对于针叶林的先前冠层高度模型。
• 使用来自森林清单样点的外部验证数据和基于 Skysat 的 3D 重建进行评估。