[论文解读] Mapping bathymetry of inland water bodies on the North Slope of Alaska with Landsat using Random Forest

Mark Carroll, Margaret Wooten+7 more|ArXiv.org|Feb 14, 2025

Climate change and permafrost被引用 3

一句话总结

该论文训练一个随机森林回归器，从 Landsat 多光谱数据预测水体深度，并使用合成训练数据克服现场测量稀缺，生成阿拉斯加北坡的逐像素深度图，在验证集上的 R^2 为 0.76。

ABSTRACT

The North Slope of Alaska is dominated by small waterbodies that provide critical ecosystem services for local population and wildlife. Detailed information on the depth of the waterbodies is scarce due to the challenges with collecting such information. In this work we have trained a machine learning (Random Forest Regressor) model to predict depth from multispectral Landsat data in waterbodies across the North Slope of Alaska. The greatest challenge is the scarcity of in situ data, which is expensive and difficult to obtain, to train the model. We overcame this challenge by using modeled depth predictions from a prior study as synthetic training data to provide a more diverse training data pool for the Random Forest. The final Random Forest model was more robust than models trained directly on the in situ data and when applied to 208 Landsat 8 scenes from 2016 to 2018 yielded a map with an overall $r^{2}$ value of 0.76 on validation. The final map has been made available through the Oak Ridge National Laboratory Distribute Active Archive Center (ORNL-DAAC). This map represents a first of its kind regional assessment of waterbody depth with per pixel estimates of depth for the entire North Slope of Alaska.

研究动机与目标

• 解决阿拉斯加北坡水体现场深度测量的稀缺性。
• 开发一种从 Landsat 图像估计水深的机器学习方法。
• 为北坡水体创建区域性逐像素深度图。
• 用合成训练数据补充有限观测来评估模型的鲁棒性。

提出的方法

• 训练一个随机森林回归器，从多光谱 Landsat 数据预测深度。
• 使用来自前期研究的建模深度预测作为合成训练数据以丰富训练集。
• 在 2016 至 2018 年的 Landsat 8 场景上验证模型并报告逐像素深度估计值。
• 通过 ORNL-DAAC 数据中心发布所得深度图以便更广泛使用。

实验结果

研究问题

• RQ1 随机森林基于 Landsat 影像的深度预测是否能够准确估计阿拉斯加北坡小型内陆水体的水深？
• RQ2 将合成训练数据引入是否能提升模型鲁棒性和预测性能，相较仅使用现场数据？
• RQ3 在区域范围内跨多场景的逐像素深度映射性能（验证 r^2）是多少？
• RQ4 所得水深地图是否适合开放数据传播与区域评估？

主要发现

• 最终随机森林模型在 2016–2018 年的 208 个 Landsat 8 场景的验证中的 r^2 为 0.76。
• 来自前期研究的合成训练数据有助于提升相较仅使用现场数据的模型鲁棒性。
• 所得的水深地图为整个阿拉斯加北坡提供逐像素深度估计。
• 该深度图已通过 ORNL-DAAC 数据中心提供以便更广泛使用。