[论文解读] Mapping Tropical Forest Cover and Deforestation with Planet NICFI Satellite Images and Deep Learning in Mato Grosso State (Brazil) from 2015 to 2021

Fabien H Wagner, Ricardo Dalagnol+6 more|arXiv (Cornell University)|Nov 17, 2022

Remote Sensing in Agriculture被引用 5

一句话总结

本研究利用2015至2021年期间5米分辨率的Planet NICFI卫星影像与U-net深度学习模型，对巴西马托格罗索州的热带树冠覆盖与毁林情况进行制图，语义分割的F1得分超过0.98，准确度极高。结果显示，森林覆盖面积从2015年的556,510.8 km²骤降至2021年的141,598.5 km²，毁林面积从2019年的9,944.5 km²几乎翻倍至2021年的19,817.8 km²，凸显了高分辨率、基于深度学习的监测在早期发现与政策支持方面的强大能力。

ABSTRACT

Monitoring changes in tree cover for rapid assessment of deforestation is considered the critical component of any climate mitigation policy for reducing carbon. Here, we map tropical tree cover and deforestation between 2015 and 2022 using 5 m spatial resolution Planet NICFI satellite images over the state of Mato Grosso (MT) in Brazil and a U-net deep learning model. The tree cover for the state was 556510.8 km$^2$ in 2015 (58.1 % of the MT State) and was reduced to 141598.5 km$^2$ (14.8 % of total area) at the end of 2021. After reaching a minimum deforested area in December 2016 with 6632.05 km$^2$, the bi-annual deforestation area only showed a slight increase between December 2016 and December 2019. A year after, the areas of deforestation almost doubled from 9944.5 km$^2$ in December 2019 to 19817.8 km$^2$ in December 2021. The high-resolution data product showed relatively consistent agreement with the official deforestation map from Brazil (67.2%) but deviated significantly from year of forest cover loss estimates from the Global Forest change (GFC) product, mainly due to large area of fire degradation observed in the GFC data. High-resolution imagery from Planet NICFI associated with deep learning technics can significantly improve mapping deforestation extent in tropics.

研究动机与目标

• 开发一种基于Planet NICFI卫星影像与深度学习的高分辨率、自动化热带树冠覆盖与毁林制图方法。
• 在5米分辨率下实现每半年一次、检测面积小于6.25公顷的改进，超越现有全球与国家级毁林产品（如PRODES、GFC）。
• 通过采用自监督k-纹理聚类方法，减少对人工训练样本创建的依赖，实现高效且准确的数据整理。
• 通过早期发现非法毁林与森林破碎化分析，支持气候政策、碳核算与保护工作。
• 通过基于云的处理与扩展的训练数据，证明该方法在全球范围应用的可扩展性。

提出的方法

• 使用2015至2021年间获取的5米分辨率Planet NICFI卫星影像拼接图，覆盖巴西马托格罗索州。
• 在每6个月的时间间隔内，应用U-net卷积神经网络对树冠覆盖与毁林进行语义分割。
• 通过自监督k-纹理聚类识别纹理类别，生成训练样本，随后进行最少的人工修正以标注森林与非森林类别。
• 通过在森林区域包含部分云层覆盖的256×256像素图像块，将大气条件（如薄云）纳入训练数据。
• 使用TensorFlow 2训练U-net模型，仅进行最少的预处理，利用多尺度纹理特征提升模型泛化能力。
• 将结果与官方PRODES毁林地图（一致率达67.2%）进行验证，并评估与全球森林变化（GFC）产品之间的差异。

实验结果

研究问题

• RQ1 基于Planet NICFI影像，U-net深度学习模型能否在5米分辨率下准确分割热带树冠覆盖与毁林？
• RQ2 与PRODES和GFC等成熟产品相比，该方法在空间精度与时间一致性方面表现如何？
• RQ3 自监督k-纹理聚类在多大程度上可减少土地覆盖分割训练数据中的人工标注需求？
• RQ4 与年度产品相比，每半年一次的制图频率如何提升对早期毁林阶段的检测能力？
• RQ5 森林退化与火灾对现有全球毁林产品有何影响？本方法如何避免此类高估？

主要发现

• 马托格罗索州的树冠覆盖面积从2015年的556,510.8 km²（占该州58.1%）降至2021年底的141,598.5 km²（占14.8%），表明森林面积减少了74.7%。
• 毁林面积在2016年12月降至最低点6,632.05 km²，随后至2019年略有回升，到2021年12月几乎翻倍至19,817.8 km²。
• 该模型在密集树冠分割中F1得分超过0.98，尽管Planet NICFI数据存在较高的反射率变化，仍表现出极高精度。
• 该方法与官方PRODES毁林地图的一致率达67.2%，由于排除了火灾引起的退化，其精度优于GFC产品。
• 自监督k-纹理方法可在数日内实现快速、高质量的训练样本生成，显著减少人工工作量并提高一致性。
• 该模型可检测出低于PRODES 6.25公顷阈值的小型毁林斑块，实现更早干预与非法活动的改进监测。