[论文解读] OpenForest: A data catalogue for machine learning in forest monitoring

Arthur Ouaknine, Teja Kattenborn+2 more|arXiv (Cornell University)|Nov 1, 2023

Remote Sensing and LiDAR Applications被引用 4

一句话总结

OpenForest 引入了一个动态的、由社区维护的目录，收录了86个开放获取的森林数据集，涵盖地面、航空和卫星遥感，支持大规模机器学习在森林监测中的应用。通过集中管理地理多样、多模态的数据并采用标准化元数据，该平台加速了树种识别、生物量估算以及全球森林可持续性研究的基座模型开发。

ABSTRACT

Forests play a crucial role in Earth's system processes and provide a suite of social and economic ecosystem services, but are significantly impacted by human activities, leading to a pronounced disruption of the equilibrium within ecosystems. Advancing forest monitoring worldwide offers advantages in mitigating human impacts and enhancing our comprehension of forest composition, alongside the effects of climate change. While statistical modeling has traditionally found applications in forest biology, recent strides in machine learning and computer vision have reached important milestones using remote sensing data, such as tree species identification, tree crown segmentation and forest biomass assessments. For this, the significance of open access data remains essential in enhancing such data-driven algorithms and methodologies. Here, we provide a comprehensive and extensive overview of 86 open access forest datasets across spatial scales, encompassing inventories, ground-based, aerial-based, satellite-based recordings, and country or world maps. These datasets are grouped in OpenForest, a dynamic catalogue open to contributions that strives to reference all available open access forest datasets. Moreover, in the context of these datasets, we aim to inspire research in machine learning applied to forest biology by establishing connections between contemporary topics, perspectives and challenges inherent in both domains. We hope to encourage collaborations among scientists, fostering the sharing and exploration of diverse datasets through the application of machine learning methods for large-scale forest monitoring. OpenForest is available at https://github.com/RolnickLab/OpenForest .

研究动机与目标

• 解决分布在不同遥感平台和地理区域的开放森林数据集的碎片化与难以获取的问题。
• 建立一个集中化、动态更新且由社区维护的开放获取森林数据集仓库，以支持机器学习研究。
• 通过将机器学习挑战与森林监测需求及数据可及性相连接，激发跨学科合作。
• 提升森林数据集中地理代表性，特别是对非洲和亚洲等代表性不足地区的覆盖。
• 通过整理一致的数据，促进多模态、基座模型在森林监测中的开发。

提出的方法

• OpenForest 目录汇集了来自调查、地面、航空和卫星平台的86个开放获取森林数据集，按空间尺度、传感器类型和数据模态分类。
• 数据集经过标准化元数据整理，包括数据提供方信息、空间和时间分辨率以及标注质量，以确保其适用于机器学习。
• 平台托管于 GitHub，支持社区贡献，实现持续更新，并可集成新数据集，如欧洲空间局（ESA）生物量任务的数据。
• 该框架强调多模态数据对齐，特别是激光雷达（LiDAR）、合成孔径雷达（SAR）和高光谱数据在空间、时间与光谱分辨率上的统一，以支持高级模型训练。
• 将来自 OpenAerialMap 和 GBIF 等平台的公民科学数据整合，以增强全球覆盖范围，并支持自监督学习方法。
• 通过提供多样化、大规模且支持多任务的训练数据，目录支持基座模型的开发，适用于预训练和零样本适应。

实验结果

研究问题

• RQ1 一个集中化、由社区维护的数据目录在多大程度上能改善开放森林数据集在机器学习研究中的可访问性与可用性？
• RQ2 现有开放森林数据集中在地理与传感器多样性方面存在哪些关键缺口？这些缺口如何通过系统性整理得以弥补？
• RQ3 多模态、多分辨率的森林数据在多大程度上能够支持鲁棒的基座模型在森林监测任务中的训练？
• RQ4 如何将公民生成数据与遥感数据进行协调，以支持森林监测中的自监督学习与迁移学习？
• RQ5 数据整理与元数据标准化在实现基于机器学习的大规模、跨尺度森林监测中发挥何种作用？

主要发现

• OpenForest 目录目前托管了86个开放获取的森林数据集，涵盖地面调查、航空测量和卫星观测，具备全面的元数据和提供方信息。
• 该平台使研究人员能够识别并访问高空间与时间分辨率的数据集，包括激光雷达（LiDAR）、SAR 和高光谱图像等多模态数据。
• 目录揭示了非洲和亚洲地区存在显著的数据缺口，凸显了提升地理代表性数据的必要性，以减少机器学习模型中的偏差。
• 即将整合的欧洲空间局（ESA）生物量任务数据——提供P波段SAR——将显著增强全球森林层析成像与碳储量估算能力。
• 利用 GBIF 和 OpenAerialMap 的公民生成数据可提升全球数据覆盖范围，并支持自监督学习，尤其在数据稀缺区域。
• OpenForest 的动态、社区持续更新特性促进了协作，加速了面向森林监测任务的定制化基座模型的开发。