利用中分辨率卫星影像识别封闭冠层森林外树木的全局方法
计算机视觉与模式识别
2021-02-03 v2 机器学习
图像与视频处理
摘要
密集封闭冠层森林外零散分布的树木对于碳封存、维持生计、保持生态系统完整性以及气候适应与减缓极为重要。与封闭冠层森林内的树木相比，人们对零散树木在全球尺度上的空间范围与分布知之甚少。由于高分辨率卫星影像成本高昂，全球监测系统依赖中分辨率卫星进行土地利用监测。在此我们提出一种全局一致的方法，利用中分辨率光学与雷达影像识别冠层直径大于三米的树木。我们使用每两周无云、全色锐化的 10 米 Sentinel-2 光学影像与 Sentinel-1 雷达影像来训练一个由卷积门控循环单元层与特征金字塔注意力层组成的全卷积网络。在分布于 -60 至 +60 纬度间超过 215,000 个 Sentinel-1 与 Sentinel-2 像素上的测试表明，所提模型在树木覆盖度低至中等（小于 40%）的公顷单元中识别树木的用户精度与生产者精度均超过 75%，在密集（大于 40%）树木覆盖的公顷单元中用户精度与生产者精度达 95%。该方法将稀疏零散树木覆盖（小于 40%）区域树木存在监测的精度提升多达 20%，并使山地与多云区域的漏检与误检误差减少近半。当应用于广阔异质景观时，结果展示了在全球多样地貌上以高细节与高精度绘制树木分布的潜力。该信息对理解当前土地覆盖十分重要，并可用于检测如农林复合、生物热点缓冲区以及森林扩张或 encroachment 等土地覆盖变化。
引用
@article{arxiv.2005.08702,
title = {A global method to identify trees outside of closed-canopy forests with medium-resolution satellite imagery},
author = {John Brandt and Fred Stolle},
journal= {arXiv preprint arXiv:2005.08702},
year = {2021}
}