基于深度集成从光学与 SAR 卫星影像进行全国尺度森林结构检索
计算机视觉与模式识别
2022-12-13 v3 机器学习
图像与视频处理
摘要
以知情方式监测和管理地球森林是应对生物多样性丧失与气候变化等挑战的重要要求。虽然传统的原位或航空森林评估活动在区域层面提供准确分析数据，但要以高时间分辨率扩展至全国乃至更大范围几乎不可能。本工作中，我们提出一种基于深度集成的方法，以 10 米分辨率利用免费卫星影像作为输入，在全国尺度密集估计森林结构变量。我们的方法将 Sentinel-2 光学影像与 Sentinel-1 合成孔径雷达影像联合转换为五个不同森林结构变量的地图：95 分位高度、平均高度、密度、基尼系数和覆盖度。我们在来自挪威 41 次机载激光扫描任务的参考数据上训练并测试模型，证明其能泛化至未见测试区域，依变量不同取得 11% 至 15% 的归一化平均绝对误差。我们的工作也是首个提出所谓贝叶斯深度学习变体，从卫星影像密集预测多个森林结构变量并带有良好校准的不确定性估计。不确定性信息提升了模型可信度及其对需要可靠置信估计作为决策基础的下游任务的适用性。我们呈现了广泛实验集以验证预测地图的精度及预测不确定性的质量。为展示可扩展性，我们提供了五类森林结构变量的挪威全国地图。
引用
@article{arxiv.2111.13154,
title = {Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Deep Ensembles},
author = {Alexander Becker and Stefania Russo and Stefano Puliti and Nico Lang and Konrad Schindler and Jan Dirk Wegner},
journal= {arXiv preprint arXiv:2111.13154},
year = {2022}
}