利用多源卫星 SAR 与光学影像进行森林制图中的深度学习模型迁移
信号处理
2023-08-10 v1 计算机视觉与模式识别
摘要
深度学习（DL）模型在利用地球观测影像进行森林变量预测中日益流行。然而，在实际森林清查中，参考数据集通常由样地或林分水平测量表示，而用于 DL 模型端到端训练的高质量代表性全覆盖参考数据很少可用。迁移学习通过将模型在具备高质量训练数据的区域进行预训练，促进了深度学习模型在训练数据次优区域的拓展使用。在本研究中，我们利用样地水平测量将预训练的 DL 模型“模型迁移”（或域适应）至目标区域，并与其他机器学习模型的性能进行比较。我们使用早期开发的基于 UNet 的模型（SeUNet）在两个具有不同森林结构和组成的 distinct 针叶林站点上演示该方法。多源地球观测（EO）数据由 Copernicus Sentinel-1 C 波段 SAR 与 Sentinel-2 多光谱影像、JAXA ALOS-2 PALSAR-2 SAR mosaic 以及 TanDEM-X 双站干涉雷达数据组合表示。训练研究站点位于芬兰拉普兰，而目标站点位于芬兰南部。通过利用迁移学习，SeUNet 的预测取得了 2.70 m 的均方根误差（RMSE）和 0.882 的 R，明显优于传统基准方法。我们期望此类特定于森林的 DL 模型迁移也适用于其他森林变量以及其他对森林结构敏感的 EO 数据源。
引用
@article{arxiv.2308.05005,
title = {Deep Learning Model Transfer in Forest Mapping using Multi-source Satellite SAR and Optical Images},
author = {Shaojia Ge and Oleg Antropov and Tuomas Häme and Ronald E. McRoberts and Jukka Miettinen},
journal= {arXiv preprint arXiv:2308.05005},
year = {2023}
}