利用SAR与光学卫星影像支持科特迪瓦毁林监测的深度学习工具
计算机视觉与模式识别
2025-09-25 v1 人工智能
机器学习
摘要
毁林因其对周围环境的强烈影响而日益受到重视，尤其是在人口经济条件较差且农业为主要收入来源的发展中国家。例如，在科特迪瓦，可可生产是最具收益的活动，将部分原始森林替换为新的可可种植园的情况并不罕见。为了监测这类有害活动，可以利用卫星识别森林的消失，以防止其扩大影响范围。本研究使用森林-非森林地图（FNF）作为基于哨兵（Sentinel）影像输入模型的地面真值。通过结合哨兵一号（Sentinel-1）、哨兵二号（Sentinel-2）和云概率，在不同年份上比较了当前最优模型U-Net、注意力U-Net、SegNet和FCN32，以进行森林/非森林分割。尽管科特迪瓦缺乏森林覆盖数据集且哨兵影像仅部分覆盖该区域，但本研究证明了利用开放数据集创建模型对该区域森林与非森林像素进行分类，以预测可能发生毁林的地点，是可行的。尽管相当一部分毁林研究是在可见光波段上进行的，但本研究采用合成孔径雷达（SAR）采集数据，以克服RGB影像在经常被云层覆盖的区域所存在的局限性。最后，采用最有潜力的模型估算了2019年至2020年间被砍伐的森林公顷数。
引用
@article{arxiv.2409.11186,
title = {Deep Learning tools to support deforestation monitoring in the Ivory Coast using SAR and Optical satellite imagery},
author = {Gabriele Sartor and Matteo Salis and Stefano Pinardi and Ozgur Saracik and Rosa Meo},
journal= {arXiv preprint arXiv:2409.11186},
year = {2025}
}