在缺乏可靠参考数据时从Sentinel-1数据检测森林砍伐
统计方法学
2022-05-25 v1 计算机视觉与模式识别
摘要
森林对地球福祉至关重要。全球范围的大小规模森林砍伐正威胁气候稳定、森林生物多样性，从而威胁脆弱生态系统及我们整体自然栖息地的保护。随着公众对气候变化与森林保护兴趣增长，对碳抵消、碳足迹评级与环境 impact 评估的巨大需求正在涌现。多数情况下，森林砍伐图由光学数据如Landsat与MODIS制作。由于世界许多地区（尤其是集中了全球大部分森林生物量的热带）持续云覆盖，这些图通常无法提供短于年度的间隔。合成孔径雷达（SAR）可穿透云层从而填补此缺口。我们提出并评估一种在缺乏可靠参考数据（这常构成最大实际障碍）情况下的森林砍伐检测新方法。该方法在研究区实现96.5%的变化检测灵敏度（生产者精度），尽管假阳性导致较低约75.7%的用户精度，总平衡精度为90.4%。当向参考标签加入至多20%噪声时，变化检测精度得以保持。虽需进一步工作以降低假阳性率、改善检测延迟并在更多情形下验证该方法，结果表明Sentinel-1数据具有推进全球森林砍伐监测及时性的潜力。
引用
@article{arxiv.2205.12131,
title = {Detecting Deforestation from Sentinel-1 Data in the Absence of Reliable Reference Data},
author = {Johannes N. Hansen and Edward T. A. Mitchard and Stuart King},
journal= {arXiv preprint arXiv:2205.12131},
year = {2022}
}