地理空间基础模型在地下生物量估计中的微调
人工智能
2024-07-01 v1
摘要
全球植被结构制图对于理解全球碳循环和最大化基于自然的碳封存倡议的效能至关重要。此外，植被结构制图有助于减少气候变化的影响，例如通过指导行动来改善水安全、增加生物多样性和降低洪水风险。全球卫星测量提供了一组重要的观测数据，用于监测和管理现有森林的砍伐和退化、天然林自然再生、重新造林、生物多样性恢复以及可持续农业实践的实施。在本文中，我们探讨了微调地理空间基础模型的有效性，该模型使用在巴西不同生态区收集的星载数据来估计地上生物量（AGB）。微调后的模型架构由作为编码器（即主干网络）的 Swin-B transformer 和用于解码器头的单个卷积层组成。所有结果均与作为基线模型训练的 U-Net 进行了比较。这一稀疏标签预测任务的实验结果表明，具有冻结编码器的微调地理空间基础模型与从头开始训练的 U-Net 具有相当的性能。尽管微调后的模型需要优化的参数减少了 13 倍，从而节省了时间和计算资源。此外，我们通过在来自巴西不同生态区的带有稀疏标签的卫星图像上进行微调，探索了地理空间基础模型的迁移学习能力。
引用
@article{arxiv.2406.19888,
title = {Fine-tuning of Geospatial Foundation Models for Aboveground Biomass Estimation},
author = {Michal Muszynski and Levente Klein and Ademir Ferreira da Silva and Anjani Prasad Atluri and Carlos Gomes and Daniela Szwarcman and Gurkanwar Singh and Kewen Gu and Maciel Zortea and Naomi Simumba and Paolo Fraccaro and Shraddha Singh and Steve Meliksetian and Campbell Watson and Daiki Kimura and Harini Srinivasan},
journal= {arXiv preprint arXiv:2406.19888},
year = {2024}
}