利用GEDI与地球观测数据通过基于注意力的深度学习估算森林地上生物量
计算机视觉与模式识别
2023-11-07 v1 机器学习
图像与视频处理
摘要
准确量化森林地上生物量（AGB）对于在气候变化背景下理解碳核算至关重要。本研究中，我们提出一种新颖的基于注意力的深度学习方法来估算森林AGB，主要利用公开获取的EO数据，包括：GEDI激光雷达数据、C波段Sentinel-1 SAR数据、ALOS-2 PALSAR-2数据与Sentinel-2多光谱数据。注意力UNet（AU）模型相比传统RF算法在生物量估算上精度显著更高。具体而言，AU模型取得R2为0.66、RMSE为43.66 Mg ha-1、偏差为0.14 Mg ha-1，而RF得分较低：R2 0.62、RMSE 45.87 Mg ha-1、偏差1.09 Mg ha-1。然而，深度学习方法的优势并非在所有测试模型中一致显现。ResNet101仅取得R2 0.50、RMSE 52.93 Mg ha-1、偏差0.99 Mg ha-1，而UNet报告R2 0.65、RMSE 44.28 Mg ha-1、偏差高达1.84 Mg ha-1。此外，为探究AU在无空间信息时的表现，采用全连接（FC）层消除遥感数据中的空间信息。AU-FC取得居中R2 0.64、RMSE 44.92 Mg ha-1、偏差-0.56 Mg ha-1，优于RF但逊于使用空间信息的AU模型。我们还使用AU生成了2019年广东全省10米森林AGB制图，并与RF所得结果比较。两模型AGB分布高度一致且均值相近；AU估算的森林平均AGB为102.18 Mg ha-1，RF为104.84 Mg ha-1。此外观察到AU生成的AGB图提供了更优的空间信息。总体而言，本研究证实了基于卫星数据采用深度学习进行生物量估算的可行性。
引用
@article{arxiv.2311.03067,
title = {Forest aboveground biomass estimation using GEDI and earth observation data through attention-based deep learning},
author = {Wenquan Dong and Edward T. A. Mitchard and Hao Yu and Steven Hancock and Casey M. Ryan},
journal= {arXiv preprint arXiv:2311.03067},
year = {2023}
}