基于深度集成方法的 GEDI 激光雷达波形全球树冠高度回归与不确定性估计
机器学习
2021-11-05 v2 计算机视觉与模式识别
摘要
NASA 的全球生态系统动力学调查 (GEDI) 是一项关键的气候任务，其目标是增进我们对森林在全球碳循环中作用的理解。虽然 GEDI 是首个明确优化用于测量可预测地上生物量的垂直森林结构的星载激光雷达，但在广泛的观测和环境条件下准确解释这一海量波形数据具有挑战性。在此，我们提出一种新颖的监督机器学习方法来解释 GEDI 波形并回归全球树冠顶层高度。我们提出了一种基于深度卷积神经网络 (CNN) 集成的概率深度学习方法，以避免对未知效应（如大气噪声）的显式建模。该模型学习提取可泛化到未见过地理区域的鲁棒特征，并且还能产生可靠的预测不确定性估计。最终，我们的模型生成的全球树冠顶层高度估计具有 2.7 m 的期望 RMSE 和低偏差。
引用
@article{arxiv.2103.03975,
title = {Global canopy height regression and uncertainty estimation from GEDI LIDAR waveforms with deep ensembles},
author = {Nico Lang and Nikolai Kalischek and John Armston and Konrad Schindler and Ralph Dubayah and Jan Dirk Wegner},
journal= {arXiv preprint arXiv:2103.03975},
year = {2021}
}