国家尺度的油棕密度制图：一种主动学习方法

油棕的精确制图对于理解其对环境的历史与未来影响十分重要。我们提议通过估计每像素的树木密度来制图并计数油棕，以进行大尺度分析。这使得细粒度分析成为可能，例如关于不同的种植模式。为此，我们提出一种新的主动深度学习方法，从Sentinel-2卫星图像大尺度估计油棕密度，并将其应用于生成马来西亚与印度尼西亚的完整地图。使油棕密度回归具有挑战性的是，需要覆盖广阔地域内所有相关地理条件的代表性参考数据的需求。具体而言，对于密度估计，生成参考数据涉及计数单株树木。为保持较低的标注工作量，我们提出一种主动学习（AL）方法，自动选择最相关的样本进行标注。我们的方法依赖于对认知模型不确定性的估计及样本间多样性的估计，从而能够在单次迭代中检索整批相关样本。此外，我们的算法具有线性计算复杂度且易于并行化以覆盖大面积区域。我们使用我们的方法计算了首张油棕密度图，其地面采样距离（GSD）为 $10\,$m，覆盖印度尼西亚与马来西亚全境及2017与2019两个不同年份。该地图的平均绝对误差为 $\pm$7.3 棵/$ha$，由独立验证集估计。我们还分析了国内不同州之间的密度差异，并将其与官方估计比较。根据我们的估计，印度尼西亚共有 $>1.2$ 亿株油棕，覆盖 $>15$ 百万 $ha$，马来西亚共有 $>0.5$ 亿株油棕，覆盖 $>6$ 百万 $ha$。