融合GEDI与地球观测数据的多模态深度学习森林优势木高制图
计算机视觉与模式识别
2023-11-21 v1 机器学习
图像与视频处理
摘要
多源遥感数据与深度学习模型的融合为高精度空间分辨率森林高度的制图提供了新可能。我们发现GEDI相对高度(RH)指标与对应足迹位置处实测的前10最高树木均值(优势木高)表现出强相关性。据此，我们提出了一种称为多模态注意力遥感网络(MARSNet)的新型深度学习框架，通过外推由GEDI得出的优势木高，利用Sentinel-1数据、ALOS-2 PALSAR-2数据、Sentinel-2光学数据及辅助数据来估算森林优势木高。MARSNet为每种遥感数据模态配备独立编码器以提取多尺度特征，并采用共享解码器融合特征并估算高度。为每种遥感影像使用独立编码器避免了跨模态干扰并提取了差异化表征。为聚焦于各数据集的有效信息，我们在编码器中引入扩展空间与波段重建卷积模块，以降低各遥感数据中普遍存在的空间与波段冗余。MARSNet在优势木高估算中取得令人满意的性能，R2为0.62、RMSE为2.82 m，优于广泛使用的随机森林方法(R2为0.55、RMSE为3.05 m)。最后，我们将训练好的MARSNet模型应用于生成中国吉林10 m分辨率的全覆盖制图。通过野外测量独立验证，MARSNet的R2为0.58、RMSE为3.76 m，而随机森林基线分别为0.41与4.37 m。我们的研究证明了融合GEDI与SAR及被动光学影像的多模态深度学习方法在提升高分辨率优势木高估算精度方面的有效性。
引用
@article{arxiv.2311.11777,
title = {Multimodal deep learning for mapping forest dominant height by fusing GEDI with earth observation data},
author = {Man Chen and Wenquan Dong and Hao Yu and Iain Woodhouse and Casey M. Ryan and Haoyu Liu and Selena Georgiou and Edward T. A. Mitchard},
journal= {arXiv preprint arXiv:2311.11777},
year = {2023}
}