基于 Sentinel-1 的坦桑尼亚 miombo 森林生物量预测中序列与非序列回归模型的潜力
机器学习
2022-06-01 v2 计算机视觉与模式识别
摘要
本研究利用 Sentinel-1 数据的高可用性和低成本，推导了用于坦桑尼亚 miombo 林地地上生物量（AGB）估算的回归模型。C 波段 SAR 传感器有限的森林冠层穿透能力以及可用地面真值的稀疏性，限制了它们在传统 AGB 回归模型中的效用。因此，我们提出使用基于机载激光扫描（ALS）数据的 AGB 预测作为 SAR 数据的替代响应变量。这大幅增加了可用训练数据，并为捕捉精细尺度 AGB 动态的灵活回归模型提供了可能。这成为一种序列建模方法：第一阶段回归已将原位数据与 ALS 数据关联并生成了 AGB 预测图；我们执行后续阶段，将该图与 Sentinel-1 数据相关联。我们为此阶段开发了一个传统的参数回归模型和替代的非参数模型。后者使用条件生成对抗网络（cGAN）将 Sentinel-1 图像转换为基于 ALS 的 AGB 预测图。神经网络中的卷积滤波器使它们具有上下文性。我们将序列模型与传统的非序列回归模型进行比较，后者均训练于有限的 AGB 地面参考数据。结果表明，我们新提出的非序列基于 Sentinel-1 的回归模型在量化上优于序列模型，但对精细尺度 AGB 动态的敏感性较低。基于上下文 cGAN 的序列模型最好地再现了基于 ALS 的 AGB 预测的分布。它们相对于原位 AGB 数据也达到了比参数序列模型更低的 RMSE，表明其进一步开发的潜力。
引用
@article{arxiv.2106.15020,
title = {On the potential of sequential and non-sequential regression models for Sentinel-1-based biomass prediction in Tanzanian miombo forests},
author = {Sara Björk and Stian Normann Anfinsen and Erik Næsset and Terje Gobakken and Eliakimu Zahabu},
journal= {arXiv preprint arXiv:2106.15020},
year = {2022}
}