利用TanDEM-X InSAR数据与自监督学习进行超高分辨率森林制图

深度学习模型在使用TanDEM-X干涉合成孔径雷达数据进行中分辨率森林精确制图方面已展现出令人鼓舞的能力。与当前遥感领域大多数最先进的深度学习技术一样，此类模型以全监督方式进行训练，这需要大量标注数据用于训练和验证。在这项工作中，我们的目标是利用TanDEM-X任务的高分辨率能力，在6米分辨率下进行森林制图。其目标是克服中分辨率产品固有的局限性，这些局限性会影响，例如，植被区域内狭窄道路的检测以及森林区域轮廓的精确划定。为解决在如此高分辨率下缺乏广泛可靠参考数据集的问题，我们研究了自监督学习技术，从输入特征中提取高信息量的表征，然后使用数量显著减少的可靠标签进行监督训练。美国宾夕法尼亚州上空1米分辨率的森林/非森林参考地图，使得我们能够比较不同的训练方法，以开发一个使用有限标注样本的有效森林制图框架。我们在此测试区域选择了性能最佳的方法，并将其应用于亚马逊雨林的实际森林制图场景中，该区域仅有极少量的高分辨率标注数据。在这一具有挑战性的场景中，与使用相同数量标注数据训练的全监督方法相比，所提出的自监督框架显著提高了分类精度，为利用TanDEM-X数据进行大规模、极高分辨率森林制图提供了一个极具前景的起点。