Από RemoteSensing Wiki

Πρωτότυπος τίτλος: Forest Aboveground Biomass Estimation Using Multisource Remote Sensing Data and Deep Learning Algorithms: A Case Study over Hangzhou Area in China

Συγγραφείς: Xin Tian, Jiejie Li, Fanyi Zhang, Haibo Zhang and MiJiang

Keywords: forest aboveground biomass; deep learning; multisource remote sensing

DOI: https://doi.org/10.3390/rs16061074

Πίνακας περιεχομένων 1 Εισαγωγή 1.1 Σημασία περιοχής και δασικής βιομάζας 1.2 Προβλήματα παραδοσιακών μεθόδων και ανάγκη τηλεπισκόπησης 1.3 Εξέλιξη μεθόδων και στόχος της μελέτης 2 Μεθοδολογία 2.1 Επίγεια Δεδομένα 2.2 Επεξεργασία Οπτικών και SAR Δεδομένων 2.3 Επιλογή Χαρακτηριστικών Μεταβλητών (Characteristic Variable Selection) 2.4 Πειραματικά Μοντέλα 2.4.1 Random Forest (RF) 2.4.2 Convolutional Neural Network (CNN) 2.4.3 CNN-LSTM 2.5 Ροή Εργασίας 2.6 Αξιολόγηση Ακρίβειας Μοντέλου 3 Συμπεράσματα

Εισαγωγή

Σημασία περιοχής και δασικής βιομάζας

Η επαρχία Zhejiang στην Κίνα έχει δασική κάλυψη 61.15%, γεγονός που την κατατάσσει ανάμεσα στις πέντε υψηλότερες σε όλη τη χώρα. Το κλίμα της περιοχής ευνοεί την ανάπτυξη πλούσιων δασικών οικοσυστημάτων, τα οποία αποτελούν κεντρικό παράγοντα ρύθμισης του κλίματος και ισορροπίας του άνθρακα. Η δασική βιομάζα, ως κύριος φορέας δέσμευσης άνθρακα, έχει κρίσιμη συμβολή στη διατήρηση του παγκόσμιου κύκλου του CO₂, επομένως η γρήγορη και ακριβής χαρτογράφηση της χωρικής κατανομής της είναι απαραίτητη για την κατανόηση και τον έλεγχο της κλιματικής μεταβολής.

Προβλήματα παραδοσιακών μεθόδων και ανάγκη τηλεπισκόπησης

Η εκτίμηση της δασικής βιομάζας μέσω επιτόπιων μετρήσεων και αναλυτικών μοντέλων ανάπτυξης μπορεί να προσφέρει υψηλή ακρίβεια, ωστόσο η διαδικασία είναι δαπανηρή, χρονοβόρα και περιορισμένη χωρικά, γεγονός που καθιστά αδύνατη την εφαρμογή της σε περιφερειακή ή παγκόσμια κλίμακα. Αντίθετα, η τηλεπισκόπηση παρέχει υψηλής συχνότητας δεδομένα, επιτρέποντας τη μακροσκοπική, μη καταστροφική και συνεχή εκτίμηση της βιομάζας. Τόσο οι οπτικοί όσο και οι SAR αισθητήρες έχουν αποδειχθεί αποτελεσματικοί στη χαρτογράφηση της δομής και της δυναμικής των δασικών οικοσυστημάτων, ενώ ο συνδυασμός τους ενισχύει περαιτέρω την ακρίβεια των εκτιμήσεων, παρά το γεγονός ότι η ετερογένεια των δεδομένων μπορεί να εισάγει πρόσθετες πηγές σφάλματος.

Εξέλιξη μεθόδων και στόχος της μελέτης

Παραδοσιακές μέθοδοι, όπως η πολλαπλή γραμμική παλινδρόμηση, χρησιμοποιήθηκαν εκτενώς για την εκτίμηση της βιομάζας, όμως δεν αποδίδουν ικανοποιητικά λόγω της μη γραμμικότητας της σχέσης μεταξύ φασματικών δεικτών και βιομάζας. Οι τεχνικές μηχανικής μάθησης, όπως Random Forest και SVM, ανέβασαν την ακρίβεια, ενώ πιο πρόσφατες προσεγγίσεις ενσωματώνουν δεδομένα από πολλαπλούς δορυφόρους (Sentinel, ICESat-2, ALOS-2) και εξερευνούν τη χρήση deep learning. Η συγκεκριμένη μελέτη επιδιώκει να αξιολογήσει το κατά πόσο προηγμένα μοντέλα, όπως CNN και CNN-LSTM, σε συνδυασμό με multisource remote sensing data (optical and SAR), μπορούν να επιτύχουν υψηλότερη ακρίβεια στην εκτίμηση της υπέργειας δασικής βιομάζας και να παραχθεί ένας αξιόπιστος χάρτης χωρικής κατανομής για την περιοχή Lin’an της Zhejiang (Εικόνα 1).

Μεθοδολογία

Επίγεια Δεδομένα

Τα δεδομένα πεδίου προέρχονται από την ένατη εθνική απογραφή δασικών πόρων (National Forest Resources Continuous Inventory, 2018), η οποία αποτελεί την πιο ολοκληρωμένη βάση δεδομένων δασικών χαρακτηριστικών στην Κίνα. Για κάθε δειγματοληπτική επιφάνεια καταγράφηκαν:

• η διάμετρος στο ύψος θώρακα (DBH),
• το ύψος των δέντρων, η ταξινόμηση του είδους,
• η ηλικία και
• η προέλευση.

Μη δασικές εκτάσεις (αγροτική γη, κατασκευασμένες περιοχές, εκτάσεις χωρίς αποθέματα ξύλου) αποκλείστηκαν.

Η υπέργεια βιομάζα υπολογίστηκε για κάθε δέντρο χρησιμοποιώντας τις καταγεγραμμένες εξισώσεις ανάπτυξης ανά είδος. Τα είδη ταξινομήθηκαν σε τέσσερις κατηγορίες (fir, horsetail pine, hard broadleaf, soft broadleaf) σύμφωνα με τη σύνθεση της χλωρίδας της περιοχής.

Επεξεργασία Οπτικών και SAR Δεδομένων

Στη μελέτη χρησιμοποιήθηκαν έξι δορυφορικά συστήματα:

1) Οπτικά δεδομένα GF-6 (16 m, 8 φασματικές ζώνες, red-edge band) Sentinel-2 (13 ζώνες, 10–60 m) Landsat-8 OLI (30 m multispectral, 15 m panchromatic) Βήματα προεπεξεργασίας οπτικών δεδομένων: ατμοσφαιρική διόρθωση, γεωμετρική διόρθωση και αναπροβολή σε σύστημα UTM, υπολογισμός δεικτών βλάστησης (NDVI, DVI, GNDVI, RVI), εξαγωγή χαρακτηριστικών υφής GLCM (μέση τιμή, διακύμανση, εντροπία, αντίθεση, ομοιογένεια, ανομοιότητα, συσχέτιση).

2) SAR δεδομένα GF-3 Sentinel-1 ALOS-2 PALSAR-2 Βήματα προεπεξεργασίας SAR: ραδιομετρική διόρθωση ανάγλυφου, συνεγγραφή με DEM και γεωκωδικοποίηση στο EPSG:4326, αποθορυβοποίηση speckle με φίλτρο Adaptive Lee, εξαγωγή συντελεστών οπισθοσκέδασης, αποσύνθεση πόλωσης Cloude–Pottier (entropy H, anisotropy A, μέση γωνία σκέδασης α).

Επιλογή Χαρακτηριστικών Μεταβλητών (Characteristic Variable Selection)

Από τα οπτικά δεδομένα εξήχθησαν: φασματικές ζώνες, δείκτες βλάστησης: NDVI, DVI, GNDVI, RVI, χαρακτηριστικά υφής GLCM.

Από τα SAR δεδομένα εξήχθησαν: συντελεστές οπισθοσκέδασης (HH, HV, VV, VH), χαρακτηριστικά υφής, μεταβλητές αποσύνθεσης πόλωσης (H, A, α).

Όλες οι μεταβλητές υποβλήθηκαν σε ανάλυση συσχέτισης Pearson για εντοπισμό εκείνων με το υψηλότερο συσχετισμό με την υπέργεια βιομάζα.

Πειραματικά Μοντέλα

Random Forest (RF)

Το RF χρησιμοποιήθηκε ως βασικό μοντέλο μηχανικής μάθησης. Η μέθοδος βασίζεται σε σύνολο δέντρων αποφάσεων που εκπαιδεύονται με τυχαία δειγματοληψία δεδομένων και μεταβλητών. Ο αριθμός των δέντρων ορίστηκε σε 500 και ο αριθμός μεταβλητών ανά split σε 5.

Convolutional Neural Network (CNN)

Το CNN αξιοποιήθηκε για την αυτόματη εξαγωγή χωρικών και υφικών χαρακτηριστικών από τα εικόνα–patches. Η αρχιτεκτονική περιλαμβάνει διαδοχικά συνελικτικά επίπεδα με ενεργοποιήσεις, στρώματα υποδειγματοληψίας (pooling) για μείωση διαστάσεων και τελικό πλήρως συνδεδεμένο επίπεδο για την πρόβλεψη της υπέργειας βιομάζας.

CNN-LSTM

Το υβριδικό μοντέλο CNN–LSTM συνδυάζει την εξαγωγή χωρικών χαρακτηριστικών μέσω CNN με τη δυνατότητα του LSTM να συλλαμβάνει συσχετίσεις μεταξύ των διαδοχικών χαρακτηριστικών. Το μοντέλο αυτό έδωσε την καλύτερη συνολικά απόδοση στην εκτίμηση της υπέργειας βιομάζας (Εικόνα 2).

Ροή Εργασίας

Η συνολική μεθοδολογική διαδικασία συνοψίζεται στην Εικόνα 3 και περιλαμβάνει:

1. Συλλογή δεδομένων τηλεπισκόπησης (οπτικών και SAR).
2. Προεπεξεργασία εικόνων.
3. Εξαγωγή χαρακτηριστικών μεταβλητών (φασματικών, υφής και πόλωσης).
4. Ανάλυση συσχέτισης Pearson και επιλογή χαρακτηριστικών.
5. Εκπαίδευση των μοντέλων RF, CNN και CNN–LSTM.
6. Σύγκριση επιδόσεων των μοντέλων.
7. Σύντηξη multisource δεδομένων για τελική εκτίμηση AGB.
8. Παραγωγή χωρικού χάρτη βιομάζας.

Αξιολόγηση Ακρίβειας Μοντέλου

Η αξιολόγηση της απόδοσης των μοντέλων στη μελέτη πραγματοποιήθηκε με τη χρήση βασικών δεικτών σφάλματος και αξιοπιστίας οι οποίοι υπολογίζονται από τις ακόλουθες εξισώσεις.

Συμπεράσματα

Προβλεπόμενες μεταβλητές Από τα SAR δεδομένα εξήχθησαν: συντελεστές οπισθοσκέδασης (backscatter), χαρακτηριστικά που έχουν να κάνουν με την υφή (texture features), παράμετροι αποσύνθεσης πόλωσης. Το L-band ALOS-2 ήταν το πιο χρήσιμο για εκτίμηση βιομάζας, κυρίως όταν χρησιμοποιήθηκαν οι πολώσεις HV και VH, που “βλέπουν” καλύτερα την υγρασία και τη δομή των δέντρων. Τα χαρακτηριστικά υφής βοηθούν επειδή μειώνουν τον θόρυβο στο σήμα και έτσι δίνουν πιο σταθερή πληροφορία για τη βιομάζα. Στα οπτικά δεδομένα, η red-edge ζώνη, οι δείκτες βλάστησης (όπως ο NDVI) και τα PCA components είχαν πιο δυνατή σχέση με τη βιομάζα σε σχέση με τα απλά χαρακτηριστικά υφής.

Περιεχόμενο 2

Περιεχόμενο 3