Deep Learning For Forest Boundary Mapping: Dap vs Als Data

Точное определение границ лесных участков важно для лесной инвентаризации и управления, но остается в основном ручным и субъективным процессом. Недавнее исследование показало, что глубокое обучение может создавать границы участков, сопоставимые с оценками экспертов, при объединении аэрофотоснимков и данных воздушного лазерного сканирования (ALS). Однако временная рассогласованность между источниками данных ограничивает масштабируемость.

Модели высоты полога и цифровая модель рельефа

Модели высоты полога (CHM), полученные с помощью цифровой фотограмметрии (DAP), предлагают лучшую временную согласованность, но могут сглаживать поверхность полога и промежутки в нем, что вызывает вопрос о том, могут ли они надежно заменять CHM, полученные с помощью ALS. Кроме того, было предложено включение цифровой модели рельефа (DTM) для повышения эффективности выделения границ, но это не было проверено в опубликованной литературе.

Исследование

Используя границы лесных участков, отмеченные экспертами, мы оценили фреймворк семантической сегментации на основе U-Net с перекрестной проверкой на уровне муниципалитетов в шести муниципалитетах юго-восточной Норвегии. Мы сравнили мультиспектральные аэрофотоснимки в сочетании с (i) CHM, полученным с помощью ALS, (ii) CHM, полученным с помощью DAP, и (iii) CHM, полученным с помощью DAP, в сочетании с DTM.

Результаты

Результаты показали сопоставимые результаты для всех комбинаций данных, достигая общей точности от 0,90 до 0,91. Согласие между прогнозами модели было значительно больше, чем согласие с опорными данными, что подчеркивает как согласованность модели, так и присущую субъективность определения границ участка.

Выводы

Схожая производительность DAP-CHM, несмотря на уменьшенную структурную детализацию, и отсутствие улучшений от DTM указывают на устойчивость фреймворка к изменениям входных данных. Эти результаты показывают, что большие наборы данных для определения границ участков на основе глубокого обучения можно собирать с использованием проектов, включающих синхронизированные данные ALS и облака точек DAP.