神经网络可以从卫星图像中读取树木高度


神经网络可以从卫星图像中读取树木高度


文章图片


中国航空报讯:苏黎世联邦理工学院的研究人员利用一个人工神经网络 , 从卫星图像中提取出第一张2020年高分辨率全球植被高度图 。 该图可以为应对气候变化、物种灭绝以及可持续区域发展规划提供关键信息 。
去年是“联合国生态系统恢复十年”的起始年 , 这一倡议旨在2030年前阻止生态系统的进一步退化 , 并尽可能地补救已经造成的损害 。 而实施这类项目则需要如现有植被的调查和地图等准确的基础信息 。
在一次采访中 , 美国航空航天局全球生态系统动态调查(GEDI)任务的首席调查员Ralph Dubayah解释道:“我们根本不知道全球的树木有多高 。 我们需要清晰的全球树木分布图 。 因为每当我们砍伐树木时 , 我们就会向大气中释放碳 , 而我们不知道我们释放了多少碳 。 ”
绘制全球树木分布图需要精确分析和准备相关环境数据 。 苏黎世联邦理工学院土木、环境和地理工程系的Eco Vision实验室专门从事这项工作 。 该实验室由苏黎世联邦理工学院教授Konrad Schindler和苏黎世大学教授Jan Dirk Wegner于2017年创立 , 研究人员在此研发针对大规模环境数据分析的机器学习算法 。 在其中一位研究人员Nico Lang的博士论文中 , 他研发了一种可从光学卫星图像中得出植被高度的神经网络 。 通过这种方法 , 他创建了第一个覆盖全球的植被高度图:全球树冠高度图 。
该地图的分辨率之高是另一个首创:基于Lang的工作 , 用户可以放大地球上任何一片10×10米的林地 , 并查看其中的树木高度 。 这种森林调查尤其在处理碳排放方面可能会引领前沿 , 因为树高是生物量和碳储存量的一个关键指标 。 “森林中大约95%的生物量是由树干而不是树叶组成的 。 因此 , 生物量与树木高度密切相关 。 ”摄影测量和遥感教授Konrad Schindler解释说 。
用来自太空的激光扫描数据进行训练
计算机是如何从卫星图像中得到树木高度的呢?Lang说:“由于我们不知道计算机需要运用哪些模式来估算高度 , 所以我们让它自己学习最佳的图像过滤器 。 ”Lang向他的神经网络输入数百万个训练图像 , 这些图像由欧洲航天局(ESA)的两颗“哥白尼哨兵”2号卫星提供 。 这些卫星每5天拍摄一次地球上的每个位置 , 分辨率为每像素10x10米 , 这也是目前为止公众可以获得的最高质量的图像 。
该算法需要有正确的答案的输入 , 这些答案来自于美国宇航局GEDI任务中空间激光测量得到的树木高度 。 “GEDI任务提供了分布在南北纬51度之间的全球植被高度稀疏数据 , 这样来 , 计算机在训练过程中可以得到不同的植被类型的输入 。 ”Lang解释说 。 有了输入数据和答案 , 该算法可以自己习得纹理和光谱模式的过滤器 。 该神经网络经过训练之后可以从全球地图所需的25万多张图像(约160兆字节的数据)中自动估计出植被高度 。
在专业术语中 , Lang使用的神经网络被称为卷积神经网络(CNN) 。 “卷积”是一种数学操作 , 该算法用一个3x3像素的滤波器在卫星图像上滑动 , 得到图像中亮度模式的信息 。 “我们巧妙地将图像滤波器堆叠起来 , 这给了算法上下文之间的信息 , 因为每个像素都已经涵盖了从之前的卷积层中获得的邻近像素的信息 。 ”Schindler说 。 因此 , Eco Vision实验室是第一个成功使用卫星地图来可靠地估计最高达55米的树木高度的实验室 。
因为它们的许多层使这些神经网络变得“深” , 这种方法也被称为“深度学习” 。 大约十年前 , 它预示着图像处理的一次重大革命 。 然而 , 处理庞大的数据量仍然非常具有挑战性:计算全球植被高度图将需要一台强大的计算机花费3年时间 。 “幸运的是 , 我们可以使用苏黎世联邦理工学院的高性能计算集群 , 所以我们不必用耗费三年的时间来计算该地图 。 ”Lang说 。
估测不确定性确定透明性
Lang在这项任务中除了CNN以外还运用了其它一些神经网络 , 这就是所谓的集成 。 他说:“对我们来说 , 让用户知道估计的不确定性是同样重要的一点 , ”这五个神经网络的训练是相互独立的 , 每个网络都返回自己对树高的估计 , “如果所有的模型根据训练数据得到了同一个答案 , 那么我们认为它是准确的 。 而如果这些模型得出了不同的答案 , 那就意味着预测中存在较高的不确定性 。 ”Lang解释道 。 这些模型会受数据本身不确定性的影响:例如 , 倘若卫星图像是模糊的 , 那么它的不确定度就比大气条件好的时候要大 。

推荐阅读