Новая модель оценки высоты лесного полога [ссылка]
Предлагается модель оценки высоты лесного полога в глобальном масштабе, основанная на спутниковых данных. По словам авторов, “модель использует передовые методы предварительной обработки данных, прибегает к новой функции потерь, разработанной для борьбы с неточностями геолокации, присущими наземным измерениям высоты, и использует данные миссии Shuttle Radar Topography Mission для эффективной фильтрации ошибочных меток в горных районах, повышая надежность наших прогнозов в этих районах”. Сравнение результатов с наземными данными даёт MAE = 2,43 м и RMSE = 4,73 м в целом, а также MAE = 4,45 и RMSE = 6,72 метров для деревьев высотой более пяти метров, что лучше существующих глобальных карт — этой и этой. Полученная карта высот, а также лежащий в её основе подход, должны облегчить и улучшить экологический анализ в глобальном масштабе, в том числе крупномасштабный мониторинг лесов и биомассы.
В списке авторов есть Sassan Saatchi — известный специалист в данной области.
🛢 Код и документация
1️⃣ Схема расчёта глобальных карт высоты лесного полога.
2️⃣ Визуальное сравнение фрагментов различных глобальных карт высот лесного полога (предлагаемая — Ours).
#лес #AGB #данные
Предлагается модель оценки высоты лесного полога в глобальном масштабе, основанная на спутниковых данных. По словам авторов, “модель использует передовые методы предварительной обработки данных, прибегает к новой функции потерь, разработанной для борьбы с неточностями геолокации, присущими наземным измерениям высоты, и использует данные миссии Shuttle Radar Topography Mission для эффективной фильтрации ошибочных меток в горных районах, повышая надежность наших прогнозов в этих районах”. Сравнение результатов с наземными данными даёт MAE = 2,43 м и RMSE = 4,73 м в целом, а также MAE = 4,45 и RMSE = 6,72 метров для деревьев высотой более пяти метров, что лучше существующих глобальных карт — этой и этой. Полученная карта высот, а также лежащий в её основе подход, должны облегчить и улучшить экологический анализ в глобальном масштабе, в том числе крупномасштабный мониторинг лесов и биомассы.
В списке авторов есть Sassan Saatchi — известный специалист в данной области.
🛢 Код и документация
1️⃣ Схема расчёта глобальных карт высоты лесного полога.
2️⃣ Визуальное сравнение фрагментов различных глобальных карт высот лесного полога (предлагаемая — Ours).
#лес #AGB #данные
Отчет о проверке данных Planet Forest Carbon Diligence
Недавно компания Planet выпустила отчет о проверке своих данных о биомассе лесов, Diligence Validation and Intercomparison Report, в котором приведены сравнения Diligence с восемью независимыми наборами данных о биомассе лесов.
Краткие итоги отчета подвел Крис Андерсон, “главный по лесам” в компании Planet. Крис занимается оценками биомассы леса уже давно. В частности, он является соавтором методики оценки биомассы леса при помощи воздушной лидарной съемки, которая применяется для оценки проектов углеродных компенсаций Verra.
Ключевые тезисы статьи Андерсона:
Основное внимание в отчете уделяется взаимному сопоставлению, а не валидации. Валидация предполагает наличие эталонных данных, как правило, наземных измерений. Вместо этого, почти все источники данных о биомассе леса представляют собой смоделированные оценки, которые содержат погрешности. Поскольку ни один из наборов данных не является эталонным, лучший способ оценить качество продукта с данными о биомассе — сравнить его с другими известными данными о биомассе, показав, где новый продукт работает хорошо, а где плохо.
Производительность модели географически неоднородна. Пользователям не рекомендуется интерпретировать показатели производительности модели как ожидаемую точность для каждого пикселя и предлагается трактовать показатели производительности как среднюю ожидаемую точность глобального набора данных.
Моделировалась высота и сомкнутость крон, используя собственный вариант модели U-Net, разработанный для объединения данных оптических мультиспектральных и радарных данных.
Надземная биомасса моделировалась как функция высоты кроны, сомкнутости, высоты над уровнем моря и географического положения. Для моделирования использовались Boosted regression trees. Такая модель, по мысли авторов, может научиться аппроксимировать аллометрические зависимости способом, чувствительным к нескольким компонентам структуры леса.
Традиционной проблемой является удаление облаков и дымки из мультиспектральных снимков. Был разработан агрессивный алгоритм маскировки облаков, который понижал рейтинг пикселей вблизи краев облаков. В результате пользователи могут видеть циклические буферы (circular buffers) в областях, где пиксели были заполнены наблюдениями более низкого качества. Чтобы смягчить этот эффект, разработчики предоставляют набор данных с оценкой качества пикселей, а также ресурс по дням года, который можно использовать для фильтрации и удаления наблюдений низкого качества или наблюдений из отдаленных периодов года.
“Будучи аспирантом-всезнайкой, я часто ворчал по поводу глобальных данных, которые выглядели точными везде и нигде”, пишет Андерсон. На практике очень сложно создать глобальный продукт с одинаковым качеством из-за сложного взаимодействия пространственных и временных отклонений, различий в измерениях и подходов к оптимизации параметров. Разработчики Diligence подошли к этой проблеме с практическими рекомендациями, предоставив подробный анализ погрешностей модели и указав районы, где точность прогноза самая низкая (например, в азиатских палеотропиках). Одним из способов, которым пользователи могут решить проблему точности, является обучение собственных локальных моделей биомассы, используя данные о высоте и сомкнутости крон, предоставляемые Diligence.
#лес #AGB
Недавно компания Planet выпустила отчет о проверке своих данных о биомассе лесов, Diligence Validation and Intercomparison Report, в котором приведены сравнения Diligence с восемью независимыми наборами данных о биомассе лесов.
Краткие итоги отчета подвел Крис Андерсон, “главный по лесам” в компании Planet. Крис занимается оценками биомассы леса уже давно. В частности, он является соавтором методики оценки биомассы леса при помощи воздушной лидарной съемки, которая применяется для оценки проектов углеродных компенсаций Verra.
Ключевые тезисы статьи Андерсона:
Основное внимание в отчете уделяется взаимному сопоставлению, а не валидации. Валидация предполагает наличие эталонных данных, как правило, наземных измерений. Вместо этого, почти все источники данных о биомассе леса представляют собой смоделированные оценки, которые содержат погрешности. Поскольку ни один из наборов данных не является эталонным, лучший способ оценить качество продукта с данными о биомассе — сравнить его с другими известными данными о биомассе, показав, где новый продукт работает хорошо, а где плохо.
Производительность модели географически неоднородна. Пользователям не рекомендуется интерпретировать показатели производительности модели как ожидаемую точность для каждого пикселя и предлагается трактовать показатели производительности как среднюю ожидаемую точность глобального набора данных.
Моделировалась высота и сомкнутость крон, используя собственный вариант модели U-Net, разработанный для объединения данных оптических мультиспектральных и радарных данных.
Надземная биомасса моделировалась как функция высоты кроны, сомкнутости, высоты над уровнем моря и географического положения. Для моделирования использовались Boosted regression trees. Такая модель, по мысли авторов, может научиться аппроксимировать аллометрические зависимости способом, чувствительным к нескольким компонентам структуры леса.
Традиционной проблемой является удаление облаков и дымки из мультиспектральных снимков. Был разработан агрессивный алгоритм маскировки облаков, который понижал рейтинг пикселей вблизи краев облаков. В результате пользователи могут видеть циклические буферы (circular buffers) в областях, где пиксели были заполнены наблюдениями более низкого качества. Чтобы смягчить этот эффект, разработчики предоставляют набор данных с оценкой качества пикселей, а также ресурс по дням года, который можно использовать для фильтрации и удаления наблюдений низкого качества или наблюдений из отдаленных периодов года.
“Будучи аспирантом-всезнайкой, я часто ворчал по поводу глобальных данных, которые выглядели точными везде и нигде”, пишет Андерсон. На практике очень сложно создать глобальный продукт с одинаковым качеством из-за сложного взаимодействия пространственных и временных отклонений, различий в измерениях и подходов к оптимизации параметров. Разработчики Diligence подошли к этой проблеме с практическими рекомендациями, предоставив подробный анализ погрешностей модели и указав районы, где точность прогноза самая низкая (например, в азиатских палеотропиках). Одним из способов, которым пользователи могут решить проблему точности, является обучение собственных локальных моделей биомассы, используя данные о высоте и сомкнутости крон, предоставляемые Diligence.
#лес #AGB
planet.widen.net
Planet-UserDocumentation-ForestCarbonValidation.pdf
Компания Planet представила продукт для глобального мониторинга лесов [ссылка]
Продукт Forest Carbon Monitoring (FCM) компании Planet предлагает ежеквартальные оценки количества углерода, запасенного в ветвях, листьях и других надземных частях растений с разрешением 3 метра на пиксель. Кроме того, он показывает высоту полога и проективное покрытие (canopy cover) — информацию, которая необходима для добровольных углеродных рынков и для соблюдения нормативных требований по борьбе с обезлесением.
Ежеквартальные данные FCM начинаются с 2021 года.
FCM создан с помощью методов машинного обучения и основывается на снимках группировки Planet, состоящей из примерно 130 спутников, а также данных авиационных и космических лидаров, спутников Sentinel-2, Landsat и ALOS-PALSAR-2.
Planet ожидает, что данные FCM будут использоваться для получения углеродных кредитов и компенсаций, а также при проверке соблюдения требований EUDR — регламент Европейского союза о продукции, не подверженной обезлесению, который вступит в силу 30 декабря 2024 года.
В прошлом году Planet выпустила продукт Forest Carbon Diligence с пространственным разрешением 30 метров, который имеет сходный состав, но не использует данных спутников Planet.
🗺 Пример слоя данных Forest Carbon Monitoring для региона Путамайо в Амазонии (источник).
#planet #лес #AGB
Продукт Forest Carbon Monitoring (FCM) компании Planet предлагает ежеквартальные оценки количества углерода, запасенного в ветвях, листьях и других надземных частях растений с разрешением 3 метра на пиксель. Кроме того, он показывает высоту полога и проективное покрытие (canopy cover) — информацию, которая необходима для добровольных углеродных рынков и для соблюдения нормативных требований по борьбе с обезлесением.
Ежеквартальные данные FCM начинаются с 2021 года.
FCM создан с помощью методов машинного обучения и основывается на снимках группировки Planet, состоящей из примерно 130 спутников, а также данных авиационных и космических лидаров, спутников Sentinel-2, Landsat и ALOS-PALSAR-2.
Planet ожидает, что данные FCM будут использоваться для получения углеродных кредитов и компенсаций, а также при проверке соблюдения требований EUDR — регламент Европейского союза о продукции, не подверженной обезлесению, который вступит в силу 30 декабря 2024 года.
В прошлом году Planet выпустила продукт Forest Carbon Diligence с пространственным разрешением 30 метров, который имеет сходный состав, но не использует данных спутников Planet.
🗺 Пример слоя данных Forest Carbon Monitoring для региона Путамайо в Амазонии (источник).
#planet #лес #AGB
Унифицированная модель глубокого обучения для глобального прогнозирования надземной биомассы, высоты и покрытия полога по мультисенсорным спутниковым данным
В 📖 препринте, подготовленном сотрудниками американской компании Descartes Labs, представлена методика, использующая мультисенсорные мультиспектральные снимки с разрешением 10 метров и модель на основе глубокого обучения, которая позволяет прогнозировать плотность надземной биомассы (AGBD), высоту полога (CH), проективное покрытие (canopy cover, CC), а также оценивать неопределенность каждой из трёх величин.
В качестве входных данных модели используются отражательная способность Sentinel-2, коэффициент обратного рассеяния Sentinel-1 и ЦМР SRTM. Модель обучена на миллионах глобальных измерений GEDI-L2/L4.
Авторы проверили возможности модели, развернув её на всей территории земного шара в 2023 году, а также ежегодно с 2016 по 2023 год на отдельных территориях. Модель достигла средней абсолютной ошибки (MAE) для AGBD (CH, CC) в 26,1 млн/га (3,7 м, 9,9%) и среднеквадратичной ошибки в 50,6 млн/га (5,4 м, 15,8%) на глобальном тестовом наборе данных, демонстрируя значительное улучшение по сравнению с ранее опубликованными результатами.
🗺 Карта плотности надземной биомассы (AGBD) на 2023 год (источник).
#AGB #лес
В 📖 препринте, подготовленном сотрудниками американской компании Descartes Labs, представлена методика, использующая мультисенсорные мультиспектральные снимки с разрешением 10 метров и модель на основе глубокого обучения, которая позволяет прогнозировать плотность надземной биомассы (AGBD), высоту полога (CH), проективное покрытие (canopy cover, CC), а также оценивать неопределенность каждой из трёх величин.
В качестве входных данных модели используются отражательная способность Sentinel-2, коэффициент обратного рассеяния Sentinel-1 и ЦМР SRTM. Модель обучена на миллионах глобальных измерений GEDI-L2/L4.
Авторы проверили возможности модели, развернув её на всей территории земного шара в 2023 году, а также ежегодно с 2016 по 2023 год на отдельных территориях. Модель достигла средней абсолютной ошибки (MAE) для AGBD (CH, CC) в 26,1 млн/га (3,7 м, 9,9%) и среднеквадратичной ошибки в 50,6 млн/га (5,4 м, 15,8%) на глобальном тестовом наборе данных, демонстрируя значительное улучшение по сравнению с ранее опубликованными результатами.
🗺 Карта плотности надземной биомассы (AGBD) на 2023 год (источник).
#AGB #лес