Estimating Canopy Height at Scale

Deze paper introduceert een framework voor het schatten van boomkruinhouders op wereldschaal met behulp van satellietdata, dat door middel van geavanceerde preprocessing, een nieuwe verliesfunctie en SRTM-data de nauwkeurigheid aanzienlijk verbetert ten opzichte van bestaande kaarten.

De kern

Hoe we de bomen van de hele wereld hebben opgemeten (en waarom dat lastig is)

Stel je voor dat je een gigantische puzzel hebt van de hele aarde, en je wilt precies weten hoe hoog de bomen in elk stukje van die puzzel zijn. Dat klinkt als een droom voor boswachters en klimaatwetenschappers, maar in werkelijkheid is het net als proberen de hoogte van bomen te meten terwijl je door een wolkendek naar beneden kijkt, met een meetlint dat soms een beetje scheef hangt.

Dit paper beschrijft hoe een team van slimme onderzoekers een nieuwe, superkrachtige manier heeft bedacht om dit probleem op te lossen. Hier is hoe ze het deden, vertaald naar alledaags taal:

1. Het Probleem: De "Scheve Meetlinten"

Vroeger moesten mensen in het bos lopen om bomen op te meten. Dat is duur, tijdrovend en onmogelijk voor de hele wereld. Nu gebruiken we satellieten. Maar er zijn twee grote struikelblokken:

• De wolken: Optische satellieten (zoals camera's) zien door wolken niet heen. In regenwouden is het bijna altijd bewolkt.
• De "scheve meetlinten": Er is een speciale satelliet (GEDI) die met laserstralen de hoogte van bomen meet. Maar deze laserstralen zijn soms net een beetje verkeerd geplaatst op de kaart. Het is alsof je een foto maakt van een boom, maar de foto staat 10 meter naast de echte boom. Als je een computermodel leert op basis van deze "verkeerde" foto's, leert het model fouten.

2. De Oplossing: Een Slimme "Dertig-Dagen-Combinatie"

De onderzoekers hebben een nieuw systeem gebouwd dat werkt als een super-krachtige foto-editor.

• De Camera's: Ze gebruiken twee soorten satellieten.
  • Sentinel-1: Dit is een radar-satelliet. Die werkt als een nachtzichtbril; hij ziet door wolken en regen heen.
  • Sentinel-2: Dit is een gewone camera, maar heel gevoelig voor wolken.
• De "Smoothie"-methode: In plaats van één foto te nemen, nemen ze honderden foto's van dezelfde plek gedurende een zomer. Vervolgens maken ze een "smoothie" van al die foto's: ze nemen voor elke pixel de middenwaarde. Zo verdwijnen de wolken en de ruis van de radar als vanzelf. Het resultaat is een kristalheldere, wolkenvrije kaart van de aarde.

3. De Slimme Truc: De "Verschuivende" Regels

Dit is het meest creatieve deel van het verhaal. Omdat de laser-metingen (GEDI) soms net een beetje verschuiven op de kaart, zou een standaard computermodel denken: "Oh, deze boom staat hier, maar de meting zegt daar. Dus mijn voorspelling is fout!"

De onderzoekers bedachten een nieuwe regel voor het leren van de computer (een "verliesfunctie").

• De Analogie: Stel je voor dat je een dartschijf gooit. Als je pijl net naast de kern landt, zeggen de meeste regels: "Fout!"
• De Nieuwe Regel: De onderzoekers zeggen tegen de computer: "Het maakt niet uit of je pijl precies in het midden zit. Als je binnen een straal van 10 meter van de echte boom zit, tellen we het als een goede worp."
  De computer mag dus zelf een beetje "schuiven" om de beste match te vinden. Hierdoor wordt het model veel slimmer en maakt het minder fouten door de onnauwkeurige meetpunten.

4. De Berg-Filter: Geen Valse Bergtoppen

In bergachtige gebieden wordt het lastig. Als je een laserstraal op een steile helling schiet, kan de computer denken dat het een hoge boom is, terwijl het eigenlijk gewoon een steile helling is.

• De Oplossing: Ze gebruiken een oude kaart van de aarde (SRTM) die de vorm van het landschap laat zien. Als de computer ziet dat het terrein te steil is (meer dan 20 graden), zegt hij: "Stop, dit is geen boom, dit is een berg. Ik tel deze meting niet mee." Dit voorkomt dat er in de bergen valse, gigantische bomen worden getekend.

5. Het Resultaat: Een Kaart met 10-Meter Detail

Het eindresultaat is een wereldwijke kaart van boomhoogtes met een resolutie van 10 meter.

• Vroeger: Kaarten waren vaak wazig, als een oude, wazige foto waar je alleen grote bossen kon zien.
• Nu: Je kunt nu individuele paden, kleine bosjes en zelfs wegen door het bos zien. Het is alsof je van een wazige oude foto bent gegaan naar een scherpe 4K-foto.

Waarom is dit belangrijk?

Bomen zijn de longen van de aarde. Ze slaan CO2 op. Om te weten of we de klimaatdoelen halen, moeten we precies weten hoeveel bomen er zijn en hoe groot ze zijn.
Met deze nieuwe kaart kunnen landen en bedrijven:

• Preciezer zien hoeveel koolstof er in bossen zit.
• Sneller zien als er illegaal gekapt wordt.
• Beter plannen maken voor het planten van nieuwe bomen.

Kortom: Ze hebben een manier gevonden om de hele wereld te "scannen" alsof het één groot bos is, zonder dat er iemand met een meetlint hoeft te lopen, en ze hebben de fouten in de meetapparatuur slim omzeild. Een echte doorbraak voor de planeet!

Technische samenvatting

Titel: Schatting van Boomkruinhoogte op Schaal

Auteurs: Jan Pauls et al.
Publicatie: ICML 2024

---

1. Het Probleem

Het monitoren van bosecosystemen is cruciaal voor klimaatadaptatie en mitigatiestrategieën, omdat bossen een grote koolstofbron vormen. Traditionele methoden, zoals nationale bosinventarisaties (NFI), zijn kostbaar, lokaal beperkt en moeilijk te schalen naar een globaal niveau.

Bestaande methoden voor het schatten van boomkruinhoogte (Canopy Height) op basis van satellietdata hebben verschillende tekortkomingen:

• Kwaliteitsverschil: Regionale kaarten zijn vaak nauwkeuriger dan globale kaarten.
• Locatiefouten in Ground Truth: De belangrijkste bron voor grondwaarheid (ground truth), het GEDI-missie (LiDAR vanaf het ISS), heeft systematische geolocatiefouten. Dit betekent dat de gemeten hoogte niet altijd exact overeenkomt met de pixelpositie in de satellietbeelden.
• Terreincomplexiteit: In bergachtige gebieden leiden steile hellingen tot onnauwkeurige GEDI-metingen (bijv. overschatting van de hoogte door verschillende hoogtes binnen één meetvoet).
• Resolutie en Detail: Bestaande globale kaarten (zoals die van Potapov et al. en Lang et al.) missen vaak fijne structurele details of vertonen een te gladde textuur.

2. Methodologie

De auteurs presenteren een framework voor het genereren van een globale kruinhoogtekaart met een resolutie van 10 meter. De pijplijn bestaat uit drie hoofdstappen:

A. Data Collectie en Preprocessing

• Input Data:
  • Sentinel-1 (Radar): VV- en VH-polarisatie data van opgaande en neergaande banen.
  • Sentinel-2 (Optisch): Multi-spectrale data. Voor regenwouden (waar wolken vaak voorkomen) wordt een geavanceerd cloud-reductie-algoritme gebruikt (gebaseerd op Braaten, 2024) in plaats van een simpele mediaan.
  • SRTM (Shuttle Radar Topography Mission): Gebruikt om steile hellingen te filteren.
• Ground Truth (Labels):
  • GEDI: De RH100-metric (hoogte waarbij 100% van de signalen wordt geregistreerd) wordt gebruikt.
  • Filtering: Alleen nachtelijke metingen (geen zonnestraling) en metingen van de "power beams" (niet de zwakkere coverage beams) worden gebruikt.
  • SRTM-filtering: Metingen in gebieden met een helling groter dan 20° worden verwijderd om overschattingen in bergachtige gebieden te voorkomen.
• Data Augmentatie: Er worden 100.000 patches van 512x512 pixels gegenereerd, verdeeld over trainings-, validatie- en testsets zonder geografische overlap.

B. Model Architectuur en Training

• Architectuur: Een U-Net (semantische segmentatie) met een ResNet50 backbone. De output is een enkele kanaal (hoogte) met een lineaire activatie.
• Verliesfunctie (Key Innovation): De auteurs introduceren een Shift-Resilient Loss ($L_S$).
  • Probleem: Standaard loss-functies straffen een model af als de voorspelling correct is maar de GEDI-labels net iets verschuiven door GPS-fouten.
  • Oplossing: Voor elke trainingspatch wordt de loss berekend over een reeks mogelijke verschuivingen ($\delta$) binnen een straal $r$ (ongeveer $\sqrt{2}$ pixels, gebaseerd op de gemiddelde GEDI-fout). Het model kiest de verschuiving die de laagste loss oplevert. Dit maakt het model robuust tegen de systematische geolocatiefouten in de grondwaarheid.
  • Er wordt gebruik gemaakt van de Huber loss als pixel-wise loss, omdat deze robuuster is tegen uitbijters dan L2.

C. Inferentie op Wereldschaal

• Het model wordt wereldwijd toegepast op patches van 512x512 pixels (met 100 pixels overlap voor context).
• De output wordt geprojecteerd naar EPSG:3857 (Web Mercator) en geconverteerd naar Cloud Optimized GeoTiff (COG) voor efficiënte streaming via Google Earth Engine.

3. Belangrijkste Resultaten

Het paper vergelijkt hun model met twee bestaande globale kaarten (Potapov et al., 2021 en Lang et al., 2023) en een regionale kaart voor Frankrijk (Schwartz et al., 2023).

• Nauwkeurigheid (MAE / RMSE):
  • Algemeen: 2.43 m / 4.73 m (vergeleken met 6.47/8.62 m en 6.92/9.25 m voor de concurrenten).
  • Voor bomen > 5m: 4.45 m / 6.72 m.
• Visuele Kwaliteit:
  • De nieuwe kaart behoudt veel meer detail (paden, kleine bospercelen, bosranden) dan de bestaande globale kaarten, die vaak te glad zijn.
  • De kwaliteit is vergelijkbaar met de hoogwaardige regionale kaarten, maar dan op wereldschaal.
• Foutanalyse:
  • Het model onderschat nog steeds zeer hoge bomen (>30m), wat een bekend probleem is in dit domein. Echter, de variantie is lager dan bij andere modellen.
  • De SRTM-filtering reduceert drastisch de overschatting van hoogtes in bergachtige gebieden.

4. Bijdragen

1. Shift-Resilient Loss: Een nieuwe verliesfunctie die specifiek is ontworpen om systematische geolocatiefouten in LiDAR-ground-truth (GEDI) te compenseren zonder de noodzaak van externe hoogtemodellen voor elke locatie.
2. Robuuste Preprocessing: Een geavanceerde aanpak voor het creëren van wolkenvrije compositen van Sentinel-2 data, specifiek geoptimaliseerd voor tropische regenwouden.
3. Globale Kaart van Hoge Kwaliteit: De productie van een wereldwijde kruinhoogtekaart (10m resolutie) die qua kwaliteit concurreert met regionale kaarten, wat een aanzienlijke verbetering is ten opzichte van eerdere globale pogingen.
4. Open Beschikbaarheid: De broncode, het model en de volledige dataset zijn openbaar beschikbaar via GitHub en Google Earth Engine.

5. Betekenis en Impact

Deze studie biedt een krachtig instrument voor klimaatwetenschappers en beleidsmakers:

• Koolstofmonitoring: Nauwkeurige schattingen van biomassa en koolstofvoorraden zijn essentieel voor het monitoren van koolstofputten en het uitvoeren van de afspraken van het Akkoord van Parijs.
• Beheer en Bescherming: De kaart helpt bij het detecteren van ontbossing, degradatie en het monitoren van herbebossingsprojecten op een schaal die voorheen niet mogelijk was met traditionele methoden.
• Klimaatadaptatie: Het biedt een betrouwbare basis voor het begrijpen van de dynamiek van bossen en hun reactie op klimaatverandering.

Kortom, dit paper sluit de kwaliteitskloof tussen regionale en globale bosmonitoring door een innovatieve combinatie van deep learning, geavanceerde data-preprocessing en een nieuwe loss-functie die specifiek is afgestemd op de beperkingen van bestaande satellietdata.