Fine-tuning of Geospatial Foundation Models for Aboveground Biomass Estimation

全球植被结构映射对于理解全球碳循环和最大化基于自然的碳固定倡议的功效至关重要。此外，植被结构映射可以通过指导改善水资源安全、增加生物多样性和减少洪涝风险等行动来减少气候变化的影响。全球卫星测量提供了重要的观测数据，用于监测和管理森林砍伐和退化、自然森林再生、森林重新植被、生物多样性恢复以及可持续农业实践的实施。在本文中，我们探讨了通过微调地理空间基础模型来估计巴西不同生态区域收集的航天数据中地上生物量（AGB）的有效性。微调模型架构包括Swin-B变压器作为编码器（即骨干）和单个卷积层作为解码器头。所有结果都与作为基准模型训练的U-Net进行了比较。这种稀疏标签预测任务的实验结果表明，具有冻结编码器的微调地理空间基础模型具有与从头开始训练的U-Net相当的性能。这是尽管微调模型具有13倍少的需要优化的参数，从而节省了时间和计算资源。此外，我们探讨了地理空间基础模型的迁移学习能力，通过在巴西不同生态区域的稀疏标签卫星图像上微调模型。

本论文旨在探索利用全球卫星测量数据进行植被结构映射的有效性，以估计地球上地上生物量（AGB）的精度，并研究地球不同生态区域的遥感基础模型的迁移学习能力。

论文提出了一种利用迁移学习方法对遥感基础模型进行微调的方法，以减少参数数量和优化时间，同时提高地上生物量估计的准确性。

论文使用了卫星图像数据和巴西不同生态区域的稀疏标签数据进行实验，将基于Swin-B transformer的遥感基础模型进行微调，证明其具有与从头开始训练的U-Net相当的性能。论文提出的方法可以为全球碳循环和自然基础碳封存提供重要的监测和管理工具。

在相关研究方面，最近的研究包括“全球森林覆盖变化监测的卫星遥感方法”、“利用卫星数据估算全球森林碳储量”等。