A Satellite Band Selection Framework for Amazon Forest Deforestation Detection Task

热带森林的保护是一个具有重要社会和生态意义的话题，因为它们在全球生态系统中扮演着至关重要的角色。不幸的是，森林砍伐和退化每年影响数百万公顷，需要政府或私人倡议来有效监测森林。本研究介绍了一种新颖的框架，利用单变量边缘分布算法（UMDA）从Landsat-8卫星中选择光谱波段，优化砍伐区域的表示。这种选择指导了一个语义分割架构DeepLabv3+，提高了其性能。实验结果显示出多种波段组合相比于通常采用的砍伐检测组合，通过支持向量机（SVM）的分段分类实现卓越的平衡精度。此外，UMDA方法识别出的最佳波段组合提高了DeepLabv3+架构的性能，超越了本研究中比较的最先进方法。少数选择的波段优于全部波段的观察结果与深度学习领域中普遍流行的数据驱动范例相矛盾。因此，这表明“越多越好”的传统智慧存在例外。

本文旨在解决热带森林保护的问题，即如何有效监测森林的砍伐和退化。同时，论文试图验证一种新的方法，即使用Univariate Marginal Distribution Algorithm（UMDA）来选择Landsat-8卫星的光谱波段，以优化森林砍伐区域的表示。

论文提出了一种新的框架，使用UMDA选择Landsat-8卫星的光谱波段，优化森林砍伐区域的表示，并指导DeepLabv3+语义分割架构，提高其性能。实验结果表明，使用UMDA选择的最佳波段组合优于常用的组合，并且提高了DeepLabv3+架构的性能，超过了本研究中比较的其他最新方法。

本文的实验使用了Landsat-8数据集，开源了代码。研究表明，使用少量的光谱波段比使用全部波段更有效。这一观察结果挑战了深度学习领域普遍流行的数据驱动范式，值得进一步研究。

在该领域的最新研究中，还有一些相关的工作，如《A Review of Remote Sensing for the Detection and Mapping of Forest Disturbances》、《A Comparison of Machine Learning Algorithms for Mapping Deforestation and Degradation in Tropical Rainforest Landscapes》等。