elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Deep learning based windthrow detection for winter storms

Jaiswal, Nishant und Bucher, Tilman und Seiler, Jürgen und Beckshäfer, Philip und Bhattacharjee, Protim (2022) Deep learning based windthrow detection for winter storms. In: Remote Sensing for Agriculture, Ecosystems, and Hydrology XXIV 2022. SPIE Sensors + Imaging 2022 (Remote Sensing), 2022-09-05 - 2022-09-07, Berlin, Germany. doi: 10.1117/12.2638429. ISBN 978-1-5106-5528-7. ISSN 0277-786X.

[img] PDF - Nur DLR-intern zugänglich
8MB

Kurzfassung

Forests are an integral part of the natural environment providing social, economic, and environmental benefits. Though storms are an important part of natural forest dynamics, large magnitude storms can lead to uprooting of trees, known as windthrows. Post-storm management relies on proper and fast detection of windthrows. In this work, we study the detection of windthrows due to storm David in the coniferous forests of southern Lower-Saxony, Germany as an image segmentation problem. Two deep learning methods, previously researched U-Nets and current state-of-the-art DeepLabv3+ are compared. Often storm damaged forests are surveyed many months later under good weather conditions, however, we study a winter storm surveyed in winter conditions 19 days after the storm. Moreover, we generate a detailed prediction map by segmenting the input scenery into four classes, namely, no forest, forest with no windthrows, forests with windthrows, and cleared areas. The data consists of four spectral channels and we study different 3-channel combinations and input image tile sizes to obtain the best configuration for windthrow detection. DeepLabv3+ is found to outperform U-Net with a prediction accuracy of 86.27% for windthrows, with best accuracy of 95.03% across all classes, and a class IoU of 0.7440 compared to a prediction accuracy of 78.66% and class IoU of 0.6892 for U-Nets. Deeplabv3+ was able to process 2048 × 2048 mosaics with input image tile size of 512 × 512 in nearly 889ms. Thus, a fast and well performing windthrow detection model based on DeepLabv3+ is developed

elib-URL des Eintrags:https://elib.dlr.de/187934/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Deep learning based windthrow detection for winter storms
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Jaiswal, NishantDLR- Institut für Optische SensorsystemeNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Bucher, TilmanDLR- Institut für Optische SensorsystemeNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Seiler, JürgenFriedrich-Alexander Universität Nürnberg-ErlangenNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Beckshäfer, PhilipNordwestdeutschen Forstliche Versuchsanstalt, GöttingenNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Bhattacharjee, ProtimDLR, Institut für Optische Sensorsystemehttps://orcid.org/0000-0002-2490-0658NICHT SPEZIFIZIERT
Datum:2022
Erschienen in:Remote Sensing for Agriculture, Ecosystems, and Hydrology XXIV 2022
Referierte Publikation:Ja
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
DOI:10.1117/12.2638429
Name der Reihe:Proceedings of SPIE
ISSN:0277-786X
ISBN:978-1-5106-5528-7
Status:veröffentlicht
Stichwörter:windthrows, deep learning, image segmentation, deeeplab, forest management
Veranstaltungstitel:SPIE Sensors + Imaging 2022 (Remote Sensing)
Veranstaltungsort:Berlin, Germany
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:5 September 2022
Veranstaltungsende:7 September 2022
Veranstalter :SPIE
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Künstliche Intelligenz
Standort: Berlin-Adlershof
Institute & Einrichtungen:Institut für Optische Sensorsysteme > Echtzeit-Datenprozessierung
Hinterlegt von: Bhattacharjee, Protim
Hinterlegt am:07 Nov 2022 16:46
Letzte Änderung:24 Apr 2024 20:49

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.