本文通过深度学习算法对热带植树造林项目进行了航空影像、卫星影像和地面实测数据的林区碳储量估算的首次系统比较。结果表明，卫星影像的林区碳储量估算对于热带植树造林项目可能高估地上生物量高达 10 倍，因此航空影像的机器学习算法估测林区碳储量的潜力值得期待，并有必要将本研究扩展到全球，以便比较和选择最合适的碳储量测量方式。

Jul, 2021

本文介绍了一个基准数据集 ReforesTree，使用 RGB 无人机图像中的个体树检测，深度学习模型准确地估计了厄瓜多尔六个农林碳补偿区域的森林碳储量，以鼓励该领域的机器学习研究，提高监测、验证和报告在碳补偿项目中的透明度和监督，并通过准确的遥感来推动全球森林再造项目。

Jan, 2022

提出了基于指标学习的算法 TrueBranch，以匹配卫星图像来验证来自森林保护项目的无人机图像的真实性。

Apr, 2020

通过介绍一种深度学习框架，本研究旨在自动地将高密度点云分割为有意义的树木实体，以及树组件，并从分割数据中获得相关的生物物理参数。通过测试，该系统在个体树木和五个语义类别的分割上取得了较高的准确性，在树冠相关特征方面表现尤其突出，而对于树直径和位置的估计相对不太可靠，这是由于航空扫描设置的原因。

Dec, 2023

本文描述了将纽约州 1990 年至 2019 年的历史植被覆盖范围建立成细分辨率地图的方法，利用 Landsat 成像、美国森林服务局森林清查分析数据以及即用型光探测与测距（LiDAR）收集数据建立三种不同的历史森林地上生物量映射建模方法，允许在多个时空尺度上精细测量并监测森林生态系统的演变和碳储量变化。

Apr, 2023

提出了可解释人工智能（XAI）模型，用于预测更精确的全球野火风险，以支持野火管理者、政策制定者和碳市场分析师事先量化和减轻森林碳项目的长期稳定性风险。

May, 2023

提出利用深度学习技术和手机影像进行城市街道树木清查的创新方法，通过智能手机摄像头捕捉的图像来准确分割树干并计算胸径，具有优越的准确度、对专门设备的依赖较少以及适用于难以到达的地区等多项优点。在包括 400 棵树的广泛数据集上进行评估，得到了胸径估计误差小于 2.5% 的准确度，该方法有望显著提升森林管理实践，并通过提高树木清查的准确性和效率，为城市管理应对森林砍伐和气候变化的不良影响提供支持。

Jan, 2024

研究利用 RGB 和多光谱无人机数据，欧盟规定下还加入多光谱卫星数据和土壤湿度传感器，生成城市公园和森林的树木清单并通过统计指数和深度学习推导出树木生命状态，提出了一个开源的端到端方法来优化城市和森林中树木的管理，提高工作效率和任务规划。

Jul, 2023

利用卫星图像和深度神经网络结合的方法，通过对 Sentinel-1，Sentinel-2 和 Landsat 8 的数据进行精细处理，成功地对亚马逊森林地区的砍伐情况进行了高准确度的估算。

Jun, 2022

利用三维 LiDAR 测量和二维图像融合来实现准确统计树木数量，与其他算法比较，深度学习方法 FuseCountNet 能够提供更准确的结果。

Mar, 2024