利用航空图像进行城市树种分类
本文分析了如何利用 Google 地图上的遥感图像进行城市规模的树木检测与物种识别,并提出了一种基于卷积神经网络的分类方法以及一种树木改变监测方法。通过实验证明该方法能够检测出超过 70% 的城市树木,正确地对超过 80% 的 40 种不同类型的树木物种进行分类,以及正确地检测并识别超过 90% 的变化操作。
Oct, 2019
通过使用有限数据集和深度学习,在高分辨率航拍图像中绘制城市树木的方法被提出,结合街道边缘的准确点标签和开放地理数据库的众包注释,使用全卷积神经网络进行语义分割。
Nov, 2023
本文研究采用弱监督方法,利用远程感知数据对城市森林进行时空分布量化,并探索利用高分辨率 LiDAR 数据为训练提供嘈杂标签的方法,以探测飓风桑迪带来的影响,实现树木的地理定位。通过针对纽约市的考察,验证研究结果的可靠性。
Jun, 2022
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
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
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
通过使用深度卷积神经网络分类空间分辨率非常高(VHR)、正射成像的可见光多光谱图像,本论文探索了自动土地利用 / 土地覆盖(LULC)分类的潜力
May, 2019
通过利用神经网络模拟不同时间尺度上的平均辐射温度,我们研究了优化城市中树木位置的挑战及相关效果,旨在帮助决策者、城市设计师和规划者主动有效地评估利用城市树木缓解热应激的潜力。
Oct, 2023