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

该研究提出了一种通过深度学习处理无人机图像，以实现精准、廉价的森林清查分析，从而提高对碳储存的透明度，增进对森林保护项目的信任和投资。

Dec, 2019

通过使用 UAV 监测森林环境的变化，本研究介绍了一个新的大型航拍数据集，用于森林巡视任务，该数据集包含了真实和虚拟记录的自然环境，密集标注的语义分割标签和深度图，并研究了不同采集条件下多尺度神经网络的性能以及从虚拟数据到真实数据的迁移学习能力，结果表明，最佳结果来自于包含多种情景的数据集，而非将数据按特定类别分离。还开发了一个评估地区森林破坏程度的框架。

Mar, 2024

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

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

通过机器学习方法，利用开放数据集进行大规模森林监测

Nov, 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

通过多模态数据和数据增强方法，利用卫星遥感技术实现全球范围内的森林监测，以保护和恢复森林生态系统，对生物多样性保护和碳封存至关重要。

May, 2024