美国国家森林清查（NFI）提供了全国范围内的森林地上生物量（AGB）和碳计量的基础。为了解决由于新的 National Scale Volume and Biomass Estimators（NSVB）系统的推出所带来的问题，我们对以前发布的 Component Ratio Method（CRM）的 AGB 地图和使用相同方法制作的新地图进行了比较。结果显示，基于被动卫星图像的模型可以提供 NSVB AGB 和碳储量的可接受估计，但无法准确量化成熟小闭合林的生长。我们建议采用新的方法、更新的模型和地图来适应这一变化，并倡导在建模和制图流程中使用 NSVB，以提供最准确的空间森林碳数据，以更好地支持地方管理和决策。

May, 2024

研究使用 NASA 的 GEDI 仪器以及其他卫星数据和机器学习方法生成高分辨率的森林地上生物量（AGB）地图，并验证其与实地数据的准确性和性能。

May, 2024

利用空间数据进行地球上地上生物量估计的地理基础模型的微调方法，以优化全球植被结构的监测和管理，并减少气候变化的影响。

Jun, 2024

本文旨在结合 AGB 和 SOC 两个领域，通过准确检测其变化来改善碳信用认证市场中的总碳估计，并提出新的关于这两个领域间积极相关性的模型来尝试超越现有的最佳结果。机器学习技术表现出最佳效果。

May, 2022

准确估计地上生物量（AGB）是应对气候变化和生物多样性损失两大人类挑战的关键，我们引入了一个包含全球分布、多样植被类型和几年时间范围的全面新数据集，结合了来自 GEDI 任务的 AGB 参考数据以及 Sentinel-2 和 PALSAR-2 影像数据，并且还生成了整个数据集覆盖区域的密集、高分辨率（10m）AGB 预测地图，为全球 AGB 估计提供了可靠的基础。

Jun, 2024

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

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

利用开放的遥感数据，本研究提出了一种基于注意力机制的深度学习方法来估算森林地上生物量 (AGB)，其模型在生物量估算方面的准确性明显高于传统的随机森林算法。总体而言，该研究证实了利用卫星数据进行生物量估算的深度学习方法的可行性。

Nov, 2023

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

使用深度学习和卫星遥感生成植被高度图，以提高瑞士国家森林清查的时间分辨率和有效性。

Sep, 2023