本研究采用高分辨率卫星影像，利用视觉变换技术和自我监督模型，同时生成了加利福尼亚和圣保罗地区的林冠高度图，可以有效观测森林生长和可持续农林业管理，是全球碳循环和应对气候变化的重要研究领域之一。

Apr, 2023

全球范围树冠高度估计的框架，基于卫星数据，利用先进的数据预处理技术，采用一种针对地面真实高度测量中固有的地理定位误差的新型损失函数，并利用来自航天飞机雷达测绘任务的数据，有效地过滤掉山区错误标签，提高了在那些区域的预测可靠性。与实际高度标签的比较显示整体 MAE / RMSE 为 2.43 / 4.73（米），而对大于五米的树木为 4.45 / 6.72（米），相较于现有的全球规模图表有了明显的改善。所得的高度图以及潜在的框架将促进和提升全球尺度的生态分析，包括但不限于大规模森林和生物量监测。

Jun, 2024

本文使用新的视觉 Transformer 模型在加纳的广泛景观上进行优化，同时优化分类（离散）和回归（连续）损失函数，从而实现了比以前使用的卷积方法更高的准确度。 模型的结果表明，我们提出的离散 / 连续损失显着提高了对非常高的树（即 > 35m）的灵敏度，而对于其他方法，往往会出现饱和效应。 最终，ViT 模型的高度图具有更好的地面采样距离和更好的稀疏植被灵敏度，与卷积模型相比，其 RMSE 仅为 3.12m。

Apr, 2023

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

我们介绍了一个适用于任何物理环境中的个体树木映射的评价框架，并在注释成本和适用目标方面进行了考虑。我们对不同方法和深度架构进行了回顾和比较，并引入了一种新的方法，证明它在分割和检测之间是一个很好的折中方案。

Nov, 2023

利用 LiDAR 数据，我们提出了一种基于深度学习的树种分类模型，该模型能够将树木种类分为四类（挪威云杉、苏格兰松树、桦树和背景），通过国家森林清查的现场样地验证，我们的模型在宏平均精确度上获得了 0.70 的得分，接近于航空或航空和 LiDAR 结合模型的性能。

Nov, 2023

我们使用基于深度卷积神经网络的概率性深度学习方法解释了 GEDI 波形并进行全球树冠顶高度回归，最终得出的估计具有 2.7 m 的预期 RMSE 和低偏差。

Mar, 2021

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

文章利用收集的静止卫星 Sentinel-2 多光谱图像，通过基于深度卷积神经网络 (CNN) 的图像处理，从反射图像中提取适合的光谱和纹理特征，以回归像素高度来估算瑞士和加蓬的植被高度，从而在国家范围内生成 10 米地面采样距离 (GSD) 的高分辨率植被高度地图。

Apr, 2019

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