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

无人机在树木检测中的应用方法进行了回顾和分析，包括利用点云数据的 LiDAR 和数字航空摄影 (DAP) 方法以及直接使用图像的深度学习 (DL) 方法，并统计了近年来使用不同方法进行树木检测的研究数量，指出基于图像的 DL 方法在树木检测研究中已成为主流趋势。该回顾可为希望在特定森林进行树木检测研究的科研人员提供帮助和指导，同时也可帮助农民利用无人机管理农业生产。

Sep, 2023

研究使用谷歌地图的航空影像生成标记的城市树木数据集，并探讨现代深度卷积神经网络模型如 VGG 和 ResNet 在不同参数下处理城市树木航拍图像分类问题的方法和效果，研究结果表明，最佳模型在 6 种树种上平均准确率达到了 60％以上。

Jul, 2021

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

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

利用街景图像和全局优化框架更新老树清单的地理坐标，以方便将它们与新清单相连接，以便于进行树木死亡等长期研究。

Feb, 2020

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