本研究提出了一种基于多任务全卷积架构的方法，利用超光谱无人机数据从稀疏和有限的多边形注释中进行密集森林的树种映射。通过实现局部损失函数和距离回归互补任务，该模型从非密集的训练样本中实现了密集的树木语义标记结果，并使用共享的骨干网络和两个任务特定解码器来学习两个任务的普遍表示，并取得了热带森林树种分类的最先进性能。

Jun, 2021

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

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

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

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

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

利用 U-Net 模型和高分辨率航空影像对加利福尼亚州的所有树木的冠层高度进行了三维结构估测，在树高遥感建模方面取得了比全球模型更好的结果，表明了利用 National Agriculture Imagery Program 高分辨率影像进行大规模监测的潜力。

Jun, 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

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