May, 2024

基于遥感的森林生物量测绘方法的比较：东北和西南中国不同森林的新林业清查样地

PDF
TL;DR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。
aboveground biomasslidar sensorforest agbmachine learningagb maps
发现论文，激发创造
  • 利用 GEDI 和地球观测数据的关注深度学习进行森林地上生物量估计

    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

  • AGBD：全球规模生物量数据集

    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

  • 在小区至景观尺度上绘制历史森林生物量地图，用于库存变化评估

    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

  • 多模态深度学习基于 GEDI 与地球观测数据融合的森林主要高度绘制

    我们提出了一种名为多模态注意远程传感网络（MARSNet）的新型深度学习框架，通过将 GEDI、Sentinel-1、ALOS-2 PALSAR-2、Sentinel-2 和辅助数据进行融合，从而估计森林优势高度，提高了高分辨率优势高度的准确性。

    Nov, 2023

  • 利用卫星图像联合估算苏格兰地区地上生物量和土壤有机碳量的总碳储量

    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

  • 利用自我监督学习和视觉转换器，基于航空和 GEDI Lidar 训练的方法生成亩级分辨率的林冠高度地图

    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

  • 基于深度集成的 GEDI 激光波形全球树冠高度回归和不确定性估计

    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

  • 基于地理空间基础模型的地上生物量估计的微调

    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

  • 美国新的全量积模型对森林碳估计、建模和制图产生重大改变

    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

  • 高山地区森林动态中基于空间的植被高度地图的准确性和一致性

    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