ICMLJun, 2024

大规模估计冠层高度

PDF
TL;DR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。
canopy height estimationsatellite datadata preprocessingshuttle radar topography missionecological analyses
发现论文，激发创造
  • 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

  • 利用航空图像和 LiDAR-Informed U-Net 模型进行加利福尼亚次米级树高图绘制

    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

  • 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

  • 使用 Sentinel-2 卫星进行全国范围高分辨率植被高度制图

    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

  • Vision Transformers：一种用于高分辨率和大规模覆盖树冠高度的新方法

    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

  • 基于 Sentinel 数据，以 10 米分辨率估算建筑物高度

    通过结合 Sentinel-1 的 SAR 数据、Sentinel-2 的光学数据和建筑物轮廓提供的形状数据，本研究建立了一套空间 - 光谱 - 时间特征数据库，提取这些特征并建立了基于随机森林模型的建筑物高度模型，通过模型集成方法和 Lidar 数据的验证，实现了高分辨率建筑物高度数据的快速生成。

    May, 2024

  • 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

  • 亚洲最高树木区原始森林树冠高度首次测绘

    我们通过使用 GEDI、ICESat-2 和 Sentinel-2 的空间 borne LiDAR fusion 卫星图像驱动的深度学习建模，提出了一种在全球级巨树分布区内绘制原始森林冠层高度的方法，并且发现了两个以前未被发现的巨树群落，有 89% 的概率有 80-100 米高的树木，可能比亚洲最高的树还要高，这提供了科学证据，确认了西藏东南部 - 云南西北部是全球级巨树倡议的第四个全球分布中心，并促进了 YTGC 巨树分布区在中国国家公园保护范围内的包含。

    Apr, 2024

  • 利用亚米级影像进行个体树木制图的基准评估

    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

  • 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