Jun, 2024

AGBD：全球规模生物量数据集

PDF
TL;DR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。
above ground biomasssatellite imagerymachine learningbenchmark datasetglobal agb estimation
发现论文，激发创造
  • 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

    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。

    May, 2024

  • 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

  • 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

  • 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

  • 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

  • MMCBE：用于作物生物量估计和更多领域的多模态数据集

    通过多视角无人机影像和 LiDAR 点云相结合的数据集，本研究提出了第一个多模态农作物生物量估计数据集，并通过评估现有方法的性能和探索新的潜在应用，如无人机图像下的 3D 农作物重建和新视角渲染，为农作物生物量量化的基准方法和视觉方法的发展提供了支持。

    Apr, 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

  • 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

  • 生成土地覆盖分类训练数据集以推进全球发展

    使用 Sentinel-2 卫星数据和 Random Forests 算法的语义分割技术可用于高精度地图绘制，为农业和经济发展提供一种可行技术。

    Nov, 2018

  • 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