Aug, 2024

统一深度学习模型用于高分辨率多传感器卫星影像预测地上生物量、冠层高度和覆盖度

HTML
PDF
TL;DR本研究解决了全球森林碳储量测量在可扩展性和时间分辨率上的挑战，采用多传感器、多光谱影像和深度学习模型统一预测地上生物量密度、冠层高度和覆盖度，并提供不确定性估计。研究成果展示了模型在全球测试数据集上的显著性能提升，特别是在2023年的全球应用验证了其有效性，并预示着未来碳核算和环境监测的广泛潜力。
发现论文，激发创造
  • 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

  • 利用深度学习和航空图像解决森林碳储量高估的问题

    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

  • ReforesTree: 利用深度学习和航空影像估计热带森林碳储量的数据集

    本文介绍了一个基准数据集ReforesTree，使用RGB无人机图像中的个体树检测，深度学习模型准确地估计了厄瓜多尔六个农林碳补偿区域的森林碳储量，以鼓励该领域的机器学习研究，提高监测、验证和报告在碳补偿项目中的透明度和监督，并通过准确的遥感来推动全球森林再造项目。

    Jan, 2022

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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