地球高分辨率冠层高度模型
计算机视觉与模式识别
2022-04-19 v1 机器学习
图像与视频处理
摘要
植被高度的全球变化是全球碳循环的基础，也是生态系统及其生物多样性运作的核心。要管理陆地生态系统、缓解气候变化并防止生物多样性丧失，需要具有地理空间显式且理想上高分辨率的信息。在此，我们呈现了 2020 年首个全球、无缝覆盖、地面采样距离为 10 m 的冠层高度图。单一数据源均无法满足这些要求：诸如 GEDI 之类的专用空间任务提供稀疏的高度数据且覆盖空前，而诸如 Sentinel-2 的光学卫星图像虽全球密集观测却无法直接测量垂直结构。通过融合 GEDI 与 Sentinel-2，我们开发了概率深度学习模型，以从全球任意位置的 Sentinel-2 图像中反演冠层高度，并量化这些估计的不确定性。所提方法减轻了从卫星图像估计冠层高度时常见的饱和效应，从而能够分辨可能具有高碳储量的高大冠层。根据我们的地图，全球陆地仅 5% 被高于 30 m 的树木覆盖。此类数据在保护中起着重要作用，例如我们发现这些高大冠层中仅 34% 位于保护区内。我们的模型支持一致的、不确定性可知的全球制图，并支持持续监测以检测变化并辅助决策。该方法可服务于正在进行的森林保护工作，并有望推动气候、碳和生物多样性建模方面的进展。
引用
@article{arxiv.2204.08322,
title = {A high-resolution canopy height model of the Earth},
author = {Nico Lang and Walter Jetz and Konrad Schindler and Jan Dirk Wegner},
journal= {arXiv preprint arXiv:2204.08322},
year = {2022}
}