基于大型视觉基础模型（LVFM）的高分辨率树冠高度图生成方法——用于精密林业管理
计算机视觉与模式识别
2025-06-26 v1
摘要
精确、经济的监测林场以上地面生物量（AGB）对于支持当地生活和碳排放减量计划（如中国认证碳减量（CCER）计划）至关重要。但高分辨率树冠高度图（CHM）的获取却依赖昂贵的激光制造（LiDAR）技术。虽然深度学习结合 RGB 影像提供了一种替代方案，但准确提取树冠高度特征仍具有挑战性。为此，我们开发了一种基于大型视觉基础模型（Large Vision Foundation Model，LVFM）的高分辨率 CHM 生成模型。该模型集成了特征提取器、自监督特征增强模块以保留空间细节，以及高度估计器。我们在北京郊区 Fangshan 区使用 1 米分辨率的 Google Earth 影像进行测试。模型在包括传统卷积神经网络在内的多种现有方法中表现优异，达到均方根误差为 0.24 米、平均绝对误差为 0.09 米，与基于 LiDAR 的 CHM 相关系数达 0.78。生成的 CHM 实现了超过 90% 的单棵树检测成功率，AGB 估计精度高，能够有效跟踪林场生长，显示出对非训练区域的强大推广能力。这一方法为在林场和自然林中评估碳储量提供了一条有前景的可扩展工具。
引用
@article{arxiv.2506.20388,
title = {A Novel Large Vision Foundation Model (LVFM)-based Approach for Generating High-Resolution Canopy Height Maps in Plantations for Precision Forestry Management},
author = {Shen Tan and Xin Zhang and Liangxiu Han and Huaguo Huang and Han Wang},
journal= {arXiv preprint arXiv:2506.20388},
year = {2025}
}