基于深度学习的 3D 点云回归估算森林生物量
计算机视觉与模式识别
2023-02-23 v3 计算机与社会
机器学习
摘要
量化森林生物量储量及其动态变化对实施有效的气候变化减缓措施十分重要。这些知识可用于局部森林管理、研究驱动毁林、再造林和森林退化的过程，并可提高碳核算的准确性。使用机载 LiDAR 的遥感可用于大规模测量植被结构。我们提出了直接从机载 LiDAR 点云预测木材体积、地上生物量(AGB)以及随之而来的地上碳储量的深度学习系统。我们设计了不同的神经网络架构用于点云回归，并在丹麦国家森林清查中通过野外测量获得 AGB 估计值的区域遥感数据上进行了评估。我们对 Minkowski 卷积神经网络用于回归的适配给出了最佳结果。与其他最先进方法（基于点云基本统计）相比，深度神经网络生成的木材体积、AGB 和碳储量估计显著更准确。与其他方法不同，所提出的深度学习方法不需要数字地形模型。我们期望该发现对基于 LiDAR 的生物量动态分析产生重大影响。
引用
@article{arxiv.2112.11335,
title = {Deep Learning Based 3D Point Cloud Regression for Estimating Forest Biomass},
author = {Stefan Oehmcke and Lei Li and Katerina Trepekli and Jaime Revenga and Thomas Nord-Larsen and Fabian Gieseke and Christian Igel},
journal= {arXiv preprint arXiv:2112.11335},
year = {2023}
}
备注
31 pages, 14 figures, 4 tables