基于大规模航空激光雷达训练数据的卫星 RGB 影像森林冠层高度估计与单目深度估计
计算机视觉与模式识别
2026-02-10 v2 机器学习
摘要
大规模高分辨率森林冠层高度制图在理解区域和全球碳循环和水循环方面发挥着关键作用。太空激光测量任务，包括冰雪云与陆地高度卫星-2（ICESat-2）和全球生态系统动力学探测（GEDI），提供了全球森林结构观测，但空间稀疏且存在固有不确定性。相比之下，近表面激光平台（如航空和无人机激光雷达系统）提供了森林冠层结构的更高精度测量，越来越多国家已公开提供这些数据集。本研究使用来自多个国家约 16,000 km2 来自公开航空激光雷达点云及相关产品的 canopy height 模型（CHMs），以及 3 m 分辨率的 PlanetScope 和航空 RGB 影像，对最先进的单目深度估计模型 Depth Anything V2 进行训练。训练得到的模型称为 Depth2CHM，可直接从 PlanetScope RGB 影像估计空间连续的 CHMs。对中国（约 1 km2）和美国（约 116 km2）的独立验证表明，Depth2CHM 能够准确估计冠层高度，分别在两个场地的偏差为 0.59 m 和 0.41 m，根均方误差（RMSE）分别为 2.54 m 和 5.75 m。与现有全球仪器分辨率 CHM 产品相比，平均绝对误差约降低 1.5 m，RMSE 约降低 2 m。这些结果表明，基于大规模航空激光雷达推导的森林冠层高度数据训练的单目深度估计网络，为从卫星 RGB 影像实现高分辨率、空间连续森林冠层高度估计提供了有前景且可扩展的路径。
引用
@article{arxiv.2602.06503,
title = {Forest canopy height estimation from satellite RGB imagery using large-scale airborne LiDAR-derived training data and monocular depth estimation},
author = {Yongkang Lai and Xihan Mu and Dasheng Fan and Donghui Xie and Shanxin Guo and Wenli Huang and Tianjie Zhao and Guangjian Yan},
journal= {arXiv preprint arXiv:2602.06503},
year = {2026}
}