从 RGB 图像预测森林地上生物量的学习方法

森林在全球生态系统中发挥着关键作用，通过碳汇支持生物多样性并缓解气候变化。准确的地上生物量(AGB)估计对于评估碳储量和野火燃料负荷至关重要，但传统方法依赖耗时的现场测量或遥感方法，在密集植被环境中存在显著局限。本文提出一种新颖的基于学习的方法，用于从单张地面 RGB 图像估计AGB。我们将其建模为密集预测任务，引入AGB密度图，其中每个像素代表归一化后(plot 面积和单棵树的图像面积)的树木生物量。我们利用最近引入的合成3D SPREAD 数据集，该数据集提供了逼真的森林场景，包含每幅图像的树属性(高度、树干和树冠直径)和实例分割掩码。利用这些资产，我们通过 allometric 方程计算AGB，并训练模型预测AGB密度图，将其整合以恢复所捕获场景的AGB估计。我们的方法在保留下来的 SPREAD 数据上实现了1.22 kg/m^2的中位数AGB估计误差，在真实图像数据集上为1.94 kg/m^2。据我们了解，这是首个从单张 RGB 图像直接估计地上生物量的方法，为森林监测开辟了可扩展、可解释且具有成本效益的解决方案之路，同时也通过公民科学项目更广泛地参与其中。