ReforesTree：利用深度学习与航空影像估算热带森林碳储量的数据集
计算机视觉与模式识别
2024-11-28 v2
摘要
森林生物量是影响未来气候的关键因素，世界迫切需要有高度可扩展的融资机制，如碳抵消认证，以保护并恢复森林。当前通过手工测量单棵树的森林碳储量人工清查方法耗时、耗力、成本高，且已被证明具有主观性。它们可能导致碳储量的大幅高估，并最终引发对森林融资的不信任。利用机器学习与遥感技术进步的潜力与规模前景广阔，但其质量须足够高以替代当前的森林储量认证协议。在本文中，我们提出 ReforesTree，一个包含厄瓜多尔六个农林碳抵消站点森林碳储量的基准数据集。此外，我们展示了一种基于深度学习的端到端模型，利用低成本仅 RGB 无人机影像进行单木检测，可按照官方碳抵消认证标准准确估算森林碳储量。另外，我们的基线 CNN 模型优于针对此类小规模热带农林站点的当前最先进的基于卫星的森林生物量与碳储量估算。我们提出该数据集以鼓励此领域的机器学习研究，从而提升碳抵消项目中监测、核查与报告（MVR）的可问责性与透明度，并通过精确的遥感扩展全球再造林融资。
引用
@article{arxiv.2201.11192,
title = {ReforesTree: A Dataset for Estimating Tropical Forest Carbon Stock with Deep Learning and Aerial Imagery},
author = {Gyri Reiersen and David Dao and Björn Lütjens and Konstantin Klemmer and Kenza Amara and Attila Steinegger and Ce Zhang and Xiaoxiang Zhu},
journal= {arXiv preprint arXiv:2201.11192},
year = {2024}
}
备注
Accepted paper for the AI for Social Impact Track at the AAAI 2022