基于航空影像与LiDAR信息U-Net模型的加州亚米级树高制图
计算机视觉与模式识别
2023-06-06 v1 图像与视频处理
摘要
树冠高度是森林生物量、生产力与物种多样性最重要的指标之一，但从地面与太空均难以精确测量。本文中，我们使用适配回归的U-Net模型，利用USDA-NAIP计划的甚高分辨率航空影像（60 cm）绘制加州全州所有树木的树冠高度。U-Net模型使用由航空LiDAR数据计算的树冠高度模型作为参考，以及2020年采集的相应RGB-NIR NAIP影像进行训练。我们使用加州跨越各类森林类型与景观变化的42个独立1 km站点评估了该深度学习模型的性能。我们的树高预测平均误差为2.9 m，并在加州存在的整个树高范围内表现出相对较低的系统性偏差。2020年，高于5 m的树木覆盖约加州19.3%。我们的模型成功估计了高达50 m的树冠高度且无饱和，优于现有全球模型的树冠高度产品。我们所采用的方法能够从正视光学航空影像中重建单木三维结构，表明即便在影像畸变存在下仍具备相对稳健的估计与制图能力。这些发现展示了利用NAIP影像进行大规模树高制图与监测以及潜在生物量估计的潜力。
引用
@article{arxiv.2306.01936,
title = {Sub-Meter Tree Height Mapping of California using Aerial Images and LiDAR-Informed U-Net Model},
author = {Fabien H Wagner and Sophia Roberts and Alison L Ritz and Griffin Carter and Ricardo Dalagnol and Samuel Favrichon and Mayumi CM Hirye and Martin Brandt and Philipe Ciais and Sassan Saatchi},
journal= {arXiv preprint arXiv:2306.01936},
year = {2023}
}
备注
29 pages, 9 figures, submitted to Remote Sensing in Ecology and Conservation (RSEC)