利用机载 LiDAR HD 参考数据从 Sentinel-2 时间序列进行超分辨率冠层高度制图——以大都会法国为例
计算机视觉与模式识别
2026-05-28 v3 机器学习
摘要
精细尺度的森林监测对于理解冠层结构及其动态至关重要，这些是碳储量、生物多样性和森林健康的关键指标。深度学习特别适用于此任务，因为它能够整合光谱、时间和空间信号，这些信号共同反映冠层结构。为满足这一需求，我们提出了 THREASURE-Net，这是一个用于树高回归与超分辨率的新型端到端框架。该模型以 Sentinel-2 时间序列为训练数据，使用从法国大都会地区多个空间分辨率的 LiDAR HD 数据派生的高度参考指标来生成年度高度图。我们评估了三个模型变体，分别在 2.5 m、5 m 和 10 m 分辨率下生成树高预测。THREASURE-Net 不依赖任何预训练模型，也不依赖参考超高分辨率光学影像来训练其超分辨率模块；相反，它仅从 LiDAR 派生的高度信息中学习。我们的方法优于现有的基于 Sentinel 数据的方法，并与基于超高分辨率影像的方法具有竞争力。它可以部署用于生成高精度年度冠层高度图，在 2.5 m、5 m 和 10 m 分辨率下分别实现 2.63 m、2.70 m 和 2.88 m 的平均绝对误差。这些结果突显了 THREASURE-Net 在仅使用 freely available 卫星数据的情况下进行温带森林可扩展且经济高效的结构监测的潜力。THREASURE-Net 的源代码可在以下地址获取：https://github.com/Global-Earth-Observation/threasure-net。
引用
@article{arxiv.2512.11524,
title = {Super-Resolved Canopy Height Mapping from Sentinel-2 Time Series Using Airborne LiDAR HD Reference Data across Metropolitan France},
author = {Ekaterina Kalinicheva and Florian Helen and Stéphane Mermoz and Florian Mouret and Milena Planells},
journal= {arXiv preprint arXiv:2512.11524},
year = {2026}
}