基于自监督视觉Transformer与航拍激光雷达训练卷积解码器的RGB影像超高分辨率冠层高度图
计算机视觉与模式识别
2023-12-18 v3 机器学习
摘要
植被结构制图对于理解全球碳循环以及监测基于自然的气候适应与减缓方法至关重要。对这些数据的重复测量可观测既有森林的毁林或退化、自然森林再生，以及农林复合等可持续农业实践的实施。高空间分辨率下树木冠层高度与树冠投影面积的评估对于监测碳通量和评估基于树木的土地利用也很重要，因为森林结构可能具有高度空间异质性，尤其在农林复合系统中。超高分辨率卫星影像（地面采样距离小于1米）使得在树木尺度提取信息的同时实现非常大范围的监测成为可能。本文展示了首张同时为多个次国家级辖区制作的超高分辨率冠层高度图。具体而言，我们为加利福尼亚州和圣保罗州制作了超高分辨率冠层高度图，相较此前基于Sentinel/GEDI的全球冠层高度图的10米分辨率有显著提升。该图通过从2017至2020年Maxar影像上训练的自监督模型提取特征，并对照航拍激光雷达图训练稠密预测解码器生成。我们还引入了一个使用GEDI观测训练的卷积网络后处理步骤。我们利用留出的验证激光雷达数据，并与其他遥感图和野外采集数据比较来评估所提地图，发现我们的模型平均绝对误差（MAE）为2.8米，平均误差（ME）为0.6米。
引用
@article{arxiv.2304.07213,
title = {Very high resolution canopy height maps from RGB imagery using self-supervised vision transformer and convolutional decoder trained on Aerial Lidar},
author = {Jamie Tolan and Hung-I Yang and Ben Nosarzewski and Guillaume Couairon and Huy Vo and John Brandt and Justine Spore and Sayantan Majumdar and Daniel Haziza and Janaki Vamaraju and Theo Moutakanni and Piotr Bojanowski and Tracy Johns and Brian White and Tobias Tiecke and Camille Couprie},
journal= {arXiv preprint arXiv:2304.07213},
year = {2023}
}