High Resolution Tree Height Mapping of the Amazon Forest using Planet NICFI Images and LiDAR-Informed U-Net Model
作者: Fabien H Wagner, Ricardo Dalagnol, Griffin Carter, Mayumi CM Hirye, Shivraj Gill, Le Bienfaiteur Sagang Takougoum, Samuel Favrichon, Michael Keller, Jean PHB Ometto, Lorena Alves, Cynthia Creze, Stephanie P George-Chacon, Shuang Li, Zhihua Liu, Adugna Mullissa, Yan Yang, Erone G Santos, Sarah R Worden, Martin Brandt, Philippe Ciais, Stephen C Hagen, Sassan Saatchi
分类: cs.CV
发布日期: 2025-01-17
备注: will be submitted to the journal Remote Sensing of Environment in February 2025
💡 一句话要点
利用Planet NICFI影像和LiDAR辅助U-Net模型实现亚马逊森林高分辨率树高测绘
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 树高测绘 亚马逊森林 Planet NICFI影像 U-Net模型 LiDAR数据 深度学习 遥感 森林监测
📋 核心要点
- 精确测量树冠高度对于评估森林生物量、生产力和生态系统结构至关重要，但地面和遥感测量均面临挑战。
- 论文提出了一种基于U-Net的回归模型，利用高分辨率Planet NICFI影像和LiDAR数据进行训练，以实现亚马逊森林的树高测绘。
- 实验结果表明，该模型能够有效估计高达40-50米的树冠高度，优于现有模型，并可用于监测森林砍伐和再生。
📝 摘要（中文）
本文提出了一种基于U-Net模型的回归方法，利用Planet NICFI影像（~4.78米分辨率）绘制2020-2024年亚马逊森林的平均树冠高度图。该U-Net模型使用航空LiDAR数据计算的树冠高度模型作为参考，并结合相应的Planet NICFI影像进行训练。验证样本上的树高预测平均误差为3.68米，且在整个亚马逊森林的树高范围内表现出较低的系统偏差。该模型成功估计了高达40-50米的树冠高度，优于该地区现有全球模型的树冠高度产品。研究表明，亚马逊森林的平均树冠高度约为22米。通过树高变化可以检测到伐木或森林砍伐等事件，并且在监测森林再生高度方面取得了令人鼓舞的结果。这些发现证明了使用Planet NICFI影像大规模绘制和监测亚马逊原始森林和再生森林树高的潜力。
🔬 方法详解
问题定义：现有方法难以准确且高效地测量大范围亚马逊森林的树冠高度。地面测量成本高昂，而传统的遥感方法，如全球模型，在估计高大树木的高度时存在饱和现象，精度不足。因此，需要一种能够利用高分辨率遥感数据，并结合精确参考数据，实现高精度树高测绘的方法。
核心思路：论文的核心思路是利用深度学习模型U-Net，结合高分辨率的Planet NICFI影像和LiDAR数据，建立树冠高度与影像之间的映射关系。U-Net模型具有强大的特征提取和空间上下文信息建模能力，能够有效地从影像中提取与树高相关的特征。LiDAR数据则作为精确的参考数据，用于训练和验证模型。
技术框架：整体框架包括数据预处理、模型训练和预测三个主要阶段。首先，对Planet NICFI影像和LiDAR数据进行预处理，包括几何校正、辐射校正和数据配准。然后，使用预处理后的数据训练U-Net模型，将LiDAR数据计算的树冠高度模型作为标签，Planet NICFI影像作为输入。最后，使用训练好的模型对整个亚马逊森林的Planet NICFI影像进行预测，生成高分辨率的树冠高度图。
关键创新：该研究的关键创新在于将U-Net模型应用于高分辨率遥感影像的树高测绘，并结合LiDAR数据进行训练。与传统的统计模型或全球模型相比，U-Net模型能够更好地捕捉影像中的复杂特征，并具有更强的泛化能力。此外，该研究还针对亚马逊森林的特点，对U-Net模型进行了优化，使其能够更好地适应该地区的地形和植被条件。
关键设计：该研究使用标准的U-Net架构，并将其修改为回归模型，以直接预测树冠高度。损失函数采用均方误差（MSE），以最小化预测值与真实值之间的差异。训练过程中，使用Adam优化器进行参数更新，并采用数据增强技术，如随机旋转和翻转，以提高模型的鲁棒性。此外，研究人员还对模型的输入数据进行了归一化处理，以加速模型的收敛速度。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该模型在验证样本上的树高预测平均误差为3.68米，且在整个亚马逊森林的树高范围内表现出较低的系统偏差。该模型成功估计了高达40-50米的树冠高度，优于该地区现有全球模型的树冠高度产品。研究还发现，通过树高变化可以有效检测到伐木或森林砍伐等事件。
🎯 应用场景
该研究成果可广泛应用于森林资源调查、生物多样性评估、碳储量估算、森林砍伐监测和森林再生评估等领域。高精度的树高地图能够为森林管理和保护提供重要的数据支持，并有助于更好地理解亚马逊森林的生态系统功能和应对气候变化。
📄 摘要（原文）
Tree canopy height is one of the most important indicators of forest biomass, productivity, and ecosystem structure, but it is challenging to measure accurately from the ground and from space. Here, we used a U-Net model adapted for regression to map the mean tree canopy height in the Amazon forest from Planet NICFI images at ~4.78 m spatial resolution for the period 2020-2024. The U-Net model was trained using canopy height models computed from aerial LiDAR data as a reference, along with their corresponding Planet NICFI images. Predictions of tree heights on the validation sample exhibited a mean error of 3.68 m and showed relatively low systematic bias across the entire range of tree heights present in the Amazon forest. Our model successfully estimated canopy heights up to 40-50 m without much saturation, outperforming existing canopy height products from global models in this region. We determined that the Amazon forest has an average canopy height of ~22 m. Events such as logging or deforestation could be detected from changes in tree height, and encouraging results were obtained to monitor the height of regenerating forests. These findings demonstrate the potential for large-scale mapping and monitoring of tree height for old and regenerating Amazon forests using Planet NICFI imagery.