Super-Resolved Canopy Height Mapping from Sentinel-2 Time Series Using LiDAR HD Reference Data across Metropolitan France

📄 arXiv: 2512.11524v1 📥 PDF

作者: Ekaterina Kalinicheva, Florian Helen, Stéphane Mermoz, Florian Mouret, Milena Planells

分类: cs.CV, cs.LG

发布日期: 2025-12-12

🔗 代码/项目: GITHUB

💡 一句话要点

提出THREASURE-Net，利用Sentinel-2时间序列和LiDAR数据进行高分辨率森林冠层高度制图。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 森林冠层高度 超分辨率 Sentinel-2 LiDAR 深度学习 时间序列分析 遥感 树高回归

📋 核心要点

  1. 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，而冠层结构是碳储量、生物多样性和森林健康的关键指标。
  2. THREASURE-Net通过整合光谱、时间和空间信号来反映冠层结构，利用深度学习进行树高回归和超分辨率重建。
  3. 实验结果表明，该方法优于现有的基于Sentinel数据的先进方法，并与基于超高分辨率影像的方法相比具有竞争力。

📝 摘要（中文）

本文提出了一种名为THREASURE-Net的端到端框架，用于树高回归和超分辨率重建。该模型利用Sentinel-2时间序列数据，并以法国都市区多分辨率LiDAR高清数据作为参考，进行训练以生成年度高度图。我们评估了三种模型变体，分别生成2.5米、5米和10米分辨率的树高预测。THREASURE-Net不依赖于任何预训练模型或参考超高分辨率光学影像来训练其超分辨率模块，而是仅从LiDAR衍生的高度信息中学习。我们的方法优于现有的基于Sentinel数据的先进方法，并且与基于超高分辨率影像的方法相比具有竞争力。该方法可用于生成高精度年度冠层高度图，在2.5米、5米和10米分辨率下分别实现了2.62米、2.72米和2.88米的平均绝对误差。这些结果突显了THREASURE-Net在仅使用免费卫星数据对温带森林进行可扩展且经济高效的结构监测方面的潜力。THREASURE-Net的源代码可在https://github.com/Global-Earth-Observation/threasure-net 获取。

🔬 方法详解

问题定义：论文旨在解决利用低分辨率遥感数据（如Sentinel-2）生成高分辨率森林冠层高度图的问题。现有方法要么依赖于昂贵的超高分辨率影像，要么精度不足，难以满足精细化森林监测的需求。

核心思路：论文的核心思路是利用深度学习模型，直接从Sentinel-2时间序列数据中学习到高分辨率的冠层高度信息。通过结合LiDAR数据作为训练参考，模型能够学习到低分辨率影像与高分辨率高度之间的映射关系，从而实现超分辨率重建。

技术框架：THREASURE-Net是一个端到端的深度学习框架，主要包含以下模块：(1) 数据预处理模块：对Sentinel-2时间序列数据进行预处理，包括辐射校正、几何校正等。(2) 特征提取模块：利用卷积神经网络提取Sentinel-2影像的光谱、纹理和时间特征。(3) 超分辨率重建模块：利用深度卷积网络将低分辨率特征映射到高分辨率高度图。(4) 损失函数计算模块：计算预测高度图与LiDAR参考数据之间的损失，用于模型训练。

关键创新：该方法的主要创新在于：(1) 无需依赖预训练模型或超高分辨率光学影像，仅使用免费的Sentinel-2数据和LiDAR数据进行训练。(2) 提出了一个端到端的深度学习框架，能够同时进行树高回归和超分辨率重建。(3) 模型设计充分考虑了Sentinel-2数据的时间序列特性，能够有效利用时间信息提高精度。

关键设计：模型使用了深度卷积神经网络，具体结构未知。损失函数可能包括均方误差（MSE）或平均绝对误差（MAE），用于衡量预测高度与LiDAR参考高度之间的差异。时间序列数据的处理可能使用了循环神经网络（RNN）或长短期记忆网络（LSTM），以捕捉时间依赖性。具体参数设置未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

THREASURE-Net在2.5米、5米和10米分辨率下分别实现了2.62米、2.72米和2.88米的平均绝对误差。该方法优于现有的基于Sentinel数据的先进方法，并且与基于超高分辨率影像的方法相比具有竞争力，证明了其在利用免费卫星数据进行高精度森林结构监测方面的潜力。

🎯 应用场景

该研究成果可广泛应用于森林资源调查、碳储量评估、生物多样性保护和森林健康监测等领域。通过生成高精度的年度冠层高度图，可以为森林管理决策提供重要依据，并有助于实现可持续的森林管理。该方法具有可扩展性和经济性，有望在全球范围内推广应用。

📄 摘要（原文）

Fine-scale forest monitoring is essential for understanding canopy structure and its dynamics, which are key indicators of carbon stocks, biodiversity, and forest health. Deep learning is particularly effective for this task, as it integrates spectral, temporal, and spatial signals that jointly reflect the canopy structure. To address this need, we introduce THREASURE-Net, a novel end-to-end framework for Tree Height Regression And Super-Resolution. The model is trained on Sentinel-2 time series using reference height metrics derived from LiDAR HD data at multiple spatial resolutions over Metropolitan France to produce annual height maps. We evaluate three model variants, producing tree-height predictions at 2.5 m, 5 m, and 10 m resolution. THREASURE-Net does not rely on any pretrained model nor on reference very high resolution optical imagery to train its super-resolution module; instead, it learns solely from LiDAR-derived height information. Our approach outperforms existing state-of-the-art methods based on Sentinel data and is competitive with methods based on very high resolution imagery. It can be deployed to generate high-precision annual canopy-height maps, achieving mean absolute errors of 2.62 m, 2.72 m, and 2.88 m at 2.5 m, 5 m, and 10 m resolution, respectively. These results highlight the potential of THREASURE-Net for scalable and cost-effective structural monitoring of temperate forests using only freely available satellite data. The source code for THREASURE-Net is available at: https://github.com/Global-Earth-Observation/threasure-net.