研究人员为巴西大西洋森林开发了新的冠层高度和地上碳密度全幅地图,其准确性高于现有全球产品。一个深度学习网络在大量LiDAR数据上进行训练,并与来自Sentinel-2、Sentinel-1和ALOS PALSAR的卫星图像融合,预测冠层高度的平均绝对误差为2.26米。这种新方法显著优于Meta和世界资源研究所的全球产品,后者的相同测试数据的误差是前者的两倍多。该研究还建立了从冠层高度到地上碳密度的转换,估计剩余森林储存有1,944 TgC。 AI
影响 这项研究表明,人工智能如何能显著提高环境监测的准确性,这对于碳核算和保护工作至关重要。
排序理由 学术论文,详细介绍了使用深度学习和卫星数据绘制森林碳图的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- aboveground carbon density
- arXiv
- Atlantic Forest
- Hugging Face
- LiDAR
- Matheus Ferreira
- Meta
- São Paulo
- Sentinel-1
- Sentinel-2
- World Resources Institute
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →