PulseAugur
中
实时 13:58:43
English(EN) Super-Resolved Canopy Height Mapping from Sentinel-2 Time Series Using Airborne LiDAR HD Reference Data across Metropolitan France

新型AI模型高分辨率测绘森林冠层高度

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了THREASURE-Net，一个新颖的深度学习框架，用于利用卫星图像进行高分辨率冠层高度测绘。这个端到端模型利用Sentinel-2时间序列数据，并使用航空LiDAR的参考高度指标进行训练。THREASURE-Net实现了具有竞争力的精度，在2.5米分辨率下平均绝对误差低至2.63米，并且其超分辨率模块不需要预训练模型或非常高分辨率的光学图像。该框架旨在利用公开可用的卫星数据，为温带森林的结构监测提供一个可扩展且经济高效的解决方案。 AI

影响 利用卫星数据实现更精确、更经济高效的森林监测。

排序理由 这是一篇研究论文，详细介绍了一种用于特定应用（冠层高度测绘）的新型深度学习模型。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Ekaterina Kalinicheva, Florian Helen, St\'ephane Mermoz, Florian Mouret, Milena Planells ·

    利用航空LiDAR高清参考数据对都会区法国的Sentinel-2时间序列进行超分辨率冠层高度测绘

    arXiv:2512.11524v3 Announce Type: replace-cross Abstract: 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 ta…

相关实体

相关话题