National Forest Census
PulseAugur coverage of National Forest Census — every cluster mentioning National Forest Census across labs, papers, and developer communities, ranked by signal.
-
地理空间基础模型在树种测绘方面展现出潜力
研究人员开发了一种在丹麦测绘树种的新方法，将传统的光谱-时间特征与来自TESSERA和AlphaEarth等地理空间基础模型的嵌入进行比较。研究发现，使用光谱-时间特征的多层感知器分类器在纯林中取得了最高的0.843的宏观F1分数，在混交林中取得了0.653的分数。然而，当训练数据有限时，TESSERA嵌入显示出显著优势，在可用地块少于25%的情况下，其性能优于光谱-时间特征。随后，性能最佳的模型被用于创建丹麦首张高分辨率全国树种地图…
-
基础模型在丹麦树种测绘方面展现出潜力
研究人员开发了一种使用卫星数据和机器学习在丹麦测绘树种的方法。该研究比较了手动设计的谱时特征（STF）与来自TESSERA和AlphaEarth等基础模型的嵌入。虽然基于STF的模型实现了最高的整体性能，但基础模型在训练数据有限的情况下显示出优势。性能最佳的模型被应用于全国范围，创建了丹麦首个高分辨率、开放获取的树种地图。
-
深度嵌入提高了荷兰森林清查中树种分类的准确性
一篇新的研究论文探讨了使用预训练遥感模型的深度嵌入来改进荷兰国家森林清查中的树种分类。研究发现，这些源自 Presto、Alpha Earth 和 TESSERA 等模型的深度嵌入，其性能显著优于传统的手工制作特征。通过利用公开可用的卫星数据，这种方法为更新森林清查提供了一种更频繁、更具可扩展性的方法，尤其是在数据受限的情况下。
-
深度学习框架FLORA从多样化激光雷达数据预测森林属性
研究人员开发了FLORA，一个旨在从异构激光雷达数据预测森林属性的深度学习框架。该方法解决了国家尺度森林监测中的挑战，因为激光雷达数据会因传感器、采集参数和季节的不同而存在显著差异。FLORA采用基于八叉树的主干网络，并结合生态和时空辅助变量，在预测主高和总体积等属性方面表现出更强的跨季节鲁棒性和准确性。