High Resolution Tree Height Mapping of the Amazon Forest using Planet NICFI Images and LiDAR-Informed U-Net Model

树冠高度是森林生物量、生产力和生态系统结构最重要的指标之一，但从地面和太空准确测量树冠高度具有挑战性。在本研究中，我们使用了适应回归的U-Net模型，基于2020年至2024年期间Planet NICFI图像（空间分辨率为约4.78米）来绘制亚马逊森林的平均树冠高度。U-Net模型训练时使用了从航空LiDAR数据计算出的树冠高度模型作为参考，并结合相应的Planet NICFI图像。对验证样本的树高预测显示平均误差为3.68米，并在整个亚马逊森林存在的树高范围内表现出相对较低的系统偏差。我们的模型成功估计了高达40-50米的树冠高度且没有明显饱和现象，优于该地区现有的全球模型的树冠高度产品。我们确定亚马逊森林的平均树冠高度约为22米。诸如伐木或森林砍伐等事件可以通过树高变化检测到，并且在监测再生森林高度方面也获得了令人鼓舞的结果。这些发现展示了利用Planet NICFI图像对亚马逊老森林和再生森林进行大规模树高测绘和监测的潜力。

该论文试图解决在亚马逊森林中准确测量树冠高度的挑战，这一指标对于评估森林生物量、生产力和生态系统结构至关重要。由于地面和太空测量的局限性，精确测量树冠高度一直是个难题。这并不是一个全新的问题，但通过使用高分辨率卫星图像和深度学习模型来提高测量精度是一个创新的尝试。

论文的关键思路是利用U-Net模型进行回归分析，以从Planet NICFI卫星图像中预测亚马逊森林的平均树冠高度。该模型通过结合LiDAR数据生成的树冠高度模型进行训练，并能够以约4.78米的空间分辨率进行预测。相比现有全球模型，此方法在估计高达40-50米的树冠高度时表现更好，且误差较低。

论文展示了几个值得关注的亮点：1) 模型预测的平均误差仅为3.68米，显示出较低的系统偏差；2) 成功监测到高达40-50米的树冠高度，避免了饱和问题；3) 确定了亚马逊森林的平均树冠高度约为22米；4) 实验设计包括使用LiDAR数据作为参考，确保了模型的准确性；5) 研究表明，该模型可用于检测如砍伐或重新造林等事件，为未来的森林监测提供了可能；6) 虽然没有明确提到代码开源，但研究结果展示了进一步开发和应用的潜力。

最近在这个领域还有其他相关研究，例如：1) 使用无人机和LiDAR技术进行高精度森林结构测量的研究；2) 利用Sentinel卫星数据进行全球森林覆盖变化监测的工作；3) 结合机器学习与多源遥感数据的森林生物量估算研究。一些相关的论文标题包括《基于LiDAR和光学影像的森林参数估算》、《全球森林动态的高分辨率监测》以及《深度学习在森林资源管理中的应用》。