利用深度学习算法生成交互式全球冠层高度图

苏黎世联邦理工学院 EcoVision Lab 研究人员的一项新研究首次提出了交互式全球冠层高度图 。 研究 使用一种新开发的深度学习算法处理公开的卫星图像，可以帮助科学家确定生态系统退化和森林砍伐的地区。这项工作还可以通过确定主要碳储存区域来指导可持续森林管理，这是缓解气候变化的基石。

“可持续管理陆地生态系统、缓解气候变化和防止生物多样性损失需要全球高分辨率的植被特征数据。通过这个项目，我们的目标是在深度学习的帮助下，通过合并来自两次太空任务的数据来填补缺失的数据空白，”土木工程、环境与工程系教授康拉德·辛德勒说，以及苏黎世 ETH 的地理信息工程。

从雨林到北方林地，森林在减缓气候变化方面发挥着关键作用，每年吸收多达 20 亿吨二氧化碳。地上生物量，包括树干、树皮或树枝等树木的所有部分，与森林中储存的碳量相关。

树高通常是生物量的一个指标，这意味着精确的测量可以帮助获得更精确的碳吸收数据和气候科学模型。这些信息还可以通过确定需要保护、恢复和重新造林的地区来指导森林管理。

有许多研究使用人工智能驱动的遥感模型进行森林监测。然而，由于数据量巨大，它们通常在区域内工作，并构成计算挑战。模型在测量超过 30 米的高度时也不成功，导致对高檐篷的低估。

目前的一些研究正在部署卫星从太空捕获和测量植被。其中一项任务 NASA 全球生态系统动力学调查 （ GEDI ）旨在使用星载激光扫描仪监测全球森林结构。然而，它只捕获了不到全球陆地面积 4% 的稀疏样本。

其他全球遥感任务提供了完整的覆盖范围。 Copernicus Sentinel-2 卫星以每像素 10 × 10 米的分辨率拍摄图像，每 5 天拍摄一次整个地球。然而，它只能鸟瞰植被，不能测量高度。

研究人员利用这些独立遥感任务的数据开发、训练和部署了深度学习算法，创建了第一个 全球植被高度图 。该团队根据 GEDI 数据对树冠顶部高度训练了一组完全卷积神经网络（ CNN ）。该算法使用一个包含 6 亿个 GEDI 足迹的数据集，以及相应的 Sentinel-2 图像块，学习从光谱和纹理图像模式中提取冠层高度。

图 1 。 GEDI 激光雷达稀疏监督下的模型训练过程说明。 CNN 将 Sentinel-2 图像和编码的地理坐标作为输入，以估计密集的树冠顶部高度及其不确定性（方差）。

当模型启动并运行时，它们会自动处理超过 250000 张图像，并在 10 米的地面采样距离上估计地图的树冠高度。使用高性能集群覆盖全球需要 10 天时间，该集群配备 NVIDIA RTX 2080 GPU 根据辛德勒的说法，苏黎世 ETH 的高性能计算系统 Euler 包含多种 GPU ，运行超过 1500 个图形卡。

通过对数据中的不确定性进行建模，并使用由五个单独训练的 CNN 组成的集合，这些模型具有深度学习算法中不常见的透明度。每个像素估计值的不确定性都是量化的，这可以让研究人员和森林管理人员在根据信息做出决策时充满信心。

研究人员发现，俄勒冈州海岸山脉和婆罗洲乌卢坦布隆国家公园等保护区的植被通常较高。大约 34% 的高于 30 米的树冠生长在这些地区。

图 2 。密集的树冠高度图显示了俄勒冈州魔鬼梯荒野保护区（左）和婆罗洲乌卢坦布隆国家公园（右）的空间格局。

根据这项研究，该模型可以每年部署一次，以跟踪冠层高度随时间的变化。研究人员还指出，这些地图可用于评估发生野火的地区，从而提供更准确的损失地图。

“我们希望这项工作将推动未来在气候、碳和生物多样性建模方面的研究。我们还希望我们免费提供的地图能够在实践中支持自然资源保护主义者的工作。在未来，我们希望扩大我们在全球范围内绘制生物量以及时间变化的方法，” EcoVision 实验室的主要作者 Nico Lang 说， ETH Z ü rich 摄影测量和遥感小组成员。

EcoVision 还计划很快发布该代码。 lab 由苏黎世 ETH 教授 Konrad Schindler 和苏黎世大学教授 扬·德克·韦格纳 于 2017 年创立，致力于开发用于大规模环境数据分析的机器学习算法。有关更多信息，请参阅他们的项目页面 地球高分辨率冠层高度模型 。

关于作者

Michelle Horton 是 NVIDIA 的高级开发人员通信经理，拥有通信经理和科学作家的背景。她在 NVIDIA 为开发者博客撰文，重点介绍了开发者使用 NVIDIA 技术的多种方式。

审核编辑：郭婷