蘇黎世聯邦理工學院 EcoVision Lab 研究人員的一項新研究首次提出了交互式全球冠層高度圖 。 研究 使用一種新開發的深度學習算法處理公開的衛星圖像，可以幫助科學家確定生態系統退化和森林砍伐的地區。這項工作還可以通過確定主要碳儲存區域來指導可持續森林管理，這是緩解氣候變化的基石。

“可持續管理陸地生態系統、緩解氣候變化和防止生物多樣性損失需要全球高分辨率的植被特征數據。通過這個項目，我們的目標是在深度學習的幫助下，通過合并來自兩次太空任務的數據來填補缺失的數據空白，”土木工程、環境與工程系教授康拉德·辛德勒說，以及蘇黎世 ETH 的地理信息工程。

從雨林到北方林地，森林在減緩氣候變化方面發揮著關鍵作用，每年吸收多達 20 億噸二氧化碳。地上生物量，包括樹干、樹皮或樹枝等樹木的所有部分，與森林中儲存的碳量相關。

樹高通常是生物量的一個指標，這意味著精確的測量可以幫助獲得更精確的碳吸收數據和氣候科學模型。這些信息還可以通過確定需要保護、恢復和重新造林的地區來指導森林管理。

有許多研究使用人工智能驅動的遙感模型進行森林監測。然而，由于數據量巨大，它們通常在區域內工作，并構成計算挑戰。模型在測量超過 30 米的高度時也不成功，導致對高檐篷的低估。

目前的一些研究正在部署衛星從太空捕獲和測量植被。其中一項任務 NASA 全球生態系統動力學調查 （ GEDI ）旨在使用星載激光掃描儀監測全球森林結構。然而，它只捕獲了不到全球陸地面積 4% 的稀疏樣本。

其他全球遙感任務提供了完整的覆蓋范圍。 Copernicus Sentinel-2 衛星以每像素 10 × 10 米的分辨率拍攝圖像，每 5 天拍攝一次整個地球。然而，它只能鳥瞰植被，不能測量高度。

研究人員利用這些獨立遙感任務的數據開發、訓練和部署了深度學習算法，創建了第一個 全球植被高度圖 。該團隊根據 GEDI 數據對樹冠頂部高度訓練了一組完全卷積神經網絡（ CNN ）。該算法使用一個包含 6 億個 GEDI 足跡的數據集，以及相應的 Sentinel-2 圖像塊，學習從光譜和紋理圖像模式中提取冠層高度。

圖 1 。 GEDI 激光雷達稀疏監督下的模型訓練過程說明。 CNN 將 Sentinel-2 圖像和編碼的地理坐標作為輸入，以估計密集的樹冠頂部高度及其不確定性（方差）。

當模型啟動并運行時，它們會自動處理超過 250000 張圖像，并在 10 米的地面采樣距離上估計地圖的樹冠高度。使用高性能集群覆蓋全球需要 10 天時間，該集群配備 NVIDIA RTX 2080 GPU 根據辛德勒的說法，蘇黎世 ETH 的高性能計算系統 Euler 包含多種 GPU ，運行超過 1500 個圖形卡。

通過對數據中的不確定性進行建模，并使用由五個單獨訓練的 CNN 組成的集合，這些模型具有深度學習算法中不常見的透明度。每個像素估計值的不確定性都是量化的，這可以讓研究人員和森林管理人員在根據信息做出決策時充滿信心。

研究人員發現，俄勒岡州海岸山脈和婆羅洲烏盧坦布隆國家公園等保護區的植被通常較高。大約 34% 的高于 30 米的樹冠生長在這些地區。

圖 2 。密集的樹冠高度圖顯示了俄勒岡州魔鬼梯荒野保護區（左）和婆羅洲烏盧坦布隆國家公園（右）的空間格局。

根據這項研究，該模型可以每年部署一次，以跟蹤冠層高度隨時間的變化。研究人員還指出，這些地圖可用于評估發生野火的地區，從而提供更準確的損失地圖。

“我們希望這項工作將推動未來在氣候、碳和生物多樣性建模方面的研究。我們還希望我們免費提供的地圖能夠在實踐中支持自然資源保護主義者的工作。在未來，我們希望擴大我們在全球范圍內繪制生物量以及時間變化的方法，” EcoVision 實驗室的主要作者 Nico Lang 說， ETH Z ü rich 攝影測量和遙感小組成員。

EcoVision 還計劃很快發布該代碼。 lab 由蘇黎世 ETH 教授 Konrad Schindler 和蘇黎世大學教授 揚·德克·韋格納 于 2017 年創立，致力于開發用于大規模環境數據分析的機器學習算法。有關更多信息，請參閱他們的項目頁面 地球高分辨率冠層高度模型 。

關于作者

Michelle Horton 是 NVIDIA 的高級開發人員通信經理，擁有通信經理和科學作家的背景。她在 NVIDIA 為開發者博客撰文，重點介紹了開發者使用 NVIDIA 技術的多種方式。

審核編輯：郭婷