SatCHM（卫星冠层高度模型）：利用深度学习进行特定地点的亚米级冠层高度预测

内容形式：摘要译文

对森林结构和生产力进行高分辨率监测，对于有效管理自然资源至关重要。然而，基于实地调查的森林清查或大规模激光雷达采集等监测方法成本高、耗时长，且空间覆盖有限。因此，需要开发成本低廉且易于获取的方法。SatCHM（卫星冠层高度模型）是一款面向研究人员开发的开源易用工具，可在计算资源有限的情况下，针对特定地点灵活设定时间，预测冠层高度。SatCHM 需要四类输入数据：全色卫星影像、卫星影像的太阳角度和传感器角度元数据、数字高程模型（DEM），以及研究区域内由激光雷达生成的冠层高度模型（CHM）。SatCHM 对输入数据进行预处理后，将数据载入一组卷积神经网络（CNN），用于图像到图像回归。该集成模型协同生成高分辨率（最高可达 0.5 米）的预测结果，呈现更大范围指定研究区域内的三维树木结构，并能够辨识树冠。计算每项预测结果的平均绝对误差后，这些误差的中位数为 6.06 米。

关键词：森林冠层高度 · 卫星遥感 · 深度学习 · 卷积神经网络 · 激光雷达 · 三维树木结构

原文链接：https://www.biorxiv.org/content/10.64898/2026.08.25.728853v1?rss=1