論文の概要: Learning to Predict Aboveground Biomass from RGB Images with 3D Synthetic Scenes

• arxiv url: http://arxiv.org/abs/2511.23249v1
• Date: Fri, 28 Nov 2025 15:00:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.947181
• Title: Learning to Predict Aboveground Biomass from RGB Images with 3D Synthetic Scenes
• Title（参考訳）: 3次元合成シーンを用いたRGB画像からの地下バイオマスの予測
• Authors: Silvia Zuffi,
• Abstract要約: 本稿では, 地上のバイオマスを1つの地上RGB画像から推定する新しい学習手法を提案する。 我々は最近導入された3D SPREADデータセットを活用し、現実的な森林景観を提供する。 提案手法では,SPREADデータでは1.22 kg/m2,実画像では1.94 kg/m2のAGB推定誤差が得られた。
• 参考スコア（独自算出の注目度）: 8.063045613475234
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Forests play a critical role in global ecosystems by supporting biodiversity and mitigating climate change via carbon sequestration. Accurate aboveground biomass (AGB) estimation is essential for assessing carbon storage and wildfire fuel loads, yet traditional methods rely on labor-intensive field measurements or remote sensing approaches with significant limitations in dense vegetation. In this work, we propose a novel learning-based method for estimating AGB from a single ground-based RGB image. We frame this as a dense prediction task, introducing AGB density maps, where each pixel represents tree biomass normalized by the plot area and each tree's image area. We leverage the recently introduced synthetic 3D SPREAD dataset, which provides realistic forest scenes with per-image tree attributes (height, trunk and canopy diameter) and instance segmentation masks. Using these assets, we compute AGB via allometric equations and train a model to predict AGB density maps, integrating them to recover the AGB estimate for the captured scene. Our approach achieves a median AGB estimation error of 1.22 kg/m^2 on held-out SPREAD data and 1.94 kg/m^2 on a real-image dataset. To our knowledge, this is the first method to estimate aboveground biomass directly from a single RGB image, opening up the possibility for a scalable, interpretable, and cost-effective solution for forest monitoring, while also enabling broader participation through citizen science initiatives.
• Abstract（参考訳）: 森林は生物多様性を支援し、炭素の隔離を通じて気候変動を緩和することで、地球生態系において重要な役割を担っている。 正確な地上バイオマス推定(AGB)は、炭素貯蔵量や山火事の燃料負荷を評価するのに不可欠であるが、従来の方法では、高密度植生にかなりの制限のある、労働集約的なフィールド計測やリモートセンシングアプローチに依存している。 本研究では,単一地上RGB画像からAGBを推定する新しい学習手法を提案する。 各ピクセルはプロット領域と各ツリーの画像領域によって正規化された木質のバイオマスを表す。 我々は最近導入された合成3D SPREADデータセットを活用し、画像ごとの森の風景(高さ、トランク、天蓋の直径)とインスタンスセグメンテーションマスクを提供する。 これらの資産を用いて、アロメトリ方程式を用いてAGBを計算し、AGB密度マップを予測するためにモデルを訓練し、キャプチャされたシーンのAGB推定を復元するためにそれらを統合する。 提案手法では,SPREADデータでは1.22 kg/m^2,実画像では1.94 kg/m^2のAGB推定誤差が得られた。 我々の知る限り、これは単一のRGB画像から直接地上のバイオマスを推定する最初の方法であり、スケーラブルで解釈可能で費用対効果の高い森林モニタリングソリューションの可能性を広げつつ、市民科学のイニシアチブを通じて幅広い参加を可能にする。

関連論文リスト

• Estimating Pasture Biomass from Top-View Images: A Dataset for Precision Agriculture [19.0810931631268]
  オーストラリアの19か所で収集された牧草地の1,162点の注釈付きトップビュー画像の包括的データセットを提示する。 それぞれの画像は70cm×30cmの四角形を撮影し、バイオマスを成分(緑、死、小豆分画)、植生の高さ、アクティブ光学センサー(AOS)からの正規化差分植生指数(NDVI)で分類する。 データセットはKaggleコンペティションでリリースされ、牧草地バイオマス推定のタスクで国際的な機械学習コミュニティに挑戦する。
  論文  参考訳（メタデータ） (2025-10-27T01:35:00Z)
• Statistical Confidence Rescoring for Robust 3D Scene Graph Generation from Multi-View Images [56.134885746889026]
  セマンティックシーングラフ推定法は, 対象物, 述語, 関係性を正確に予測するために, 3Dアノテーションを利用する。 我々は、予測深度マップから、ノイズの多い擬似点ベース形状を克服し、マルチビュー画像の特徴に現れる背景雑音の量を削減した。 提案手法は,初期入力としてマルチビュー画像を純粋に用いた現在の手法より優れている。
  論文  参考訳（メタデータ） (2025-08-05T21:25:50Z)
• Bringing SAM to new heights: Leveraging elevation data for tree crown segmentation from drone imagery [68.69685477556682]
  現在のモニタリング手法には、大規模なコスト、時間、労力を必要とする地上計測が含まれる。 ドローンのリモートセンシングとコンピュータビジョンは、広範囲の航空画像から個々の木をマッピングする大きな可能性を秘めている。 高解像度ドローン画像におけるツリークラウンインスタンスの自動セグメンテーションのためのセグメンテーションモデル(SAM)を用いた手法の比較を行った。 また,デジタルサーフェスモデル(DSM)情報を用いたモデルへの標高データの統合についても検討した。
  論文  参考訳（メタデータ） (2025-06-05T12:43:11Z)
• CAP-Net: A Unified Network for 6D Pose and Size Estimation of Categorical Articulated Parts from a Single RGB-D Image [86.75098349480014]
  本稿では,ロボット操作作業における調音物体のカテゴリーレベルのポーズ推定に取り組む。 そこで本研究では,Categorical Articulated Partsの6次元ポーズとサイズを推定するためのシングルステージネットワークCAP-Netを提案する。 我々は,RGB画像と実センサからシミュレーションした深度雑音を特徴とするRGB-D調音データセットであるRGBD-Artデータセットを紹介した。
  論文  参考訳（メタデータ） (2025-04-15T14:30:26Z)
• Estimation of forest height and biomass from open-access multi-sensor satellite imagery and GEDI Lidar data: high-resolution maps of metropolitan France [0.0]
  本研究は、森林パラメータの局所マップを作成するために以前開発された機械学習アプローチを用いている。 我々はGEDI Lidarミッションを基準高度データとして,Sentinel-1,Sentinel-2,ALOS-2 PALSA-2の衛星画像を用いて森林高度を推定した。 高さマップは、アロメトリック方程式を用いて体積と地上のバイオマス(AGB)に導かれる。
  論文  参考訳（メタデータ） (2023-10-23T07:58:49Z)
• Mapping historical forest biomass for stock-change assessments at parcel to landscape scales [0.0]
  地図製品は、人為的にも自然的にも、どこで、いつ、そしてどのように森林の炭素在庫が変化しているかを特定するのに役立ちます。 これらの製品は、ストックチェンジアセスメント、レポートの監視、検証フレームワークなど、幅広いアプリケーションへのインプットとして機能する。
  論文  参考訳（メタデータ） (2023-04-05T17:55:00Z)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)
• A Semantic Segmentation Network for Urban-Scale Building Footprint Extraction Using RGB Satellite Imagery [1.9400948599830012]
  都市部は世界のエネルギーの3分の2以上を消費し、世界のCO2排出量の70%以上を占めています。 3チャンネルのRGB衛星画像から建物の足跡のマスクを生成するために、拡張ResNetバックボーンを備えた変更されたDeeplabV3+モジュールを提案します。 3つの標準ベンチマークで最先端のパフォーマンスを達成し,衛星画像の規模,解像度,都市密度に依存しないことを実証した。
  論文  参考訳（メタデータ） (2021-04-02T22:32:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。