論文の概要: Super-Resolved Canopy Height Mapping from Sentinel-2 Time Series Using LiDAR HD Reference Data across Metropolitan France

• arxiv url: http://arxiv.org/abs/2512.11524v1
• Date: Fri, 12 Dec 2025 12:49:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.76629
• Title: Super-Resolved Canopy Height Mapping from Sentinel-2 Time Series Using LiDAR HD Reference Data across Metropolitan France
• Title（参考訳）: LiDAR HDレファレンスデータを用いたセンチネル2時系列からの高分解能キャノピー高さマッピング
• Authors: Ekaterina Kalinicheva, Florian Helen, Stéphane Mermoz, Florian Mouret, Milena Planells,
• Abstract要約: 本稿では,ツリーハイト回帰とスーパーリゾリューションのための新しいエンドツーエンドフレームワーク THREASURE-Net を紹介する。 このモデルは、LiDAR HDデータから得られた基準高さメトリクスを用いて、Sentinel-2時系列でトレーニングされる。 モデル変種を3種類評価し,2.5m,5m,10mで樹高予測を行った。
• 参考スコア（独自算出の注目度）: 0.9351726364879229
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fine-scale forest monitoring is essential for understanding canopy structure and its dynamics, which are key indicators of carbon stocks, biodiversity, and forest health. Deep learning is particularly effective for this task, as it integrates spectral, temporal, and spatial signals that jointly reflect the canopy structure. To address this need, we introduce THREASURE-Net, a novel end-to-end framework for Tree Height Regression And Super-Resolution. The model is trained on Sentinel-2 time series using reference height metrics derived from LiDAR HD data at multiple spatial resolutions over Metropolitan France to produce annual height maps. We evaluate three model variants, producing tree-height predictions at 2.5 m, 5 m, and 10 m resolution. THREASURE-Net does not rely on any pretrained model nor on reference very high resolution optical imagery to train its super-resolution module; instead, it learns solely from LiDAR-derived height information. Our approach outperforms existing state-of-the-art methods based on Sentinel data and is competitive with methods based on very high resolution imagery. It can be deployed to generate high-precision annual canopy-height maps, achieving mean absolute errors of 2.62 m, 2.72 m, and 2.88 m at 2.5 m, 5 m, and 10 m resolution, respectively. These results highlight the potential of THREASURE-Net for scalable and cost-effective structural monitoring of temperate forests using only freely available satellite data. The source code for THREASURE-Net is available at: https://github.com/Global-Earth-Observation/threasure-net.
• Abstract（参考訳）: 微細な森林モニタリングは、炭素ストック、生物多様性、森林健康の重要な指標である天蓋構造とその力学を理解するのに不可欠である。 深層学習は、天蓋構造を共同で反映するスペクトル、時間、空間信号を統合することで、このタスクに特に効果的である。 このニーズに対処するために,ツリーハイト回帰とスーパーリゾリューションのための新しいエンドツーエンドフレームワークである THREASURE-Net を紹介した。 このモデルは、フランス大都市圏の複数の空間解像度でLiDAR HDデータから得られた基準高度測定値を用いて、Sentinel-2時系列でトレーニングし、年間高度マップを作成する。 モデル変種を3種類評価し,2.5m,5m,10mで樹高予測を行った。 THREASURE-Netはその超高解像度モジュールをトレーニングするために、事前訓練されたモデルや、非常に高解像度の光学画像に頼らず、代わりにLiDAR由来の高度情報からのみ学習する。 提案手法は,Sentinelデータに基づく既存の最先端手法よりも優れ,高解像度画像に基づく手法と競合する。 高精度のキャノピー高さマップを生成するために展開でき、平均絶対誤差は2.5mと5mと10mで2.62mと2.72mと2.88mである。 これらの結果は、自由に利用可能な衛星データのみを用いて、温帯林のスケーラブルで費用対効果の高い構造モニタリングのためのTHREASURE-Netの可能性を強調した。 THREASURE-Netのソースコードは、https://github.com/Global-Earth-Observation/threasure-net.comで公開されている。

関連論文リスト

• UnLoc: Leveraging Depth Uncertainties for Floorplan Localization [80.55849461031879]
  UnLocはフロアプラン内のシーケンシャルカメラローカライゼーションのための効率的なデータ駆動ソリューションである。 本研究では,不確実性推定を組み込んだ新しい確率モデルを導入し,深度予測を明示的な確率分布としてモデル化する。 我々はUnLocを大規模合成および実世界のデータセット上で評価し、精度とロバスト性の観点から大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2025-09-14T14:45:43Z)
• Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
  都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。 複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。 低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-05-21T03:57:10Z)
• Lightweight RGB-D Salient Object Detection from a Speed-Accuracy Tradeoff Perspective [54.91271106816616]
  現在のRGB-D法は通常、大規模なバックボーンを利用して精度を向上させるが効率を犠牲にする。 本稿では,軽量RGB-D SODのためのSATNet(Speed-Accuracy Tradeoff Network)を提案する。 深度について,高品質の深度マップを生成するための深度任意のモデルを導入する。 モダリティ融合において,モダリティ間の整合性を検討するために,DAM(Decoupled Attention Module)を提案する。 特徴表現のために,双方向の反転フレームワークを用いたDIRM (Dual Information Representation Module) を開発した。
  論文  参考訳（メタデータ） (2025-05-07T19:37:20Z)
• Depth Any Canopy: Leveraging Depth Foundation Models for Canopy Height Estimation [4.69726714177332]
  世界樹高の推定は森林保全と気候変動の応用に不可欠である。 効率的な代替手段として、キャノピーの高さ推定器を訓練して、単一ビューのリモートセンシング画像を操作する方法がある。 近年の単眼深度推定基礎モデルでは,複雑なシーンにおいても強いゼロショット性能を示した。
  論文  参考訳（メタデータ） (2024-08-08T15:24:07Z)
• Multimodal deep learning for mapping forest dominant height by fusing GEDI with earth observation data [5.309673841813994]
  そこで本稿では,マルチモーダルアテンションリモートセンシングネットワーク(MARSNet)と呼ばれる新しいディープラーニングフレームワークを提案する。 MARSNetは、マルチスケール特徴を抽出するリモートセンシングデータモダリティごとに別々のエンコーダと、特徴と推定高さを融合する共有デコーダから構成される。 本研究は,GEDIとSAR,受動光学画像とを併用した多モード深層学習手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-11-20T14:02:50Z)
• Semi-supervised Learning from Street-View Images and OpenStreetMap for Automatic Building Height Estimation [59.6553058160943]
  本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。 提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。 予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
  論文  参考訳（メタデータ） (2023-07-05T18:16:30Z)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)
• Very high resolution canopy height maps from RGB imagery using self-supervised vision transformer and convolutional decoder trained on Aerial Lidar [14.07306593230776]
  本稿では,複数の非国家の管轄区域で同時に作成される最初の高分解能天蓋の高さマップについて述べる。 地図は、2017年から2020年にかけて、マクサー画像に基づいて訓練された自己教師モデルから特徴を抽出することによって生成される。 また、GEDI観測に基づいて訓練された畳み込みネットワークを用いた後処理のステップも導入する。
  論文  参考訳（メタデータ） (2023-04-14T15:52:57Z)
• High-resolution canopy height map in the Landes forest (France) based on GEDI, Sentinel-1, and Sentinel-2 data with a deep learning approach [0.044381279572631216]
  マルチストリームリモートセンシングに基づく深層学習モデルを構築し,高分解能キャノピー高さマップを作成する。 モデル出力により、2020年時点での"Landes de Gascogne"森林全体の10m解像度の天蓋の高さマップを作成できる。 針葉樹林におけるすべての検証データセットについて,本モデルでは,同領域で利用可能な従来の天蓋高さモデルよりも優れた指標を示した。
  論文  参考訳（メタデータ） (2022-12-20T14:14:37Z)
• 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)

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。