論文の概要: CHMv2: Improvements in Global Canopy Height Mapping using DINOv3

• arxiv url: http://arxiv.org/abs/2603.06382v1
• Date: Fri, 06 Mar 2026 15:33:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:46.081249
• Title: CHMv2: Improvements in Global Canopy Height Mapping using DINOv3
• Title（参考訳）: CHMv2:DINOv3を用いたグローバルキャノピー高さマッピングの改善
• Authors: John Brandt, Seungeun Yi, Jamie Tolan, Xinyuan Li, Peter Potapov, Jessica Ertel, Justine Spore, Huy V. Vo, Michaël Ramamonjisoa, Patrick Labatut, Piotr Bojanowski, Camille Couprie,
• Abstract要約: CHMv2は、高解像度の光学衛星画像から得られた、メートル分解能の天蓋の高さマップである。 精度を大幅に向上し、高い森林の偏見を低減し、天蓋の縁や隙間のような微細な構造をより良く保存する。 我々は,CHMv2を独立したALSテストセット,GEDIとICESat-2の数千万の観測に対して検証した。
• 参考スコア（独自算出の注目度）: 11.152778276469107
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate canopy height information is essential for quantifying forest carbon, monitoring restoration and degradation, and assessing habitat structure, yet high-fidelity measurements from airborne laser scanning (ALS) remain unevenly available globally. Here we present CHMv2, a global, meter-resolution canopy height map derived from high-resolution optical satellite imagery using a depth-estimation model built on DINOv3 and trained against ALS canopy height models. Compared to existing products, CHMv2 substantially improves accuracy, reduces bias in tall forests, and better preserves fine-scale structure such as canopy edges and gaps. These gains are enabled by a large expansion of geographically diverse training data, automated data curation and registration, and a loss formulation and data sampling strategy tailored to canopy height distributions. We validate CHMv2 against independent ALS test sets and against tens of millions of GEDI and ICESat-2 observations, demonstrating consistent performance across major forest biomes.
• Abstract（参考訳）: 正確な天蓋の高さ情報は、森林炭素の定量化、復元と劣化の監視、生息地構造の評価に不可欠であるが、空中レーザースキャン(ALS)による高忠実度測定は、世界中で不均一に利用可能である。 ここでは、DINOv3上に構築され、ALSキャノピー高モデルに対して訓練された深度推定モデルを用いて、高解像度の光学衛星画像から得られた大域的、メートル分解能キャノピー高マップCHMv2を提案する。 既存の製品と比較すると、CHMv2は精度を大幅に向上し、高い森林の偏りを低減し、天蓋の縁や隙間のような微細な構造をよりよく保存する。 これらのゲインは、地理的に多様なトレーニングデータの拡大、自動データキュレーションと登録、および天蓋高さ分布に適した損失定式化とデータサンプリング戦略によって実現されている。 我々はCHMv2を独立したALS試験セットとGEDIとICESat-2の数千万の観測結果に対して検証し、主要な森林生物群で一貫した性能を示した。

関連論文リスト

• 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)
• 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)
• Multimodal classification of forest biodiversity potential from 2D orthophotos and 3D airborne laser scanning point clouds [47.679877727066206]
  森林生物多様性の評価は生態系管理と保全に不可欠である。 深層学習に基づく2次元直視と3次元空中レーザースキャン(ALS)点群からの近距離センシングデータの融合は、森林の生物多様性ポテンシャルを確実に評価することができる。 BioVistaのデータセットは、デンマークの温帯森林から採取された44の378対のオルソフォトスとALS点雲からなる。
  論文  参考訳（メタデータ） (2025-01-03T09:42:25Z)
• 3D-SAR Tomography and Machine Learning for High-Resolution Tree Height Estimation [4.1942958779358674]
  バイオマス計算の鍵となる木の高さは、合成開口レーダ(SAR)技術を用いて測定することができる。 本研究では,2つのSAR製品から森林高度データを抽出するために機械学習を適用した。 我々は,ドイツのアイフェル国立公園のSARおよびLiDARデータを含むTtomoSenseデータセットを用いて,標高推定モデルの開発と評価を行った。
  論文  参考訳（メタデータ） (2024-09-09T14:07:38Z)
• 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)
• Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators [58.728312684306545]
  炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。 CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。 我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
  論文  参考訳（メタデータ） (2022-10-31T04:04:03Z)
• Information fusion approach for biomass estimation in a plateau mountainous forest using a synergistic system comprising UAS-based digital camera and LiDAR [9.944631732226657]
  本研究の目的は,高原山岳森林保護区の地上バイオマス(AGB)の定量化である。 我々はDAP(Digital Aero Photogrammetry)を用いて,速度,空間分解能,低コストの独特な利点を生かした。 マルチスペクトル画像から得られたCHMとスペクトル特性に基づいて,関心領域のAGBを相当のコスト効率で推定,マッピングした。
  論文  参考訳（メタデータ） (2022-04-14T04:04:59Z)
• 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。