論文の概要: Rapid Forest Fuel Load Estimation via Virtual Remote Sensing and Metric-Scale Feed-Forward 3D Reconstruction

• arxiv url: http://arxiv.org/abs/2605.10789v1
• Date: Mon, 11 May 2026 16:21:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.977527
• Title: Rapid Forest Fuel Load Estimation via Virtual Remote Sensing and Metric-Scale Feed-Forward 3D Reconstruction
• Title（参考訳）: 仮想リモートセンシングとメトリスケールフィードフォワード3次元再構成による高速森林燃料負荷推定
• Authors: Quanyun Wu, Kyle Gao, Wentao Sun, Zhengsen Xu, Hudson Sun, Linlin Xu, Yuhao Chen, David A. Clausi, Jonathan Li,
• Abstract要約: 本稿では,森林の急激な在庫管理のための新しい自動パイプラインを提案する。 我々のアプローチは、まず低高度軌道画像とカメラの標的領域に対するポーズを生成する。 VGGT-Long フレームワーク内で開発された Pi-Long を用いる。
• 参考スコア（独自算出の注目度）: 14.987079775206274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate quantification of forest coverage and combustible biomass (fuel load) is critical for wildfire risk assessment and ecosystem management. However, traditional methods relying on airborne LiDAR or field surveys are cost-prohibitive and time-intensive, while satellite imagery often lacks the vertical resolution required for canopy volume analysis. This paper proposes a novel, automated pipeline for rapid forest inventory using virtual remote sensing data derived from Google Earth Studio (GES). Our approach first generates low-altitude orbital imagery and camera poses for a target region. For dense 3D reconstruction, we employ Pi-Long, developed within the VGGT-Long framework. This model serves as a scalable extension of the Pi-3 feed-forward Transformer architecture. To address the inherent scale ambiguity in monocular reconstruction, we introduce a metric recovery module that aligns the reconstructed trajectory with GES ground truth poses via Sim(3) Umeyama optimization. The metric-scale point cloud is then orthogonally projected into Bird's-Eye-View (BEV) height and density maps. Finally, we employ a watershed-based segmentation algorithm combined with height variance analysis to classify tree species (conifer vs. broadleaf), calculate Leaf Area Index (LAI), and estimate total fuel load. Experimental results demonstrate that this pipeline offers a scalable, cost-effective alternative to physical scanning, enabling near-real-time estimation of forest biomass with high geometric consistency.
• Abstract（参考訳）: 森林被覆量と可燃性バイオマス(燃料負荷)の正確な定量化は,山火事リスク評価と生態系管理に重要である。 しかし、空中LiDARやフィールドサーベイに依存する従来の手法はコスト抑制と時間集約的であり、衛星画像は天蓋体積分析に必要な垂直解像度を欠いていることが多い。 本稿では,Google Earth Studio (GES) から得られた仮想リモートセンシングデータを用いた,森林の迅速な在庫管理のための新しい自動パイプラインを提案する。 我々のアプローチは、まず低高度軌道画像とカメラの標的領域に対するポーズを生成する。 VGGT-Long フレームワーク内で開発された Pi-Long を用いる。 このモデルは、Pi-3フィードフォワードトランスフォーマーアーキテクチャのスケーラブルな拡張として機能する。 単分子再構成における固有スケールのあいまいさに対処するために,Sim(3)梅山最適化によるGES基底真理ポーズと再構成軌道を整列する計量回復モジュールを導入する。 計量スケールの点雲は、直交的にBird's-Eye-View (BEV) の高さと密度マップに投影される。 最後に,木種(針葉樹と広葉樹)を分類し,リーフ面積指数(LAI)を算出し,総燃料負荷を推定する。 実験により,このパイプラインは物理的スキャンに代わるスケーラブルで費用対効果の高い代替手段を提供し,幾何的整合性を有する森林バイオマスのほぼリアルタイム推定を可能にした。

関連論文リスト

• Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
  無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。 本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。 提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
  論文  参考訳（メタデータ） (2026-04-02T08:08:41Z)
• Sapling-NeRF: Geo-Localised Sapling Reconstruction in Forests for Ecological Monitoring [36.7717316600672]
  サップは森林再生と森林全体の健康の指標である。 従来の3Dセンシング手法では、微細なアーキテクチャ特性を捉えることができない。 本研究では,NeRF,LiDAR SLAM,Andlingを融合させて,繰り返し,地理的に局在したサップリングモニタリングを可能にするパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-02-26T08:13:47Z)
• 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)
• Tomographic SAR Reconstruction for Forest Height Estimation [4.1942958779358674]
  樹高推定は、生態学および森林学の応用において、バイオマス推定の重要な指標となる。 本研究では,SAR(Synthetic Aperture Radar)の派生である2Dシングルルックコンプレックス(SLC)画像から直接,深層学習を用いて林冠の高さを推定する。 本手法は,従来のトモグラフィ信号処理を回避し,SARキャプチャからエンド製品への遅延を低減する。
  論文  参考訳（メタデータ） (2024-12-01T17:37:25Z)
• OccNeRF: Advancing 3D Occupancy Prediction in LiDAR-Free Environments [77.0399450848749]
  本稿では,OccNeRF法を用いて,3次元監視なしで占有ネットワークを訓練する手法を提案する。 我々は、再構成された占有領域をパラメータ化し、サンプリング戦略を再編成し、カメラの無限知覚範囲に合わせる。 意味的占有予測のために,事前学習した開語彙2Dセグメンテーションモデルの出力をフィルタリングし,プロンプトを洗練するためのいくつかの戦略を設計する。
  論文  参考訳（メタデータ） (2023-12-14T18:58:52Z)
• BEVNeXt: Reviving Dense BEV Frameworks for 3D Object Detection [47.7933708173225]
  近年,クエリベースのトランスフォーマーデコーダが登場し,カメラベースの3Dオブジェクト検出が作り直されている。 本稿では,BEVNeXtと呼ばれる高密度BEVフレームワークを紹介する。 nuScenesベンチマークでは、BEVNeXtはBEVベースのフレームワークとクエリベースのフレームワークの両方を上回っている。
  論文  参考訳（メタデータ） (2023-12-04T07:35:02Z)
• 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)
• OmniSLAM: Omnidirectional Localization and Dense Mapping for Wide-baseline Multi-camera Systems [88.41004332322788]
  超広視野魚眼カメラ(FOV)を用いた広視野多視点ステレオ構成のための全方向位置決めと高密度マッピングシステムを提案する。 より実用的で正確な再構築のために、全方向深度推定のための改良された軽量のディープニューラルネットワークを導入する。 我々は全方位深度推定をビジュアル・オドメトリー(VO)に統合し,大域的整合性のためのループ閉鎖モジュールを付加する。
  論文  参考訳（メタデータ） (2020-03-18T05:52:10Z)

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。