論文の概要: FLORA: A deep learning approach to predict forest attributes from heterogeneous LiDAR data

• arxiv url: http://arxiv.org/abs/2606.32023v1
• Date: Tue, 30 Jun 2026 17:52:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.34486
• Title: FLORA: A deep learning approach to predict forest attributes from heterogeneous LiDAR data
• Title（参考訳）: FLORA:不均一LiDARデータから森林特性を予測するディープラーニング手法
• Abstract要約: 森林属性を6つ予測する深層学習フレームワークFLORAを提案する。 主要高さ, 総体積, 落葉量, 針葉樹量, 基底面積, および異種LiDAR点雲からの茎密度。 モデルは、フランス全国LiDAR HDプログラムのデータを用いて、フランス本土の32,052のプロットで訓練され、評価される。
• 参考スコア（独自算出の注目度）: 4.143790703362821
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forest attributes are essential for national-scale resource monitoring. Airborne LiDAR metrics are among the auxiliary variables most strongly correlated with forest attributes used in National Forest Inventory (NFI) estimates. However, producing wall-to-wall predictions remains challenging when LiDAR data are acquired under heterogeneous conditions. As national LiDAR programs expand across Europe, variability in sensors, flight parameters, seasons, and scan angles limits the robustness of existing models, which are often calibrated for local conditions. We present FLORA (Forest LiDAR Octree Regression with Auxiliary Data), a deep learning framework that predicts six forest attributes: dominant height, total volume, deciduous volume, coniferous volume, basal area, and stem density from heterogeneous LiDAR point clouds. FLORA combines an octree-based backbone with ecological and spatiotemporal auxiliary variables through a late-fusion gating mechanism. Models are trained and evaluated on 32,052 National Forest Inventory plots across mainland France using data from the French LiDAR HD program. A single model trained on both leaf-on and leaf-off acquisitions outperforms season-specific models and improves cross-season robustness. Auxiliary variables provide modest overall gains but contribute more strongly to species-specific volume prediction. FLORA achieves an rRMSE of about 12.3% (R2 = 0.88) for dominant height and 39% (R2 = 0.74) for total volume, providing a robust baseline for large-scale forest attribute estimation from heterogeneous national LiDAR programs.
• Abstract（参考訳）: 森林特性は全国規模の資源モニタリングに不可欠である。 大気中のLiDAR測定値は、国立森林調査所(NFI)の推定で使用される森林特性と最も強く相関している補助変数の一つである。 しかし、LIDARデータが不均一な条件下で取得された場合、壁面間予測の生成は依然として困難である。 欧州全体のLiDARプログラムが拡大するにつれて、センサー、飛行パラメータ、季節、スキャンアングルの変動は、しばしば局所的な条件に合わせて調整される既存のモデルの堅牢性を制限する。 FLORA (Forest LiDAR Octree Regression with Auxiliary Data) は, 樹高, 総体積, 落葉量, 針葉樹量, 基底面積, 異質なLiDAR点雲からの茎密度の6つの森林特性を推定する深層学習フレームワークである。 FLORAはオクツリーベースのバックボーンと、後期融合ゲーティング機構を通じて生態的および時空間的補助変数を結合する。 モデルは、フランス本土の32,052の国立森林発明計画で、フランスのLiDAR HDプログラムのデータを用いて訓練され、評価されている。 リーフ・オン・アンド・リーフ・オフ買収の両方で訓練された単一のモデルは、季節固有のモデルより優れ、シーズン間の堅牢性を向上させる。 補助変数は、より緩やかな全体的なゲインを提供するが、種固有の体積予測に強く寄与する。 FLORAは総体積で約12.3%(R2 = 0.88)、総体積で39%(R2 = 0.74)のRRMSEを達成し、多種多様なLiDARプログラムから大規模森林属性を推定するための堅牢なベースラインを提供する。

関連論文リスト

• Hybrid Machine Learning Model for Forest Height Estimation from TanDEM-X and Landsat Data [4.549831511476248]
  森林タイプや構造を補完する情報を提供するために,光学ランドサットデータを用いた特徴空間の拡張を提案する。 この拡張モデルは、ガボンセ・ロペ国立公園のいくつかのTanDEM-X買収で適用され、検証されている。 その結果、RMSEは13.5%、MAEは16.6%削減された。
  論文  参考訳（メタデータ） (2026-05-20T10:37:27Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• LEADER: Learning Reliable Local-to-Global Correspondences for LiDAR Relocalization [44.37632368250295]
  我々は,単純かつ効果的な幾何エンコーダによって強化されたロバストなLiDARベースの再ローカライズフレームワークであるLEADERを提案する。 オックスフォード・ロボットカーとNCLTデータセットの実験は、LEADERが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2026-04-13T11:52:29Z)
• CHMv2: Improvements in Global Canopy Height Mapping using DINOv3 [11.152778276469107]
  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。
  論文  参考訳（メタデータ） (2026-03-06T15:33:31Z)
• FORMSpoT: A Decade of Tree-Level, Country-Scale Forest Monitoring [40.631100826517375]
  森林キャノピーの高さを1.5mの解像度で全国で10年(2014-2024年)にわたってマッピングしたFOMSpoT(Forest Mapping with SPOT Time series)を紹介した。 異種買収におけるロバストな変更検出を可能にするため、我々は専用の後処理パイプラインを開発した。 乱れが小さく空間的に断片化された山岳林では、FOMSpoT-$$はF1スコアが0.44で、既存のベンチマークよりも桁違いに高い。
  論文  参考訳（メタデータ） (2025-12-18T19:35:09Z)
• Minkowski-MambaNet: A Point Cloud Framework with Selective State Space Models for Forest Biomass Quantification [22.400724952302923]
  Minkowski-MambaNetは、生のLiDARから直接ボリュームとAGBを推定する新しいディープラーニングフレームワークである。 最先端の手法を著しく上回り、より正確で堅牢な見積もりを提供する。 この研究は、大規模森林バイオマス分析のための強力なツールを提供し、LiDARベースの森林在庫を推し進める。
  論文  参考訳（メタデータ） (2025-10-10T13:24:00Z)
• An Efficient Machine Learning Framework for Forest Height Estimation from Multi-Polarimetric Multi-Baseline SAR data [2.395410408500006]
  本稿では,LiDARプロファイルを用いた多チャンネルSAR処理をGT(GT)として用いた森林高度推定フレームワークFGumpを紹介する。 精度と計算効率のバランスを保ち、手動設計の特徴の限られたセットを使い、重い前処理を避ける(例えば、キャリブレーションや量子化)。 実験の結果,FGumpはAIベースおよび古典的手法よりも優れており,精度が向上し,トレーニングや推論時間も著しく低下していることがわかった。
  論文  参考訳（メタデータ） (2025-07-28T13:07:23Z)
• ForestLPR: LiDAR Place Recognition in Forests Attentioning Multiple BEV Density Images [38.727720300337296]
  本研究では,自然林におけるロバストなLiDARを用いた位置認識手法であるフォレストLPRを提案する。 異なる高さの森の地形の断面画像には、ある場所を再訪するために必要な情報が含まれている。 提案手法では,視覚変換器を共有バックボーンとして使用し,局所記述子の集合を生成する。
  論文  参考訳（メタデータ） (2025-03-06T14:24:22Z)
• Hyperspectral and LiDAR data for the prediction via machine learning of tree species, volume and biomass: a possible contribution for updating forest management plans [0.3848364262836075]
  本研究は,トレント自治州(PAT)の森林タイプと森林単位の脱線を識別する基盤を構築することを目的としている。 2014年のLiDARとPATによるハイパースペクトル調査のデータを取得し、処理した。
  論文  参考訳（メタデータ） (2022-09-30T06:06:25Z)
• Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
  我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。 グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。 我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
  論文  参考訳（メタデータ） (2021-12-21T16:10:45Z)
• 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。