Key points are not available for this paper at this time.
La cartographie de la structure de la végétation est essentielle pour comprendre le cycle global du carbone et surveiller les approches basées sur la nature pour l’adaptation et l’atténuation du climat. Des mesures répétées de ces données permettent d’observer la déforestation ou la dégradation des forêts existantes, la régénération naturelle des forêts et la mise en œuvre de pratiques agricoles durables comme l'agroforesterie. Les évaluations de la hauteur de la canopée des arbres et de la surface projetée de la couronne à une résolution spatiale élevée sont également importantes pour surveiller les flux de carbone et évaluer les usages des terres basés sur les arbres, car les structures forestières peuvent être très hétérogènes spatialement, notamment dans les systèmes agroforestiers. Les images satellite à très haute résolution (moins d’un mètre (1 m) de distance d’échantillonnage au sol) permettent d’extraire des informations au niveau de l’arbre tout en permettant une surveillance à très grande échelle. Cet article présente la première carte de hauteur de canopée haute résolution produite simultanément pour plusieurs juridictions sous-nationale. Plus précisément, nous produisons des cartes de hauteur de canopée à très haute résolution pour les États de Californie et de São Paulo, une amélioration significative de la résolution par rapport à la résolution de dix mètres (10 m) des cartes mondiales précédentes basées sur Sentinel / GEDI. Les cartes sont générées par l’extraction de caractéristiques d’un modèle auto-supervisé entraîné sur des images Maxar de 2017 à 2020, et par l’entraînement d’un décodeur de prédiction dense contre des cartes lidar aériennes. Nous introduisons également une étape de post-traitement utilisant un réseau convolutionnel entraîné sur les observations GEDI. Nous évaluons les cartes proposées avec des données lidar de validation réservées ainsi qu’en comparant avec d'autres cartes obtenues par télédétection et des données collectées sur le terrain, et découvrons que notre modèle produit une erreur absolue moyenne (MAE) de 2,8 m et une erreur moyenne (ME) de 0,6 m.
Tolan et al. (Tue,) ont étudié cette question.