Sub-Meter-Baumhöhenkartierung von Kalifornien unter Verwendung von Luftbildern und einem LiDAR-informierten U-Net-Modell

Die Baumkronenhöhe ist einer der wichtigsten Indikatoren für die Waldbiomasse, Produktivität und Ecosystemstruktur, aber es ist eine Herausforderung, sie genau vom Boden und aus dem Weltraum zu messen. Hier verwendeten wir ein für Regression angepasstes U-Net-Modell, um die Kronenhöhe aller Bäume im Bundesstaat Kalifornien mit sehr hochauflösenden Luftbildern (0,6 m) aus dem USDA-NAIP-Programm zu kartieren. Das U-Net-Modell wurde mit Kronenhöhenmodellen trainiert, die aus Luft-LiDAR-Daten als Referenz berechnet wurden, zusammen mit den entsprechenden RGB-NIR-NAIP-Bildern, die 2020 gesammelt wurden. Wir evaluierten die Leistung des Deep-Learning-Modells mit 42 unabhängigen 1 km² großen Gebieten über verschiedene Waldbautypen und Landschaftsvariationen in Kalifornien. Unsere Vorhersagen der Baumhöhen wiesen einen mittleren Fehler von 2,9 m auf und zeigten relativ wenig systematischen Bias über den gesamten Bereich der in Kalifornien vorhandenen Baumhöhen. Im Jahr 2020 bedeckten Bäume, die höher als 5 m waren, etwa 19,3% von Kalifornien. Unser Modell schätzte die Kronenhöhen bis zu 50 m erfolgreich, ohne Sättigung, und übertraf bestehende Produkte zur Kronenhöhenmessung von globalen Modellen. Der von uns verwendete Ansatz ermöglichte die Rekonstruktion der dreidimensionalen Struktur einzelner Bäume, wie sie aus nadirblickenden optischen Luftbildern beobachtet werden, was auf eine relativ robuste Schätz- und Kartierungskapazität hinweist, selbst bei Vorliegen von Bildverzerrungen. Diese Ergebnisse demonstrieren das Potenzial der großflächigen Kartierung und Überwachung der Baumhöhe sowie der potenziellen Biomasseabschätzung unter Verwendung von NAIP-Bildern.