Nuovi metodi per misurare gli alberi alti della California
I ricercatori usano immagini aeree per misurare con precisione l'altezza degli alberi in California.
― 6 leggere min
Indice
Le foreste della California sono famose per i loro Alberi altissimi, come le sequoie e i redwood costieri. Questi alberi sono fondamentali per l'ambiente, perché offrono habitat per la fauna selvatica e immagazzinano un sacco di carbonio, aiutando a combattere il cambiamento climatico. Tuttavia, misurare quanto sono alti questi alberi può essere complicato. I metodi tradizionali, come osservare dal terreno o utilizzare attrezzature volanti costose, hanno i loro svantaggi.
Recenti progressi tecnologici permettono ai ricercatori di usare immagini aeree per misurare con precisione l'Altezza degli alberi. Questo metodo non è solo economico, ma offre anche nuove possibilità per monitorare le foreste su vaste aree.
Altezza della Chioma
L'altezza delle chiome degli alberi è una misura importante nello studio delle foreste. Aiuta gli scienziati a capire la biomassa, la produttività e la diversità delle specie in una regione. Con misurazioni accurate, possono raccogliere Dati sulla salute delle foreste e stimare quanto carbonio è immagazzinato negli alberi.
Tuttavia, misurare l'altezza della chioma dal terreno è difficile. Usare immagini aeree può fornire una soluzione, ma richiede tecniche avanzate per garantire l'accuratezza.
Utilizzo di Immagini Aeree
In recenti studi, i ricercatori hanno usato immagini aeree ad alta risoluzione del Programma Nazionale di Immagine Agricola dell’USDA (NAIP) per creare un Modello che stima l'altezza degli alberi. Hanno applicato un modello di apprendimento profondo chiamato U-Net, tipicamente usato nei compiti di elaborazione delle immagini, per prevedere l'altezza degli alberi in tutta la California.
Il modello U-Net è stato addestrato utilizzando dati di riferimento provenienti da indagini LiDAR aeree, che forniscono informazioni dettagliate sulla struttura degli alberi. Questo approccio consente ai ricercatori di ottenere un'alta precisione nelle loro previsioni superando i limiti dei metodi tradizionali.
Area di Studio e Dati
La California ha diversi tipi di foreste e paesaggi, rendendola un luogo ideale per questa ricerca. Nel 2020, i ricercatori hanno raccolto dati da un gran numero di immagini aeree che coprivano l'intero stato. Le immagini sono state scattate durante la stagione di crescita, il momento migliore per osservare la chioma degli alberi.
I dati utilizzati per addestrare il modello U-Net consistevano in immagini provenienti da 11.076 tessere aeree. Ogni immagine aveva una risoluzione di 0,6 m, consentendo ai ricercatori di catturare i dettagli fini degli alberi. I dati LiDAR provenienti da diverse campagne fornivano punti di riferimento per garantire che le previsioni del modello fossero affidabili.
Processo di Addestramento del Modello
Per addestrare il modello U-Net, i ricercatori hanno selezionato solo le aree in cui le immagini aeree corrispondevano alle altezze di riferimento dai dati LiDAR. Il modello è stato insegnato a riconoscere l'altezza degli alberi in base ai modelli appresi dai dati di addestramento. Elaborando molte immagini, il modello ha migliorato la sua capacità di fare previsioni accurate sull'altezza degli alberi.
I ricercatori hanno anche fatto attenzione a includere esempi senza alberi, così il modello poteva imparare a differenziare tra aree coperte da alberi e altri tipi di terreno, come deserti o corpi d'acqua.
Valutazione delle Prestazioni
Dopo l'addestramento, il modello è stato testato su 42 siti indipendenti in California per convalidare le sue prestazioni. I risultati hanno mostrato che il modello poteva prevedere le altezze degli alberi con un errore medio di soli 2,9 metri. Questo livello di precisione è cruciale per la gestione e la conservazione delle foreste.
Il modello è stato in grado di stimare le altezze degli alberi con precisione, anche in tipi di foreste complessi e paesaggi variabili. Con la capacità di prevedere altezze fino a 50 metri, il modello U-Net ha superato altri modelli globali comunemente usati per la stima dell'altezza degli alberi.
Risultati sulle Foreste della California
La California ospita alcuni degli alberi più alti del mondo. Nel 2020, i ricercatori hanno determinato che circa il 19,3% dello stato aveva alberi alti più di 5 metri. Il modello ha rivelato un'altezza mediana delle foreste di 11 metri in tutta la California, indicando la diversità e la ricchezza delle foreste della regione.
Tuttavia, lo studio ha anche evidenziato tendenze preoccupanti. C'è stata una significativa diminuzione del numero di alberi grandi, contribuendo a cambiamenti nella capacità di immagazzinamento del carbonio e nella salute delle foreste. Con forze naturali come la siccità, le infestazioni di insetti e gli incendi che minacciano queste foreste, misurazioni accurate diventano sempre più importanti per gli sforzi di conservazione.
Confronto tra Modelli Globali
Con il modello U-Net, i ricercatori sono stati in grado di produrre una mappa dell'altezza della chioma della California ad altissima risoluzione spaziale. Questa mappa può essere confrontata con i set di dati globali sull'altezza, che spesso mancano dei dettagli necessari per le applicazioni locali.
Quando si valutano le mappe esistenti sull'altezza della vegetazione globale, il modello U-Net ha mostrato una maggiore accuratezza e ha fornito una visione più dettagliata dell'altezza degli alberi in tutta la California. Questa capacità è fondamentale per comprendere la struttura delle foreste e prendere decisioni informate sulle pratiche di conservazione.
Vantaggi del Modello U-Net
Il modello U-Net offre diversi vantaggi rispetto ai metodi tradizionali e ai modelli globali esistenti. Consente di misurare direttamente le altezze degli alberi dalle immagini aeree senza la necessità di complessi passaggi di pre-elaborazione.
L'uso di tecniche di apprendimento profondo migliora la capacità del modello di identificare alberi individuali e stimare con precisione le loro altezze. I ricercatori possono raccogliere dati aggiuntivi sulle caratteristiche degli alberi, come la dimensione della chioma e la posizione, che è particolarmente importante per gli sforzi di conservazione.
Implicazioni Future
Il successo del modello U-Net nella stima dell'altezza degli alberi fornisce una base per la ricerca futura. Ci sono opportunità per applicare metodi simili ad altre regioni e tipi di foreste, oltre a esplorare come questo approccio possa essere adattato per le immagini satellitari.
Espandendo questa ricerca, gli scienziati possono lavorare per una migliore comprensione degli ecosistemi forestali in tutto il mondo. Misurazioni accurate dell'altezza degli alberi possono aiutare a monitorare i cambiamenti nel tempo, valutare l'impatto del cambiamento climatico e guidare le strategie di conservazione.
Conclusione
Lo studio dell'altezza della chioma degli alberi in California sottolinea l'importanza di utilizzare tecnologie moderne e tecniche di modellazione avanzate per monitorare le foreste. Il modello U-Net si è dimostrato uno strumento efficace per stimare l'altezza degli alberi dalle immagini aeree, fornendo preziose intuizioni sulla salute e la struttura delle foreste californiane.
Grazie a questa ricerca, otteniamo una comprensione più chiara delle foreste dello stato e del ruolo vitale che svolgono nel mantenere la biodiversità e mitigare il cambiamento climatico. Sforzi continui in questo settore garantiranno che siamo meglio attrezzati per proteggere e gestire questi importanti ecosistemi per il futuro.
Titolo: Sub-Meter Tree Height Mapping of California using Aerial Images and LiDAR-Informed U-Net Model
Estratto: Tree canopy height is one of the most important indicators of forest biomass, productivity, and species diversity, but it is challenging to measure accurately from the ground and from space. Here, we used a U-Net model adapted for regression to map the canopy height of all trees in the state of California with very high-resolution aerial imagery (60 cm) from the USDA-NAIP program. The U-Net model was trained using canopy height models computed from aerial LiDAR data as a reference, along with corresponding RGB-NIR NAIP images collected in 2020. We evaluated the performance of the deep-learning model using 42 independent 1 km$^2$ sites across various forest types and landscape variations in California. Our predictions of tree heights exhibited a mean error of 2.9 m and showed relatively low systematic bias across the entire range of tree heights present in California. In 2020, trees taller than 5 m covered ~ 19.3% of California. Our model successfully estimated canopy heights up to 50 m without saturation, outperforming existing canopy height products from global models. The approach we used allowed for the reconstruction of the three-dimensional structure of individual trees as observed from nadir-looking optical airborne imagery, suggesting a relatively robust estimation and mapping capability, even in the presence of image distortion. These findings demonstrate the potential of large-scale mapping and monitoring of tree height, as well as potential biomass estimation, using NAIP imagery.
Autori: Fabien H Wagner, Sophia Roberts, Alison L Ritz, Griffin Carter, Ricardo Dalagnol, Samuel Favrichon, Mayumi CM Hirye, Martin Brandt, Philipe Ciais, Sassan Saatchi
Ultimo aggiornamento: 2023-06-02 00:00:00
Lingua: English
URL di origine: https://arxiv.org/abs/2306.01936
Fonte PDF: https://arxiv.org/pdf/2306.01936
Licenza: https://creativecommons.org/licenses/by/4.0/
Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.
Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.
Link di riferimento
- https://tex.stackexchange.com/questions/138/what-are-underfull-hboxes-and-vboxes-and-how-can-i-get-rid-of-them
- https://www.sciencebase.gov/catalog/item/59fa9f5ae4b0531197affb17
- https://developers.google.com/earth-engine/datasets/catalog/USDA_NAIP_DOQQ
- https://apps.nationalmap.gov/downloader/
- https://data.neonscience.org/data-products/explore
- https://doi.org/10.5066/P9KZCM54
- https://doi.org/10.1016/j.isprsjprs.2018.09.006
- https://www.usgs.gov/the-national-map-data-delivery
- https://blogs.bing.com/maps/2022-01/New-and-updated-Building-Footprints
- https://github.com/Microsoft/USBuildingFootprints
- https://github.com/microsoft/USBuildingFootprints
- https://langnico.github.io/globalcanopyheight/
- https://glad.umd.edu/dataset/gedi
- https://registry.opendata.aws/dataforgood-fb-forests/
- https://registry.opendata.aws/dataforgood-fb-forests
- https://gis.pima.gov/data/contents/metadet.cfm?name=nlcd2019
- https://www.cs.toronto.edu/~tijmen/csc321/slides/lecture_slides_lec6.pdf
- https://www.frontiersin.org/articles/10.3389/ffgc.2022.957189/full
- https://en.wikipedia.org/wiki/Sequoiadendron_giganteum
- https://en.wikipedia.org/wiki/Sequoia_sempervirens
- https://ieeexplore.ieee.org/abstract/document/9740657
- https://lessrt.org/download-less/
- https://iopscience.iop.org/journals
- https://ctan.org/tex-archive/biblio/bibtex/contrib/iopart-num/
- https://www.ctan.org/tex-archive/macros/latex/contrib/harvard/
- https://www.ctan.org
- https://www.ctan.org/tex-archive/info/epslatex
- https://www.ctan.org/tex-archive/language/chinese/CJK/