GEE数据集——高分辨率全球树冠高度地图(1 米)Meta 公司

2024-05-12 16:12

本文主要是介绍GEE数据集——高分辨率全球树冠高度地图(1 米)Meta 公司,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

高分辨率 1 米全球树冠高度地图

简介

全球树冠高度地图数据集提供了对全球树冠高度的全面了解,有助于对森林生态系统、碳固存和气候变化减缓工作进行精确监测。该数据集由 Meta 和世界资源研究所合作开发,是了解森林结构和动态的基石。通过融合最先进的卫星图像和先进的人工智能技术,该数据集达到了无与伦比的详细程度。通过分析 2009 年至 2020 年的卫星图像,重点分析 2018 年至 2020 年的数据,该数据集提供了广泛的时间覆盖范围,可用于跟踪地球上整个陆地的冠层高度随时间的变化。利用 DiNOv2 等人工智能模型,该数据集可以精确预测树冠高度,平均绝对误差仅为 2.8 米,从而有助于准确评估碳储量和减缓战略的有效性。

此外,将该数据集纳入保护计划、碳信用监测和气候协议,也凸显了其在指导可持续森林管理实践、植树造林、重新造林工作和生物多样性保护方面的重要意义。该数据集可在 GitHub 上访问用于生成数据的人工智能模型,从而促进森林监测和碳封存方面的进一步研究和开发,为全球应对气候变化做出贡献。您可以点击这里阅读来自 meta 的博文和相关论文。

Using Artificial Intelligence to Map the Earth’s Forests - Meta Sustainability

摘要

绘制植被结构图对于了解全球碳循环以及监测基于自然的气候适应和减缓方法至关重要。通过对这些数据的重复测量,可以观察现有森林的砍伐或退化情况、森林的自然再生以及农林业等可持续农业实践的实施情况。高空间分辨率的树冠高度和树冠投影面积评估对于监测碳通量和评估基于树木的土地利用也很重要,因为森林结构在空间上可能高度异质,特别是在农林系统中。极高分辨率的卫星图像(地面采样距离小于一米)使提取树木层面的信息成为可能,同时还能进行大尺度监测。本文介绍了第一份同时为多个次国家辖区制作的高分辨率树冠高度图。具体来说,我们为加利福尼亚州和圣保罗州制作了非常高分辨率的树冠高度地图,与之前基于哨兵/GEDI 的全球树冠高度地图的十米(10 米)分辨率相比,分辨率有了显著提高。这些地图是通过在 2017 年至 2020 年的 Maxar 图像上训练的自监督模型中提取特征,并根据航空激光雷达地图训练密集预测解码器生成的。我们还引入了一个后处理步骤,使用在 GEDI 观测数据上训练的卷积网络。我们利用预留验证激光雷达数据以及与其他遥感地图和实地收集的数据进行比较,对所提出的地图进行了评估,发现我们的模型产生的平均绝对误差(MAE)为 2.8 米,平均误差(ME)为 0.6 米。

https://www.sciencedirect.com/science/article/pii/S003442572300439X

碳清除信用额度需要高分辨率和大比例尺的制图

Meta 已设定了在 2030 年实现其价值链净零排放的目标,这主要将通过减少企业排放来实现。Meta 将通过碳清除(包括一系列自然和技术方法)解决任何残余排放问题。以森林为基础的碳清除以及利用技术更好地监测、报告和验证碳固存是 Meta 碳清除战略的重要组成部分。

基于自然的碳清除(包括恢复)对实现《巴黎气候协定》目标所需的减排做出了重大贡献。受管理的林地已成为自愿碳市场碳信用额的主要来源,IPCC 认为森林管理是减缓气候变化影响的重要工具。要以减缓气候变化所需的规模管理森林,就必须在全球范围内改进对森林碳信用额的监测和核查,特别是通过提高森林结构数据的空间分辨率。重要的是,利用人工智能改进遥感数据既有助于缩小报告的土地使用排放量与测量的土地使用排放量之间的差距,又能对国际、国家、地方和企业范围内的保护和恢复项目进行监测。

人工智能和基础模型的突破速度不断加快,正在改变我们与周围世界互动的方式。近年来,通过遥感技术绘制森林地图在尺度、分辨率和刷新率(即 1 米灵敏度以及能够探测树冠高度的微小变化)方面都取得了快速进步。由于毁林事件通常发生在大片区域,因此可以使用分辨率相对较低的图像来监测毁林情况。此外,森林砍伐通常需要移除较大、较成熟的树木,这通常更容易在卫星图像中发现。相比之下,植树造林和重新造林项目对监测树木生长提出了更高的挑战,对幼树、稀疏树木(如农林业)或小项目区(如社区主导的工作)的监测需要在大面积区域内对单棵树木进行敏感度分析。

Meta 公司和世界资源研究所认为,实现人工智能的民主化可以成为一个重要工具,为减缓和适应气候变化提供资金并提高透明度。高分辨率地图的全球处理所需的计算规模和人工智能模型首次面世。我们在允许商业使用的许可下发布了数据和模型,使任何人都能在数据基础上进一步促进碳市场及其他保护和恢复应用中的问责制和透明度。

方法

为了在不断更新地球森林地图方面取得进展,我们今天与大家分享我们绘制的全球陆地树冠高度图1。该数据集创建了全球树冠高度基线,包括单棵树木和树冠开阔的森林。该数据集有助于对全球森林存量进行详细核算。我们的数据发现,地球上超过三分之一的陆地(5000 万平方公里)的树冠高度超过 1 米,3500 万平方公里的树冠高度超过 5 米。

数据集分析了 2009 年至 2020 年的最佳卫星图像。虽然云层和季节性对分析的图像日期造成了限制,但 80% 的数据是用 2018 年至 2020 年的图像生成的。该基准线可作为碳信用监测和验证方案中实地碳测量的补充参考。当有更新的图像时,可使用公开共享的模型来检测冠层高度的变化。

为了在合理使用资源的情况下绘制地图,我们需要同时实现全球稳健模型和快速推理。为此,我们利用了基于 Meta Research 人工智能研究所开发的 DiNOv2 方法的先进模型。该模型在全球 1800 万张卫星图像(Maxar Technologies 提供的 0.5 米自然彩色图像)上进行了训练,图像像素超过万亿。通过该人工智能模型,我们可以预测特定区域的树冠高度,平均绝对误差仅为 2.8 米,从而实现对单棵树木的检测和测量。为了扩大人工智能模型的适用范围,我们建立了该模型,当重新采样到相同的 0.5 米分辨率和类似的色彩平衡时,可以同时使用航空和无人机图像。有关模型和性能的详细信息,请参阅我们最近发表的同行评审论文。

我们利用强大的自我监督学习(SSL)方法,获得了全球一致的高分辨率对地观测基础模型。这包括完全通过未标记的卫星图像来训练 DINOv2 模型。这种方法可教会人工智能模型提取一般图像特征,而无需昂贵且耗时的标签。SSL 架构提供了视觉感知的支柱,可用于推断任何类型的特征。在我们的应用中,我们利用美国激光雷达地面实况数据(NEON 数据集)的适度样本,在 SSL 架构之上训练树冠高度预测器。

DINOv2 已证明是一个非常有效的基础模型,可用于各种下游任务。例如,仅在自然图像上训练的主干模型在深度估计和绘画等艺术图像的部分匹配方面显示出很强的通用性。同样,我们希望我们发布的全球地球基础模型也能用于树冠高度估算以外的其他下游任务,如树木检测和分割。

四个不同大洲的树冠高度图示例。左图为卫星图像(来自 Maxar Technologies),中图为预测的树冠高度,右图中的红点表示进行分析的地点。该模型在全球不同生态系统中具有良好的通用性 

树冠高度图可以作为提取地面生物量的起点,并为保护和恢复项目建立基线。世界资源研究所为 AFR100 管理 TerraFund

这篇关于GEE数据集——高分辨率全球树冠高度地图(1 米)Meta 公司的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/983100

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题:墙体两侧特征混淆误匹配,导致建图和定位偏差,表现为过门跳变、外月台走歪等 ·解决思路:预期的根治方案IGICP需要较长时间完成上线,先使用切分地图的工程化方案,即墙体两侧切分为不同地图,在某一侧只使用该侧地图进行定位 方案思路 切分原理:切分地图基于关键帧位置,而非点云。 理论基础:光照是直线的,一帧点云必定只能照射到墙的一侧,无法同时照到两侧实践考虑:关

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

高效+灵活,万博智云全球发布AWS无代理跨云容灾方案!

摘要 近日,万博智云推出了基于AWS的无代理跨云容灾解决方案,并与拉丁美洲,中东,亚洲的合作伙伴面向全球开展了联合发布。这一方案以AWS应用环境为基础,将HyperBDR平台的高效、灵活和成本效益优势与无代理功能相结合,为全球企业带来实现了更便捷、经济的数据保护。 一、全球联合发布 9月2日,万博智云CEO Michael Wong在线上平台发布AWS无代理跨云容灾解决方案的阐述视频,介绍了

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X