CHMv2: Improvements in Global Canopy Height Mapping using DINOv3

📄 arXiv: 2603.06382v1 📥 PDF

作者: John Brandt, Seungeun Yi, Jamie Tolan, Xinyuan Li, Peter Potapov, Jessica Ertel, Justine Spore, Huy V. Vo, Michaël Ramamonjisoa, Patrick Labatut, Piotr Bojanowski, Camille Couprie

分类: cs.CV

发布日期: 2026-03-06

备注: Submitted to Nature Scientific Data

💡 一句话要点

CHMv2：利用DINOv3改进全球冠层高度图绘制，提升精度与细节

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 冠层高度图 DINOv3 深度估计 森林遥感 全球制图

📋 核心要点

  1. 精确的冠层高度信息对于量化森林碳储量至关重要，但高保真测量数据在全球范围内分布不均。
  2. CHMv2利用DINOv3构建深度估计模型，并使用大规模、地理多样化的ALS数据进行训练，从而提升冠层高度图的精度。
  3. 实验结果表明，CHMv2在精度、偏差和细节保留方面均优于现有产品，并在不同森林生物群落中表现出一致的性能。

📝 摘要（中文）

本文提出了CHMv2，一种全球米级分辨率的冠层高度图，它利用基于DINOv3的深度估计模型，并使用高分辨率光学卫星图像生成。该模型通过与机载激光扫描（ALS）冠层高度模型进行训练得到。与现有产品相比，CHMv2显著提高了精度，减少了高大森林中的偏差，并更好地保留了精细尺度的结构，如树冠边缘和间隙。这些改进得益于地理上多样化的训练数据的扩展、自动化的数据管理和配准，以及针对冠层高度分布量身定制的损失函数和数据采样策略。通过独立的ALS测试集以及数千万个GEDI和ICESat-2观测数据的验证，证明了CHMv2在主要森林生物群落中的一致性能。

🔬 方法详解

问题定义：现有全球冠层高度图产品精度不足，尤其是在高大森林区域存在偏差，且难以捕捉树冠边缘和间隙等精细结构。根本原因在于训练数据不足、数据处理方法不完善以及模型对冠层高度分布的适应性较差。

核心思路：利用自监督学习预训练的DINOv3模型提取图像特征，并将其用于深度估计，从而生成高精度的冠层高度图。通过扩大训练数据集的地理多样性，并采用针对冠层高度分布的损失函数和数据采样策略，提高模型对不同森林类型的适应性。

技术框架：CHMv2的构建流程主要包括以下几个阶段：1) 数据收集与预处理：收集高分辨率光学卫星图像和ALS冠层高度模型数据，进行地理配准和质量控制。2) 模型训练：使用DINOv3作为backbone，构建深度估计模型，并使用大规模ALS数据进行训练。3) 全球冠层高度图生成：将训练好的模型应用于全球范围内的卫星图像，生成米级分辨率的冠层高度图。4) 验证与评估：使用独立的ALS数据以及GEDI和ICESat-2观测数据对CHMv2进行验证和评估。

关键创新：CHMv2的关键创新在于：1) 大规模、地理多样化的训练数据集，覆盖了全球主要的森林生物群落。2) 自动化的数据管理和配准流程，提高了数据处理效率和质量。3) 针对冠层高度分布量身定制的损失函数和数据采样策略，提高了模型对不同森林类型的适应性。4) 利用DINOv3强大的特征提取能力，提升了深度估计的精度。

关键设计：CHMv2使用了DINOv3作为深度估计模型的backbone，并在此基础上进行微调。损失函数方面，采用了针对冠层高度分布的加权损失，以平衡不同高度范围内的误差。数据采样方面，采用了分层抽样策略，以确保训练数据在不同高度范围内具有足够的代表性。具体参数设置细节未知。

📊 实验亮点

CHMv2在精度、偏差和细节保留方面均优于现有产品。与现有产品相比，CHMv2在高大森林区域的偏差显著降低，并且能够更好地捕捉树冠边缘和间隙等精细结构。通过独立的ALS测试集以及数千万个GEDI和ICESat-2观测数据的验证，证明了CHMv2在主要森林生物群落中的一致性能。具体性能数据未知。

🎯 应用场景

CHMv2可广泛应用于森林碳储量评估、森林恢复和退化监测、栖息地结构评估等领域。它能够为全球森林管理和保护提供更准确、更可靠的数据支持，并有助于更好地理解森林生态系统的功能和变化。未来，CHMv2可以与其他遥感数据和地面调查数据相结合，进一步提升森林资源管理的智能化水平。

📄 摘要（原文）

Accurate canopy height information is essential for quantifying forest carbon, monitoring restoration and degradation, and assessing habitat structure, yet high-fidelity measurements from airborne laser scanning (ALS) remain unevenly available globally. Here we present CHMv2, a global, meter-resolution canopy height map derived from high-resolution optical satellite imagery using a depth-estimation model built on DINOv3 and trained against ALS canopy height models. Compared to existing products, CHMv2 substantially improves accuracy, reduces bias in tall forests, and better preserves fine-scale structure such as canopy edges and gaps. These gains are enabled by a large expansion of geographically diverse training data, automated data curation and registration, and a loss formulation and data sampling strategy tailored to canopy height distributions. We validate CHMv2 against independent ALS test sets and against tens of millions of GEDI and ICESat-2 observations, demonstrating consistent performance across major forest biomes.