Meta与世界资源研究所发布Canopy Height Maps v2，利用DINOv3自监督视觉模型和卫星影像估算全球树冠高度。官方数据称模型与真实测量的拟合指标明显提升，并减少对高大树木的偏差。开放模型和地图可服务森林恢复、碳储量、生物多样性和城市降温，但卫星预测仍需地面数据校准。
模型如何看见树高
模型从卫星影像中的阴影、纹理、冠层形状和环境关系学习特征，再与激光雷达等真实高度样本匹配。自监督预训练减少了对海量人工标签的依赖。
太阳角度、云、季节、坡度和影像时间都会影响预测。地图上的单个像素不应被当成绝对测量值。
可以解决哪些问题
长期地图可帮助识别森林退化和恢复，估算结构变化，并为碳与生物多样性项目提供筛选信息。城市可以寻找缺少树荫和热风险较高的区域。
它适合确定调查优先级，不适合在没有地面核验时直接决定补偿、执法或土地权属。高影响决策需要多源证据。
数据稀疏地区的偏差
训练样本在不同国家和生态区分布不均，热带、山地、干旱区和混合城市景观可能表现不同。同一片森林在不同季节、太阳高度和云量下也会呈现差异。
使用者应查看模型适用说明和置信度，并用本地样地、无人机或激光雷达抽样校准。发现系统性偏差后不能只做平均修正，而应分生态区重新评价，并把误差范围一同交给决策人员。
怎样建设监测流程
固定影像时间窗、坐标系统和版本，保存原始数据与处理参数。按季度或年度比较时确保传感器和算法一致。
异常变化先人工查看影像，再安排现场调查。公开报告要说明分辨率、不确定性和不能回答的问题。
落地操作清单
- 确定森林、城市树冠或恢复监测目标。
- 下载匹配区域和时间的模型地图。
- 用本地地面或激光雷达样本校准。
- 统一坐标、时间和模型版本后比较变化。
- 高影响决策必须现场核验并披露不确定性。
总结
CHMv2把全球森林结构变得更可测量，但地图不是地面事实的替代品。开放视觉模型与本地调查结合，才能支持可信的气候和土地管理。
参考资料：官方发布与技术资料。本文依据公开资料重新创作，并补充实际部署、验证和安全建议。
