陆地生态系统在很大程度上是由其木本植物决定的。
草地、灌木丛、草原、林地和森林代表了一系列树木和灌木密度的梯度，从低密度、低矮的木本植物的生态系统到那些有较高树木和重叠树冠的系统。
因此，关于生态系统的木本植物构造的准确信息对付我们理解环球规模的生态学、生物地理学以及碳、水和其他营养物质的生物地球化学循环是至关主要的。

大多数卫星数据的空间分辨率相对较粗，单个图像像素常日对应于地面上大于100平方米的区域，而且每每大于1平方公里。
这种限定迫使地球不雅观测领域的研究职员把重点放在一些比较粗粒的属性上，比如树冠覆盖的景不雅观比例（被称为树冠覆盖）。

然而，在过去的二十年里，各种商业卫星已经开始以更高的空间分辨率网络数据，能够捕捉到一平方米以下的地面物体。
这种分辨率的提高使陆地遥感领域处于一个根本性的飞跃阶段：从专注于总体景不雅观规模的丈量，到有可能在大区域或环球范围内绘制每棵树的位置和树冠大小。
这场不雅观测能力的革命无疑将推动我们对环球陆地生态系统的思考、监测、建模和管理发生根本性变革。

该研究对陆地遥感的这种转变进行了惊人的展示。
作者剖析了11000多张空间分辨率为0.5米的图像，以识别树冠直径为2米以上的单个树木和灌木。
作者利用人工智能完成了这项巨大的任务——利用一种涉及所谓完备卷积神经网络（fully convolutional neural networks）的打算方法。

这种深度学习方法旨在根据物体（在这种情形下，树冠）在较大图像中的特色形状和颜色来识别它们。
卷积网络依赖于演习数据的可用性，在本研究中，演习数据包括卫星图像，但个中树木和灌木树冠的可见轮廓是先须要进行人工标注的。
通过利用这些人工标注的样本进行演习，打算机学会了如何在其他图像中高精度地识别单个树冠，从而能够对全体毛里塔尼亚南部、塞内加尔和马里西南部的所有直径大于2米的树木进行了连续绘制。

当然，如果要将这一基于遥感影像和深度学习的研究方法扩展到环球，可能还存在一些把稳事变和局限性。
由于图像空间分辨率的限定，在冠层直径为2米以下时，冠层探测的成功率急剧低落。
只管我们可以期待卫星图像空间分辨率的进一步提高，但探究在不同地区须要什么样的最小树冠尺寸来描述木本植物群落的特色就变得很故意义。

对付环球树冠舆图，如果我们假设与大数据量干系的打算和存储寻衅可以被战胜，那么最大的障碍将在于开拓高效的树冠自动分类和划定方法。
Brandt及其同事的深度学习方法须要输入大约90,000个人工数字化的演习点。
这种方法对付环球规模的事情来说是行不通的，从卫星图像中提取信息的更加自动化（无监督）的方法将是必要的。

一个干系的问题是区分可能看起来像一个大树冠和相邻的、不同个体树木重叠的树冠的能力。
为了改进树冠的分离，Brandt等人在演习他们的卷积神经网络时利用了一个加权方案，但仍旧诉诸于一个 \"大众树冠丛（canopy clump）\公众的分类来描述超过200平方米的聚拢的树冠区域，这表明分离方法并不总是有效。
对付在湿润地区的运用，林地和森林中重叠的树冠很常见，树冠的划分和分离方法将须要完善和自动化，以便在环球范围内可行。

然而，更具寻衅性的是树种的识别。
只管根据树冠的颜色、形状和质地是可行的，但在区域和环球范围内以及在生物多样性的生态系统中，这将是特殊棘手的问题。
在一段韶光内，按树种绘制单个树冠图可能仍旧是地球不雅观测研究界的紧张任务。

在未来的几年里，随着一系列来源的数据——包括光探测和测距（激光雷达）、雷达和高分辨率可见光和近红外传感器——变得更加随意马虎得到，遥感无疑将供应关于植被构造的前所未有的细节。
卫星供应的关于树冠大小和密度的高分辨率数据可有助于森林和林地的清查和管理、毁林监测以及对生物质、木材、薪材和树木作物中的碳固存进行评估。