用于高分辨率树高估计的 3D-SAR 层析成像与机器学习
计算机视觉与模式识别
2024-09-10 v1 人工智能
摘要
准确估计森林生物量对全球碳循环建模和缓解气候变化至关重要。树高是生物量计算中的一个关键因素，可以使用合成孔径雷达（Synthetic Aperture Radar, SAR）技术进行测量。本研究应用机器学习从两种 SAR 产品中提取森林高度数据：单视复（Single Look Complex, SLC）图像和层析立方体，以为 ESA Biomass 卫星任务做准备。我们使用包含来自德国埃菲尔国家公园的 SAR 和 LiDAR 数据的 TomoSense 数据集，来开发和评估高度估计模型。我们的方法包括经典方法、使用 3D U-Net 的深度学习以及贝叶斯优化技术。通过测试各种 SAR 频率和极化方式，我们为未来的高度和生物量建模建立了基线。表现最佳的模型对约 30m 的树冠预测的森林高度平均绝对误差在 2.82m 以内，提升了我们测量全球碳储量和支持气候行动的能力。
引用
@article{arxiv.2409.05636,
title = {3D-SAR Tomography and Machine Learning for High-Resolution Tree Height Estimation},
author = {Grace Colverd and Jumpei Takami and Laura Schade and Karol Bot and Joseph A. Gallego-Mejia},
journal= {arXiv preprint arXiv:2409.05636},
year = {2024}
}