一种基于多极化多基线SAR数据的高效森林高度估计机器学习框架
计算机视觉与模式识别
2025-07-29 v1
摘要
精确的森林高度估计对于气候变化监测和碳循环评估至关重要。合成孔径雷达（SAR），特别是多通道配置，长期以来通过基于模型的技术为三维森林结构重建提供了支持。最近，使用机器学习（ML）和深度学习（DL）的数据驱动方法为森林参数反演带来了新的机遇。本文介绍了FGump，一个通过梯度提升进行森林高度估计的框架，该框架使用多通道SAR处理，并以LiDAR剖面作为地面真值（GT）。与需要大型数据集和复杂架构的典型ML和DL方法不同，FGump使用有限的手工设计特征，避免了繁重的预处理（例如，校准和/或量化），从而在精度和计算效率之间取得了良好的平衡。在分类和回归两种范式下进行评估，结果表明，回归公式能够实现细粒度的连续估计，并通过产生更精确的测量值（无需四舍五入）避免了量化伪影。实验结果证实，FGump优于最先进的（SOTA）基于AI的方法和经典方法，在我们的结果中展示了更高的精度以及显著更低的训练和推理时间。
引用
@article{arxiv.2507.20798,
title = {An Efficient Machine Learning Framework for Forest Height Estimation from Multi-Polarimetric Multi-Baseline SAR data},
author = {Francesca Razzano and Wenyu Yang and Sergio Vitale and Giampaolo Ferraioli and Silvia Liberata Ullo and Gilda Schirinzi},
journal= {arXiv preprint arXiv:2507.20798},
year = {2025}
}
备注
13 pages, 12 figures, This paper has been submitted to IEEE TGRS. At the moment is under review