利用机器学习技术基于 Sentinel-1 SAR 数据估算温带森林光学植被指数与生物物理变量:以捷克为例
摘要
当前用于监测森林生态系统的光学植被指数(VIs)已较为成熟并广泛应用于各类场景,但会受到云等大气效应的限制。相比之下,合成孔径雷达(SAR)数据因信号可穿透云层且能昼夜成像,可提供具有完整时间序列(TS)的深入且系统的森林监测。本研究旨在利用 SAR 数据作为替代手段,通过机器学习(ML)估算森林的光学 VIs,以克服光学卫星数据的局限。尽管该方法较为间接且可能仅借助 ML 的能力才可行,但它引出了一个科学问题:即 SAR 信号中是否包含足以准确估算 VIs 的相关信息。本工作涵盖利用多时相 Sentinel-1 SAR 及辅助数据估算四个 VIs(LAI、FAPAR、EVI 和 NDVI)的 TS。研究聚焦于捷克 2021 年健康与受扰动温带森林区域,地面真值标签由 Sentinel-2 多光谱数据生成。这在 Google Earth Engine (GEE) 中构建配对多模态 TS 数据集得以实现,该数据集包含时空对齐的 Sentinel-1、Sentinel-2、DEM、气象与土地覆盖数据。纳入 DEM 衍生的辅助特征及额外气象信息进一步改善了结果。在 ML 模型对比中,传统 ML 算法 RFR 与 XGBoost 在所有 VIs 上略优于 AutoML 方法 auto-sklearn,取得了高准确度( 介于 70-86%)与低误差(MAE 为 0.055-0.29)。总体而言,利用估算的基于 SAR 的 VIs 可实现每年最多 240 次观测及 20 m 空间分辨率的高精度结果。基于 SAR 的 VI 的一大优势是能够以亚周时间精度检测突发的森林变化。
引用
@article{arxiv.2311.07537,
title = {Estimating optical vegetation indices and biophysical variables for temperate forests with Sentinel-1 SAR data using machine learning techniques: A case study for Czechia},
author = {Daniel Paluba and Bertrand Le Saux and Přemysl Stych},
journal= {arXiv preprint arXiv:2311.07537},
year = {2025}
}
备注
Revised version of the preprint, based on comments from the reviewers. Full research article. 23 pages, 10 figures, 7 tables