基于深度学习的树木高度估计——基于 tomographic SAR 重建
计算机视觉与模式识别
2024-12-04 v2
摘要
树木高度估计是生态和林业应用中用于生物量估计的重要指标。虽然传统方法如摄影测量和激光扫描（LiDAR）提供了准确的高度测量，但其在全球范围内的应用往往成本高昂且在实际操作中具有挑战性。相比之下，遥感技术，特别是从合成孔径雷达（SAR）图像进行 3D 断层重建，为全球高度估计提供了可扩展的解决方案。SAR 图像因能在所有天气条件下工作且不受云层遮蔽而被用于地球观测。本研究使用深度学习方法直接从 2D 单目复合（Single Look Complex, SLC）图像估计森林冠层高度，这是 SAR 的一种衍生产品。我们的方法尝试绕过传统的 tomographic 信号处理，从而可能缩短从 SAR 捕获到最终产品之间的延迟。我们还量化了不同 SLC 图像数量对高度估计精度的影响，以此为未来的卫星运营和优化数据收集策略提供指导。与结合深度学习的完整 tomographic 处理相比，我们的最小方法（部分处理 + 深度学习）的误差高出 16-21%，凸显了几何信号处理的持久相关性。
引用
@article{arxiv.2412.00903,
title = {Tomographic SAR Reconstruction for Forest Height Estimation},
author = {Grace Colverd and Jumpei Takami and Laura Schade and Karol Bot and Joseph A. Gallego-Mejia},
journal= {arXiv preprint arXiv:2412.00903},
year = {2024}
}