3D-SAR Tomography and Machine Learning for High-Resolution Tree Height Estimation

要約

森林バイオマスを正確に推定することは、地球規模の炭素循環モデリングと気候変動の緩和にとって非常に重要です。
バイオマス計算における重要な要素である樹高は、合成開口レーダー (SAR) 技術を使用して測定できます。
この研究では、ESA バイオマス衛星ミッションに備えて、機械学習を適用して 2 つの SAR 製品、シングル ルック コンプレックス (SLC) 画像と断層撮影キューブから森林高さデータを抽出します。
私たちは、ドイツのアイフェル国立公園からの SAR および LiDAR データを含む TomSense データセットを使用して、高さ推定モデルを開発および評価します。
私たちのアプローチには、古典的な手法、3D U-Net による深層学習、ベイズ最適化手法が含まれています。
さまざまな SAR 周波数と偏光測定をテストすることで、将来の高度とバイオマスのモデリングのベースラインを確立します。
最もパフォーマンスの高いモデルは、樹冠約 30 メートルに対する森林の高さの平均絶対誤差が 2.82 メートル以内であると予測しており、地球規模の炭素貯蔵量を測定し、気候変動対策をサポートする能力を向上させています。

要約(オリジナル)

Accurately estimating forest biomass is crucial for global carbon cycle modelling and climate change mitigation. Tree height, a key factor in biomass calculations, can be measured using Synthetic Aperture Radar (SAR) technology. This study applies machine learning to extract forest height data from two SAR products: Single Look Complex (SLC) images and tomographic cubes, in preparation for the ESA Biomass Satellite mission. We use the TomoSense dataset, containing SAR and LiDAR data from Germany’s Eifel National Park, to develop and evaluate height estimation models. Our approach includes classical methods, deep learning with a 3D U-Net, and Bayesian-optimized techniques. By testing various SAR frequencies and polarimetries, we establish a baseline for future height and biomass modelling. Best-performing models predict forest height to be within 2.82m mean absolute error for canopies around 30m, advancing our ability to measure global carbon stocks and support climate action.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google