Tomographic SAR Reconstruction for Forest Height Estimation

要約

樹木の高さ推定は、生態学的および林業的用途において、バイオマス推定の重要な代用品として機能する。写真測量やLight Detection and Ranging (LiDAR)のような伝統的な手法は正確な高さ計測を提供しますが、地球規模での適用はしばしばコスト高となり、論理的にも困難です。対照的に、リモートセンシング技術、特に合成開口レーダー（SAR）画像からの3Dトモグラフィ再構成は、地球規模の高さ推定にスケーラブルなソリューションを提供します。合成開口レーダー（SAR）画像は、雲に邪魔されることなく全天候で利用できるため、地球観測の文脈で利用されてきた。本研究では、ディープラーニングを用いて、SARの派生画像である2Dシングルルックコンプレックス（SLC）画像から直接森林キャノピーの高さを推定する。我々の方法は、従来のトモグラフィ信号処理をバイパスし、SARキャプチャから最終製品までの待ち時間を短縮する可能性がある。また、SLC画像の枚数が高さ推定精度に与える影響を定量化し、将来の衛星運用やデータ収集戦略の最適化に役立てます。ディープラーニングと組み合わせた完全なトモグラフィ処理と比較すると、我々の最小限の方法（部分的処理＋ディープラーニング）は、誤差が16-21％高く、不十分であり、幾何学的信号処理の継続的な関連性を強調している。

要約(オリジナル)

Tree height estimation serves as an important proxy for biomass estimation in ecological and forestry applications. While traditional methods such as photogrammetry and Light Detection and Ranging (LiDAR) offer accurate height measurements, their application on a global scale is often cost-prohibitive and logistically challenging. In contrast, remote sensing techniques, particularly 3D tomographic reconstruction from Synthetic Aperture Radar (SAR) imagery, provide a scalable solution for global height estimation. SAR images have been used in earth observation contexts due to their ability to work in all weathers, unobscured by clouds. In this study, we use deep learning to estimate forest canopy height directly from 2D Single Look Complex (SLC) images, a derivative of SAR. Our method attempts to bypass traditional tomographic signal processing, potentially reducing latency from SAR capture to end product. We also quantify the impact of varying numbers of SLC images on height estimation accuracy, aiming to inform future satellite operations and optimize data collection strategies. Compared to full tomographic processing combined with deep learning, our minimal method (partial processing + deep learning) falls short, with an error 16-21\% higher, highlighting the continuing relevance of geometric signal processing.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL