Country-Scale Mapping Of Forest Parameters Using Deep Learning And Tandem-X Insar Data
2024
Carcereri, Daniel | Rizzoli, Paola | Dell’amore, Luca | Bueso-Bello, Jose-Luis | Ienco, Dino | Bruzzone, Lorenzo | German Aerospace Center (DLR) | Università degli Studi di Trento = University of Trento (UNITN) | Observation de la terre et apprentissage machine pour les défis agro-environnementaux (EVERGREEN) ; Centre Inria d'Université Côte d'Azur ; Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Territoires, Environnement, Télédétection et Information Spatiale (UMR TETIS) ; Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-AgroParisTech-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-AgroParisTech-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE) | Territoires, Environnement, Télédétection et Information Spatiale (UMR TETIS) ; Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-AgroParisTech-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE) | Department of Information Engineering and Computer Science (DISI) ; Università degli Studi di Trento = University of Trento (UNITN)
International audience
Afficher plus [+] Moins [-]anglais. Highly accurate estimates of canopy height (CH) and above ground biomass (AGB) are key parameters for forest disturbance analysis, resource monitoring, and carbon flux analyses. In this work we present a deep learning-based approach for mapping CH and AGB on country-scales from single-baseline, single-polarization, single-pass TanDEM-X InSAR data. The proposed approach consists in a convolutional neural network (CNN), trained and validated on the five test-sites covered by the 2016 AfriSAR campaign. The resulting performance is in line or better than those of current state-of-the-art approaches. The framework is subsequently deployed on a large-scale to map the entire country of Gabon (in West Central Africa), showcasing the flexibility, scalability, and accuracy of our proposed approach for forest parameter estimation.
Afficher plus [+] Moins [-]Mots clés AGROVOC
Informations bibliographiques
Cette notice bibliographique a été fournie par Institut national de la recherche agronomique
Découvrez la collection de ce fournisseur de données dans AGRIS