基于深度学习与L波段干涉合成孔径雷达时间序列的北西班牙高分辨率森林高度反演

《Science of Remote Sensing》:High-resolution forest height retrieval from L-band interferometric SAR time series using deep learning over Northern Spain

【字体: 大 中 小 】 时间:2026年07月06日 来源:Science of Remote Sensing 7.1

编辑推荐:

  本研究探究了利用L波段干涉合成孔径雷达(Interferometric Synthetic Aperture Radar, InSAR)时间序列结合物理信息引导的特征级深度学习框架进行高分辨率森林高度反演的方法。研究人员将半经验模型的参数反演与深度学习的回归建

  
本研究探究了利用L波段干涉合成孔径雷达(Interferometric Synthetic Aperture Radar, InSAR)时间序列结合物理信息引导的特征级深度学习框架进行高分辨率森林高度反演的方法。研究人员将半经验模型的参数反演与深度学习的回归建模相结合。研究基于九景ALOS-2 PALSAR-2双极化合成孔径雷达影像,这些影像在西班牙北部阿斯图里亚斯研究区以近零空间基线条件获取。参考数据通过机载激光扫描(Airborne Laser Scanning, ALS)采集。研究人员检验了多种U-Net家族模型在不同极化干涉特征组合下的性能,包括基础U-Net、融入挤压激发模块的注意力增强U-Net(Squeeze-and-Excitation U-Net, SeU-Net)以及具有密集跳跃连接路径的嵌套U-Net(Nested U-Net)。研究特征涵盖双极化干涉观测量及基于半经验模型衍生的参数。结果表明,相较于仅使用后向散射强度,增加基于模型的InSAR特征或干涉相干性图层可提升反演精度;注意力机制与嵌套连接融合的使用较基础U-Net或传统机器学习方法能产生更优的预测结果。仅在20 m分辨率下使用强度数据时,森林高度反演精度为3.1–3.6 m(R2 = 0.43–0.58),而纳入干涉相干性与几何特征后精度提升至2.6 m(R2 = 0.70)。在40 m和60 m分辨率下,反演性能进一步提升,主要源于强度与干涉图层中更高的信噪比(Signal-to-Noise Ratio, SNR)。在40 m分辨率下使用全部适宜输入特征时,取得的误差为1.96 m。研究人员推荐将该方法应用于L波段合成孔径雷达森林高度反演,同时适用于NISAR及未来ROSE-L任务。
**研究背景与问题**

森林在维持地球生态系统健康与生物多样性方面具有不可替代的作用,同时因其快速恢复碳汇的能力而成为应对气候变化的关键要素。这种生态与气候重要性使森林成为国际环境政策的核心,亟需准确、及时、可靠的大尺度森林监测方法。当前,森林碳储量及其变化常通过结构森林变量的手工清查进行估算,但该过程劳动密集且在空间和时间覆盖上存在局限。地球观测(Earth Observation, EO)传感器可提供连续覆盖和规律性观测,有助于克服地面评估的空间与时间限制。

在EO数据源中,多参数卫星光学与合成孔径雷达影像是森林监测的关键信息来源。光学传感器虽能提供植被物候与健康信息,但其应用常受云覆盖和大气条件限制。相比之下,SAR观测不受日照限制且仅受云和水汽的轻微影响,可实现跨区域和季节的一致性监测。雷达信号与观测散射体之间的相互作用受散射体几何与介电特性强烈影响,使SAR对森林高度、蓄积量和地上生物量(Above-Ground Biomass, AGB)等关键植被特征尤为敏感。

现有研究表明,SAR后向散射系数与干涉测量均与森林变量存在显著相关性。由于L波段较更短波长具有更强的穿透能力,L波段时间序列在估计森林变量方面尤为有效,目前被视为SAR森林结构反演的最适选择。然而,现有报告的反演精度表明仍需进一步提升以实现更准确可靠的估算。将深度学习技术融入基于EO的林业研究,结合NISAR等新遥感任务提供的先进成像能力,有望推动方法学进步。

**研究目标**

本研究的总体目标是开发和评估一种稳健的方法论,以利用以时间失相干为主导的干涉L波段数据时间序列最大化森林高度预测精度,从而支持林业运营实践并为NISAR任务数据的接入做准备。具体目标包括:评估先进深度学习架构(嵌套和注意力增强U-Net变体)从多时期PALSAR-2干涉数据进行定量森林高度反演的潜力;开发融合极化观测量和基于物理参数的物理信息U-Net方法;量化不同SAR观测量对U-Net框架中森林高度反演的贡献;检验空间分辨率和干涉数据处理对模型精度与空间保真度的影响。

**关键技术方法**

研究区位于西班牙北部阿斯图里亚斯公国,属温带阔叶林和混交林生物群落,地形复杂,海拔100–2500 m。研究使用的SAR数据集为2020年6月至9月间以14天间隔获取的9景双极化(HH, HV) ALOS-2单视复数影像,采用精细波束双极化模式沿升轨获取,当地采集时间约为午夜,离为天底角28°。SAR数据处理采用喷气推进实验室的ISCE3软件进行,包括正射校正、辐射归一化生成γ0后向散射时间序列,以及干涉处理生成36对相干图。为获得更稳健的估计,相同时间基线的相干图通过像素级中值聚合。

模型衍生特征方面,基于Sica等人提出的指数衰减模型拟合得到时间衰减率ρ和长期相干性γ∞两个参数。参考树高数据来自西班牙植被类别归一化数字表面模型(MDSnV),源自2015–2021年第二次国家激光雷达覆盖,原始空间分辨率2.5 m,研究区数据采集于2020年。

深度学习框架采用U-Net家族三种架构:基础U-Net、嵌套U-Net(引入密集跳跃连接改善多尺度特征融合与梯度传播)和SeU-Net(融入挤压激发模块实现通道级特征自适应重校准)。输入特征包括HH和HV极化的中值后向散射系数、14–112天基线的HV和HH时间相干性中值序列、模型衍生参数ρ和γ∞、当地入射角及30 m分辨率的哥白尼数字高程模型(Digital Elevation Model, DEM)。

研究采用5折交叉验证策略,将研究区划分为128×128像元(2.56×2.56 km)的图像块。模型以掩膜均方误差为损失函数,使用Adam优化器和OneCycleLR学习率调度器,训练50个轮次,批次大小16,权重衰减因子10?4。评价指标包括平均误差(Mean Error, ME)、均方根误差(Root Mean Square Error, RMSE)、相对均方根误差(relative RMSE, rRMSE)和决定系数R2。

**研究结果**

**SAR后向散射数据单独使用**:当仅使用SAR后向散射强度(σ0)时,模型取得中等预测性能,RMSE介于3.1–3.6 m,R2为0.43–0.58。嵌套U-Net和SeU-Net精度相当,均优于基础U-Net。双极化(HH, HV)输入较单极化有明确性能提升。这一中等精度符合预期,因L波段后向散射虽对木质植被敏感,但也受林下散射、树干-地面二次散射、土壤湿度和观测几何影响,且与高度关系非线性并在高密度高生物量或高大森林中趋于饱和。

**强度与相干性数据联合使用**:加入时间相干性(γ)后预测精度提升,RMSE降至约2.9–3.2 m,R2增至0.56–0.64。嵌套U-Net表现最为一致,其嵌套跳跃连接增强了幅度与相干性输入的多尺度空间和时间特征融合。SeU-Net预测精度相似,表明SE模块的空间注意力机制补充了相干性中蕴含的时间信息。14天相干性单独作为输入特征时精度相对较低, likely源于未补偿的相干性估计偏差及相干性测量的高空间变异性。

**纳入附加变量**:加入基于InSAR相干性的反演参数ρ和γ∞后,性能与使用完整时间相干性堆栈相当,表明深度学习模型能够直接从时间相干性序列学习潜在物理关系,且ρ和γ∞是描述时间相干性对森林结构敏感性的有意义描述符。加入入射角和DEM图层后模型性能进一步提升,RMSE最低达2.6–2.9 m,R2最高达0.70。

**多分辨率对比**:20 m、40 m和60 m分辨率的性能对比表明,所有模型在不同尺度上保持稳定精度,较粗尺度单元上预测精度提高。20 m至60 m的分辨率转换使R2平均增加约0.1,RMSE降低约0.5–0.8 m。40 m分辨率时,最佳深度学习模型RMSE低至1.96–2.05 m,R2达0.77–0.79。这一改善源于较大尺度单元增加了等效视数(Equivalent Number of Looks, ENL)和信噪比,提供更可靠的相干性估计。40 m分辨率被视为空间细节与预测稳定性之间的最佳平衡。

**与基线机器学习方法的对比**:传统机器学习方法中,随机森林(Random Forest, RF)和k近邻(k-Nearest Neighbors, kNN)总体优于多元线性回归(Multiple Linear Regression, MLR),但U-Net家族模型在各分辨率上均超越这些方法0.3–0.5 m。U-Net架构通过卷积滤波和编码器-解码器表示学习多尺度邻域模式,能够利用空间上下文,而RF、MLR和kNN主要在像素级别操作。

**与先前文献的对比**:基于空间L波段时间序列的模型方法通常报告4–6 m的RMSE。本研究的深度学习模型,特别是SeU-Net和嵌套U-Net变体,取得了较基于物理模型和传统机器学习方法更低的RMSE值,证实了所提出深度学习框架用于PALSAR-2时间序列树高估计的潜力。

**研究局限性与模型适用性**:该方法适用于具有相似天气和季节条件下、有代表性ALS参考数据的区域森林高度反演。相邻具有可比森林组成的区域可预期类似性能,但偏远地区或不同森林生物群落的应用需要大量模型微调。

**结论与展望**

本研究提出了一个利用L波段ALOS-2 PALSAR-2干涉时间序列估算树高的深度学习框架,将基于模型的参数作为输入特征纳入。三种U-Net家族模型(U-Net、嵌套U-Net和SeU-Net)被用于评估架构设计对反演精度的影响。嵌套跳跃连接以及通道级重校准较基础U-Net显著提升了性能。嵌套U-Net和SeU-Net取得相当精度,前者在20 m分辨率下预测最佳,后者在40 m分辨率下提供最佳整体结果。

通过检验多种SAR和InSAR输入数据组合,研究表明整合时间 inhibit 时间与后向散射显著降低了估计误差,在利用完整时间相干性堆栈时取得最佳结果。使用模型衍生参数ρ和γ∞可获得相似精度,证明这些特征有效捕捉了相干性对森林结构的时空敏感性,同时降低了输入维度。纳入入射角和DEM等几何图层进一步提升了性能。20 m分辨率下使用完整特征堆栈的最佳精度RMSE约为2.8 m。

跨尺度对比显示40 m和60 m具有更高的估计精度,40 m分辨率时RMSE达1.96 m。所达到精度优于近期基于模型和传统机器学习方法报告的结果,确认了深度学习用于SAR森林结构反演的强大潜力。

研究结果提示了几个未来SAR森林结构反演研究的可能方向。NISAR及后续ROSE-L等新型L波段任务将为扩展所提出方法至更广区域和多种森林生物群落创造机会。关键挑战在于开发可转移模型,使其在不同森林结构、环境条件、成像几何和参考数据可用性下保持稳健。来自光学传感器、C波段SAR影像和星载激光雷达的补充观测可能进一步提升反演精度。此外,应更加强调模型可解释性,包括可解释人工智能和将物理信息分析与约束融入学习特征表示,以更好连接深度学习预测与雷达散射理论及时间失相干机制。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号