Forest attributes mapping with SAR data in the romanian South-Eastern Carpathians requirements and outcomes
- Autores: Ignacio Borlaf Mena
- Directores de la Tesis: Mihai Tanase (dir. tes.), Ovidiu Badea (codir. tes.)
- Lectura: En la Universidad de Alcalá ( España ) en 2022
- Idioma: inglés
- Tribunal Calificador de la Tesis: Thuy Le Toan (presid.), Patricia Oliva Pavón (secret.), Alberto García Martin (voc.)
- Programa de doctorado: Programa de Doctorado en Tecnologías de la Información Geográfica por la Universidad de Alcalá
- Materias:
- Enlaces
- Resumen
- español
Esta tesis doctoral se centra en la estimación de variables forestales en la zona Sureste de los Cárpatos Rumanos a partir de imágenes de radar de apertura sintética. La investigación abarca parte del preprocesado de las imágenes, métodos de generación de mosaicos y la extracción de la cobertura de bosque, sus subtipos o su biomasa. La tesis se desarrolló en el Instituto Nacional de Investigación y Desarrollo Forestal Marín Dracea (INCDS) y la Universidad de Alcalá (UAH) gracias a varios proyectos: el proyecto EO-ROFORMON del INCDS (Prototyping an Earth-Observation based monitoring and forecasting system for the Romanian forests), y el proyecto EMAFOR de la UAH (Synthetic Aperture Radar (SAR) enabled Analysis Ready Data (ARD) cubes for efficient monitoring of agricultural and forested landscapes). El proyecto EO-ROFORMON fue financiado por la Autoridad Nacional para la Investigación Científica de Rumania y el Fondo Europeo de Desarrollo Regional. El proyecto EMAFOR fue financiado por la Comunidad Autónoma de Madrid (España).
El objetivo de esta tesis es el desarrollo de algoritmos para la extracción de variables forestales de uso general como la cobertura, el tipo o la biomasa del bosque a partir de imagen de radar de apertura sintética. Para alcanzar dicho propósito se analizaron posibles fuentes de sesgo sistemático que podrían aparecer en zonas de montaña (ej., normalización topográfica, generación de mosaicos), y se aplicaron técnicas de aprendizaje de máquina para tareas de clasificación y regresión. La tesis contiene ocho secciones: una introducción, cinco publicaciones en revistas o actas de congresos indexados, una pendiente de publicación (quinto capítulo) y las conclusiones.
La introducción contextualiza la importancia del bosque, cómo se recoge la información sobre su estado (ej., inventario forestal) y las iniciativas o marcos legislativos que requieren dicha información. A continuación, se describe cómo la teledetección puede complementar la información de inventario forestal, detallando el contexto histórico de las distintas tecnologías, su funcionamiento, y cómo pueden ser aplicadas para la extracción de información forestal. Por último, se describe la problemática y el monitoreo del bosque en Rumanía, detallando el objetivo de la tesis y su estructura.
El primer capítulo analiza la influencia del modelo digital de elevaciones (MDE) en la calidad de la normalización topográfica, analizando tres MDE globales (SRTM, AW3D y TanDEM-X DEM) y uno nacional (PNOA-LiDAR). Los experimentos se basan en la comparación entre órbitas, con un MDE de referencia, y la variación del acierto en la clasificación dependiendo del MDE empleado para la normalización. Los resultados muestran una menor diferencia ente órbitas al utilizar un MDE con una mejor resolución (ej. TanDEM-X, PNOA-LIDAR), especialmente en el caso de zonas con fuertes pendientes o formas del terreno complejas, como pueden ser los valles.
En zonas de alta montaña las imágenes de radar de apertura sintética (SAR) sufren frecuentes distorsiones. Estas distorsiones dependen de la geometría de adquisición, por lo que es posible combinar imágenes adquiridas desde varias órbitas para que la cobertura sea lo más completa posible. El segundo capítulo evalúa dos metodologías para la clasificación de usos del suelo utilizando datos de Sentinel-1 adquiridos desde varias órbitas. El primer método crea clasificaciones por órbita y las combina, mientras que el segundo genera un mosaico con datos de múltiples órbitas y lo clasifica. El acierto obtenido mediante combinación de clasificaciones es ligeramente mayor, mientras que la clasificación de mosaicos tiene importantes omisiones de las zonas boscosas debido a problemas en la normalización topográfica y a los efectos direccionales.
El tercer capítulo se enfoca en separar la cobertura forestal de otras coberturas del suelo (urbano, vegetación baja, agua) analizando la utilidad de las variables basadas en la coherencia interferométrica. En él se realizan tres clasificaciones de máquina vector-soporte basadas en un conjunto concreto de variables. El primer conjunto contiene las estadísticas anuales de la retrodispersión (media y desviación típica anual), el segundo añade la coherencia a largo plazo (separación temporal mayor a un año), el tercero incluye las estadísticas de la coherencia a corto plazo (mínima separación temporal). Utilizar variables basadas en la coherencia aumenta el acierto de la clasificación hasta un 5% y reduce los errores de omisión de la cobertura forestal. El cuarto capítulo evalúa la posibilidad de detectar talas selectivas utilizando datos de Sentinel-1 y Sentinel-2. Sus resultados muestran que la detección resulta muy difícil debido a la saturación de los sensores y la confusión introducida por el efecto de la fenología.
El quinto capítulo se centra en la clasificación de tipos de bosque basado en una serie temporal de datos Sentinel-1. Se basa en la creación de un conjunto de modelos que describen la relación entre la retrodispersión y el ángulo local de incidencia para un determinado tipo de bosque y fecha concreta. Para cada píxel se calcula el residuo respecto al modelo de cada uno de los tipos de bosque, acumulando dichos residuos a lo largo de la serie temporal. Hecho esto, cada píxel es asignado al tipo de bosque que acumula un menor residuo. Los resultados son prometedores, mostrando que frondosas y coníferas tienen un comportamiento distintivo, y que es posible separar ambos tipos de bosque con un alto grado de acierto.
El sexto capítulo está dedicado a la estimación de biomasa utilizando datos Sentinel-1, ALOS PALSAR y regresión Random Forest. Se obtiene un error similar para ambos sensores a pesar de utilizar una banda diferente (band-C vs. -L), con poca reducción en el error cuando ambas bandas se utilizan conjuntamente. Sin embargo, el ajuste de un estimador adaptado a las condiciones locales de Rumanía sí ofreció una reducción de del error al ser comparado con las estimaciones globales de biomasa.
- English
This doctoral thesis focuses on the estimation of forest variables in the Southeast area of the Romanian Carpathians using synthetic aperture radar images. The research covers image pre-processing and mosaicking methods as well as the extraction of the forest variables such as cover, type and above ground biomass. Research activities have been hosted by the Marin Dracea National Institute for Research and Development in Forestry (INCDS) and the university of Alcalá (UAH) thanks to several projects: the EO-ROFORMON project in the INCDS (Prototyping an Earth-Observation based monitoring and fore-casting system for the Romanian forests), and the EMAFOR project in the UAH (Synthetic Aperture Radar (SAR) enabled Analysis Ready Data (ARD) cubes for efficient monitoring of agricultural and forested landscapes). The EO-ROFORMON project was funded by the National Authority for Scientific Research of Romania and the European Regional Development Fund. The EMAFOR project was funded by the Autonomous Community of Madrid (Spain).
The objective of this thesis is the development of algorithms for the extraction of forest variables from synthetic aperture radar images. To this end, possible sources of systematic bias often encountered in mountain areas (e.g., topographic normalization, mosaic generation), were analyzed, and machine learning techniques were applied for classification and variable estimation tasks. The thesis contains eight sections: an introduction, six research chapters (five published and one pending publication) and the conclusions.
The introduction contextualizes the importance of the forest, how information on its status is collected (e.g., forest inventory) and the initiatives or legislative frameworks that require such information. Next, it is described how remote sensing can complement forest inventory information, detailing the historical context of the different technologies, their operation, and how they can be applied to extract forest information. Finally, forest monitoring activities in Romania are described, detailing the objective of the thesis and its structure.
The first chapter analyzes the influence of the digital elevation model (DEM) on the quality of topographic normalization, analyzing three global (SRTM, AW3D and TanDEM-X DEM) and one national (PNOA-LiDAR) DEMs. The experiments are based on the interorbit comparisons against a reference DEM and the classification accuracy depending on the DEM used for image normalization. The results show a smaller difference between orbits when using a DEM with a higher spatial resolution (e.g., TanDEM-X, PNOALIDAR), especially in areas with steep slopes or complex terrain forms, such as valleys. In mountainous areas, synthetic aperture radar (SAR) images are frequently distorted.
Distortions depend on the acquisition geometry, and thus, it is possible to combine images from several orbits so that the resulting spatial coverage is as complete as possible. To this end, the second chapter evaluates two methodsfor the classification of land uses using Sentinel-1 data acquired from different orbits. The first method creates by-orbit classifications and combines them, whereas the second generates a mosaic with data from different obits and classifies it. The accuracy obtained by combination of classifications is slightly higher, while the mosaic classification has important omissions of forested areas due to problems in topographic normalization and directional effects.
The third chapter focuses on separating forest cover from other land covers (urban, low vegetation, water) analyzing the usefulness of variables based on interferometric coherence. Three support vector machine classifications are compared each based on a specific set of variables. The first set contains the annual backscatter statistics (annual mean and standard deviation), the second adds the long-term coherence (time separation greater than one year), the third includes the short-term coherence statistics (minimum temporary separation). Using variables based on coherence increases the accuracy of the classification up to 5% and reduces errors of omission of forest cover. The fourth chapter evaluates the possibility of detecting selective logging using data from Sentinel1 and Sentinel-2. The results show detection is very difficult due to the saturation of the sensors and the confusion introduced by the effect of phenology.
The fifth chapter focuses on the classification of forest types based on a time series of Sentinel-1 data. It creates a set of models, each of them describing the relationship between backscattering and the local angle of incidence for a given type of forest and a specific date. For each pixel, the residual is calculated with respect to the model of each of the forest types. By accumulating residuals throughout the time series each pixel is assigned to the type of forest with the least accumulated residuals. The results are promising, showing that broadleaf and needleleaf forest have a distinct behavior, and that it is possible to separate both forest types with a high degree of accuracy.
The sixth chapter is dedicated to biomass estimation using Sentinel-1 data, ALOS PALSAR and Random Forest regression. A similar error is obtained for both sensors despite using a different band (band-C vs. -L), with little reduction in error when both bands were used together. The adjustment of an estimator adapted to the local conditions of Romania offers a reduction in the estimation error when compared with estimates of biomass generated at global level.
- español
