Predicting Growing Stock Volume of Boreal Forests Using Very Long Time Series of Sentinel-1 Data

Shaojia Ge, Erkki Tomppo, Yrjo Rauste, Weimin Su, Hong Gu, Jaan Praks, Oleg Antropov

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

Abstrakti

In this study, we assess the potential of long time series of Sentinel-1 SAR data in forest growing stock volume (GSV) estimation. The study site with 17,762 forest stands is located near the Hyytiälä forestry field station in Finland and represents the boreal coniferous forest. Altogether 96 images spanning more than three years of observations have been studied using linear and random forest regression approaches. Our analysis demonstrates considerable decrease in the prediction errors of GSV as the the number of input scenes increases. The use of feature extraction and dimensionality reduction techniques allows to achieve to nearly optimal performance already with 10 scenes. While the GSV prediction errors using individual Sentinel-1 scenes varied considerably from 86 to 93 m3/ha, the prediction accuracy with combined scenes improved to 76 m3/ha (44.9%) RMSE.

AlkuperäiskieliEnglanti
Otsikko2020 IEEE International Geoscience and Remote Sensing Symposium, IGARSS 2020 - Proceedings
KustantajaIEEE
Sivut4509-4512
Sivumäärä4
ISBN (elektroninen)9781728163741
DOI - pysyväislinkit
TilaJulkaistu - 26 syyskuuta 2020
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaInternational Geoscience and Remote Sensing Symposium - Virtual, Online, Waikoloa, Yhdysvallat
Kesto: 26 syyskuuta 20202 lokakuuta 2020

Julkaisusarja

NimiIEEE International Geoscience and Remote Sensing Symposium proceedings
ISSN (painettu)2153-6996
ISSN (elektroninen)2153-7003

Conference

ConferenceInternational Geoscience and Remote Sensing Symposium
LyhennettäIGARSS
MaaYhdysvallat
KaupunkiWaikoloa
Ajanjakso26/09/202002/10/2020

Sormenjälki Sukella tutkimusaiheisiin 'Predicting Growing Stock Volume of Boreal Forests Using Very Long Time Series of Sentinel-1 Data'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä