Improved Prediction of Forest Variables Using Data Assimilation of Interferometric Synthetic Aperture Radar Data

摘要

Le cadre statistique de l’assimilation des données fournit des méthodes pour utiliser de nouvelles données pour obtenir des données forestières à jour: des prévisions des données forestiè res existantes sont faites et combinées avec chaque nouvel ensemble de données de télédétection. Ce nouveau paradigme pour la mise à jour des bases de données forestières, bien connues dans d’autres domaines d’études, fournira un cadre pour l’utilisation de toutes les données de télédé tection disponibles en proportion de leur qualité pour améliorer la prévision. Il résout également le problème que tous les ensembles de données de télédétection ne fournissent pas des informations pour toute la zone d’intérêt, car des zones sans données de télédétection peuvent être prévues jusqu’à ce que de nouvelles données de télédétection soient disponibles. Dans cette étude, le filtrage étendu de Kalman a été utilisé pour assimiler les données de 19 images TanDEM-X InSAR sur 137 parcelles d’échantillonnage, chacune avec un rayon de 10 mètres sur un site d’essai dans le sud de la Suède sur une période de quatre ans. Pour presque toute la période, l’assimilation de données a entraîné des prédictions plus proches de la valeur de référence que les prédictions basées sur des données provenant de ce point unique. Pour les variables de l’étude, soient la hauteurmoyenne de Lorey, la surface basale et le volume de la tige, la réduction médiane de la racine de l’erreur quadratique moyenne é tait de 0,4 m, 0,9m~2/ha et 15,3 m~3/ha (2, 3, et 6 points de pourcentage), respectivement.%The statistical framework of data assimilation provides methods for utilizing new data for obtaining up-to-date forest data: existing forest data are forecasted and combined with each new remote sensing data set. This new paradigm for updating forest database, well known from other fields of study, will provide a framework for utilizing all available remote sensing data in proportion to their quality to improve prediction. It also solves the problem that not all remote sensing data sets provide information for the entire area of interest, since areaswith no remote sensing data can be forecasted until new remote sensing data become available. In this study, extended Kalman filteringwas used for assimilating data from 19 TanDEM-X InSAR images on 137 sample plots, each of 10-meter radius at a test site in southern Sweden over a period of 4 years. At almost all time points data assimilation resulted in predictions closer to the reference value than predictions based on data from that single time point. For the study variables Lorey’s mean height, basal area, and stem volume, the median reduction in root mean square error was 0.4 m, 0.9 m~2/ha, and 15.3 m~3/ha (2, 3, and 6 percentage points), respectively.