Enhancing biomass estimation using SAR data: a comparative analysis of deep learning and statistical approaches

This study integrates tomographic SAR data from the TomoSense mission to enhance AGB estimation in temperate forests. Forest biomass serves as a significant carbon sink, capturing atmospheric CO2 and helps mitigate climate change. Accurate AGB estimation are essential for tracking carbon sequestration and supporting forest management and cli mate policy decisions. The analysis investigates how SAR backscatter intensity correlates with AGB, examining how bands, polarizations and species distributions impact biomass estimation. SAR data include mono and bistatic L and P-monostatic bands across HH, HV, and VV polarizations. Traditional regression and deep learning models are used to determine the most accurate AGB prediction method, comparing their ability to inte grate environmental and ecological factors. A key focus is analysing how AGB prediction vary across forest types, categorized into coniferous, deciduous and mixed-species areas. Using a sequential conditioning approach, SAR data are processed with a linear regres sion model over 0,5 ha averaged areas to uncover predictive patterns. Without species differentiation, the model achieves a RMSE of 13-15% and a Pearson correlation of 0,7. For coniferous forests, similar RMSE values are achieved with a stronger correlation of 0,8. In deciduous forests, the RMSE ranges from 12-14%, with correlations of 0,6-0,7, while other species show higher RMSE (16-17%) with a correlation of 0,9, though these results are less robust due to limited data. A convolutional neural network model, Green NET, is tested on both averaged and full-resolution data to assess its predictive accuracy relative to the statistical approach In a direct comparison, Green-NET outperforms the statistical model regarding the Pearson correlation, achieving values of 0,88 for averaged data and 0,85 for full-resolution data. However, in terms of RMSE, the statistical model remains more accurate. It is worth mentioning in fact, that the RMSE values for deep can be reduced by enlarging the dataset dimension, providing a balance among the different AGBvalues. The deep learning approach also shows benefits in areas where the statistical model struggles. A feature importance analysis reveals that using only the mean intensity as input yields optimal results for AGB estimation.

Questo studio usa i dati tomografici SAR della missione TomoSense per migliorare la stima dell’AGB nelle foreste temperate. La biomassa forestale è un importante serbatoio di carbonio, cattura CO2 atmosferico e contribuisce alla mitigazione dei cambiamenti climatici. Stime accurate di AGB sono essenziali per supportare la gestione forestale e le politiche climatiche. L’analisi indaga la correlazione tra l’intensità di backscatter SAR e l’AGB, esaminando come influiscano bande, polarizzazioni e distribuzioni di specie. I dati SAR comprendono bande L-mono e bistatica e P-monostatica con polarizzazioni HH, HV e VV. Modelli di regressione tradizionale e di deep learning sono comparati per determinare il metodo più preciso per stimare l’AGB, confrontando la loro capacità di integrare fattori ambientali ed ecologici. Un aspetto chiave è l’analisi delle variazioni delle stime di AGB tra tipi di foresta: conifere, decidui e altri. Utilizzando un approccio di condizionamento sequenziale, i dati SAR sono stati elaborati con un modello di regressione lineare su aree mediate a 0,5 ha per individuare schemi predittivi. Senza differenziare le specie, il modello raggiunge un RMSE del 13-15% e una correlazione di Pearson di 0,7. Per le foreste di conifere, si ottengono valori di RMSE simili con una correlazione più alta. Per i decidui l’RMSE varia tra 12-14% con correlazioni tra 0,6 e 0,7, mentre per le specie miste si osservano RMSE più elevati (16-17%) con una correlazione di 0,9, anche se questi risultati sono meno significativi a causa di dati limitati. Un modello di rete neurale convoluzionale, Green-NET, è stato testato sia su dati mediati che a piena risoluzione per valutarne la precisione rispetto all’approccio statistico. In un confronto diretto, il modello statistico risulta più preciso in termini di RMSE. Tuttavia, Green-NET lo supera nel coefficiente di correlazione di Pearson che raggiunge valori di 0,88 per i dati mediati e 0,85 per i dati a piena risoluzione, dimostrando una maggiore capacità di rilevare schemi non lineari.Inoltre, aumentando la dimensione del database, l’RMSE diminuirà anche nel deep learning. L’approccio di deep learning si rivela inoltre più efficace nelle aree in cui la statistica presenta difficoltà predittive. Una successiva analisi dell’importanza delle caratteristiche di input indica che utilizzare solo l’intensità media produce risultati ottimali per la stima dell’AGB.