Bossen leveren essentiële ecosysteemdiensten. Ze bieden houtproductie, spelen een rol in klimaatregulatie, dienen als habitats voor biodiversiteit en voorzien in voedsel, koolstofopslag en recreatiemogelijkheden. Het behoud en beheer van deze ecosystemen vereist voortdurende monitoring om veranderingen en bedreigingen te detecteren. Het onderzoeken van boshoogte is hierbij een cruciaal onderdeel om inzicht te krijgen in houtvoorraadvolume, bosgezondheid, biomassa, interne dynamiek en veranderingen in landgebruik.
Hoewel veel Europese landen systemen hebben opgezet voor nationale en subnationale bosinventarisaties en hoogte-inschattingen, zijn deze duur of worden ze slechts infrequent geüpdatet. Het duurzaam en tijdig behouden van bijna real-time, kostenefficiënte en volledig dekkende informatie over boshoogte is essentieel voor goed bosbeheer.
Bestaande methoden voor het monitoren van boshoogte — zoals veldinventarisatie, radartomografie, Lidar of combinaties daarvan — kennen beperkingen: veldinventarisaties hebben een kleine dekking, lucht-Lidar en tomografie zijn zeer kostbaar, en ruimtegebaseerde tomografie brengt technische complexiteiten met zich mee.
Daarom biedt het inzetten van ruimtegebaseerde Lidar-technologieën zoals GEDI (Global Ecosystem Dynamics Investigation Lidar) en IceSAT-2 (Ice, Cloud, and land Elevation Satellite-2) een interessante kans. De uitdaging zit echter in de schaarse en gefragmenteerde gegevens die deze systemen genereren, wat het uitvoeren van uitgebreide bosmonitoring bemoeilijkt.
Dit voorstel heeft als doel de informatietekorten in ruimtegebaseerde Lidar-data te overbruggen door gebruik te maken van vrij toegankelijke Copernicus Sentinel-1-beelden. Het doel is een open verwerkingsinstrument te ontwikkelen dat interferometrische coherentie, afgeleid uit Sentinel-1 Synthetic Aperture Radar (SAR)-data, omzet in kroonhoogtemodellen. Deze omzetting maakt continue en volledige monitoring van boshoogte op wereldschaal mogelijk, ongeacht de weersomstandigheden. Dankzij de hoge updatefrequentie van Sentinel-1-data kunnen bestaande boshoogtegegevens tijdig worden geactualiseerd en veranderingen snel worden gedetecteerd, wat betere beheerstrategieën voor bosbehoud en hulpbronnengebruik ondersteunt.
De innovatieve aspecten van dit voorstel zijn:
- Het genereren van universele cross-modale trainingsdata uit ruimtegebaseerde SAR-beelden en uit GEDI/IceSAT-2 afgeleide boshoogte-informatie. Door deze benchmark-trainingsdataset beschikbaar te maken voor het publiek en de remote-sensinggemeenschap, wordt bosonderzoek versneld en ontstaan er nieuwe mogelijkheden voor het trainen en testen van leermethoden en het verfijnen van modellen op een gestandaardiseerde en representatieve dataset.
- Het ontwikkelen van AI- en Deep Learning-oplossingen die specifiek zijn afgestemd op de eigenschappen van SAR-data. Het creëren van gespecialiseerde DL-modellen die aansluiten bij de unieke kenmerken van SAR vormt een belangrijke wetenschappelijke doorbraak binnen het SAR-DL-domein. Hiermee worden hiaten in boshoogtewaarnemingen opgevuld, wat sterke motivatie biedt voor het toepassen en verder ontwikkelen van AI bij het schatten van boshoogte op basis van Sentinel-1-beelden.
Organisaties
- Faculty of Geo-Information Science and Earth Observation (ITC)
- Scientific Departments (ITC-SCI)
- ITC-TECH (ITC-SCI-TECH)