Inversion de la structure verticale des forêts à partir de données POLINSAR par apprentissage de descripteurs LIDAR

International audienceThis paper presents a machine learning based method to predict the forest structure parameters from L-band polarimetric and interferometric synthetic aperture radar (PolInSAR) data acquired by the airborne UAVSAR system over the Réserve Faunique des Laurentides in Québec, Canada. The main objective of this paper is to show that relevant parameters of the PolInSAR coherence region can be used to invert forest structure indicators computed from the airborne LIDAR sensor Laser Vegetation and Ice Sensor (LVIS). The method relies on the shape of the observed generalized PolInSAR coherence region that is related to the three-dimensional structure of the scene. In addition to parameters describing the coherence shape, we consider the impact of acquisition parameters such as the interferometric baseline, ground elevation and local surface slope. We use the parameters as input a multilayer perceptron model to infer canopy features as estimated from LIDAR waveform. The output features are canopy height, cover and vertical profile class. Canopy height and canopy cover are estimated with a normalized RMSE of 13%, 15% respectively. The vertical profile was divided into 3 distinct classes with 66% accuracy.Cet article présente une méthode basée sur l’apprentissage automatique pour prédire les paramètres de structure de la forêt à partir de données PolInSAR en bande L acquises par le système UAVSAR aéroporté sur le Parc des Laurentides au Québec, Canada. L'objectif principal de cet article est de montrer que l'extraction de paramètres pertinents de la région de cohérence PolInSAR nous aide à inverser les indicateurs de structure de forêt calculés à partir du capteur LIDAR aéroporté LVIS. La méthode choisie repose sur le fait que des descripteurs PolInSAR bien choisis sont reliés à la structure tridimensionnelle de la scène, en particulier à la forme de cohérence généralisée. Parallèlement à une description de cette forme de cohérence, nous examinons les impacts de paramètres d'acquisition tels que la ligne de base, l'élévation du terrain ou la pente locale, afin de les éliminer avant d’extraire nos paramètres de forêt. Ensuite, nous utilisons un modèle de perception multicouche pour déduire les entités extraites par LIDAR de notre jeu de données de forme de cohérence. Les entités en sortie sont la hauteur de la canopée, la couverture au sol et le type de profil vertical. En utilisant cette méthode appliquée aux données UAVSAR, nous inversons la hauteur de canopée et la couverture au sol avec une RMSE normalisée de 13 et 15% respectivement. Les formes d'onde LIDAR ont été divisées en trois classes équilibrées sur lesquelles nous avons appliqué un algorithme de forêt aléatoire pour obtenir un score résultant de 66%