博士生宋天祎在地球科学领域权威期刊JAG发表研究成果

近日，课题组在合成孔径雷达森林高度反演领域取得重要进展。研究成果以《STAMI: A machine learning-based small-scale tomography-aided multibaseline (Pol)InSAR forest height inversion framework》（STAMI：一种基于机器学习的小尺度层析成像辅助多基线(极化)干涉SAR森林高度反演框架）为题，发表于地球科学领域一区TOP期刊International Journal Of Applied Earth Observation And Geoinformation（影响因子8.6）。博士生宋天祎为第一作者，李平湘教授、杨杰教授、史磊副教授、赵伶俐副教授为共同作者，孙维东副研究员为通讯作者。

目前，层析SAR（TomoSAR）和多基线（极化）干涉SAR（(Pol)InSAR）技术的协同观测与建模反演已成为全球森林高度测绘任务的主要发展趋势。然而，为获取垂直结构先验知识，需对整个森林测图区域进行大量航过的TomoSAR测量。过高的数据采集成本与多基线观测误差严重阻碍了多基线协同观测在大尺度“无缝”森林高度测绘中的应用推广。因此，本研究将协同森林高度测图视为跨尺度垂直结构聚类与分类任务，提出一种小尺度TomoSAR辅助的大尺度(Pol)InSAR测图框架。该框架结合无监督与有监督机器学习方法，并利用选择权迭代法削弱多基线观测误差，仅需在小尺度森林区域进行TomoSAR测量，大尺度森林区域进行三基线InSAR或PolInSAR测量，便可实现低成本、高精度的大尺度森林高度测图。本研究构建覆盖北方森林、热带雨林实验区的机载TomoSAR与多基线InSAR协同观测数据（包含L、P波段以及单极化、全极化观测模式），进行实验验证了所提框架的可行性与优势。本研究对基于SAR技术的全球森林测绘任务的规划与实施具有重要价值。

本研究得到国家自然科学基金（编号U22A2010、U2033216、62471337、42071295、42171442）以及国家重点研发计划（编号2021YFB3900604-03）的资助。 论文链接：https://doi.org/10.1016/j.jag.2025.105054