The biomass of three agricultural crops, winter wheat (Triticum aestivum L.), barley (Hordeum vulgare L.), and canola (Brassica napus L.), was studied using multi-temporal dual-polarimetric TerraSAR-X data. The radar backscattering coefficient sigma nought of the two polarization channels HH and VV was extracted from the satellite images. Subsequently, combinations of HH and VV polarizations were calculated (e.g. HH/VV, HH + VV, HH × VV) to establish relationships between SAR data and the fresh and dry biomass of each crop type using multiple stepwise regression. Additionally, the semi-empirical water cloud model (WCM) was used to account for the effect of crop biomass on radar backscatter data. The potential of the Random Forest (RF) machine learning approach was also explored. The split sampling approach (i.e. 70% training and 30% testing) was carried out to validate the stepwise models, WCM and RF. The multiple stepwise regression method using dual-polarimetric data was capable to retrieve the biomass of the three crops, particularly for dry biomass, with R2 > 0.7, without any external input variable, such as information on the (actual) soil moisture. A comparison of the random forest technique with the WCM reveals that the RF technique remarkably outperformed the WCM in biomass estimation, especially for the fresh biomass. For example, the R 2 > 0.68 for the fresh biomass estimation of different crop types using RF whereas WCM show R 2 < 0.35 only. However, for the dry biomass, the results of both approaches resembled each other.
Biomassebewertung von landwirtschaftlichen Kulturen mit multitemporalen Methoden basierend auf dual-polarimetrischen TerraSAR-X-Daten. Die Studie zielt auf die Bestimmung von Biomasse dreier landwirtschaftlicher Kulturen, Winterweizen (Triticum aestivum L.), Gerste (Hordeum vulgare L.) und Raps (Brassica napus L.) mit multitemporalen dual-polarimetrischen TerraSAR-X-Daten. Der Radarrückstreuungskoeffizient Sigma Null der beiden Polarisationskanäle HH und VV wurde aus den Satellitenbildern extrahiert. Anschließend wurden Kombinationen von HH- und VV-Polarisationen berech-net (z. B. HH/VV, HH + VV, HH × VV), um Beziehungen zwischen den SAR-Daten und der frischen und der trockenen Biomasse jeder Kulturart unter Verwendung einer multiplen schrittweisen Regression zu bestimmen. Zusätzlich wurde das semi-empirische Water Cloud Model (WCM) verwendet, um die Wirkung von Pflanzenbiomasse auf Radarrückstreudaten abzuschätzen. Das Potenzial des maschinellen Lernens mit Random Forest (RF) wurde ebenfalls untersucht. Das Verfahren der geteilten Stichprobe (split sampling, 70% Training und 30% Test) wurde durchgeführt, um die schrittweisen Regressionen, WCM und RF zu validieren. Das multiple schrittweise Regressionsverfahren unter Verwendung von dual-polarimetrischen Daten war in der Lage, die Biomasse der drei Kulturen, insbesondere für trockene Biomasse mit R2 > 0,7, ohne weitere externe Eingangsgrößen wie beispielsweise Informationen über die (tatsächliche) Bodenfeuchte zu erfassen. Ein Vergleich der Random Forest (RF) Methode mit dem WCM zeigt, dass die RF Methode das WCM bei der Biomassenabschätzung deutlich übertroffen hat, insbesondere für frische Biomasse. Beispielsweise ergab die RF Methode ein R2 > 0,68 für die Schätzung der frischen Biomasse verschiedener Kulturarten, während das WCM nur ein R2 > 0,35 zeigte. Andererseits ähnelten sich die Ergebnisse beider Ansätze im Fall der trockenen Biomasse.
Keywords: Agricultural crop; Biomass; Biomasse; DEMMIN; Landwirtschaftliche Kulturpflanzen; Random Forest; Random Forest (RF); Schrittweise Regression; Stepwise regression; TerraSAR-X; Water Cloud Model (WCM); Water cloud model (WCM).