Inovação da Rede Neural Convolucional FCarbon na Predição de Estoques de Carbono em Florestas

Introdução

A FCarbon, uma empresa inovadora em gestão do ciclo de vida do carbono, está sempre buscando soluções para melhorar a precisão e a eficiência de seus serviços. Para atingir esse objetivo, a FCarbon tem investido fortemente em tecnologias de ponta, como Inteligência Artificial (IA), especificamente Redes Neurais Convolucionais (CNNs), para gerar insights valiosos para a medição de carbono acima do solo em florestas. As CNNs são uma classe de redes neurais artificiais que se mostraram extremamente eficazes na análise de imagens e dados geoespaciais, tendo aplicações significativas na área de sensoriamento remoto, permitindo a quantificação precisa de estoques de carbono em florestas, otimizando a automação de projetos de carbono e fornecendo análises de risco fundiário.

Neste artigo, vamos explorar como as CNNs da FCarbon estão revolucionando a predição de estoques de carbono em florestas, fornecendo análises de risco da situação fundiária, automatizando projetos de carbono e gerando relatórios ESG. Vamos também resumir a metodologia de um estudo de caso que demonstra a eficácia dessa tecnologia.

A Revolução das CNNs na Predição de Estoques de Carbono

As florestas desempenham um papel fundamental no ciclo global do carbono, atuando como importantes sumidouros de carbono. Portanto, quantificar com precisão os estoques de carbono em florestas é crucial para a mitigação das mudanças climáticas. Os métodos tradicionais para a medição de carbono em florestas são complexos, dispendiosos e demoram muito tempo. Esses métodos incluem levantamentos florestais em campo, que são trabalhosos e custosos, e que muitas vezes só conseguem avaliar áreas reduzidas. Os métodos tradicionais também não garantem dados temporais precisos e de alta resolução espacial, para o acompanhamento da dinâmica do carbono no tempo e no espaço.

Por meio da aplicação de CNNs, a FCarbon consegue superar essas limitações. Nossos algoritmos de aprendizado de máquina processam dados de sensoriamento remoto de várias fontes, incluindo imagens multiespectrais de alta resolução, dados de radar e dados LiDAR, para gerar mapas de alta resolução espacial e temporal de estoques de carbono acima do solo. Essa tecnologia não só reduz os custos e o tempo associados aos métodos tradicionais, mas também melhora a precisão da medição. Além disso, as CNNs permitem que a FCarbon rastreie as mudanças nos estoques de carbono ao longo do tempo, permitindo a monitoração contínua da saúde e da dinâmica florestal.

Análise de Risco da Situação Fundiária

A análise de risco da situação fundiária é outro componente importante dos serviços oferecidos pela FCarbon. Este serviço usa dados de sensoriamento remoto e IA para avaliar o risco legal e ambiental associado a um determinado terreno. Isso inclui a identificação de desmatamento ilegal, invasões de terra, disputas territoriais e outros problemas que poderiam comprometer a validade e a integridade de projetos de carbono. A FCarbon auxilia seus clientes a minimizar os riscos de investimento em projetos de carbono por meio de uma avaliação precisa da situação fundiária.

Automação de Projetos de Carbono

A FCarbon também oferece um serviço de automação de projetos de carbono, que utiliza a IA para acelerar e simplificar o processo de desenvolvimento de projetos, desde a seleção de locais até a geração de relatórios. Este serviço usa algoritmos de aprendizado de máquina para processar grandes volumes de dados, identificar locais adequados para projetos de carbono e prever sua lucratividade. Esse processo automatizado de projetos de carbono, realizado com a expertise da FCarbon, aumenta consideravelmente a eficiência e reduz o custo total do processo.

Elaboração de Relatórios ESG

Como parte de seus serviços, a FCarbon auxilia seus clientes na elaboração de relatórios ESG (Environmental, Social, and Governance). Nossa tecnologia permite a extração de informações ambientais e sociais relevantes para a sustentabilidade das operações dos clientes. Os relatórios gerados atendem aos padrões ESG, ajudando as empresas a demonstrar seu compromisso com a sustentabilidade.

Estudo de Caso: Estimação da Densidade de Carbono Acima do Solo em Florestas Usando Aprendizado Profundo e Sensoriamento Remoto Multi-Fonte

Para demonstrar a eficácia de nossas CNNs, apresentaremos aqui um resumo da metodologia de um estudo de caso, baseado no artigo científico "Estimação da densidade de carbono acima do solo em florestas usando aprendizado profundo e sensoriamento remoto multi-fonte".

Arquitetura da Rede Neural Convolucional

No cenário atual de crescente preocupação com as mudanças climáticas e a necessidade de mitigação dos impactos ambientais, a gestão eficiente do carbono se torna essencial para empresas e governos. A FCarbon surge como solução inovadora, oferecendo serviços de alta tecnologia para monitoramento, análise de risco e automação de projetos relacionados ao carbono.

A Força da Inteligência Artificial na Gestão do Carbono

Nossa plataforma se baseia em uma poderosa Rede Neural Convolucional (CNN), denominada FCarbon, treinada com dados de alta resolução de diferentes satélites (Sentinel 1, Sentinel 2 e Alos 2). Essa arquitetura permite o processamento e interpretação de dados de sensoriamento remoto para a obtenção de insights precisos e detalhados sobre o ciclo de carbono em diversas áreas florestais.

Arquitetura da Rede Neural Convolucional FCarbon:

A CNN FCarbon é composta pelos seguintes elementos:

1. Entrada de Dados: Os dados de entrada são imagens de alta resolução de múltiplas fontes: Sentinel 1 (SAR), Sentinel 2 (multispectral) e Alos 2 (SAR). Essa diversidade garante a captura de informações detalhadas sobre a estrutura, composição e biomassa da vegetação.

2. Camadas de Convolução: As imagens de entrada são processadas por múltiplas camadas de convolução, extraindo características relevantes como índice de vegetação, textura, biomassa e outras variáveis biofísicas.

3. Mapas de Características: Cada camada de convolução gera um mapa de características, representando diferentes aspectos da área monitorada.

4. Subamostragem: A subamostragem reduz o tamanho dos mapas de características, simplificando o processamento e diminuindo o tempo de cálculo sem perder informações significativas.

5. Saída: A saída da rede neural é um mapa detalhado que representa, de forma visual e intuitiva, a intensidade do estoque de carbono acima do solo, o vigor florestal e a biomassa da vegetação. O mapa utiliza gradação de cores para diferenciar a densidade de biomassa: verde intenso para alta densidade, rosa intenso para baixa densidade ou ausência de biomassa (Rede Neural Convolucional FCarbon).

Resumo da Metodologia

O estudo de caso aplicou dados de sensoriamento remoto multi-fonte, incluindo dados multiespectrais do Sentinel-2, dados de radar de banda L do ALOS-2 e dados de radar de banda C do Sentinel-1, para estimar e mapear a densidade de carbono acima do solo em florestas. Os dados foram analisados utilizando duas abordagens principais: modelos tradicionais de regressão e modelos de aprendizado profundo baseados em CNNs.

1. Dados:

• Dados de Inventário Florestal: Dados de campo de inventário florestal de uma região da China foram usados como referência para validação dos modelos. As variáveis medidas incluíram diâmetro à altura do peito (DAP), altura das árvores, e dados de biomassa/carbono estimados a partir desses dados.

• Dados de Sensoriamento Remoto: Dados de múltiplas fontes de sensoriamento remoto foram usados:

  • Sentinel-2: Imagens multiespectrais de alta resolução com várias bandas espectrais foram utilizadas para extrair índices de vegetação e outras variáveis biofísicas.

  • ALOS-2: Imagens de radar de banda L foram usadas para captar informações sobre a estrutura da vegetação e a biomassa.

  • Sentinel-1: Imagens de radar de banda C foram usadas para agregar mais informações sobre a estrutura da vegetação e condições do terreno.

2. Processamento de Dados:

Os dados de sensoriamento remoto foram processados usando softwares como SNAP e ENVI. Foram extraídas diversas variáveis dos dados, incluindo índices de vegetação (NDVI, GNDVI, etc.), parâmetros texturizáis (derivados da matriz de co-ocorrência de tons de cinza), e coeficientes de retroespalhamento do radar.

3. Modelagem:

Duas abordagens principais foram utilizadas para estimar a densidade de carbono acima do solo:

• Modelos Tradicionais de Regressão: Modelos de regressão linear múltipla e métodos de regressão não-linear foram aplicados, considerando diferentes combinações das variáveis extraídas.

• Redes Neurais Convolucionais (CNNs): CNNs, implementadas com a framework Keras, foram treinadas para predizer a densidade de carbono a partir das variáveis de sensoriamento remoto. A arquitetura de rede neural convolucional foi cuidadosamente projetada para lidar com a complexidade e heterogeneidade dos dados.

4. Avaliação:

O desempenho dos modelos foi avaliado usando métricas como RMSE (Root Mean Squared Error) e R² (coeficiente de determinação). A comparação dos resultados das duas metodologias (regressão e CNN) permitiu verificar o impacto do aprendizado profundo na precisão da estimativa de estoques de carbono.

Resultados:

Os resultados indicaram que a metodologia que utilizou as CNNs foi superior aos modelos de regressão tradicionais na previsão da densidade de carbono acima do solo. A combinação de dados de múltiplas fontes de sensoriamento remoto, usando uma abordagem com aprendizado profundo, melhorou significativamente a precisão da estimativa.

Benefícios da Tecnologia da FCarbon

O uso da tecnologia da FCarbon, baseada em CNNs, oferece diversos benefícios:

• Alta Precisão: As CNNs fornecem previsões precisas da densidade de carbono acima do solo, superando as limitações dos métodos tradicionais.

• Eficiência: O processo automatizado reduz significativamente os custos e o tempo necessários para a medição.

• Escalabilidade: A tecnologia pode ser aplicada em larga escala, permitindo o monitoramento contínuo de florestas em grandes áreas.

• Monitoramento Contínuo: As CNNs permitem o acompanhamento das mudanças nos estoques de carbono ao longo do tempo.

• Análise de Risco: A tecnologia permite a identificação precoce de riscos ambientais e legais associados aos projetos de carbono.

Conclusão

A FCarbon está na vanguarda da inovação na gestão do ciclo de vida do carbono, utilizando tecnologias de Inteligência Artificial, como as CNNs, para gerar insights valiosos para a medição de estoques de carbono em florestas. Nossa tecnologia não só melhora a precisão da medição, mas também torna o processo mais eficiente, escalável e sustentável. Se você está procurando um parceiro confiável para gerenciar seus projetos de carbono, a FCarbon é a solução ideal. Entre em contato conosco para saber mais sobre nossos serviços e como podemos ajudá-lo a atingir seus objetivos de sustentabilidade.

Referências:

1. Tang, H.; Hong, Q.; Xu, B. Landscape performance assessment of phase I of greenway around Qingshan Lake National Forest Park, Zhejiang Province. J. Zhejiang A&F Univ. 2020, 37, 1177–1185.

2. Chen, L.; Wang, Y.; Ren, C.; Zhang, B.; Wang, Z. Assessment of multi-wavelength SAR and multispectral instrument data for forest aboveground biomass mapping using random forest kriging. For. Ecol. Manag. 2019, 447, 12–25. [CrossRef]

3. Wu, M.; Dong, G.; Wang, Y.; Xiong, R.; Li, Y.; Cheng, W.; Fu, Z.; Fan, S. Estimation of forest aboveground carbon storage in Sichuan Miyaluo Nature Reserve based on remote sensing. Acta Ecol. Sin. 2020, 40, 621–628.

4. Liu, N.; Caldwell, P.V.; Dobbs, G.R.; Miniat, C.F.; Bolstad, P.V.; Nelson, S.A.C.; Sun, G. Forested lands dominate drinking water supply in the conterminous United States. Environ. Res. Lett. 2021, 16, 084008. [CrossRef]

5. Cheng, W.X.; Yang, C.J.; Zhou, W.C.; Liu, Y.C. Research summary of forest volume quantitative estimation based on remote sensing technology. J. Anhui Sci. 2009, 37, 7746–7750. [CrossRef]

6. Wang, X.; Shao, G.; Chen, H.; Lewis, B.J.; Qi, G.; Yu, D.; Zhou, L.; Dai, L. An Application of Remote Sensing Data in Mapping Landscape-Level Forest Biomass for Monitoring the Effectiveness of Forest Policies in Northeastern China. Environ. Manag. 2013, 52, 612–620. [CrossRef]

7. Mu, B.; Zhao, X.; Zhao, J.; Liu, N.; Si, L.; Wang, Q.; Sun, N.; Sun, M.; Guo, Y.; Zhao, S. Quantitatively Assessing the Impact of Driving Factors on Vegetation Cover Change in China’s 32 Major Cities. Remote Sens. 2022, 14, 839. [CrossRef]

8. Fu, Y. Aboveground biomass estimation and uncertainties assessing on regional scale with an improved model analysis method. Hubei For. Sci. Technol. 2018, 47, 1–4+38.

9. Liu, N.; Sun, P.; Caldwell, P.V.; Harper, R.; Liu, S.; Sun, G. Trade-off between watershed water yield and ecosystem productivity along elevation gradients on a complex terrain in southwestern China. J. Hydrol. 2020, 590, 125449. [CrossRef]

10. Bi, H.; Murphy, S.; Volkova, L.; Weston, C.; Fairman, T.; Li, Y.; Law, R.; Norris, J.; Lei, X.; Caccamo, G. Additive biomass equations based on complete weighing of sample trees for open eucalypt forest species in south-eastern Australia. For. Ecol. Manag. 2015, 349, 106–121. [CrossRef]

11. Vahtmae, E.; Kotta, J.; Lougas, L.; Kutser, T. Mapping spatial distribution, percent cover and biomass of benthic vegetation in optically complex coastal waters using hyperspectral CASI and multispectral Sentinel-2 sensors. Int. J. Appl. Earth Obs. Geoinf. 2021, 102, 102444. [CrossRef]

12. Pan, L.; Sun, Y.J.; Wang, Y.F. Estimation of aboveground biomass in a Chinese fir (Cunninghamia lanceolata) forest combining data of Sentinel-1 and Sentinel-2. J. Nanjing For. Univ. Nat. Sci. Ed. 2020, 44, 149–156.

13. Chrysafis, I.; Mallinis, G.; Tsakiri, M.; Patias, P. Evaluation of single-date and multi-seasonal spatial and spectral information of Sentinel-2 imagery to assess growing stock volume of a Mediterranean forest. Int. J. Appl. Earth Obs. Geoinf. 2019, 77, 1–14. [CrossRef]

14. Naidoo, L.; van Deventer, H.; Ramoelo, A.; Mathieu, R.; Nondlazi, B.; Gangat, R. Estimating above ground biomass as an indicator of carbon storage in vegetated wetlands of the grassland biome of South Africa. Int. J. Appl. Earth Obs. Geoinf. 2019, 78, 118–129. [CrossRef]

15. Jiang, M.; Ding, X.; Hanssen, R.F.; Malhotra, R.; Chang, L. Fast Statistically Homogeneous Pixel Selection for Covariance Matrix Estimation for Multitemporal InSAR. IEEE Trans. Geosci. Remote Sens. 2015, 53, 1213–1224. [CrossRef]

16. Jiang, M.; Guarnieri, A.M. Distributed Scatterer Interferometry With the Refinement of Spatiotemporal Coherence. Ieee Trans. Geosci. Remote Sens. 2020, 58, 3977–3987. [CrossRef]

17. Xiao, R.; Jiang, M.; Li, Z.; He, X. New insights into the 2020 Sardoba dam failure in Uzbekistan from Earth observation. Int. J. Appl. Earth Obs. Geoinf. 2022, 107, 102705. [CrossRef]

18. Tian, X.; Jiang, M.; Xiao, R.; Malhotra, R. Bias Removal for Goldstein Filtering Power Using a Second Kind Statistical Coherence Estimator. Remote Sens. 2018, 10, 1559. [CrossRef]

19. Dinh Ho Tong, M.; Thuy Le, T.; Rocca, F.; Tebaldini, S.; d’Alessandro, M.M.; Villard, L. Relating P-Band Synthetic Aperture Radar Tomography to Tropical Forest Biomass. IEEE Trans. Geosci. Remote Sens. 2014, 52, 967–979. [CrossRef]

20. Gholizadeh, A.; Misurec, J.; Kopackova, V.; Mielke, C.; Rogass, C. Assessment of Red-Edge Position Extraction Techniques: A Case Study for Norway Spruce Forests Using HyMap and Simulated Sentinel-2 Data. Forests 2016, 7, 226. [CrossRef]

21. Udali, A.; Lingua, E.; Persson, H.J. Assessing Forest Type and Tree Species Classification Using Sentinel-1 C-Band SAR Data in Southern Sweden. Remote Sens. 2021, 13, 3237. [CrossRef]

22. Vafaei, S.; Soosani, J.; Adeli, K.; Fadaei, H.; Naghavi, H.; Pham, T.D.; Bui, D.T. Improving Accuracy Estimation of Forest Aboveground Biomass Based on Incorporation of ALOS-2 PALSAR-2 and Sentinel-2A Imagery and Machine Learning: A Case Study of the Hyrcanian Forest Area (Iran). Remote Sens. 2018, 10, 172. [CrossRef]

23. Stelmaszczuk-Gorska, M.A.; Urbazaev, M.; Schmullius, C.; Thiel, C. Estimation of Above-Ground Biomass over Boreal Forests in Siberia Using Updated In Situ, ALOS-2 PALSAR-2, and RADARSAT-2 Data. Remote Sens. 2018, 10, 1550. [CrossRef]

24. Laurin, G.V.; Pirotti, F.; Callegari, M.; Chen, Q.; Cuozzo, G.; Lingua, E.; Notarnicola, C.; Papale, D. Potential of ALOS2 and NDVI to Estimate Forest Above-Ground Biomass, and Comparison with Lidar-Derived Estimates. Remote Sens. 2017, 9, 18. [CrossRef]

25. Santoro, M.; Cartus, O. Research Pathways of Forest Above-Ground Biomass Estimation Based on SAR Backscatter and Interferometric SAR Observations. Remote Sens. 2018, 10, 608. [CrossRef]

26. Wu, C.; Tao, H.; Zhai, M.; Lin, Y.; Wang, K.; Deng, J.; Shen, A.; Gan, M.; Li, J.; Yang, H. Using nonparametric modeling approaches and remote sensing imagery to estimate ecological welfare forest biomass. J. For. Res. 2018, 29, 151–161. [CrossRef]

27. Ndikumana, E.; Dinh Ho Tong, M.; Hai Thu Dang, N.; Baghdadi, N.; Courault, D.; Hossard, L.; El Moussawi, I. Estimation of Rice Height and Biomass Using Multitemporal SAR Sentinel-1 for Camargue, Southern France. Remote Sens. 2018, 10, 1394. [CrossRef]

28. Vamosi, S.; Reutterer, T.; Platzer, M. A deep recurrent neural network approach to learn sequence similarities for user-identification. Decis. Support Syst. 2022, 155, 113718. [CrossRef]

29. Castro,W.; Marcato, J., Jr.; Polidoro, C.; Osco, L.P.; Goncalves,W.; Rodrigues, L.; Santos, M.; Jank, L.; Barrios, S.; Valle, C.; et al. Deep Learning Applied to Phenotyping of Biomass in Forages with UAV-Based RGB Imagery. Sensors 2020, 20, 4802. [CrossRef]

30. Ghosh, S.M.; Behera, M.D. Aboveground biomass estimates of tropical mangrove forest using Sentinel-1 SAR coherence data-The superiority of deep learning over a semi-empirical model. Comput. Geosci. 2021, 150, 104737. [CrossRef]

31. Xing, W.; Qian, Y.; Guan, X.; Yang, T.; Wu, H. A novel cellular automata model integrated with deep learning for dynamic spatio-temporal land use change simulation. Comput. Geosci. 2020, 137, 104430. [CrossRef]

32. Kim, J.; Kim, H.; Jeon, H.; Jeong, S.H.; Song, J.Y.; Vadivel, S.K.P.; Kim, D.J. Synergistic Use of Geospatial Data for Water Body Extraction from Sentinel-1 Images for Operational Flood Monitoring across Southeast Asia Using Deep Neural Networks. Remote Sens. 2021, 13, 4759. [CrossRef]

33. Li, X.H. Using “random forest” for classification and regression. Chin. J. Appl. Entomol. 2013, 50, 1190–1197.

34. Huang, X.;Wang, Z.; Xu, X. Comparison of fitting approaches with biomass expansion factor equations. J. Zhejiang A&F Univ. 2017, 34, 775–781.

35. Li, S.-M.; Yang, C.-Q.; Wang, H.-N.; Ge, L.-Q. Carbon storage of forest stands in Shandong Province estimated by forestry inventory data. Ying Yong Sheng Tai Xue Bao J. Appl. Ecol. 2014, 25, 2215–2220.

36. Saatchi, S.S.; Harris, N.L.; Brown, S.; Lefsky, M.; Mitchard, E.T.A.; Salas,W.; Zutta, B.R.; Buermann,W.; Lewis, S.L.; Hagen, S.; et al. Benchmark map of forest carbon stocks in tropical regions across three continents. Proc. Natl. Acad. Sci. USA 2011, 108, 9899–9904. [CrossRef]

37. Liu, H.; Lei, R. Research Methods and Advances of Carbon Storage and Balance in Forest Ecosystems of China. Acta Bot. Boreali-Occident. Sin. 2005, 25, 835–843.

38. Liu, Y.; Zhang, Y.; Liu, S. Aboveground carbon stock evaluation with different restoration approaches using tree ring chronosequences in Southwest China. For. Ecol. Manag. 2012, 263, 39–46. [CrossRef]

39. Dixon, R.K. Carbon Pools and Flux of Global Forest Ecosystems. Science 1994, 265, 171. [CrossRef]

40. Tien Dat, P.; Yokoya, N.; Xia, J.; Nam Thang, H.; Nga Nhu, L.; Thi Thu Trang, N.; Thi Huong, D.; Thuy Thi Phuong, V.; Tien Duc, P.; Takeuchi, W. Comparison of Machine Learning Methods for Estimating Mangrove Above-Ground Biomass Using Multiple Source Remote Sensing Data in the Red River Delta Biosphere Reserve, Vietnam. Remote Sens. 2020, 12, 1334. [CrossRef]

41. Tian, X.; Malhotra, R.; Xu, B.; Qi, H.; Ma, Y. Modeling Orbital Error in InSAR Interferogram Using Frequency and Spatial Domain Based Methods. Remote Sens. 2018, 10, 508. [CrossRef]

42. Vieilledent, G.; Vaudry, R.; Andriamanohisoa, S.; Rakotonarivo, O.S.; Randrianasolo, H.Z.; Razafindrabe, H.N.; Rakotoarivony, C.B.; Rasamoelina, J.E. A universal approach to estimate biomass and carbon stock in tropical forests using generic allometric models. Ecol. Appl. 2012, 22, 572–583. [CrossRef] [PubMed]

43. Xu, Z.Y. Forest biomass retrieval based on Sentinel-1A and Landsat 8 image. J. Cent. South Univ. For. Technol. 2020, 40, 147–155. [CrossRef]

44. Godinho Cassol, H.L.; de Brito Carreiras, J.M.; Moraes, E.C.; Oliveira e Cruz de Aragao, L.E.; de Jesus Silva, C.V.; Quegan, S.; Shimabukuro, Y.E. Retrieving Secondary Forest Aboveground Biomass from Polarimetric ALOS-2 PALSAR-2 Data in the Brazilian Amazon. Remote Sens. 2019, 11, 59. [CrossRef]

45. Camps-Valls, G.; Gomez-Chova, L.; Munoz-Mari, J.; Vila-Frances, J.; Amoros-Lopez, J.; Calpe-Maravilla, J. Retrieval of oceanic chlorophyll concentration with relevance vector machines. Remote Sens. Environ. 2006, 105, 23–33. [CrossRef]

46. Du, H.; Mao, F.; Zhou, G.; Li, X.; Xu, X.; Ge, H.; Cui, L.; Liu, Y.; Zhu, D.e.; Li, Y. Estimating and Analyzing the Spatiotemporal Pattern of Aboveground Carbon in Bamboo Forest by Combining Remote Sensing Data and Improved BIOME-BGC Model. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2018, 11, 2282–2295. [CrossRef]

47. Axelsson, C.; Skidmore, A.K.; Schlerf, M.; Fauzi, A.; Verhoef, W. Hyperspectral analysis of mangrove foliar chemistry using PLSR and support vector regression. Int. J. Remote Sens. 2013, 34, 1724–1743. [CrossRef]

48. Breiman, L. Random forests. Mach. Learn. 2001, 45, 5–32. [CrossRef]

49. Lausch, A.; Erasmi, S.; King, D.J.; Magdon, P.; Heurich, M. Understanding Forest Health with Remote Sensing-Part II—A Review of Approaches and Data Models. Remote Sens. 2017, 9, 129. [CrossRef]

50. Osah, S.; Acheampong, A.A.; Fosu, C.; Dadzie, I. Deep learning model for predicting daily IGS zenith tropospheric delays inWest Africa using TensorFlow and Keras. Adv. Space Res. 2021, 68, 1243–1262. [CrossRef]

51. Moolayil, J. Learn Keras for Deep Neural Networks: A Fast-Track Approach to Modern Deep Learning with Python; Apress: New York, NY, USA, 2019.

52. Li, Y.; Zhang, H.; Xue, X.; Jiang, Y.; Shen, Q. Deep learning for remote sensing image classification: A survey. Wiley Interdiscip. Rev. Data Min. Knowl. Discov. 2018, 8, e1264. [CrossRef]

53. Dong, L.; Du, H.; Han, N.; Li, X.; Zhu, D.e.; Mao, F.; Zhang, M.; Zheng, J.; Liu, H.; Huang, Z.; et al. Application of Convolutional Neural Network on Lei Bamboo Above-Ground-Biomass (AGB) Estimation Using Worldview-2. Remote Sens. 2020, 12, 958. [CrossRef]

54. Fu, G.; Liu, C.; Zhou, R.; Sun, T.; Zhang, Q. Classification for High Resolution Remote Sensing Imagery Using a Fully Convolutional Network. Remote Sens. 2017, 9, 498. [CrossRef]

55. Saud, P.; Lynch, T.B.; Anup, K.C.; Guldin, J.M. Using quadratic mean diameter and relative spacing index to enhance heightdiameter and crown ratio models fitted to longitudinal data. Forestry 2016, 89, 215–229. [CrossRef]

56. Sarker, L.R.; Nichol, J.E. Improved forest biomass estimates using ALOS AVNIR-2 texture indices. Remote Sens. Environ. 2011, 115, 968–977. [CrossRef]

57. Ma, J.; Xiao, X.; Qin, Y.; Chen, B.; Hu, Y.; Li, X.; Zhao, B. Estimating aboveground biomass of broadleaf, needleleaf, and mixed forests in Northeastern China through analysis of 25-m ALOS/PALSAR mosaic data. For. Ecol. Manag. 2017, 389, 199–210. [CrossRef]

58. Rutishauser, E.; Noor’an, F.; Laumonier, Y.; Halperin, J.; Rufi’ie; Hergoualc’h, K.; Verchot, L. Generic allometric models including height best estimate forest biomass and carbon stocks in Indonesia. For. Ecol. Manag. 2013, 307, 219–225. [CrossRef]

59. Gao, Y.; Lu, D.; Li, G.; Wang, G.; Chen, Q.; Liu, L.; Li, D. Comparative Analysis of Modeling Algorithms for Forest Aboveground Biomass Estimation in a Subtropical Region. Remote Sens. 2018, 10, 627. [CrossRef]

60. Laurin, G.V.; Balling, J.; Corona, P.; Mattioli, W.; Papale, D.; Puletti, N.; Rizzo, M.; Truckenbrodt, J.; Urban, M. Above-ground biomass prediction by Sentinel-1 multitemporal data in central Italy with integration of ALOS2 and Sentinel-2 data. J. Appl. Remote Sens. 2018, 12, 016008. [CrossRef]

61. Balzter, H.; Baker, J.R.; Hallikainen, M.; Tomppo, E. Retrieval of timber volume and snow water equivalent over a Finnish boreal forest from airborne polarimetric Synthetic Aperture Radar. Int. J. Remote Sens. 2002, 23, 3185–3208. [CrossRef]

62. Sadeghi, Y.; St-Onge, B.; Leblon, B.; Prieur, J.-F.; Simard, M. Mapping boreal forest biomass from a SRTM and TanDEM-X based on canopy height model and Landsat spectral indices. Int. J. Appl. Earth Obs. Geoinf. 2018, 68, 202–213. [CrossRef]

63. Hunter, M.O.; Keller, M.; Victoria, D.; Morton, D.C. Tree height and tropical forest biomass estimation. Biogeosciences 2013, 10, 8385–8399. [CrossRef]

64. Shi, J.; Du, Y.; Du, J.; Jiang, L.; Chai, L.; Mao, K.; Xu, P.; Ni, W.; Xiong, C.; Liu, Q.; et al. Progresses on microwave remote sensing of land surface parameters. Sci. China-Earth Sci. 2012, 55, 1052–1078. [CrossRef]

65. Santoro, M.; Shvidenko, A.; McCallum, I.; Askne, J.; Schmullius, C. Properties of ERS-1/2 coherence in the Siberian boreal forest and implications for stem volume retrieval. Remote Sens. Environ. 2007, 106, 154–172. [CrossRef]

66. Fuchs, H.; Magdon, P.; Kleinn, C.; Flessa, H. Estimating aboveground carbon in a catchment of the Siberian forest tundra: Combining satellite imagery and field inventory. Remote Sens. Environ. 2009, 113, 518–531. [CrossRef]

67. Zhu, Y.; Feng, Z.; Lu, J.; Liu, J. Estimation of Forest Biomass in Beijing (China) Using Multisource Remote Sensing and Forest Inventory Data. Forests 2020, 11, 163. [CrossRef]

68. Souza, G.S.A.d.; Soares, V.P.; Leite, H.G.; Gleriani, J.M.; do Amaral, C.H.; Ferraz, A.S.; Silveira, M.V.d.F.; Santos, F.C.d.; Velloso, S.G.S.; Domingues, G.F.; et al. Multi-sensor prediction of Eucalyptus stand volume: A support vector approach. ISPRS J. Photogramm. Remote Sens. 2019, 156, 135–146. [CrossRef]

69. Jia, M.; Tong, L.; Chen, Y.;Wang, Y.; Zhang, Y. Rice biomass retrieval from multitemporal ground-based scatterometer data and RADARSAT-2 images using neural networks. J. Appl. Remote Sens. 2013, 7, 073509. [CrossRef]

70. Narine, L.L.; Popescu, S.C.; Malambo, L. Synergy of ICESat-2 and Landsat for Mapping Forest Aboveground Biomass with Deep Learning. Remote Sens. 2019, 11, 1503. [CrossRef]