Das Doppelstations-TanDEM-X-InSAR-System wurde erfolgreich zur Produktion globaler digitaler Höhenmodelle eingesetzt. Aufgrund der begrenzten Durchdringungsfähigkeit des X-Band SAR-Signals und der Auswirkungen der volumetrischen Streuung im Wald enthalten die in Waldgebieten extrahierten DEMs jedoch starke Waldrückstreuersignale. Daher wird in dieser Studie eine auf maschinellem Lernen basierende Methode vorgeschlagen, die TanDEM-X InSAR-, ICESat-2- und Landsat 8-Daten kombiniert, um die Geländehöhen unter dem Waldbestand zu schätzen und den Einfluss der volumetrischen Streuung im Wald auf die InSAR-Höhenmessung zu reduzieren. Zur Validierung der Methode wurden zwei Testgebiete mit unterschiedlichen Geländebedingungen und Waldtypen ausgewählt (Tropenwaldgebiet Gabun und Norden Spaniens) und Tests durchgeführt sowie die Genauigkeit mit einem hochpräzisen luftgestützten LiDAR-DTM bewertet. Die Ergebnisse zeigen, dass im tropischen Regenwaldgebiet Gabuns die RMSE der Unterwaldgeländeschätzung in zwei Validierungsgebieten 5,45 m und 5,91 m beträgt, was eine Verbesserung der Geländegenauigkeit um mehr als 60 % im Vergleich zu den InSAR-DEM-Schätzungen von 14,70 m und 18,58 m darstellt; im nördlichen Waldgebiet Spaniens sank die RMSE der Unterwaldgeländeschätzung von 6,05—9,10 m auf 3,06—4,42 m. Zusammenfassend bietet diese Studie eine effektive und robuste Lösung für die genaue Schätzung großflächiger Unterwaldgelände mit dem Doppelstations-X-Band-InSAR-System.

Unterwaldgelände; synthetische Apertur Radarinterferometrie; Phasenmittenhöhe; maschinelles Lernen; TanDEM-X; ICESat-2