arXiv:2511.10387v3 Announce Type: replace-cross 
Abstract: Accurate retrieval of vegetation biophysical variables from satellite imagery is crucial for ecosystem monitoring and agricultural management. In this work, we propose a physics-informed Transformer-VAE architecture to invert the PROSAIL radiative transfer model for simultaneous estimation of key canopy parameters from Sentinel-2 data. Unlike previous hybrid approaches that require real satellite images for self-supevised training. Our model is trained exclusively on simulated data, yet achieves performance on par with state-of-the-art methods that utilize real imagery. The Transformer-VAE incorporates the PROSAIL model as a differentiable physical decoder, ensuring that inferred latent variables correspond to physically plausible leaf and canopy properties. We demonstrate retrieval of leaf area index (LAI) and canopy chlorophyll content (CCC) on real-world field datasets (FRM4Veg and BelSAR) with accuracy comparable to models trained with real Sentinel-2 data. Our method requires no in-situ labels or calibration on real images, offering a cost-effective and self-supervised solution for global vegetation monitoring. The proposed approach illustrates how integrating physical models with advanced deep networks can improve the inversion of RTMs, opening new prospects for large-scale, physically-constrained remote sensing of vegetation traits.

تعتبر استعادة المتغيرات البيوفزيائية للنباتات بدقة من الصور الساتلية أمرًا حيويًا لمراقبة النظم البيئية وإدارة الزراعة. تقدم هذه الدراسة بنية Transformer-VAE مستنيرة بالفيزياء لعكس نموذج نقل الإشعاع PROSAIL، مما يتيح التقدير المتزامن للمعلمات الأساسية للغطاء النباتي من بيانات Sentinel-2. تم تدريب النموذج حصريًا على بيانات محاكاة، ومع ذلك، فإنه يحقق أداءً يعادل الأساليب المتطورة التي تستخدم الصور الحقيقية، حيث ينجح في استعادة مؤشر مساحة الأوراق ومحتوى الكلوروفيل للغطاء النباتي من مجموعات بيانات العالم الحقيقي.

La recuperación precisa de variables biofísicas de la vegetación a partir de imágenes satelitales es crucial para el monitoreo de ecosistemas y la gestión agrícola. Este estudio propone una arquitectura Transformer-VAE informada por la física para invertir el modelo de transferencia radiativa PROSAIL, permitiendo la estimación simultánea de parámetros clave del dosel a partir de datos de Sentinel-2. El modelo, entrenado exclusivamente con datos simulados, logra un rendimiento comparable a los métodos de última generación que utilizan imágenes reales, recuperando con éxito el índice de área fol…

La récupération précise des variables biophysiques de la végétation à partir des images satellites est essentielle pour le suivi des écosystèmes et la gestion agricole. Cette étude présente une architecture Transformer-VAE informée par la physique conçue pour inverser le modèle de transfert radiatif PROSAIL, permettant l'estimation simultanée de paramètres clés de la canopée à partir des données Sentinel-2. Le modèle, entraîné uniquement sur des données simulées, montre des performances comparables aux méthodes de pointe utilisant des images réelles, réussissant à récupérer l'indice de surface…

The accurate retrieval of vegetation biophysical variables from satellite imagery is essential for ecosystem monitoring and agricultural management. This study introduces a physics-informed Transformer-VAE architecture designed to invert the PROSAIL radiative transfer model, enabling the simultaneous estimation of key canopy parameters from Sentinel-2 data. The model, trained solely on simulated data, demonstrates performance comparable to state-of-the-art methods that utilize real imagery, successfully retrieving leaf area index and canopy chlorophyll content from real-world datasets.

Physics informed Transformer-VAE for biophysical parameter estimation: PROSAIL model inversion in Sentinel-2 imagery

Was this article worth reading? Share it

PlantFCE Model Builder

Airparser

Attentive AI

SellerPic

Zemith-3bda3b

Solvice

Ready to build your own newsroom?