Früher|Nächster

Extraktion und Klassifikation von Dual-Polarisation SAR-Streumerkmalen landwirtschaftlicher Flächen basierend auf Drehungstransformation

  • role： First author第一作者
  • Affiliation：

    School of Civil Engineering, Xiangtan University, Xiangtan 411105, China

  • Email：xtuhwt@xtu.edu.cn
  • Introduction：韩文涛，研究方向为SAR模型分解与应用研究。E-mail： xtuhwt@xtu.edu.cn
HAN Wentao1,  
  • Affiliation：

    School of Civil Engineering, Xiangtan University, Xiangtan 411105, China

WANG Mingxu1,  
  • Affiliation：

    Xiangtan Survey and Design Institute, Xiangtan 411105, China

CHEN Shulu2,  
  • Affiliation：

    College of Oceanography and Space Informatics, China University of Petroleum, Qingdao 266580, China

GAO Han3,  
  • Affiliation：

    School of Geosciences and Info‑Physics, Central South University, Changsha 410083, China

WANG Changcheng4,  
  • Affiliation：

    School of Geosciences and Info‑Physics, Central South University, Changsha 410083, China

ZHU Jianjun4

Resümee

Polarisiertes SAR (Synthetic Aperture Radar) spielt dank seiner Vorteile des Rund-um-die-Uhr- und Wetterunabhängigen Betriebs eine wichtige Rolle bei der Ernteklassifikation. Derzeit ist der Aufbau der Beziehung zwischen polarisationsaufgelösten Merkmalen und Erntearten auf Basis von maschinellen Lernmethoden ein wichtiger Weg zur Umsetzung der polarisationsbasierten SAR-Klassifikation. Bei den bestehenden Dual-Polarisation-Zerlegungsmethoden wird jedoch oft auf feste Streumodelle zurückgegriffen, wodurch nur diskrete Streumerkmale gewonnen werden können, was die detaillierte Beschreibung komplexer Streuinformationen von Pflanzen einschränkt. Daher wird in diesem Artikel eine Methode zur Extraktion von Streumerkmalen des dualen Polarisations-SAR basierend auf Drehungstransformation vorgeschlagen. Diese Methode verwendet zwei Polarisationsparameter, die den dualpolarisations Raum darstellen, um einen Rotationsvektor zu konstruieren. Die kontinuierliche Projektion der Beobachtungsmatrix auf den Rotationsvektor kann eine große Anzahl kontinuierlicher Streumerkmale gewinnen, wodurch die Streueigenschaften verschiedener Pflanzen umfassender reflektiert und die Unterschiede zwischen Klassen verstärkt werden. Als Versuchsgebiete wurden zwei landwirtschaftliche Versuchsbereiche in Jinchang, Provinz Gansu, China, und Kalifornien, USA, ausgewählt. Die Versuchsergebnisse zeigen, dass im Vergleich zu bestehenden Dual-Polarisations-Zerlegungsmethoden die Klassifikationsgenauigkeit im Versuchsgebiet Jinchang mit der neuen Methode 96,10 % erreicht, was eine Steigerung von 4,73 %, 2,23 % und 2,83 % gegenüber der C2-Matrix, Stokes- und Cloude-Zerlegung entspricht; im Kalifornien-Versuchsgebiet beträgt die Klassifikationsgenauigkeit 93,01 %, mit einer Steigerung von 5,07 %, 3,19 % und 3,13 % gegenüber den genannten Methoden, was beweist, dass die hier vorgestellte Methode eine stabile Verbesserung der Klassifikationsleistung in verschiedenen agrarischen Szenarien erzielt.

Schlüsselwort

Dual-Polarisation SAR; Kontinuierliche Streumerkmale; Pflanzenklassifikation; Drehungstransformation

References

  1. 1.
    Aires U R V, Martins V S, Ferreira L B, Huang Y, Heintzman L and Ouyang Y. 2025. Impact of sampling techniques on crop type mapping using multi-temporal composites from Harmonized Landsat-Sentinel images. Computers and Electronics in Agriculture, 237(Part B): 110676
  2. 2.
    Cao Z Y. 2022. Polarization information reconstruction based on deep learning. Beijing: Beijing University of Chemical Technology
  3. 3.
    Chen J, Liu T Y, Shi Q, Dong J W and Chen Y. 2025. Early-season crop classification: recent developments and prospects. National Remote Sensing Bulletin, 29(6): 1890-1900
  4. 4.
    Chen Q H, Liu X G and Chen Q. 2014. An integrated multi-feature segmentation method for fully polarimetric SAR images. Geomatics and Information Science of Wuhan University, 39(12): 1419-1424
  5. 5.
    Chen S W, Li Y Z, Wang X S and Xiao S P. 2017. Polarimetric SAR target scattering interpretation in rotation domain: theory and application. Journal of Radars, 6(5): 442-455
  6. 6.
    Chen S W, Wang X S, Xiao S P and Sato M. 2014. General polarimetric model-based decomposition for coherency matrix. IEEE Transactions on Geoscience and Remote Sensing, 52(3): 1843-1855
  7. 7.
    Cloude S R. 2007. The dual polarization entropy/alpha decomposition: a PALSAR case study. Science and Applications of SAR Polarimetry and Polarimetric Interferometry. Frascati: European Space Agency: 2
  8. 8.
    Cloude S R and Pottier E. 1997. An entropy based classification scheme for land applications of polarimetric SAR. IEEE Transactions on Geoscience and Remote Sensing, 35(1): 68-78
  9. 9.
    Freeman A. 2007. Fitting a two-component scattering model to polarimetric SAR data from forests. IEEE Transactions on Geoscience and Remote Sensing, 45(8): 2583-2592
  10. 10.
    Freeman A and Durden S L. 1998. A three-component scattering model for polarimetric SAR data. IEEE Transactions on Geoscience and Remote Sensing, 36(3): 963-973
  11. 11.
    Han W T, Fu H Q, Zhu J J, Zhang S R, Xie Q H and Hu J. 2023. A polarimetric projection-based scattering characteristics extraction tool and its application to PolSAR image classification. ISPRS Journal of Photogrammetry and Remote Sensing, 202: 314-333
  12. 12.
    Han W T, Zhou C, Zhu J J, Fu H Q, Xie Q H, Hu J, Wang C C and Gao H. 2025. Research progress and prospects of polarimetric SAR decomposition. Geomatics and Information Science of Wuhan University, 50(8): 1498-1516
  13. 13.
    Huynen J R. 1970. Phenomenological theory of radar targets. Delft: Delft University of Technology
  14. 14.
    Ji K F and Wu Y R. 2015. Scattering mechanism extraction by a modified Cloude-Pottier decomposition for dual polarization SAR. Remote Sensing, 7(6): 7447-7470
  15. 15.
    Krizhevsky A, Sutskever I and Hinton G. 2012. ImageNet classification with deep convolutional neural networks. In: Proceedings of the 25th International Conference on Neural Information Processing Systems. Lake Tahoe, Nevada: ACM
  16. 16.
    Lee J S and Pottier E. 2009. Polarimetric radar imaging: from basics to applications. Boca Raton: CRC Press
  17. 17.
    Li D, Zhang Y and Liang L. 2020. A mathematical extension to the general four-component scattering power decomposition with unitary transformation of coherency matrix. IEEE Transactions on Geoscience and Remote Sensing, 58(11): 7772-7789
  18. 18.
    Li H Z, Wang C, Zhang H and Liu L. 2012. A unified three-component scattering model for polarimetric coherent target decomposition. International Journal of Remote Sensing, 33(9): 2868-2891
  19. 19.
    Li Y, Yang J F, Zhang H S, Li G and Chen J. 2024. Review of the studies on remote sensing classification based on polarimetric Synthetic Aperture Radar. National Remote Sensing Bulletin, 28(8): 1835-1853
  20. 20.
    Mascolo L, Cloude S R and Lopez-Sanchez J M. 2022. Model-based decomposition of dual-pol SAR data: application to Sentinel-1. IEEE Transactions on Geoscience and Remote Sensing, 60: 5220119
  21. 21.
    Shen M H. 2020. Research on coastal zone land cover classification method based on multi-temporal remote sensing. Qingdao: China University of Petroleum (East China)
  22. 22.
    Shi L, Sun W D, Yang L, Yang J, Zhao L L, Li P X and Liu Y B. 2025. Evaluation of radiometric and polarimetric errors in the LT-1A satellite data based on tropical forests in the Amazon. Journal of Radars, 14(2): 405-423
  23. 23.
    Sun W D, Du X L, Yang J, Shi L, Li M Y, Zhao L L and Hu C. 2025. Reconstruction of full-polarimetric SAR data based on dual-polarimetric observations from the LT-1 Satellite. National Remote Sensing Bulletin, 29(11): 3109-3123
  24. 24.
    Wang S L, Qiu Y, Zhao C B, Zou J X and Wang C F. 2025. eDPRF: Efficient differentially private random forest training algorithm. Journal of Software, 36(7): 2929-2946
  25. 25.
    Wang T T. 2024. Research on polarimetric SAR target decomposition method based on scattering matrix optimization. Xi'an: Xidian University
  26. 26.
    Wu Y H, Ji K F and Yu W X. 2008. Comparison of classification performance of full-, dual- and single-polarization SAR images using SVM. Journal of Remote Sensing, (1): 46-53
  27. 27.
    Wu Y R. 2013. The concept of multidimensional synthetic aperture radar imaging. Journal of Radars, 2(2): 135-142
  28. 28.
    Xiang D L, Xie Y Z, Cheng J D, Xu Y H, Zhang H and Zheng Y P. 2022. Optical and SAR image registration based on feature decoupling network. IEEE Transactions on Geoscience and Remote Sensing, 60: 1-13
  29. 29.
    Xu F, Wang H P and Jin Y Q. 2017. Application of deep learning to SAR target recognition and terrain classification. Journal of Radars, 6(2): 136-148
  30. 30.
    Yamaguchi Y, Moriyama T, Ishido M and Yamada H. 2005. Four-component scattering model for polarimetric SAR image decomposition. IEEE Transactions on Geoscience and Remote Sensing, 43(8): 1699–1706
  31. 31.
    Yang J, Xiong T and Peng Y N. 2006. Polarimetric SAR image classification by using generalized optimization of polarimetric contrast enhancement. International Journal of Remote Sensing, 27(16): 3413-3424
  32. 32.
    Yu F H, Bai J C, Fang J Y, Guo S E, Zhu S F and Xu T Y. 2024. Integration of a parameter combination discriminator improves the accuracy of chlorophyll inversion from spectral imaging of rice. Agriculture Communications, 2(3): 100055
  33. 33.
    Zhang B, Perrie W, Li X F and Pichel W G. 2011. Mapping sea surface oil slicks using RADARSAT-2 quad-polarization SAR image. Geophysical Research Letters, 38: L10602
  34. 34.
    Zhang L M. 2010. Research on feature extraction and detection of man-made target using polarimetric SAR images. Harbin: Harbin Institute of Technology

Lesen Sie die ganze Passage

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website