Précédent|Prochain

Reconnaissance des limites des glaciers à partir d’images SAR entièrement polarisées basée sur l’apprentissage profond

  • role： First author第一作者
  • Affiliation：

    School of Geographic and Oceanographic Science, Nanjing University, Nanjing 210000, China

  • Email：734408513@qq.com
  • Introduction：范吉延，研究方向为极地遥感影像识别。E-mail：734408513@qq.com
FAN Jiyan,  
  • role： Corresponding author通信作者
  • Affiliation：

    School of Geographic and Oceanographic Science, Nanjing University, Nanjing 210000, China

  • Email：kecq@nju.deu.cn
  • Introduction：柯长青，研究方向为冰雪与水资源遥感，E-mail：kecq@nju.deu.cn
KE Changqing*,  
  • Affiliation：

    School of Geographic and Oceanographic Science, Nanjing University, Nanjing 210000, China

YAO Guohui,  
  • Affiliation：

    School of Geographic and Oceanographic Science, Nanjing University, Nanjing 210000, China

WANG Zifei

résumé

La reconnaissance des glaciers est d’une importance capitale pour la surveillance des ressources en eau et des changements climatiques dans les régions environnantes. Les images SAR entièrement polarisées contiennent des caractéristiques riches telles que la diffusion de surface, la diffusion double, la diffusion volumique et les propriétés statistiques, tandis que l’apprentissage profond est capable d’exploiter pleinement l’information d’image. Par conséquent, l’utilisation des images SAR entièrement polarisées combinées à l’apprentissage profond permet d’obtenir une reconnaissance précise des glaciers. Cet article est basé sur des images ALOS2-PALSAR entièrement polarisées à l’extrémité ouest de la chaîne de l’Himalaya, utilisant le réseau d’extraction de caractéristiques VGG16 et le réseau de neurones convolutionnel entièrement convolutif U-net combinés dans VGG16-unet pour identifier les glaciers. Les caractéristiques utilisées comprennent les éléments diagonaux de la matrice de cohérence de polarisation, Freeman-Durden, H/A/α, Pauli, VanZyl, Yamaguchi, soit un total de 19 paramètres de décomposition de polarisation. Afin d’exploiter pleinement les informations d’image, ces caractéristiques ont été analysées et combinées, et leur précision de reconnaissance des glaciers a été comparée afin de sélectionner la meilleure caractéristique. Étant donné les différences significatives entre la topographie des glaciers et des zones non glaciaires, le DEM, la pente et l’angle d’incidence local ont été utilisés comme caractéristiques auxiliaires combinées aux caractéristiques de polarisation. La comparaison de la précision de classification des différentes caractéristiques de polarisation a montré que les caractéristiques Pauli, Freeman-Durden, VanZyl, Yamaguchi basées sur les propriétés physiques présentaient une excellente précision, avec la caractéristique Pauli obtenant la meilleure précision, la précision globale (OA) atteignant 92,54% et l’indice moyen d’intersection sur union (mIoU) atteignant 78,78%. Après l’ajout des données topographiques, la précision globale (OA) a augmenté à 94,34%, et l’indice moyen d’intersection sur union (mIoU) a augmenté à 82,35%. Afin d’améliorer davantage la précision de reconnaissance des glaciers, une méthode de combinaison croisée des caractéristiques SDV (diffusion de surface, double diffusion, diffusion volumique) sélectionnées en fonction de la précision globale (OA) et du taux de rappel (Recall) pour les caractéristiques à bande unique a été proposée. Les résultats montrent que cette combinaison atteint une précision globale (OA) de 94,98% et un indice d’intersection sur union (mIoU) de 85,67%, soit respectivement 0,64% et 3,32% supérieurs à ceux de la classification par la caractéristique Pauli. Ces résultats démontrent que le choix de la meilleure combinaison de caractéristiques combinée à l’apprentissage profond joue un rôle important dans l’amélioration de la précision de reconnaissance des glaciers.

mots-clés

télédétection; glacier; ALOS2-PALSAR; décomposition de polarisation; segmentation d’image; apprentissage profond; Himalaya

References

  1. 1.
    Badrinarayanan V, Kendall A and Cipolla R. 2017. SegNet: a deep convolutional encoder-decoder architecture for image segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(12): 2481-2495
  2. 2.
    Brun F, Berthier E, Wagnon P, Kääb A and Treichler D. 2017. A spatially resolved estimate of high mountain Asia glacier mass balances from 2000 to 2016. Nature Geoscience, 10(9): 668-673
  3. 3.
    Callegari M, Carturan L, Marin C, Notarnicola C, Rastner P, Seppi R and Zucca F. 2016. A Pol-SAR analysis for alpine glacier classification and snowline altitude retrieval. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(7): 3106-3121
  4. 4.
    Cloude S R. 1985. Target decomposition theorems in radar scattering. Electronics Letters, 21(1): 22-24
  5. 5.
    Cloude S R and Pottier E. 1996. A review of target decomposition theorems in radar polarimetry. IEEE Transactions on Geoscience and Remote Sensing, 34(2): 498-518
  6. 6.
    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
  7. 7.
    Harris C, Arenson L U, Christiansen H H, Etzelmüller B, Frauenfelder R, Gruber S, Haeberli W, Hauck C, Hölzle M, Humlum O, Isaksen K, Kääb A, Kern-Lütschg M A, Lehning M, Matsuoka N, Murton J B, Nözli J, Phillips M, Ross N, Seppälä M, Springman S M and Vonder Mühll D. 2009. Permafrost and climate in Europe: monitoring and modelling thermal, geomorphological and geotechnical responses. Earth-Science Reviews, 92(3/4): 117-171
  8. 8.
    Huang L, Li Z, Tian B S, Zhou J M and Chen Q. 2014. Recognition of supraglacial debris in the Tianshan mountains on polarimetric SAR images. Remote Sensing of Environment, 145: 47-54
  9. 9.
    Immerzeel W W, van Beek L P H and Bierkens M F P. 2010. Climate change will affect the Asian water towers. Science, 328(5984): 1382-1385
  10. 10.
    Lee J S, Wen J H, Ainsworth T L, Chen K S and Chen A J. 2009. Improved sigma filter for speckle filtering of SAR imagery. IEEE Transactions on Geoscience and Remote Sensing, 47(1): 202-213
  11. 11.
    Nie Y, Zhang Y L, Liu L S and Zhang J P. 2010. Monitoring glacier change based on remote sensing in the Mt. Qomolangma national nature preserve, 1976-2006. Acta Geographica Sinica, 65(1): 13-28
  12. 12.
    Parrella G, Hajnsek I and Papathanassiou K P. 2016. Polarimetric decomposition of L-band PolSAR backscattering over the austfonna ice cap. IEEE Transactions on Geoscience and Remote Sensing, 54(3): 1267-1281
  13. 13.
    Paul F, Bolch T, Briggs K, Kääb A, McMillan M, McNabb R, Nagler T, Nuth C, Rastner P, Strozzi T and Wuite J. 2017. Error sources and guidelines for quality assessment of glacier area, elevation change, and velocity products derived from satellite data in the Glaciers_cci project. Remote Sensing of Environment, 203: 256-275
  14. 14.
    Paul F, Bolch T, Kääb A, Nagler T, Nuth C, Scharrer K, Shepherd A, Strozzi T, Ticconi F, Bhambri R, Berthier E, Bevan S, Gourmelen N, Heid T, Jeong S, Kunz M, Lauknes T R, Luckman A, Boncori J P M, Moholdt G, Muir A, Neelmeijer J, Rankl M, Van Looy J and Van Niel T. 2015. The glaciers climate change initiative: methods for creating glacier area, elevation change and velocity products. Remote Sensing of Environment, 162: 408-426
  15. 15.
    Ronneberger O, Fischer P and Brox T. 2015. U-net: convolutional networks for biomedical image segmentation//18th International Conference on Medical Image Computing and Computer-Assisted Intervention. Munich: Springer: 234-241
  16. 16.
    Scherler D, Bookhagen B and Strecker M R. 2011. Spatially variable response of Himalayan glaciers to climate change affected by debris cover. Nature Geoscience, 4(3): 156-159
  17. 17.
    Sharma J J, Hajnsek I, Papathanassiou K P and Moreira A. 2011. Polarimetric decomposition over glacier ice using long-wavelength airborne polSAR. IEEE Transactions on Geoscience and Remote Sensing, 49(1): 519-535
  18. 18.
    Shi J C and Dozier J. 1993. Measurements of snow-and glacier-covered areas with single-polarization SAR. Annals of Glaciology, 17: 72-76
  19. 19.
    Simonyan K and Zisserman A. 2015. Very deep convolutional networks for large-scale image recognition. arXiv:1409.1556
  20. 20.
    Singh G, Venkataraman G, Yamaguchi Y and Park S E. 2014. Capability assessment of fully polarimetric ALOS-PALSAR data for discriminating wet snow from other scattering types in mountainous regions. IEEE Transactions on Geoscience and Remote Sensing, 52(2): 1177-1196
  21. 21.
    Takeuchi S and Oguro Y. 2003. A comparative study of coherence patterns in C-band and L-band interferometric SAR from tropical rain forest areas. Advances in Space Research, 32(11): 2305-2310
  22. 22.
    Thakur P K, Aggarwal S P, Arun G, Sood S, Kumar A S, Mani S and Dobhal D P. 2017. Estimation of snow cover area, snow physical properties and glacier classification in parts of western Himalayas using C-band SAR data. Journal of the Indian Society of Remote Sensing, 45(3): 525-539
  23. 23.
    Usami N, Muhuri A, Bhattacharya A and Hirose A. 2016. PolSAR wet snow mapping with incidence angle information. IEEE Geoscience and Remote Sensing Letters, 13(12): 2029-2033
  24. 24.
    van Zyl J J, Arii M and Kim Y. 2011. Model-based decomposition of polarimetric SAR covariance matrices constrained for nonnegative eigenvalues. IEEE Transactions on Geoscience and Remote Sensing, 49(9): 3452-3459
  25. 25.
    Vijay S and Braun M. 2018. Early 21st century spatially detailed elevation changes of Jammu and Kashmir glaciers (Karakoram-Himalaya). Global and Planetary Change, 165: 137-146
  26. 26.
    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
  27. 27.
    Yao G H, Ke C Q, Zhou X B, Lee H, Shen X Y and Cai Y. 2020. Identification of alpine glaciers in the central Himalayas using fully polarimetric L-band SAR data. IEEE Transactions on Geoscience and Remote Sensing, 58(1): 691-703
  28. 28.
    Zhao Q H, Guo S B, Li X L and Li Y. 2018. Polarimetric SAR sea ice classification based on target decompositional features. Acta Geodaetica et Cartographica Sinica, 47(12): 1609-1620

Lire l'article complet

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