Anterior|Próximo

Reconhecimento dos limites de geleiras a partir de imagens SAR totalmente polarizadas baseado em aprendizado profundo

  • 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

Resumo

O reconhecimento de geleiras é de grande importância para o monitoramento dos recursos hídricos e das mudanças climáticas nas áreas circundantes. Imagens SAR totalmente polarizadas contêm características ricas, como espalhamento da superfície, espalhamento duplo, espalhamento volumétrico e propriedades estatísticas, enquanto o aprendizado profundo pode explorar totalmente as informações da imagem. Portanto, o uso de imagens SAR totalmente polarizadas combinadas com aprendizado profundo pode obter resultados precisos no reconhecimento de geleiras. Este artigo é baseado nas imagens totalmente polarizadas ALOS2-PALSAR da extremidade oeste da cordilheira do Himalaia, utilizando a rede de extração de características VGG16 e o modelo de rede neural convolucional totalmente convolucional U-net combinados no VGG16-unet para o reconhecimento de geleiras. As características utilizadas incluem os elementos diagonais da matriz de coerência de polarização, Freeman-Durden, H/A/α, Pauli, VanZyl, Yamaguchi, totalizando 19 características de decomposição de polarização. Para aproveitar ao máximo as informações de imagem, essas características foram analisadas e combinadas, comparando sua precisão no reconhecimento de geleiras para selecionar as melhores características. Devido às diferenças significativas na topografia entre geleiras e áreas não glaciais, DEM, declividade e ângulo de incidência local foram usados como características auxiliares combinadas com as características de polarização. A comparação da precisão de classificação das diferentes características de polarização mostrou que as características Pauli, Freeman-Durden, VanZyl e Yamaguchi baseadas nas propriedades físicas apresentaram alta precisão, sendo a precisão da classificação das características Pauli a mais alta, com precisão geral (OA) de 92,54% e índice médio de interseção sobre união do usuário (mIoU) de 78,78%. Após adicionar dados topográficos, a precisão geral (OA) aumentou para 94,34% e o mIoU médio para 82,35%. Para melhorar ainda mais a precisão do reconhecimento de geleiras, foi proposta uma forma de combinação cruzada das características SDV (espalhamento superficial, espalhamento duplo, espalhamento volumétrico) selecionadas com base na precisão geral (OA) e na taxa de recall para características de banda única, e os resultados mostraram que essa combinação alcançou precisão geral (OA) de 94,98% e mIoU de 85,67%, que são 0,64% e 3,32% superiores respectivamente à precisão da classificação das características Pauli. Os resultados acima indicam que a escolha da melhor combinação de características em conjunto com o aprendizado profundo desempenha um papel importante na melhoria da precisão do reconhecimento de geleiras.

Palavras-chave

sensoriamento remoto; geleira; ALOS2-PALSAR; decomposição de polarização; segmentação de imagem; aprendizado profundo; Himalaia

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

Leia o texto completo

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