Anterior|Siguiente

Reconocimiento del límite de glaciares en imágenes SAR de polarización completa basado en aprendizaje 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

resumen

El reconocimiento de glaciares es de gran importancia para la vigilancia de los recursos hídricos y el cambio climático en las regiones circundantes. Las imágenes SAR de polarización completa contienen características ricas como dispersión de superficie, dispersión de doble orden, dispersión volumétrica y propiedades estadísticas, mientras que el aprendizaje profundo puede explotar completamente la información de la imagen. Por lo tanto, el uso de imágenes SAR de polarización completa combinado con aprendizaje profundo puede obtener resultados precisos en el reconocimiento de glaciares. Este artículo se basa en imágenes ALOS2-PALSAR de polarización completa del extremo occidental de la cordillera del Himalaya, utilizando una red de extracción de características VGG16 y un modelo de red neuronal convolucional totalmente convolucional, U-net, combinados en VGG16-unet para reconocer glaciares. Las características utilizadas incluyen elementos diagonales de la matriz de coherencia de polarización, Freeman-Durden, H/A/α, Pauli, VanZyl, Yamaguchi, sumando un total de 19 características de descomposición de polarización. Para aprovechar completamente la información de la imagen, estas características fueron analizadas y combinadas, y se comparó su precisión en el reconocimiento de glaciares para seleccionar la mejor característica. Debido a las diferencias significativas en la topografía entre glaciares y no glaciares, se utilizaron DEM, pendiente y ángulo de incidencia local como características auxiliares combinadas con las características de polarización. La comparación de la precisión de clasificación de diferentes características de polarización mostró que las características Pauli, Freeman-Durden, VanZyl y Yamaguchi basadas en propiedades físicas tienen una alta precisión, siendo la precisión de clasificación de la característica Pauli la más alta, con una precisión global (OA) de 92.54% y un índice de intersección sobre unión promedio (mIoU) de 78.78%. Después de añadir datos topográficos, la precisión global (OA) aumentó a 94.34% y el mIoU medio aumentó a 82.35%. Para mejorar aún más la precisión del reconocimiento de glaciares, se propuso un método de combinación cruzada de características SDV (dispersión superficial, dispersión doble, dispersión volumétrica) seleccionadas en función de la precisión global (OA) y la tasa de recuerdo (Recall) de características de banda única, mostrando resultados que indican que esta combinación alcanza una precisión global (OA) de 94.98% y un mIoU de 85.67%, superior en un 0.64% y 3.32% respectivamente a la precisión de clasificación de la característica Pauli. Los resultados anteriores indican que la selección de la mejor combinación de características junto con el aprendizaje profundo desempeña un papel importante en la mejora de la precisión del reconocimiento de glaciares.

palabra clave

teledetección; glaciar; ALOS2-PALSAR; descomposición de polarización; segmentación de imágenes; aprendizaje profundo; 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

Leer el 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