CN109145870A - 基于sar极化分解和卷积神经网络的两阶段盐碱地监测方法 - Google Patents

基于sar极化分解和卷积神经网络的两阶段盐碱地监测方法 Download PDF

Info

Publication number
CN109145870A
CN109145870A CN201811060915.6A CN201811060915A CN109145870A CN 109145870 A CN109145870 A CN 109145870A CN 201811060915 A CN201811060915 A CN 201811060915A CN 109145870 A CN109145870 A CN 109145870A
Authority
CN
China
Prior art keywords
data
salt
soda soil
pixel
sub
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811060915.6A
Other languages
English (en)
Other versions
CN109145870B (zh
Inventor
李俐
张迁迁
尤淑撑
魏海
孔庆玲
张超
朱德海
杨建宇
杨永侠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinjiang Zhongnong Zhishui Technology Co ltd
Original Assignee
China Agricultural University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Agricultural University filed Critical China Agricultural University
Priority to CN201811060915.6A priority Critical patent/CN109145870B/zh
Publication of CN109145870A publication Critical patent/CN109145870A/zh
Application granted granted Critical
Publication of CN109145870B publication Critical patent/CN109145870B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Processing (AREA)

Abstract

本发明属于土地利用分类领域，涉及基于SAR极化分解和卷积神经网络的两阶段盐碱地监测方法，具体为：选作业区，获取遥感影像R2SLC及矢量的GPS点位数据，将点数据生成封闭的多边形；目视解译得到更多土地利用矢量多边形，并将矢量多边形栅格化；划分子区，在每一个子区计算10个特征，合并得到多极化多特征数据集；在每个子区进行感兴趣区ROI提取操作，得到每个像素的多极化多特征数据集；使用数据过拟合技术得到第一阶段均衡数据集；将75％的均衡后数据用于训练,25％用于验证；在第二阶段设计、优化CNN神经网络结构；以优化参数模型对未知影像进行逐像素识别，提取出盐碱地土地类型。本发明的方法对类型分布不平衡的待分类样本可以有效改善其分类精度。

Description

基于SAR极化分解和卷积神经网络的两阶段盐碱地监测方法
技术领域
本发明涉及盐碱地监测领域，具体涉及一种基于SAR极化分解和卷积神经网络的两阶段盐碱地监测方法。
背景技术
盐碱化和土壤次生盐碱化是土地退化的主要类型和诱因之一，它严重影响着生态环境，甚至威胁到粮食安全。因此快速准确实现盐碱地监测对及时获取盐渍土的扩展变化信息、了解生态环境变化，进而制定合理的盐碱地治理和环境改良方案具有重要意义。遥感技术的快速发展使得基于遥感技术的盐碱地大面积监测成为可能。
基于遥感技术的盐碱地监测研究兴起于上世纪70年代。随着遥感和卫星技术的发展，遥感数据源日趋丰富，更多波段更多时相的遥感数据被应用于土地盐碱化的监测中，监测方法也逐渐从人工目视解译向基于机器视觉的计算机自动分类过渡，监测的速度、精准性和广泛性不断提高。目前，通过遥感技术进行盐碱地监测的研究已有很大收获，然而，这些方法主要集中于光学遥感探测，存在以下几个方面的问题：1)主要基于盐碱土或盐生植被的光谱特征进行监测，盐渍未饱和析出时光谱特性与盐碱性相关性不强，同时易受地表覆盖遮挡，造成监测信息不准确；2)光学图像获取受到光照影响，在云雨地区获取不易。
具有较强穿透性的微波，其后向散射系数与土壤盐渍化程度之间有良好的相关性，国内外已有研究表明采用雷达数据能很好地区分盐渍化土地和非盐渍化土地，效果并不理想。研究主要集中于采用多时相、多极化、多波段合成孔径雷达(Synthetic ApertureRadar，SAR)数据的后向散射值幅度信息提取盐碱地，也有研究利用了SAR数据与光学数据融合进行盐碱地提取的。这些研究主要利用不同时相/极化/波段的SAR数据后向散射幅度数据，组成不同提取指数，实现盐碱地监测。研究中较少利用SAR数据中复数信息的相位部分，另外混合像素点等造成的样本点不理想分布也会造成检测精度的降低。因此，利用多极化复数据提供的丰富信息并优化处理样本信息将更有利于盐碱地监测处理。
由于星载SAR覆盖范围广，获取周期短，适合大范围遥感监测。但是其地面分辨率低，故直接在图像上分割出盐碱地精度不高，大范围数据不能自动化提取盐碱地区。而盐碱地可视作土地利用一个类别，从而将盐碱地监测转化为土地利用分类问题，盐碱地与周边的土地利用类型密切相关，可以更好的进行土地利用监测。
以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习借鉴人脑的机制提供特征学习和分层特征高效提取，是计算机视觉领域最先进算法，能实现高性能的信息检测。目前，卷积神经网络在光学图像的处理、识别中成功应用。但是CNN及其变形网络对类别分布不均匀(Uneven or Imbanlaced Data)的训练数据无能为力。由于SAR成像的特点，SAR图像分辨率较低，获取分布合理的标签样本难度大，使得直接使用CNN对SAR数据特征学习与监测效果不好。同时，对盐碱地监测，目前还未见基于深度学习的公开报道。因此，基于多极化雷达复数据极化分解，并采用过采样(Over-Sampling)对数据特征与标签分布进行优化，利用CNN深度学习这一先进技术，实现SAR训练数据准备与均衡和CNN学习与预测两阶段盐碱地监测具有重要意义。
发明内容
为解决现有的技术下存在的如下问题：光学遥感盐碱地分布数据获取存在障碍，SAR遥感数据精度不够，所供参考的地物标签少且分布不均匀，进而在大范围监测时精度低。本发明提供了一种基于极化分解的深度学习盐碱地监测方法，该方法可以充分利用SAR复数据所提供的丰富信息，对样本数据进行均衡，实现高精度、高鲁棒性、大范围的盐碱地监测。
本发明提供一种基于SAR极化分解和卷积神经网络的两阶段盐碱地监测方法，其为：选作业区，获取遥感影像R2 SLC及矢量的GPS点位数据，将点数据生成封闭的多边形；目视解译得到更多土地利用矢量多边形，并将矢量多边形栅格化；划分子区，在每一个子区计算10个特征，合并得到多极化多特征数据集；在每个子区进行感兴趣区ROI提取操作，得到每个像素的多极化多特征数据集；使用数据过拟合技术得到第一阶段均衡数据集；将75％的均衡后数据用于训练,25％用于验证；在第二阶段设计、优化CNN神经网络结构；以优化参数模型对未知影像进行逐像素识别，提取出盐碱地土地类型。具体步骤如下：
S1、根据盐碱地监测的需求选定已知盐碱化作业区，获取作业区范围内不同时期的所有Radarsat-2卫星单视复数影像R2 SLC，以及该作业区内待土地利用调查的样本数据，根据GPS坐标串形成封闭的矢量多边形(Polygons)并在GIS软件中展示；
S2、将采集的样本数据叠加到高分辨率的光学底图以及R2 SLC上，目视解译同类样本区，得到更多土地利用标签(LabelDataset,LDS)；同时将矢量格式的样本数据转为栅格格式(Raster-LDS)，令其空间分辨率与R2 SLC数据保持一致；
S3、将作业区划分为不同的子区，保证每个子区内遥感数据尽可能全覆盖，如果某个数据无法全覆盖子区，则用NaN值填补；在每一个子区，有四极化SLC影像，根据Yamaguchi极化分解原理，得到协方差矩阵(Covariance Matrix,C)的6个特征：C11，C12，C13，C22,C23,C33；并分别从每个影像数据按像素计算得到单次散射值fs、二面角fd、体散射fv、旋状体fc这4个特征；将所有的10个特征层进行逐层合并，得到多极化多特征数据集(Multi-Polarization and Multi-Indexs Dataset,MPMIDS)；
S4、在S3生成的每一个子区内，进行如下的操作：将MPMIDS和Raster-LDS的样本数据进行感兴趣区ROI提取操作，得到该子区提取的感兴趣区ROI逐像素的多极化多特征数据集；
S5、由于盐碱监测的作业需要，S4形成的数据集中，盐碱化土地类型远多于其他土地利用类型，采用过采样的方法对S4数据的类型进行类型均衡，得到均衡数据集(BalancedMPMIDS)；
S6、将S5的数据按照逐特征层进行最大最小值归一化，并以75％的数据用于训练(training),其余25％用于验证(validation)；
S7、使用TensorFlow深度学习框架，设计CNN神经网络结构；
S8、加载S7中设计的未训练模型和S6中数据到神经网络中进行自动学习、调参(fine-tuning)，优化模型参数；
S9、用优化参数模型对未知的覆盖区影像进行逐像素识别，只提取出盐碱地土地类型像素，并进行空间化，指导盐碱地土地改良或利用。
其中，S1所述R2 SLC是指Radarsat-2卫星的斜距产品(SLC)。
其中，S3所述得到协方差矩阵的6个特征，其计算过程如下：
四极化SLC影像像素点表示为矩阵S：
定义k3L：
则有：
其中，理论条件下，SHV＝SVH，k是S矩阵一种矢量化，C矩阵元素表示为Cij(i＝1,2,3；j＝1,2,3)，本发明具体选择相互独立的6个元素；*表示复数共轭转置，<·>表示按视数平均，协方差矩阵C为全极化SAR SLC数据极化分解的基础。
其中，S3所述数据按像素计算得到单次散射值fs、二面角fd、体散射fv、旋状体fc这4个特征，即Yamaguchi四组份极化分解(fc/fv/fd/fs)，有效的反映土地利用类型极化信息，其计算公式如下：
其中，Im()、Re()分别表示取复数的实部和虚部，且Re(Cij)≠0；
若Re(C13)>0，则
fs＝B (7)
若Re(C13)<0，则
fd＝A (8)
其中，A、B、C计算过程如下：
其中，S3所述多极化多特征数据集在计算机中存储格式为多层TIFF合成的文件，数据类型Float。
其中，S6所述将S5的数据按照逐特征层进行最大最小值归一化，将10个特征指标的值都归一化到区间[0,1]，并将其转CSV文本形式:即(row,col,f1,f2,...,f10，class_type)。
其中，S6所述将S5的数据按照逐特征层进行最大最小值归一化，具体为将10个特征指标的值都归一化到0-1之间，并将其转为CSV文本形式：即(row,col,X1,X2...X10，Class)。
其中，S8所述调参、优化，为使用训练好的模型对未知SAR每个像素的进行预测，每个像素预测结果是一个数值，每个数值关联一种土地类型，整个SAR在计算时读入内存的是一个存储像素灰度的python数组(ndarray)。
其中，S9所述空间化为使用GDAL(Geospatial Data Abstraction Library)将S8所得将这些数组空间化。
本发明还提供所述一种基于SAR极化分解和卷积神经网络的两阶段盐碱地监测方法在指导盐碱地土地改良或利用中的应用。
本发明与现有技术相比，有益效果为：
本发明所述基于SAR数据极化分解的卷积神经网络的两阶段盐碱地监测方法。该方法将盐碱地监测问题转为极化分解和土地利用特征的识别问题，将计算机视觉的图像识别领域最先进的方法——基于卷积神经网络的深度学习模型应用到SAR分类中，所训练的模型可以直接加载使用。同时该方法对类型分布不平衡的待分类样本可以有效改善其分类精度。该方法可以适应不同区域、不同时期、不同传感器的SAR影像。深度利用现有的SAR复数信息，为大范围SAR盐碱地快速自动监测提供可操作的实施方法。
附图说明
图1为本发明的流程示意图；
图2为实施例1中样本均衡前后的类型分布直方图和训练分类的混淆矩阵对比；
图3为实施例1中S7的CNN网络结构图；
图4为实施例1基于本发明均衡后样本的盐碱地监测和盐碱地标记真实情况的对比图。
具体实施方式
下面结合实施例，对本范明的具体实施方式做进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例1
本发明基于SAR极化分解和卷积神经网络的盐碱地监测流程示意图参见附图1，以下面以吉林大安市Radarsat2四极化数据为例进一步阐述本发明的技术方案。
S1、根据盐碱地遥感监测的需求选定作业区，获取作业区范围内不同时期的所有Radarsat2单视复数影像(R2 SLC)，以及该作业区内待盐碱地调查样本数据，根据GPS坐标串形成封闭的矢量多边形(Polygons)并GIS软件中上图。
选择吉林大安作为土地利用分类作业区，大安市位于松嫩平原上的小盆地底部，盐渍化严重，中部、南部为平坦地区，农业种植大多位于此区域内诸多河流，土地利用类型丰富。获取数据如下：从加拿大遥感中心提供大安市2017年4月，经过轨道、辐射校正和地形校正完成数据的预处理，得到复数散射数据。样本数据是2017年4月24日-29日在该地区采集的。
S2、将采集的样本数据叠加到高分辨率的光学底图以及R2 SLC上，目视解译同类样本区，得到更多的标签(LabelDataset,LDS)。同时将矢量格式的地面土地利用样本数据转为栅格格式(Raster-LDS)，令其空间分辨率与R2 SLC数据保持一致；
将调查的GPS坐标值在GIS软件中闭合，保存为SHP文件。同时加入后期在高分辨率遥感数据(如Google Earth)影像上目视解译获得的农田、林地、建筑物、水体的相关样本，其格式为KML,在GIS软件中转为SHP格式。基于Python语言，将SHP文件转化为SAR分辨率一致的土地利用类型栅格掩膜，栅格灰度值代表类型。
将预处理后的遥感数据用WGS84下UTM-51N的10km格网数据进行裁剪，如此每个10km格网下都有属于该10km格网的一系列的分片遥感数据。
S3、将作业区划分为不同的子区，保证每个子区内遥感数据尽可能全覆盖(如果某个数据无法全覆盖子区，则用NaN值填补)。在每一个子区，有四极化SLC影像，根据Yamaguchi极化分解原理，得到协方差矩阵的6个特征(C11，C12，C13，C22,C23,C33)；并分别从每个影像数据按像素计算得到单次散射值(fs)、二面角(fd)、体散射(fv)、旋状体(fc)这4个特征；将所有的10个特征层进行逐层合并，得到多极化多特征数据集(Multi-Polarizationand Multi-Indexs Dataset,MPMIDS)；
在大安的案例中，作业区已经通过10km格网进行划分，在某些10km格网内，有SAR数据和样本数据；而在某些10km格网内仅有SAR数据。在每个10km格网内，分别计算每个SAR数据的10个编码特征，按照C11、C12、C13、C22、C23、C33、fc、fv、fd、fs的顺序排序，最终在每个10km格网得到一个10波段的多特征数据集。
S4、在每一个子区内，重复如下的操作：将MPMIDS和栅格格式的样本数据(Raster-LDS)进行感兴趣区(ROI)提取操作，得到该子区内每个像素的多特征数据序列；
在所有的10km格网，提取每个像素的特征序列；如果某10km中有样本数据，则进一步将S4中得到的MPMIDS与样本数据进行感兴趣区提取，提取操作通过GDAL编程实现。最终每个10km格网得到一个所有像素的特征图。
S5、由于盐碱监测的作业需要，S5形成的数据集中，盐碱化土地类型远多于其他土地利用类型，采用过采样的方法对S4数据的类型进行类型均衡，得到均衡数据集(BalancedMPMIDS)；
该过程基于python机器学习库scikit-learn库实现，调用imblearn接口。样本数据分类均衡前后直方图分布见附图2。
S6、将S5的数据，按照逐特征层进行最大最小值归一化，并以75％的数据用于训练(training),其余25％用于验证(validation)；
该过程通过python numpy库实现。
将大安范围内所有10km格网的特征图整合相同目录下，然后对按照最大最小值对数据进行归一化，消除不同量纲影响。然后对归一化数据集进行过采样均衡。均将衡后数据集分成train(75％)、val(25％)数据集，以CSV格式存储,表结构为：(row,col,f1,f2...f10，class)。
S7、使用TensorFlow这一流行深度学习框架，设计CNN神经网络结构；
在大安的案例中，选择TensorFlow作为深度学习训练的框架，采用我们自己设计的CNN网络结构，见附图3。
S8、载入S7中设计的未训练模型和S6中数据到神经网络中进行自动学习，调参(fine-tuning)，优化模型参数；
在使用Intel Xeon E5-2620 12Cores CPU和Tesla K40m(12GB)GPU的服务器上运行Tensorflow-gpu,设置Epoch＝200,Batch Size＝100,Learning Rate(lr)初始设置0.01，采用Grid search更新lr，收敛优化器采用SGD，基于持久化序列格式保存训练模型参数(*.pkl)，以方便调用。
S9、用优化参数模型对未知的覆盖区影像进行逐像素识别，只提取出盐碱地土地类型。
基于未均衡样本以及本发明均衡后样本的盐碱地监测的对比见图2，图中直方图可以看出本发明中各土地利用类型分布变化情况，混淆矩阵计算可知，本发明精度高于未经过均衡的方法。本发明盐碱地监测的结果与标记真值的对比见图4。
在其他任意10km格网中，加载fine-tuning后的模型，对每个像素的特征进行计算，得到预测数值型结果，并于土地利用类型关联。在识别结果中选择盐碱地，利用GDAL将其空间化，生成10km×10kmd范围内盐碱地分布图。
本发明实施例所述的基于SAR极化分解和CNN的盐碱地监测方法包括数据准备和均衡与CNN学习与预测2个阶段，将盐碱地监测转化为SAR极化分解特征的土地利用分类过程，将计算机视觉领域最先进的图像分类模型——深层卷积神经网络模型应用到盐碱地监测中，使得监测方法既可以适应不同区域、不同时间、不同传感器数据的常态，充分利用SAR极化复数信息，可以有效改善类型分布不均衡问题，提高监测的精度，实用性更强。
虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (8)

1.一种基于SAR极化分解和卷积神经网络的两阶段盐碱地监测方法，其特征在于，具体步骤如下：
S1、根据盐碱地监测的需求选定已知盐碱化作业区，获取作业区范围内不同时期的所有Radarsat-2卫星单视复数影像R2SLC，以及该作业区内待土地利用调查的样本数据，根据GPS坐标串形成封闭的矢量多边形并在GIS软件中展示；
S2、将采集的样本数据叠加到高分辨率的光学底图以及R2SLC上，目视解译同类样本区，得到更多土地利用标签LDS；同时将矢量格式的样本数据转为栅格格式Raster-LDS，令其空间分辨率与R2SLC数据保持一致；
S3、将作业区划分为不同的子区，保证每个子区内遥感数据尽可能全覆盖，如果某个数据无法全覆盖子区，则用NaN值填补；在每一个子区，有四极化SLC影像，根据Yamaguchi极化分解原理，得到协方差矩阵的6个特征：C11，C12，C13，C22,C23,C33；并分别从每个影像数据按像素计算得到单次散射值fs、二面角fd、体散射fv、旋状体fc这4个特征；将所有的10个特征层进行逐层合并，得到多极化多特征数据集MPMIDS；
S4、在S3生成的每一个子区内，进行如下的操作：将MPMIDS和Raster-LDS的样本数据进行感兴趣区ROI提取操作，得到该子区提取的感兴趣区ROI逐像素的多极化多特征数据集；
S5、由于盐碱监测的作业需要，S4形成的数据集中，盐碱化土地类型远多于其他土地利用类型，采用过采样的方法对S4数据的类型进行类型均衡，得到均衡数据集；
S6、将S5的数据按照逐特征层进行最大最小值归一化，并以75％的数据用于训练,其余25％用于验证；
S7、使用TensorFlow深度学习框架，设计CNN神经网络结构；
S8、加载S7中设计的未训练模型和S6中数据到神经网络中进行自动学习、调参，优化模型参数；
S9、用优化参数模型对未知的覆盖区影像进行逐像素识别，只提取出盐碱地土地类型，指导盐碱地土地改良或利用。
2.如权利要求1所述的方法，其特征在于，S3所述得到协方差矩阵的6个特征，其计算过程如下：
四极化SLC影像像素点表示为矩阵S：
定义k3L：
则有：
其中，理论条件下，SHV＝SVH，k是S矩阵一种矢量化，C矩阵元素表示为Cij(i＝1,2,3；j＝1,2,3)，具体选择相互独立的6个元素，*表示复数共轭转置，<·>表示按视数平均，协方差矩阵C为全极化SAR SLC数据极化分解的基础。
3.如权利要求2所述的方法，其特征在于，S3所述数据按像素计算得到单次散射值fs、二面角fd、体散射fv、旋状体fc这4个特征，其计算过程如下：
其中，Im()、Re()分别表示取复数的实部和虚部，且Re(Cij)≠0；
若Re(C13)>0，则
fs＝B (7)
若Re(C13)<0，则
fd＝A (8)
其中，A、B、C计算过程如下：
4.如权利要求1所述的方法，其特征在于，S3所述多极化多特征数据集在计算机中存储格式为多层TIFF合成的文件，数据类型Float。
5.如权利要求1所述的方法，其特征在于，S6所述将S5的数据按照逐特征层进行最大最小值归一化，将10个特征指标的值都归一化到区间[0,1]，并将其转CSV文本形式。
6.如权利要求1所述的方法，其特征在于，S8所述调参、优化，为使用训练好的模型对未知SAR每个像素的进行预测，每个像素预测结果是一个数值，每个数值关联一种土地类型，整个SAR在计算时是一个python数组。
7.如权利要求6所述的方法，其特征在于，S9所述空间化为使用GDAL将S8所得数组空间化。
8.权利要求1-7任一项所述一种基于SAR极化分解和卷积神经网络的两阶段盐碱地监测方法在指导盐碱地土地改良或利用中的应用。
CN201811060915.6A 2018-09-12 2018-09-12 基于sar极化分解和卷积神经网络的两阶段盐碱地监测方法 Active CN109145870B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811060915.6A CN109145870B (zh) 2018-09-12 2018-09-12 基于sar极化分解和卷积神经网络的两阶段盐碱地监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811060915.6A CN109145870B (zh) 2018-09-12 2018-09-12 基于sar极化分解和卷积神经网络的两阶段盐碱地监测方法

Publications (2)

Publication Number Publication Date
CN109145870A true CN109145870A (zh) 2019-01-04
CN109145870B CN109145870B (zh) 2021-06-25

Family

ID=64824886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811060915.6A Active CN109145870B (zh) 2018-09-12 2018-09-12 基于sar极化分解和卷积神经网络的两阶段盐碱地监测方法

Country Status (1)

Country Link
CN (1) CN109145870B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111061897A (zh) * 2020-01-15 2020-04-24 国网江西省电力有限公司电力科学研究院 一种适于电网高分辨遥感图像多尺度自动截取与分类方法
CN111798132A (zh) * 2020-07-06 2020-10-20 北京师范大学 基于多源时序遥感深度协同下的耕地动态监测方法及系统
CN112825642A (zh) * 2020-12-31 2021-05-25 新疆维泰开发建设（集团）股份有限公司 一种轻度盐碱地草坪种植施工方法
CN114612799A (zh) * 2022-03-11 2022-06-10 应急管理部国家自然灾害防治研究院 基于滑坡/非滑坡面积比的空间自适应正负样本生成方法及系统
CN115100521A (zh) * 2022-06-23 2022-09-23 中科卫星应用德清研究院 基于极化雷达遥感数据的盐碱化分级反演方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015041295A1 (ja) * 2013-09-18 2015-03-26 国立大学法人東京大学 地表種別分類方法および地表種別分類プログラム並びに地表種別分類装置
CN105930846A (zh) * 2016-04-05 2016-09-07 西安电子科技大学 基于邻域信息和svgdl的极化sar图像分类方法
CN107392122A (zh) * 2017-07-07 2017-11-24 西安电子科技大学 基于多极化特征和fcn‑crf融合网络的极化sar影像目标检测方法
CN107742133A (zh) * 2017-11-08 2018-02-27 电子科技大学 一种用于极化sar图像的分类方法
CN108446716A (zh) * 2018-02-07 2018-08-24 武汉大学 基于FCN与稀疏-低秩子空间表示融合的PolSAR图像分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015041295A1 (ja) * 2013-09-18 2015-03-26 国立大学法人東京大学 地表種別分類方法および地表種別分類プログラム並びに地表種別分類装置
CN105930846A (zh) * 2016-04-05 2016-09-07 西安电子科技大学 基于邻域信息和svgdl的极化sar图像分类方法
CN107392122A (zh) * 2017-07-07 2017-11-24 西安电子科技大学 基于多极化特征和fcn‑crf融合网络的极化sar影像目标检测方法
CN107742133A (zh) * 2017-11-08 2018-02-27 电子科技大学 一种用于极化sar图像的分类方法
CN108446716A (zh) * 2018-02-07 2018-08-24 武汉大学 基于FCN与稀疏-低秩子空间表示融合的PolSAR图像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XU LIU等: "Polarimetric Convolutional Network for PolSAR Image Classification", 《HTTPS://ARXIV.ORG/PDF/1807.02975V1.PDF》 *
韩萍等: "复杂场景下的极化SAR图像机场跑道检测", 《信号处理》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111061897A (zh) * 2020-01-15 2020-04-24 国网江西省电力有限公司电力科学研究院 一种适于电网高分辨遥感图像多尺度自动截取与分类方法
CN111061897B (zh) * 2020-01-15 2023-06-16 国网江西省电力有限公司电力科学研究院 一种适于电网高分辨遥感图像多尺度自动截取与分类方法
CN111798132A (zh) * 2020-07-06 2020-10-20 北京师范大学 基于多源时序遥感深度协同下的耕地动态监测方法及系统
CN112825642A (zh) * 2020-12-31 2021-05-25 新疆维泰开发建设（集团）股份有限公司 一种轻度盐碱地草坪种植施工方法
CN114612799A (zh) * 2022-03-11 2022-06-10 应急管理部国家自然灾害防治研究院 基于滑坡/非滑坡面积比的空间自适应正负样本生成方法及系统
CN114612799B (zh) * 2022-03-11 2022-09-16 应急管理部国家自然灾害防治研究院 基于滑坡/非滑坡面积比的空间自适应正负样本生成方法及系统
CN115100521A (zh) * 2022-06-23 2022-09-23 中科卫星应用德清研究院 基于极化雷达遥感数据的盐碱化分级反演方法及系统

Also Published As

Publication number Publication date
CN109145870B (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN109145870A (zh) 基于sar极化分解和卷积神经网络的两阶段盐碱地监测方法
Karra et al. Global land use/land cover with Sentinel 2 and deep learning
Chen et al. Estimating soil moisture over winter wheat fields during growing season using machine-learning methods
CN107944370B (zh) 基于dccgan模型的极化sar图像分类方法
Zhu et al. Assessment of spectral, polarimetric, temporal, and spatial dimensions for urban and peri-urban land cover classification using Landsat and SAR data
CN104077599B (zh) 基于深度神经网络的极化sar图像分类方法
Zhong et al. Sub-pixel mapping based on artificial immune systems for remote sensing imagery
CN112183432B (zh) 一种基于中分辨率sar图像的建筑区提取方法以及系统
CN107256414A (zh) 基于空域特征图谱的极化sar图像卷积神经网络分类方法
CN105608465B (zh) 全极化sar海岸线地物分类方法
Xie et al. POLSAR image classification via clustering-WAE classification model
Veillette et al. Creating synthetic radar imagery using convolutional neural networks
CN109344737A (zh) 基于sar极化分解的一维dcnn土地利用分类方法
Li et al. Effects of RapidEye imagery’s red-edge band and vegetation indices on land cover classification in an arid region
CN107742133A (zh) 一种用于极化sar图像的分类方法
CN104751183A (zh) 基于张量mpca的极化sar图像分类方法
CN110516552B (zh) 一种基于时序曲线的多极化雷达图像分类方法及系统
Chen et al. Decision tree-based classification in coastal area integrating polarimetric SAR and optical data
Fang et al. Polsar image classification based on complex-valued convolutional long short-term memory network
Jia et al. Controlled spectral unmixing using extended support vector machines
Habibi et al. Classification of polarimetric SAR data based on object-based multiple classifiers for urban land-cover
Wei et al. Texture feature analysis in oil spill monitoring by SAR image
CN114764880B (zh) 多成分gan重建的遥感图像场景分类方法
Khan et al. Crop Type Classification using Multi-temporal Sentinel-2 Satellite Imagery: A Deep Semantic Segmentation Approach
Zhao et al. Semi-supervised recurrent complex-valued convolution neural network for polsar image classification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220711

Address after: 831100 room 1307, block a, Times Square, Tunhe North Road, Changji City, Changji Hui Autonomous Prefecture, Xinjiang Uygur Autonomous Region

Patentee after: Xinjiang Zhongnong Zhishui Technology Co.,Ltd.

Address before: 100193 No. 2 Old Summer Palace West Road, Beijing, Haidian District

Patentee before: CHINA AGRICULTURAL University

TR01 Transfer of patent right