طبقه بندی پوشش های جنگلی با استفاده از داده های شبیه سازی شده پلاریمتری فشرده و شبکه های یادگیری عمیق

در دو دهه اخیر از میان مدهای مختلف تصویربرداری تصاویر رادار با روزنه مجازی (sar)، مد پلاریمتری فشرده (cp) بسیار مورد توجه واقع شده است. از جمله این مزایا می توان به کاهش پیچیدگی سیستم تصویربرداری، کاهش حجم و نرخ داده و همچنین عرض نوار برداشت بزرگتر اشاره نمود. وجود چنین مزایایی باعث می شود که این داده ها برای پایش اهداف در مقیاسی وسیع، به عنوان مثال طبقه بندی جنگل، مفید واقع شوند. اکثر روش های ارائه شده برای طبقه بندی جنگل با استفاده از این مد بر پایه استخراج ویژگی از تصور عمل می کنند. دقت این روش ها به تمایز ویژگی های استخراج شده بستگی دارد. در این میان، شبکه های یادگیری عمیق مرحله استخراج ویژگی را تا حد زیادی خودکار نموده و به نتایج چشم گیری به خصوص در امر طبقه بندی دست یافته اند. در این تحقیق قابلیت شبکه های یادگیری عمیق با استفاده از داده های cp در طبقه بندی جنگل مورد بررسی قرار می گیرد. منطقه مطالعاتی در این تحقیق جنگل پتاواوا واقع در ایالت آنتاریو کشور کانادا و داده های مورد استفاده داده های شبیه سازی شده cp، داده های تمام پلاریمتری (fp) و نیز داده های بازسازی شده از cp (pq) اخذ شده از سنجنده رادارست – 2 در باند c هستند. شبکه عمیق مناسب به منظور استخراج خودکار ویژگی ها طراحی شده و طبقه بندی بر روی داده های cp، fp و pq انجام می گیرد. نتایج حاصل از طبقه بندی مدها با یکدیگر و همچنین با طبقه بندی کننده ویشارت و ماشین بردار پشتیبان (svm) مقایسه و ارزیابی شدند. نتایج این تحقیق نشان می دهند که استفاده از شبکه های یادگیری عمیق، دقت حاصل از طبقه بندی را در بهترین مد cp به 82/01 % و در بهترین مد pq به 82/68% می رساند. دقت نتایج حاصل از روش پیشنهادی، در مدهای pi/4، dcp و ctlr از مدهای cp نسبت به روش svm به ترتیب حدود 5%، 8% و 5% و نسبت به روش ویشارت به ترتیب 15%، 20% و 16% بهبود یافته است. هم چنین در مدهای pq_dcp و pq_ctlr نیز نسبت به هر دو روش svm و ویشارت افزایش دقت به چشم می خورد.

forest classification using simulated compact polarimetry data and deep learning networks

in the last two decades, among various synthetic aperture radar (sar) imaging modes, compact polarimetry (cp) mode has come to attention due to less complex imaging system, mass and data rate reduction, and also greater swath width. having such advantages makes this data very useful for large-scale target mapping, such as forest classification. different methods have been proposed for forest classification using cp mode, which all of them are based on feature extraction. the accuracy of these methods depends on the discrimination of the extracted features. in the meantime, deep learning networks have almost automated the feature extraction phase and obtained impressive results, especially in the classification task. in this paper, the ability of deep learning networks using cp mode data in forest classification is investigated. the study area of this paper is petawawa forest located in ontario, canada, and the data being used are simulated cp data, full polarimetric (fp) data, and also reconstructed pseudo quad (pq) data acquired from radarsat-2 in c-band. the proper deep learning network for automatic feature extraction is designed and the classification is performed on cp, fp, and pq data. the results from each mode classification are compared and evaluated with each other and also with the results from wishart classifier and support vector machine (svm). the results of this paper show that using deep learning networks improves the classification accuracy of cp and pq modes.