[发明专利]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

权利要求书

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f_s、二面角f_d、体散射f_v、旋状体f_c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，并进行空间化，指导盐碱地土地改良或利用；

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k_3L：

则有：

其中，理论条件下，S_HV＝S_VH，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；

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(C_ij)≠0；

若Re(C₁₃)0，则

f_s＝B (7)

若Re(C₁₃)0，则

f_d＝A (8)

其中，A、B、C计算过程如下：

2.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。

3.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。

4.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。