[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

说明书

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。

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