[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

摘要

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。

主权项

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。