RSE最新发文!合成孔径雷达(SAR)区分温带落叶性沼泽与高地森林和灌木地的新见解

科技   2024-09-12 00:00   贵州  


(一)文章信息

  • 标题:New insights into distinguishing temperate deciduous swamps from uplandforests and shrublands with SAR

  • 期刊:《Remote Sensing of Environment》(中科院1区Top, IF=13.5)

  • 作者:Sarah Banks et al.

  • doi:https://doi.org/10.1016/j.rse.2024.114377

(二)研究背景
SAR是一种遥感技术,能够穿透云层、雨水和植被等地表障碍,在各种天气条件下提供高质量的地表信息。然而,如何有效利用SAR数据来区分湿地的不同类型,尤其是在沼泽和干燥林地之间,仍然面临挑战。研究表明,不同的传感器参数(如波长、极化、噪声阈值等)和环境因素(如水分含量、植被密度等)会对SAR回波的表现产生显著影响。这使得使用单一时间点的数据难以准确反映湿地的状态变化。研究目标在于深入探讨传感器和环境特征对SAR数据回波行为的影响,尤其是季节性变化的驱动因素,进而提升SAR影像在湿地分类中的准确性。

(三)研究数据与方法
本研究基于多时相SAR影像以及数字高程模型(DEM)及其衍生数据。使用了Radarsat-2、Sentinel-1以及Alos-2等多种SAR卫星影像,重点分析了它们在不同季节的表现。为了更好地捕捉湿地季节变化,研究选取了多个时间节点的数据,通过对比不同季节影像中回波强度的变化,探讨SAR影像在分类中的应用效果。首先利用SAR影像提取湿地特征,通过随机森林算法进行分类分析。随机森林模型广泛应用于遥感影像分类中,其优势在于对高维数据的处理能力和对变量重要性的评估。为了解决不同变量之间的相关性和尺度问题,研究使用了Shapley值作为变量重要性的衡量标准。为了验证SAR影像的季节性变化趋势,还使用了多种测试方法,包括方框图展示不同季节数据的变化范围,并结合现场观测数据验证分类结果的准确性。此外,研究还引入了数字高程模型及其衍生数据(如地形湿度指数和坡度)作为辅助变量,进一步提高模型的分类性能。

Fig. 1. Seasonal changes in water level for two swamps with the initial water elevation measured at each site on the first day removed from all subsequent dates for display purposes (top), daily rainfall (middle), and the timing of each acquisition (bottom).

(四)研究结果

本文通过对多个SAR时序影像的分析,揭示了不同传感器特征和季节性环境变化对沼泽地和干燥林地分类的影响。研究发现,在生长期早期采集的影像,无论是Radarsat-2、Sentinel-1,还是Alos-2,分类精度都较高。而随着生长季节的推进,分类准确性逐渐降低,尤其是树冠完全展开后,湿地与干燥林地之间的可分性明显减弱。Radarsat-2影像表现出在不同季节对地表变化的高度敏感性,特别是早期采集的影像中,分类准确率可达到96%,而生长季后期的影像准确率仅为64%。

研究表明,通过组合多个影像日期的数据,分类准确率显著提高。特别是对于两次影像的组合,Radarsat-2时序的模型准确率最高达到97%。然而,即使加入了多次影像,对于Alos-2和Sentinel-1数据的分类性能提升有限,表明L波段和C波段的微波对湿地不同植被覆盖变化的响应存在差异。

在辅助数据的影响方面,DEM及其衍生数据的引入显著提高了分类精度,尤其是在生长期后期,DEM的相对重要性增加。对于Radarsat-2数据,DEM衍生的地形湿度指数和坡度信息在提高分类精度方面贡献了36%,这表明DEM等辅助数据在补偿SAR影像不足时具有潜力。

此外,研究通过Shapley值分析了不同变量对分类结果的重要性,发现HH极化的Radarsat-2影像在分类精度中起到了关键作用,特别是在生长期早期,其贡献率显著高于其他极化形式。相比之下,HV、VH以及VV极化的贡献较小,且随时间推移变化不大。尽管Alos-2影像在某些情况下表现优于Sentinel-1,但其效果依赖于影像采集时的水分状况和植被覆盖情况。

Fig. 8. Shapley values for single (HH, HV, VH or VV polarization) and grouped sets of variables (by SAR image acquisition date and by DEM, topographic wetness index (TWI) and slope (SLP) together) to demonstrate their relative importance to the independent overall accuracy (total bar height) of multiple Random Forest models (averaged across 100 runs). Shown above are all models based on single SAR images (dates) classified alone (top row) and with a DEM plus derivatives (bottom row). Shapley values are summed above each bar to indicate the independent overall accuracy of each model.

(五)研究结论

本文通过对SAR影像和辅助数据的深入分析,总结出多时相影像结合DEM及其衍生数据在湿地分类中的重要性。研究表明,尽管传统观点认为较长波长的L波段更适合湿地识别,但在优化的采集时间下,C波段数据同样可以提供高精度的分类结果,特别是在生长期早期采集的HH极化数据。多时相影像的引入有效补偿了单一时相数据的局限性,尤其是在生长季节后期,影像的时效性对分类精度影响显著。

(六)主要图表


Fig. 9. Example classification results (one model run per time series) based on intensity derivatives (HH, HV, VH and/or VV polarization) for a select number of single SAR images (dates), trained using all 400 samples per class. For comparison, dates for the Radarsat-2 and Sentinel-1 time series correspond to the closest acquisitions to (1) the Alos-2 image acquired on May 20th, and (2) the Alos-2 image acquired on August 3rd.

Fig. 10. Shapley values for grouped sets of Radarsat-2 variables (by SAR acquisition date and by DEM, topographic wetness (TWI) and slope (SLP) together) to demonstrate their relative importance to the independent overall accuracy (total bar height) of multiple Random Forest models (averaged across 100 runs). Shown above are all possible two-date combinations, classified alone (top row) and with a DEM and derivatives (bottom row).

Fig. 11. Shapley values for grouped sets of Sentinel-1 and Alos-2 variables (by SAR acquisition date and by DEM, topographic wetness (TWI) and slope (SLP) together) to demonstrate their relative importance to the independent overall accuracy (total bar height) of multiple Random Forest models (averaged across 100 runs). For the Sentinel-1 time series, only the three models with the highest and the three models with the lowest accuracies are shown for brevity, while all possible two-date combinations are shown for Alos-2. Models above are for those classified alone (top row) and with a DEM and derivatives (bottom row).

文章来源 :

Banks, S., Millard, K., Dingle-Robertson, L., & Duffe, J. (2024). New insights into distinguishing temperate deciduous swamps from upland forests and shrublands with SAR. Remote Sensing of Environment, 314, 114377.


生态遥感前沿
分享生态遥感领域实用教程、最新科研成果及资讯,交流、合作等事宜请加Novel_2020
 最新文章