【技术实现步骤摘要】
基于SAR极化分解的一维DCNN土地利用分类方法
本专利技术属于土地利用分类领域，具体涉及一种基于SAR极化分解的一维DCNN土地利用分类方法。
技术介绍
土地利用分类对及时掌握土地利用状况、了解土地利用变化，进而研究全球环境变化具有重要意义。利用遥感技术进行土地利用分类能高时效高精度地获取大面积区域土地利用覆盖情况。然而，光学遥感数据存在易受云雾影响、有时获取不易的问题。合成孔径雷达(SyntheticApertureRadar，简称SAR)技术通过主动发射信号获取地面反射信息，因此不受天气和气候影响。此外，SAR数据对建筑物和水域的敏感性，使之很适合于建设用地、湿地等土地利用类型监测。目前通过SAR遥感数据进行土地利用分类的研究很多，这些方法涉及的原理主要来源于以下几个方面：1)不同土地利用类别在后向散射强度上的差异；2)不同土地利用类别在SAR影像纹理上的差异；3)不同土地利用类别在时间序列上的特征差异；4)不同土地利用类别两幅SAR图像的相干分析。目前利用SAR遥感技术进行土地利用分类的研究主要集中于使用SAR影像幅度信息，而很少使用包括相位信息的复数数据...
【技术保护点】
1.一种基于SAR极化分解的一维DCNN土地利用分类方法，其特征在于，其为：获取作业区范围内不同时期的R2SLC以及待分类土地利用样本数据，并获得更多土地利用标签，将样本标签数据转为栅格格式；作业区划分为不同的子区，在每一个子区计算相干矩阵的6个特征、极化熵值、极化平均角、极化反熵和旋转域零角特征，合并得到多极化多特征数据集；将每个子区的数据进行最大最小值归一化，并分成train数据集和val数据集；用深度学习框架设计1DCNN神经网络结构并训练、优化模型参数；以优化模型对未知的覆盖区影像进行逐像素识别，最终获得分类结果。
【技术特征摘要】
1.一种基于SAR极化分解的一维DCNN土地利用分类方法，其特征在于，其为：获取作业区范围内不同时期的R2SLC以及待分类土地利用样本数据，并获得更多土地利用标签，将样本标签数据转为栅格格式；作业区划分为不同的子区，在每一个子区计算相干矩阵的6个特征、极化熵值、极化平均角、极化反熵和旋转域零角特征，合并得到多极化多特征数据集；将每个子区的数据进行最大最小值归一化，并分成train数据集和val数据集；用深度学习框架设计1DCNN神经网络结构并训练、优化模型参数；以优化模型对未知的覆盖区影像进行逐像素识别，最终获得分类结果。2.如权利要求1所述的方法，其特征在于，具体步骤如下：S1、根据土地利用分类的需求选定作业区，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，以及该作业区内矢量格式的待分类土地利用样本数据；S2、将采集的待分类土地利用样本数据叠加到高分辨率的谷歌地球以及R2SLC，寻找类似样本区，得到更多土地利用标签LDS；S3、将矢量格式的待分类土地利用样本数据转为栅格格式，令其空间分辨率与R2SLC数据保持一致；S4、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，根据克劳德-波蒂埃极化分解原理，得到相干矩阵的6个特征：T11，T12，T13，T22,T23,T33；并分别从每个影像数据按像素计算得到极化熵值H、极化平均角α和极化反熵A这3个特征；同时利用SLC数据计算旋转域零角特征θ；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；S5、在S3生成的每一个子区内，重复如下的操作：将MPMIDS和Raster-LDS的样本数据进行感兴趣区ROI提取操作，得到该子区提取后的ROI区逐像素的多极化多特征数据集；S6、将S5的数据按照逐特征层进行最大最小值归一化，并以3:1的比例分别分成用于训练的train数据集和用于验证的val数据集；S7、使用深度学习框架，设计1DCNN神经网络结构...
【专利技术属性】
技术研发人员：李俐，张迁迁，尤淑撑，魏海，孔庆玲，张超，朱德海，杨建宇，杨永侠，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。