Maschinelles Lernen-basierte Klassifikation der städtischen Landnutzung mithilfe von PolInSAR-Daten: eine Studie mit ALOS-2 und RADARSAT-2 Datensätzen

Zusammenfassung Eine erhebliche Variation in der Dynamik der Landnutzung wurde als Folge der zunehmenden städtischen Expansion beobachtet. Polarimetrische synthetische Apertur-Radar (PolSAR)-Daten werden aufgrund ihrer Wetterunabhängigkeit und der Bilderfassung bei Tag und Nacht häufig für Studien zur Landnutzung in städtischen Gebieten eingesetzt. In dicht bebauten Gebieten tritt jedoch eine Herausforderung auf, da Gebäude große Azimutorientierungswinkel (AOAs) aufweisen. Diese Gebäude werden oft fälschlicherweise als Vegetation klassifiziert, da die Depolarisation des Radarsignals eine volumetrische Streuungsreaktion von den Strukturen verursacht. Diese Studie befasst sich mit diesem Problem, indem sie einen Ansatz vorschlägt, der polarimetrische Informationen mit der Kohärenz von interferometrischem SAR (InSAR) integriert, um die Differenzierung zwischen städtischen Strukturen und begrünten Flächen zu verbessern und die Genauigkeit der Klassifikation der städtischen Landnutzung zu erhöhen. Begrünte Flächen weisen aufgrund von Veränderungen in der Orientierung ihrer Blätter und Zweige, die durch Wind, saisonale Variationen, Wachstumsphänologie und andere Faktoren verursacht werden, eine geringere zeitliche Kohärenz auf. Im Gegensatz dazu behalten städtische Strukturen, die relativ stabile Ziele sind, hohe Werte der zeitlichen Kohärenz. In der vorliegenden Forschung wurden verschiedene Zerlegungs- und Streuungsparameter bewertet, zusammen mit der PolInSAR-Kohärenz, die aus L-Band (ALOS-2) und C-Band (RADARSAT-2) abgeleitet wurde, wobei zwei Algorithmen des maschinellen Lernens, nämlich Random Forest (RF) und Convolutional Neural Network (CNN), verwendet wurden. Die C-Band RADARSAT-2-Daten, insbesondere mit den Parametern der sechs Komponenten-Zerlegung, schnitten besser ab und erreichten eine Gesamte Genauigkeit von 85,85 % mit dem RF-Algorithmus. Um die Klassifikationsergebnisse weiter zu verbessern, wurden optische Datensätze von der Landsat-Konstellation mit SAR-Parametern unter Verwendung der Gram-Schmidt-Fusionstechnik fusioniert. Diese Fusion führte zu erheblichen Verbesserungen, mit einer Gesamte Genauigkeit von 94,50 % und Kappa-Statistik von 0,92, als der CNN-Algorithmus auf den fusionierten optischen und C-Band RADARSAT-2 Datensatz angewendet wurde. Diese Ergebnisse zeigen die Wirksamkeit der Kombination von PolInSAR und optischen Daten für eine genauere Klassifikation der städtischen Landnutzung, insbesondere in komplexen städtischen Umgebungen.