Combinando Aprendizaje Automático y Polarimetría Compacta para Estimar la Humedad del Suelo a partir de Datos SAR de Banda C

Esta investigación tuvo como objetivo aprovechar el uso conjunto de aprendizaje automático y polarimetría para mejorar la recuperación del contenido de humedad del suelo superficial (SMC) a partir de adquisiciones de radar de apertura sintética (SAR) en banda C. El estudio se llevó a cabo en dos áreas agrícolas en Canadá, para las cuales se disponía de una serie de imágenes de RADARSAT-2 (RS2) junto con mediciones directas de SMC de estaciones in situ. El análisis confirmó la sensibilidad de la retrodispersión de RS2 (σ°) a la SMC. La comparación de la SMC con los parámetros de polarimetría compacta (CP), calculados a partir de las adquisiciones de RS2 mediante el simulador de datos CP, destacó que algunos parámetros de CP tenían una sensibilidad a la SMC igual o mejor que σ°, con coeficientes de correlación de hasta R ≃ 0.4. Basado en estos resultados, se aprovechó el potencial del aprendizaje automático (ML) para la recuperación de SMC mediante la implementación y prueba en los datos disponibles de un algoritmo de red neuronal artificial (ANN). El algoritmo se implementó utilizando varias combinaciones de σ° y parámetros de CP. Los resultados de validación del algoritmo con observaciones in situ confirmaron las prometedoras capacidades de las técnicas ML para el monitoreo de SMC. Además, los resultados señalaron el potencial de CP en mejorar la precisión de recuperación de SMC, especialmente cuando se usó en combinación con σ° linealmente polarizado. Dependiendo de la combinación de entrada considerada, el algoritmo ANN fue capaz de estimar SMC con un Error Cuadrático Medio (RMSE) entre 3% y 7% de SMC y R entre 0.7 y 0.9.