PolInSAR 데이터를 이용한 기계 학습 기반 도시 토지 피복 분류: ALOS-2 및 RADARSAT-2 데이터셋을 활용한 연구

요약 도시 확장의 증가로 인한 토지 피복 역학의 상당한 변동이 관찰되었습니다. 극복적인 합성 개구 레이더(PolSAR) 데이터는 날씨에 구애받지 않고, 낮이나 밤에 이미지를 촬영할 수 있는 기능 때문에 도시 지역의 토지 피복 연구에 널리 사용되고 있습니다. 그러나 밀집된 건물 지역에서는 대각선 방향 각도(AOA)가 큰 건물로 인해 문제가 발생합니다. 이러한 건물은 구조물에서 발생하는 볼륨 산란 반응으로 인한 레이더 신호의 탈편극 때문에 종종 식물로 잘못 분류됩니다. 이 연구는 도심 구조물과 식생 지역 간의 차별화를 개선하여 도시 토지 피복 분류의 정확도를 높이는 방법으로 극복적인 정보를 간섭합성 레이더(InSAR) 일관성과 통합하는 접근 방식을 제안합니다. 식생 지역은 바람, 계절 변화, 성장 생리학 및 기타 요인으로 인한 잎과 가지 방향의 변화로 인해 낮은 시간적 일관성을 나타냅니다. 반면에 도시 구조물은 상대적으로 안정된 목표이기 때문에 높은 시간적 일관성을 유지합니다. 본 연구에서는 두 가지 기계 학습 알고리즘인 랜덤 포레스트(RF)와 컨볼루션 신경망(CNN)을 사용하여 L-밴드(ALOS-2) 및 C-밴드(RADARSAT-2)로부터 파생된 PolInSAR 일관성을 포함하여 다양한 분해 및 산란 매개변수를 평가했습니다. C-밴드 RADARSAT-2 데이터는 특히 여섯 가지 구성 요소 분해 매개변수를 적용하여 RF 알고리즘을 사용했을 때 85.85%의 전체 정확도를 달성하여 더 나은 성능을 보였습니다. 분류 결과를 추가로 개선하기 위해 랜드샛 별자리의 광학 데이터셋을 SAR 매개변수와 함께 그램-슈미트 융합 기술을 사용하여 융합했습니다. 이 융합을 통해 CNN 알고리즘을 융합된 광학 및 C-밴드 RADARSAT-2 데이터셋에 적용했을 때 94.50%의 전체 정확도와 0.92의 카파 통계를 달성하며 상당한 개선이 이루어졌습니다. 이러한 결과는 복잡한 도시 환경에서 보다 정확한 도시 토지 피복 분류를 위해 PolInSAR와 광학 데이터를 결합하는 효과를 보여줍니다.