基于双通道卷积神经网络的极化SAR土壤湿度反演方法

技术领域

本发明涉及一种基于双通道卷积神经网络的极化SAR土壤湿度反演方法，属于极化合成孔径雷达定量反演领域。

背景技术

高分辨率的极化合成孔径雷达(PolSAR)数据在土壤水分的反演中有着重要作用，地表土壤水分是农作物生长发育的基本条件，在作物灌溉前，土壤水分是干旱监测的重要指标；作物灌溉后，土壤水分的变化情况是评价灌溉效果的重要依据。土壤湿度也是研究陆地水循环和能量循环的一个非常重要的变量。它不仅能够影响净辐射能量转换为潜热和感热的分配比例,还能够影响降水转变为渗透、径流以及蒸发的比例，因此准确的获得土壤含水量可以对土地进行合理的利用，可以提高生产水平和生产质量。目前精准测量土壤含水量的方法都是采用探针等传统方法。通过这些传统方法可以准确测量局部的土壤含水量，但需要耗费大量的人力物力，并不适用于大规模土壤湿度的提取。PolSAR凭借其对土壤湿度高敏感性，能够弥补传统测量方法的不足，成为土壤湿度监测的新方法和手段，到目前为止已经有许多研究利用SAR数据生成理论、经验和半经验后向散射模型用于土壤湿度的估算。理论模型包括物理光学(PO)模型、计量光学(GO)模型以及积分方程模型(IEM)等。

随着神经网络的兴起，利用神经网络对极化参数与土壤湿度之间进行建模成为了土壤湿度反演的重要手段，但是传统的神经网络仅利用样本点本身的极化参数。近年来，深度学习是当前时代最火热的技术，卷积神经网络(Convolutional Neural Network,CNN)作为深度学习的一个重要分支，因其优越的特征提取能力被广泛的应用在图像领域中。本发明将卷积神经网络应用到极化SAR土壤湿度反演中，并采用双通道的卷积神经网络来拟合极化参数与土壤湿度之间的非线性关系，从而提高反演的准确率。

发明内容

本发明的主要目的是针对利用极化SAR图像进行土壤湿度反演时准确率不高且样本有限的问题，提供了一种基于双通道卷积神经网络的极化SAR土壤湿度反演方法并基于该神经网络设计一种应用于多种场景的粗细粒度反演系统。该方法使用双通道卷积神经网络，充分利用极化SAR图像的空间特性，在减少训练样本的同时提高反演准确率，并将Dropout引入卷积层与全连接层中，提高方法的鲁棒性，并通过该网络设计了粗粒度的分类网络与细粒度的回归网络。本发明主要的实施对象是合成孔径雷达所采集的全极化SAR图像，主要工作是对土壤湿度进行估算。实验结果表明相比于传统的神经网络，平均反演精度提高了10.88％，均方根误差减少了3.2356，可决系数提高了0.6633。

本发明的技术方案具体来说，主要包括如下内容：

1、提取极化参数：对PolSAR图像进行窗口大小为7*7的精致Lee滤波处理，提取6个极化参数，应用于土壤湿度反演

2、训练样本及验证样本制作：对极化参数采用7*7滑动窗口进行样本的划分

3、建立双通道卷积神经网络并训练：本发明构造双通道卷积神经网络，将每个训练样本中的6个极化参数分为两组，分别送入两个通道的卷积神经网络进行训练，在特征提取后对两个通道的特征进行融合后，生成预测模型。

4、对验证样本进行预测：通过训练好的双通道卷积神经网络，对验证样本进行预测，计算分类网络的平均准确率以及回归网络的均方根误差和可决系数。

附图说明

图1训练及验证样本制作示意图。

图2双通道卷积神经网络结构图。

图3基于双通道卷积神经网络极化SAR土壤湿度反演整体流程图。

具体实施方式

以下结合附图和实施例对本发明进行详细说明。

基于双通道卷积神经网络的极化SAR土壤湿度反演方法，该方法包括如下步骤，

步骤1、对PolSAR图像提取极化参数：

对于全极化数据，目标的散射矩阵为：

其中S

通过[S]矩阵可以得到目标点的极化协方差C

选取C

对极化协方差矩阵进行矩阵变换的到极化相干矩阵T

T

对T

式中，

利用概率p

散射熵(H)代表目标点的散射极化程度，各向异性度(A)定义了第二特征值和第三特征值之间的关系。

第六个极化参数可以通过特征向量获取，通过目标散射机理α

α可以表示目标点平均散射过程的类型。

上述提取的6个极化参数都与土壤湿度存在着一定的非线性关系，因此利用以上极化参数对土壤湿度进行反演。

步骤2、训练样本及验证样本的制作：

对实验数据进行特征参数的提取后，可以的得到6个特征参数的矩阵将其按照H、A、α、δ

步骤3、建立双通道卷积神经网络并训练：

卷积神经网络是受视觉成像原理所启发，它利用不同的卷积核来代替可视皮层细胞对目标物的感知，然后将所得到的感知结果通过非线性激活函数从而得到目标物的复杂特征。本发明所设计的双通道卷积神经网络如图2所示。将样本的6个极化参数分为两组分别放入两个通道中，其中对于第一通道输入H、A、α这三个极化参数，选用4个卷积层与一个全连接层。第二通道输入δ

其中f(·)是非线性激活函数为修正线性单元(ReLU)，ReLU函数可以很好避免梯度耗散，并且可以减少训练时间

f(x

全连接层(FCL)是将经过若干次卷积操作后的特征图映射到样本标记空间，可以大大减少特征位置对分类带来的影响。在每两个层之间与一个Dropout层混合，Dropout层的作用是在前向传播的时候，让某个神经元的激活值以一定的概率p停止工作，这样可以使模型减少过拟合，泛化性更强。在每个层后面都接入一个校正的线性激活函数(ReLU)。对两个通道进行特征提取后进行通道的特征融合，融合后的特征再接入一个全连接层，最后进行分类与回归。

本发明的具体设置细节如表1和表2，本发明针对H、A、α通道首先经过第一组卷积核为3，步长为1，填充为1的卷积层，生成8个大小为7*7的特征图，填充为1是将原始数据周围一圈扩0，这样做的目的既是为了充分利用数据的边缘信息也是为了在经过卷积操作后保持数据的大小不变。再经过第二组卷积核为3，步长为1的卷积层，生成16个大小为5*5的特征图。然后经过第三组卷积核为3，步长为1，填充为1的卷积层，生成24个大小为5*5的特征图。经过第四组卷积核为3，步长为1的卷积层，生成32个大小为5*5的特征图。最后经过一个全连接层将32个大小为3*3的特征图变为具有120个神经元的一维向量。针对δ

表1 双通道分类卷积神经网络结构参数表

表2 双通道回归卷积神经网络结构参数表

步骤4、对验证样本进行预测：

本发明中，采用三个指标来评价效果

1)反演准确率

2)均方根误差

3)可决系数

式中N是验证样本总数，y

本发明使用德国北部DEMMIN地区的E-SAR全极化数据进行训练和验证，计算上述提到的三个指标。实验结果如表2和表3所示。从实验结果分析，双通道卷积神经网络的反演精度为99.42％，使用传统神经网络的反演精度为88.54％，双通道卷积神经网络相比于传统神经网络，同比提高了10.88％。可以得出，本发明提出的方法，在反演精度上有着明显提高。在均方根误差上比传统神经网络降低了3.2356，可决系数比传统的神经网络提高了0.6633。

表2 不同网络反演准确率

表3 不同网络均方根误差及可决系数