基于多时相 SAR Sentinel-1 的深度循环神经网络用于冬季植被质量覆盖度制图
计算机视觉与模式识别
2017-08-15 v1
摘要
冬季植被质量覆盖度制图是遥感领域的一个挑战性问题。这是由于冬季的云层覆盖，导致需要使用雷达而非光学图像。本文旨在更好地理解雷达 Sentinel-1 和深度学习在冬季植被质量覆盖度制图方面的能力。本文中的分析是在 2016 年 12 月的观测活动期间，针对法国拉罗谢尔地区的多时相 Sentinel-1 数据进行的。对该数据集进行了处理，以生成 2016 年 10 月至 2017 年 2 月的雷达强度数据栈。采用了两种基于深度循环神经网络（RNN）的分类器方法。我们发现，RNN 的结果明显优于经典的机器学习方法（支持向量机和随机森林）。本研究证实，Sentinel-1 时间序列雷达和 RNN 可用于冬季植被质量覆盖度制图。
引用
@article{arxiv.1708.03694,
title = {Deep Recurrent Neural Networks for mapping winter vegetation quality coverage via multi-temporal SAR Sentinel-1},
author = {Dinh Ho Tong Minh and Dino Ienco and Raffaele Gaetano and Nathalie Lalande and Emile Ndikumana and Faycal Osman and Pierre Maurel},
journal= {arXiv preprint arXiv:1708.03694},
year = {2017}
}
备注
In submission to IEEE Geoscience and Remote Sensing Letters