基于深度学习的RADARSAT星座任务紧凑极化SAR数据用于过火区域制图
计算机视觉与模式识别
2024-12-17 v1
摘要
近年来，由于野火事件的急剧增加，野火监测变得日益关键。Sentinel-2和Landsat等光学卫星被广泛用于过火区域制图。然而，光学传感器的有效性受到云层和烟雾的干扰，这些因素会阻碍过火区域的检测。因此，配备合成孔径雷达（SAR）的卫星，如双极化Sentinel-1和四极化RADARSAT-1/-2 C波段SAR，因其能够穿透云层和烟雾而被研究用于过火区域制图。然而，关于使用紧凑极化（compact-pol）C波段RADARSAT星座任务（RCM）SAR数据进行此目的的研究有限。本研究旨在通过深度学习探究紧凑极化RCM数据用于过火区域制图的能力。从RCM多视复数产品中推导出紧凑极化m-chi分解和紧凑极化雷达植被指数（CpRVI）。采用基于ConvNet和基于Transformer的模型的深度学习处理流水线进行过火区域制图，使用三种不同的输入设置：仅使用对数比双极化强度图像，仅使用紧凑极化分解加CpRVI，以及使用所有三种数据源。结果表明，紧凑极化m-chi分解和CpRVI图像显著补充了对数比图像用于过火区域制图。性能最佳的基于Transformer的模型UNETR，在使用对数比、m-chi分解和CpRVI数据训练时，达到了0.718的F1分数和0.565的IoU分数，与仅使用对数比图像训练的同一模型相比，显示出显著的改进。
引用
@article{arxiv.2412.11561,
title = {RADARSAT Constellation Mission Compact Polarisation SAR Data for Burned Area Mapping with Deep Learning},
author = {Yu Zhao and Yifang Ban},
journal= {arXiv preprint arXiv:2412.11561},
year = {2024}
}