ABSTRACT

Synthetic aperture radar (SAR), with all-day and all-weather observation capabilities, can capture the phenology of crops with short growth cycles to improve land cover classification results. The present study carried out a land cover classification using multitemporal RADARSAT-2 fully polarimetric SAR (PolSAR) images that are 24 days apart. The objectives of this study were 1) examining the land cover classification capacity of multitemporal fully PolSAR data processed with multiple polarimetric decomposition methods, 2) investigating the contribution of multi-type polarimetric decomposition methods to multitemporal PolSAR image classification, 3) and determining optimal image acquisition dates and polarimetric parameters for land cover classification. Overall accuracy and kappa coefficient attained using the multitemporal PolSAR data were 96.55% and 0.96, respectively, which were improved by as much as 16.77% and 0.20, respectively, compared with those obtained with a single scene. Compared with the multitemporal PolSAR image classification using coherency matrices alone, the use of polarimetric decomposition methods improved overall accuracy and kappa value by 2.22% and 0.03, respectively. Using decision tree algorithms for feature selection, we found that April 14, May 8, June 1, and June 25 and Pauli, Cloude, Neumann3, An&Yang4, Freeman3, Barnes2, and MCSM5 decomposition methods were optimal for the land cover classification.

摘要

具有全天候和全天候观测功能的合成孔径雷达（SAR）可以捕获生长周期短的农作物物候，从而改善土地覆被分类结果。本研究使用间隔24天的多时相RADARSAT-2全极化SAR（PolSAR）图像进行了土地覆盖分类。这项研究的目的是：1）研究用多极化分解方法处理的多时间完全PolSAR数据的土地覆盖分类能力； 2）研究多类型极化分解方法对多时间PolSAR图像分类的贡献； 3）确定最佳图像土地覆盖分类的采集日期和极化参数。使用多时态PolSAR数据获得的总体准确性和kappa系数为96。与单个场景相比，分别提高了55％和0.96，分别提高了16.77％和0.20。与仅使用相干矩阵的多时间PolSAR图像分类相比，极化分解方法的使用分别使整体准确性和kappa值分别提高了2.22％和0.03。使用决策树算法进行特征选择，我们发现4月14日，5月8日，6月1日和6月25日以及Pauli，Cloude，Neumann3，An＆Yang4，Freeman3，Barnes2和MCSM5分解方法对于土地覆盖分类是最佳的。极化分解方法的使用分别使整体准确性和kappa值分别提高了2.22％和0.03。使用决策树算法进行特征选择，我们发现4月14日，5月8日，6月1日和6月25日以及Pauli，Cloude，Neumann3，An＆Yang4，Freeman3，Barnes2和MCSM5分解方法对于土地覆盖分类是最佳的。极化分解方法的使用分别使整体准确性和kappa值分别提高了2.22％和0.03。使用决策树算法进行特征选择，我们发现4月14日，5月8日，6月1日和6月25日以及Pauli，Cloude，Neumann3，An＆Yang4，Freeman3，Barnes2和MCSM5分解方法对于土地覆盖分类是最佳的。