2. Машина повышения градиента света

Точный и систематический мониторинг пахотных земель в региональном и глобальном масштабе имеет решающее значение для многих сельскохозяйственных приложений, начиная от мониторинга урожайности сельскохозяйственных культур и оценки биомассы до управления сельскохозяйственными субсидиями. Из-за динамической структуры посевов необходимо своевременное обновление карт посевов для прогнозирования урожайности и планирования сельскохозяйственной политики [1,2]. Благодаря своим временным и широким возможностям мониторинга дистанционное зондирование предлагает практические решения этих проблем. Для наблюдения за пространственными и временными изменениями культур, а также для точной идентификации культур, классификация мультивременных изображений является распространенным подходом, обеспечивающим экономически эффективные решения по сравнению с традиционными методами, такими как топографическая съемка или кадастровая съемка для сопоставление [3,4,5]. Отсутствие безоблачных изображений с оптических датчиков может ограничивать временной мониторинг сельскохозяйственных угодий в некоторых конкретных регионах (например, в тропических регионах). Облачность и дымка могут стать проблемой для крупномасштабных сельскохозяйственных работ, особенно в период вегетации (или вегетации) сельскохозяйственных культур. В таких случаях необходимы изображения радара с синтезированной апертурой (SAR), которые обеспечивают высокий временной охват в критических по времени сельскохозяйственных приложениях [1,4,6]. Требования к мультивременным и мультиполяризационным данным SAR для успешной классификации сельскохозяйственных культур были четко сформулированы и проверены во многих предыдущих исследованиях из-за того, что сельскохозяйственные культуры в целом, а также в пределах различных фенологических стадий демонстрируют различные механизмы рассеяния во временной области. 1,3,4].

Способность поляриметрической декомпозиции целей классифицировать землепользование/покрытие исследовалась в нескольких исследованиях в прошлом [15, 16,17 ]. Однако лишь в нескольких исследованиях изучалась классификация с преобладанием сельскохозяйственных культур только с помощью радиолокатора с использованием поляриметрического разложения целей из многовременных поляриметрических изображений C-диапазона RADARSAT-2. Для этой цели было использовано множество алгоритмов классификации, таких как машины опорных векторов (SVM), классификация максимального правдоподобия (MLC), случайный лес (RF) и ближайший сосед (NN). Ма и др. [18] использовали поляриметрические параметры разложения Паули для классификации сельскохозяйственных культур, чтобы оценить потенциал многовременных данных PolSAR RADARSAT-2. Они достигли общей точности классификации 87,8% при использовании MLC. Лю и др. [19] протестировали многовременные изображения PolSAR RADARSAT-2 для мониторинга роста сельскохозяйственных культур. Чтобы проанализировать характеристики рассеяния культур, они использовали разложение Паули и использовали MLC для картирования культур. Они достигли точности классификации до 85%. Цзяо и др. [4] исследовал методы декомпозиции Клауда-Потье и Фримена-Дердена для картографирования сельскохозяйственных культур с использованием объектно-ориентированной классификации и многовременных данных PolSAR RADARSAT-2. Их экспериментальные результаты показали, что параметры разложения Клауда-Потье обеспечивают более высокую точность классификации, чем разложения Фримена-Дердена и линейные поляризации обратного рассеяния. Ларраньяга и Альварес-Мозос [2] оценили разложения Паули и Клауда-Потье, а также несколько других поляриметрических характеристик для картографирования культур с объектно-ориентированной радиочастотной классификацией. Они указали, что данных двойного опроса в диапазоне C может быть достаточно, если даты изображений представляют ключевые фенологические изменения культур. Шуай и др. [20] предложил новый метод картирования кукурузы с использованием классификации SAR на основе участков с SVM. В своем эксперименте они извлекли поляриметрические особенности из разложений Паули и Клауда-Потье. Их экспериментальные исследования пришли к выводу, что предложенный ими метод обеспечивает точность классификации 94,7% и доказал дополнительные преимущества многовременных данных PolSAR для картирования кукурузы.

В этих вышеупомянутых исследованиях изучался потенциал когерентного и некогерентного поляриметрического разложения целей при классификации сельскохозяйственных культур с использованием мультивременных данных PolSAR C-диапазона. Тем не менее, взаимное сравнение некогерентных разложений (разложений на основе собственных векторов и разложений на основе моделей) при различении типов культур по многовременным данным PolSAR C-диапазона еще полностью не изучено в литературе. Цзяо и др. [4] использовали в своем эксперименте только один метод (Фримена-Дердена) из модельной декомпозиции. Кроме того, ни в одном из этих вышеупомянутых исследований не сравнивались возможности матриц C или T наряду с поляриметрическим разложением мишеней в культурах. классификация с использованием мультивременных данных PolSAR.

За последние два десятилетия ансамбль классификаторов (несколько классификаторов) широко использовался в области распознавания образов и машинного обучения для задач классификации/регрессии, поскольку считается, что ансамблевые классификаторы обеспечивают более высокую точность по сравнению с одиночными классификаторами [21,22]. RF является наиболее широко используемым и признанным методом ансамблевого обучения в дистанционном зондировании из-за его высокой точности, короткого времени вычислений и заметной эффективности [22]. Недавно сообществу машинного обучения были представлены новые алгоритмы ансамблевого обучения, такие как канонический корреляционный лес (CCF) (2015 г.), экстремальное повышение градиента (XgBoost) (2016 г.) и машина повышения градиента света (LightGBM) (2017 г.). 23,24,25]. Опубликовано очень ограниченное количество статей о CCF [26,27] и XgBoost [28,29,30] для целей классификации в дистанционном зондировании; тем не менее, еще не было опубликовано ни одного исследования с использованием недавно запущенного LightGBM, который представляет собой высокоэффективное дерево решений с повышением градиента, разработанное Microsoft Research в области дистанционного зондирования для целей классификации. Только в одной статье Лю, Цзи и Бухройтнера [31] LightGBM был протестирован, в данном случае для извлечения свойств почвы путем объединения частичных методов наименьших квадратов. Насколько нам известно, это экспериментальное исследование является первым применением LightGBM для классификации сельскохозяйственных культур с использованием данных PolSAR.

Основные результаты этого исследования можно резюмировать следующим образом:

(1) Были сопоставлены характеристики некогерентного поляриметрического разложения цели (на основе собственного вектора и на основе модели) для различения сельскохозяйственных культур с использованием данных PolSAR в мультивременном диапазоне C.

(2) Впервые LightGBM был использован для классификации сельскохозяйственных культур с использованием поляриметрических характеристик мультивременных данных PolSAR C-диапазона.

(3) Эффективность поляриметрических целевых разложенных параметров для классификации сельскохозяйственных культур сравнивалась с исходными поляриметрическими характеристиками (коэффициенты линейного обратного рассеяния, а также T и C матрицы).

Из-за их превосходства над одиночными классификаторами с точки зрения производительности классификации за последние несколько лет групповые классификаторы (также известные как множественные классификаторы) получили большее внимание в распознавании образов и машинном обучении. Эти классификаторы предназначены для повышения точности классификации путем объединения прогнозов отдельных (одиночных) классификаторов с помощью правила голосования по большинству [«42», «43»]. Существует несколько подходов, которые используются для создания ансамблевых классификаторов, таких как бэггинг, бустинг, суммирование и RF [«16»]. Поскольку мы реализовали LightGBM только как ансамблевый метод, мы предоставим только основные принципы работы бустинга. В подходе повышения ряд отдельных классификаторов итеративно обучается для улучшения классификаторов слабых учеников. На начальном этапе итерации обучающие данные одинаково взвешиваются, а в процессе обучения веса пересчитываются. Неправильно классифицированные пиксели из-за слабых классификаторов в предыдущих итерациях получают более высокие веса и, таким образом, правильно классифицируются [«21», «42»]. Одним из наиболее распространенных методов повышения в области дистанционного зондирования и машинного обучения являются деревья решений с градиентным усилением (GBDT), также известные как машины с градиентным усилением (GBM).

4. Экспериментальные результаты и обсуждение

Недавно новые алгоритмы ансамблевого обучения, такие как CCF (2015 г.) и XgBoost (2016 г.), были изучены и протестированы для классификации изображений дистанционного зондирования в ряде исследований [26, 27,28,29]. Относительно новый алгоритм ансамблевого обучения, LightGBM (2017 г.), был представлен сообществу машинного обучения и был воспринят с большим интересом, поскольку он превзошел существующие повышающие фреймворки в недавних соревнованиях по машинному обучению и науке о данных, особенно в отношении сложных задач. наборы данных [43]. Краткое введение в LightGBM представлено в следующем абзаце; более подробно можно прочитать в работе Ke et al. [25]. Классификация LightGBM выполнялась с использованием пакета LightGBM Python версии 2.2.2 [44].

LightGBM — это фреймворк повышения градиента, основанный на алгоритмах дерева решений. Этот метод выращивает деревья, применяя листовую (или лучшую) стратегию, в то время как другие алгоритмы обучения ансамбля используют стратегию по уровням (или по глубине). LightGBM использует две новые технологии: одностороннюю выборку на основе градиента (GOSS) и объединение эксклюзивных функций (EFB). Затраты на вычисления снижаются благодаря этим новым методам, поскольку GOSS использует подмножество меньших экземпляров вместо всех экземпляров, а EFB может объединять эксклюзивные функции в менее плотные функции. Эти методы в LightGBM обеспечивают такие преимущества, как ускорение процесса обучения и получение более высокой точности, чем в других средах повышения градиента. Этот метод называется LightGBM из-за высокой скорости процесса обучения и низкого использования памяти. LightGBM имеет много параметров модели, которые необходимо настроить, такие как тип повышения, максимальная глубина, скорость обучения и количество листьев. В качестве типа повышения мы выбрали GOSS [25,31]. Параметры подбирались методом проб и ошибок и приведены в Таблице 5.

В этом подразделе представлены результаты классификации (и точность на основе класса), а затем обсуждается влияние поляриметрического разложения цели. В этом исследовании было выполнено взаимное сравнение методов разложения некогерентных поляриметрических целей, а также исходных функций PolSAR для классификации сельскохозяйственных культур с использованием ансамблевого обучающего классификатора LightGBM. Точность классифицированных изображений (и прогнозов классов) была получена из матрицы ошибок (матрицы путаницы). Рисунок 4 отображает общую точность классификации. Наивысшая точность классификации была получена методом разложения Ямагути (92,07%), за которым следуют разложения Ван Зила (91,76%) и Фримена-Дердена (91,60%). Все поляриметрические методы разложения мишеней, за исключением метода Клауда-Потье (78,83%), превзошли коэффициенты обратного рассеяния (87,65%) с точки зрения общей точности классификации. Разложения на основе моделей (Ямагути и Фримена-Дердена) превзошли разложения на основе собственных векторов, за исключением метода Ван Зила. Несмотря на то, что метод Клауда-Потье дал более низкую точность классификации, чем коэффициент обратного рассеяния и другие поляриметрические разложения цели, он дал более высокую точность классификации, чем матрица T (76,47%). и матрица C (75,99%). Кроме того, при сравнении эффективности классификации матриц T и C, T матрица превзошла матрицу C. Возможная причина этого заключается в том, что матрица T включает информацию о физическом механизме рассеяния, однако матрица C включает только формализм второго порядка матрицы рассеяния и позволяет проводить прямой анализ каналов поляризации [39].

использованная литература

Это исследование было первоначально опубликовано в ISPRS International Journal of Geo-Information (ISSN 2220–9964).

Узнайте больше на https://www.mdpi.com/2220-9964/8/2/97

Процитируйте: Ustuner, M.; Балик Санли, Ф. Поляриметрическое разложение мишеней и машина для повышения градиента света для классификации сельскохозяйственных культур: сравнительная оценка. ISPRS, международный J. Geo-Inf. 2019, 8, 97.

© 2019 авторами. Лицензиат MDPI, Базель, Швейцария. Эта статья находится в открытом доступе и распространяется на условиях лицензии Creative Commons Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/).

Макнейрн, Х .; Шанг, Дж. Обзор многовременного радара с синтезированной апертурой (SAR) для мониторинга урожая. В Многовременное дистанционное зондирование: методы и приложения; Бан, Ю., изд.; Springer International Publishing: Чам, Швейцария, 2016 г.; стр. 317–340. [«Академия Google»]

  1. Ларраньяга, А .; Альварес-Мозос, Дж. О дополнительной ценности данных Quad-Pol в многовременной структуре классификации культур на основе изображений RADARSAT-2. Remote Sens. 2016, 8, 335. [Google Scholar] [CrossRef ]
  2. Макнейрн, Х .; Бриско, Б. Применение поляриметрического РСА С-диапазона в сельском хозяйстве: обзор. Может. J. Remote Sens. 2004, 30, 525–542. [Академия Google] [CrossRef]
  3. Цзяо, X .; Ковач, Дж. М.; Шанг, Дж.; Макнейрн, Х .; Уолтерс, Д.; Ма, Б.; Генг, X. Объектно-ориентированное картографирование и мониторинг культур с использованием мультивременных поляриметрических данных RADARSAT-2. ISPRS J. Photogramm. Remote Sens. 2014, 96, 38–46. [Академия Google] [CrossRef]
  4. Хуанг, X .; Ван, Дж.; Шанг, Дж.; Ляо, К.; Лю, Дж. Применение поляризационной сигнатуры к анализу и классификации механизма рассеяния земного покрова с использованием многовременных поляриметрических изображений C-диапазона RADARSAT-2. Remote Sens. Environ. 2017, 193, 11–28. [Академия Google] [CrossRef]
  5. Скривер, Х .; Маттиа, Ф .; Саталино, Г.; Баленцано, А .; Пауэлс, VRN; Верхоест, Северная Каролина; Дэвидсон, М. Классификация сельскохозяйственных культур с использованием краткосрочных многовременных данных SAR. IEEE J. Sel. Вверх. заявл. Обсерв. Земли Remote Sens. 2011, 4, 423–431. [Академия Google] [CrossRef]
  6. Ли, Дж.-С.; Pottier, E. Поляриметрическая радиолокационная визуализация: от основ к приложениям; CRC Press: Бока-Ратон, Флорида, США, 2009 г. [Google Scholar]
  7. Шмуллиус, К.; Тиль, К.; Пате, К.; Санторо, М. Временные ряды радаров для картографирования земного покрова и лесов. В Временные ряды дистанционного зондирования: выявление динамики поверхности земли; Кюнцер, С., Деч, С., Вагнер, В., ред.; Springer International Publishing: Чам, Швейцария, 2015 г.; стр. 323–356. [Академия Google]
  8. Тамиминия, Х .; Хомаюни, С .; Макнейрн, Х .; Сафари, А. Оптимизированный роем частиц метод кластеризации на основе ядра для картирования сельскохозяйственных культур на основе многовременных поляриметрических наблюдений РСА L-диапазона. Международный Дж. Заявл. Обсерв. Земли Геоинф. 2017, 58, 201–212. [Академия Google] [CrossRef]
  9. Гейне, И.; Ягдхубер, Т .; Ицеротт, С. Классификация и мониторинг тростниковых поясов с использованием временных рядов двухполяриметрических данных TerraSAR-X. Remote Sens. 2016, 8, 552. [Google Scholar] [CrossRef ]
  10. Клауд, С.Р.; Pottier, E. Обзор теорем разложения цели в радиолокационной поляриметрии. Перевод IEEE. Geosci. Remote Sens. 1996, 34, 498–518. [Академия Google] [CrossRef]
  11. Фриман, А .; Дерден, С.Л. Трехкомпонентная модель рассеяния для поляриметрических данных РСА. Перевод IEEE. Geosci. Remote Sens. 1998, 36, 963–973. [Академия Google] [CrossRef]
  12. Ямагути, Ю.; Морияма, Т .; Ишидо, М .; Ямада, Х. Модель четырехкомпонентного рассеяния для разложения поляриметрического изображения РСА. Перевод IEEE. Geosci. Remote Sens. 2005, 43, 1699–1706. [Академия Google] [CrossRef]
  13. Марино, А .; Клауд, С.Р.; Лопес-Санчес, Дж. М. Новый детектор поляриметрических изменений в радиолокационных изображениях. Перевод IEEE. Geosci. Remote Sens. 2013, 51, 2986–3000. [Google Scholar] [CrossRef][Зеленая версия]
  14. Ци, З .; Да, А.Г.-О.; Ли, Х .; Лин, З. Новый алгоритм классификации землепользования и земного покрова с использованием данных поляриметрического РСА RADARSAT-2. Remote Sens. Environ. 2012, 118, 21–39. [Академия Google] [CrossRef]
  15. Самат, А .; Ду, П.; Бейг, MHA; Чакраварти, С .; Ченг, Л. Обучение ансамблю с несколькими классификаторами и поляриметрическими функциями для классификации поляризованных изображений SAR. Фотограмма. англ. Remote Sens. 2014, 80, 239–251. [Академия Google] [CrossRef]
  16. Ду, П.; Самат, А .; Васке, Б.; Лю, С .; Ли, З. Случайный лес и вращающийся лес для классификации полностью поляризованных изображений SAR с использованием поляриметрических и пространственных признаков. ISPRS J. Photogramm. Remote Sens. 2015, 105, 38–53. [Академия Google] [CrossRef]
  17. Ма, К.; Ван, Дж.; Шанг, Дж.; Ван, П. Оценка многовременных поляриметрических данных РСА RADARSAT-2 для классификации сельскохозяйственных культур в городской/сельской окраине. В материалах Второй международной конференции по агрогеоинформатике (агрогеоинформатике) 2013 г., Фэрфакс, Вирджиния, США, 12–16 августа 2013 г.; стр. 314–319. [Академия Google]
  18. Лю, К.; Шанг, Дж.; Вашон, PW; МакНэрн, Х. Многолетний мониторинг урожая с использованием поляриметрических данных RADARSAT-2. Перевод IEEE. Geosci. Remote Sens. 2013, 51, 2227–2240. [Академия Google] [CrossRef]
  19. Шуай, Г .; Чжан, Дж.; Бассо, Б.; Пан, Ю.; Чжу, X .; Чжу, С .; Лю, Х. Мультивременной поляриметрический РСА RADARSAT-2 для картирования кукурузы, поддерживаемый сегментацией оптического изображения высокого разрешения. Международный Дж. Заявл. Обсерв. Земли Геоинф. 2019, 74, 1–15. [Академия Google] [CrossRef]
  20. Кавзоглу Т.; Колкесен, И. Оценка эффективности ансамбля чередующихся лесов для картирования землепользования и земного покрова. Международный J. Remote Sens. 2013, 34, 4224–4241. [Академия Google] [CrossRef]
  21. Бельгия, М.; Драгуц, Л. Случайный лес в дистанционном зондировании: обзор приложений и будущих направлений. ISPRS J. Photogramm. Remote Sens. 2016, 114, 24–31. [Академия Google] [CrossRef]
  22. Рейнфорт, Т .; Вуд, Ф. Каноническая корреляция лесов. arXiv, 2015 г.; архив: 1507.05444. [Академия Google]
  23. Чен, Т .; Гестрин, К. XGBoost: масштабируемая система повышения дерева. В материалах 22-й Международной конференции ACM SIGKDD по открытию знаний и интеллектуальному анализу данных, Сан-Франциско, Калифорния, США, 13–17 августа 2016 г.; стр. 785–794. [Академия Google]
  24. Ке, Г.; Мэн, В.; Финли, Т .; Ван, Т .; Чен, В .; Ма, В .; Е, В.; Лю, Т.-Ю. Lightgbm: высокоэффективное дерево решений для повышения градиента. В Proceedings of the Advances in Neural Information Processing Systems, Лонг-Бич, Калифорния, США, 4–9 декабря 2017 г.; стр. 3146–3154. [Академия Google]
  25. Ся, Дж.; Йокоя, Н .; Ивасаки, А. Классификация гиперспектральных изображений с помощью канонических корреляционных лесов. Перевод IEEE. Geosci. Remote Sens. 2017, 55, 421–431. [Академия Google] [CrossRef]
  26. Колкесен, И.; Кавзоглу, Т. Канонический корреляционный лес (CCF) на основе ансамбля для классификации землепользования и земного покрова с использованием снимков Sentinel-2 и Landsat OLI. Remote Sens. Lett. 2017, 8, 1082–1091. [Академия Google] [CrossRef]
  27. Донг, Х .; Сюй, X .; Ван, Л.; Пу, Ф. Гаофэнь-3. Классификация изображений PolSAR с помощью XGBoost и поляриметрической пространственной информации. Датчики 2018, 18, 611. [Google Scholar] [CrossRef] [PubMed]
  28. Георганос, С.; Гриппа, Т .; Ванхуйсс, С .; Леннерт, М .; Шимони, М.; Вольф, Э. Объектное землепользование с очень высоким разрешением – городская классификация земного покрова с использованием экстремального повышения градиента. IEEE Geosci. Remote Sens. Lett. 2018, 15, 607–611. [Академия Google] [CrossRef]
  29. Чжэн, Х .; Цуй, З .; Чжан, X. Определение режимов движения железнодорожных поездов по данным GPS о траектории: подход, основанный на ансамблевом классификаторе. ISPRS, международный J. Geo-Inf. 2018, 7, 308. [Google Scholar] [CrossRef ]
  30. Лю, Л.; Джи, М .; Бухройтнер, М. Комбинирование частичного метода наименьших квадратов и метода повышения градиента для определения свойств почвы с использованием видимого ближнего инфракрасного диапазона коротковолновых инфракрасных спектров. Remote Sens. 2017, 9, 1299. [Google Scholar] [CrossRef ]
  31. Сигналы РСА чувствительны к геометрической структуре и диэлектрическим свойствам урожая, поэтому они могут предоставлять дополнительную информацию оптическим датчикам для анализа и мониторинга урожая. Обратное рассеяние радара после калибровки сильно зависит от соотношения между параметрами цели (плотность растений, шероховатость поверхности, геометрическая структура, диэлектрические свойства и т. д.) и конфигурацией датчика (угол падения, поляризация волны, длина волны и т. д.) [ 7,8,9]. По сравнению с режимами одиночной или двойной поляризации датчики полного поляриметрического SAR (PolSAR) регистрируют полные характеристики рассеяния целей (например, растительность или сельскохозяйственные культуры) и позволяют анализировать независимые элементы физического рассеяния [7 ,10]. Эти полные механизмы рассеяния можно проанализировать и упростить с помощью методов поляриметрического разложения мишени. Поляриметрические разложения целей представляют собой мощный подход к интерпретации и анализу сложных механизмов рассеяния, поскольку они разделяют поляриметрические измерения (матрицы ковариации/когерентности) на несколько независимых вторичных элементов, а затем предоставляют важную информацию о различных механизмах рассеяния. Поляриметрические разложения цели можно разделить на две категории: (i) когерентные разложения и (ii) некогерентные разложения [7, 11, 12]. Когерентные разложения имеют дело с матрицей рассеяния одного взгляда S и могут характеризовать когерентный или детерминированный рассеиватель (т. е. искусственные цели). На практике цели, наблюдаемые датчиками SAR, имеют разные характеристики рассеяния, известные как распределенные или некогерентные рассеиватели (т. е. естественные цели). Распределенный рассеиватель можно охарактеризовать или смоделировать только с помощью статистики второго порядка, которая может быть получена с помощью когерентности T или ковариации C. матрицы. Некогерентные разложения, в которых используются матрицы T или C, применяются для анализа сложных механизмов рассеяния некогерентных рассеивателей, и они делятся на две категории: разложения на основе собственных векторов (например, Клауд-Поттье и Ван Зил) и разложения на основе моделей (например, Фримена-Дердена и Ямагути) [11, 12,13,14].

© 2019 авторами. Лицензиат MDPI, Базель, Швейцария. Эта статья находится в открытом доступе и распространяется на условиях лицензии Creative Commons Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/).

Машина для разложения поляриметрических мишеней и повышения градиента света для классификации сельскохозяйственных культур: A…