文摘
土壤水分检索是最具挑战性的问题之一在生物物理参数估计的背景下从遥感数据。一般来说,由于他们使用微波信号对土壤含水量的变化。然而,特别是在阿尔卑斯山,植被和地形的异质性的存在极大地影响了微波信号,从而增加检索的复杂性。摘要RADARSAT2 SAR图像的有效性的估计土壤水分在高山流域调查。我们第一次进行SAR信号的灵敏度分析土壤的含水量和其他目标属性(例如,地形和植被)。然后,我们提出一个方法,可以评估土壤水分基于支持向量回归算法和辅助数据的集成。初步结果讨论了无论是在点测量精度和效率在处理空间分布数据。
1。介绍
土壤含水量是许多水文过程的一个重要参数。它控制降水事件过程中渗透速率,径流生产,蒸散(1]。因此,影响全球水和能量平衡。因此,土壤水分的空间分布和浓度信息是非常重要的在这两个水文应用程序,如洪水预测极端降雨事件,在干旱时期流域管理,灌溉调度、精准农业、地球科学,像气候变化分析和气象学。当我们将注意力转向山区环境,如阿尔卑斯山、时空变异性的规模减少,由于非均质性和环境的变化2,3]。这方面的知识,准确和可靠的信息对土壤水分状况更加复杂,同时上面引用的重要和关键的应用程序(4]。
在过去的几年里,越来越多的太空传感器,完成和覆盖地球表面的频繁,日益增加的兴趣决定了遥感数据bio-geophysical表面参数的估计。在这个领域,最具挑战性的问题之一是与土壤含水量的估计微波传感器,特别是合成孔径雷达(SARs)。
微波信号的敏感性对土壤含水量的影响取决于水的介电常数,建立在几项研究[5- - - - - -7]。水分的挑战内容检索从微波信号表示的复杂性和非线性估计过程。此外,一些研究指出微波信号的敏感性其他目标属性,如土壤的粗糙度和植被的存在,检索过程中引入额外的歧义和非线性(8,9]。为了减少这些影响,一些研究已经进行了使用微波数据的获得与多个入射角度、频率和极化配置。特别是,结合使用C和L波段微波信号显示特别适合为了解决植物从土壤的贡献(10]。然而,大多数的卫星系统(例如,ERS-2 RADARSAT,萨特)只有在c波段SAR传感器,从而限制应用多频方法在操作条件下的可能性。另一个可能的解决方案是集成光学传感器获得的数据的检索过程,这可能提供有用的信息,减少模糊性由于植被的存在(11]。关于偏振特性,使用合作和正交极化后向散射系数表明是有效减少模棱两可的信号由于粗糙度(12]。然而,尽管偏振方法已经证明非常有前途,这只尚未充分利用由于最近的可用性完全偏振卫星轨道传感器。最近的一些文件处理使用偏振RADARSAT2图像。亨德里克斯et al ., 2009年,验证RADARSAT2获取土壤水分值与地面测量和光学指标在半干旱地区提供不错的效果。
地形是另一个重要方面(除了植被的影响和表面粗糙度)时要考虑处理土壤参数的估计。卫星系统,特别是SAR系统,强烈受地形影响的区域。(即变形的影响。,foreshortening, layover, and shadowing) may occur due to the side-looking acquisition geometry (specific of the SAR sensor) and the presence of topography on the ground. Even if these extreme distortion effects do not occur, the SAR signal is affected by the local incidence angle and the distance between the target area and the sensor antenna. These topographic effects are usually taken into consideration during the calibration of the data. However, when dealing with mountain areas, such as the Alps, it is fair to expect to have a nonnegligible residual contribution within the signal due to the extreme topographic conditions [13]。这种贡献可能显著影响微波信号的敏感性卫星传感器获得的土壤的水分含量,从而可以进一步提高估计的复杂性问题。然而,有限的努力一直在致力于这个挑战方面的评估土壤水分在高山地区。例如,Paloscia et al ., 2010年调查的有效性ASAR遥感数据结合光学图像的估计Cordevole地区土壤水分(意大利威尼托地区)。分析指出了重大影响植被覆盖率的反向散射信号。然而,在感兴趣的领域不存在重大变化的地形,从而限制的适用性提出了分析其他山区不同地形条件。Heitz et al ., 2010年,相关RADARSAT2反向散射系数对地测量表明获取土壤水分值能够识别地形土壤湿度梯度。
从方法论的角度来看,土壤含水量的检索可以被认为是一个映射问题的空间(即测量信号。反向散射信号)的空间所需的生物物理参数(即。土壤含水量)。这个任务通常是解决通过从理论推理所需的映射模型,如积分方程模型(IEM),使用迭代方法或非线性机器学习技术(12,14]。理论模型可以描述的各种实验条件的采集参数和目标属性。他们确保高度的通用性估计过程和处理操作条件的可能性没有(或很少)场地面实况。然而,制定理论模型通常是极其复杂的,涉及到一定数量的输入参数,从而使非线性反演过程,分析nontractable,生病了。另一个关键点是事实,可能传递的简化和近似理论模型的物理现象可能不是完全验证领域特别是在存在复杂的环境条件(15]。这可能是高山环境的情况下,由于存在和异质性的植被覆盖和地形的影响。这些问题可以显著影响估计的准确性和可靠性。
所有这些方面的问题表征的高山地区的土壤水分遥感数据极其复杂和挑战性。潜在的土壤水分的集成估计在实际应用场景,像上面提到的那些,重要的是要有一个清晰的理解的可能性,但也限制,新一代卫星SAR传感器结合先进先进的土壤参数的检索方法的高山环境。尽管一些在这个方向已经开始工作,需要进一步分析。索非亚项目(土壤和森林与RADARSAT2图像信息检索)插入在这种背景下,旨在调查能力的新一代偏振RADARSAT2卫星SAR传感器结合先进先进的土壤和森林生物物理参数的估计方法在高山环境。介绍了实验分析背后的基本原理在索非亚的背景下进行项目评估土壤水分的特定主题。该工作的主要目标(我)目前测试区域和设置地面测量,(2)数据分析的敏感性RADARSAT2偏振高山排水的土壤含水量和SAR图像与辅助数据集成的必要性,(3)现在第一个土壤水分的结果估计来自反演过程基于支持向量回归的技术。
剩下的纸是组织如下。部分2介绍了研究区我们主要是分析和描述了数据集采用。RADARSAT2数据的敏感性的分析提出了土壤含水量的部分3,而部分4致力于该估计算法验证和实验装置。部分5显示第一个实验成果。最后,部分6工作的结论。
2。研究区和数据集描述
2.1。研究区域
索非亚项目的研究区域是阿迪杰省,位于意大利北部(见图1(一))。阿迪杰占地约7400公里2最低海拔为220米和3900米的最高的一个。历史气候观测证明,阿尔卑斯山的气候有了明显的改变。在未来,最强的气候变化在阿尔卑斯山可以预期多的夏季干燥和温暖的条件在所有地区,特别是在南部[16]。此外,气候模型达成更高的年际变化(17]。这意味着一方面增加干旱期(夏季),而另一方面更高概率的大雨(冬季)。这些变化可能对水有很强的影响可用性(18农业和人类的目的和可能强烈相关的洪水和山体滑坡等自然灾害(19]。
(一)
(b)
因此,阿迪杰是一个有趣的试验场地的原因如下:(我)易受气候变化领域高度连接到项目目标(干旱、缺水、自然灾害、产量),(2)代表性至少在中部和南部阿尔卑斯山,(3)高土地利用的多样性与几乎所有类型的土地使用的欧洲中部山区,(iv)良好的数据供应,好联系合作伙伴和访问几个科学项目的结果。
阿迪杰内区域,Mazia山谷(图1 (b)),由红色的等高线图1(一)奥兹”,一个小山谷,一直在为第一选择调查土壤含水量估算。Mazia谷占地ca。100公里2与不同的海拔920米a.s.l。(Sluderno) a.s.l 3738米。(Palla Bianca)。的面积几乎是干燥,年平均降雨量为525毫米(Mazia 1580米a.s.l)。然而,湿土壤湿度较高的模式可以观察到的主要是由于灌溉实践在高度集约管理的草地(在谷底)和湿缓冲沿着小河的存在从山顶上下来了。土地利用类型出现在该地区很好地代表整个南蒂罗尔,由于高度的高可变性。草地和牧场目前异构特征的植物物种和人类使用,变得不那么集中管理从低到高海拔迁移。
硅谷设有16个固定站在时间的土壤测量和监控参数(含水量在5和20厘米深度)和气象数据(空气温度和湿度、降水、风速和风向,太阳辐射)(20.]。车站分布位置代表不同的海拔,沿着山谷斜坡,方面,土壤类型和土地覆盖状况(见图1)。草地和牧场是一个在硅谷。所有这些条件使这一领域特别适合抽样高空间变异性的典型山地环境。
2.2。卫星图像
在2010年的夏天,两个图像获得RADARSAT 2 / Mazia山谷7月3日和6月21日。传感器采集模式是标准四极化,平均发病率45°角和一个提升轨道。收购几何已经被选择感兴趣的区域,特点是高度可变的地形,成像最小化的停留和阴影影响东侧的山谷,那里更多的现场测量站。原始图像提供了在单看起来复杂(SLC)格式与像素大小方位和地面4.93米和17.48米的范围内的方向,分别。因此,数据multilooked、校准和地理编码的帮助下high-geometrical决议(2.5米)数字高程模型和过滤弗罗斯特滤波器(窗口大小5×5)为了减少斑点噪声的影响。图像处理的最终解决方案是20米。所有的预处理进行了SARscape软件(http://www.sarmap.ch/)。图2显示预处理的结果在7月21日的形象。偏振特性已由RGB图像以增强每个通道的不同的信息内容。西区的山谷,几何畸变的影响(即。,节略,短暂的停留,和阴影)尤其明显。这些影响在东最小化,由于具体的收购选择几何。
2.3。现场测量活动
现代卫星收购,两个现场测量活动已经进行Mazia山谷。土壤的目的是获取信息参数(含水量和粗糙度)和植被状况(生物量和植被水含量)的草地和牧场区域。这些测量期间曾利用项目为不同的目的:(1)固定的校准测量站位于硅谷,为了在这些位置一致的信息也在未来卫星通信立交桥和收购,(2)分析的敏感性RADARSAT2测量土壤和植被的性质在高山地区,和(3)算法的开发和验证的评估土壤参数从卫星图像。
测量两种不同的表现:(1)破坏性测量植被和土壤样本,通过身体的草和土壤样本。这种抽样需要准确的测量生物量、植被含水量、土壤水分重量和体积密度。已获得的所有样本,加权,然后密封为了在实验室干根据标准测量协议(21];(2)无损测量,在可能的情况下由于使用移动传感器(δT湿2传感器,http://www.delta-t.co.uk/);过去认为只有土壤介电常数的测量,但有优势更容易和更快的破坏性测量,以便可以收集更多的样品。抽样地区被选为了确保良好的代表性当地地形和土地利用条件。此外,重复测量(3 - 5)是在每个采样区域,然后平均收集的,为了增加他们的空间代表性。超过350的介电常数测量收集到超过100个不同的抽样地区。破坏性和非破坏性测量领域集中在西边的山谷,由于更好的选择的收购几何成像特性。表1报告最小、最大和平均介电常数测量的值在草地和牧场上两场活动。可以观察到,草地存在较高的介电常数和更多的变量值对牧场,在一般的干燥。这可能是由于在一些地区灌溉实践和不同的土壤类型和植被覆盖的草地牧场。事实上,土壤非常异构,从始成土腐殖质Leptosols,灰化土当地有限的Planolsols和有机土在水成地区。还有机质含量、粒度分布和体积密度高度变量即使在相同地区的土地覆盖类型。在草地和牧场,主要土壤类型土壤是棕色的。树线以上,棕色土壤和士兵的组合出现。相反的在森林里也semipodzols很常见,也部分重叠的过渡semipodzolidation褐色的土壤。灰壤主要为原始森林。附近的小河也潜育可能出现。 Regarding the soil texture of fine earth, the fraction of sand is dominant (45–75%), the fraction of silt is quite variable (10–40%), and the fraction of clay is mostly low (5–15%). Therefore, soil moisture measurements might be an additional information to validate soil maps as well as to understand the effect of soil texture and organic matter.
在本文中,我们解决介电常数的实部,因为它代表了介电性能的SAR e.m.尤为敏感。介电常数的虚部是一般很低,在大多数情况下可以被认为是微不足道的(5]。
2.4。辅助数据
进行分析提出了工作,辅助数据可用或提取卫星光学传感器被认为是。在更多的细节,(1)数字高程模型(DEM)空间分辨率高(2.5米)从处理机载激光雷达获得收购整个阿迪杰面积测量运动期间,2008年,(2)两个归一化植被指数(NDVI)地图从两幅图像中提取获得了由美国国家航空航天局Terra卫星上的MODIS传感器尽可能RADARSAT2卫星立交桥(即。在±1天从RADARSAT2收购)。MODIS多光谱传感器通过36个光谱通道获得信息中的可见光和红外光谱的一部分日常覆盖整个地球表面。这个系统允许的高时间分辨率提取有用信息的感兴趣的领域的概率最大化无云收购尽可能接近的日期。传感器的空间分辨率是250年的红和近红外波段光谱的部分考虑归一化植被指数的计算值,(3)高分辨率(25米)的地图覆盖Mazia谷来源于ortho-photos,地面调查和目视判读。
辅助数据地理编码和重新取样(双线性卷积)为了完全与RADARSAT2图像叠加。
3所示。敏感性分析
为了理解RADARSAT2信号的敏感性调查区域的水分含量,散点图的反向散射系数在不同偏振配置与介电常数的值生成。这个目的,两个卫星图像小3×3像素区域被认为是在测量每个字段的对应点。然后反向散射值平均,结果平均值是关联到相应的现场测量。样品相关节略和短暂的停留区域被丢弃的分析。最后,考虑收购日期和草地和牧场土地覆盖类型,75个样本被用于分析。图3显示了情节的HH和高压反向散射系数(取得了类似的结果和VH配置)。
(一)
(b)
从第一次分析,可以观察到相关联的点草地目前预计增加的趋势与介电常数的值(更明显的HH对高压极化)。相反,没有明确的趋势相关的样品可以在牧场。在更详细,这些示例展示高水平的歧义(即。,samples with similar dielectric constant values present significant differences in terms of backscattering coefficients) especially for low dielectric constant values. As explained previously, different target properties and external factors may affect the microwave signal acquired by the satellite sensor. Taking into account the environmental conditions observed during the field measurement campaigns, two factors can be considered as mainly responsible for the variability and ambiguity observed in the pasture samples: (1) the topography and (2) the heterogeneity of the vegetation/land-cover. In the following, these two aspects are better investigated with the help of ancillary data, in order to understand if and to what extent they affect the RADARSAT2 measurements.
3.1。地形的影响
正如前面所解释的那样,地形的信号通过一个卫星SAR系统有很大的影响。在我们的例子中,虽然信号的标定是进行一个详细的数字高程模型的帮助下,残余地形影响预计将推出重大歧义反向散射系数。这是预期,特别是对于牧场,因为它们扩展到山谷的大部分,海拔从1200到2400米。相反,草地主要位于谷底,因此他们提出类似的地形条件。
为了研究地形的影响后向散射信号,利用数字高程模型的提取两个地形特点:当地的入射角的SAR信号(即。的视线的夹角,SAR传感器和方向正常表面分辨单元内,考虑当地地形的区域)和当地的高度。相关的样品牧场(SAR信号最高的模棱两可,如图3)被分成不同的介电常数类(例如,低于4.5,在4.5和5.5之间,在5.5和6.5之间,等等,直到12.5;这个值后样品的数量减少和可变性有限,如图3)为了保持常数这个变量的分析。然后,根据地形特征,每个类的样本分为四个集群:(1)低空/高入射角,(2)低海拔/低入射角,(3)高海拔/高迎角,和(4)高海拔/低的入射角。中间条件被排除在分析之外。图4显示了生成的散点图4.5和5.5之间的介电常数的值(显示最高的可变性反向散射系数)和HH和高压极化配置。类似的结果对于其他介电常数范围。
(一)
(b)
的情节,可以观察到样品具有类似特征的高度和地方入射角彼此非常接近一个,位于特征空间的特定部分。进行更详细的,样本地区的低海拔和高当地SAR信号的入射角度的反向散射系数值最低。相反,样本相关地区与当地高海拔和低角度的特点是发病率最高的后向散射系数。区别这两个极端地形条件特别加强,可以量化8 - 9 dB HH和高压极化配置。样品中间地形特色,即低高度和低入射角度和高海拔和高入射角,位于这两个极端之间。可以看出,当地SAR信号的入射角和当地调查区域的高度影响反向散射系数,引入衰减或增加的价值。然而,一定程度的变异性仍然在数据,例如,可以观察到集群中的高海拔和高发病率角有关的样本。这表明,地形是影响SAR信号不是唯一的因素在这些环境条件。
3.2。植被的影响/覆盖异质性
是观察在Mazia谷场活动,高山景观的特点是高可变性和异质性的植被覆盖。草地,位于谷底,密集耕种和灌溉。土壤通常是同质的,平面的粗糙度和草通常厚。减少事件在夏天期间确定植被的生物量变化的报道。牧场有完全不同的特点。首先,他们位于两侧地形陡峭的山谷和高度增加。土壤是异构的,石头的存在,在某些情况下大岩石的地区当高度更高。植被覆盖率也不规则,呈现明显的地区存在少草和其他植物或完全裸露。
植被影响微波信号通过引入一个衰减效应对裸露的土壤,在几项研究表明[22]。相反,石头和岩石的存在以及不规则的表面可能会增加反向散射系数值,由于多次反射和高的不规则表面。因此,这两个因素可以解释中残留的歧义和可变性观察SAR信号后考虑到地形的影响。为了验证这个假设,我们利用了不同归一化植被指数(NDVI)从两个MODIS Terra卫星图像中提取获得尽可能RADARSAT2立交桥。这个指数是明智的绿叶植被的变化,从而在生物质。对于我们的分析的目的,它可以作为代理来量化利用植被/覆盖异质性的高山地区。特别是,这个指数将草地密集和最高的价值高的植被,而价值将逐步减少移动减少草地或草场植被覆盖率较低,越来越存在的岩石。NDVI值相关的样品呈现类似的特征而言,介电常数的值,地形和土地利用类(草地或牧场)但在反向散射值显示剩余可变性。为了简便起见,在本文中,我们将分析的样品图4,但其他情况下良好的协议也被发现。
图如图5表明该参数可以解释每个样品中的残留变化地形集群。特别是,每个类的地形条件(例如,高海拔/高迎角),可以观察到较低的NDVI值更高的反向散射相关值,反之亦然。这也证实了假设植被/异质性影响SAR信号覆盖区域调查。值得注意的是,上述分析提出了归一化植被指数图考虑的特征是一个相当粗糙的空间分辨率(250米)对SAR图像和景观的异质性。然而,它提供了有用的迹象(至少定性)来解释SAR信号内的变化。更多和更详细的分析将在这一点上,借助更高的几何分辨率的图像。
(一)
(b)
在这部分给出的敏感性分析表明,反向散射系数测量RADARSAT2 SAR传感器对土壤介电常数的变化非常敏感,因此水分含量的变化。然而,微波信号也强烈影响的地形区域标准地形校正后(也)和异质性的植被覆盖。这些因素应该适当考虑土壤的含水率的检索这些具有挑战性的环境条件。
4所示。土壤水分的评估方法
由于地形和植被的影响/ SAR信号覆盖的异质性,土壤含水量在高山地区的检索变得特别具有挑战性和复杂。估算方法基于理论模型的反演可能不是有效的。由于高的复杂性和异质性影响微波信号的物理现象,是合理的期望理论模型(介绍在制定一些近似和简化)将不可靠和准确的评估。为了处理这个问题,一个可能的解决方案中包含的信息的直接开发领域活动期间获得的数据通过非线性的机器学习技术。特别是,在这项工作我们提出解决的估计问题不支持向量回归(23),提出了属性适合的挑战和约束感兴趣的估计问题。
由于其配方,SVR能够处理复杂的非线性估计问题具有良好的内在泛化能力也存在训练样本的数量有限24,25]。此外,它很容易处理高维输入空间,也从不同来源与特征提取。这些特性使我们能够有效地利用收集到的样本在该领域活动来推断SAR图像和目标变量之间的映射,同时集成在检索过程中从辅助数据中提取的信息。后者需要适当考虑地形和植被的影响/覆盖输入SAR数据的异质性。
4.1。不支持向量回归
让我们考虑一个通用的评估问题。我们想要检索一个连续变量(例如,土壤含水量),给定一组的使用远程传感器特性从信号中提取获得。从分析角度来看,估计问题可以表示为 在哪里表示所需的和未知的输入输出映射和是一个与零均值高斯随机变量和单一收集所有噪声方差贡献影响估计问题。的估计对应于确定函数的问题尽可能接近真实的映射任务的考虑。
给定一组的参考样品的目标麻木不仁的SVR方法是找一个光滑函数,接近同时保持最多一个偏差从目标(23]。为了这个目的,原创维输入域映射到一个更高的维数特征空间,函数的数据在哪里应该增加平面度。因此它是近似线性的方式: 在哪里代表权重的向量的线性函数,是原来项目的样本映射到高维特征空间,然后呢是偏见。
最优线性函数转换后的特征空间中选择最小化代价函数,这是训练的结合误差(经验风险)和模型复杂度(结构性风险)。第一项是根据计算例如,不敏感损失函数 在哪里是错误的宽容,它允许定义一个麻木不仁的管周围的函数(见图6)。方程(3)意味着损失小于这个公差是被忽视(从而增加技术小错误的鲁棒性和噪声在训练集),而一个点球是分配给估计躺在管外。同样,表达的惩罚是意味着负的松弛变量,测量外的训练样本的偏差麻木不仁的管和定义如下: 第二项是通过权向量的欧几里得范数表示,可以逆相关的几何边缘相应的解决方案,因此(几何解释下)模型的复杂性。因此,成本函数最小化 它受到以下限制: 是一个正则化参数,曲调复杂性之间的权衡(平面度)的函数和经验的宽容错误。
约束优化问题(5)可以通过拉格朗日函数新配方,导致双重配方的一个凸(很容易处理)二次问题(QP),因此一个独特的解决方案(全球最低的成本函数)。离开数学细节(对于那些我们参考读者23]),最终结果的估计问题,在原始输入域,成为 在哪里和表示零的QP和拉格朗日乘数法是一个内核函数。后者必须满足Mercer的定理,这样它就可以被关联到某种类型的高维度特征空间的内积(即,)。因此,内核函数允许一个评估两个样本之间的相似性在转换后的特征空间作为输入样本的函数空间,也就是说,没有显式的映射函数的定义。这种强烈降低了复杂性分析与后者相关问题。通常采用内核是多项式函数和高斯径向基函数24]。拉格朗日乘数法重量每个训练样本根据其重要性在确定解决方案的功能。样本关联到一个非零的拉格朗日乘子被称为支持向量。其他的样品没有重量的定义结果因为他们属于管(根据的定义不敏感损失函数)。因此,增加意味着减少支持向量的个数。这将增加数据的最终的稀疏表示的价格降低训练样本近似精度。从这个意义上说,量化数据稀疏和之间的权衡模型的近似精度。
4.2。估计算法和实验设置
检索过程分为两个阶段:(1)SVR算法的训练和(2)评估阶段。
在培训期间,可用的训练样本(即。,the measurements acquired during the field campaign associated to the corresponding values of the microwave signal extracted from the RADARSAT2 images) are provided to the technique in order to learn the underlying relationship between the input features and the output target value. Typically, the samples are divided into two subsets: the first is used as training and the second is used as validation to assess the estimation performance of the technique (in terms of accuracy or other quality metrics) with different configurations of the free model parameters. In our analysis, in order to avoid problems related to the choice of the training and validation sets, we applied a倍交叉验证过程。训练样本分为子集。迭代,用于训练子集回归量,而剩余子集是用于验证。结束时k迭代,验证集平均性能。通过这种方式,所有的样品都考虑算法的训练和验证,从而确保高鲁棒性和良好的泛化的培训过程。选择最好的模型在不同自由模型的可能的配置参数(模型选择问题)进行了选择策略的多目标模型,它允许一个共同优化不同的和相互竞争的质量指标。用这种方法模型选择过程变得更加健壮,因为它依赖于多个标准,而不是一个。此外,多个最优解的概念得到帕累托最优。每一个都代表一个不同的权衡考虑质量指标之一。用户因此可能选择的配置符合要求的估计质量相关的应用程序。详情我们参考读者26]。
回归量训练后,应用于多维图像(应包含相同的特性被认为是在训练技术)为了获得估计含水率地图。
在我们的实验中,我们认为是5倍交叉验证过程和均方误差(MSE)和斜率的线性趋势估计与真实值作为质量目标指标的多目标模型的选择。选择最优解的基础上估计的目视检查帕累托(即前面。,多目标模型的最优解的集合选择问题)。关于SVR方法,我们选择了一个高斯RBF内核和以下范围的模型参数:[10−310;3],内核宽度,(10−410;3C], [10−4,10]。
作为输入的特征估计系统,我们考虑的四个偏振配置RADARSAT2形象:高度和当地的入射角从DEM中提取地形特征和归一化植被指数和植被的覆盖地图作为表征特性/覆盖异质性。不同的实验进行了不同组合的这些特性选择根据顺序向前选择(SFS)策略,为了定义的子集,它提供了最好的结果的估计精度。
从一个有效的观点,SVR算法的实现,我们认为LibSVM软件,免费在线(27]。多目标模型的选择和顺序向前特征选择策略是我们自己使用Matlab实现。
5。实验结果
5.1。定量评估与测量守时
为了评估SVR算法的估计性能,不同的质量标准被认为是:的均方误差(MSE)(或相当于根均方误差(RMSE)),它提供了一个信息的平均误差估计;线性回归直线的斜率和截距值估计和真正的目标之间,标明是否以及在多大程度上检索算法下,高估了理想情况下的目标变量对一对一的行;决定系数(R2),它提供了一个衡量的传播在线性回归估计线(在理想的情况下一对一的线,这个指标= 1)。这些指标进行评估可用的参考样本根据之前描述的5倍交叉验证方案。正如前面解释的,配置不同的输入特性被认为是在实验中根据SFS的策略。由于空间的限制,我们展示和讨论的情况输入功能配置,提供了最好的性能,也就是说,包含2偏振特性的配置(HH和高压),2地形特征(高度和本地入射角),归一化植被指数和覆盖地图。表2介绍了通过该算法精度在这种情况下,而图7显示了估计的散点图和测量介电常数的值。
在全球范围内,实现精度是有前途的,RMSE 2.68至0.8附近和决定系数。详细分析结果,可以观察到检索算法提供了更好的性能在牧场草地。在后一种情况下,误差略高,算法往往会高估低价值和低估高介电常数的值。这种效应可能是由于(1)目标变量的变化范围,这是更大的草地牧场和(2)参考样本的数量,这是低的草地牧场(见表1)。这两个因素可能会增加检索的复杂性问题的草地。进一步努力将这个问题,为了更好地理解和,如果可能的话,克服的局限性估计在草地。
5.2。土壤含水量的地图
训练阶段和评估完后点测量,SVR算法在分布式测试数据集,即RADARSAT2图像获得在6月和7月Mazia山谷。中提供的两个图像的输入训练有素的SVR除了辅助数据根据输入特性配置考虑算法的训练。处理步骤的结果是两个地图代表估计介电常数的值在感兴趣的领域和图所示8。蒙面的值对应的主要森林、水体、岩石、和城市地区,根据土地使用的面具。
(一)
(b)
从定性的角度,地图复制土壤含水量的预期趋势,呈现高值接近谷底(灌溉草地所在地)和逐步减少值转移到高海拔的牧场。同时,湿度模式是公认的,例如,在小河中下降到谷底沿着地图的详细信息(数据所示8(一个)和8 (b))。
对比6月和7月的地图显示,第二次约会了干燥的土壤行为,尤其是在较低的山谷边的一部分,可以观察到如图所示的细节8。证实了这一趋势的进行实地测量领域中两个活动,表明部分2。3。在山谷的上部,地图显示稍微干燥条件的2010年6月收购。这种行为会更好的帮助下验证提供的土壤和气象测量站位于硅谷,一旦数据将是可用的,并且适当的校准。
6。结论
本文利用偏振RADARSAT2 SAR图像的估计在一个高山流域土壤含水量。我们首先进行了灵敏度分析的帮助下实地测量的目标参数和辅助数据。分析指出,地形和植被/覆盖非均质性强烈影响反向散射信号获得在高山地区,引入一个重要的变化和模棱两可的数据。当地的入射角,高度和归一化植被指数显示有用的特性来解释高水平的SAR数据的内在变化规律。
下面的步骤是估计技术的发展的土壤含水量RADARSAT2图像。我们选择了一个算法的基础上不支持向量回归技术。由于其配方,该方法能够处理复杂的非线性估计问题时具有良好的泛化能力也有限数量的参考样本。此外,它容易处理高维输入空间,还含有异构特性。后者的特点是重要的为了整合检索过程从辅助数据中提取的信息。取得初步结果表明,该技术是有前途的(1)能力利用辅助数据提供的信息来减少歧义内在到SAR信号和解决复杂的估计问题在高山地区,(2)估计精度对守时的测量,和(3)能力复制时土壤湿度模式应用于分布式数据。
未来发展的工作将首先更好地描述植被的影响/ SAR信号覆盖的异质性。这将是高几何分辨率数据的帮助下进行。特别是,石头和石头对微波信号的影响与土壤参数的检索的关系进行分析。第二个有趣的发展是剥削的旋光能力RADARSAT2传感器通过偏振信号的分解,以提高特征提取和选择过程,因此土壤参数的检索。此外,一个扩展的验证算法,利用提供的测量领域站在Mazia山谷和进一步RADARSAT2 SAR收购整个阿迪杰区域将被考虑。最后,高分辨率的可用性表层土壤水分空间分布地图来自RADARSAT2传感器可以代表一个重大的改进验证的分布式水文模型。