İkili PolSAR Görüntülerinin Çok Zamanlı Ayrışma ve Kontrolsüz Sınıflandırma Analizi

Sentetik açıklıklı radarın (SAR) güçlü bir yer gözlem aracı olduğu artık ispatlanmıştır. Son on yılda, faz bilgisini muhafaza ederken birden fazla kutuplaşma durumunu ölçebilen SAR sensörleri geliştirilmiştir. Polarimetrik SAR (PolSAR) adı verilen sistemler hem dikey hem de yatay polarizasyonlu mikrodalga sinyalleri göndermekte ve almaktadır. Optik veriler elektrooptik sensörler yardımıyla spektral yoğunluk açısından, hedeflerin yansıtıcı ve dağıtıcı özellikleri hakkında çeşitli bilgi sağlarken SAR verileri, polarizasyon durumu ile doğal ve insan yapımı nesnelerin geometrik yapısı, yüzey pürüzlülüğü ve dielektrik özellikleri hakkında detaylı bilgiler içerir. Bu çalışmada C-band Sentinel-1A uydusunun ikili polarimetrik çok zamanlı uydu görüntülerinden dilim birleştirme ile üretilen polarimetrik görüntülerin sınıflandırılmasında, polarimetrik ayrışma analizinin uygulama kolaylığı ve polarimetrik imzaların yorumlanabilirliği nedeni ile kontrolsüz sınıflandırma yöntemi tercih edilmiştir. Çalışma kapsamında, daha önce (Single Look Complex) SLC mod ikili polarimetrik görüntüler kullanılarak PolSAR sınıflandırması ile test edilmemiş bölgede, çalışma alanına ait Sentinel-1A uydusu 2014 ve 2018 yılları ikili polarimetrik çok zamanlı SAR görüntüleri kullanılarak belirtilen hedef ve yöntemlerle, PolSAR görüntülerine H-alfa ayrışma algoritması uygulanarak polarimetrik parametreler yorumlanmıştır. Kontrolsüz sınıflandırma ile çalışma alanındaki değişimlerin ortaya konulması ve görsel analizi sağlanmıştır. Sınıflandırma sonucunda genel sınıflandırma doğrulukları, 2014 yılı için % 88,5 ve 2018 yılı için %89,0 olarak hesaplanmıştır. 2014 ve 2018 yılları için kentsel ve kırsal alandaki arazi değişimleri belirlenmiştir. Çalışma, arazi kullanımı arazi örtüsü sınıflandırması için ikili polarimetrik C-band SAR verilerinin yeteneklerini incelemeyi de amaç edinmiştir. Ayrıca çalışmanın devamı niteliğinde, farklı bantta çalışan dörtlü polarimetrik SAR ve optik görüntülerin birlikte kullanımının sınıflandırma analizine etkisi araştırılacaktır.

Multitemporal Decomposition and Unsupervised Classification Analysis of Dual PolSAR Images

Synthetic aperture radar (SAR) is now proven to be a powerful ground monitoring tool. Over the last decade, SAR sensors have been developed that can detect multiple polarization states while maintaining phase information. These systems, called Polarimetric SAR (PolSAR), transmit and receive both vertically and horizontally polarized microwave signals. Optical data provides various information about the reflectance characteristics of targets with respect to spectral density with the help of electro-optical sensors, SAR data includes detailed information about polarization state and geometrical structure of natural and artificial objects, surface roughness and dielectric properties. In this study, the classification of polarimetric images produced by slice assembling from dual polarimetric multitemporal satellite images of C-band Sentinel-1A fit was preferred for ease of application of polarimetric decomposition analysis and unsupervised classification method due to the interpretability of polarimetric signatures. Within the scope of the study, we used PolSAR methods by applying the H-alpha decomposition algorithm to PolSAR images using the (Single Look Complex) SLC mode dual polarimetric images and the targets and methods using Sentinel-1A satellites 2014 and 2018 dual polarimetric multitemporal SAR images of the in the previously not tested region with the PolSAR classification. And also, polarimetric parameters are interpreted. Unsupervised classification was carried out to reveal changes in the field of work and to provide visual analysis. The overall classification accuracy as a result of classification is calculated as 88.5% for 2014 and 89.0% for 2018. Land changes in the urban and rural areas for 2014 and 2018 have been identified. The study also aimed to examine the capabilities of dual polarimetric C-band SAR data for terrestrial land cover classification. In the future study the effect of quad polarimetrik SAR and optical images used in different bands according on classification analysis will be investigated.

PDF

___

Aschbacher J., Pongsrihadulchai A., Karnchanasutham S., Rodprom C., Paudyal D. R., Le ToanT., 1995. Assessment of ERS-1 SAR data for rice crop mapping and monitoring. In Geoscienceand Remote Sensing Symposium, 1995. IGARSS'95. Quantitative Remote SensingforScienceand Applications, International, 3: 2183-2185. IEEE.
Balzter H., ColeB., Thiel C., Schmullius C., 2015. Mapping CORINE landcoverfrom Sentinel-1A SAR and SRTM digital elevation model data using random forests. Remote Sensing, 7(11): 14876-14898.
Betbeder J., Nabucet J., Pottier E., Baudry J., Corgne S., Hubert-MoyL., 2014.Detection and characterization of hedgerows using TerraSAR-X imagery. Remote Sensing, 6(5):3752- 3769.
Chen K. S., Huang W. P., TsayD. H., Amar F., 1996. Classification of multifrequency polarimetric SAR imagery using a dynamic learning neural network. IEEE Transactions on Geoscienceand Remote Sensing, 34(3):814-820.
Cloude S. R., PottierE., ve Boerner W. M.,2002. Unsupervised image classification using the entropy/alpha/anisotropy method in radar polarimetry. In NASA-JPL, AIRSAR-02 Workshop, 04-06.
Da Costa Freitas C., de SouzaSolerL., Sant'Anna S. J. S., Dutra L. V., DosSantos J. R., MuraJ. C., CorreiaA. H.,2008. Land use and land cover mapping in the Brazilian Amazon using polarimetric airborne P-band SAR data. IEEE Transactions on Geoscience and Remote Sensing, 46(10):2956-2970.
Dell'Acqua F., Gamba P., LisiniG., 2003. Improvementsto urban area characterization using multitemporal and multiangle SAR images. IEEE Transactions on Geoscience and Remote Sensing, 41(9): 1996-2004.
Dickinson C., Siqueira P., Clewley D., Lucas R., 2013. Classification of forest composition using polarimetric decomposition in multiple land scapes. Remote sensing of environment, 131:206-214.
Erasmi S., TweleA., 2009. Regional land cover mapping in the humid tropics using combined optical and SAR satellite data—a case study from Central Sulawesi, Indonesia. International Journal of Remote Sensing, 30(10):2465-2478.
Ferro-Famil L., Pottier E., Lee J. S., 2001. Unsupervised classification of multifrequency and fully polarimetric SAR images based on the H/A/Alpha-Wishart classifier. IEEE Transactions on Geoscience and Remote Sensing, 39(11):2332-2342.
Foucher S., Bénié G. B., Boucher J. M., 2001. Multiscale MAP filtering of SAR images. IEEE Transactions on image processing, 10(1):49-60.
Hu G. C., Zhao Q. H., 2017. G0-WISHART Distribution Based Classification from Polarimetric SAR Images. ISPRS Annals of thePhotogrammetry, Remote Sensing and Spatial Information Sciences, 4-451.
Karjalainen M., KankareV., VastarantaM., Holopainen M., HyyppäJ., 2012. Prediction of plot-level forest variables using TerraSAR-X stereo SAR data. Remote Sensing of Environment, 117:338-347.
Kumar M. S., Tolpekin V., Raju M. P., 2012. RUCHI VERMA March, 2012.
Lee J. S., Grunes M. R., AinsworthT. L., Du L. J., SchulerD. L., Cloude, S. R., 1999.
Lee J. S., Grunes M. R.,Schuler D. L., Pottier E., Ferro-Famil L., 2006. Scattering-modelbased speckle filtering of polarimetric SAR data. IEEE Transactions on Geoscience and Remote Sensing, 44(1):176-187.
Li G., Lu D., Moran E., Dutra L., Batistella M., 2012. A comparative analysis of ALOS PALSAR L-band and RADARSAT-2 C-band data for land-cover classification in a tropical moist region. ISPRS Journal of Photogrammetry and Remote Sensing, 70:26- 38.
Li X., Yeh A. G. O., 2004. Analyzing spatial restructuring of land use patterns in a fast growing region using remote sensing and GIS. Landscape and Urban planning, 69(4):335-354.
McCandless S. W., Jackson C. R., 2004. Principles of synthetic aperture radar. SAR Marine User’s Manual, 1-23.
McNairn H., Champagne C., Shang J., Holmstrom D., Reichert G., 2009. Integration of optical and Synthetic Aperture Radar (SAR) imagery for delivering operational annual crop inventories. ISPRS Journal of Photogrammetry and Remote Sensing, 64(5): 434- 449.
Olivié J. D., 2015. H-α decomposition and unsupervised Wishart classification for dualpolarized polarimetric SAR data. Univ. Autònoma Barcelona. Ouarzeddine M., BelhdjAissa A., Souissi B., Belkhider M., Boulahbal S., 2005, May. Polarimetric classification using the Cloude/Pottier decomposition. In ESA Special Publication, 586:16.
Park N. W., Chi K. H., 2008. Integration of multitemporal/polarization C‐band SAR data sets for land‐cover classification. International Journal of Remote Sensing, 29(16): 4667- 4688.
Sakshaug S. E. H., 2013. Evaluation of Polarimetric SAR Decomposition methods for tropical forest analysis, Master'sthesis, University of Tromsø.
Small D., Holecz F., Meier E., Nüesch D., Barmettler A., 1997. Geometric and radiometric calibration of RADARSAT images. Proc. of Geomatics in the Era of RADARSAT, Ottawa, Canada.Unsupervised classification using polarimetric decomposition and the complex Wishart classifier. IEEE Transactions on Geoscience and Remote Sensing, 37(5): 2249-2258.
Zhou T., Pan, J., Zhang P., Wei S., Han T., 2017. Mapping winter wheat with multi-temporal SAR and optical images in an urban agricultural region. Sensors, 17(6): 1210.
Zhu Z., Woodcock C. E., Rogan J., Kellndorfer J., 2012. Assessment of spectral, polarimetric, temporal, and spatial dimensions for urban and peri-urban land cover classification using Landsat and SAR data. Remote Sensing of Environment, 117: 72-82.