基于双极化SAR图像的U-Net海冰多分类模型
文献类型：CNKI期刊论文
| 作者 | 黄岩 ; 任沂斌
|
| 发表日期 | 2023-08-25 |
| 出处 | 海洋与湖沼
 |
| 关键词 | 合成孔径雷达(SAR)图像 海冰分类 深度学习 U-Net模型 |
| 英文摘要 | 北极多年冰在近几十年有明显的减少趋势,与北极海冰的厚度、体积和夏季最小海冰范围的减少密切相关。合成孔径雷达(synthetic aperture radar, SAR)具有全天时、全天候成像能力,基于SAR卫星影像的海冰分类对监测北极多年冰具有重要意义。基于深度学习U-Net模型,以SAR图像的双极化信息为模型输入,构建了像素级的海水、一年冰和多年冰多分类模型。与已有SAR图像海冰分类方法(支持向量机、随机森林和卷积神经网络)进行对比,基于双极化SAR图像的U-Net海冰分类模型的准确率、平均重叠度和Kappa系数,分别达到了90.73%、0.831和0.849,优于其他对比模型,分别提升了4.08%～19.04%, 0.063～0.321和0.111～0.335。此外,针对SAR图像水平-垂直极化(horizontal-vertical polarization, HV)有明显的条状热噪声和水平-水平极化(horizontal-horizontal polarization, HH)受入射角效应而亮度不均匀的特点,设计敏感性实验,研究HV噪声、入射角和灰度共生矩阵(gray level co-occurrence matrix, GLCM)纹理信息对本文U-Net海冰分类模型的影响。结果表明,传统的机器学习方法对噪声更敏感,而深度学习模型有一定的抗噪声能力;使用入射角校正更适合分类一年冰和多年冰;单一GLCM纹理对U-Net模型的海冰分类效果无明显提高。综上,基于双极化SAR图像的U-Net能够实现高精度的海水、一年冰和多年冰分类。该模型具有一定的抗噪声能力,是更具鲁棒性的海冰分类方法。 |
| 文献子类 | CNKI期刊论文 |
| 资助机构 | 崂山实验室科技创新项目,LSKJ202202302号 ; 国家自然科学基金青年项目,42206202号 ; 国家自然科学基金-山东省联合基金,U2006211号 |
| 卷 | v.54期:06页:27-39 |
| 语种 | 中文; |
| 分类号 | P715.7 |
| ISSN号 | 0029-814X |
| 源URL | [http://ir.qdio.ac.cn/handle/337002/187023]  |
| 专题 | 中国科学院海洋研究所 |
| 作者单位 | 1.中国科学院海洋研究所海洋环流与波动重点实验室 2.中国科学院大学 |
| 推荐引用方式 GB/T 7714 | 黄岩,任沂斌. 基于双极化SAR图像的U-Net海冰多分类模型. 2023. |
入库方式： OAI收割
来源：海洋研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。