Исследование возможностей декомпозиции H-α для двойной поляризации при радиолокационном мониторинге залесения

Обложка

Цитировать

Полный текст

Аннотация

Оценка процессов залесения и восстановления леса после пожаров актуальна для значительной территории России, в т.ч. в связи с проблемой углеродной нейтральности. В работе рассмотрены возможности радиолокационного мониторинга процесса залесения на основе декомпозиции Клауда–Потье временных рядов данных L-диапазона с двойной поляризацией. Предварительная сегментация производится на основе минимальных значений обратного радарного рассеяния за весь период наблюдений. Это позволяет выделить в отдельный класс безлесные участки и редколесье, как существовавшие до начала исследования, так и образовавшиеся позднее. Далее выполняется поляриметрическая декомпозиция методом Клауда–Потье для получения параметров H (энтропия) и α (угол рассеяния), и формирования из них временных рядов. Исследования показали принципиальную возможность мониторинга динамики залесения на плоскости H-α, где точки тестовых участков образуют характерные временные треки. В качестве эталона для оценки скорости изменений на плоскости H-α использован зрелый плотный лес, характеристики которого считаются постоянными.

Об авторах

А. В. Дмитриев

Институт физического материаловедения СО РАН

Автор, ответственный за переписку.
Email: dav@ipms.bscnet.ru
Россия, Улан-Удэ

Т. Н. Чимитдоржиев

Институт физического материаловедения СО РАН

Email: dav@ipms.bscnet.ru
Россия, Улан-Удэ

И. И. Кирбижекова

Институт физического материаловедения СО РАН

Email: dav@ipms.bscnet.ru
Россия, Улан-Удэ

Ж. Д. Номшиев

Институт физического материаловедения СО РАН

Email: dav@ipms.bscnet.ru
Россия, Улан-Удэ

Список литературы

  1. Бондур В.Г., Чимитдоржиев Т.Н., Дмитриев А.В., Дагуров П.Н. Оценка пространственной анизотропии неоднородностей лесной растительности при различных азимутальных углах радарного поляриметрического зондирования // Исслед. Земли из космоса. 2019. № 3. С. 92–103. https://doi.org/10.31857/S0205-96142019392-103
  2. Дмитриев А.В., Чимитдоржиев Т.Н., Дагуров П.Н. Оптико-микроволновая диагностика восстановления леса после пожаров // Вычислительные Технологии. 2022. Т. 27. № 2. С. 105–121.
  3. Дмитриев А.В., Чимитдоржиев Т.Н., Добрынин С.И., Худайбердиева О.А., Кирбижекова И.И. Оптико-микроволновая диагностика залесения сельскохозяйственных земель // Современные проблемы ДЗЗ из космоса. 2022. Т. 19. № 4. С. 168–180. https://doi.org/10.21046/2070-7401-2022-19-4-168-180
  4. Чимитдоржиев Т.Н., Дмитриев А.В., Кирбижекова И.И., Шерхоева А.А., Балтухаев А.К., Дагуров П.Н. Дистанционные оптико-микроволновые измерения параметров леса: современное состояние исследований и экспериментальная оценка возможностей // Современные проблемы ДЗЗ из космоса. Т. 15. № 4. С. 9–26. https://doi.org/10.21046/2070-7401-2018-15-4-9-24
  5. Bondur V.G., Chimitdorzhiev T.N., Kirbizhekova I.I., Dmitriev A.V. Estimation of Postfire Reforestation with SAR Polarimetry and NDVI Time Series // Forests. V. 13. № 5. P. 814. https://doi.org/10.3390/f13050814
  6. Cloude S.R. Polarisation: Applications in Remote Sensing. OUP Oxford. 2009. 466 p.
  7. Cloude S.R. The dual polarisation entropy/alpha decomposition: a PALSAR case study // Proc. 3rd International Workshop on Science and Applications of SAR Polarimetry and Polarimetric Interferometry. Noordwijk, Netherlands: European Space Agency. 2007. P. 6.
  8. Cloude S.R., Pottier E. An entropy based classification scheme for land applications of polarimetric SAR // IEEE Trans. Geosci. Remote Sens. 1997. V. 35. № 1. P. 68–78. https://doi.org/10.1109/36.551935
  9. Dobson M.C., Ulaby F.T., LeToan T., Beaudoin A., Kasischke E.S., Christensen N. Dependence of radar backscatter on coniferous forest biomass // IEEE Trans. Geosci. Remote Sens. 1992. V. 30. № 2. P. 412–415. https://doi.org/10.1109/36.134090
  10. ERA5 Daily Aggregates [Электронный ресурс], URL: https://developers.google.com/earth-engine/datasets/catalog/ECMWF_ERA5_DAILY (дата обращения 11 мая 2023).
  11. Freeman A. Fitting a Two-Component Scattering Model to Polarimetric SAR Data From Forests // IEEE Trans. Geosci. Remote Sens. 2007. V. 45. № 8. P. 2583–2592. https://doi.org/10.1109/TGRS.2007.897929
  12. Freeman A., Durden S.L. A three-component scattering model for polarimetric SAR data // IEEE Trans. Geosci. Remote Sens. 1998. V. 36. № 3. P. 963–973. https://doi.org/10.1109/36.673687
  13. Gorelick N., Hancher M., Dixon M., Ilyushchenko S., Thau D., Moore R. Google Earth Engine: Planetary-scale geospatial analysis for everyone // Remote Sensing of Environment. 2017. V. 202. P. 18–27. https://doi.org/10.1016/j.rse.2017.06.031
  14. Guo J., Wei P.-L., Liu J., Jin B., Su B.-F., Zhou Z.-S. Crop Classification Based on Differential Characteristics of H/α Scattering Parameters for Multitemporal Quad- and Dual-Polarization SAR Images // IEEE Trans. Geosci. Remote Sens. 2018. V. 56. № 10. P. 6111–6123. https://doi.org/10.1109/TGRS.2018.2832054
  15. Ji K., Wu Y. Scattering Mechanism Extraction by a Modified Cloude-Pottier Decomposition for Dual Polarization SAR // Remote Sensing. 2015. V. 7. № 6. P. 7447–7470. https://doi.org/10.3390/rs70607447
  16. Koyama C.N., Shimada M., Watanabe M., Tadono T. ALOS-2/PALSAR-2 Long-term Pantropical Observation – A Paradigm Shift in Global Forest Monitoring // Proc. 14th European Conference on Synthetic Aperture Radar (EUSAR 2022). 2022. P. 1–5.
  17. Koyama C.N., Watanabe M., Hayashi M., Ogawa T., Shimada M. Mapping the spatial-temporal variability of tropical forests by ALOS-2 L-band SAR big data analysis // Remote Sensing of Environment. 2019. V. 233. № 111372. https://doi.org/10.1016/j.rse.2019.111372
  18. Krogager E., Boerner W.-M., Madsen S.N. Feature-motivated Sinclair matrix (sphere/diplane/helix) decomposition and its application to target sorting for land feature classification // Proc. SPIE 3120, Wideband Interferometric Sensing and Imaging Polarimetry, (23 December 1997). P. 144–154. https://doi.org/10.1117/12.300620
  19. Le Toan T., Beaudoin A., Riom J., Guyon D. Relating forest biomass to SAR data // IEEE Trans. Geosci. Remote Sens. V. 30. № 2. P. 403–411. https://doi.org/10.1109/36.134089
  20. Lee J.-S., Pottier E. Polarimetric radar imaging: from basics to applications, Optical science and engineering. CRC Press, Boca Raton. 2009. 440 p.
  21. Moreira A., Prats-Iraola P., Younis M., Krieger G., Hajnsek I., Papathanassiou K.P. A tutorial on synthetic aperture radar // IEEE Geosci. Remote Sens. Magazine. 2013. V. 1. № 1. P. 6–43. https://doi.org/10.1109/MGRS.2013.2248301
  22. Richards J.A. Remote Sensing with Imaging Radar. Springer-Verlag, Berlin Heidelberg. 2009. 361 p. https://doi.org/10.1007/978-3-642-02020-9
  23. SNAP [Электронный ресурс], URL: http://step.esa.int/main/toolboxes/snap/ (дата обращения 11 мая 2023).
  24. Touzi R. Target Scattering Decomposition in Terms of Roll-Invariant Target Parameters // IEEE Trans. Geosci. Remote Sens. 2007. V. 45. № 1. P. 73–84. https://doi.org/10.1109/TGRS.2006.886176
  25. Yamaguchi Y., Moriyama T., Ishido M., Yamada H. Four-component scattering model for polarimetric SAR image decomposition // IEEE Trans. Geosci. Remote Sens. 2005. V. 43. № 8. P. 1699–1706. https://doi.org/10.1109/TGRS.2005.852084
  26. Yu Y., Saatchi S. Sensitivity of L-Band SAR Backscatter to Aboveground Biomass of Global Forests // Remote Sensing. 2016. V. 8. № 6. P. 522. https://doi.org/10.3390/rs8060522

Дополнительные файлы


© А.В. Дмитриев, Т.Н. Чимитдоржиев, И.И. Кирбижекова, Ж.Д. Номшиев, 2023