[论文解读] Deep Recurrent Neural Networks for mapping winter vegetation quality coverage via multi-temporal SAR Sentinel-1

Dinh Ho Tong Minh, Dino Ienco+5 more|arXiv (Cornell University)|Aug 11, 2017

Remote Sensing in AgricultureEnvironmental Science参考文献 7被引用 16

一句话总结

本研究提出一种基于多时相哨兵-1 SAR 数据的深度循环神经网络（RNN）方法，用于绘制法国拉罗谢尔地区冬季植被质量覆盖情况。通过利用长短期记忆网络（LSTM）和门控循环单元网络（GRU）对 VV 和 VH 极化时序数据中的时间依赖性进行建模，该方法显著优于传统分类器，GRU 模型达到 99.05% 的 F1 值，LSTM 模型达到 98.83%，展现出对包括低质量与极低质量覆盖在内的植被类别复杂时间模式的优越区分能力。

ABSTRACT

Mapping winter vegetation quality coverage is a challenge problem of remote sensing. This is due to the cloud coverage in winter period, leading to use radar rather than optical images. The objective of this paper is to provide a better understanding of the capabilities of radar Sentinel-1 and deep learning concerning about mapping winter vegetation quality coverage. The analysis presented in this paper is carried out on multi-temporal Sentinel-1 data over the site of La Rochelle, France, during the campaign in December 2016. This dataset were processed in order to produce an intensity radar data stack from October 2016 to February 2017. Two deep Recurrent Neural Network (RNN) based classifier methods were employed. We found that the results of RNNs clearly outperformed the classical machine learning approaches (Support Vector Machine and Random Forest). This study confirms that the time series radar Sentinel-1 and RNNs could be exploited for winter vegetation quality cover mapping.

研究动机与目标

• 为解决高云覆盖率地区冬季植被质量覆盖制图的挑战，此类地区限制了光学传感器的应用。
• 评估深度学习，特别是循环神经网络（RNNs），在利用多时相 SAR 数据中的时间依赖性进行土地覆盖分类方面的有效性。
• 将基于 RNN 的模型（LSTM 与 GRU）与经典机器学习方法（SVM 与随机森林）进行比较，以对五种类别的冬季植被质量进行分类。
• 评估哨兵-1 SAR 时序数据中时间相关性对分类精度的影响，特别是对时间特征重叠或模糊的类别。

提出的方法

• 使用了 13 次多时相哨兵-1 SAR 数据（2016 年 10 月至 2017 年 2 月），为 VV 与 VH 双极化，重访周期为 12 天。
• 预处理包括配准、辐射校准以及五 look 强度估计，以减少斑点噪声，同时保持空间分辨率。
• 应用时间滤波以提升辐射分辨率，而不降低空间细节，从而提高时序数据的信噪比。
• 在时序强度数据上端到端训练了两种深度学习架构——LSTM 与 GRU，以建模时间动态并分类为五种类别的植被质量。
• 采用五折交叉验证策略评估模型泛化能力，性能通过 F1 值、准确率与 Kappa 统计量进行衡量。
• 通过混淆矩阵与各类别 F1 值分析评估误分类模式，特别关注低质量、极低质量与裸土类别之间的误判。

实验结果

研究问题

• RQ1 深度循环神经网络能否有效建模多时相哨兵-1 SAR 数据中的时间依赖性，以实现冬季植被质量分类？
• RQ2 RNN 模型（LSTM 与 GRU）在该分类任务中的表现如何，相较于经典机器学习方法（SVM 与随机森林）？
• RQ3 为何传统分类器难以区分低质量与极低质量植被质量类别，RNN 是否能够克服这一局限？
• RQ4 SAR 时序数据中的时间相关性在多大程度上提升了分类精度，特别是对时间特征重叠或模糊的类别？

主要发现

• 基于 GRU 的 RNN 模型达到最高的 F1 值 99.05%，LSTM 模型为 98.83%，显著优于 SVM（91.22%）与随机森林（91.77%）。
• RNN 模型在所有五种类别的植被质量中均表现出一致的性能，包括低质量与极低质量类别，而传统方法常将这些类别误分类。
• SVM 与随机森林在高质量（第 4 类）类别上准确率最高，在低质量（第 2 类）类别上最低，表明其对时间特征模糊的类别泛化能力差。
• 所有模型中，低质量（2 类）与裸土（5 类）类别之间的误分类均较常见，但 RNN 模型相比经典分类器减少了此类错误。
• 混淆矩阵显示，由于能够建模序列依赖性，RNN 更好地区分了时间特征相似的低质量与极低质量类别。
• 本研究证实，RNN 适用于 SAR 时序分类，因其显式利用了时间相关性，而标准分类器则忽略了这一点。