PolAlpha-Net：一种基于偏振分解知识的岩性分割网络，用于植被区域的双极化SAR图像处理

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：PolAlpha-Net: A Lithology Segmentation Network Guided by Polarimetric Decomposition Knowledge for Dual Polarization SAR Images in Vegetated Areas

　　

摘要：

通过遥感技术对岩性进行分类在地质调查和资源勘探中变得越来越重要。然而，在植被覆盖的区域准确分类岩性仍然是一个重大挑战。在本文中，我们利用ALOS-1双极化SAR数据强大的穿透能力和连贯性，提出了一种新的深度学习网络PolAlpha-Net（极化引导网络），该网络基于极化分解知识进行训练。该网络利用极化分解参数来学习稳定的特征，从而能够在植被覆盖区域实现高精度的岩性分割。我们的研究使用了6月、9月和11月的图像，这些图像都植被茂盛，并使用现有的地质地图作为真实值，对四个类别进行了分割任务。结果表明，PolAlpha-Net的表现非常出色，平均准确率（mAcc）达到了86.79%。具体来说，四个类别——背景、Q4、Arjnd和γ2(1) 5的准确率分别为77.32%、94.19%、85.93%和89.71%。这些结果证实，PolAlpha-Net即使在密集植被覆盖下也能有效学习稳定特征，并且在不同条件下具有出色的泛化能力。因此，使用PolAlpha-Net进行岩性制图获得了具有令人印象深刻的空间连续性的结果。这项研究的结果表明，将PolAlpha-Net与ALOS-1双极化SAR数据结合使用，可以在植被覆盖区域实现高质量的岩性分割，凸显了其在遥感和地质分析中的实际应用价值。