عنوان پایان‌نامه

ارزیابی و طبقه بندی داده های رادار با گشایش مصنو عی در حالت قطبیدگی فشرده



    دانشجو در تاریخ ۱۴ شهریور ۱۳۹۵ ، به راهنمایی ، پایان نامه با عنوان "ارزیابی و طبقه بندی داده های رادار با گشایش مصنو عی در حالت قطبیدگی فشرده" را دفاع نموده است.


    رشته تحصیلی
    مهندسی عمران- نقشه برداری- سنجش ازدور
    مقطع تحصیلی
    کارشناسی ارشد
    محل دفاع
    کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3327;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76306
    تاریخ دفاع
    ۱۴ شهریور ۱۳۹۵
    دانشجو
    نیما فلاح نفری
    استاد راهنما
    عبدالرضا صفری
    چکیده
    لینک فایل چکیده
    امروزه داده‌های سنجش‌ازدوری قطبیده‏ راداری با گشایش مصنوعی، با توجه به عدم وابستگی به شرایط جوی و روشنایی، در حوزه‌های گوناگونی از علوم ژئوماتیک و زمین از جمله طبقه‌بندی، پایش تغییرات و تخمین پارامترهای فیزیکی پدیده‌های مختلف موردتوجه محققان قرارگرفته است. در بین حالت‌های گوناگون قطبیدگی، داده‌های قطبیده کامل با توجه به سطح اطالاعاتی بالا از اهمیت به سزایی برخوردار هستند. اما با توجه به محدودیت‌هایی (پهنای پوشش کم، هزینه بالا و ...) که در این سیستم تصویربرداری وجود دارد، اخیراً تمایل به استفاده از سیستم‌ راداری قطبیده فشرده که بدون محدودیت‌های ذکر‌شده عمل می‌کند، رو به افزایش است. قطبیدگی فشرده که در دو حالت با نام‌های ?/4 و CTLR وجود دارد، نوعی از تصویربرداری راداری با گشایش مصنوعی است که قابلیت بازسازی داده های قطبیده کامل را نیز داراست. کارایی روش‌های بازسازی و داده‌های قطبیده فشرده تا به امروز از جنبه‌های مختلفی بررسی شده است. این تحقیق با دید کاربردی به ارزیابی توانمندی داده‌های قطبیده فشرده و کامل در طبقه‌بندی محصولات کشاورزی و پوشش زمینی پرداخته شد. به این منظور، داده‌های قطبیده کامل UAVSAR که از محدوده کشاورزی وینیپگ کانادا اخذ بود و داده‌های قطبیده کامل RADARSAT-2 که از شهر سان‌فرانسیسکو استفاده شد. پس از شبیه‌سازی داده‌های فشرده، توصیفگر‌های قطبیده برای طبقه‌بندی از این داده‌ها استخراج شد. در ادامه، از طبقه‌بندی کننده ماشین‌های بردار پشتیبان که با الگوریتم ژنتیک بهبود یافته است، برای طبقه‌بندی این‌ داده‌ها استفاده شد. در طبقه‌بندی محصولات کشاورزی، ضریب کاپا برای داده‌های کامل 89.74% و برای داده‌های فشرده در حالت ?/4 86.91% و در حالت CTLR 84.83% محاسبه شد. با بازسازی داده‌های فشرده دقت‌‌ها بهبود پیدا کردند و در بهترین حالت، ضریب کاپا حدود 2% افزایش یافت. در طبقه‌بندی پوشش زمینی نیز، نتایج حاصل از داده‌های قطبیده کامل با ضریب کاپای 94.11% دارای بالاترین دقت بودند و ضریب کاپا برای داده‌های فشرده در حالت ?/4 88.45% و در حالت CTLR 85.50% محاسبه گردید. با توجه به این که فرض‌های بازسازی در این حالت به علت وجود منطقه شهری برقرار نبود، با داده‌‌های بازسازی‌شده نتایج ضعیف‌تری حاصل گردید. به این ترتیب در هر دو کاربرد، حالت ?/4 نسبت به حالت CTLR عملکرد بهتری داشته و در صورتی که بازسازی به صورت مناسبی انجام گیرد، نتایج مناسب‌تری حاصل می‌شود. نتایج حاصل نشان دهنده آن است که داده‌های قطبیده فشرده قابلیت دست یابی به نتایج کاملاً یکسان با داده‌های کامل برای دو کاربرد طبقه‌بندی محصولات کشاورزی و پوشش زمینی ندارد. با این وجود، در شرایطی که دقت کمتری مورد نیاز است، داده‌های فشرده می‌توانند جایگزین ارزانی برای داده‌های کامل باشند. واژه‌های کلیدی: رادار با گشایش مصنوعی(SAR) ، قطبیدگی کامل، قطبیدگی فشرده، طبقه‌بندی محصولات کشاورزی و پوشش زمینی، ماشین‌های بردار پشتیبان (SVM)، الگوریتم ژنتیک.
    Abstract
    Polarimetric synthetic aperture radar (PolSAR) data is a very useful source of information about the Earth’s surface for various applications such as land-cover classification, change detection or estimation of targets’ biophysical parameters due to its environmental independencies (i.e. all weather conditions and through day and night). Despite the fact that full polarization data usually have higher information content than any other polarization status (single- or dual-channel polarimetric data), it also has some limitations such as the reduced swath width and the higher pulse repetition frequency (PRF) compared to dual polarization. In order to address a solution for such limitations, recently the concept of compact polarimetry (CP) has been introduced as an emerging idea, particularly for SAR remote sensing sensors. The recently developed compact polarimetric (CP) synthetic aperture radar (SAR) data, in two modes of ?/4 and CTLR, tend to confer a valuable source of information -comparable to full polarimetric (FP) data- in many applications. This thesis evaluates the potential of FP and CP data in land-cover and crop classification and determines the prospects of CP data in such applications. To this end, two data sets including full polarimetric L-band data from UAVSAR, acquired over an agricultural area in Winnipeg (Canada), and full polarimetric C-band data acquired by RADARSAT-2 over San Francisco are used. CP data are simulated from the FP data of the both datasets and classified by the enhanced support vector machine (SVM) with genetic algorithm (i.e. SVMGA). Respective kappa coefficients for FP, ?/4 and CTLR modes of CP data in crop classification is equal to 89.74%, 86.91% and 84.83%. The overall results illustrated an increase in precision by simulating FP from CP, and in best case kappa coefficient had an improvement of approximately 2%. Furthermore, in land cover classification, the results gained from FP data with the kappa coefficient of 94.11%, had the highest precision. For ?/4 and CTLR modes of CP data, kappa coefficients of 88.45% and 85.50% were obtained. Since in urban areas the symmetric assumption fails, the simulation would even lead to poorest results. Generally in both applications ?/4 mode of CP proved a better performance than CTLR mode. Based on the results, despite the fact that CP data cannot perform as precise as FP data, CP system with a simpler design compared to FP system still has the potential to be used as an alternative when a larger swath width is required. Key Words: SAR, Full Polarimetry, Compact Polarimetry, Crop and Land-cover Classification, SVM, Genetic Algorithm