On the Use of Neumann Decomposition for Crop Classification Using Multi-Temporal RADARSAT-2 Polarimetric SAR Data
Notice bibliographique
Résumé
In previous studies, parameters derived from polarimetric target decompositions have proven as very effective features for crop classification with single/multi-temporal polarimetric synthetic aperture radar (PolSAR) data. In particular, a classical eigenvalue-eigenvector-based decomposition approach named after Cloude–Pottier decomposition (or “H/A/α”) has been frequently used to construct classification approaches. A model-based decomposition approach proposed by Neumann some years ago provides two parameters with very similar physical meanings to polarimetric scattering entropy H and the alpha angle α in Cloude–Pottier decomposition. However, the main aim of the Neumann decomposition is to describe the morphological characteristics of vegetation. Therefore, it is worth investigating the performance of Neumann decomposition on crop classification, since vegetation is the principal type of targets in agricultural scenes. In this paper, a multi-temporal supervised classification method based on Neumann decomposition and Random Forest Classifier (named “ND-RF”) is proposed. The three parameters from Neumann decomposition, computed along the time series of data, are used as classification features. Finally, the Random Forest Classifier is applied for supervised classification. For comparison, an analogue classification scheme is constructed by replacing the Neumann decomposition with the Cloude–Pottier decomposition, hence named CP-RF. For validation, a time series of 11 polarimetric RADARSAT-2 SAR images acquired over an agricultural site in London, Ontario, Canada in 2015 is employed. Totally, 10 multi-temporal combinations of datasets were tested by adding images one by one sequentially along the SAR observation time. The results show that the ND-RF method generally produces better classification performance than the CP-RF method, with the largest improvement of over 12% in overall accuracy. Further tests show that the two parameters similar to entropy and alpha angle produce classification results close to those of CP-RF, whereas the third parameter in the Neumann decomposition is more effective in improving the classification accuracy with respect to the Cloude–Pottier decomposition.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».