Investigation of the Possibilities of H-α Decomposition for Dual Polarization in Radar Monitoring of Afforestation

Capa

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

Assessment of the processes of afforestation and restoration of forests after fires is relevant for a significant territory of Russia, including the problem of carbon neutrality. The paper considers the possibilities of radar monitoring of the afforestation process based on the Cloud-Pottier decomposition of L-band data time series with dual polarization. Preliminary segmentation is based on the minimum values of the radar backscatter over the entire observation period. This makes it possible to distinguish treeless areas and sparsely wooded areas into a separate class, both existing before the start of the study and formed later. Next, Cloud-Pottier polarimetric decomposition is performed to obtain the parameters H (entropy) and α (scattering angle) and form time series from them. Studies have shown the principal possibility of afforestation dynamics monitoring on the H-α plane, where the points of the test areas form characteristic time tracks. A mature dense forest, whose characteristics are considered permanent, was used as a reference for estimating the changes rate on the H-α plane.

Sobre autores

A. Dmitriev

Institute of Physical Materials Science, SB RAS

Autor responsável pela correspondência
Email: dav@ipms.bscnet.ru
Russia, Ulan-Ude

T. Chimitdorzhiev

Institute of Physical Materials Science, SB RAS

Email: dav@ipms.bscnet.ru
Russia, Ulan-Ude

I. Kirbizhekova

Institute of Physical Materials Science, SB RAS

Email: dav@ipms.bscnet.ru
Russia, Ulan-Ude

Zh. Nomshiev

Institute of Physical Materials Science, SB RAS

Email: dav@ipms.bscnet.ru
Russia, Ulan-Ude

Bibliografia

  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

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
2.

Baixar (2MB)
3.

Baixar (1MB)
4.

Baixar (128KB)
5.

Baixar (182KB)
6.

Baixar (210KB)

Declaração de direitos autorais © А.В. Дмитриев, Т.Н. Чимитдоржиев, И.И. Кирбижекова, Ж.Д. Номшиев, 2023

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».