اخیرا رشد قابل توجهی در سیستم های (DP) DUAL-polarimetry به وجود آمده است که (CP) Compact Polarimetry نامیده می شود.CP یک سیستم تصویربرداری DP است که چندین مزیت مهم را نسبت به دیگر سیستم های چندپلاریزاسیون SAR دارد. از جمله آن ها می توان به قابلیت کاهش پیچیدگی سیستم، هزینه، وزن و نرخ داده های سیستم SAR اشاره کرد. یکی از زمینه های تحقیقاتی مورد توجه سنجش از دور راداری مطالعه جنگل ها است، چرا که نقش مهمی را در کنترل آب و هوا بازی می کنند. در این تحقیق پتانسیل داده های CP در طبقه بندی مناطق جنگلی با استفاده از طبقه بندی کننده ویشارت مختلط و به دو صورت بررسی و ارزیابی شده است. یکبار با استفاده از ماتریس های کواریانس 2´2 دو مد (CTLR) Circular Transmit-Linear Receive، و بار دیگر با به کارگیری ماتریس های کواریانس 3´3 بازسازی شده از این دو مد CP. سپس نتایج حاصل با نتیجه به دست آمده از مد (FP) Full Polarimetry مقایسه و ارزیابی شدند. نتایج نشان دادند که در طبقه بندی پوشش های جنگلی، مد pi/4 دقت کلی طبقه بندی بهتری را نسبت به مد CTLR فراهم می کند.

روش های طبقه بندی داده پلاریمتری که در تحقیقات مختلف ارائه شده است، تنها از اطلاعات یک پایه پلاریزاسیون مشخص استفاده می کنند. در این مقاله، روشی جدید برای طبقه بندی داده پلاریمتری ارائه می شود که می تواند اطلاعات پلاریمتری را در پایه پلاریزاسیون های بیشتری به کار گیرد. مبنای روش پیشنهادی، امضای پلاریمتری است. علاوه بر امضای پلاریمتری که برای توان ارائه شده است در این تحقیق امضای پلاریمتری برای ویژگی های مختلف معرفی می شود. همانند سایر روش های دانش مبنا، روش پیشنهادی شامل دو مرحله است. استخراج دانش مرجع و طبقه بندی با استفاده از این دانش مرجع. روش مورد نظر برای استخراج دانش مرجع، امضای پلاریمتری ویژگی های مختلف است. همچنین برای طبقه بندی به کمک این دانش مرجع از روش های مطابقت استفاده می شود. علاوه براین برای جلوگیری از خروجی نویزی و پایداری امضای پلاریمتری در یک قطعه، روش شیءمبنا انتخاب گردید. داده پلاریمتری سنجنده رادارست-2 از منطقه جنگلی پتاواوا کانادا برای این تحقیق انتخاب شد. مطابق نتایج، دقت کلی روش پیشنهادی 82.12 و روش ویشارت 76.34 است. استفاده از مجموعه کامل تری از ویژگی های پلاریمتری و همچنین افزایش سطح اطلاعات ویژگی های مختلف با استفاده از امضای پلاریمتری، دقت کلاس های گونه های جنگلی، بهبود قابل توجهی در روش پیشنهادی داشتند.

علیرغم این که داده حالت پلاریمتری کامل اطلاعات بسیار خوبی از اهداف زمینی فراهم می آورد، مشکلاتی از قبیل کافی نبودن عرض پوشش دهی برای اهداف نظارتی و بالا بودن توان ارسالی، حجم داده، هزینه و پیچیدگی سیستم، پژوهشگران این حوزه را به سمت استفاده از حالت پلاریمتری فشرده سوق داد. در این حالت با سعی بر اینکه اطلاعات دریافتی تا حد ممکن به اطلاعات حالت پلاریمتری کامل نزدیک باشد، مشکلات حالت پلاریمتری کامل مرتفع می گردد. با توجه به کاستی هایی که در مقالات پیشین برای تبیین روش بازسازی داده حالت کامل از روی داده حالت فشرده دو دایروی وجود دارد، در این مقاله این روش به طور مبسوط تشریح می شود و فرضیات مطرح شده در این روش مورد بررسی قرار می گیرد و نقاط ضعف هریک با استفاده از نتایج تجربی روشن خواهد شد. برای بازسازی داده حالت کامل از داده حالت فشرده دو دایروی دو فرضیه تقریبی در نظر گرفته می شود که این دو موجب کم شدن دقت بازسازی می گردند. با توجه به این که در سال های اخیر مقالاتی جهت بهبود بازسازی در نواحی اقیانوسی ارائه شده است، در این پژوهش تمرکز اصلی بر روی نواحی شهری و مناطق با پوشش گیاهی قرار داده شده است و فرضیه ای ارائه می شود که نسبت به فرضیات پیشین دقیقتر بوده و در نتیجه دقت بازسازی را بالا می برد. با استفاده از داده های مربوط به سنجنده RADARSAT- 2 دقت فرضیات و روش های بازسازی آزمایش شده و برتری روش پیشنهادی نسبت به روش های پیشین نشان داده می شود.

پارامترهای آلفا و انتروپی دو پارامتر اساسی و پرکاربرد برای تفسیر اطلاعات پلاریمتری حالت کامل می باشند که به ترتیب نشان دهنده نوع مکانیسم بازپراکنش و درجه تصادفی بودن پلاریزاسیون موج دریافتی هستند. در سال های اخیر پلاریمتری فشرده به دلیل مزیت هایی که بر پلاریمتری کامل دارد بسیار مورد توجه قرار گرفته است و بدلیل اینکه اطلاعات داده حالت فشرده کمتر از اطلاعات حالت کامل می باشد، سعی بر این است که تا حد ممکن بتوان اطلاعات حالت کامل را از روی آن بازسازی نمود. در این مقاله با بهره گیری از روابط همبستگی آلفا و انتروپی در دو حالت پلاریمتری فشرده و کامل، روشی نوین جهت بازسازی این پارامترها ارائه شده است که نسبت به روش پیشین سرعت بازسازی را بالا برده و حجم محاسباتی را کاهش داده است و همچنین ضریب تطبیق برای انتروپی و آلفا به ترتیب %7.74 و %0.6 افزایش و خطای تخمین به ترتیب %4 و %0.5 کاهش یافته است.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.