Machine Learning-Assisted Analysis of Polarimetric Scattering From Cylindrical Components of Vegetation
Machine Learning-Assisted Analysis of Polarimetric Scattering From Cylindrical Components of Vegetation
复制标题
植被圆柱体偏振散射的机器学习辅助分析
DOI：
10.1109/tgrs.2018.2852644
复制
发表时间：
2019-01
影响因子：
8.2
通讯作者：
Du Yang
中科院分区：
文献类型：
--
作者：
Chen Hao;Yang Chao;Du Yang
对植被圆柱形成分的电磁散射进行可靠、高效的分析对于植被地形的微波遥感非常重要。在本文中，我们提出了一种机器学习（ML）方案，用于分析有限介电圆柱体的偏振双基地散射。采用深度神经网络架构是希望随着神经网络深度的增加，从而增加抽象能力，它能够将高度振荡的散射模式处理到足够可接受的程度。该方案展示了修改和适应自身以捕获有限介电圆柱体的复杂偏振双基地散射图案的能力。除了接近圆柱轴线的散射方向外，很大程度上满足了互易关系的物理考虑。此外，更重要的是，对于需要插值的情况，该方案明确地证明了学习双基地散射截面和相位模式的能力。对于要插值的参数数量（无论是单个还是多个），性能也很稳健。总之，所提出的 ML 方案对于未来基于物理的算法的设计来说是个好兆头，其中传统的数据立方体被用作插值的基础。
Reliable and efficient analysis of electromagnetic scattering by cylindrical components of vegetation is important for microwave remote sensing of vegetated terrain. In this paper, we proposed a machine learning (ML) scheme for the analysis of polarimetric bistatic scattering from a finite dielectric cylinder. A deep neural network architecture is adopted in the hope that with increased depth of the neural network, hence increased abstraction capability, it may be able to handle the highly oscillatory scattering patterns to an adequately acceptable degree. The scheme has demonstrated the capability of modifying and adapting itself to capture the complicated polarimetric bistatic scattering patterns of a finite dielectric cylinder. The physical consideration of reciprocity relation is largely fulfilled except for the scattered directions close to the cylinder axis. Moreover and more importantly, for cases where interpolation is expected, the scheme has unambiguously demonstrated the capability of learning the bistatic scattering cross section and phase patterns. The performance is also robust against the number of parameters to be interpolated, be it single or multiple. In summary, the proposed ML scheme bodes well for the design of the future physically based algorithms where the conventional datacube was used as the base for interpolation.
登录
查看更多内容
DOI：
10.1109/36.841974
发表时间：
2000
期刊：
IEEE Trans. Geosci. Remote. Sens.
影响因子：
--
作者：
T. Chiu;K. Sarabandi
通讯作者：
T. Chiu;K. Sarabandi
影响因子：
2.1
作者：
A. Jones
通讯作者：
A. Jones
影响因子：
5.7
作者：
S. Seker;A. Schneider
通讯作者：
S. Seker;A. Schneider
影响因子：
56.9
作者：
Carleo, Giuseppe;Troyer, Matthias
通讯作者：
Troyer, Matthias
影响因子：
6.7
作者：
Yang Du;Yingliang Luo;W. Yan;J. Kong
通讯作者：
Yang Du;Yingliang Luo;W. Yan;J. Kong