Ước lượng tham số rừng từ ảnh PolInSAR bằng phương pháp tối ưu kết hợp

Bài viết này đưa ra một phương pháp mới để nâng cao độ chính xác trong việc ước lượng các tham số rừng. Phương pháp này dựa trên kỹ thuật tối ưu kết hợp để rút ra các tham số thực vật với độ chính xác cao. Kết quả thực nghiệm cho thấy rằng độ chính xác của các tham số rừng được cải thiện đáng kể bởi thuật toán đề xuất.

ƯỚC LƯỢNG THAM SỐ RỪNG TỪ ẢNH POLINSAR BẰNG

PHƯƠNG PHÁP TỐI ƯU KẾT HỢP

Nguyễn Ngọc Tân1*, Phạm Minh Nghĩa1, Hoàng Xuân Hội2,

Nguyễn Phương Nam3

Tóm tắt: Ước lượng các tham số rừng từ ảnh ra đa mặt mở tổng hợp giao thoa

phân cực (PolInSAR) là một trong những ứng dụng đầy triển vọng trong lĩnh vực viễn thám Gần đây, có rất nhiều các nghiên cứu nhằm mục đích thu được các tham số rừng từ hình ảnh PolInSAR đơn tần số như phương pháp ESPIRT, phương pháp nghịch chuyển ba trạng thái…Tuy nhiên các kỹ thuật này có xu hướng ước lượng thấp các tham số rừng do sự suy hao của các sóng điện từ trong môi trường mặt đất Bài báo này đưa ra một phương pháp mới để nâng cao độ chính xác trong việc ước lượng các tham số rừng Phương pháp này dựa trên kỹ thuật tối ưu kết hợp để rút ra các tham số thực vật với độ chính xác cao Kết quả thực nghiệm cho thấy rằng độ chính xác của các tham số rừng được cải thiện đáng kể bởi thuật toán đề xuất

Từ khóa: PolInSAR, ESPRIT; Ước lượng tham số rừng; Tối ưu kết hợp; Tập kết hợp; Ra đa mặt mở tổng hợp

giao thoa phân cực; Nghịch chuyển ba trạng thái

1 MỞ ĐẦU

Ra đa tổng hợp mặt mở giao thoa phân cực ( PolInSAR) là một kỹ thuật viễn thám ra

đa, nó rất nhạy cảm với cấu trúc thẳng đứng và các đặc tính vật lý của môi trường tán xạ

Hệ thống này kết hợp được các ưu điểm của ra đa mặt mở tổng hợp phân cực và ra đa mặt

mở tổng hợp giao thoa Dữ liệu ảnh PolInSAR có độ phân giải cao và chứa đầy đủ các thông tin, tính chất tán xạ phân cực của đối tượng cần phản ánh Thông tin phân cực có thể phản ánh cấu trúc hình học và các đặc tính vật lý của mục tiêu Ảnh PolInSAR khác so với

dữ liệu ảnh giao thoa thông thường, nó cho phép tạo ra sự giao thoa của các cặp phân cực truyền/ nhận tùy ý, trong khi ảnh giao thoa thông thường lại bị phụ thuộc rất nhiều vào sự ảnh hưởng của môi trường vật lý Trong dữ liệu PolInSAR, pha giao thoa thay đổi với sự chọn của phân cực Chúng ta có thể thu được các tham số địa vật lý quan trọng qua việc nghiên cứu sự thay đổi này Do vậy, sử dụng dữ liệu ảnh PolInSAR để ước lượng các tham

số của mục tiêu tự nhiên là một ứng dụng đầy triển vọng Trong hai thập kỷ vừa qua, nhiều phương pháp và kỹ thuật phân tích đã được đề xuất như phương pháp ESPRIT [1], phương pháp nghịch chuyển ba trạng thái [2] Với mỗi phương pháp đó đều có các hạn chế và nhược điểm nhất định Phương pháp ESPRIT có xu hướng ước lượng thấp các tham số thực vật do sóng điện từ bị suy hao trong môi trường mặt đất Với phương pháp nghịch chuyển ba trạng thái, chúng ta phải thực hiện ước lượng bình phương tối thiểu nhiều tham

số Việc ước lượng này rất phức tạp và đó là một điều kiện hạn chế khi thực hiện Ngoài

ra, nhiều kỹ thuật phân hoạch cũng được đưa ra để phân tích ảnh PolInSAR như phân hoạch Freeman-Durden [3-4], phân hoạch bốn thành phần Yamaguchi [5], phân hoạch Cloude-Pottier [6-7] Các kỹ thuật phân hoạch này cũng có nhiều hạn chế do mô hình tán

xạ khối được giả định có tính chất đối xứng tán xạ cho tất cả các điểm ảnh và số lượng các quan sát độc lập bị giới hạn Các giả định này thường xuyên gây ra các công suất âm trong các cơ chế phân hoạch, đặc biệt là đối với các khu vực rừng có thành phần tán xạ khối chiếm ưu thế

Bài báo này đề xuất một phương pháp nâng cao độ chính xác cho ước lượng tham số rừng sử dụng dữ liệu PolInSAR Trong phương pháp đề xuất, đầu tiên pha địa hình được ước lượng từ nguyên lý tập kết hợp [8] nhằm giảm độ phức tạp trong quá trình tính toán

Tham số địa hình được ước lượng trực tiếp từ dữ liệu, điều này có thể khắc phục được các lỗi có thể sảy ra trong quá trình xử lý khi số lượng kết hợp bị hạn chế Sau đó, nguyên lý tối ưu kết hợp và phương pháp phân hoạch hai thành phần thích nghi [9] sẽ được áp dụng

để rút ra trạng thái phân cực tối ưu và các ma trận kết hợp tán xạ mặt đất, ma trận kết hợp tán xạ khối Do đó, hàm kết hợp giao thoa phân cực của mô hình RVoG được xây dựng

Để xác định được tập tham số tối ưu, cũng như rút ra các tham số rừng với độ chính xác cao nhất, thuật toán đề xuất đã thực hiện so sánh hàm kết hợp của mô hình này với kết hợp của ba kênh phân cực khác nhau được thu từ dữ liệu quan sát Các kết quả mô phỏng và phân tích đã cho thấy rằng phương pháp đề xuất mang lại hiệu quả tốt và ổn định hơn phương pháp nghịch chuyển ba trạng thái Đồng thời phương pháp này cũng cho kết quả chính xác trên mọi loại địa hình rừng trong thực tế

2 HỆ THỐNG POLINSAR VÀ MÔ HÌNH RVOG 2.1 Hệ thống PolInSAR

Một hệ thống giao thoa, phân cực hoàn toàn quét mỗi phần tử phân giải trong một khu vực từ hai góc quét khác nhau sẽ cho hai ma trận tán xạ  S1 và  S2 Với trường hợp tán

xạ ngược trong môi trường tương hỗ, các véc tơ tán xạ lexicographic ba chiều

1

L

k

và 2

L

k

được cho bởi công thức sau:

1 1 , 1 , 1 T

k  S S S ; kL2 S2HH,S2HV,S2VVT

(1)

Dữ liệu thu được từ hệ thống PolInSAR thường được biểu diễn bằng ma trận kết hợp phức 6×6, và được biểu diễn trong (2)[10]

* 2

T

T

T

T



với 1

2

L L

k k k







 (2)

Trong đó, toán tử  biểu thị mức lấy trung bình toàn bộ trong quá trình xử lý dữ liệu

và    biểu thị toán tử liên hợp phức  T1 và  T2 là các ma trận Hermitian, mô tả các thuộc tính phân cực của mục tiêu thu được từ mỗi hệ thống PolSAR riêng lẻ, trong khi đó

  là ma trận phức phi-Hermitian, nó bao hàm các thông tin giao thoa và phân cực của mục tiêu

Sự kết hợp giao thoa phân cực của hệ thống PolInSAR được mô tả bằng một hàm phân cực của hai ảnh được biểu diễn như sau [10,14]:

*

1 1 1 2 2 2

,

T





     (3)

Trong đó,    1, 2

là các véc tơ phức đơn nhất, nó định nghĩa sự lựa chọn của mỗi trạng thái phân cực

2.2 Mô hình RvoG

Mô hình RVoG ( The Random Volume over Ground ) [2] là một mô hình hiệu quả khi

mô tả sự tương tác của sóng điện từ trong môi trường tự nhiên bằng sự kết hợp giữa tán xạ khối và tán xạ mặt đất Khi đó, tán xạ ngược là một tổng kết hợp của tán xạ ngược từ mặt đất và tán xạ ngược từ khối thực vật Kết hợp giao thoa của mô hình này được mô tả theo công thức [2]:

   

 

 

   

  

0

1

j









(4)

Trong đó, 0 là pha địa hình mặt đất,  ( )

là tỷ lệ biên độ hiệu dụng giữa tán xạ khối

và tán xạ mặt đất và là một hàm của trạng thái phân cực  v biểu thị kết hợp phức cho tán xạ

từ lớp tán cây, nó phụ thuộc vào độ suy hao sóng trung bình và chiều cao cây rừng

3 ƯỚC LƯỢNG THAM SỐ RỪNG BẰNG PHƯƠNG PHÁP

TỐI ƯU KẾT HỢP

Trong phần này, bài báo đề xuất một phương pháp xác định tham số rừng mới dựa trên nguyên lý tối ưu kết hợp

Với mỗi điểm ảnh

Xác định trạng thái phân cực tối ưu

0

 Tính hàm kết hợp giao thoa của mô hình RVoG

Xác định tập tham số tối ưu

Pha địa hình mặt đất được ước lượng từ phương pháp tập kết hợp

,h v,

opt



  1 

( )

H

T       

 

0 1

 













So sánh kết hợp giao thoa phân cực của mô hình với kết hợp của các kênh phân cực đặc trưng để ước lượng chiều cao rừng

d                    

, ,

min hv

 

 

 

0,

0, 2 /

0,1

 











Hình 1 Lưu đồ thuật toán tối ưu kết hợp cho mỗi điểm ảnh

Ban đầu, các tham số của mô hình RVoG bao gồm độ suy hao   , chiều cao cây rừng

 h v và  được lựa chọn như là các tham số lặp đầu vào Theo nguyên lý của hệ thống PolInSAR, các tham số này sẽ được giới hạn trong các khoảng cố định 0,1 ;  0, 2 / k z;

0, tương ứng Trong đó kzlà số sóng theo trục đứng, nó được xác định từ dữ liệu quan sát đầu vào Thuật toán đề xuất được trình bày theo bốn bước Đầu tiên pha địa hình sẽ

được ước lượng bằng phương pháp tập kết hợp Tiếp theo trạng thái phân cực tối ưu sẽ được xác định bằng cách tìm giá trị tối ưu của hàm kết hợp giao thoa phân cực Trong bước ba, thuật toán sẽ xác định hàm kết hợp giao thoa phân cực của mô hình RVoG Cuối cùng, chiều cao rừng sẽ được ước lượng Các bước của thuật toán đề xuất được tóm tắt trong Hình 1

Bước 1: Ước lượng pha địa hình bằng phương pháp tập kết hợp

Quá trình nghịch chuyển ba trạng thái [2] là một phương pháp phổ biến sử dụng ảnh PolInSAR để thu được các tham số rừng Tuy nhiên, phương pháp này có một số nhược điểm, trong đó sự ước lượng pha địa hình mặt đất thường chiếm nhiều thời gian và cho kết quả với độ chính xác không cao Phương pháp tập kết hợp [8] được đề xuất nhằm khắc phục các nhược điểm này Pha địa hình mặt đất sẽ được ước lượng trực tiếp từ dữ liệu và các giá trị thích hợp được lựa chọn bằng cách sử dụng tất cả các thay đổi phân cực của kết hợp giao thoa mà không làm tăng thời gian tính toán Do vậy, phương pháp tập kết hợp sẽ cho các kết quả chính xác hơn phương pháp nghịch chuyển ba trạng thái khi ước lượng pha địa hình

Với giả định các véc tơ chiếu bằng nhau (  1   2   

) và T   T1 T2 2, sự kết hợp PolInSAR trong (3) có thể được biểu diễn đơn giản hơn bằng cách sử dụng dạng rút gọn của ma trận kết hợp, như sau:

     (5)

Trong đó,   T1 2 T1 2 là ma trận kết hợp rút gọn,

*T

T w

T









  là véc tơ đơn nhất cải tiến

Thay w

vào (3) ta có:

  (6) Phương trình (6) có dạng tương tự dạng cự ly số của ma trận vuông [11] Do vậy, cự ly số của ma trận cũng có thể được xem như vùng của tập kết hợp Ma trận

có ba trị riêng lần lượt là  1, 2 và 3  33, giả sử rằng arg  1 arg  2 Quỹ đạo cự ly số của ma trận trên mặt phẳng kết hợp phức có dạng tương tự hình ellip và bao hàm cả ba trị riêng của ma trận [12] Theo Cloude [3], trị riêng 3 của ma trận 

có mối liên hệ mật thiết với kết hợp phức của kênh phân cực hv  hv trong khi đó 1 và 2

lại liên quan trực tiếp đến kết hợp phức của kênh phân cực hh  hh và kênh phân cực vv

vv

  tương ứng Theo nguyên lý truyền sóng phân cực trong các hệ thống ra đa, kênh phân

cực hv thường được sử dụng để xác định các tham số của thành phần tán xạ ngẫu nhiên từ tán cây, kênh phân cực hh và vv thường được sử dụng để xác định các tham số địa hình

Như vậy, ta có thể thấy rằng trị riêng 2 của ma trận bao hàm các thông tin liên quan đến địa hình Khi đó, pha của mặt đất chính là giao điểm của đường thẳng đi qua hai điểm 2

 và 3 với đường tròn đơn vị trong mặt phẳng kết hợp phức Pha giao thoa của địa hình mặt đất được xác định như sau:

 

0 arg 2 3 1 L

     (7)

Trong đó, L là nghiệm của phương trình bậc hai:

2

0

2

A

     (8)

Với 2    * 2

3 1; 2 Re 2 3 3 ; 2 3

A   B    C   (9)

Bước 2: Xác định trạng thái phân cực tối ưu

Công thức (3) biểu diễn hàm kết hợp giao thoa phân cực khi phân cực  1

được sử dụng tại đầu mút thứ nhất và  2

được sử dụng tại đầu mút thứ hai của đường cơ sở Do vậy, công thức (3) bao gồm cả thông tin giao thoa và thông tin phân cực Để tìm được trạng thái phân cực tối ưu, bài báo thực hiện xác định các giá trị độ lớn giới hạn của hàm này

*

1 2

,

1 2

1 1 1 2 2 2

T



 

      (10)

Tuy nhiên, do hàm kết hợp là một hàm phức nên cần thiết phải xác định giá trị cực đại

về độ lớn, về pha, hay phần thực, phần ảo và tương ứng với cơ chế tán xạ nào Để thực

hiện điều này, chúng ta thiết lập một hàm phức Lagrange ( L) như được biểu diễn trong

công thức (10):

1T 2 1( 1T 1 1 1) 2( 2T 2 2 1)

L    T    T 

(11) Hàm này bao gồm tử số của kết hợp giao thoa phân cực được giới hạn bởi hai tham số Lagrange 1 và 2 Hai tham số này cho phép thay đổi tử số và giữ nguyên mẫu số của hàm kết hợp Trong thực tế, khi đường cơ sở nhỏ, sự thay đổi về thời gian là không đáng

kể, do vậy các cơ chế tán xạ tại hai đầu mút của đường cơ sở là như nhau (  1   2)

Sau một số phép tính đạo hàm cục bộ, bài toán tối ưu dẫn tới một phương trình giá trị riêng như sau [12]:

1 2

H

(12)

Trong đó,   1 1 2

2

2

Ma trận   1 

H

T   trong công thức (11) có ba giá trị riêng thực, không âm và trạng thái phân cực tối ưu ( opt

) sẽ tương ứng với giá trị riêng lớn nhất [12]

Bước 3 Xác định hàm kết hợp giao thoa phân cực của mô hình RVoG

Trong công thức 4,  ( )

là tỷ lệ biên độ hiệu dụng giữa tán xạ khối và tán xạ mặt đất

và được tính theo công thức sau [2]

 

*

* 2

cos

2 ( )

T

T hv

T M

T M e







 







  (13)

Để xác định được ma trận kết hợp tán xạ mặt đất T gvà ma trận kết hợp tán xạ khối Tv, bài báo đã áp dụng kỹ thuật phân hoạch mục tiêu hai thành phần thích nghi của Li [9] Kỹ thuật này là một dạng đơn giản của thuật toán phân hoạch mục tiêu tổng quát Lee với một

số giả định mới Kỹ thuật này đã loại bỏ được vấn đề công suất âm mà không cần xác định các điều kiện về phản xạ đối xứng, không cần các tiêu chí cơ chế tán xạ chủ đạo Thay các giá trị T g,Tv và opt

tìm được vào công thức (13), chúng ta tính được giá trị hàm  ( )

Với các tham số giả định đầu vào, hàm kết hợp giao thoa của tán xạ khối được xác định như sau [2]:

 

 

, 2 cos , 0

, 2

,

0

z hv

hv

jk z z



















 (14)

Thay công thức (13), (14) vào (4), chúng ta xác định được hàm kết hợp giao thoa của toàn bộ mô hình RVoG

Bước 4 Ước lượng tham số chiều cao rừng

Theo nguyên lý truyền sóng phân cực trong các hệ thống ra đa, kênh phân cực hv

thường phản ánh đặc điểm của thành phần tán xạ khối ngẫu nhiên từ tán cây, trong khi đó kênh phân cực hhvà vv mang đặc điểm của thành phần tán xạ địa hình Từ dữ liệu thực

tế, chúng ta có thể xác định được các hàm kết hợp giao thoa của từng kênh phân cực này Khi các tham số của mô hình càng gần với thực tế thì độ chính xác ước lượng càng cao

Do đó để ước lượng các tham số rừng, hàm kết hợp giao thoa phân cực của mô hình RVoG sẽ được so sánh với kết hợp giao thoa của một số kênh phân cực đặc trưng ( hh,

hv, hv vv )

d                     (15) Với mỗi một tập tham số đầu vào ,h v,chúng ta sẽ xây dựng được hàm kết hợp giao thoa của mô hình RVoG, từ đó có thể xác định khoảng cách giữa kết hợp giao thoa của mô hình và kết hợp giao thoa của các kênh phân cực Tập tham số tối ưu sẽ tương ứng với điều kiện khoảng cách tổng là nhỏ nhất (dmin) Cuối cùng, chúng ta thực hiện lặp lại các bước như trên cho mỗi điểm ảnh trong toàn bộ ảnh thu được Chiều cao rừng thu được

là giá trị trung bình của toàn bộ các chiều cao trong từng điểm ảnh

4 KẾT QUẢ THỰC NGHIỆM

Để đánh giá hiệu quả của phương pháp đề xuất, chúng tôi đã áp dụng phương pháp tối

ưu kết hợp với tập dữ liệu thu được từ phần mềm PolSARProSim [13] và dữ liệu hình ảnh PolInSAR băng L chụp khu vực khảo sát thực tế Tien-Shan bởi hệ thống SIR-C/X-SAR

4.1 Dữ liệu mô phỏng

Trước khi áp dụng với dữ liệu thực tế, thuật toán đã kiểm chứng với dữ liệu mô phỏng được tạo ra bởi phần mềm PolSARProSim Bằng cách lựa chọn các tham số đầu vào, phần mềm PolSARProSim cho phép tạo ra các môi trường rừng giả lập và các hệ thống ra đa tổng hợp mặt mở giao thoa phân cực Hệ thống ra đa này có hoạt động tương tự như trong thực tế để tạo ra các ảnh PolInSAR Cụ thể, phần mềm PolSARProSim đã tạo ra một khu vực rừng có diện tích 2.6 Ha, chiều cao trung bình cây là 18m với mật độ trung bình là

1000 cây/ Ha Một hệ thống PolInSAR băng L tại tần số 1.3 GHz, góc tới 300 hoạt động với đường cơ sở theo trục ngang là 100 m và theo trục đứng là 10 m đã chụp khu vực rừng nói trên để tạo ra dữ liệu ảnh với kích thước 143x131 điểm ảnh Dữ liệu mô phỏng này có cấu trúc và định dạng giống với dữ liệu thực tế Tuy nhiên dữ liệu mô phỏng có kích thước

nhỏ hơn Ngoài ra, với dữ liệu mô phỏng, chúng ta hoàn toàn biết trước các tham số như chiều cao rừng, mật độ, độ dốc địa hình, độ ẩm…Điều này sẽ giúp cho việc kiểm chứng độ chính xác của thuật toán đề xuất bằng cách so sánh tham số đầu ra của thuật toán với các tham số rừng

Hình 2a thể hiện hình ảnh mã hóa Pauli của khu vực rừng quan sát với kích thước

143131 điểm ảnh Đường thẳng màu đỏ biểu thị vùng hình ảnh được phân tích kết quả trong bài báo này

Hình 2 Hình ảnh mã hóa Pauli (a) và biểu đồ so sánh chiều cao (b)

Hình 2b là biểu đồ ước lượng chiều cao rừng của phương pháp đề xuất được so sánh với phương pháp nghịch chuyển ba trạng thái dọc theo đường thẳng màu đỏ trên Hình 2a

Bảng 1 Tham số rừng được ước lượng từ hai phương pháp

Tham số Giá trị thực Mô hình chuyển ba trạng thái Phương pháp đề xuất

 

v

 

0 rad

dB m/ 

Bảng I biểu thị các kết quả chiều cao rừng được ước lượng từ phương pháp đề xuất và quá trình nghịch chuyển ba trạng thái So sánh với chiều cao thực của cây rừng là 18m, Hình 2b và Bảng I đã chứng tỏ phương pháp đề xuất cho kết quả chính xác và ít lỗi hơn so với phương pháp nghịch chuyển ba trạng thái Trong phương pháp nghịch chuyển ba trạng thái, pha mặt đất được ước lượng trong hai giai đoạn đầu tiên Chiều cao rừng được ước lượng trong giai đoạn cuối cùng của mô hình chuyển đổi Trong các giai đoạn này, tác giả

đã giả định rằng không có bất kỳ thành phần tán xạ trực tiếp từ mặt đất nào trong kênh phân cựchv, khi đó  est v,   hvexp   j 0 Sau đó, tác giả đã xây dựng một bảng tra cứu cho kết hợp giao thoa kênh phân cực hv như một hàm của chiều cao rừng ( hv) và độ suy hao sóng tán xạ trong môi trường truyền ( ) Bằng cách so sánh est v, với bảng tra cứu có thể thu được độ cao rừng Do vậy, ta thấy trong hình 2b, các giá trị chiều cao rừng xấp xỉ nhau đều được gán với một giá trị cố định cho trước và đó chính là nguyên nhân tạo nên mức giá trị ngưỡng phía trên trong biểu đồ chiều cao màu xanh Với phương pháp nghịch chuyển ba trạng thái, độ chính xác ước lượng phụ thuộc vào mô hình dự đoán trước Do

đó, các kết quả ước lượng đôi khi không chính xác Dựa trên cơ sở toán học và nguyên lý tối ưu kết hợp, thuật toán đề xuất đã xác định trực tiếp được hàm kết hợp giao thoa phân

cực của toàn bộ mô hình hai lớp RVoG Tập tham số tối ưu được ước lượng với độ chính xác được cải thiện đáng kể

Hình 3 Chiều cao cây rừng được ước lượng bằng phương pháp đề xuất

Hình 3 biểu diễn chiều cao cây trên toàn bộ khu vực rừng khảo sát được ước lượng từ phương pháp đề xuất Trong đó ta thấy hầu hết độ cao đều đạt xấp xỉ 18m Chiều cao cây rừng thực tế đã được ước lượng tương đối chính xác loại trừ tại một số điểm ảnh, chiều cao cây vượt trên 18m nhưng đều nhỏ hơn 22m trên tất cả các điểm ảnh Trong thực tế, do cấu trúc của rừng thì độ cao rừng có thể cao hơn các giá trị này, do vậy ta có thể khẳng định rằng kết quả này có thể chấp nhận được Như vậy, phương pháp đề xuất cho chúng ta một kết quả tương đối chính xác với độ sai số nhỏ

4.2 Dữ liệu thực nghiệm

Sau khi kiểm chứng hiệu quả với dữ liệu mô phỏng, thuật toán đề xuất sẽ được áp dụng đối với dữ liệu thực nghiệm Dữ liệu thực nghiệm được sử dụng trong bài báo là một hình ảnh chụp khu vực Tien-Shan vào ngày 7 và 9 tháng 10 năm 1994 Trên bản đồ, khu vực này có tên là KUDARA, LAKE BAIKAL, RUSSIA có tọa độ 52°12′11.14″N tới 52°16′34.95″N và 106°45′35.68″E tới 106°51′37.11″E Đây là khu vực hỗn hợp bao gồm rừng, các diện tích nông nghiệp, các dòng sông và các con đường Dữ liệu được chụp bởi

hệ thống SIR-C/X-SAR với đường cơ sở là 13m và góc tới là 24.5690 Đặc điểm của dữ liệu thực nghiệm là có kích thước lớn, được tạo ra bởi hệ thống ra đa SIR-C trong thực tế Tuy nhiên, với dữ liệu thực nghiệm, chúng ta hoàn toàn không biết các tham số cấu trúc rừng như độ cao, mật độ…Mục đích của thuật toán là đi xác định các tham số này Dữ liệu thực nghiệm có cấu trúc 500 x 500 điểm ảnh Về định dạng, dữ liệu thực nghiệm và dữ liệu mô phỏng hoàn toàn giống nhau

Hình 4 Khu vực khảo sát: (a) Hình ảnh quang học, (b) Hình ảnh mã hóa Pauli

Hình 4(a) là hình ảnh quang học của khu vực khảo sát Hình 4(b) là hình ảnh kết hợp của khu vực khảo sát trong cơ sở Pauli với kích thước 500 x 500 điểm ảnh

Dọc theo mặt cắt phương vị của ảnh trong hình 4a, chúng ta có thể nhận thấy ba loại địa hình: các khu vực có màu đỏ biểu thị các diện tích đất trống hoặc khu nông nghiệp, các

khu vực màu xanh biểu thị diện tích rừng

(a) (b)

Hình 5 Chiều cao rừng được ước lượng bởi phương pháp đề xuất (a)

và Hình ảnh 3-D của chiều cao rừng (b)

Kết quả của phương pháp đề xuất được biểu diễn trong Hình 5 So sánh Hình 5a với Hình 4a, chúng ta thấy rằng tại các khu vực đất trống, khu nông nghiệp, chiều cao cây được ước lượng rất thấp Điều này hoàn toàn phù hợp với địa hình thực tế Hình 5b biểu diễn hình ảnh ba chiều của chiều cao rừng được ước lượng theo phương pháp đề xuất Trong đó, chiều cao được ước lượng trong khoảng từ 12m tới 30m Chiều cao trung bình

là 18.1762m

Thuật toán được xây dựng dựa trên cơ sở toán học cơ bản, do vậy các kết quả đạt được với độ chính xác cao Tuy nhiên, nhược điểm lớn nhất của thuật toán là các bước thực hiện với số lượng phép toán tương đối lớn, do vậy cần nhiều tài nguyên và thời gian xử lý Đối với dữ liệu mô phỏng, kích thước của ảnh không quá lớn ( 143 x 131 điểm ảnh) và bộ mô phỏng cũng bỏ qua một số vấn đề về chuyển động dư, các lỗi đồng đăng ký, các vấn đề về không tương quan thời gian Do vậy, việc xử lý dữ liệu cũng đơn giản và cho độ chính xác cao hơn Đối với dữ liệu thực nghiệm được chụp từ hệ thống SIR-C/X-SAR thực tế, do vậy bị ảnh hưởng bởi các yếu tố về tương quan thời gian và các nguồn không tương quan SNR Kích thước ảnh thực nghiệm là rất lớn ( 500 x 500 điểm ảnh ) nên khi áp dụng thuật toán sẽ tốn nhiều tài nguyên và thời gian xử lý hơn Tuy nhiên, các kết quả sau khi áp dụng thuật toán đề xuất đã chứng minh sự phù hợp với địa hình thực tế

5 KẾT LUẬN

Bài báo đã đề xuất một phương pháp mới nhằm nâng cao độ chính xác trong ước lượng các tham số rừng từ ảnh PolInSAR Trong đó, các tham số rừng được xác định dựa trên thuật toán tối ưu kết hợp Ngoài ra, để cho kết quả chính xác hơn, nguyên lý tập kết hợp đã được sử dụng để xác định pha địa hình mặt đất Các ưu điểm của phương pháp đề xuất được phân tích kỹ lưỡng khi so sánh với phương pháp nghịch chuyển ba trạng thái Các kết quả mô phỏng và so sánh đã chỉ ra rằng, phương pháp đề xuất đã cải thiện đáng kể độ chính xác cho ước lượng độ cao rừng, pha địa hình và hệ số suy hao sóng trong môi trường truyền Trong tương lai gần, những thử nghiệm mới trên các dữ liệu và các khu vực

khảo sát khác nhau sẽ được thực hiện nhằm nâng cao hơn nữa hiệu quả cho phương pháp

đề xuất

TÀI LIỆU THAM KHẢO

[1] H Yamada, M Yamazaki and Y Yamaguchi, “ On scattering model decomposition

of PolSAR and its application to ESPRIT-base Pol-InSAR ”, Proceeding of 6th

European Conference on Synthetic Aperture Radar, Dresden, Germany, (2006) May

16-18

[2] S R Cloude and K P Papathanassiou, “ Three-stage inversion process for

polarimetric SAR interferometric ”, IEE Proceedings Radar, Sonar and Navigation,

vol 150, issue 3, (2003), pp 125-134

[3] A Freeman and S L Durden, “ A three-component scattering model for

polarimetric SAR data ”, IEEE Transaction on Geoscience and Remote Sensing,

1998, 36(3): 963 – 973

[4] A Free-man, “ Fitting a two-component scattering model to polarimetric SAR data

”, Proceedings of IGARSS'99, Hamburg, Germany, 28 June- 2 July 1999, 5(2): 649 – 2651

[5] Y Yamaguchi, Y Yajima and H Yamada, “ A four- component decomposition of

POLSAR images based on the coherency matrix ”, IEEE Geoscience and Remote

Sensing Letters, 2006, 3(3): 292-296

[6] S R Cloude Polarisations, “ Applications in remote sensing ”, Oxford University,

2010

[7] J Lee and E Pottier, “ Polarimetric Radar Imaging: from basic to applications”,

Taylor and Francis Group 2009

[8] Bin Zou, Da Lu, Hongjun Cai and Ye Zhang, “ Ground topography estimation over

forests using PolInSar image by means of coherence set”, Image Processing (ICIP),

2011 18th IEEE International Conference on

[9] Hongzhong Li, Qingquan Li, Guofeng Wu, Jinsong Chen, and Shouzhen Liang, “

Adaptive Two-Component Model-Based Decomposition for Polarimetric SAR Data Without Assumption of Reflection Symmetry ” IEEE Transaction on Geoscience and

Remote Sensing, 2016

[10] S R Cloude and K P Papathanassiou, “ Polarimetric SAR interferometry”, IEEE

Transactions on Geoscience and Remote sensing, vol 36, no 5, pp 1551–1565,

1998

[11] M Neuman, A Reigber, and L Ferro-Famil, “PolInSAR coherence set theory and

application”, Proceeding of EUSAR, 2006

[12] S.R Cloude, “Polarization application in remote sensing”, Oxford University Press,

New York , 2009

[13] M Williams, “ Polsarprosim: a coherent, polarimetric sar simulation of forest for

polsarpro ” http//earth eo esa.int/polsarpro/SimulatedDataSources html, 2006

[14] Nghia Pham Minh, Bin Zou, Yan Zhang and Vannhu Le, “ General three- layer

scattering model for forest parameter estimation using single-baseline polarimetric interferometry synthetic aperture radar data”, Journal of Applied Remote Sensing,

Vol.9, pp.1-18, 2015