摘要

全极化合成孔径雷达(PolSAR)通过主动收发不同极化方式的微波信号,可为全天时、全天候获取洪涝受灾信息提供有利的数据支持。然而,传统基于PolSAR影像的洪涝灾害监测方法受相干斑噪声影响严重,且洪涝灾害引发的变化类与非变化类的类别不平衡易导致灾害监测精度低。针对以上问题,本文提出了一种基于改进HLT与深度学习的双时相PolSAR洪涝灾害监测新方法。首先,通过构建一种顾及邻域信息的改进Hotelling-Lawley迹(HLT)统计量算子,减少PolSAR影像相干斑噪声及空间异质性对差异影像生成的影响;其次,为解决洪涝受灾区域变化类样本不足及变化类与非变化类不平衡的问题,引入双阶段中心约束FCM(TCCFCM)算法与深度卷积对抗生成网络(DCGAN)模型,形成一种稳健的洪涝灾害样本选择与扩充方法;最后,通过构建一种深度卷积小波神经网络(DCWNN)模型实现洪涝灾害精确监测。为了验证本文方法的可行性与鲁棒性,本文选取了2016年7月武汉梁子湖与严东湖洪涝灾害发生前后Radarsat-2影像进行实验。定性与定量评价结果表明:相对于传统的洪涝灾害监测方法,本文方法综合降低洪涝灾害监测的虚警率与漏警率分别为2%及1.5%左右,而监测洪涝灾害的总体精度与Kappa系数可分别提升3%及0.02左右,为相关部门应急救灾等工作提供技术支持。