Retrieving surface roughness and soil moisture from synthetic aperture radar (SAR) data using neural networks

Abstract

An inversion technique based on neural networks has been implemented to estimate surface roughness and soil moisture over bare fields using European Remote Sensing (ERS) and RADARSAT data. The neural networks were trained with a simulated data set generated from the integral equation model. Later the networks were applied to a field data set spanning a wide range of surface roughness and soil moisture, with backscattering coefficients for three radar configurations (VV 23°, HH 39°, and HH 47°). Approaches based on two and three radar image configurations were examined and tested. Although the three-image configuration produces slightly more accurate results, a two-image configuration gives results of comparable accuracy when a favourable combination of incidence angles is adopted. The introduction of a priori information on the range of soil moisture (mv) improves mv estimation. Soil moisture and surface roughness errors were estimated at about 7.6% and 0.47 cm, respectively, using the root mean square error (RMSE).

Une technique d'inversion basée sur les réseaux de neurones a été mise en œuvre pour estimer, à partir d'images radar de type ERS et RADARSAT, la rugosité et l'humidité de surface des sols nus en zones agricoles. Les réseaux de neurones ont été entraînés sur une base de données simulées à partir du modèle de rétrodiffusion IEM (integral equation model). Ensuite, les réseaux ont été appliqués sur des données réelles de rugosités, d'humidités, et des coefficients de rétrodiffusion issus de trois configurations radar (VV 23°, HH 39° et HH 47°). Des approches basées sur deux et trois configurations d'images radar ont été examinées. Bien que la configuration utilisant trois images produise des résultats légèrement plus précis, une configuration de deux images donne des résultats comparables quand une combinaison favorable des angles d'incidence est adoptée. L'introduction d'une information a priori sur l'humidité du sol (mv) améliore l'estimation de celle-ci. Les deux paramètres de surface ont été estimés avec une erreur quadratique moyenne d'environ 7,6% pour l'humidité et 0,47 cm pour la rugosité.