Multitemporal polarimetric RADARSAT-2 SAR data for urban land cover mapping through a dictionary-based and a rule-based model selection in a contextual SEM algorithm

Abstract

This paper presents a dictionary- and rule-based model selection approach in an adaptive contextual semi-supervised algorithm for improving urban land cover classification using high-resolution multitemporal RADARSAT-2 polarimetric SAR (PolSAR) data. Six-date PolSAR data were acquired from June to September, 2008, over the Greater Toronto Area. Contextual information and the capabilities of different PolSAR distribution models were explored by the spatially variant Finite Mixture Model (FMM) with an adaptive Markov Random Field (MRF) in a Stochastic Expectation–Maximization (SEM) algorithm. This algorithm can obtain homogenous results while preserving shape details in the complex urban environment with high accuracy. Commonly used PolSAR distribution models such as Wishart, G0p, Kp, and KummerU were compared through the proposed approaches for urban land cover mapping. According to a Goodness-of-Fit test based on Mellin transformation, an accurate PolSAR distribution model could be selected with the dictionary-based classification. However, the results showed that improvement from the dictionary-based approach was limited. Therefore, further improvements were expected by exploring expert knowledge. The initial results showed that G0p and KummerU performed better for distinguishing between low density built-up areas and forest. G0p, Kp, and KummerU are better for the low scattering classes. The Wishart model has superior capacity in separating high density built-up areas and the adjacent roads. Based on such knowledge, a set of rules was developed to integrate the advantages of alternative models. Significant improvement on the overall classification accuracy could be observed by this rule-based approach. The biggest improvement was achieved using the HD–Road rule on the G0p model with the best overall classification accuracy at 89.99% (kappa: 0.87). This represented 4.1% (kappa: 0.045) improvement over that of G0p without model selection.

Cet article présente un modèle appelé «dictionnary-based» et un modèle appelé «rule-based» qui est une approche sélètive d'une adaptation contextuelle semi-supervisé d'algorithme pour améliorer la classification de la couverture terrestre urbaine à l'aide de données issues d'une haute résolution multitemporelles RADARSAT-2 polarimétriques SAR (PolSAR). Les données des six jours de PolSAR ont été acquises entre Juin et Septembre 2008, sur la région du Grand Toronto. L'information contextuelle et les capacités des différents modèles de distribution de PolSAR ont été explorées par un variant spatial modèle de mélange fini («Finite Mixture Model») avec un champ aléatoire adaptatif de Markov («Markov Random Field») dans un algorithme SEM («Stochastic Expectation-Maximization»). Cet algorithme peut obtenir des résultats homogènes, tout en préservant les détails dans le complexe urbain environnemental avec une grande précision. Les propriétés du modèle de distribution PolSAR comme Wishart, G0p, Kp et KummerU ont été comparées selon des approches proposées pour la classification de la couverture terrestre urbaine. Selon un test de validité de l'ajustement «Goodness-of-Fit» basé de la transformation de Mellin, le modèle précis de disribution PolSAR pourraient être sélectionné avec la dictionnaire-basée classification.Cependant, les résultats ont montré que l'amélioration de l'approche dictionnaire-basée était limitée. Donc, des améliorations sont attendues en exploitant le savoir des experts. Les premiers résultats ont montré que G0p et KummerU étaient mieux pour permettre la distinction entre les zones bâties de faible densité et les forêts. G0p, Kp et KummerU sont meilleurs pour les classes de diffusion faible. Le modèle Wishart a une capacité supérieure à séparer les zones bâties de haute densité et les rues adjacentes. Sur la base de ces connaissances, une série de règles a été élaborée pour intégrer les avantages des modèles alternatifs. Une amélioration significative sur la précision de la classification globale pourrait être observée par de telles règles d'approche. La plus grande amélioration ont été obtenue en utilisant la règle HD–Road sur le modèle G0p avec la meilleure précision de classification globale à 89,99% (kappa: 0.87). Ceci représente 4,1% (kappa: 0.045) d'amélioration par rapport à G0p sans le modèle de sélection.

Acknowledgements

The authors thank the Swedish National Space Board for funding this research and the Canadian Space Agency (CSA) for providing the RADARSAT-2 polarimetric SAR data through the CSA's SOAR program.