基于全极化SAR数据和多维特征选择的植被覆盖度估算模型优化研究

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Estimation of Fractional Vegetation Cover From Fully Polarimetric SAR Data via Multi-Dimensional Feature Selection and Model Optimization

本研究针对光学遥感易受天气影响、全极化SAR数据特征挖掘不足的问题，提出融合ET-GA特征选择和黑鸢优化算法(BKA)的FVC估算框架。通过32个极化特征提取和1DResNet深度学习模型，实现了R2=0.9512的高精度估算，为多云雨区植被监测提供新方案。

　　

在生态环境监测领域，植被覆盖度(Fractional Vegetation Cover, FVC)作为衡量地表植被状况的关键指标，如同生态系统的"脉搏"一般重要。传统光学遥感虽能有效监测植被，却常常在云雨天气"失明"，难以满足连续观测需求。而合成孔径雷达(Synthetic Aperture Radar, SAR)凭借其全天候观测能力，有望突破这一瓶颈。然而，现有研究面临两大挑战：全极化SAR数据中丰富的高维特征未能充分挖掘，且模型估算精度亟待提升。

针对这一难题，河南大学研究团队在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》发表了一项创新研究。他们以Radarsat-2全极化SAR数据为基础，设计了一套融合智能特征选择和模型优化的FVC估算框架。该研究首次将精英保留策略和锦标赛选择遗传算法(ET-GA)应用于SAR特征选择，并采用受黑鸢捕食行为启发的优化算法(BKA)对六种回归模型进行超参数调优。

研究团队选取河南开封典型农区作为实验区，该地区包含冬小麦-大蒜轮作等复杂种植模式，为验证方法普适性提供了理想场所。通过多时期Radarsat-2和Sentinel-2数据同步采集，结合ESA世界覆盖产品去除非植被区干扰，构建了170个样本 polygon 的验证数据集。

关键技术方法主要包括：首先采用Paul、Cloude-Pottier、Freeman等五种极化分解方法提取32个特征参数；随后通过ET-GA算法筛选关键特征，并与递归特征消除(RFE)方法对比；最后运用BKA算法优化随机森林(RF)、支持向量回归(SVR)、K近邻(KNN)三种传统机器学习模型，以及一维卷积神经网络(1DCNN)、一维残差网络(1DResNet)和柯尔莫哥洛夫-阿诺德网络(KAN)三种深度学习模型。

特征选择结果

通过ET-GA算法从32个特征中优选出的13个特征包括：1mHmA、Alpha、Entropy、Free_vol、HV、λ₁、Pauli_b等。最大信息系数(MIC)分析显示，ET-GA所选特征间相关性显著低于RFE方法，有效避免了多重共线性问题。特别发现VV、Pauli_b、λ₁等五个特征与FVC的相关系数超过0.5，证实了SAR数据对植被覆盖的敏感性。

模型性能评估

六种BKA优化模型中，1DResNet表现最优，其R²达0.9512，RMSE为0.0751，RPD值为4.5281。对比分析显示，深度学习模型普遍优于传统机器学习方法，其中SVR模型在低值区存在明显高估现象。空间分布验证表明，1DResNet在冬小麦区、麦蒜套种区等复杂场景下均能保持稳定精度，显著优于其他模型。

时序监测应用

基于最优模型生成的2020年3-5月FVC图谱成功捕捉了作物生长动态。3月15日冬小麦处于返青后期，FVC值明显高于大蒜种植区；4月8日随着作物进入拔节期，全区FVC整体上升；至5月2日抽穗期，FVC达到峰值。这一时序监测能力验证了方法在复杂农业景观中的适用性。

研究结论表明，全极化SAR数据通过合理的特征提取和模型优化，能够实现精度达R²=0.9512的FVC估算。ET-GA特征选择方法较传统方法减少38.9%特征数量的同时，关键信息保留更完整。1DResNet模型凭借残差连接结构，在深层特征表征和非线性关系捕捉方面展现独特优势。

讨论部分指出，C波段全极化SAR的散射机制参数（如Alpha、熵值）与植被结构特征存在显著物理关联，为FVC估算提供了理论依据。BKA优化算法通过模拟黑鸢的攻击-迁移行为，实现了超参数搜索效率与精度的平衡。研究还发现，在低植被覆盖区和作物混种区仍存在估算偏差，未来可通过分区建模和时序特征融合进一步提升模型鲁棒性。

该研究的重要意义在于首次构建了融合智能优化与深度学习的全极化SAR植被监测框架，为多云雨区生态环境动态监测提供了可靠的技术支撑。所提出的ET-GA-BKA-1DResNet方法体系，不仅推动了SAR遥感在植被参数反演中的应用深度，也为其他地表参数遥感估算提供了可借鉴的方法论范式。