极化干涉SAR森林高度反演方法研究

在分析随机体散射体/地表二层(RVoG)散射模型的基础上,利用德国宇航局机载SAR系统(ESAR)获取的POLInSAR数据和森林高度地面观测数据,对多种已有的森林高度反演模型进行了比较评价,从物理机制上对试验结果进行了分析、解释,进而发展了一种基于极化相干优化和非体散射去相干补偿的综合反演方法,实验结果表明,基于该方法的树高反演效果总体上优于其他方法。     

随机森林回归模型的悬浮泥沙浓度遥感估算

三峡工程蓄水以来,清水下泄,坝下游河段发生了长时间、长距离的沿程冲刷,河流悬浮泥沙浓度发生改变,给沿岸生态系统带来了不利影响。随机森林算法灵活、稳健,已被广泛应用于各类生态环境变量的回归预测分析,但其在水体悬浮泥沙浓度估算方面的能力尚未得到充分认识。基于泥沙站点监测数据和MODIS卫星遥感反射率数据,通过构建随机森林非参数回归预测模型,对三峡工程坝下游宜昌至城陵矶河段在建坝前后14年间(2002年—2015年)各月的悬浮泥沙浓度进行遥感估算。研究表明:(1)基于随机森林的悬浮泥沙浓度估算模型表现较好,模型预测值与实测值间相关性好、预测精度高,优于其他模型(线性回归、支持向量机、人工神经网络模型)。(2)在参与模型构建的MODIS波段变量中,红波段被认为是最重要的预测变量,但不能单独使用它进行预测,悬浮泥沙遥感预测需要多变量共同参与。(3)将悬浮泥沙数据按季节分类所构建的随机森林模型,其平均误差为0.46 mg/L,平均相对均方根误差为12.33%,估算效果最优,能够满足较高精度下悬浮泥沙浓度估算的需求。综上,可以考虑以季节为划分依据,用随机森林回归模型估算悬浮泥沙浓度,并用于后期坝下游河道悬浮泥沙浓度时空反演。     

随机森林遥感信息提取研究进展及应用研究

随机森林算法已经应用于遥感影像信息提取领域,但鲜有对其应用发展的总结和归纳.本文介绍了随机森林分类方法的基本原理,并阐述其在多源遥感数据(多光谱数据、高光谱数据、SAR数据)信息提取以及分类数据集筛选中的应用研究,通过说明其在分类精度验证、模型可移植性以及算法改进等方面的研究进展,对随机森林分类方法在今后的发展进行了展望.该研究有助于初学者对随机森林分类方法进行初步了解,有一定的推广作用.     

U-net模型在高分辨率遥感影像水体提取中的应用

选择安徽省巢湖流域为研究区,采用U-net模型和随机森林模型,对高分一号(GF-1)高分辨率遥感影像进行水体信息提取,并对比分析了2种模型的水体提取结果和效率。结果表明:①对于大面积水体,2种模型的水体提取结果均具有较高的精度;②对于小面积水体,随机森林模型水体提取结果存在较多细碎图斑,U-net模型水体提取结果和人工目视解译结果更加符合;③对于遥感影像中城市建筑物阴影和山体阴影,U-net模型能较好地消除阴影影响,正确提取水体,而随机森林模型存在较多将阴影误分为水体的现象;④总体来看,在复杂地表覆盖类型条件下,U-net模型提取水体的总体精度为98. 69%,Kappa系数为0. 95,均高于随机森林模型,在2种模型漏分误差相当的情况下,U-net模型错分误差远小于随机森林模型。U-net模型避免了人工提取分类特征的过程,自动化程度更高,训练效率较高,适用于遥感影像中水体高精度提取。     

不同方法对冬小麦地块级估产的适用性研究

为了探究不同估产模型对冬小麦估产的精度和适用性,提高像元级和地块级冬小麦估产精度.利用机器学习方法支持向量机(SVM)模型、随机森林(RF)模型和深度学习方法长短期记忆(LSTM)模型,对冬小麦进行产量预估.结果表明:在像元级上,LSTM模型、RF模型估产精度高于SVM模型,LSTM模型不仅能够表征作物在生育期的生长变...     

机器学习算法在森林地上生物量估算中的应用

森林地上生物量是森林生产力的重要评价指标,对其进行高效监测对维持全球碳平衡和保护生态系统具有重要意义。本文首先基于冠层高度模型数据,通过分水岭分割算法得到单木冠幅边界;然后在单木冠幅范围内提取23个LiDAR变量,结合佩诺布斯科特试验森林的87组实测数据,利用随机森林和支持向量机建立森林地上生物量估算模型;最后对样地模型估算的结果进行了比较,讨论了预测结果及其精度。结果表明:本文选用的随机森林模型和支持向量机模型在估算森林地上生物量的应用中获得了较高的精度;并且,随机森林模型在基于机载雷达数据估测森林地上生物量中的估算精度更高,模型泛化能力更强,制图精度也更好,具有更好的适用性。     

超体素随机森林与LSTM神经网络联合优化的室内点云高精度分类方法

针对现有三维点云数据分割分类方法存在分类目标内部不一致的问题,提出一种超体素随机森林与长短期记忆神经网络（long short-term memory,LSTM）联合优化的室内点云高精度分类方法。该方法根据超体素结构具备内部特征一致性的特点,对原始点云进行超体素划分,并以超体素为基本单元进行多元特征计算,搭建室内点云超体素随机森林分类模型,实现点云数据的粗分类。在此基础上,引入LSTM对粗分类的超体素邻域连接关系进行神经网络模型训练与预测,实现超体素粗分类结果的优化。基于开放数据集对所提分类方法进行有效性和精度验证,结果显示,该方法在公开数据集中对13类要素的分类精度可达到83.2%;与经典的深度学习框架相比,该方法在小样本训练时可以达到更优的分类精度。     

机器学习模型的珠江口悬浮泥沙遥感反演与规律分析

本文以珠江口悬浮泥沙水质采样数据及高光谱数据为基础,构建了人工神经网络(ANN)、支持向量回归机(SVR)、随机森林(RF)悬浮泥沙反演模型,结果发现模型预测精度从高到低依次为：RF、ANN、SVR。采用随机森林模型对珠江口悬浮泥沙反演,结果得到珠江口岸悬浮泥沙浓度呈现西高东低,从近岸到离岸逐渐递减趋势。主要是由于珠江口地形为喇叭形,在季风和潮汐共同作用下,珠江口顶部区域受潮汐和风向混合作用强烈。在远离珠江口顶部区域地形较为开阔,各支流径流的悬浮泥沙汇聚堆积在珠江口西南区域,导致珠江口西南区域悬浮泥沙浓度高。     

随机森林反演卫星遥感海表面盐度研究

海表面盐度是描述海洋状态、模拟海洋循环和检测气候变化的重要指标,对海洋研究意义重大。土壤湿度与海水盐度(soil moisture and ocean salinity,SMOS)卫星为全球海表面盐度分析提供了重要数据,但其整体精度尚未达到预期要求。基于海表面盐度遥感机理和SMOS卫星盐度反演基础理论,选取海表面盐度敏感因子,建立随机森林(random forest, RF)模型,并基于网格搜索算法优化模型参数,辅助提高SMOS卫星产品精度。其中基础RF得到的海表面盐度与Argo (array for real-time geostrophic oceanography)数据之间的平均绝对误差为0.08,均方根误差为0.15。而经网格搜索算法优化后的随机森林模型精度稍有所提升,其与Argo数据的绝对平均误差为0.08,均方根误差仅为0.14,且误差分布范围较小。两种模型均显著优于SMOS卫星Level 2级盐度产品。从机器学习与统计学理论出发,建立的高精度、高适应性的随机森林海表面盐度反演模型大幅提高了盐度精度,能够为相关海洋研究提供数据支撑。     

高分辨率遥感影像的随机森林变化检测方法

基于面向对象分析(OBIA)的遥感影像变化检测研究已取得显著的进展,代表了遥感影像变化检测的发展范式,未来是发展更加智能的解译分析方法。随机森林作为一种新的机器学习算法,其预测效果和性能稳定性要优于许多单预测器和集成预测方法。本文充分利用OBIA及随机森林机器学习算法的优势,提出了利用随机森林进行面向对象的遥感影像变化检测。首先基于熵率对影像进行超像素分割,通过最优超像素个数评价指数来获取最佳的影像分割结果,并提取每个超像素在前、后时相影像上的光谱特征和Gabor特征作为随机森林的特征输入数据,用于模型的训练。在初始像素级检测结果之上,自动进行分类样本选择并构建分类器模型,用训练好的模型来提取最终的变化区域。利用Quickbird、IKONOS、SPOT-5等3组多光谱影像进行试验,结果表明,本文方法在变化检测精度上要优于对比方法。     

基于S-RVoG模型的PolInSAR森林高度非线性复数最小二乘反演算法

针对经典的PolInSAR森林高度三阶段几何反演算法在单基线条件容易受到地体幅度比假设以及地形坡度影响的问题,从测量平差角度提出了基于S-RVoG模型的PolInSAR非线性复数最小二乘森林高度反演算法。该算法不再需要假设某一个极化通道地体幅度比为零,且采用考虑地形坡度影响的S-RVoG模型作为平差模型。为了验证算法,本文采用欧空局BioSAR2008项目提供的3景P波段极化干涉SAR数据进行两组单基线森林高度反演试验。结果表明,在单基线条件下,基于RVoG模型的非线性复数最小二乘算法反演结果优于三阶段几何反演算法,而基于S-RVoG模型的非线性复数最小二乘算法进一步提高反演精度,对于坡度较大区域（坡度>10°）,精度平均提高了18.48%。     

Underlying topography extraction over forest areas from multi-baseline PolInSAR data

In this paper, the digital elevation model (DEM) for a forest area is extracted from multi-baseline (MB) polarimetric interferometric synthetic aperture radar (PolInSAR) data. On the basis of the random-volume-over-ground (RVoG) model, the weighted complex least-squares adjustment (WCLSA) method is proposed for the ground phase estimation, so that the MB PolInSAR observations can be constrained by a generalized observation function and the observation contribution to the solution can be adjusted by a weighting strategy. A baseline length weighting strategy is then adopted to syncretize the DEMs estimated with the ground phases. The results of the simulated experiment undertaken in this study demonstrate that the WCLSA method is sensitive to the number of redundant observations and can adjust the contributions of the different observations. We also applied the WCLSA method to E-SAR L- and P-band MB PolInSAR data from the Krycklan River catchment in Northern Sweden. The results show that the two extracted DEMs are in close agreement with the Light Detection and Ranging (Lidar) DEM, with root-mean-square errors of 3.54 and 3.16 m. The DEM vertical error is correlated with the terrain slope and ground-cover condition, but not with the forest height.     

融合升降轨的极化干涉SAR三层模型植被高度反演方法

森林参数的获取不仅可以估算地表生物量和林下地形,还有助于研究全球碳循环和分析全球气候变化。极化干涉SAR植被参数反演算法一般是基于随机地体两层模型(RVoG),但是当实际植被有着冠层、树干层和地表层的明显三层结构时,植被参数反演精度就会变差;另外,由于机载SAR系统数据的近距远距垂直向波数差异较大,导致试验结果存在着由其引起的系统误差。针对这两个问题,本文提出了一种融合升降轨的极化干涉SAR三层模型植被参数反演方法。该方法首先采用三层植被RVoG模型修正微波在穿透植被时的散射过程;然后采用融合升降轨道数据的方式削弱其系统误差;最后,采用非线性迭代平差的反演算法来进行植被高度反演。为了验证该方法的有效性,采用了德国宇航局DLR提供的BioSAR2008项目的两景升轨及两景降轨E-SAR P波段全极化SAR数据进行试验,并采用3组反演策略进行比较分析。结果表明,三层植被模型能够更好地描述植被散射过程;同时,新方法有效降低了由垂直向波数引起的系统误差,提高了树高反演精度。     

顾及地形因素的S-RVOG模型和PD相干最优算法联合反演植被高度

针对极化干涉SAR植被高度反演中RVOG模型未考虑地形影响,且三阶段算法受到地面相位估计误差和纯体相干性估计误差影响,提出了一种植被高度反演思路,采用考虑地形因素的S-RVOG模型作为反演模型校正地形影响,同时引入PD相干最优算法用于改善三阶段算法中直线拟合地表相位估计和纯体相干性估计精度。为验证算法的有效性,首先采用欧空局提供的PolSARpro软件模拟了不同地形坡度水平的PolInSAR数据进行仿真试验,然后采用德国宇航局提供的E-SAR机载全极化SAR数据进行真实植被场景测试,并进行了定性和定量分析。结果表明,本文方法对于不同坡度水平数据,均能有效改善传统RVOG反演模型中地形影响和三阶段算法自身误差影响,反演精度更高。     

P波段极化干涉SAR森林高度反演研究

森林高度信息是森林研究必不可少的内容之一,对全球碳循环、森林资源管理以及获取精确的林下地形等具有重要意义。极化干涉SAR技术(PolInSAR)是目前提取森林高度的一种热门的方法,其中,P波段极化干涉SAR由于电磁波的强穿透力使其相比其他波段具有一些独有的特征。文中首先分析P波段极化干涉SAR森林高度反演的优势与不足,然后结合目前主流的森林高度反演算法,提出一种适用于P波段极化干涉SAR高度反演的新方法。该方法通过对非线性迭代算法的初始值进行有效约束,从而解算出相对可靠的消光系数,同时考虑地体幅度比对森林高度的影响,最终得到相对准确的森林高度。最后,将该方法与现有的经典算法及优化算法进行对比,通过对实验结果定性和定量分析,得出在P波段条件下该方法相比三阶段算法精度提高67.5%,相比固定消光系数法精度提高29.8%,验证了该方法的可靠性和优越性。     

极化干涉SAR植被高反演复数最小二乘平差法

提出一种PolInSAR植被高反演的复数最小二乘法。在考虑植被层时间去相干的条件下,将RVoG扩展为RVoG+VTD模型;之后,将模型解算问题概括为复数的实部、虚部联合平差问题,提出了该模型线性化的方法及参数解算方法;最后利用解算得到的更为准确的“纯”体去相干系数反演植被高度。采用覆盖德国Oberpfaffenhofen地区的2景E-SAR L波段数据进行试验并与经典的非线性迭代及三阶段算法进行对比分析。结果表明,本文提出的方法结果精度优于其他两种方法,运算效率方面明显优于非线性迭代算法,略低于三阶段算法。     

PolInSAR森林高度反演中方法及波段选择引起的不确定性分析

森林高度是反映森林资源数量和质量的重要参数,极化干涉合成孔径雷达PolInSAR （Polarimetric Synthetic Aperture Radar Interferometry）技术在森林高度反演中极具潜力。由于森林散射特征受波长影响明显,由此引起的散射机理差异使得基于PolInSAR技术反演的森林高度结果具有很大的不确定性。为了定量化该不确定性的影响,本文以模拟森林场景为例,对PolInSAR技术森林高度反演中常用的4种方法——极化相位中心高度估测法、复相干相位中心差分法、复相干幅度反演法以及相干幅度、相位联合反演法,以及它们在常用的4个微波波段P、L、C和X中的森林高度估测结果进行了分析;明确了匀质森林场景中,算法、波段选择引起的森林高度估测结果的不确定性。研究结果表明：在森林场景基本一致的情况下,估测算法的选择直接影响森林高度估测结果,其中复相干幅度反演法在4个波段的估测结果中精度均最高,但各估测点的估测结果离散度及不确定度较大。波长对4类估测方法估测结果的影响差异明显：复相干幅度反演法的反演结果几乎不受波长的影响,而相干幅度、相位联合反演法受波长影响明显,在P和L波段反演结果中精度较高,在C和X波段反演结果中精度降低明显。此外,以传统的交叉极化（HV）相位代表冠层散射相位中心,水平同极化与垂直同极化的相位差（HH-VV）代表地表散射相位中心,采用复相干相位中心差分法进行森林高度估测会出现严重低估现象。估测结果不确定度具有波长和算法选择依赖性,在C和X波段采用复相干相位中心差分法估测结果不确定度最低,在P和L波段采用极化相位中心高度估测法估测结果不确定度最低,而复相干幅度反演法估测结果则在多个波段中的不确定度均最高。     

植被高度的极化干涉互协方差矩阵分解反演法

经典三阶段极化干涉SAR植被高反演算法中地面散射相位估计不准确,从而导致植被高反演精度存在偏差。针对这一关键问题,本文提出基于极化干涉互协方差矩阵分解的植被高度反演新方法。该方法利用Freeman分解理论和极化干涉互协方差矩阵,估计出更准确的地面散射相位;然后,结合RVOG模型反演植被高度。利用欧空局（ESA）的软件PolSARpro模拟的L波段极化SAR数据和亚马逊森林地区的ALOS PALSAR L波段数据进行实验,结果表明本文提出的新算法提取的植被高度相比经典三阶段法精度更高,从而验证了算法的有效性和可靠性。     

利用极化合成孔径雷达干涉测量技术生成DEM

极化合成孔径雷达干涉测量(PolInSAR)是目前雷达遥感的前沿领域之一,它综合了极化和雷达干涉技术(InSAR)的特点.文中应用极化干涉相干最优化技术处理了Amazon雨林地区的真实L波段PALSAR全极化数据,得到该地区的数字高程模型(DEM).与常规的单极化InSAR技术进行对比,证明了利用极化干涉技术可以显著提...