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。     

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。     

航天飞机极化干涉雷达数据反演地表植被参数

利用基于极化干涉测量的基本原理和相干散射模型。提出了基于模拟加温-退火算法的极化干涉雷达数据地表植被参数的反演算法，首先，对极化干涉测量的基本原理和一个考虑了地表和植被散射的二层相干散射模型进行了阐述。接着，对模拟退火算法的基本理论和基于模拟加温-退火算法的地表植被参数反演模型进行了论述，最后，利用和田地区1994年10月9日和10日的航天飞机SIR-CL波段单视散射短阵复数据进行了地表植被参数反演的计算，将反演结果与实测数据比较，表明该反演算法能以较好的精度获取地表植被的高度。     

基于散射机制分解的ESPRIT植被高度反演新方法

ERPRIT算法估计的地表散射相位由于易受到森林去极化成分的影响而出现较大的偏差,从而导致植被高度反演结果严重偏低.针对这一问题,本文提出一种基于散射机制分解的ESPRIT植被高度反演算法.该算法关键点是利用Freeman分解理论和极化干涉互协方差矩阵估计得到更加准确的地表散射相位,以替代ESPRIT算法估计的地表散射相位,进而改善植被高度反演的精度.最后,分别利用欧空局（ESA）免费发布的PolSARpro软件模拟L波段极化干涉合成孔径雷达数据和PALSAR真实星载数据验证改进算法的有效性.     

目标分解技术在植被覆盖条件下土壤水分计算中的应用

目标分解技术利用协方差距阵的特征值和特征矢量，将极化雷达后向散射测量值分解为单向散射，双向散射和交叉极化散射三个分量，并建立了植被覆盖地表的一阶物理离散散射模型。通过分解的各分量与该模型的比较，建立重轨极化雷达测量数据估算土壤水分的方法，采用Washita‘92实验区多时相全极化L波段JPL/AIRSAR图像雷达测量数据，利用分解的散射测量值，我们评估了在同一入射角，单频（L波段），多路条件下，分解理论在进行土壤水分估计时减少植被影响的能力。结果表明利用目标分解理论和重轨极化雷达数据可以估算植被覆盖区域土壤水分的变化情况。     

基于植被二向性反射统一模型的高分五号FAPAR遥感反演算法

植被光合有效辐射吸收比率（FAPAR）是描述植被光合作用能量交换过程的重要参数，广泛应用于植被长势监测、植被生产力估算、全球变化等研究领域。遥感是大范围获取FAPAR的唯一途径，与多光谱传感器相比，高光谱传感器能更加精确、细致地观测植被的光谱特征，有利于分析植被冠层反射、吸收特性，进而反演植被冠层FAPAR。本文首先在植被BRDF统一模型和FAPAR-P模型的基础上，构建了BRDF-FAPAR统一模型UBFM (Unified BRDF-FAPAR Model)；进而基于高分五号高光谱传感器特征模拟了不同情况下植被冠层反射率和相应的FAPAR；然后运用改进的最佳指数法选择FAPAR反演的特征波段组合；在此基础上，将特征波段反射率与FAPAR模拟结果作为神经网络的输入参数，构建针对高光谱数据的FAPAR神经网络反演算法。研究结果表明，改进的最佳指数法能有效地筛选出FAPAR估算的敏感波段；综合考虑波段信息量和实际影像数据噪声影响，本研究针对高分五号高光谱传感器选择8个波段作为FAPAR反演特征波段。基于UBFM模型构建的神经网络反演精度较高，模拟实验算法误差约为0.014。选择内蒙古呼伦...     

基于神经网络方法的极化雷达地表参数反演

人工神经网络（Artificial Neural Network)是一个由独立处理单元以一定拓扑结构高度连接而成的并行分布式信息处理结构，适于解决各种非线性问题，积分方程（Integrated Equation Model)单散射模型可模拟各种地表参数条件下裸露地表后向散射系数，以IEM为基础生成训练数据，用L波段的C波段SIR-CHH，VV极化单散射后向散射系数数据为神经网络输入，通过后向反馈（BP）神经网络模型可同时反演得到裸露地表条件下地表介电常数，地表相关长度和均方根高度等地表参数。     

基于混合像元分解理论的路域植被等量水厚度遥感反演

为削弱混合像元对植被参数反演的影响,提出了基于混合像元分解理论反演路域植被等量水厚度的方法。利用PRO4SAIL模型正演获得的高光谱窄波段数据,模拟Landsat 8遥感影像宽波段植被冠层光谱数据,并进行等量水厚度的敏感植被指数的筛选;对覆盖研究区域的Landsat 8遥感影像进行线性混合像元分解,获取更加精确的植被冠层光谱反射率;同时,利用支持向量机构建等量水厚度估测模型,实现对路域植被等量水厚度的遥感反演。研究结果表明,利用混合像元分解后得到的植被冠层光谱参与模型反演得到的路域植被等量水厚度更加符合实际情况,为遥感影像反演植被参数提供了有效数据。     

一种自适应的混合Freeman/Eigenvalue极化分解模型

全极化SAR数据的极化分解在土地利用分类、目标检测与识别以及地表参数反演等领域得到了广泛应用。目前,主要有基于特征值分解和基于模型分解2类极化分解方法。混合Freeman/Eigenvalue极化分解结合了两者的优势,避免了基于模型的极化分解中负功率问题并且能够利用已知的散射机制解释分解后的散射分量。为了进一步拓展该分解在不同地表类型中的应用,通过引入参数Neumann一般化体散射模型,提出了一种自适应的极化分解模型。利用德国Black Forest地区的L波段AirSAR(airborne synthetic aperture Radar)全极化数据进行实验,并与现有的Yamaguchi三分量模型和自适应非负分解(adaptive nonnegative eigenvalue decomposition,ANNED)对比分析,以验证模型的有效性。研究表明,自适应的混合Freeman/Eigenvalue极化分解模型保证了分解能量的非负性及完全分解,适应于不同类型的地表,能有效地区分不同地类。     

植被覆盖区土壤水分反演研究——以北京市为例

以北京市为研究区域,联合使用光学遥感数据和雷达数据,对植被覆盖区地表土壤水分进行反演研究。在利用同期光学数据提取出归一化水分指数(normalized differential water index,NDWI)之后,利用water-cloud模型去除植被层在土壤水分后向散射中的贡献,然后考虑到地表粗糙度,在构建后向散射数据库的基础上分别利用HH和HV极化方式的后向散射系数构建土壤水分反演模型,并对反演结果进行对比研究。结果表明,采用HH极化方式反演土壤水分的均方根误差为0.044,相对误差为15.5%;采用HV极化方式反演土壤水分的均方根误差为0.057,相对误差为20.3%;相比而言,HH极化的反演效果更好。     

引入PD极化相干最优的三阶段植被高度反演算法

经典三阶段植被高度反演算法中地表相位和植被冠层相位估计不准确直接影响反演精度,特别是在植被稀疏区域,植被反演效果较差甚至出现反演失败现象。针对这一问题,本文将PD极化干涉相干优化方法引入三阶段植被高度反演中,提出了一种改进的植被高度反演算法。该方法利用PD极化干涉相干优化方法能最大限度分离相位中心的特性能够获得更准确的地表相位和植被冠层相位,从而提高植被高度反演的精度和稳定性。最后,利用ESA BioSAR项目数据进行试验,结果表明该算法相比经典三阶段算法稳定性更高,反演的地表相位、植被冠层相位和植被高度结果更加可靠。     

散射计资料的风场神经网络反演算法研究

建立一种神经网络反演海面风场的算法。该算法以ERS_1/2散射计数据和欧洲中期预报分析风场(ECM-WF)的配准点数据作为神经网络训练和检验数据集。研究表明,该算法具有运行速度快和精度高等特点,反演的风速和风向与C波段第4模型(COMD 4)和ECMWF吻合较好。     

3维场景植被冠层多波段模拟研究进展

植被冠层辐射散射信号中蕴含了丰富的植被信息,通过构建植被冠层辐射散射模型,可以实现植被结构等生物物理参数的遥感定量反演。迄今为止,可见光/近红外、热红外、微波波段均已发展了大量的模型,这些模型在参数反演方面各具优势,但不同波段的模型又有其自身的局限性。跨波段的联合模拟可以实现模型间的优势互补,进而提高地表参数的反演精度,近年来已有学者专注于可见光/近红外与热红外模型,热红外与微波模型,主被动微波模型,以及可见光/近红外与微波模型的联合模拟和协同反演,但多是两两联合,且主要是基于经验模型或解析模型。基于3维场景的植被冠层辐射散射特性模拟模型可以细致刻画不同组分的结构和空间分布特征,对于由植被结构引起的多次散射和组分比例变化的考虑具有优势。本文主要介绍了3维模拟模型在可见光/近红外、热红外和微波波段,以及跨波段联合模拟方面的研究进展,从模型机理、场景统一、以及组分理化参数的统一的角度,探讨了构建多波段3维模拟系统的可行性,展望了多波段3维模拟模型的发展趋势。     

UHV/VHF波段SAR对次地表层土壤湿度探测与反演

首先采用一层非球形粒子植被模型,计算各波段矢量辐射传输方程Mueller矩阵一阶散射解,对比微扰法所得各波段地表粗糙面直接后向散射解,结果证明L波段植被层的散射对观测结果仍有影响,与下垫土壤粗糙表面的散射不易分离.因此,宜采用更低频率的UHF和VHF波段,对地表和次地表层能有较大的渗透深度,并可忽略植被层影响.接着,运用矢量辐射传输的3层土壤全极化Mueller矩阵解,计算UHF/VHF波段分层土壤的散射与传输,分析该两波段探测深度的差异,证实UHF波段可探测大致10-60cm深处的土壤湿度,而VHF波段探测深度能更大一些.根据第3层中土壤体湿度变化0.1时能否引起土壤表面观测的后向散射系数变化0.1dB这一判据,分析VHF波段反演第3层土壤体湿度的必要条件,证实当第2层的体湿度较小时(<0.25)才能反演层3的体温度.基于UHF/VHF两波段探测深度的差异,耗散土壤层的贡献有不同的权重,先后采用UHF和VHF,迭代法实现3层土壤湿度廓线反演.误差分析表明,该方法是有意义的.     

极化方位角补偿信息支持下的植被参数反演

SAR图像中散射目标的散射矩阵受极化方位角(POA)的影响会改变散射体的散射特性,散射矩阵是极化干涉SAR (PolInSAR)估计不同极化状态下复相干性的基础。本文根据极化方位角产生机制,建立了多视情况下基于极化方位角补偿的极化干涉相干性估计模型,分析了极化方位角补偿对相干性估计方法和不同散射机制下相干性估计的影响程度,研究了基于三阶段法与极化方位角补偿的植被参数反演。利用L波段SIRC全极化SAR图像为实验数据验证极化方位角补偿对极化干涉相干性估计和植被参数反演的可行性。实验结果表明,极化方位角补偿能够改变不同极化状态相干性分布规律,提高相干直线拟合精度,改善植被参数反演的可靠性和合理性。     

利用改进三分量分解与Wishart分类的极化SAR图像建筑提取方法

本文针对基于Freeman分解的建筑提取方法存在的问题,提出采用圆极化相关系数实现选择性去取向,同时引入广义体散射模型,构建了面向建筑提取的改进三分量分解模型,以准确分析地物的散射特性。在此基础上,发展了一种综合利用改进三分量分解与Wishart迭代分类算法的极化SAR图像建筑提取方法。使用E-SAR全极化数据的试验结果表明,本文方法能够有效减少建筑与植被的误分,并提高建筑信息提取的准确性。     

利用改进三分量分解与Wishart分类的极化SAR图像建筑提取

本文针对基于Freeman分解的建筑提取方法存在的问题, 提出采用圆极化相关系数实现选择性去取向, 同时引入广义体散射模型, 构建面向建筑提取的改进三分量分解模型, 以准确分析地物的散射特性。在此基础上, 发展了一种综合利用改进三分量分解与Wishart迭代分类算法的极化SAR图像建筑提取方法。使用E-SAR全极化数据的试验结果表明, 本文方法能够有效减少建筑与植被的误分, 并提高建筑信息提取的准确性。     

基于SAR数据的鄱阳湖水体提取及变化监测研究

以C波段Envisat ASAR和L波段ALOS PALSAR交替极化模式的数据为数据源,分析了鄱阳湖主要地物的散射特性,并分别引入纹理特征和不同极化通道间的极化差和极化比等参数增强地物的表征;应用主成分变换对地物的参数向量进行特征提取,增强水体与其他地物的差异,并在第一主成分中选择适当阈值,准确提取出不同时期的鄱阳湖水体信息。实验表明,用上述方法提取水体信息的精度比直接使用地物后向散射系数的监督分类法提取精度要高得多。通过分析和对比上述不同波段SAR数据中水体与其他类别间的Jeffries-Matusita距离可以看出,C波段SAR数据提取鄱阳湖水体的精度比L波段高。并给出了鄱阳湖水体在2007年春、夏和冬3个季节中水域面积的动态变化情况。     

基于神经网络的LAI遥感反演影响因素分析

基于BP神经网络和植被冠层辐射传输模型PROSAIL对LAI进行反演,针对BP神经网络中网络结构设计的关键问题,从网络隐含层层数、隐含层节点数和学习速率等3个方面进行分析与讨论,确定了最佳的BP网络结构,取得了较好的反演结果。     

陆基散射计的水稻空间聚集特性分析

地物的空间分布状态会影响微波后向散射特性,针对因生长特性而无明显行列向的水稻,该文利用L、C双频段全极化后向散射计对水稻整个生长季进行后向散射系数测量,提出了聚集度指数表征这类植被不同时相的空间特性。通过分析不同空间聚集度的水稻散射特性,研究了水稻后向散射系数在高低频的时空响应。实验结果表明,拔苗期至分蘖前期,下垫面土壤散射为主要散射分量时,C波段后向散射响应随着水稻聚集度变化而规律变化,从分蘖后期开始,随着生物量变大植被体散射增加,L波段后向散射相较C波段对空间聚集度响应更为明显。