多时相双极化合成孔径雷达干涉测量土地覆盖分类方法

综合采用时相、极化和干涉3种维度的SAR数据进行土地覆盖分类。以黑龙江省逊克县多时相ALOS PALSAR数据覆盖区为研究区,利用不同时相极化SAR、干涉SAR信号对地物特征的敏感性,结合后向散射强度和干涉相干的时变特征进行地物解译,发展了基于多时相、多极化、干涉SAR数据的SVM土地覆盖分类方法。研究结果表明,引入双极化SAR中不同极化(HH-HV)间的相干系数,并结合所选择的时相特征、极化特征以及干涉相干特征进行分类,可解决双极化SAR影像中林地与城市及建设用地的混分问题,得到更高精度的土地覆盖分类结果。     

基于MODIS数据的植被指数分析

针对宏观土地覆盖遥感分类的现状,充分利用MODIS相对于AVHRR数据具有的多光谱和分辨率优势,提出了利用MODIS数据进行分类特征选择与提取并结合多时相特征进行宏观土地覆盖分类的分类方法,并进行了分类试验。     

多时相全极化SAR数据融合方法与土地覆盖分类研究

结合多时相和全极化SAR数据在地表覆盖分类中的优势,通过融合多时相全极化SAR数据,降低雷达图像上斑点噪声的影响,开展土地覆盖分类研究。以贵州扎佐林场大约12 km×17 km的区域为研究区,使用6个不同时期的RADARSAT-2全极化数据进行地表覆盖分类研究。研究结果表明:不同地物的后向散射机制有很大区别,且对应的后向散射系数随时间的变化规律也各不相同;该方法能有效区分人工建筑、森林、农田和水体等地物,斑点噪声得到有效抑制,图像质量,特别是视觉效果大为改善。     

基于土地覆盖图斑的多时相遥感影像自动配准方法

针对点、面方法仅利用了遥感影像几何特征和部分波段的灰度特征进行多时相遥感影像配准的不足,本文提出了一种利用稳定土地覆盖图斑的多时相遥感影像自动配准新方法,充分利用遥感影像多光谱信息和大量存在的稳定土地覆盖图斑信息进行图像配准,并且选取了土地覆盖年际变化最为强烈的农业种植区作为实验区,分别利用了同一传感器和不同传感器不同时相的遥感数据开展了实验研究。两次试验中,配准精度分别达到了0.57个像元、0.65个像元。实验结果表明,本文提出的方法能够有效地筛选出满足图像配准的同名图斑,具有较高的配准精度和适用性,提高了遥感影像的配准效率。     

基于多时像TM/ETM+影像的兖州市土地利用/覆盖变化

本文利用多时相Landsat TM/ETM+影像分析了兖州市1998年和2002年的土地利用/覆盖变化。综合考虑波段间相关系数和OIF指数,选择最佳波段组合进行图像解译,并在此基础上运用最大似然分类器(MLC)和支持向量机(SVM)的分类方法对遥感影像进行分类。进而利用SVM分类结果进行土地利用遥感动态监测,获取兖州市土地利用/覆盖变化信息,并与社会经济统计资料的统计结果进行比较。最后提取TM/ETM+影像的RDVI,基于线性混合像元分解模型分析了植被覆盖的变化。结果表明,基于多时相TM/ETM+影像分析的土地利用/覆盖变化与实际统计数据较吻合,适合动态监测土地利用变化,且精度较高。     

栈式稀疏自编码网络的多时相全极化SAR散射特征降维

利用极化合成孔径雷达（PolSAR）能够实现地物的识别和分类,而多时相全极化SAR可以获取地物更多的散射特征,提升地物识别精度,但高维散射特征的引入会带来严重的维数灾难问题。为了实现对高维散射特征的有效降维,本文提出一种基于栈式稀疏自编码网络S-SAE（Stacked Sparse AutoEncoder）的多时相PolSAR散射特征降维方法。该方法首先对PolSAR数据进行极化目标分解以获取高维散射特征;然后使用S-SAE对获取的多维特征进行降维处理,其中S-SAE降维方法首先采用无监督训练方式进行逐层贪婪训练;再结合Sigmod分类器,利用监督训练的方式对S-SAE进行参数优化,实现高维特征的有效降维;最后以降维后的特征作为支持向量机（SVM）和卷积神经网络（CNN）分类器的输入,实现地物分类。通过仿真和实测的两组多时相Sentinel-1数据处理结果表明,双隐层的S-SAE降维方法在各分类器上均取得最优的降维效果;对比各降维方法在SVM分类器上的分类精度,S-SAE较于局部线性嵌入（LLE）与主成分分析（PCA）降维方法,总体分类精度分别至少提升了9%和14%;在CNN分类器上,S-SAE较于LLE与PCA降维方法,总体分类精度分别至少提升了7%和9%。     

散射模型的多时相极化SAR斑点噪声滤波算法

本文提出了一种基于散射模型的多时相极化SAR数据斑点噪声滤波算法,该方法是利用多时相极化SAR数据,在保持像元主散射特性基础上实现斑点噪声抑制。其基本原理是对多时相极化SAR数据的主辅影像进行分类,并通过统计主辅影像中待滤波像元邻域窗口内类别分布情况自适应地选取参与滤波的像素进行滤波。实测数据的实验结果表明,该方法既能够有效地抑制斑点噪声,又能够良好地保持地物散射特性和边缘纹理特征。     

水稻时域散射特征分析及其应用研究

通过对肇庆试验区1996年和1997年获取的多时相、多模式雷达卫星（RADARSAT）数据分析,从图像上直接提取地物的后向散射系数,结合实地测量水稻的生长结构参数,建立了水稻生长模型,分析了不同生长周期（从80天到120－125天）4种类型水稻的时域散射特性。利用1997年4月至7月获取的7景标准模式雷达卫星数据,对试验区内三个县和两个行政区共5000km^2面积范围内的作物进行分类和水稻产量预估算,水稻类型分类及面积量算精度达91％。结果表明：利用雷达遥感数据进行水稻种植面积量算和估产需要水稻生长期间三个时相的数据,即插秧期、抽穗期、收割前期。若能够获得多参数雷达图像,可以用插秧期和收割前期的两个时相图像来代替上述的三个时相图像同样可以达到种植面积量算和估产的效果。这一结果充分说明多时相雷达卫星数据对我国南方水稻长势监测及估产具有明显优势和潜力。     

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。     

多源多时相遥感数据面向对象海岛识别方法探讨

遥感技术在新一轮全国海岛调查中得到广泛而深入的应用。针对目视解译方法的不足,采用面向对象的自动分类方法实施海岛专题信息提取。对多源多级遥感图像数据和多时相高分辨率光学图像数据,分别采取了不同的小目标识别与伪信息剔除策略。实验结果表明,不论融合高分辨率雷达图像数据与多光谱光学图像数据,还是直接利用多时相高分辨率光学图像数据,面向对象的自动分类方法均能够达到较高的海岛识别能力与识别精度。     

Backscatter coefficient as an attribute for the classification of full-waveform airborne laser scanning data in urban areas

Airborne laser scanning (ALS) data are increasingly being used for land cover classification. The amplitudes of echoes from targets, available from full-waveform ALS data, have been found to be useful in the classification of land cover. However, the amplitude of an echo is dependent on various factors such as the range and incidence angle, which makes it difficult to develop a classification method which can be applied to full-waveform ALS data from different sites, scanning geometries and sensors. Additional information available from full-waveform ALS data, such as range and echo width, can be used for radiometric calibration, and to derive backscatter cross section. The backscatter cross section of a target is the physical cross sectional area of an idealised isotropic target, which has the same intensity as the selected target. The backscatter coefficient is the backscatter cross section per unit area. In this study, the amplitude, backscatter cross section and backscatter coefficient of echoes from ALS point cloud data collected from two different sites are analysed based on urban land cover classes. The application of decision tree classifiers developed using data from the first study area on the second demonstrates the advantage of using the backscatter coefficient in classification methods, along with spatial attributes. It is shown that the accuracy of classification of the second study area using the backscatter coefficient (kappa coefficient 0.89) is higher than those using the amplitude (kappa coefficient 0.67) or backscatter cross section (kappa coefficient 0.68). This attribute is especially useful for separating road and grass.     

Envisat ASAR数据在沿海防护林提取中的应用

沿海防护林的建设与生态环境和经济发展密切相关。本文以福建省漳浦县沿海防护林地区为例,利用2005年多时相、多极化的ENVISATASAR(Environmental Satellite Advanced Synthetic Aperture Radar)数据,分析了典型地物后向散射极化和时间特性。沿海防护林的后向散射随时间变化较小,VV极化能较好的体现沿海防护林的表面形态和特征,VH极化可以将水体和沿海防护林很好的区分开来,植被间的差异在HH极化中得到较好的反映。针对不同的极化组合情况,采用面向对象的方法提取沿海防护林信息,并对提取结果进行了对比分析,认为多极化的数据更有利于防护林信息的提取。     

Measures of spatio-temporal accuracy for time series land cover data

Remote sensing is a useful tool for monitoring changes in land cover over time. The accuracy of such time-series analyses has hitherto only been assessed using confusion matrices. The matrix allows global measures of user, producer and overall accuracies to be generated, but lacks consideration of any spatial aspects of accuracy. It is well known that land cover errors are typically spatially auto-correlated and can have a distinct spatial distribution. As yet little work has considered the temporal dimension and investigated the persistence or errors in both geographic and temporal dimensions. Spatio-temporal errors can have a profound impact on both change detection and on environmental monitoring and modelling activities using land cover data. This study investigated methods for describing the spatio-temporal characteristics of classification accuracy. Annual thematic maps were created using a random forest classification of MODIS data over the Jakarta metropolitan areas for the period of 2001–2013. A logistic geographically weighted model was used to estimate annual spatial measures of user, producer and overall accuracies. A principal component analysis was then used to extract summaries of the multi-temporal accuracy. The results showed how the spatial distribution of user and producer accuracy varied over space and time, and overall spatial variance was confirmed by the principal component analysis. The results indicated that areas of homogeneous land cover were mapped with relatively high accuracy and low variability, and areas of mixed land cover with the opposite characteristics. A multi-temporal spatial approach to accuracy is shown to provide more informative measures of accuracy, allowing map producers and users to evaluate time series thematic maps more comprehensively than a standard confusion matrix approach. The need to identify suitable properties for a temporal kernel are discussed.     

多时相ASAR数据的地表覆盖分类研究

本文选择了位于念青唐古拉山脉西段,覆盖范围大约100×100km2的区域,使用四个不同时期内的ASAR图像数据进行地表覆盖分类的研究。研究结果表明,虽然同种类型的地物在同一景雷达图像上的后向散射系数存在一定的差异,但是其后向散射系数随时间的变化规律却是一致的。根据地物后向散射系数的这种时相特征,我们对研究区的地表覆盖进行了分类,结果显示使用该方法能有效地区分草原、草甸、裸岩、水体、终年积雪等。     

水稻时域后向散射特性分析：雷达卫星观测与模型模拟结果对比

利用已有的微波后向散射模型模拟计算了水稻的雷达后向散射特性，分析了一个生长周期内水稻冠层与微波电磁波的相互作用。重点分析植物物理参数对其后向散射特征的影响及其随极化而变化的规律。以及这些特征在整个水稻生长周期中的变化规律。输入后向散射模型的数据包括通过田间测量获取的水稻物理参数。在地面测量的同时或准同时获取了中国广东肇庆试验区的多时相雷达卫星（RADARSAT）遥感图像。雷达卫星观测结果和后向散射模型模拟计算结果的比较分析表明：在水稻的生长过程中，水稻的后向散射特征随其物理参数的周期性变化而变化，并且在不同的极化状态具有不同的变化规律。这从理论上预示了多时相多极化雷达遥感技术进行水稻长势监测的潜力。     

石羊河流域中游景观生态格局变化及驱动分析

以石羊河流域中游为研究区,首先利用多时相、多源遥感图像提取土地利用/土地覆盖信息,根据转移矩阵,定量研究了景观类型的变化趋势、变化面积、变化率及具体的转换类型;提取能够反映景观格局特征的相关指数,分析景观生态格局及景观异质性;最后,对其景观格局变化的驱动因素进行分析。通过本次研究可以增强对石羊河流域中游生态环境的科学认识,对促进该流域的综合治理具有一定的科学和实际意义。     

航空双波段全极化SAR信息分析

ＧｌｏｂｅＳＡＲ是一项有１２个国家参与的大型雷达遥感国际合作研究计划，该文系统叙述了ＧｌｏｂｅＳＡＲ中国项目研究成果，进行了目标物雷达散射特性的极化特性的分析，双波段，全极化数据的处理分析方法研究，给出了该先进机载ＳＡＲ在肇庆试验区农业、林业、地质、水文等方面的结果，同时，进行了雷达卫星数据模拟试验及机载ＳＡＲ和ＲＡＤＡＲＳＡＴ数据的对比，该结果为其后利用雷达卫星数据提供了科学基础。     

Tropical land use land cover mapping in Pará (Brazil) using discriminative Markov random fields and multi-temporal TerraSAR-X data

Remote sensing satellite data offer the unique possibility to map land use land cover transformations by providing spatially explicit information. However, detection of short-term processes and land use patterns of high spatial–temporal variability is a challenging task.We present a novel framework using multi-temporal TerraSAR-X data and machine learning techniques, namely discriminative Markov random fields with spatio-temporal priors, and import vector machines, in order to advance the mapping of land cover characterized by short-term changes. Our study region covers a current deforestation frontier in the Brazilian state Pará with land cover dominated by primary forests, different types of pasture land and secondary vegetation, and land use dominated by short-term processes such as slash-and-burn activities. The data set comprises multi-temporal TerraSAR-X imagery acquired over the course of the 2014 dry season, as well as optical data (RapidEye, Landsat) for reference. Results show that land use land cover is reliably mapped, resulting in spatially adjusted overall accuracies of up to 79% in a five class setting, yet limitations for the differentiation of different pasture types remain.The proposed method is applicable on multi-temporal data sets, and constitutes a feasible approach to map land use land cover in regions that are affected by high-frequent temporal changes.