论文部分内容阅读
对森林和农业植被的监测不仅为生产管理提供了有用的信息,而且是全球气候变化和碳循环研究的重要内容。遥感技术是一种快速获取大范围植被信息的有效手段。合成孔径雷达(SAR,Synthetic Aperture Radar)遥感因其全天时、全天候的成像能力,已经成为光学遥感的有益补充,有时甚至是数据获取的唯一手段。各种新型的SAR传感器相继升空,为微波遥感的应用和研究提供了前所未有的潜力和机遇,也给数据处理和应用方法提出了挑战。面对越来越多新型的SAR数据,如何根据特定目标,选择最有效的数据(或数据特征)和数据处理方法从中提取信息?对于SAR图像分类研究,应从两个方面入手:一是基于对电磁波与地物作用的物理机制的理解,正确地认识图像包含的信息,指导我们进行分类数据选择和特征提取;二是发展高效、稳定的分类器。本文以森林和水稻两类植被识别和面积制图为目标,开展利用多维度SAR数据地物分类方法研究,对感兴趣地类的SAR后向散射特征、干涉相干性特征和极化SAR提供的散射机制特征进行全面地分析,发展有效的分类算法。主要研究内容和取得的成果如下:(1)以认识遥感数据包含的信息为目的,总结了相关的雷达遥感的基本理论。SAR图像的分类策略应该建立在对SAR图像信息的认识和理解之上。雷达遥感的基本原理是电磁波与自然环境的相互作用过程,影响雷达后向散射的因素包括电磁波参数和目标物参数。本文分析了雷达波与地物相互作用的物理机制,介绍了雷达后向散射系数、相干斑和干涉相干性的统计特性,还介绍了SAR图像处理的基本原理和处理方法。这些理论总结为本文后续研究奠定了基础。(2)以森林识别为目的,基于星载SAR数据开展了基于规则的分类方法研究。基于规则的分类方法以对蕴含在观测中的物理过程的理解为基础。对两个波段(C和L波段)、多时相、多入射角和多极化的SAR和干涉SAR数据进行分析,全面总结了森林的SAR图像特征,对SAR图像森林识别数据和特征的选取提供了参考。发展了利用ALOS PALSAR双极化数据的后向散射强度和干涉相干性进行森林区域识别的基于规则的分类方法。总体分类精度为78.36%,林地的生产者精度和用户精度分别为62.02%和82.12%。防护林的识别精度达到了93%。达到了满意的制图精度,具有很好的应用前景。(3)对L波段SAR水稻的布拉格散射现象和相应的分类识别方法进行了研究。从某些水稻田在ALOS PALSAR图像上表现出的极强的后向散射这一物理现象入手,逐步分析产生该现象的物理机制-布拉格共振。基于对这一物理机制的理解,提出利用L波段SAR图像进行水稻识别的数据选择与分类方法。本文认为利用L波段HV极化SAR数据可以进行水稻制图,在以往的研究基础上前进了一步,这是本文的一个创新点。该方法在本文实验区达到了86%的制图精度,值得推广。(4)发展了一种面向对象的极化SAR数据分类方法。利用面向对象的分类方法达到了SAR图像斑点噪声抑制的效果。并引入了鉴一种将极化协方差矩阵转换成服从高斯分布的九个强度量表示的方法,应用光学遥感领域的多分辨率分割技术和面向对象分析技术对全极化SAR数据进行分类。结果表明该面向对象的分类方法不仅优于基于像元的方法,且能达到很好的分类精度。该方法为SAR图像分类技术提供了一种新的途径。