论文部分内容阅读
森林在全球碳循环及大自然空气调节中发挥着重要作用，对森林分布的监测与制图意义重大。光学遥感在森林提取、识别等资源监测方面意义重大，然而，却存在对多云雨雾地区、短期全覆盖森林数据获取难和森林类型严重的“同谱异物”等问题。合成孔径雷达（SyntheticAperture Radar，SAR）以其全天时、全天候的强穿透成像能力，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。但是，由于SAR斑点噪声、分类方法策略、维度信息量少及森林植被自身复杂特征等各方面的局限，至今未能有比较完善的SAR分类方法体系进行森林类型的细致分类。随着新型SAR传感器的相继升空，微波遥感数据获取方式已由单波段、单极化、单角度等发展到多频率、多极化、多角度以及多时相等综合获取方式，这就为SAR森林分类识别的研究和应用提供了前所未有的机遇和发展潜力。针对现有森林资源调查中森林类型识别技术的局限性，论文综合利用极化、干涉、时相以及极化干涉四种维度的SAR数据进行土地覆盖分类和森林类型分类研究：（1）以黑龙江省逊克县星载多时相ALOS PALSAR数据覆盖区为实验区，利用不同时相极化SAR（PolSAR）、干涉SAR（InSAR）对植被结构变化特征的敏感性，结合后向散射系数与干涉相干性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的SVM土地覆盖及森林类型分类方法。（2）以德国Traunstein地区机载ESAR数据为研究对象，发展了一种将PolSAR与极化干涉SAR（PolInSAR）相结合的森林类型（针叶林、阔叶林）识别方法。首先利用PolSAR数据的散射特征区分森林与非森林，但仅靠极化信息无法有效识别具体的森林类型。为此，论文综合考虑了单幅影像的极化强度信息和两幅像对之间的极化相干信息，引入了全极化SAR数据的干涉信息和同极化差特征参数Co-Pd，分别基于极化干涉T6矩阵和相干优化R矩阵进行最大似然迭代分类。研究结果表明：（1）多时相分类中引入双极化SAR不同极化之间的极化相干系数，结合所选择的时相特征、极化特征以及干涉相干特征，可以解决双极化SAR中林地与城市及建设用地的混分问题，得到更好的土地覆盖分类结果。在森林类型区分中，多时相的平均干涉相干性对有林地、疏林地及灌木林地的识别十分有效；综合运用所选取的多时相干涉、极化比等有效维度信息能很好的突出地物的边缘与结构，更细致地区分不同森林类型。（2）PolInSAR森林类型识别中，基于极化干涉T6矩阵和相干优化R矩阵的最大似然迭代分类均能达到识别针叶林和阔叶林的目的，且本文所发展的基于R矩阵的森林类型识别方法效果最好，类别间的界限也比较清楚。