基于全极化SAR图像的植被信息提取技术研究

发布时间：2017-06-05 00:18

  本文关键词：基于全极化SAR图像的植被信息提取技术研究，，由笔耕文化传播整理发布。

【摘要】：植被是生态系统中的重要组成部分,植被信息的提取对于监测环境变化以实现可持续发展具有重要意义。传统提取植被信息的方法主要是地表实测法和光学遥感技术,地表实测法很难获得准确的植被信息;而光学遥感又易受天气的影响,二者均不能对植被信息进行及时准确的提取。SAR技术的发展为提取植被信息提供了新的手段,其不受云、雨、雾影响的特点,可对植被进行全天时和全天候的监测,而全极化SAR数据为植被信息提取开辟了新途径。本文首先分析了极化SAR的基础理论,然后探讨了基于全极化SAR数据提取植被覆盖信息和反演植被生物量的算法,并将两种算法进行了验证,最后利用两种算法提取复杂地形区域的植被信息。具体工作如下:(1)基于Wishart H/α分类算法实现全极化SAR图像的植被覆盖信息提取。将分类算法应用于达里湖区域的全极化数据,然后基于植被散射机制提取覆盖信息,之后与光学图像进行对比计算提取精度,发现在不同多视处理视数下的植被覆盖信息提取差异较大。通过进行误差分析,改进分类算法,提高植被覆盖信息提取的精度,将原精度54.0%和73.1%分别提高到81.7%和88.0%。(2)基于MIMICS模型模拟的神经网络算法实现全极化SAR图像的生物量信息反演。将地表实测的邛崃区域的水稻生长参数输入MIMICS模型中,生成神经网络的训练样本,然后训练神经网络,建立后向散射系数与生物量间的关系。将建立好的训练网络应用于邛崃区域的全极化SAR图像上,反演研究区的生物量,并利用地表实测生物量值与反演值进行比对,验证算法的精度,得到相关系数为0.921。(3)实现复杂地形的植被覆盖信息提取和生物量反演。选取复杂地形区域为茂县山区,针对复杂地形,需借助DEM进行几何校正,然后利用改进的Wishart H/α分类算法提取植被覆盖信息,之后利用基于MIMICS模型模拟的神经网络算法反演生物量,实现植被覆盖信息的提取和植被生物量的反演,并通过与光学图像对比以及分析两个时相图像的生物量提取结果,得出生物量的变化趋势与植被生长趋势一致,实现了复杂地形区域的植被覆盖和生物量信息的成功提取。
【关键词】：极化SAR 植被 Wishart H/α分类 MIMICS模型 神经网络 生物量
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN957.52;Q948
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 绪论11-18
• 1.1 选题背景和意义11-12
• 1.1.1 选题背景11-12
• 1.1.2 全极化SAR图像的植被信息提取的研究意义12
• 1.2 极化SAR图像植被信息提取技术国内外研究现状12-16
• 1.2.1 极化SAR的研究现状12-14
• 1.2.2 极化SAR提取植被信息的国内外研究现状14-16
• 1.3 主要研究内容16
• 1.4 论文结构16-18
• 第二章 全极化SAR图像植被信息提取的基础理论18-32
• 2.1 SAR原理18-21
• 2.1.1 SAR的成像原理18-20
• 2.1.2 SAR图像的特点20-21
• 2.2 极化电磁波的表征21-26
• 2.2.1 极化椭圆22-25
• 2.2.2 Jones矢量25
• 2.2.3 Stokes矢量25-26
• 2.3 极化散射特性的表征26-31
• 2.3.1 散射坐标系26-28
• 2.3.2 极化散射矩阵28
• 2.3.3 Stokes矩阵28-29
• 2.3.4 协方差矩阵与相干矩阵29-31
• 2.4 本章小结31-32
• 第三章 全极化SAR图像植被覆盖信息提取及验证32-52
• 3.1 全极化SAR图像的目标极化分解和分类算法32-33
• 3.1.1 目标极化分解32-33
• 3.1.2 极化SAR的分类算法33
• 3.2 研究区SAR图像概况及预处理33-36
• 3.2.1 研究区SAR图像概况33-35
• 3.2.2 研究区SAR图像预处理35-36
• 3.3 全极化SAR图像植被覆盖信息提取36-41
• 3.3.1 基于Wishart H/α 分类的植被覆盖信息提取流程36-37
• 3.3.2 全极化SAR图像的分类37-41
• 3.4 研究区植被覆盖信息提取及验证41-46
• 3.4.1 研究区植被覆盖信息提取41-43
• 3.4.2 研究区植被覆盖信息提取的验证43-46
• 3.5 误差分析及改进方法46-51
• 3.5.1 Wishart分类器的分析和改进46-49
• 3.5.2 研究区地物特征的分析49-51
• 3.6 本章小结51-52
• 第四章 全极化SAR图像的植被参数反演及验证52-69
• 4.1 植被生物量反演模型与方法52-57
• 4.1.1 植被生物量反演方法52-55
• 4.1.2 植被微波散射模型55-57
• 4.2 研究区数据获取及处理57-59
• 4.2.1 地面数据测量57-58
• 4.2.2 SAR数据的获取58-59
• 4.3 基于MIMICS模型模拟的神经网络植被生物量反演算法59-62
• 4.3.1 BP神经网络的建立59-60
• 4.3.2 训练样本的生成60-61
• 4.3.3 用BP神经网络进行训练并检验网络精度61-62
• 4.4 研究区植被生物量的反演及验证62-68
• 4.4.1 基于MIMICS模型模拟的神经网络的生物量反演流程62-63
• 4.4.2 全极化SAR图像的植被覆盖信息及后向散射系数的提取63-65
• 4.4.3 全极化SAR图像的生物量反演与验证65-68
• 4.5 本章小结68-69
• 第五章 复杂地形的植被信息提取69-76
• 5.1 研究区概况及预处理69-71
• 5.1.1 研究区地形概况69
• 5.1.2 SAR图像的预处理69-71
• 5.2 研究区植被覆盖信息提取71-72
• 5.3 研究区植被生物量的反演72-74
• 5.4 研究区植被信息提取的验证74-75
• 5.5 本章小结75-76
• 第六章 总结与展望76-78
• 6.1 总结76-77
• 6.2 展望77-78
• 致谢78-79
• 参考文献79-84
• 攻读硕士学位期间取得的研究成果84-85

【参考文献】

中国博士学位论文全文数据库 前1条

1 曹芳;基于Cloude-Pottier分解的全极化SAR数据非监督分类的算法和实验研究[D];中国科学院研究生院（电子学研究所）;2007年

中国硕士学位论文全文数据库 前1条

1 胡昊;极化SAR图像精细地物分类方法研究与实现[D];上海交通大学;2012年

  本文关键词：基于全极化SAR图像的植被信息提取技术研究，由笔耕文化传播整理发布。

本文编号：422512