基于SAR影像数据提取水稻面积的方法研究 ——以海南省早稻为例

发布时间：2022-12-07 01:03

　　海南省属于我国南方地区,利用光学遥感数据进行水稻遥感监测经常受到云、雾、雨的干扰,无法获取有效长时间序列光学遥感数据,就无法精确识别提取水稻。虽然很多研究都在针对光学遥感数据做去云处理、融合多源遥感数据和物候曲线平滑处理等,能降低“云”噪声的影响程度,但是从根本上无法消除“云”噪声的影响,从而限制水稻识别提取的精度。本研究考虑到合成孔径雷达（SAR）数据具备全天时、全天候的优点,但是GF-3等多种多极化合成孔径雷达数据,存在购买数据、增加成本的等一系列问题。因此,本研究选择可免费获取长时间序列、高分辨率的Sentinel-1A雷达数据围绕识别提取早稻种植面积这一科学问题开展详细研究。本研究为了提高早稻种植面积识别提取的精度,以及让同时相不同极化数据或者不同时相同极化数据能较好地反映地物的时域后向散射系数特征的基础上。考虑到水体的时域后向散射系数在各个时期都处于较为平稳、低值的因素,沿用极化差分SAR图像、极化比值SAR图像的思路,对预处理之后的极化SAR数据进行水体归一化比值处理。采用专家知识决策树分类方法（基于样本统计分析的阈值分类方法）实现早稻区域与非早稻区域的分类识别提取研究,以... 

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRAT
1.绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 合成孔径雷达发展历程简述
        1.2.2 国外水稻微波遥感研究现状
        1.2.3 国内水稻微波遥感研究现状
        1.2.4 水稻微波遥感监测方法概述
    1.3 研究思路
        1.3.1 研究内容
        1.3.2 技术路线
2.原理与方法
    2.1 微波遥感
        2.1.1 合成孔径雷达介绍
        2.1.2 后向散射系数
    2.2 微波遥感散射机制
        2.2.1 目标的面散射
        2.2.2 目标的体散射
        2.2.3 水稻的散射模式
    2.3 早稻面积识别提取的方法分析
        2.3.1 早稻遥感监测的方法
        2.3.2 水体归一化比值处理
        2.3.3 监督分类方法
        2.3.4 基于专家知识的决策树分类方法
        2.3.5 精度评价方法
    2.4 本章小结
3.研究区概况、数据材料与预处理
    3.1 研究区概况
        3.1.1 种植结构模式
    3.2 SENTINEL-1A数据介绍
    3.3 水稻物候资料
        3.3.1 水稻物候特征
        3.3.2 研究区早稻种植物候资料
    3.4 样点采集数据
    3.5 Sentinel-2A光学数据和数字高程数据
    3.6 Senitnel-1A数据预处理
        3.6.1 辐射定标
        3.6.2 地形校正
        3.6.3 斑点噪声处理
        3.6.4 地理编码及重采样
    3.7 本章小结
4.早稻面积基于极化SAR数据的识别提取指标分析
    4.1 可分离度分析
    4.2 纹理、色调特征分析
        4.2.1 基于极化SAR数据的纹理、色调特征分析
        4.2.2 基于水体归一化极化SAR数据的纹理、色调特征分析
    4.3 时域后向散射系数特征分析
        4.3.1 基于极化SAR数据的时域后向散射系数特征分析
        4.3.2 基于水体归一化极化SAR数据的时域后向散射系数特征分析
    4.4 早稻面积识别提取的分类方法分析
        4.4.1 早稻面积基于决策树分类方法识别提取的阈值分析
        4.4.2 早稻面积基于监督分类方法的识别提取分析
        4.4.3 早稻面积基于决策树分类方法的识别提取分析
    4.5 本章小结
5.早稻面积基于水体归一化极化SAR数据的识别提取分析
    5.1 早稻面积基于决策树阈值分类方法的识别提取分析
        5.1.1 早稻面积识别提取的方法选择分析
        5.1.2 早稻面积识别提取的数据选择分析
        5.1.3 早稻面积识别提取的纹理、色调特征的时相分析
        5.1.4 早稻面积识别提取的阈值分析
    5.2 结果分析
        5.2.1 混淆矩阵分析
        5.2.2 早稻错分分析
        5.2.3 早稻结果分析
        5.2.4 早稻误差来源
    5.3 本章小结
6.结论与展望
    6.1 结论
    6.2 难点
    6.3 创新点
    6.4 存在问题与展望
参考文献
攻读学位期间获得的学术成果
致谢


【参考文献】：
期刊论文
[1]基于SVM+SFS策略的多时相紧致极化SAR水稻精细分类[J]. 国贤玉,李坤,王志勇,李宏宇,杨知.  国土资源遥感. 2018(04)
[2]基于时间序列Sentinel-1A数据的玉米种植面积监测研究[J]. 李俐,孔庆玲,王鹏新,王蕾,荀兰.  资源科学. 2018(08)
[3]高分三号卫星及应用概况[J]. 刘杰,张庆君.  卫星应用. 2018(06)
[4]基于时变特征的多时相PolSAR农作物分类方法[J]. 郭交,尉鹏亮,周正舒,苏宝峰.  农业机械学报. 2017(12)
[5]基于Radarsat-2的水稻种植面积提取[J]. 单捷,邱琳,孙玲,王志明.  江苏农业学报. 2017(03)
[6]雷达遥感技术在水稻识别中的研究进展[J]. 王松寒,何隆华.  遥感信息. 2015(02)
[7]基于合成孔径雷达的农作物识别研究进展[J]. 王迪,周清波,陈仲新,刘佳.  农业工程学报. 2014(16)
[8]利用Radarsat-2数据基于比值检测的水稻制图[J]. 化国强,李晨,杨沈斌,葛道阔,李秉柏.  江苏农业学报. 2012(06)
[9]基于多极化星载SAR数据的水稻/旱田识别——以江苏省海安县为例[J]. 田昕,陈尔学,李增元,凌飞龙,白黎娜,王琫瑜.  遥感技术与应用. 2012(03)
[10]基于RadarSat-2全极化数据的水稻识别[J]. 李坤,邵芸,张风丽.  遥感技术与应用. 2012(01)

博士论文
[1]微波遥感水稻种植面积提取、生物量反演与稻田甲烷排放模拟[D]. 张远.浙江大学 2009

硕士论文
[1]基于Sentinel多源遥感数据的作物分类及种植面积提取研究[D]. 朱琳.西北农林科技大学 2018
[2]基于Sentinel-1数据的江西省南昌县早稻信息提取研究[D]. 梁瀚月.成都理工大学 2017
[3]基于SAR数据和作物生长模型同化的水稻长势监测与估产研究[D]. 谭正.中国地质大学(北京) 2012



本文编号：3711951