基于合成孔径雷达遥感影像的农作物分类及生物量反演研究
发布时间：2021-05-21 09:47
近年来,随着世界上各类光学及雷达卫星发射数目的快速增长,利用卫星遥感技术获取农作物的分类和生长信息逐渐成为了遥感领域的研究热点之一,在作物普查、长势监测、作物产量估计等方面都有广泛的应用。极化合成孔径雷达工作条件不受云雨天气和光照量的限制,能够稳定提供后向散射数据,被广泛用在对地表植被的散射特性研究之中。本文在总结国内外合成孔径雷达农作物分类和生物量反演研究成果的基础上,对吉林省长春市地区的农作物相关研究进行了深入探索,具体的研究工作和创新成果如下:（1）多时相合成孔径雷达SAR（Synthetic Aperture Radar）数据相比单景数据考虑了地表植被的时间变化性,可以提供更多的散射信息。研究使用C波段GF-3数据结合多时相Sentinel-1 SAR数据作为数据来源,选取中国东北长春市龙嘉镇作为实验区域,对该区域内典型农作物（大豆,水稻,玉米）进行了分类。同时结合GF-3和Sentinel-1两种SAR数据,提取了散射角、熵、各向异性（H/α/A）三种极化特征,利用支持向量机（SVM）分类器进行分类。结果表明,同时结合GF-3、Sentinel-1后向散射系数和极化特征信息,...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：60 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 研究背景与意义
1.2 国内外发展现状
1.2.1 农作物分类研究
1.2.2 农作物生物量反演研究
1.3 研究内容与论文结构安排
第2章 农作物分类及参数反演研究区与实验数据
2.1 农作物分类研究区及数据
2.1.1 农作物分类研究区概况
2.1.2 农作物分类研究数据
2.2 农作物参数反演研究区及数据
2.2.1 农作物参数反演研究区概况
2.2.2 农作物参数反演研究数据
2.3 数据预处理
2.3.1 合成孔径雷达数据预处理
2.3.2 光学数据预处理
2.4 本章小结
第3章 基于多源合成孔径雷达的农作物分类研究
3.1 技术路线
3.2 Cloude特征值极化分解
3.3 支持向量机(SVM)分类算法
3.4 实验结果及分析
3.4.1 基于多源合成孔径雷达的农作物分类结果
3.4.2 基于多源合成孔径雷达的农作物分类结果分析
3.5 本章小结
第4章 基于多源多时相遥感数据融合的农作物分类研究
4.1 技术路线
4.2 卷积神经网络(CNN)
4.3 VGG神经网络
4.4 实验结果及分析
4.4.1 基于多源多时相遥感数据融合的农作物分类结果
4.4.2 基于多源多时相遥感数据融合的农作物分类结果分析
4.5 本章小结
第5章 基于半经验校准水云模型的玉米生物量反演研究
5.1 植被散射模型
5.2 水云模型(WCM)
5.3 基于半经验校准的水云模型
5.4 实验结果及分析
5.4.1 基于半经验校准水云模型中表面粗糙度的敏感性分析
5.4.2 基于半经验校准水云模型的玉米生物量反演结果
5.4.3 基于半经验校准水云模型的玉米生物量反演制图
5.5 本章小结
第6章 总结与展望
6.1 主要工作与创新
6.2 存在问题与展望
参考文献
作者简历及在学期间所取得的科研成果
致谢
【参考文献】：
期刊论文
[1]基于星载极化SAR数据的农作物分类识别进展评述[J]. 孙政,周清波,杨鹏,王迪. 中国农业资源与区划. 2019(11)
[2]极化SAR参数优化与光学波谱相结合的面向对象土地覆盖分类[J]. 赵诣,蒋弥. 测绘学报. 2019(05)
[3]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)
[4]合成孔径雷达在农业监测中的应用和展望[J]. 李平湘,赵伶俐,任烨仙. 地理空间信息. 2017(03)
[5]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[6]农业遥感研究应用进展与展望[J]. 陈仲新,任建强,唐华俊,史云,冷佩,刘佳,王利民,吴文斌,姚艳敏,哈斯图亚. 遥感学报. 2016(05)
[7]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[8]全球主要粮食作物产量变化及其气象灾害风险评估[J]. 钱永兰,毛留喜,周广胜. 农业工程学报. 2016(01)
[9]合成孔径雷达技术研究综述[J]. 贾新宇,路来君. 吉林大学学报(信息科学版). 2015(04)
[10]农业遥感研究现状与展望[J]. 史舟,梁宗正,杨媛媛,郭燕. 农业机械学报. 2015(02)
博士论文
[1]小麦微波散射机理与生物量参数反演研究[D]. 何磊.电子科技大学 2016
[2]水稻微波散射特性研究及参数反演[D]. 贾明权.电子科技大学 2013
[3]基于极化SAR的目标极化分解与散射特征提取研究[D]. 安文韬.清华大学 2010
硕士论文
[1]基于卷积神经网络的人脸表情识别研究[D]. 周本君.南京邮电大学 2019
[2]基于极化雷达遥感的作物生长监测研究[D]. 韩东.西安科技大学 2019
[3]干旱条件下基于WOFOST模型与遥感数据同化的玉米产量模拟改进研究[D]. 王一明.中国科学院大学(中国科学院遥感与数字地球研究所) 2018
[4]面向地块的农作物遥感分类方法研究[D]. 韩衍欣.中国科学院大学(中国科学院遥感与数字地球研究所) 2018
[5]基于深度支持向量机的极化SAR图像分类[D]. 隋艳立.西安电子科技大学 2014
[6]多维度SAR森林及其类型分类识别方法研究[D]. 王馨爽.西安科技大学 2013
[7]中国主要粮食作物单产波动特征及影响因素分析[D]. 黄瑜瑜.福建农林大学 2013
[8]基于ASAR数据的水稻制图及生物量参数反演[D]. 赵路生.电子科技大学 2013
本文编号：3199490
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：60 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 研究背景与意义
1.2 国内外发展现状
1.2.1 农作物分类研究
1.2.2 农作物生物量反演研究
1.3 研究内容与论文结构安排
第2章 农作物分类及参数反演研究区与实验数据
2.1 农作物分类研究区及数据
2.1.1 农作物分类研究区概况
2.1.2 农作物分类研究数据
2.2 农作物参数反演研究区及数据
2.2.1 农作物参数反演研究区概况
2.2.2 农作物参数反演研究数据
2.3 数据预处理
2.3.1 合成孔径雷达数据预处理
2.3.2 光学数据预处理
2.4 本章小结
第3章 基于多源合成孔径雷达的农作物分类研究
3.1 技术路线
3.2 Cloude特征值极化分解
3.3 支持向量机(SVM)分类算法
3.4 实验结果及分析
3.4.1 基于多源合成孔径雷达的农作物分类结果
3.4.2 基于多源合成孔径雷达的农作物分类结果分析
3.5 本章小结
第4章 基于多源多时相遥感数据融合的农作物分类研究
4.1 技术路线
4.2 卷积神经网络(CNN)
4.3 VGG神经网络
4.4 实验结果及分析
4.4.1 基于多源多时相遥感数据融合的农作物分类结果
4.4.2 基于多源多时相遥感数据融合的农作物分类结果分析
4.5 本章小结
第5章 基于半经验校准水云模型的玉米生物量反演研究
5.1 植被散射模型
5.2 水云模型(WCM)
5.3 基于半经验校准的水云模型
5.4 实验结果及分析
5.4.1 基于半经验校准水云模型中表面粗糙度的敏感性分析
5.4.2 基于半经验校准水云模型的玉米生物量反演结果
5.4.3 基于半经验校准水云模型的玉米生物量反演制图
5.5 本章小结
第6章 总结与展望
6.1 主要工作与创新
6.2 存在问题与展望
参考文献
作者简历及在学期间所取得的科研成果
致谢
【参考文献】：
期刊论文
[1]基于星载极化SAR数据的农作物分类识别进展评述[J]. 孙政,周清波,杨鹏,王迪. 中国农业资源与区划. 2019(11)
[2]极化SAR参数优化与光学波谱相结合的面向对象土地覆盖分类[J]. 赵诣,蒋弥. 测绘学报. 2019(05)
[3]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)
[4]合成孔径雷达在农业监测中的应用和展望[J]. 李平湘,赵伶俐,任烨仙. 地理空间信息. 2017(03)
[5]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[6]农业遥感研究应用进展与展望[J]. 陈仲新,任建强,唐华俊,史云,冷佩,刘佳,王利民,吴文斌,姚艳敏,哈斯图亚. 遥感学报. 2016(05)
[7]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[8]全球主要粮食作物产量变化及其气象灾害风险评估[J]. 钱永兰,毛留喜,周广胜. 农业工程学报. 2016(01)
[9]合成孔径雷达技术研究综述[J]. 贾新宇,路来君. 吉林大学学报(信息科学版). 2015(04)
[10]农业遥感研究现状与展望[J]. 史舟,梁宗正,杨媛媛,郭燕. 农业机械学报. 2015(02)
博士论文
[1]小麦微波散射机理与生物量参数反演研究[D]. 何磊.电子科技大学 2016
[2]水稻微波散射特性研究及参数反演[D]. 贾明权.电子科技大学 2013
[3]基于极化SAR的目标极化分解与散射特征提取研究[D]. 安文韬.清华大学 2010
硕士论文
[1]基于卷积神经网络的人脸表情识别研究[D]. 周本君.南京邮电大学 2019
[2]基于极化雷达遥感的作物生长监测研究[D]. 韩东.西安科技大学 2019
[3]干旱条件下基于WOFOST模型与遥感数据同化的玉米产量模拟改进研究[D]. 王一明.中国科学院大学(中国科学院遥感与数字地球研究所) 2018
[4]面向地块的农作物遥感分类方法研究[D]. 韩衍欣.中国科学院大学(中国科学院遥感与数字地球研究所) 2018
[5]基于深度支持向量机的极化SAR图像分类[D]. 隋艳立.西安电子科技大学 2014
[6]多维度SAR森林及其类型分类识别方法研究[D]. 王馨爽.西安科技大学 2013
[7]中国主要粮食作物单产波动特征及影响因素分析[D]. 黄瑜瑜.福建农林大学 2013
[8]基于ASAR数据的水稻制图及生物量参数反演[D]. 赵路生.电子科技大学 2013
本文编号：3199490
本文链接：https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/3199490.html
教材专著
