基于Sentinel-1的典型地物时间失相干分析

为了探究影响Sentinel-1时间失相干的因素,实验选取美国南加州柯汶纳市及其周边区域进行研究,使用50景Senti⁃nel-1数据,分析了不同地物的时间失相干现象,并研究了风雨等天气因素及不同极化方式对相干性的影响。主要得出以下结论:Sentinel-1数据典型地物的失相干特征区别较大,可以较好地指导地物识别、辅助土地分类;小于7.5 m/s的风速对相干性几乎无影响,而降水是导致地物失相干的重要因素,对农作物相干性的影响更大且持续性长;VH极化方式抗干扰能力更强,VV极化方式对变化的感知能力更强。实验研究表明:选取相干目标应考虑土地覆盖类型的影响,也需要利用气象数据对干涉图失相干情况进行评估,同时应充分利用不同极化方式的数据。

基于组合优选特征的极化SAR滨海湿地

滨海湿地的复杂性为准确获取湿地地物类别带来了挑战,不加区分地利用从湿地数据提取的特征参数会导致计算效率低、信息冗余的问题,以合适的特征选择方法选取特征子集是提升湿地分类精度的关键。针对此问题提出了基于组合优选特征的分类方法,将顺序后向选择法和粒子群优化法分别与可分性指数结合筛选优化特征子集,并利用支持向量机对湿地ALOS-2全极化SAR影像进行分类实验,比较2种搜索策略驱动下特征选择方法获取的优选特征的湿地分类精度。结果表明:组合优选特征方法适用于极化SAR数据滨海湿地分类,基于优选特征子集的湿地分类除提升运行速度外,提高了3%~6%的总体分类精度;相比顺序后向选择法,以粒子群优化算法为搜索算法筛选出的特征子集在湿地分类上具有更好的表现,其分类总体精度达到95.20%,Kappa系数达到0.944 8。