基于森林密度的相位与幅度联合反演算法

森林树高的反演是极化干涉合成孔径雷达(polarimetric SAR interferometry,PolInSAR)领域研究的热点。已有研究表明森林密度会对树高反演精度产生较大影响,但传统算法没有考虑森林密度的影响。针对这一现象,首先利用模拟数据分析森林密度对传统森林树高反演算法的影响;然后根据影响的特点提出一种基于森林密度的相位与幅度联合反演算法;最后采用德国宇航局与瑞典国防研究局机载E-SAR系统获取的PolInSAR数据对文中所用算法进行了实验分析。结果表明,该算法比传统算法反演精度更高,验证了算法的可靠性和有效性。由此可见,森林密度是森林重要的森林物理参数,通过引入森林密度,明显提升了树高反演的效果,说明引入密度参数的重要性。

土壤含水量对PolInSAR树高反演结果的影响分析

森林树高的反演是极化干涉合成孔径雷达(polarimetric SAR interferometry,PolInSAR)领域研究的热点,但时间去相关的存在引起了散射体的变化,降低了树高反演的性能,其中土壤含水量的改变是引起时间去相关的因素之一。本文利用PolSARpro生成不同土壤含水量的极化SAR模拟数据,通过三阶段算法进行树高反演实验。结果表明:土壤含水量的变化会导致反演结果产生一定偏差,但此偏差相对较小,已远远小于算法本身造成的误差。

P波段极化干涉SAR树高反演算法研究

森林树高的反演是极化干涉合成孔径雷达(polarimetric SAR interferometry,PolInSAR)领域研究的热点,但针对P波段的研究较少。现在,反演树高的基本算法有:DEM差值法,相干幅度法,相位差与Sinc法和三阶段算法。本文从P波段数据出发,对四种算法进行了树高反演实验,结果表明:DEM差值法反演结果最差,其结果严重地低估了树高;相干幅度法会高估树高;而相位差与Sinc法的相关性很低;三阶段算法的结果最好,但对树高仍有一定程度的高估。

基于时间去相关的三阶段森林高度估计方法

[目的]在利用极化SAR数据反演树高时,时间去相关因子是影响反演精度的主要因素;目前,地面随机运动模型(RMoG)是该领域最有效的模型之一,但地面随机运动模型有着反演困难、耗时过长的缺点。为了改善这个问题,提出了简化RMoG模型。[方法]首先忽略地面运动,只保留植被冠层运动,重新改写植被体散射公式;然后对多个相干系数直线拟合出地面相位;再次通过PD极化相干最优方法来估计纯体散射去相干值;最后利用改写后的植被体散射公式建立查找表,在固定消光系数的基础上通过查找表反演得到植被高度。为了验证本研究方法的有效性,以瑞典南部的Remingstorp地区为研究区,以BioSAR^2007项目的遥感数据进行试验,并以决定系数(R^2)和均方根误差(RMSE)对4种模型的反演结果进行比较评价。[结果]表明:本研究方法可以很好地改善三阶段算法的高估问题。在精度比较方面:三阶段算法的R^2为0.78,RMSE为8.52;RMoG模型的R^2为0.47,RMSE为4.17;RMoG_L模型的R^2为0.48,RMSE为2.50;本方法的R^2为0.53,RMSE为6.24。对比三阶段算法,本研究方法在精度上有明显的优势;对比RMoG模型和RMoGL模型,本方法可有效地减少反演时间。[结论]通过添加植被冠层运动消除时间去相关的影响行之有效。与三阶段算法、RMoG模型和RMoG_L模型对比,本方法具有精度高、耗时少的优点。