基于极化比参数信干噪比等式的迭代最优解

针对基于极化比参数的信干噪比等式,提出了一种迭代的最优极化求解方法。利用大圆局部优化解和小圆局部优化解作为迭代结构的2个基本部分,这两个部分相互迭代,每一部分利用另一部分的结果,当前部分的结果又传递给下一部分,如此重复。仿真结果表明,迭代方法是一种求解最优极化的有效方法。经过几次迭代计算后,就可求得最优值及相应的优化点,迭代方法求得的数值优化解与真实的最优解的平均相对误差很小。

基于机载L波段全极化无人机合成孔径雷达的森林地上生物量估测

为探索L波段全极化合成孔径雷达(Synthetic Aperture Radar,SAR)数据估算森林地上生物量(Aboveground bio⁃mass,AGB)的潜力,基于非洲合成孔径雷达(AfricaSAR)项目无人机合成孔径雷达(Unmanned Aero Vehicle Synthetic Aperture Radar,UAVSAR)数据的冠层-地面散射分量构建5种极化散射比参数(R1、R2、R3、R4、R5),计算雷达植被指数(Radar Vegetation Index,RVI),采用六分量和七分量分解等4种基于模型的分解提取21个极化分解参数,最后合并所有特征并采用随机森林特征重要性筛选出最优特征组合,采用随机森林(Random forest,RF)、支持向量机回归(Support vector machine regression,SVR)、K最近邻回归(K-nearest neighbor regression,KNN)对不同特征组合估测非洲加蓬洛佩(Lope)区的森林地上生物量。结果表明,极化散射比参数、体散射(Vol)和雷达植物指数(Radar Vagetation Index,RVI)对森林AGB具有较高的敏感性,R2与AGB的相关性为0.823,最优特征组合为Vol、极化散射比参数和RVI。不同特征组合的机器学习模型均表现出较好的效果,基于极化分解参数机器学习模型的决定系数(R2)大于0.800,均方根误差(RMSE)小于88.000 Mg/hm^(2),效果最好的是基于最优特征组合的RF模型,对比单独使用极化分解参数,R2提高0.144,RMSE降低30.327 Mg/hm^(2)。极化散射比参数在森林AGB估计中具有一定的潜力,引入RVI提高模型精度,基于模型的分解适用于森林AGB估测,特征筛选的机器学习模型能较好地反演森林AGB,并在AGB达到400.000 Mg/hm^(2)未出现明显饱和点。