引入旋转二面角模型的极化SAR七分量分解方法

在排列方向与传感器飞行方向不平行的建筑物区域(即非平行建筑),常规的二面角散射模型基于反射对称的条件,无法准确描述非反射对称成分的电磁波散射过程,相干矩阵中的T 33项被归因于体散射成分,造成城区建筑物体散射高估的现象。现有极化分解模型大多采用扩展体散射模型的方式来构建倾斜城区非反射对称分量,此类方法能降低建筑物区域体散射,但同时也会导致森林区体散射的低估。从对倾斜城区建筑物建模的角度出发,在不改变已有体散射模型的基础上,提出一种定向角补偿的各向同性二面角模型,该模型能解释极化相干矩阵T 23项的实部,且能描述城区具有不同方位角的建筑物的散射过程。在此基础上,将此二面角散射模型与Singh提出的六分量分解模型相结合,扩展一种新的七分量分解模型。文中选取L波段ALOS-2/PALSAR-2全极化数据,分别在旧金山实验区、长沙实验区进行引入旋转二面角模型的七分量分解实验。实验结果表明,在倾斜的建筑物区域,文中提出的方法能有效改善体散射高估的情况,并能有效地区分倾斜建筑物和森林,对识别和提取城区建筑物具有重要的意义。

基于模型的星载PolSAR海冰自适应极化分解法

提出了基于模型的星载PolSAR海冰自适应极化分解法,该算法涉及体散射分量自适应分解以及表面、二面散射分量自适应分解两方面。在体散射自适应分解方面,推导了体散射功率的解析表达式从而实现了对极化信息的完整利用,构建了完全覆盖海冰粒子水平、垂直和随机定向的三个体散射模型,并采用基于最大功率拟合的自适应模型选择策略,解决了当前海冰极化分解法无法根据冰层中夹杂的盐水包裹体构成的粒子云的定向方式自适应匹配体散射模型的问题。在表面和二面散射自适应分解方面,将标准Huynen二分法用于对体散射分解后的剩余相干矩阵的降秩分解,根据实际冰面的散射机制自适应选取分解方法,提取了表面散射和二面散射功率信息,在实现极化散射信息完整利用的同时保证分解结果不会退化。基于高分三号(GF-3)卫星全极化合成孔径雷达获取的南极洲普利兹湾海冰数据开展了体散射模型和分解算法的有效性验证。体散射分量的分解结果首次从极化分解角度揭示了冰层中盐水包裹体以垂直定向为主导、同时存在次级随机定向以及不可忽视的水平定向的定向特征。

SAR图像独立极化方位角整合的极化目标分解法

基于物理模型的极化目标分解方法由于其物理意义明确且易于实现,成为了极化SAR非相干极化目标分解的主流方法之一,然而这类方法在大方位角城市建筑区域往往存在体散射过估计和散射机制模糊问题,为此,本文提出了一种基于独立极化方位角整合的六分量极化目标分解方法。该方法不再采用极化方位角补偿的策略,而是引入3个独立的极化方位角分别对偶次散射模型、偶极子模型和四分之一波模型进行描述,得到了更一般的改进的偶次散射模型、广义偶极子模型及广义四分之一波模型。本文方法简化了表面散射模型和偶次散射模型,在降低未知变量的同时,有效地解耦了各散射分量;所采用的6种模型完全解释极化相干矩阵的9个元素,充分利用了极化相干矩阵信息;分析了极化相干矩阵主对角线元素的旋转不变性,利用该性质避免了极化方位角参与计算,同时分解过程避免了除法导致的计算异常,保证了极化分解结果的稳定性。利用GF-3和UAV SAR全极化数据进行试验,试验结果表明,本文方法能够在保证森林植被、海洋水体等自然区域的主导散射正确提取的情况下,有效地改善城市建筑特别是大方位角建筑区域的体散射高估问题,总体分解结果更为符合实际地物散射过程。

面向目视解译的全极化SAR船只精细化特征表征方法

随着卫星技术的发展,极化合成孔径雷达(PolSAR)数据的分辨率和数据质量得到大幅提升,为人造目标的精细化目视解译提供了良好的数据条件。目前主要采用多分量分解的方法,但是易造成像素错分问题,为此,该文结合Yamaguchi极化分解和极化熵提出了一种非固定阈值划分的方法用于实现全极化SAR图像船只结构精细化特征表征。Yamaguchi极化分解能够识别基本散射机制,其修正后的体散射模型更符合实测数据,可有效对人造目标进行表征。极化熵H在弱去极化状态下可以看成某一指定等效点的目标散射机制,能够有效突出船只主散射特征。因此,该文通过将Yamaguchi极化分解算法的非固定三分量与极化熵的低中高熵内嵌,将其分为非固定阈值的九分类成分,从而降低硬阈值处理在阈值边界处受噪声影响产生的类别随机性。并且将二次散射和单次散射均显著的区域称为混合散射(MSM),以更好匹配实验中船只典型结构的散射类型。在此基础上,利用广义相似性参数进一步缩短类内距离,采用改进后的GSP-Wishart分类器进行迭代聚类,旨在通过提高二次散射和混合散射机制以提高不同类型船只可区分度。最后,该文采用中国上海某港口的高分三号全极化SAR数据进行实验,为了验证每艘船只特征表征正确性,通过船舶自动识别系统(AIS)收集并筛选了该港口船只信息及光学数据,并与极化SAR数据中每艘船只进行匹配。实验结果表明该方法可有效区分散货船、集装箱船和油轮3种类型船只。

一种基于极化分解特征和SVDD的扩展目标检测算法

多极化距离高分辨雷达是地面静止目标检测的重要手段,其回波中目标占据多个距离单元,成为扩展目标。传统基于回波能量的扩展目标检测方法的性能随信杂比的降低而下降。提出一种基于极化分解特征的扩展目标检测算法,利用目标和杂波之间的极化散射特性差异提升低信杂比下的检测性能。所提方法提取16种极化分解特征组成特征向量作为检测统计量,再使用支持向量数据描述(SVDD)算法估计判别门限。在判别门限的训练阶段,杂波数据的极化分解特征被提取用作训练数据。并且为保证虚警概率,在SVDD的目标函数中引入了两个惩罚参数。使用实测数据进行了实验验证,所提方法在戈壁背景、虚警概率为10-4、检测概率为90%的情况下,所需信杂比约为12.6 dB,相较于基于能量的对比方法降低约1.7 dB。

紧缩极化SAR卷积神经网络溢油检测方法

为研究利用紧缩极化SAR代替全极化SAR进行海洋溢油检测的可行性,以及不同极化参数对溢油检测准确率的影响,本文利用卷积神经网络(CNN)的SAR溢油检测算法,对全极化模式及由全极化构造的紧缩极化SAR数据分别提取极化参数,研究其对于溢油分类准确率的影响;同时对比不同SAR数据预处理步骤对溢油检测精度的影响。研究结果表明,对于预处理步骤,线性拉伸方法能够有效提升溢油检测的准确率;在极化参数选择上,极化参数极化熵H在全极化与紧缩极化模式上都取得最高的分类准确率,分别为0.972和0.978。该研究结果证明了利用紧缩极化SAR代替全极化SAR进行溢油检测的可行性,在溢油检测方面具有较好的应用潜力。

基于RVoG模型的双极化SAR水稻株高反演

水稻株高被广泛应用于物候监测、水稻健康评估及产量预测等领域,极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)信号能穿透水稻冠层记录水稻垂直结构信息,有助于实现高分辨率、大范围水稻株高提取。该文提出一种适用于非干涉条件下PolSAR数据水稻株高反演方法:利用极化SAR分解技术分离冠层及地表散射信号,引入随机地体二层散射模型(Random Volume over Ground,RVoG)对分解得到的水稻冠层散射能量进行建模,从而建立水稻株高反演模型;最后,联合邻域同质像素并利用NSGA-Ⅱ遗传算法对模型进行解算。利用2019年13景Sentinel-1影像在西班牙地区进行试验,水稻株高反演精度达到0.1 m,R^(2)达0.96以上,证明新方法能较好地适用于非干涉条件下PolSAR数据水稻株高反演。

应用全极化合成孔径雷达数据构建多变量估算森林地上生物量模型

以河北塞罕坝机械林场为研究对象,Alos-2全极化SAR数据以及实测样地数据为基础,采用多种方法进行目标分解,计算多极化通道的后向散射系数,通过皮尔逊相关性检验,筛选显著相关的参数,构建线性及非线性偏最小二乘(PLS)生物量估算模型,并对模型进行检验。结果表明:线性PLS模型均方根误差为21.75 t·hm^(-2),决定系数(R^(2))为0.6185,平均相对偏差绝对值为31.1%,平均偏差为-1.844 t·hm^(-2);非线性PLS模型均方根误差为18.218 t·hm^(-2),决定系数(R^(2))为0.6969,平均相对偏差绝对值为23.86%,平均偏差为0.0001 t·hm^(-2)。对模型贡献最大的参数为非负特征值分解的奇次散射参数、VH极化后向散射系数、HV极化后向散射系数、特征向量分解参数l1和主要散射机制平均参数。非线性方法在模型拟合和预测中都表现出更好的效果,全极化SAR目标分解参数以及交叉极化下的后向散射系数,在估算森林地上生物量时没有饱和点出现。

中国家庭财富分布的极化特征——基于相对分布法的测度与分析

基于CFPS 2010—2020年的调查数据,借助相对分布法分析我国家庭财富极化的变动趋势,并借助分位数回归和Oaxaca-Blinder分解分析了财富分布结构变化的内在成因。结果表明,考察期内我国家庭财富极化存在扩大的趋势,且财富的极化主要是从中等水平转向下尾部,存在严重的下层极化。分阶段的分析发现,财富的极化以2010—2018年为主,2018年以后财富分布的极化现象明显减弱。根据财富极化微观成因的分解发现,低财富群体禀赋结构的改善能够有效抑制下层极化,而上层极化的缓解主要来源于系数效应的作用。2018年以来,家庭收入的提高、农村人口减少以及人口受教育水平的普遍提高都减弱了财富向下极化的趋势,财富的城乡差距和教育回报抑制了财富的向上极化。从城乡内部的分解发现,教育回报对财富极化的作用在农村家庭并不显著,健康水平则是影响农村财富极化的重要因素。研究的政策启示在于财富调整政策应该关注到中产家庭的脆弱性,增加中低财富家庭的财富积累途径,促进中产阶级的壮大和稳固;抑制财富向下极化的趋势应该强调低财富群体禀赋结构的优化,而减弱上层极化应该注重对财富差距和财富回报的调节。

基于Freeman全极化分解的干雪识别指数模型构建

为了更好利用极化特征进行较准确的干雪识别,提出了一种面向干雪识别的合成孔径雷达(synthetic aperture radar,SAR)指数模型。以新疆玛纳斯河流域为研究区,选择干雪期Radarast-2全极化SAR数据进行Freeman极化分解,获取该时期的极化特征,并分析积雪覆盖区、非积雪覆盖区极化特征差异及极化特征的变化规律;在此基础上,提出一种新的面向干雪识别的指数模型,并进行Ostu阈值分割,识别干雪范围,并与最小距离、马氏距离、最大似然等监督分类方法的干雪识别结果进行对比分析。研究结果表明:基于Freeman极化分解构建的干雪识别指数模型,其总体分类精度达到85.83%,通过非监督的方式能够识别干雪覆盖范围。

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。

基于极化分解的极化特征参数提取与应用

基于极化分解原理,获取了描述地物散射机制的特征参数,并组合成一些特征指数,如雷达植被指数等。这些特征指数具有反映体散射信息的能力,从而可间接获取植被长势、疏密程度及分布区域等信息。实验选择了鄱阳湖区Radarsat-2全极化数据,结合野外采集的样本数据,在分析该区植被特征的基础上,对不同特征参数进行了对比分析,对雷达植被指数与实地测量样本的生物量参数进行了相关分析。实验结果表明:文中给出的4种特征参数对植被引起的随机散射的描述总体趋势是一致的,但随着植被覆盖密度的增大,不同特征指数具有一定的差异,其中雷达植被指数最为准确,适用动态范围最大,并且与湿地植被生物量具有较高的线性相关性,可以定量地反映研究区的植被疏密及生物量差异信息。

利用目标分解特征的全极化SAR海冰分类

特征提取及其选择是SAR海冰分类的重要步骤之一。在众多特征中选取有效特征,进而构建表达地物类型的特征空间是提高分类精度的关键。为此,本文提出一种基于目标分解特征的全极化SAR海冰分类算法。首先,对全极化SAR数据进行多视化处理及滤波操作,生成相干矩阵;其次,对相干矩阵进行目标分解,并针对分解结果提取散射特征参数,进而构建特征空间;再次,通过对所提取的特征进行统计相关性分析,并对高相关特征采用PCA降维,以优化特征组合;最后,设计BP神经网络分类器,并将所得的优化特征矢量作为输入,海冰类别为输出,实现海冰分类。本文以格陵兰中部海域作为研究试验区域,采用L波段ALOS PALSAR全极化数据。通过对本文算法与对比算法的分类结果进行定性定量分析,可以得出本文所选取的特征对海冰识别较好。此外,通过对利用各个不同特征海冰分类结果的性能分析,可以得出基于散射模型的目标分解比基于特征值的H/α/A分解更有助于海冰分类。

利用改进三分量分解与Wishart分类的极化SAR图像建筑提取方法

本文针对基于Freeman分解的建筑提取方法存在的问题,提出采用圆极化相关系数实现选择性去取向,同时引入广义体散射模型,构建了面向建筑提取的改进三分量分解模型,以准确分析地物的散射特性。在此基础上,发展了一种综合利用改进三分量分解与Wishart迭代分类算法的极化SAR图像建筑提取方法。使用E-SAR全极化数据的试验结果表明,本文方法能够有效减少建筑与植被的误分,并提高建筑信息提取的准确性。

基于Yamaguchi分解模型的全极化SAR图像分类

针对利用Yamaguchi分解模型的四个散射分量直接进行类别归属判断精度不高并且所分类别有限的问题,结合模糊C均值的理论,提出了一种基于Yamaguchi分解模型的全极化SAR分类算法,把四个散射分量组成一组归一化的特征矢量,进行FCM聚类分析。并且用日本机载L波段PiSAR数据验证了该算法具有较高的分类精度和较好的视觉效果。

基于SAR极化分解与Landsat数据的森林生物量遥感估测

【目的】森林生物量是评价森林生态系统结构、功能和生产力的重要指标之一,区域尺度上的森林生物量的准确估测对了解森林现状和科学经营森林具有重要指导意义。本文旨在利用SAR影像结合Landsat5 TM影像对区域尺度上的森林生物量进行定量估测。【方法】首先利用极化分解的方法对极化合成孔径雷达(SAR)数据进行处理获得45个极化分解参数,然后将45个极化分解参数与6个Landsat5 TM波段参数共51个参数作为自变量,森林生物量W作为因变量构建统计回归模型,最后利用最优模型反演研究区的森林生物量。【结果】使用两种方法进行模型构建:(1)逐步回归法,利用逐步回归进行变量筛选,选出2个参数构建模型,模型R2为0.534,拟合精度为67.51%,RMSE为43.21 t/hm^2;(2)最优子集法,用Bootstrap法进行变量筛选,共筛选出9个参数,然后用这9个参数进行最优子集回归,获得511个选模型,然后选择出最优子集模型,并用交叉验证法对模型进行验证,最终选出的最优子集模型包含的参数为TM_band4、Neumann_delta_mod、Neumann_psi、TSVM_psi、TSVM_tau_m3,模型R2为0.768 2,拟合精度为88.32%,拟合RMSE为14.98 t/hm^2,验证精度为86.21%,验证RMSE为19.14 t/hm^2,CP指数为5.249 5,赤池信息量AIC为256.504 5。本文最终使用最优子集法获得的模型进行反演,获得研究区的森林生物量分布图。【结论】结果表明:全极化C波段SAR数据结合Landsat5 TM光学数据构建遥感信息模型可以准确反演森林生物量。

基于极化分解的极化SAR数据地质信息提取方法研究

全极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)能够在不同收发极化组合下,测量地物目标的极化散射特性。获取的目标回波信号包含了不同极化状态下的幅度和彼此间的相对相位信息,因而大大提高了成像雷达对目标各种信息的获取能力,已经成为国内外微波遥感发展的热门方向之一。本文以Radarsat-2雷达影像为数据源,对新疆塔萨拉地区开展岩性、构造与矿化蚀变信息提取研究。通过H-A-Alpha极化目标分解,最大限度地提取目标极化信息。同时利用H-A-Alpha-Wishart非监督极化分类的方法,研究了区域地层展布特征和构造框架。与传统的单极化方法相比,全极化方法能获得更多的目标信息,降低了解译难度,可作为常规方法的有效补充。

基于简缩极化数据的三分量分解模型

基于部分极化波的二分理论,提出了一种针对简缩极化数据的三分量分解模型。该模型将简缩极化数据的Jones相干矩阵分解成表面散射、偶次散射和体散射三种散射机制Jones相干矩阵之和,进一步得到这三种散射机制各自的散射功率。选取德国根多夫市普拉特灵(Plattling)地区的TerraSAR-X全极化数据生成简缩极化数据,用提出的三分量分解模型对得到的简缩极化数据进行分解,并将分解结果与全极化数据的Pauli分解结果进行对比。实验结果表明:提出的简缩极化数据三分量分解模型能够很好地描述表面散射和体散射的散射行为。但是,相比全极化数据的分解结果,提出的模型高估了体散射分量,导致偶次散射分量偏小,这个问题需要进一步的研究来解决。

基于Pauli基分解的极化校准算法

极化校准是现代雷达精确获取目标极化散射特性的前提和基础。为解决某全极化雷达的校准问题,提出一种基于Pauli基分解的极化校准算法,给出了算法的正交条件和相关推导,可选择任意满足正交条件的三个目标做为定标体。对校准算法的误差来源和误差对校准结果的影响分别进行了理论分析和仿真分析。给出了不同条件下该校准算法和其它校准算法的仿真结果,以及某全极化雷达校准试验数据分析结果。结果表明:基于Pauli基分解的极化校准算法能有效消除天线的变极化效应,可更准确地校准目标的极化散射矩阵,并可应用于大型地基极化雷达、极化合成孔径雷达以及极化相控阵雷达等的极化校准。

一种基于Pauli分解和支持向量机的全极化合成孔径雷达监督分类算法

全极化合成孔径雷达(SAR)影像准确分类的一个重要前提是充分提取反映地物实际物理性质的特征。然而现有的全极化SAR特征提取算法和分类算法众多,却均存在各种各样的问题。无论极化特征提取方法还是分类算法,都会影响最终的分类精度。针对此问题,在多次实验的基础上,提出一种综合Pauli极化特征分解和支持向量机(SVM)的分类策略,简称为Pauli-SVM算法。首先通过经典的Pauli分解法提取全极化SAR影像的奇次散射、偶次散射、体散射等极化特征;并将这些信息组合成一个特征向量,然后引入高精度的SVM分类算法,选择训练样本后对全极化SAR影像进行监督分类。在江苏溧水和南京横溪镇两个研究区,以ALOS卫星的PALSAR影像为研究数据,进行监督Wishart分类算法、Freeman特征提取法结合SVM的分类算法、Yamaguchi特征提取法结合SVM的分类算法、Pauli-SVM算法的分类对比实验。结果表明,新提出的PauliSVM算法可以有效地提高分类的准确性。