TerraSAR-X/TanDEM-X雷达遥感计划及其应用

介绍了德国航天局即将发射的TerraSAR-X雷达卫星遥感计划和将要在近期实施的TanDEM-X雷达遥感计划,分析了该计划的工作模式和应用。

利用TanDEM-X生成DEM的精度评定

目前,许多学者对TanDEM-X生成DEM开展了一些研究,其研究成果也显示了TanDEM-X生成高精度DEM的可行性。为了验证TanDEM-X/Terra SAR-X干涉生成的DEM能否满足测图要求,需要对其进行精度评价和分析。相对于C波段的ERS、ASAR和L波段的ALOS,X波段的高分辨率Terra SAR影像干涉条纹更密集,解缠更加困难。针对这一问题,本文设计了一种低分辨率SRTM辅助高分辨率的X波段的Terra SAR干涉相位解缠方案,提高了解缠的效率和精度。同时,本文提出了一种基于协方差函数的方法对TDX/TSX DEM进行精度分析和评价。该方法通过对各个距离上的协方差值进行拟合,消除了高程误差异常对In SAR DEM精度评价的影响,可以更加客观真实地反映DEM的精度。实例分析结果表明:采用协方差函数方法来评价DEM的精度是可行的,对于试验研究区域,TDX/TSX干涉生成的DEM总体精度为1.42 m,能够满足1∶10 000测图要求,为我国空白地区的测图提供了有利条件。

TerraSAR-X/TanDEM-X获取高精度数字高程模型技术研究

以双星系统（TerraSAR-X/TanDEM-X）下的bistatic数据模式为例研究了差分干涉获取高精度DEM产品的融合算法和技术流程.针对不同观测几何条件下（升降轨,不同入射角）观测数据的畸变和缺失,提出一种迭代的顾及垂直基线、阴影和叠影的数据融合新方法重建高分辨率高精度的数字高程模型,并对TanDEM-X融合的DEM在不同地物属性特征下（山区及高楼林立的城区）的精度进行定量分析.本文采用了两对覆盖珠海、澳门区域的升降轨TerraSAR-X/TanDEM-X干涉对进行融合处理,并通过收集的高精度Lidar数据进行精度比较分析.此外,本文还定量分析了TanDEM-X的DEM对常规DInSAR技术的改进,并与SRTM、ASTER的结果进行对比.结果表明：提出的升降轨融合方法较单一轨道平台能够较好地改正或减弱由于几何畸变引起的高程信息缺失或错误,通过与Lidar数据的对比发现TanDEM-X的融合DEM在山区的精度较高,其残差的标准差为3.5 m,较单一轨道（升、降轨）分别降低8%和22%,能够通过迭代的方法获取高分辨率（可达2～5m）、高精度的地形信息;而针对城区密集建筑物的复杂地形来说,融合的DEM的精度稍低,残差的标准差为11.8m,但较单一轨道（升、降轨）来说有较大改进,其残差标准差分别降低了28%和22%;而在分布较为稀疏的居民区,融合的DEM能够较Lidar数据获取更好的建筑物高度及外形信息,此时的残差标准差可达5m.同时,TanDEM-X的融合DEM作为外部DEM能够较SRTM和ASTER来说更好地去除地形信息,尤其在山区及高程建筑密集分布的城区,从而利于后续的相位解缠和形变信息的精确获取和解译,为更高精度的时序InSAR形变监测提供有利条件。

TanDEM-X双站SAR干涉测量及研究进展

较全面、系统地介绍了Tan DEM-X/Terra SAR-X双站SAR科学计划,重点涉及其科学目标、Tan DEM-X卫星参数、轨道结构以及干涉数据获取模式等相关内容,并讨论了双站SAR成像、极化In SAR和数字波束成形等干涉测量新技术及其研究进展。这些双站SAR新技术的实现将大大地推动SAR干涉测量在全球地形测绘、冰川学、海洋学及地质学等领域中的应用。

TanDEM-X极化干涉SAR森林冠层高度反演

森林树高是反映森林蓄积量、生物量、碳储量和立地质量的关键指标。极化干涉SAR技术是森林树高估测的有效手段之一,但数据获取及数据质量一直是极化干涉SAR树高反演研究的主要制约因素。以云南省勐腊县为实验区,基于德国DLR提供的双站模式Tan DEM-X Co SSC全极化干涉数据,采用三阶段算法、以及两种结合极化干涉优化的相位差分-相干幅度法反演了实验区的森林冠层高度。结果表明:三阶段算法的反演结果数值相对合理,与二类调查数据的空间分布格局相似;相位差分-相干幅度法的反演结果在林区出现部分负值,而在非林区却反演出冠层高度、且呈现条纹状,反演结果与二类调查数据的空间分布差异较大、相关性低。因此,三阶段算法结合双站模式的Tan DEM-X全极化干涉数据,能够在实际树高估测反演中发挥作用,为辅助森林资源调查工作提供了新手段。

基于TerraSAR-X/TanDEM-X干涉DEM的森林冠层高度估测

森林树高的大面积估测一直是森林资源调查和林业遥感所面临的技术难题。以云南省勐腊县森林资源为研究对象,将DEM差分法与TerraSAR-X/TanDEM-X全极化干涉数据、地形图相结合,用TerraSAR-X/TanDEM-X数据干涉生成各极化通道带有森林冠层高度的DSM,从地形图上提取地表高度DTM;对2个高度模型进行水平位置匹配,并提出用参考面将DSM与DTM转换为相对高度模型RDSM和RDTM,以消除高程基准差异;最后对RDSM和RDTM进行差分运算,估测出研究区各极化通道下的森林冠层高度分布。采用森林资源二类调查数据,对各极化通道的冠层估测高进行了合理性验证。研究表明:DTM的高程基准面低于DSM,平坦农地适合作为参考面提取相对高度模型。在小班尺度上与森林资源二类调查数据的对比显示:各极化通道的冠层估测高与小班林分高均呈显著的中等正相关,冠层高度估测值大小合理,人工林的估测结果略优于天然林;人工林与天然林的冠层估测结果均在主要坡度分布区间内与小班林分高的相关性高;各极化通道的估测结果整体上没有明显差异。从总体上来看,基于地形图和TerraSAR-X/TanDEM-X数据,利用DEM差分法来大面积估测森林冠层高度是一种有效可行的途径,为辅助森林资源调查工作提供了新思路。

TanDEM-X数据干涉地形信息精度分析

以德国宇航中心TanDEM-X数据为信息源,采用干涉技术提取植被覆盖区的地形,将相关系数、山脊线与山谷—水系线作为评价指标,对比5种地形数据(数字化DEM、SRTM–DEM、ASTER GDEM、TanDEM-X Monostatic-DEM,TanDEM-X Bistatic-DEM)在地表起伏表达方面的差异。研究结果显示,数字化DEM精度高,但是获取方式费时费力;SRTM-DEM能表现宏观地形,但分辨率低;ASTER GDEM分辨率有所提升,但是对地形的表达精度偏低;TanDEM-X干涉地形数据分辨率高,但是在林区受到森林冠层高度影响,实为数字表面模型,无法提供准确可靠的林下地形信息。

GEDI与Tandem-X DEM估测密林林下地形性能评价

针对密林情况下,GEDI数据与现有的Tandem-X DEM数字地面模型估测林下地形精度没有进行整体评价问题,拟以密林情况作为主要分析场景,通过提取GEDI L2A数据产品对应光斑的经纬度、林下地形信息与数据质量筛选参数,开展数据质量筛选,用以估测基于GEDI数据的林下地形数据,与Tandem-X DEM数据估测密林情况下研究区林下地形开展比较,并进一步探究冠层高度、森林覆盖度与植被类型对估测精度的影响。GEDI与Tandem-X DEM的R~2分别为0.99和0.98,GEDI估测林下地形结果的RMSE、Average与STD分别6.49、-1.92、4.42 m, Tandem-X DEM估测林下地形结果的RMSE、Average与STD分别为18.15、14.63、7.35 m。GEDI数据在混交林和稀疏草原情况下RMSE与Average分别变化8.05 m和6.04 m, Tandem-X DEM数据在常绿针叶林与农田/天然植被情况下,RMSE与Average变化幅度为21.63、26.43 m。实验结果表明,GEDI与Tandem-X DEM数据与机载验证数据存在强相关性,且GEDI相对Tandem-X DEM数据表现出更优的评价标准;地表植被类型相对冠层高度和植被覆盖度会对两数据估测林下地形精度产生更大的影响。

利用TanDEM-X影像和ICESat-2高程数据获取南极高精度数字高程模型

高精度DEM是南极科学研究的基础地理信息数据之一。德国空间局发布的TanDEM-X双站干涉影像对不仅分辨率高、覆盖范围大,而且具有零时间基线,不受时间去相关、大气变化及地面目标形变的影响。本文基于TanDEM-X双站干涉影像对和迭代差分InSAR技术获取南极高分辨率DEM;然后利用南极ICESat-2高程数据和最小二乘平差方法改正DEM产品的系统性偏移误差,提高DEM产品的绝对精度。真实数据试验结果表明,本文方法可获取分辨率优于5 m、绝对精度优于2 m的南极DEM。

基于TanDEM-X数据的林分平均高反演方法研究

以TanDEM-X/TerraSAR-X HH单极化干涉对和GF-2遥感数据为基础,提出结合极化干涉与混合像元分解技术的改进差分法来反演林分平均高,并利用外业数据进行精度验证。结果表明:以植被丰度校正冠层高度模型,林分平均高的估测精度和R^2值得到大幅提高,均方根误差也随之降低。因此,本研究提出的方法能有效降低林分低郁闭度产生的混合像元作用对林分平均高反演的影响,提高林分平均高的反演精度。

基于ICESat-2数据及TanDEM-X DEM的林下地形反演

传统光学遥感手段以及SAR获取的数字高程模型(DEM)包含一定的植被信号,如何准确估计植被高度并将其从包含植被高信号的DEM中扣除,对生成高精度DEM具有重要意义。基于此,提出一种基于ICESat-2/ATLAS数据和TanDEM-X DEM的林下地形生成方法。首先利用ICESat-2 ATLAS数据联合MODIS、温度、降雨及高程等辅助信息通过随机森林进行建模及预测,实现空间连续植被高反演;之后,在估计X波段InSAR森林区穿透深度基础上,利用反演所得植被高,扣除TanDEM-X DEM中的植被高信号,得到林下地形。选取我国东北地区作为试验区,实验结果表明:反演林下地形精度为9.14 m,相比原始Tandem-X DEM的精度提高21.2%。

基于TanDEM-X相干系数的森林高度估测方法

【目的】采用TanDEM-X单极化InSAR数据,研究基于相干系数的SINC模型森林高度估测方法,并分析5 m高分辨率的LiDAR DEM和30 m中等分辨率的SRTM DEM对模型估测精度和稳定性的影响。【方法】首先对观测的相干性进行非体散射失相干校正得到体散射失相干γVol,然后基于SINC模型将γVol的相干系数作为输入估测森林高度。以LiDAR提取的森林高度为验证数据,均匀选取150个检验样本,分别在15 m×15 m、30 m×30 m、50 m×50 m和100 m×100 m大小的样本尺度上进行精度评价,并与DSM-DEM差分法进行对比,分析2种方法的精度和适用性。【结果】5 m和30 m分辨率的参考DEM对SINC模型森林高度估测结果影响较小,随样本尺度增大其影响可逐渐忽略,当样本大小为100 m×100 m时,LiDAR DEM和SRTM DEM估测结果的R2分别为0.54、0.51,RMSE分别为2.38、2.51 m,精度分别为77.19%、75.99%;相比SINC模型法,DSM-DEM差分法在各样本尺度上的表现更好,但森林高度估测结果存在明显低估现象,必须采用森林高度实测数据进行校正,当样本大小为100 m×100 m时,R2为0.79,校正前后的RMSE分别为2.57、1.63 m,精度分别为75.44%、84.41%。【结论】基于相干系数的SINC模型法估测森林高度,以30 m空间分辨率的SRTM DEM进行地形补偿和地理编码,可以取得较好结果;虽然该方法的精度相比DSM-DEM差分法略有下降,但既不需要实测森林高度数据进行标定,也不需要输入高分辨率的DEM,具有大范围森林高度制图的潜力和更大的实际应用价值。

单基线TanDEM-X InSAR相干性反演森林高度

由RVoG模型演变的SINC函数模型运用到TanDEM-X InSAR数据反演森林高度时面临观测信息不足的问题,且无法适应不同的森林场景。本文针对这一问题,提出小范围LiDAR数据辅助下基于TanDEM-X InSAR相干性的森林高度反演方法,此方法无须全局高精度DEM产品提供地表相位信息而仅利用相干性即可获取森林高度信息。为验证此方法的可行性,采用西班牙境内两个典型试验区的TanDEM-X InSAR数据进行验证,并利用LiDAR树高数据进行精度评定。结果表明,单基线TanDEM-X InSAR相干性可用于反演森林高度,两个试验区的精度分别为2.34 m和1.74 m。

基于多时相TanDEM-X极化干涉SAR数据的水稻株高反演

水稻株高是水稻本身以及土壤、水文、气象等因素的综合反映,是水稻长势监测的重要指标。准确、高效、大范围的株高反演为水稻品种识别、物候监测、病虫害评估和产量预测等提供了可靠的依据。合成孔径雷达(SAR),具有全天时、全天候、穿透性的优势,成为水稻株高反演的重要手段之一。基于极化干涉测量(PolInSAR)的散射模型的反演算法具有严密的物理模型的支撑及较高的反演精度等特点,成为植被高度反演研究的热点。结合极化干涉SAR技术,构建了一种基于RVoG(Random Volume over Ground)模型的水稻株高反演算法,并利用2015年水稻生长季内9个时相的TanDEM-X极化干涉SAR数据,进行了水稻株高反演试验。首先基于每个时相下的极化干涉SAR数据分别得到8个复相干系数,利用这8个复相干系数在考虑卫星双站模式等情况下进行去相干处理,然后建立适用于水稻田特性的RVoG模型,接着构建基于该模型的水稻株高反演迭代算法,最后对9个时相下的TanDEM-X数据进行研究区的水稻株高反演及精度评定。结果表明,当水稻株高高于0.4m时,该方法的反演结果较好,决定系数(R^2)为0.86,均方根误差RMSE为6.79 cm;当水稻株高较低时(水稻株高小于0.4 m),反演误差在0.1~0.8 m之间,反演结果较差,被明显高估。通过分析认为,基于极化干涉理论,TanDEM-X数据在较好地反映出水稻植株的较大体散射量的前提下,利用所构建的基于RVOG模型的水稻株高反演算法,能够较好地反演株高在0.33~1.2 m的水稻株高。

TanDEM-X干涉SAR森林高度反演研究现状

森林高度是自然资源调查过程中一个重要的林业指标。近年来,陆续发展的干涉SAR(InSAR)、极化干涉SAR(PolInSAR)技术,已被视为大范围森林高度反演的最优候选技术之一。TanDEM-X InSAR数据因其不受时间去相干的影响且拥有合适的干涉基线配置,在大范围的森林高度反演中具有重要应用潜质。首先系统总结了目前基于TanDEM-X干涉SAR数据反演森林高度的模型和算法,并在此基础之上,对TanDEM-X反演森林高度的问题和发展趋势进行分析,旨在为大范围森林高度反演提供参考。

基于TerraSAR/TanDEM-X监测岗日嘎布山脉东南段冰川冰面高程变化(2000—2014)

岗日嘎布山区是海洋型山地冰川集中发育地区之一。海洋型冰川对气候变化敏感,藏东南多云雨天气使可用光学遥感影像数据少,限制了该地冰川变化遥感监测研究,雷达数据的应用为解决这一问题提供了有效途径。基于2000年SRTM DEM与2014年TerraSAR/TanDEM-X雷达数据,采用差分干涉测量(D-InSAR)方法,研究岗日嘎布山区东南段冰面高程变化及冰储量变化特征,得出如下结论:(1)研究区2000—2014年冰储量变化为-1.69±0.12 Gt,冰面高程年均变化为-0.86±0.13 m·a^(-1)。(2)冰面高程变化整体与海拔高度呈正相关(皮尔森系数为0.93)。在3700~3900 m,随海拔升高冰面高程变化加剧;在3900—5800 m,冰面高程变化逐渐趋于零;在5800 m以上高海拔积累区,冰面高程变化为正值。(3)表碛覆盖冰川消融较快。表碛覆盖冰川区冰面高程变化为-1.71 m·a^(-1),裸冰区为-0.73 m·a^(-1)。(4)结合波密、察隅和左贡站年均温与年降水变化可知,2000—2014年研究区年均温显著升高,年降水变化不明显,冰川快速消融是区域气温升高所致。本文可为青藏高原冰川时空变化研究提供基础数据支持。

基于TerraSAR-X/TanDEM-X数据的森林高度反演算法研究

基于RVoG模型,对传统三阶段算法及其改进算法进行研究,以云南省西双版纳州勐腊县为研究区,以TerraSAR-X/TanDEM-X数据为数据源进行森林高度反演算法研究,并结合野外实测数据进行结果验证。结果表明,三阶段改进算法对森林高度反演精度优于传统三阶段算法。三阶段改进算法对天然林高度反演精度较高;三阶段算法对橡胶林高度反演精度较高。

基于统计方法的TanDEM-X林下地形反演

在森林区域,微波难以穿透森林达到地表,获取真实的地表高程,其获取的数字高程模型(DEM)包含植被信息。本文使用单基线单极化TanDEM-X数据和SRTM DEM,充分利用其统计信息,并以菲律宾试验区为例,成功将植被信号移除,得到林下地形。试验结果表明:林下地形反演精度从7.74 m提高到4.77 m,精度提高了38.3%,能够为平坦地区大面积林下地形反演提供技术支持。

双基线TanDEM-X InSAR数据的森林高度反演

森林高度是进行森林资源管理的重要基础数据,通常使用RVoG模型并结合PolInSAR技术获取,然而目前的PolInSAR数据均通过重轨飞行方式采集,不利于大范围、高精度森林高度测绘。TanDEM-X数据无时间去相干与大气干扰,为森林高度测绘提供了合适的数据来源。但TanDEM-X InSAR数据主要为单极化模式,由于观测信息不足,不满足RVoG模型的解算要求。因此,文中利用双基线TanDEM-X InSAR数据反演森林高度。该方法考虑地形影响采用S-RVoG模型反演森林高度,首先仅使用S-RVoG模型相干性信息建立关系,并通过双基线下相位信息之间的关系进行约束。反演森林高度依赖于消光系数的选择,依据模型相干性对森林高度的敏感性进行分析,并利用LiDAR数据作为先验信息进行消光系数的选择。为了验证本方法,采用了瑞典与西班牙实验区数据进行双基线森林高度反演并利用实验区存在的LiDAR树高数据验证方法的精度,两实验区精度分别为1.86 m与2.43 m。

基于TanDEM-X数据和改进三阶段算法反演森林冠层高度

【目的】提出一种基于TanDEM-X SAR数据的RVoG模型三阶段算法反演森林冠层高度,以解决RVoG模型实际应用中模型成立条件难以严格满足、受地形影响导致森林冠层高度估测精度不高的问题。【方法】以云南省普洱市思茅区思茅松纯林和混交林为研究对象,开展经典三阶段算法、地面相位优化的三阶段算法、纯体散射复相干优化的三阶段算法和低估补偿改进的三阶段算法反演森林冠层高度试验。【结果】RVoG模型经典三阶段算法反演森林冠层高度存在低估现象(r=0.11,bias=-26.20 m,RMSE=7.16 m),地面相位优化的三阶段算法、纯体散射复相干优化的三阶段算法、低估补偿改进的三阶段算法反演森林冠层高度的估测精度较经典三阶段算法提高,其中低估补偿改进的三阶段算法反演森林冠层高度的改善效果最佳(r=0.79,bias=-1.69 m,RMSE=2.56 m);思茅松纯林的估测效果(r=0.81,bias=1.40 m,RMSE=2.27 m)优于思茅松混交林(r=0.72,bias=-3.09 m,RMSE=2.87 m)。【结论】相比经典三阶段反演算法,基于TanDEM-X SAR数据的改进三阶段反演算法估测精度更高。