基于RNMU的多源星载SAR影像融合与土地覆盖分类

为充分利用多时相、多极化SAR数据在不同土地覆盖类型中的后向散射特性,将递归非负矩阵下近似(Recursive nonnegative matrix underapproximation,RNMU)算法引入多源SAR数据的融合,并利用融合后的SAR影像实现较高精度的土地覆盖分类。融合过程中,在根据不同模式SAR影像特点进行多源SAR影像预处理的基础上,基于RNMU算法通过对多个输入SAR影像进行矩阵分解及迭代最优矩阵求解,得到融合影像。为验证融合后SAR影像在土地覆盖分类中的应用效果,以吉林省大安市为研究区,对多时相Sentinel-1的VV/VH双极化SAR数据和高分三号(GF-3)的HH/HV双极化SAR数据进行了基于RNMU的影像融合,并利用融合后的SAR影像进行研究区主要土地覆盖类型分类。实验结果表明,基于RNMU融合影像的土地覆盖分类总体精度达93. 11%,Kappa系数为0. 86,与Gram-Schmid(G-S)融合方法相比,分类总体精度提高了6. 83个百分点,Kappa系数提高0. 12。多源SAR融合为SAR影像融合提供了有效手段,为土地覆盖分类提供了更多高精度的数据资源。     

SAR 遥感指数研究进展

【目的】指数作为遥感信息的一种有效描述,在对大气、海洋、土壤和植被等进行定性、定量评估时具有重要意义。【方法】合成孔径雷达(SAR)技术利用微波与地表相互作用过程感测地表,SAR遥感拥有丰富的地表散射强度和相位信息,具有一定物理意义又高度综合表征地物信息的SAR遥感指数便于SAR遥感技术的业务化应用,文章通过文献调研,对SAR遥感指数及其在土壤表面状况监测、植被生长状况监测和植被信息快速提取中的应用研究现状进行分析。首先对SAR相关指数进行整理,根据反映的地表覆被状况将其划分为土壤指数与植被指数两大类型;然后,分别针对SAR遥感中具体的土壤指数和植被指数,从指数定义、物理意义、应用和精度等方面分析其优缺点。【结果/结论】国内外学者对SAR遥感指数开展了众多研究,但目前SAR遥感指数还存在一些问题,在未来的研究中,需要充分挖掘多模式、多极化、多波段、多时相SAR遥感数据的丰富信息,融合光学遥感及其他数据,从机理出发,构建更多物理意义明确的SAR遥感指数。