利用时序合成孔径雷达数据监测水稻叶面积指数

为了确定全极化雷达数据监测水稻叶面积指数动态变化的精度,该文对水稻叶面积指数与后向散射系数进行了各生长阶段建模比较。采用广东雷州地区多时相多入射角精细全极化Radarsat-2数据,结合水稻全生育期地面样方实测数据,首先分析多入射角归一化后四极化(vertical-horizontal polarization,VH;vertical-vertical polarization,VV;horizontal-horizontal polarization,HH;horizontal-vertical polarization,HV)、比值极化HH/VV后向散射系数与水稻叶面积指数(leaf area index,LAI)随时间变化特征以及在营养生长阶段、生殖生长阶段和全生育期的相关关系,提取相关系数高于0.8的极化与生长阶段进行水云模型建模,最终生成多期水稻LAI反演分布图,并验证该数据反演水稻各生长阶段LAI的精度,探索SAR数据追踪区域尺度水稻长势的可行性。结果表明,在地形较为平坦的水稻集中连片种植区,VV、HH/VV后向散射系数与LAI在营养生长期、全生育期极显著相关(P0.01),相关系数均高于0.83。营养生长阶段VV、HH/VV水云模型拟合决定系数分别为0.77、0.87,全生育期VV、HH/VV水云模型拟合决定系数分别为0.73、0.8,营养生长阶段模型优于全生育期模型。精细四极化SAR数据监测区域尺度水稻LAI动态变化具有应用潜力,优选的极化模型为进一步的水稻长势监测提供依据。     

单时相双极化ENVISAT ASAR数据水稻识别

许多研究已表明合成孔径雷达(SAR)对水稻识别及作物长势监测很有潜力。但是，以往的研究多是采用单极化多时相SAR数据进行水稻监测的。该文本着探讨多极化方式的优势以及降低数据购买成本和减少数据处理量的目的，对单时相双极化的ENVISAT ASAR APP数据的水稻识别能力进行了评价。在水稻生长季节，获取了覆盖江苏洪泽县的ASAR APP时间序列数据。首先，分析比较不同地物的后向散射系数，选择出最能区分水稻与非水稻的单时相数据；然后，采用决策阈值法将水稻信息从图像中提取出来；最后，利用DGPS实测的样地数据对水稻识别进行精度验证。结果表明，利用水稻齐穗期至近成熟期的HH和VV极化的ENVISAT ASAR APP图像能较好区分水稻与非水稻， 水稻识别精度可达86％以上。     

基于合成孔径雷达的农作物后向散射特性及纹理信息分析——以吉林省农安县为例

及时掌握农作物类型、时空分布和结构信息,是合理调整农业结构的重要科学依据。针对光学遥感依赖于太阳辐射,在农作物生长周期内常受制于云雾的影响而无法获取到光学遥感数据的问题,本文采用全天时全天候、不受云雾等天气影响的合成孔径雷达（synthetic aperture radar,SAR）影像,探讨典型农作物的后向散射特性和纹理特征,为采用合成孔径雷达影像实现高精度农作物大面积监测提供科学依据。以吉林省农安县为例,利用12景Sentinel-1B双极化SAR影像数据,经影像预处理和统计分析,研究不同极化的农作物后向散射特性和纹理信息。结果表明：3种作物（大豆、玉米、水稻1和水稻2）同极化（VV）的SAR后向散射系数在生长周期内均高于交叉极化（VH）,农作物植株形态改变极化方式的能力为-25~-15 dB。3种作物在整个生长期内,后向散射系数呈现较大波动,各阶段后向散射特征差异明显。在生长初期,土壤对后向散射特征起主要作用,在SAR图像上表现为暗色调;随着作物生长,冠层散射叠加土壤散射作用占据主要位置,散射值随作物生长呈现逐渐增加的趋势,在SAR图像上表现为亮色调;拔节（分枝）后（7月10日后）作物的后向散射信号除冠层散射作用外,还主要受到土壤含水量及其与作物相互作用的影响,因此拔节后两种水稻后向散射系数下降幅度较大。水稻对雷达波的吸收强于玉米和大豆,整体上后向散射系数第2种水稻<第1种水稻<玉米<大豆,尤其在VH极化方式下表现更明显。对作物SAR纹理信息的研究表明纹理信息的均值、方差和协同性对于农作物的SAR识别更有效,最佳纹理信息为VH极化均值,有利于识别3种作物;VV极化方差和VV协同性有助于区分两种水稻;SAR影像识别作物的最佳时相为5月23日至7月10日。     

基于ENVISAT ASAR数据的水稻时域后向散射特征分析

该文结合2004年和2006年在江苏省里下河地区进行的水稻观测试验,采用多时相双极化ASAR APMode数据分析了水稻HH极化、VV极化和比值系数σ°HH/VV的时域变化特征及与水稻生长参数的相关关系。通过建立水稻HH、VV和σ°HH/VV的时相变化曲线,分析了水稻抽穗期前后雷达信号随水稻冠层、植株含水量及稻田水层变化的后向散射特征。同时,选择水稻叶面积指数、鲜生物量和水稻株高与含水量的乘积为水稻参数,采用线性回归相关分析,探讨了水稻HH、VV和σ°HH/VV与所选水稻参数之间的相关关系。结果表明,以水稻抽穗期为转折点,水稻各极化后向散射系数随水稻的生长呈现先增大后减小的变化趋势,与所选水稻参数的时相变化大体一致。水稻HH和VV极化后向散射系数与所选水稻参数的相关系数都在0.75以上,其中与水稻鲜生物量的相关系数在0.9以上。σ°HH/VV与水稻参数的相关关系显著,相关系数均在0.85以上,并且受水稻品种、种植方式和地理环境等差异的影响较小,因此可用于水稻参数反演的可靠变量。     

基于Sentinel-1A影像和一维CNN的中国南方生长季早期作物种类识别

作物的早期识别对粮食安全至关重要。在以往的研究中,中国南方作物早期识别面临的主要挑战包括:1)云层覆盖时间长、地块尺寸小且作物类型丰富;2)缺少高时空分辨率合成孔径雷达(synthetic aperture radar,SAR)数据。欧洲航天局Sentinel-1A(S1A)卫星提供的SAR图像具有12 d的重访周期,空间分辨率达10 m,为中国南方作物早期识别提供了新的机遇。为在作物早期识别中充分利用S1A影像的时间特征,本研究提出一维卷积神经网络(one-dimensional convolutional neural network,1D CNN)的增量训练方法:首先利用生长季内全时间序列数据来训练1D CNN的超参数,称为分类器;然后从生长季内第一次S1A影像获取开始,在每个数据获取时间点输入该点之前(包括该点)生长季内所有数据训练分类器在该点的其他参数。以中国湛江地区2017年生长季为研究实例,分别基于VV、VH和VH+VV,评估不同极化数据在该地区的作物分类效果。为验证该方法的有效性,本研究同时应用经典的随机森林(random forest,RF)模型对研究区进行试验。结果表明:1)基于VH+VV、VH和VV极化数据的分类精度依次降低,其中,基于VH+VV后向散射系数时间序列1D CNN和RF测试结果的Kappa系数最大值分别为0.924和0.916,说明S1A时间序列数据在该地区作物分类任务中有效;2)在研究区域内2017年生长季早期,基于1D CNN和RF的5种作物的F-measure均达到0.85及以上,说明本文所构建的1D CNN在该地区主要作物早期分类任务中有效。研究结果证明,针对中国南方作物早期分类,本研究提出的1D CNN训练方案可行。研究结果可为深度学习在作物早期分类任务中的应用提供参考。     

基于水云模型的Sentinel-1A双极化反演植被覆盖区土壤水分

根据开展的景县地区玉米农田主被动微波遥感协同反演土壤水分监测试验,提出利用FY-3 B WMRI被动微波数据计算微波极化差异指数(MPDI),建立了植被层含水量反演模型,去除植被含水量对于农田土壤水分反演的影响,然后结合植被层含水量反演模型和水云模型,以及Sentinel-1A主动微波数据和部分实测样点土壤体积含水量数据建立植被覆盖区农田土壤水分半经验反演模型,最后验证分析Sentinel-1A VV/VH不同极化条件下土壤水分反演模型的精度。结果表明:VV极化条件下土壤水分反演模型反演精度为R~2=0.7422,RMSE=0.0674 cm~3/cm~3,MAE=0.0305 cm~3/cm~3,MaxE为0.1196 cm~3/cm~3,MinE=0.0024 cm~3/cm~3;VH极化模型为R~2=0.1898,RMSE=0.0768 cm~3/cm~3,MAE=0.0474 cm~3/cm~3,MaxE=0.1933 cm~3/cm~3,MinE=0.0190 cm~3/cm~3。研究区VH极化模型反演值存在普遍偏低现象,VV极化模型土壤水分反演结果优于VH极化模型。VV极化方式具有更强的穿透性,受到植被层衰减作用影响较小,对土壤水分含量变化也更为敏感。建立的VV极化条件下土壤水分反演半经验模型能较好地表征研究区土壤水分空间分布情况。     

冬小麦不同生长期雷达后向散射特征分析与应用

雷达遥感具有全天候观测能力,其时效性保障是作物关键物候期观测的迫切需求。该文以全极化雷达遥感数据RADARSAT-2为数据源,选择冬小麦的孕穗期和乳熟期为研究对象,以理论模型MIMICS模拟为依据,分析了冬小麦不同物候期的散射特征和参数提取方法。结果表明：冬小麦不同生长期由于结构上的差异,散射特征差别很大;模型模拟可以为长势反演提供参考,为作物参数反演提供理论依据;孕穗期可以用极化比HH/VV提取作物长势信息,乳熟期极化比VV/VH更易提取长势信息,且精度更高,同时极化比VV/VH能在乳熟期估算冬小麦的产量。     

基于ASAR的冬小麦不同生育期土壤湿度反演

基于ASAR高级合成孔径雷达ASAR数据和地面调查数据,结合MIMICS模型分析方法,研究ASAR后向散射数据与土壤湿度及冬小麦结构参数之间的关系,构建冬小麦不同生育期土壤湿度反演模型。研究结果表明：冬小麦冠层散射影响ASAR信号探测土壤湿度的深度,冬小麦生长初期（起身期前）ASAR信号探测土壤湿度的最佳深度为0～20 cm,拔节期后ASAR信号探测土壤湿度的最佳深度为0～5 cm。冬小麦抽穗期前,ASAR IS2 VV模式后向散射系数与土壤湿度线性相关性较高,可以利用经验统计模型方法反演土壤湿度;冬小麦生长旺盛期（抽穗期）,经验模型土壤湿度反演精度较差,多角度ASAR数据模型能够提高土壤湿度反演精度。利用该土壤湿度反演模型,起身期、拔节期和抽穗期土壤湿度反演的均方根误差分别为0.0125、0.0247和0.0298 g/g。     

基于Sentinel-1A与Landsat 8数据的北黑高速沿线地表土壤水分遥感反演方法研究

土壤含水量是影响水文和气候变化的基本参数,研究土壤含水量分布,对气候变化、水资源分布、农作物估产等有着重要的现实意义和科学价值。本文以2015年6月21日的Sentinel-1A(哨兵1号)双极化合成孔径雷达影像为基础,结合同时段辅助光学影像Landsat 8,对北安—黑河高速沿线地区不同植被覆盖程度下复杂地表土壤含水量进行反演研究,探讨不同极化组合方式在不同土地利用方式下的土壤水分含量反演结果。结果表明:VH极化及VH与辅助变量NDVI(Normalized Difference Vegetation Index)组合反演精度分别为52.1%和53.6%,整体效果并不理想。VV极化(VV Polarization)图像和双极化VV/VH(VH Polarization)组合在裸露和低植被地区反演更具有优势,其精度分别为75.4%和59.5%,而在高植被覆盖度地区并不适用。VH极化反演结果中耕地土壤含水量比实际值低9.37%,VV极化在低植被区域土壤含水量比实际值低10.45%,在灌木及耕地地区VV/VH反演结果精度比单极化及其组合反演结果低,最高精度模型的反演是VV结合NDVI。VV与辅助变量NDVI结合能综合反映复杂地表环境下土壤含水量,其精度达84%,标准误差RMSE为2.07,比VV极化反演精度提高8.8%,RMSE比VV极化降低2.704。VV与辅助变量NDVI组合方式在中等植被覆盖地区土壤含水量反演更具有优势,并能够更好地发挥哨兵1号C波段合成孔径雷达在土壤水分研究中的潜力与有效性。     

基于Sentinel-1数据时序特征的热带地区水稻种植结构提取方法

由于热带地区的雨季时间较长,云覆盖严重,基于光学影像难以准确提取区域内的水稻种植模式。该文以泰国湄南河流域中部平原水稻种植区为例,基于Sentinel-1SAR时间序列数据,提出一种融合时序统计参数与时序曲线相似性特征的热带地区水稻种植结构提取方法。首先利用年内所有可获取的Sentinel-1SAR数据,分别基于像元和基于对象构建后向散射系数时间序列曲线,提取时序特征参数;利用动态时间规整(Dynamic Time Warping,DTW)算法,计算后向散射系数时序曲线与地物标准曲线间的隶属度;将时序特征参数、时序曲线隶属度相结合,利用随机森林模型进行机器学习监督分类,提取研究区的水稻种植信息并评价分类精度。结果表明,基于Sentinel-1SAR时序特征融合的算法可以较好地提高水稻种植结构分类精度。其中,基于对象的分类算法的单季稻提取用户精度为81.46%,生产者精度为82.00%;双季稻用户精度为88.0%,生产者精度为84.08%,均优于基于像元的分类算法。研究结果可为多云多雨的热带地区水稻种植信息提取提供一种新的思路。     

基于多时相合成孔径雷达与光学影像的冬小麦种植面积提取

小麦是中国最重要的农作物之一,准确、及时掌握小麦种植面积具有重要意义。以探索合成孔径雷达(synthetic aperture radar,SAR)与光学数据对种植结构复杂地区冬小麦识别的能力,提高识别精度为目的。该研究以多时相SAR(Sentinel-1A)和光学影像(Landsat-8)为数据源,选取种植结构复杂的都市农业区为研究区。构建不同特征向量组合,利用支持向量机(support vector machine,SVM)提取冬小麦种植面积。通过对比分析基于不同特征向量组合的冬小麦识别精度,结果表明:1)使用SAR后向散射数据得到85.7%的制图精度和87.9%的用户精度;2)添加SAR数据纹理信息,总体精度高达90.6%,比单独使用后向散射数据在制图精度和用户精度上分别提高7.6%和6.7%;3)当SAR数据和光学影像结合时,总体精度高达95.3%(制图精度97%,用户精度98.4%),比单独使用SAR数据在制图精度和用户精度上分别提高3.7%和3.8%。因此,基于SAR数据的都市农业区冬小麦分类,有着较高分类精度,纹理信息和光学影像的添加能有效提高识别精度。研究结果可为SAR数据的农作物识别和应用提供理论基础。     

多极化多角度ASAR数据反演裸露和小麦地表土壤湿度

为了更好地监测地表土壤湿度,利用多极化、多角度ASAR-APP影像数据,研究了裸露和小麦地表土壤湿度反演方法。对裸露地表,基于AIEM（advance integral equation model）模型,建立多项式半经验模型反演土壤湿度;对小麦地表,小入射角HH极化ASAR数据与土壤湿度相关性更好,大入射角HH极化ASAR数据与小麦含水率相关性更好。基于水云模型,首先利用大入射角HH极化ASAR数据去除小麦冠层对雷达后向散射的影响,然后利用多角度ASAR数据推导建立小麦地表土壤湿度反演半经验模型;实测数据验证了裸露和小麦地表土壤湿度反演模型的适用性,利用验证数据反演裸露和小麦地表土壤湿度精度（RMSE）分别为3.55%、3.81%。结果表明,该文半经验模型具有较高的反演精度。     

Estimation of surface roughness and stone cover in burnt soils using SAR images

In many quartzitic slopes in the NW of the Iberian Peninsula there is a high topsoil stoniness which produces a random surface roughness. The surface roughness is one of the control parameters in the signal of Synthetic Aperture Radar (SAR) images. In this work we test the use of the SAR images for distinguishing and mapping areas with different surface roughness which, in this study, correspond with areas with different surface stoniness. In accordance with the geographic location, the relief of the study area and the aims of the project JERS and ENVISAT SAR images were used. The images are characterized by the high view angles, between 33° and 42°, alternating polarization (HH/HV, VV/VH) data and ascending and descending passes.     

基于特征选择和GA-BP神经网络的多源遥感农田土壤水分反演

土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一。针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该研究提出了一种基于特征选择和GA-BP神经网络(Genetic Algorithm-Back Propagation neural network)的多源遥感农田地表土壤水分反演方法。首先对Sentinel-1微波遥感数据和Sentinel-2光学遥感数据进行预处理并提取21个特征参数;然后采用差分进化特征选择(Differential Evolution Feature Selection,DEFS)算法从21个特征中选出包含10个参数的最优特征子集,并利用主成分分析(Principal Component Analysis,PCA)法将特征子集进行降维;之后建立BP神经网络,采用遗传算法(GeneticAlgorithm,GA)对BP网络的节点权值进行优化,使用降维后的特征矩阵和部分实测土壤含水量数据对BP网络进行训练;最后利用训练好的GA-BP网络对研究区土壤水分进行反演,并利用实测数据对反演结果精度进行对比验证。试验结果表明,该研究反演结果的决定系数为0.789 3,均方根误差为0.028 7 cm~3/cm~3,相比单纯使用GA-BP神经网络,加入DEFS和PCA之后决定系数提高了0.215 7,同时均方根误差降低了0.029 5 cm~3/cm~3。该结果展示了DEFS和PCA算法在土壤水分反演最优特征集选择的有效性,为多源遥感农田地表土壤水分反演提供了新思路。     

基于Radarsat-2影像的复杂种植结构下旱地作物识别

为提高基于Radarsat-2旱地作物识别的精度,该文研究了一种复杂种植结构背景下具有共同生长期作物的识别方法。研究区为一个12 km×12 km的样方,位于内蒙古上库力农场额很队,以春小麦、油菜2种共同生长期作物为识别对象,利用Spot-6影像和Radarsat-2影像,在数据预处理的基础上分析研究区内典型地物样本的后向散射系数在不同极化波段上的变化特征,根据该变化特征设计图像增强算法,然后基于图像增强后的影像设定合理的阈值实现作物识别提取。结果表明：该方法准确识别并有效提取了共同生长期作物春小麦和油菜的种植面积,总体精度达到97%,Kappa系数为0.96。该方法简便、快捷、可靠,为春小麦、油菜等旱地共同生长期作物种植面积提取提供重要的科学技术支撑。     

基于Sentinel多源数据的农田地表土壤水分反演模型构建与验证

土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一。针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该文基于Sentinel-1和Sentinel-2多源遥感数据,利用Oh模型、支持向量回归(support vector regression,SVR)和广义神经网络(generalized regression neural Network,GRNN)模型对土壤水分进行定量反演,以减小植被影响,提高反演精度。结果表明:通过水云模型去除植被影响后的Oh模型反演精度有所提高。加入不同植被指数的SVR和GRNN模型的反演效果总体优于Oh模型,基于SVR模型的多特征参数组合(双极化雷达后向散射系数、海拔高度、局部入射角、修改型土壤调整植被指数)反演效果最优,其测试集相关系数和均方根误差分别达到了0.903和0.015 cm~3/cm~3,为利用多源遥感数据反演农田地表土壤水分提供了参考。