非邻域相干系数估计的PolInSAR树高反演算法

为了提高全极化干涉合成孔径雷达树高反演精度,提出了一种基于非邻域窗口相干系数估计的Pol In SAR树木高度反演算法。该算法首先求取4对全极化干涉SAR图像的最优干涉相位图,再以局部窗口内像素的幅度和相位联合条件概率密度为准则选取与当前像素满足独立同分布的样本,进而获得相干系数的准确估计值,最后采用三段法进行树木高度反演。对仿真数据的处理结果表明,所提算法能够提高观测场景中树木高度的反演精度,并且能够很好地保持图像中的边界细节信息。     

基于自适应有限冲激响应-卡尔曼滤波算法的GPS/INS导航

导航定位系统一般采用卡尔曼滤波算法提高定位精度。传统卡尔曼滤波算法的性能很大程度上依赖观测噪声的先验统计信息,不精确的统计特性将会降低定位精度。针对此问题,该文提出一种基于FIR(finite impulse response)预测模型的卡尔曼滤波算法。将FIR预测模型与卡尔曼滤波结合,FIR预测模型的系数可以通过求解一个凸二次规划问题得到。该凸二次规划以目标的多项式运动规律为约束条件,以最小白噪声增益为目标函数,具有闭式解。仿真试验和实测结果均表明,在相同的参数设置条件下,基于FIR预测模型的卡尔曼滤波算法比传统的卡尔曼滤波算法具有更高的估计精度,仿真结果表明定位精度提高29.54%,实测结果表明X方向定位精度提高21.71%,Y方向定位精度提高22.62%。该算法可应用于GPS接收信号的降噪处理,提高目标状态的定位精度。     

基于Sentinel-1和Sentinel-2数据融合的农作物分类

基于光学影像的遥感技术受云雨、昼夜影响较大,导致获取连续的作物时序生长曲线较困难,而雷达影像作为主动式成像,能够很好地克服这一缺陷。本文以陕西省渭南市大荔县某农场为研究区域,分别采用最大似然法(Maximum likelihood,ML)和支持向量机(Support vector machine,SVM)2种方法,融合Sentinel-1雷达影像和Sentinel-2光学影像,提高农作物的分类精度。研究结果表明,融合数据的农作物分类精度相比光学数据分类精度有所提高。在无云层覆盖的情况下,利用SVM方法融合Sentinel-2的红、绿、蓝、近红外4个波段数据与Sentinel-1数据,总体分类精度提高了2个百分点,Kappa系数提高了5个百分点;在有少量云层覆盖情况下,利用ML处理融合数据的分类结果精度和Kappa系数分别提高2个百分点和4个百分点,SVM方法下的分类精度提高了6个百分点,Kappa系数提高了8个百分点。     

基于Sentinel-1和Sentinel-2多源遥感数据融合的农作物分类

基于光学影像的遥感技术受云雨、昼夜影响较大,导致获取连续的作物时序生长曲线较困难,而雷达影像作为主动式成像,能够很好地克服这一缺陷。本文以陕西省渭南市大荔县某农场为研究区域,分别采用最大似然法(Maximum likelihood,ML)和支持向量机(Support Vector Machine,SVM)2种方法,融合Sentinel-1雷达影像和Sentinel-2光学影像,提高农作物的分类精度。研究结果表明,融合数据的农作物分类精度相比光学数据分类精度有所提高。在无云层覆盖的情况下,利用SVM方法融合Sentinel-2的红、绿、蓝、近红外4个波段数据与Sentinel-1数据,总体分类精度提高了2个百分点,Kappa系数提高了5个百分点;在有少量云层覆盖情况下,利用ML处理融合数据的分类结果精度和Kappa系数分别提高2个和4个百分点,SVM方法下的分类精度提高了5个百分点,Kappa系数提高了8个百分点。