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。     

基于微波自由空间测量的小麦含水率检测方法

为了实现小麦含水率的快速检测,采用微波自由空间测量法研究了信号频率(1～4 GHz)、温度(10～40℃)、含水率(11. 35%～17. 79%)和容积密度(低、高)对小麦相对介电常数的影响,分析了影响相对介电常数变化的原因,建立了不同频率下小麦含水率的预测模型,并对模型进行了验证。研究结果表明,在1～4 GHz频段内,小麦的相对介电常数随含水率、温度和容积密度的增大而增大,随着信号频率的增大而减小;所建立的支持向量机模型取得了很好的预测效果,对比于单频和多频,全频下的预测模型最优,其预测集相关系数、预测集均方根误差和剩余预测偏差分别达到了0. 992 9、0. 051 3%和18. 67。研究表明,微波自由空间法可用于检测小麦含水率。     

基于超宽带雷达和多光谱数据融合的土壤含水率检测

土壤含水率监测是精准农业的重要组成部分,对于农情监测和农业生产起着关键性作用。超宽带雷达由于其体积小、质量轻、穿透力强和功耗低等特性已被广泛应用于土壤含水率监测研究。而现有超宽带雷达反演土壤含水率多为理想裸土情况,实际应用中地表植被覆盖会对结果造成较大影响,针对此问题,融合超宽带雷达和多光谱数据,利用支持向量机（SVM）模型对农田尺度不同植被覆盖下的土壤含水率进行分级预测,以减小植被对预测精度的影响。研究结果表明,在超宽带雷达回波数据提取出的不同时域特征组合中,选用峰值因子、峭度、均方根、峰-峰值、最大幅值、方差、偏斜度、平均值和最小幅值9个时域特征作为SVM模型输入特征预测结果最好,总体精度为95.59%,Kappa系数为0.9492。加入植被指数NDVI后,不同时域特征组合作为特征输入的模型精度均有显著提高,其中将9个时域特征与NDVI共同作为SVM输入预测效果最佳,总体精度为98.09%,Kappa系数为0.9780,与不考虑植被影响的预测结果比较,总体精度提高了2.50个百分点,Kappa系数提高了0.0288。     

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。     

融合栈式自编码与CNN的高光谱影像作物分类方法

在高光谱影像作物分类中,为了充分利用高光谱遥感影像完整的光谱信息,同时避免高维数据带来的Hughes现象,本文从栈式自编码网络的数据降维与CNN网络的分类优势出发,首先分析了此种网络在训练过程中的共性,以自编码网络优化过程中分类器的选取作为切入点,构建了可用于高光谱影像分类的融合网络架构。相较于传统方法,本文方法仅通过一次监督训练,即可实现高光谱影像直接分类,简化了传统数据处理流程,而且具有更优的分类性能。在实验中,利用Pavia University与雄安地区两组典型的高光谱遥感影像数据集对本文方法进行了验证,实验结果表明,Pavia University数据集中,在仅选用10%的像素点作为训练集的情况下,本文方法总体分类精度达到98.73%,比传统方法提升了8个百分点以上;在雄安数据集中,在仅选用1%的像素点作为训练集的情况下,本文方法总体分类精度达到98.04%,比传统方法提升了7个百分点以上,证明了本文分析的正确性和所提方法有效性,也为小样本情况下的高光谱影像分类提供了一种新的研究思路。     

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。     

基于时变特征的多时相PolSAR农作物分类方法

获取农作物分类信息是极化合成孔径雷达(Polarimetric synthetic aperture radar,PolSAR)的重要应用之一,然而单时相PolSAR数据能够提供的信息十分有限,而且单时相数据的获取时间也会影响农作物分类精度。随着技术的发展,出现了大量的机载和星载PolSAR系统,这些系统能够获取目标重复观测的PolSAR数据,这为多时相PolSAR的数据分析和应用提供了可能。本文以多时相PolSAR农作物分类为出发点,通过利用不同农作物的极化散射特性的变化特性来提高分类精度。首先,基于极化散射特性分解原理分析了不同农作物在生长过程不同时期所呈现的散射特性变化规律,在此基础上定义了一个新的参数描述其散射特性的变化特性。其次,基于这一新参数提出了一种多时相PolSAR农作物监督分类算法。最后,通过对欧洲空间局所提供的基于Radarsat-2实测仿真生成的Sentinel-1数据处理结果表明,相比于基于复Wishart分布的监督分类算法,农作物的整体分类精度提高了约4个百分点,当农作物种类合并为4类时,整体分类精度提高了约6个百分点。     

基于改进UPerNet和国产高分遥感数据的冬小麦种植区提取

遥感技术能够获取大区域下冬小麦的空间分布，为冬小麦估产提供良好基础。基于2020年5月4日的高分2号多光谱卫星影像，构建包含光谱特征和植被指数的数据集，并通过改进UPerNet模型的上采样结构、激活函数以及增加注意力模块来优化模型提取冬小麦效果。选取杨凌示范区2块地物类型丰富地区作为研究区域，以此探究方法的可行性；然后基于最优方法，提取杨凌区冬小麦种植区域。研究区域结果表明，与仅使用光谱信息作为模型输入特征相比，基于多光谱和植被指数的分类效果更好。在融合光谱特征和植被指数的数据集上，改进的UPerNet模型分类精度最高，冬小麦提取精度为97.78%,总体分类精度相比于改进前的UPerNet提升了2.49%,对比DeepLab V3+提升了3.48%。基于改进方法，实现了杨凌示范区的冬小麦种植区提取；通过实地调查以及对比统计年鉴数据的方式，验证了杨凌示范区冬小麦空间分布与实际情况基本一致。改进后的UPerNet模型能够有效区分遥感数据中的地物类别，提升冬小麦种植区域提取精度，也为基于卫星影像获取冬小麦空间分布提供了技术支持。