發(fā)布時間：2017-06-05 00:18

  本文關鍵詞：基于全極化SAR圖像的植被信息提取技術研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：植被是生態(tài)系統(tǒng)中的重要組成部分,植被信息的提取對于監(jiān)測環(huán)境變化以實現(xiàn)可持續(xù)發(fā)展具有重要意義。傳統(tǒng)提取植被信息的方法主要是地表實測法和光學遙感技術,地表實測法很難獲得準確的植被信息;而光學遙感又易受天氣的影響,二者均不能對植被信息進行及時準確的提取。SAR技術的發(fā)展為提取植被信息提供了新的手段,其不受云、雨、霧影響的特點,可對植被進行全天時和全天候的監(jiān)測,而全極化SAR數(shù)據為植被信息提取開辟了新途徑。本文首先分析了極化SAR的基礎理論,然后探討了基于全極化SAR數(shù)據提取植被覆蓋信息和反演植被生物量的算法,并將兩種算法進行了驗證,最后利用兩種算法提取復雜地形區(qū)域的植被信息。具體工作如下:(1)基于Wishart H/α分類算法實現(xiàn)全極化SAR圖像的植被覆蓋信息提取。將分類算法應用于達里湖區(qū)域的全極化數(shù)據,然后基于植被散射機制提取覆蓋信息,之后與光學圖像進行對比計算提取精度,發(fā)現(xiàn)在不同多視處理視數(shù)下的植被覆蓋信息提取差異較大。通過進行誤差分析,改進分類算法,提高植被覆蓋信息提取的精度,將原精度54.0%和73.1%分別提高到81.7%和88.0%。(2)基于MIMICS模型模擬的神經網絡算法實現(xiàn)全極化SAR圖像的生物量信息反演。將地表實測的邛崍區(qū)域的水稻生長參數(shù)輸入MIMICS模型中,生成神經網絡的訓練樣本,然后訓練神經網絡,建立后向散射系數(shù)與生物量間的關系。將建立好的訓練網絡應用于邛崍區(qū)域的全極化SAR圖像上,反演研究區(qū)的生物量,并利用地表實測生物量值與反演值進行比對,驗證算法的精度,得到相關系數(shù)為0.921。(3)實現(xiàn)復雜地形的植被覆蓋信息提取和生物量反演。選取復雜地形區(qū)域為茂縣山區(qū),針對復雜地形,需借助DEM進行幾何校正,然后利用改進的Wishart H/α分類算法提取植被覆蓋信息,之后利用基于MIMICS模型模擬的神經網絡算法反演生物量,實現(xiàn)植被覆蓋信息的提取和植被生物量的反演,并通過與光學圖像對比以及分析兩個時相圖像的生物量提取結果,得出生物量的變化趨勢與植被生長趨勢一致,實現(xiàn)了復雜地形區(qū)域的植被覆蓋和生物量信息的成功提取。
【關鍵詞】：極化SAR 植被 Wishart H/α分類 MIMICS模型 神經網絡 生物量
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TN957.52;Q948
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 緒論11-18
• 1.1 選題背景和意義11-12
• 1.1.1 選題背景11-12
• 1.1.2 全極化SAR圖像的植被信息提取的研究意義12
• 1.2 極化SAR圖像植被信息提取技術國內外研究現(xiàn)狀12-16
• 1.2.1 極化SAR的研究現(xiàn)狀12-14
• 1.2.2 極化SAR提取植被信息的國內外研究現(xiàn)狀14-16
• 1.3 主要研究內容16
• 1.4 論文結構16-18
• 第二章 全極化SAR圖像植被信息提取的基礎理論18-32
• 2.1 SAR原理18-21
• 2.1.1 SAR的成像原理18-20
• 2.1.2 SAR圖像的特點20-21
• 2.2 極化電磁波的表征21-26
• 2.2.1 極化橢圓22-25
• 2.2.2 Jones矢量25
• 2.2.3 Stokes矢量25-26
• 2.3 極化散射特性的表征26-31
• 2.3.1 散射坐標系26-28
• 2.3.2 極化散射矩陣28
• 2.3.3 Stokes矩陣28-29
• 2.3.4 協(xié)方差矩陣與相干矩陣29-31
• 2.4 本章小結31-32
• 第三章 全極化SAR圖像植被覆蓋信息提取及驗證32-52
• 3.1 全極化SAR圖像的目標極化分解和分類算法32-33
• 3.1.1 目標極化分解32-33
• 3.1.2 極化SAR的分類算法33
• 3.2 研究區(qū)SAR圖像概況及預處理33-36
• 3.2.1 研究區(qū)SAR圖像概況33-35
• 3.2.2 研究區(qū)SAR圖像預處理35-36
• 3.3 全極化SAR圖像植被覆蓋信息提取36-41
• 3.3.1 基于Wishart H/α 分類的植被覆蓋信息提取流程36-37
• 3.3.2 全極化SAR圖像的分類37-41
• 3.4 研究區(qū)植被覆蓋信息提取及驗證41-46
• 3.4.1 研究區(qū)植被覆蓋信息提取41-43
• 3.4.2 研究區(qū)植被覆蓋信息提取的驗證43-46
• 3.5 誤差分析及改進方法46-51
• 3.5.1 Wishart分類器的分析和改進46-49
• 3.5.2 研究區(qū)地物特征的分析49-51
• 3.6 本章小結51-52
• 第四章 全極化SAR圖像的植被參數(shù)反演及驗證52-69
• 4.1 植被生物量反演模型與方法52-57
• 4.1.1 植被生物量反演方法52-55
• 4.1.2 植被微波散射模型55-57
• 4.2 研究區(qū)數(shù)據獲取及處理57-59
• 4.2.1 地面數(shù)據測量57-58
• 4.2.2 SAR數(shù)據的獲取58-59
• 4.3 基于MIMICS模型模擬的神經網絡植被生物量反演算法59-62
• 4.3.1 BP神經網絡的建立59-60
• 4.3.2 訓練樣本的生成60-61
• 4.3.3 用BP神經網絡進行訓練并檢驗網絡精度61-62
• 4.4 研究區(qū)植被生物量的反演及驗證62-68
• 4.4.1 基于MIMICS模型模擬的神經網絡的生物量反演流程62-63
• 4.4.2 全極化SAR圖像的植被覆蓋信息及后向散射系數(shù)的提取63-65
• 4.4.3 全極化SAR圖像的生物量反演與驗證65-68
• 4.5 本章小結68-69
• 第五章 復雜地形的植被信息提取69-76
• 5.1 研究區(qū)概況及預處理69-71
• 5.1.1 研究區(qū)地形概況69
• 5.1.2 SAR圖像的預處理69-71
• 5.2 研究區(qū)植被覆蓋信息提取71-72
• 5.3 研究區(qū)植被生物量的反演72-74
• 5.4 研究區(qū)植被信息提取的驗證74-75
• 5.5 本章小結75-76
• 第六章 總結與展望76-78
• 6.1 總結76-77
• 6.2 展望77-78
• 致謝78-79
• 參考文獻79-84
• 攻讀碩士學位期間取得的研究成果84-85

【參考文獻】

中國博士學位論文全文數(shù)據庫 前1條

1 曹芳;基于Cloude-Pottier分解的全極化SAR數(shù)據非監(jiān)督分類的算法和實驗研究[D];中國科學院研究生院（電子學研究所）;2007年

中國碩士學位論文全文數(shù)據庫 前1條

1 胡昊;極化SAR圖像精細地物分類方法研究與實現(xiàn)[D];上海交通大學;2012年

  本文關鍵詞：基于全極化SAR圖像的植被信息提取技術研究，由筆耕文化傳播整理發(fā)布。

本文編號：422512