CN107103280A - 极地冰盖冻融探测方法 - Google Patents
极地冰盖冻融探测方法 Download PDFInfo
- Publication number
- CN107103280A CN107103280A CN201710140753.6A CN201710140753A CN107103280A CN 107103280 A CN107103280 A CN 107103280A CN 201710140753 A CN201710140753 A CN 201710140753A CN 107103280 A CN107103280 A CN 107103280A
- Authority
- CN
- China
- Prior art keywords
- band
- polarization
- ice sheet
- freeze thawing
- detection method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种极地冰盖冻融探测方法,包括以下步骤:雷达影像获取步骤,通过星载极化合成孔径雷达获取极化影像;影像预处理步骤,对所获取的星载极化合成孔径雷达极化影像进行降噪处理,抑制斑点噪声;极化分解步骤,对极化影像进行非相干极化分解,得到各分解参数;采样分析步骤,在极化影像上选取具有典型特征的冰川带进行样本分析;分类步骤,建立和修正分类器,对冰川带进行分类,获得冰川带分布结果;以及探测结果生成步骤,对所述冰川带分布结果进行重新投影和地理坐标校正,制图生成极地冰盖冻融探测结果。本发明克服了以往星载合成孔径雷达冰盖冻融探测方法过于依赖辅助信息及区域局限性的缺点,提高了分类精度。
Description
技术领域
本发明涉及雷达探测技术领域,尤其涉及利用星载极化合成孔径雷达实现高精度的极地冰盖冻融探测的方法。
背景技术
南极大陆作为拥有全球绝大部分的冰川和淡水资源的地区,其冰盖和冰川分布变化对全球气候变化和淡水资源分布有着重要的影响作用和研究价值。其中,南极冰盖冻融在控制地球表面与大气热量交换、地表太阳辐射吸收等方面具有重要作用,对反映和控制全球气候变化状态具有重要意义,因此人们对这方面进行了大量的研究。传统的雷达信号处理技术是用合成孔径(SAR)技术进行方位向杂波抑制,波束合成方法进行垂直方位向的杂波抑制处理,可以有效的提取出内部冰层回波信号和分层结构。由于南极冰盖覆盖面积极大,而且特殊的地理位置和恶劣的气候环境使得实地的调查很难实现,因而近年来以卫星传感器利用为代表的航天遥感成为观测极地的主要手段。星载微波遥感具有对地表全天时全天候的观测能力,能够提供对极区宏观的观测和准确的时空变化分析,且微波遥感在反映冰盖表层物理特征和变化上具有高度的敏感性,对于不同冰川带之间的划分具有不可替代的作用。微波遥感,尤其是主动微波遥感,在反映冰盖表层的物理特征和变化上具有高度的敏感性,合成孔径雷达利用目标微波散射进行高分辨率的成像,是高分辨率的冰盖变化观测的最好手段。
然而低空间分辨率的传感器只能用于粗略的冻融探测和估计,缺乏对于冰盖冻融细节的描述,并不能满足冰盖冻融探测的需求。利用高分辨率的合成孔径雷达,进行冰盖冻融探测分析的研究很少,有研究者对SAR雪盖制图或融化探测等进行过一些分析,但少有对于冰盖冻融微波后向散射特征的完整分析和研究,且从SAR影像上获取冰盖冻融信息的方法不多,目前主要有效地利用SAR进行南极冰盖冻融探测方法主要是移植于ERS-1数据变化检测雪盖制图方法,利用后向散射系数与冬季参考影像差值小于-3dB作为融化判断条件,该方法需要依赖冬季未融化时的参考影像,在较大的观测范围内通常是难以实现的。
非专利文献1利用星载SAR影像对不同冰盖冰川带的微波后向散射因子进行研究,分析C波段后向散射系数在空间和时间上的变化,以此为基础利用Radarsat-2双极化影像进行南极冰盖冻融探测方法的研究。基于阈值法判断冰盖冻融状态,针对融化强烈时湿雪带与干雪带在后向散射因子数值上无法区分,引入参考影像干雪带分布和海拔高度作为辅助信息建立决策树,并利用Radarsat-2宽扫描双极化影像进行决策树分类划分冰盖冰川带,发展基于双极化数据的南极冰盖冻融探测方法。然而,冰川带分布是极地冰盖融化-冻结状态的主要表现形式,冰川带划分和制图是冰盖冻融探测的主要手段。由于冰川带在合成孔径雷达影像上的特征较为复杂,现有利用星载合成孔径雷达进行冰盖冻融探测主要采用辅助信息分类和变化检测方法。利用海拔等辅助信息进行分类的冰川带分类方法只能应用于局部地区,且分类精度不高,而变化检测算法可移植性和灵活性不强。
非专利文献1
基于Radarsat-2双极化数据的南极半岛冰盖冻融探测研究[J].极地研究,王蒙,李新武,梁雷,等.2016,28(1):103-112.
发明内容
为了解决上述问题,本发明公开一种极地冰盖冻融探测方法,包括:雷达影像获取步骤,获取星载极化合成孔径雷达的极化影像;影像预处理步骤,对所述极化影像进行降噪处理,抑制斑点噪声;极化分解步骤,对所述预处理后的极化影像进行非相干极化分解,得到各分解参数;采样分析步骤,在所述极化影像上选取具有典型特征的冰川带进行样本分析;分类步骤,建立和修正分类器,对冰川带进行分类,获得冰川带分布结果;以及探测结果生成步骤,对所述冰川带分布结果进行重新投影和地理坐标校正,制图生成极地冰盖冻融探测结果。
优选为,所述极化分解步骤中同时采用Pauli分解方法、Freeman-Durden分解方法、Yamaguchi分解方法、分解方法以及Touzi分解方法进行极化分解。
优选为,所述分类步骤中利用支持向量机监督分类方法进行分类。
优选为,所述分类步骤包括如下子步骤:有效参数选择子步骤,对各分解参数的样本点进行分析,计算平均归一化类间距,从中剔除类间距较小的参数;冗余参数剔除子步骤,将有效参数进行两两对比,对于相关系数较高的一对参数,剔除其中方差小的参数;以及支持向量机监督分类子步骤,根据优选后的分类参数,利用样本数据构建支持向量机分类器,对极化影像进行监督分类。
优选为,所述极化分解步骤中采用分解方法进行极化分解。
优选为,所述分类步骤中采用基于分解的决策树分类方法进行分类。
优选为,所述分类步骤包括如下子步骤:分类决策树修正子步骤,根据样本信息对分类决策树的参数进行调整;渗浸带提取子步骤,根据渗浸带微波散射能量最高的特点将渗浸带提取出来;以及干湿雪分类子步骤,在微波散射能量较低的区域,利用分解在H/α平面上将面散射占优的湿雪带分离出来,并根据散射熵估计融化程度,得到决策树分类结果。
优选为,所述渗浸带提取子步骤中采用恒虚警率方法提取渗浸带。
优选为,在所述渗浸带提取子步骤中以平均散射强度分量渗浸带频率分布的0.03分位数0.2作为阈值。
优选为,在所述干湿雪分类子步骤中,在H/α平面上将作为有效区域下限的下界限平行上移一定的截距,得到区分干雪带和湿雪带的分割线,其中截距选择原则为满足干雪带和湿雪带样本误分类概率之积最小。
本发明充分利用了极地冰盖冰川带的物理和结构特征对微波散射过程的影响,比较不同冰川带的极化散射特征,然后利用极化分解分量和支持向量机分类器或分类决策树进行冰川带分类,从而得到高分辨率高精度的冰川带分类结果,提高了冰盖冻融探测的精度。
附图说明
图1是极地冰盖冻融探测方法实施方式一的流程图。
图2是支持向量机监督分类步骤的子流程图。
图3是极地冰盖冻融探测方法实施方式二的流程图。
图4是基于分解的决策树分类步骤的子流程图。
图5是区分干湿雪带的H/α平面分割示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1是极地冰盖冻融探测方法实施方式一的流程图。如图1所示,极地冰盖冻融探测方法包括以下步骤:雷达影像获取步骤S11、影像预处理步骤S12、极化分解步骤S13、采样分析步骤S14、支持向量机(SVM)监督分类步骤S15和探测结果生成步骤S16。具体而言,在雷达影像获取步骤S11中,通过星载极化合成孔径雷达获取极化合成孔径雷达的极化影像。在影像预处理步骤S12中,对所获取的星载极化合成孔径雷达的极化影像进行滤波或多视等降噪处理,从而抑制斑点噪声。
在极化分解步骤S13中,对极化影像进行非相干极化分解,得到各分解参数。更详细地来说,采用泡利(Pauli)分解方法、弗里曼-德登(Freeman-Durden)分解方法、山口(Yamaguchi)分解方法、分解方法和徒兹(Touzi)分解方法进行极化分解。冰川带的上述不同的极化分解特征提供了丰富的后向散射过程信息,冰川带的特征如干雪带与湿雪带的差异在极化散射角等分量上有非常显著的区别。冰川带在不同的极化通道和分解分量上具有不同的特征,利用一些显著的特征可以区分不同的冰川带,例如分解的熵、平均散射角,弗里曼和山口分解的体散射分量等。接下来,在采样分析步骤S14中,在极化影像上选取具有典型特征的冰川带进行样本分析。
而后,在支持向量机监督分类步骤S15中,利用支持向量机监督分类方法对冰川带进行分类,获得冰川带分布结果。在图2中示出了支持向量机监督分类步骤S15的子流程图。如图2所示,首先,由于极化SAR提供信息丰富,极化分解所产生的分量数量非常多,为更好地进行监督分类,需要从这些分量中选择一部分特征显著的量,更适合用于冰川带的分类和冻融探测,因此加入了分类参数选择的过程。由于极化分量众多,需要定量的参数来描述极化分量对于区分不同冰川带的能力,并提取出若干个用于监督分类。具体而言,包括有效参数选择子步骤S151和冗余参数剔除子步骤S152。其中,在有效参数选择子步骤S151中,对各分解参数的样本点进行分析,计算平均归一化类间距,从中剔除类间距较小的参数,也即去除那些对分类没有足够的积极影响的参数。接下来,在冗余参数剔除子步骤S152中,将有效参数进行两两对比,对于相关系数较高的一对参数(认为参数信息量重复、冗余),剔除其中方差小(认为信息量较小)的参数。上述有效参数选择是为了优选出有利于冰川带分类的分量,冗余信息剔除是为了从中去除信息相似的冗余分量,最终目的就是为了从众多参数中挑选出适合进行下一步分类的若干个参数。之后,在SVM监督分类子步骤S153中,根据优选后的分类参数,利用样本数据构建SVM分类器,对影像进行监督分类。
最后,在探测结果生成步骤S6中,对所述冰川带分布结果进行重新投影和地理坐标校正,制图生成极地冰盖冻融探测结果。本实施方式的的利用极化分解参数的SVM分类,能够有效地解决在后向散射因子上难以区分的干湿雪带与渗浸带的过渡区域,精度有明显提高。
图3是极地冰盖冻融探测方法实施方式二的流程图。如图3所示,极地冰盖冻融探测方法包括以下步骤:雷达影像获取步骤S21、影像预处理步骤S22、极化分解步骤S23、采样分析步骤S24、基于分解的决策树分类步骤S25和探测结果生成步骤S26。具体而言,在雷达影像获取步骤S21中,通过星载极化合成孔径雷达获取极化影像。在影像预处理步骤S22中,对所获取的星载极化合成孔径雷达的极化影像进行滤波或多视等降噪处理,从而抑制斑点噪声。
在极化分解步骤S23中,采用极化分解对极化影像进行非相干极化分解,得到各分解参数。分解与其他基于散射模型的极化分解方法思路不同,分解的三个特征值分别代表了三种散射机制的强度,不同冰川带在该分解的分量上体现的特征非常明显,尤其是极化散射角是上述极化分解分量中唯一能非常有效的将后向散射因子相近的干雪带和湿雪带区分开的参数,以下来具体说明各分解参数的特点。
在分解的散射熵分量H上,渗浸带尤为突出,具有强烈的去极化能力,而湿雪带的散射熵极低,这代表该区域后向散射弱去极化,并由一种散射类型主导,这与光学表面散射的特征非常吻合。
反熵分量A反映了除优势散射机制外的两个较弱散射机制的大小关系,在以体散射为主的渗浸带内反熵很低,这是由于其他散射能量都不高。反熵分量只在干雪带和湿雪带有均匀的能量分布,由于只有在熵H值比较高时才能用于进一步识别散射特征,反熵分量在区分不同冰川带上似乎作用不大。
平均散射角与散射过程的物理机制相互联系,是区分散射机制类型的最有效参数,在平均散射角的图像上看到,渗浸带与干雪带的散射角都较大,而湿雪带散射角小,主要对应于面散射。在散射能量接近的湿雪带和干雪带上,区分主要散射机制无疑是很有意义的,平均散射角是这些参数中最能有效将干雪带和湿雪带区分开的参数。
平均散射强度分量是三种散射机制强度的平均值,在该参数图像上渗浸带平均散射强度较高,但分布较为均匀,而其他三个带的平均散射强度都非常低,因此从该参数上可以有效的将渗浸带提取出来。从H/α平面上看,渗浸带分布于中高熵散射区,主要对应中高熵下的多次散射和体散射;干雪带同样分布于中高熵散射区,也主要对应多次散射与体散射;湿雪带的熵分布于从很高到很低,但平均散射角都非常低,因而贴近该平面的有效下限,这是与干雪带区分开的最重要的特点。
接下来,在采样分析步骤S24中,在极化影像上选取具有典型特征的冰川带进行样本分析。
而后,在基于分解的决策树分类步骤S25中,利用基于分解的决策树分类方法对冰川带进行分类,获得冰川带分布结果。在图4中示出了基于分解的决策树分类步骤S25的子流程图。如图4所示,首先,进行分类决策树修正子步骤S251,根据样本信息对分类决策树的参数进行调整。接下来,在渗浸带提取子步骤S252中,根据渗浸带微波散射能量最高的特点,将渗浸带提取出来。由于渗浸带散射能量最强,在平均散射强度分量上可以很容易区分出来,本实施方式中采用恒虚警率(CFAR)方法,以分量渗浸带频率分布的0.03分位数0.2作为阈值首先提取出渗浸带。最后,在干湿雪分类子步骤S253中,在微波散射能量较低的区域,利用分解对散射机制的区分能力,在H/α平面上将面散射占优的湿雪带分离出来,并可以根据散射熵粗略估计融化程度,得到决策树分类结果。更具体地来说,由于干雪带集中在中高熵散射区,平均散射角较大,而湿雪带主要分布于中低熵散射区,且平均散射角较小,湿雪带的最显著特征是紧贴有效区域下限,因此利用一条与下界限平行的分割线可有效区分干雪带和湿雪带。为获得分割线,将下界限平行上移一定的截距,其中,最优截距选择原则可以表示为下式:
也即满足干雪带和湿雪带样本误分类概率之积最小。在图5中示出了用于区分干湿雪带的H/α平面分割示意图。
最后,在探测结果生成步骤S26中,对冰川带分布结果进行重新投影和地理坐标校正,制图生成极地冰盖冻融探测结果。南极冰盖不同冻融情况下的区域极化特征丰富,很多极化分解参数,如分解的几个参数,能够在不同方面体现出冰盖表层结构和冻融的差异。本实施方式的基于分解的决策树分类,步骤和决策规则简单但物理意义明确,容易移植到其他研究区域。
本发明利用极化合成孔径雷达的丰富信息,克服了以往星载SAR冰盖冻融探测方法过于依赖辅助信息及区域局限性的缺点,在高分辨率的冰盖冻融探测中利用简单明了的分类流程提高了分类精度。
以上,针对本发明的极地冰盖冻融探测方法的具体实施方式进行了详细说明,但是本发明不限定于此。各步骤的具体实施方式根据情况可以不同。例如,第二实施方式中的极化步骤S23也可以与第一实施方式中的极化步骤S13相同,也即采用多种极化分解方法得到多个极化分解参数,在其后的分类步骤S25中选取分解参数即可。此外,基于部分步骤的顺序可以调换,部分步骤可以省略等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种极地冰盖冻融探测方法,其特征在于,
包括:
雷达影像获取步骤,通过星载极化合成孔径雷达获取极化影像;
影像预处理步骤,对所述极化影像进行降噪处理,抑制斑点噪声;
极化分解步骤,对所述预处理后的极化影像进行非相干极化分解,得到各分解参数;
采样分析步骤,在所述极化影像上选取具有典型特征的冰川带进行样本分析;
分类步骤,建立和修正分类器,对冰川带进行分类,获得冰川带分布结果;以及
探测结果生成步骤,对所述冰川带分布结果进行重新投影和地理坐标校正,制图生成极地冰盖冻融探测结果。
2.根据权利要求1所述的极地冰盖冻融探测方法,其特征在于,
所述极化分解步骤中采用泡利分解方法、弗里曼-德登分解方法、山口分解方法、H/A/分解方法以及徒兹分解方法进行极化分解。
3.根据权利要求1或2所述的极地冰盖冻融探测方法,其特征在于,
所述分类步骤中利用支持向量机监督分类方法进行分类。
4.根据权利要求3所述的极地冰盖冻融探测方法,其特征在于,
所述分类步骤包括如下子步骤:
有效参数选择子步骤,对各分解参数的样本点进行分析,计算平均归一化类间距,从中剔除类间距较小的参数;
冗余参数剔除子步骤,将有效参数进行两两对比,对于相关系数较高的一对参数,剔除其中方差小的参数;以及
支持向量机监督分类子步骤,根据优选后的分类参数,利用样本数据构建支持向量机分类器,对极化影像进行监督分类。
5.根据权利要求1所述的极地冰盖冻融探测方法,其特征在于,
所述极化分解步骤中仅采用H/A/分解方法进行极化分解。
6.根据权利要求5所述的极地冰盖冻融探测方法,其特征在于,
所述分类步骤中采用基于H/A/分解的决策树分类方法进行分类。
7.根据权利要求6所述的极地冰盖冻融探测方法,其特征在于,
所述分类步骤包括如下子步骤:
分类决策树修正子步骤,根据样本信息对分类决策树的参数进行调整;
渗浸带提取子步骤,根据渗浸带微波散射能量最高的特点将渗浸带提取出来;以及
干湿雪分类子步骤,在微波散射能量较低的区域,利用H/A/分解在H/α平面上将面散射占优的湿雪带分离出来,并根据散射熵估计融化程度,得到决策树分类结果。
8.根据权利要求7所述的极地冰盖冻融探测方法,其特征在于,
所述渗浸带提取子步骤中采用恒虚警率方法提取渗浸带。
9.根据权利要求8所述的极地冰盖冻融探测方法,其特征在于,
在所述渗浸带提取子步骤中以平均散射强度分量渗浸带频率分布的0.03分位数0.2作为阈值。
10.根据权利根据权利要求7所述的极地冰盖冻融探测方法,其特征在于,
在所述干湿雪分类子步骤中,在H/α平面上将作为有效区域下限的下界限平行上移一定的截距,得到区分干雪带和湿雪带的分割线,其中截距选择原则为满足干雪带和湿雪带样本误分类概率之积最小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710140753.6A CN107103280B (zh) | 2017-03-10 | 2017-03-10 | 极地冰盖冻融探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710140753.6A CN107103280B (zh) | 2017-03-10 | 2017-03-10 | 极地冰盖冻融探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107103280A true CN107103280A (zh) | 2017-08-29 |
CN107103280B CN107103280B (zh) | 2021-01-01 |
Family
ID=59675916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710140753.6A Active CN107103280B (zh) | 2017-03-10 | 2017-03-10 | 极地冰盖冻融探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107103280B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109188540A (zh) * | 2018-09-05 | 2019-01-11 | 中铁十八局集团有限公司 | 一种大孔隙率巨型松散体岩堆中多年冰冻层范围勘探方法 |
CN109741340A (zh) * | 2018-12-16 | 2019-05-10 | 北京工业大学 | 基于fcn-aspp网络的冰盖雷达图像冰层精细化分割方法 |
WO2020082920A1 (zh) * | 2018-10-26 | 2020-04-30 | 浙江大学 | 一种基于全极化雷达的冰盖内部组构和冰流场分布特征识别方法 |
CN112036233A (zh) * | 2020-07-13 | 2020-12-04 | 国家海洋信息中心 | 一种综合阈值分割和分水岭变换算法的冰面湖提取方法 |
CN112966656A (zh) * | 2021-03-29 | 2021-06-15 | 国家卫星海洋应用中心 | 数据处理方法及装置 |
CN113240694A (zh) * | 2021-05-31 | 2021-08-10 | 中国科学院空天信息创新研究院 | 极地冰盖冻融探测方法、装置及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013085627A2 (en) * | 2011-10-21 | 2013-06-13 | Conocophillips Company | Ice data collection, processing and visualization system |
CN103617427A (zh) * | 2013-12-13 | 2014-03-05 | 首都师范大学 | 极化sar图像分类方法 |
CN103699784A (zh) * | 2013-12-12 | 2014-04-02 | 中国科学院深圳先进技术研究院 | 一种基于全极化合成孔径雷达数据的聚类方法及系统 |
CN103839077A (zh) * | 2014-02-26 | 2014-06-04 | 西安电子科技大学 | 一种基于超像素特征的低秩表示的极化sar图像分类方法 |
CN105488805A (zh) * | 2015-12-15 | 2016-04-13 | 吉林大学 | 多频双极化林地积雪被动微波混合像元分解方法 |
CN105785364A (zh) * | 2016-02-26 | 2016-07-20 | 民政部国家减灾中心 | 一种倒塌建筑物信息获取方法及获取设备 |
-
2017
- 2017-03-10 CN CN201710140753.6A patent/CN107103280B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013085627A2 (en) * | 2011-10-21 | 2013-06-13 | Conocophillips Company | Ice data collection, processing and visualization system |
CN103699784A (zh) * | 2013-12-12 | 2014-04-02 | 中国科学院深圳先进技术研究院 | 一种基于全极化合成孔径雷达数据的聚类方法及系统 |
CN103617427A (zh) * | 2013-12-13 | 2014-03-05 | 首都师范大学 | 极化sar图像分类方法 |
CN103839077A (zh) * | 2014-02-26 | 2014-06-04 | 西安电子科技大学 | 一种基于超像素特征的低秩表示的极化sar图像分类方法 |
CN105488805A (zh) * | 2015-12-15 | 2016-04-13 | 吉林大学 | 多频双极化林地积雪被动微波混合像元分解方法 |
CN105785364A (zh) * | 2016-02-26 | 2016-07-20 | 民政部国家减灾中心 | 一种倒塌建筑物信息获取方法及获取设备 |
Non-Patent Citations (6)
Title |
---|
JIANCHENGSHI 等: "Mapping seasonal snow with SIR-C/X-SAR in mountainous areas", 《REMOTE SENSING OF ENVIRONMENT》 * |
LEIHUANG 等: "Classification and snow line detection for glacial areas using the polarimetric SAR image", 《REMOTE SENSING OF ENVIRONMENT》 * |
MONIQUEBERNIER 等: "Snow Characterization Using Radar Imaging", 《LAND SURFACE REMOTE SENSING IN CONTINENTAL HYDROLOGY》 * |
TRUDEL, M 等: "Application of Target Decomposition Theorems Over Snow-Covered Forested Areas", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
周淑媛 等: "基于马尔可夫随机场模型的SAR图像积雪识别", 《南京大学学报》 * |
蔺腊月: "基于目标分解的面向对象决策树PolSAR影像分类方法研究", 《万方数据知识服务平台》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109188540A (zh) * | 2018-09-05 | 2019-01-11 | 中铁十八局集团有限公司 | 一种大孔隙率巨型松散体岩堆中多年冰冻层范围勘探方法 |
WO2020082920A1 (zh) * | 2018-10-26 | 2020-04-30 | 浙江大学 | 一种基于全极化雷达的冰盖内部组构和冰流场分布特征识别方法 |
US10969471B2 (en) | 2018-10-26 | 2021-04-06 | Zhejiang University | Method for identifying ice crystal fabric and distribution characteristics of ice flow field in ice sheet based on polarimetric radar |
CN109741340A (zh) * | 2018-12-16 | 2019-05-10 | 北京工业大学 | 基于fcn-aspp网络的冰盖雷达图像冰层精细化分割方法 |
CN109741340B (zh) * | 2018-12-16 | 2020-10-16 | 北京工业大学 | 基于fcn-aspp网络的冰盖雷达图像冰层精细化分割方法 |
CN112036233A (zh) * | 2020-07-13 | 2020-12-04 | 国家海洋信息中心 | 一种综合阈值分割和分水岭变换算法的冰面湖提取方法 |
CN112036233B (zh) * | 2020-07-13 | 2023-04-28 | 国家海洋信息中心 | 一种综合阈值分割和分水岭变换算法的冰面湖提取方法 |
CN112966656A (zh) * | 2021-03-29 | 2021-06-15 | 国家卫星海洋应用中心 | 数据处理方法及装置 |
CN113240694A (zh) * | 2021-05-31 | 2021-08-10 | 中国科学院空天信息创新研究院 | 极地冰盖冻融探测方法、装置及计算机可读存储介质 |
CN113240694B (zh) * | 2021-05-31 | 2024-01-05 | 中国科学院空天信息创新研究院 | 极地冰盖冻融探测方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107103280B (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107103280A (zh) | 极地冰盖冻融探测方法 | |
Qi et al. | A novel algorithm for land use and land cover classification using RADARSAT-2 polarimetric SAR data | |
Khazai et al. | An approach for subpixel anomaly detection in hyperspectral images | |
CN105427314A (zh) | 基于贝叶斯显著性的sar图像目标检测方法 | |
Voormansik et al. | Observations of cutting practices in agricultural grasslands using polarimetric SAR | |
CN103400156A (zh) | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 | |
Qi et al. | A three-component method for timely detection of land cover changes using polarimetric SAR images | |
Li et al. | A new short-wave infrared (SWIR) method for quantitative water fraction derivation and evaluation with EOS/MODIS and Landsat/TM data | |
CN109191432A (zh) | 基于域变换滤波多尺度分解的遥感图像云检测方法 | |
Key | Cloud cover analysis with Arctic advanced very high resolution radiometer data: 2. Classification with spectral and textural measures | |
CN104573654A (zh) | 一种基于分层决策树的红树林提取方法 | |
CN108171193A (zh) | 基于超像素局部信息度量的极化sar舰船目标检测方法 | |
Ghasemi et al. | Urban classification using preserved information of high dimensional textural features of Sentinel-1 images in Tabriz, Iran | |
Surussavadee et al. | Global millimeter-wave precipitation retrievals trained with a cloud-resolving numerical weather-prediction model, Part II: Performance evaluation | |
Marzialetti et al. | Oil spill monitoring on water surfaces by radar L, C and X band SAR imagery: A comparison of relevant characteristics | |
CN105139034B (zh) | 一种结合光谱滤除的船舶检测方法 | |
Li et al. | Object-oriented classification of polarimetric SAR imagery based on statistical region merging and support vector machine | |
CN104573662B (zh) | 一种云判方法和系统 | |
CN114494282A (zh) | 融合极化信息的复杂背景下滑坡识别方法及装置 | |
Ji et al. | Discriminating saltcedar (Tamarix ramosissima) from sparsely distributed cottonwood (Populus euphratica) using a summer season satellite image | |
Thampy et al. | MMA: A novel algorithm for efficient separation of the precipitation echoes from wind profiler radar's Doppler power spectrum | |
Ma et al. | Assessment of multi-temporal RADARSAT-2 polarimetric SAR data for crop classification in an urban/rural fringe area | |
CN111429435A (zh) | 一种快速准确的遥感数字影像含云量检测方法 | |
Saliola | Object-based image analysis for the delineation of canopy gaps and individual tree crowns using multi-source data: A case study in Haliburton Forest, Ontario | |
Qi et al. | Integration of polarimetric decomposition, object-oriented image analysis, and decision tree algorithms for land-use and land-cover classification using RADARSAT-2 polarimetric SAR data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |