CN108766203B - 一种紧致极化水稻制图的方法及系统 - Google Patents

一种紧致极化水稻制图的方法及系统 Download PDF

Info

Publication number
CN108766203B
CN108766203B CN201810501345.3A CN201810501345A CN108766203B CN 108766203 B CN108766203 B CN 108766203B CN 201810501345 A CN201810501345 A CN 201810501345A CN 108766203 B CN108766203 B CN 108766203B
Authority
CN
China
Prior art keywords
rice
polarization
compact
parameters
field
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.)
Active
Application number
CN201810501345.3A
Other languages
English (en)
Other versions
CN108766203A (zh
Inventor
李坤
国贤玉
邵芸
王志勇
李宏宇
刘龙
杨知
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke Satellite Application Deqing Research Institute
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Zhongke Satellite Application Deqing Research Institute
Institute of Remote Sensing and Digital Earth of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongke Satellite Application Deqing Research Institute, Institute of Remote Sensing and Digital Earth of CAS filed Critical Zhongke Satellite Application Deqing Research Institute
Priority to CN201810501345.3A priority Critical patent/CN108766203B/zh
Publication of CN108766203A publication Critical patent/CN108766203A/zh
Application granted granted Critical
Publication of CN108766203B publication Critical patent/CN108766203B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • G09B29/003—Maps
    • G09B29/006—Representation of non-cartographic information on maps, e.g. population distribution, wind direction, radiation levels, air and sea routes
    • G09B29/007—Representation of non-cartographic information on maps, e.g. population distribution, wind direction, radiation levels, air and sea routes using computer methods
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • G09B29/003—Maps
    • G09B29/005—Map projections or methods associated specifically therewith

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Educational Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Ecology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请公开一种紧致极化水稻制图的方法及系统，该方法包括：获取雷达数据源；规划所述样本田的属性特征数据的采集；接收所述样本田的属性特征数据均分为训练样本数据和验证样本数据；提取所述雷达数据源的特征参数预处理参数；得到所述样本田的响应值；计算所述样本中每个预处理参数所支持向量机的个数、并对所述预处理参数进行序列遍历搜寻得到多时相优选特征参数；对所述训练样本数据中的多时相优选特征参数进行支持向量机分类，建立优选参数建立决策树得到样本田分类结果；对所述样本田分类结果进行分类精度评价得到所述样本田的紧致极化水稻制图。本发明不需要通过大量人力去实地规划、区分，极大地节省了人力成本。

Description

一种紧致极化水稻制图的方法及系统
技术领域
本发明涉及利用遥感数据进行水稻不同种类和种植方式精细分类的技术 领域，更具体地，涉及一种紧致极化水稻制图的方法及系统。
背景技术
水稻是世界三大粮食作物之一，为我国一半以上人口的粮食来源。随 着农业科学技术的发展，水稻种类和种植方式日益丰富，然而，种类和种 植方式的不同会导致水稻长势、产量存在一定的差异。传统的水稻制图(区 分水稻非水稻)已经难以满足高精度农业应用的需求。因此，实现水稻精 细制图，识别与区分不同水稻品种与种植方式为水稻长势监测与估产提供 更精准的基础信息，对于推动精细农业发展具有重要的意义。
紧致极化合成孔径雷达(Synthetic Aperture Radar，简称SAR)是一种 新型成像雷达系统，它发射一种极化波，接收两种正交极化波，有效降低 了雷达系统复杂度与能耗，缩小了传感器体积，已成为新一代对地观测雷 达系统的重要发展趋势之一。与全极化雷达相比，紧致极化SAR不仅能够 在一定程度上保持丰富的极化信息，还能实现更大的幅宽与入射角范围， 此外还具有自定标、交叉验证等优势。2012年4月，第一颗具有紧致极化 测量能力的对地观测雷达卫星RISAT-1发射成功。2014年发射的日本 ALOS-2卫星也把紧致极化作为实验数据模式。未来几年，加拿大、阿根廷、 美国还将发射具有紧致极化观测模式的雷达卫星。随着对地观测紧致极化 SAR系统的日益丰富，开展基于紧致极化SAR数据的应用关键技术研究显 得尤为迫切。
近年来，紧致极化SAR一直是国际雷达遥感领域的研究热点，其相关 研究主要集中在三个方面，一是紧致极化SAR系统发射接收模式研究。目 前，紧致极化SAR主要有π/4模式、双圆模式(Dual Circular Polarimetric， DCP)、圆发线收模式(Circular Transimitand Linear Receive，CTLR)三 种收发模式，其中，CTLR模式不仅受电离层干扰较小，而且受加性噪声 和串扰影响也相对较小，因此系统更加稳健，已成为目前紧致极化SAR卫 星最常采用的收发模式。二是基于全极化雷达数据的紧致极化SAR数据模 拟与伪极化雷达数据(Pseudo-Quad-Pol，PQ)重建方法研究。在此基础上 发展了相应的极化分析方法，以评价紧致极化SAR数据对极化信息的保持 程度。三是基于紧致极化SAR数据的应用研究。近年来基于紧致极化SAR 模拟数据开展了一系列应用研究，包括信息提取、作物分类识别、森林参数反演、船舶检测、海冰和海洋溢油等。虽然目前基于紧致极化SAR的应 用研究覆盖面很广，但还不够深入，以农业应用为例，大多数研究都集中 在简单的作物制图上，对作物品种和种植方式差异的区分研究不足，而且 缺少具有较高鲁棒性的信息提取算法。
目前基于雷达数据的水稻制图方法主要有三类。一是基于水稻后向散 射特性的时相变化规律；二是基于水稻不同极化后向散射系数的差异。上 述两类方法能够实现高精度的水稻制图，但是这两类方法都是基于多时相 单/多极化雷达数据，仅仅利用后向散射强度信息，没有包含雷达回波的相 位信息。因此，上述两类方法仅限于利用后向散射系数的差值或比值等简 单几何运算。随着全极化雷达的出现，水稻制图方法也得到了相应的发展。 全极化雷达数据雷达回波的强度和相位信息，是对地物散射特性最完备的 描述。第三类水稻制图方法主要是基于水稻的散射机理，利用极化分解等 先进的极化雷达数据处理方法，分析水稻的散射机理，并基于水稻二次散 射贡献较大这一特点实现水稻与其他地物的区分。该方法基于水稻散射机 理的特点，精度较高，普适性较强，对数据时相的要求也比较低。虽然全 极化雷达在水稻制图中具有较大的优势，但是由于全极化雷达系统的脉冲重复频率是单双极化系统的两倍，相应的其幅宽比较小，限制了其在大范 围水稻制图中的应用。因此，在同时兼顾制图精度与制图面积的条件下， 紧致极化SAR数据成为水稻制图的最佳选择之一。2013年，Brisco等基于 紧致极化SAR模拟数据开展水稻制图研究，并对比分析了单双极化、紧致 极化与全极化雷达的制图效果，结果表明紧致极化SAR数据在水稻制图中 的应用效果可以与全极化数据相媲美，远远优于单、双极化雷达数据。2015 年，Deepika等利用RISAT-1卫星的紧致极化SAR数据采用m-χ、m-δ分 解和监督分类方法进行了水稻识别得到较高的制图精度，但Brisco、Deepika 的研究都表明紧致极化SAR数据在水稻制图中具有较大的应用潜力，但是 其研究只是区分了水稻和非水稻，对于不同水稻种类以及种植方式的区分 研究不足，而且缺少具有较高鲁棒性的紧致极化雷达水稻制图算法。
综上所述，现有的水稻分类方法应用存在分类精度不高、精细化程度 不高、适用性不强等缺点。提供一种高精度、高精度及高适用性的水稻制 图分析方案是本领域亟待解决的技术问题。
发明内容
有鉴于此，本发明提供了一种紧致极化水稻制图的方法及系统，解决 了现有技术中水稻制图对于不同水稻种类以及种植方式的区分不足，而且 缺少具有较高鲁棒性的技术问题。
为了解决上述技术问题，本发明提出一种紧致极化水稻制图的方法， 包括：
获取采样田预设范围内，且全极化合成孔径雷达数据空间分辨率10米 之内，紧致极化合成孔径雷达分辨率30米之内的雷达数据源；
根据数据源卫星过境时间，将所述雷达数据源转换为紧致极化合成孔径 雷达影像，并规划所述样本田的属性特征数据的采集；
接收所述样本田的属性特征数据，将所述属性特征数据随机均分为训练样 本数据和验证样本数据；
提取所述雷达数据源的特征参数得到全部紧致极化合成孔径雷达参数， 对所述紧致极化合成孔径雷达参数进行几何校正、研究区裁剪、斑点噪声 滤波得到预处理参数；
对所述样本田、水体及城镇的训练样本数据进行信息提取得到所述样本 田的响应值；
计算所述样本中每个预处理参数所支持向量机的个数、并对所述预处 理参数进行序列遍历搜寻；根据所述响应值对所述紧致极化合成孔径雷达 参数进行特征优选得到多时相优选特征参数；
对所述训练样本数据中的多时相优选特征参数进行支持向量机分类，建 立优选参数建立决策树得到样本田分类结果；
利用所述样本田的验证样本数据建立混淆矩阵，对所述样本田分类结果 进行分类精度评价得到所述样本田的紧致极化水稻制图。
可选地，其中，该方法还包括：采用C波段精细全极化雷达数据影像作 为基础数据源；利用所述基础数据源模拟紧致极化雷达影像得到所述雷达数 据源。
可选地，其中，所述样本田的属性特征数据，包括：水稻的种类、水体、 城镇的GPS坐标、样本田大小、样本田下垫面及气候的环境参数。
可选地，其中，所述提取所述雷达数据源的特征参数得到全部紧致极化 合成孔径雷达参数，为：
提取所述雷达数据源的影像特征参数矢量的四个分量、发射右旋极化波 接收水平极化波极化后向散射系数、发射右旋极化波接收垂直极化波极化后向 散射系数、发射右旋极化波接收线极化波极化后向散射系数、发射右旋极化波 接收右旋极化极化波极化后向散射系数、m-delta分解的三个分量、m-chi分 解的三个分量、极化度、平均散射角、一致性系数、发射右旋极化波接收垂直 极化波极化后向散射系数与发射右旋极化波接收水平极化波极化后向散射系 数的相关系数、香农熵和香农极化度。
可选地，其中，所述建立优选参数建立决策树得到样本田分类结果， 为：
根据发射右旋极化波接收右旋极化极化波后向散射系数不超过发射右 旋极化波接收右旋极化极化波阈值区分水稻和非水稻；m-delta分解的二次 散射分量大于m-delta分解的二次散射分量阈值区分水体和城镇；根据 m-chi分解的二次散射分量大于或等于m-chi分解的二次散射分量阈值，日 圆极化比大于日圆极化比阈值及m-delta分解的体散射分量不超过m-delta 分解的体散射分量阈值区分插秧稻田和撒播稻田；根据发射右旋极化波接 收右旋极化极化波后向散射系数差值大于0区分插秧籼稻田与插播粳稻田， 并建立决策树。
另一方面，本发明还提供一种紧致极化水稻制图的系统，包括：雷达 数据源获取器、属性特征数据采集规划器、属性特征数据划分器、参数预处 理器、响应值获取器、多时相优选特征参数计算器、支持向量机分类器及分 类精度评价器，其中，
所述雷达数据源获取器，与所述属性特征数据采集规划器相连接，用于 获取采样田预设范围内，且全极化合成孔径雷达数据空间分辨率10米之内， 紧致极化合成孔径雷达分辨率30米之内的雷达数据源；
所述属性特征数据采集规划器，与所述雷达数据源获取器及属性特征数 据划分器相连接，用于根据数据源卫星过境时间，将所述雷达数据源转换为 紧致极化合成孔径雷达影像，并规划所述样本田的属性特征数据的采集；
所述属性特征数据划分器，与所述属性特征数据采集规划器及参数预处 理器相连接，用于接收所述样本田的属性特征数据，将所述属性特征数据随机 均分为训练样本数据和验证样本数据；
所述参数预处理器，与所述属性特征数据划分器及响应值获取器相连接， 用于提取所述雷达数据源的特征参数得到全部紧致极化合成孔径雷达参数， 对所述紧致极化合成孔径雷达参数进行几何校正、研究区裁剪、斑点噪声 滤波得到预处理参数；
所述响应值获取器，与所述参数预处理器及多时相优选特征参数计算器 相连接，用于对所述样本田、水体及城镇的训练样本数据进行信息提取得到 所述样本田的响应值；
所述多时相优选特征参数计算器，与所述响应值获取器及支持向量机分 类器相连接，用于计算所述样本中每个预处理参数所支持向量机的个数、 并对所述预处理参数进行序列遍历搜寻；根据所述响应值对所述紧致极化 合成孔径雷达参数进行特征优选得到多时相优选特征参数；
所述支持向量机分类器，与所述多时相优选特征参数计算器及分类精度 评价器相连接，用于对所述训练样本数据中的多时相优选特征参数进行支持 向量机分类，建立优选参数建立决策树得到样本田分类结果；
所述分类精度评价器，与所述支持向量机分类器相连接，用于利用所 述样本田的验证样本数据建立混淆矩阵，对所述样本田分类结果进行分类精 度评价得到所述样本田的紧致极化水稻制图。
可选地，其中，所述雷达数据源获取器，包括：雷达数据范围确认单 元及雷达数据源获取单元；其中，
所述雷达数据范围确认单元，与所述雷达数据源获取单元相连接，用 于获取采样田预设范围内，且全极化合成孔径雷达数据空间分辨率10米之 内，紧致极化合成孔径雷达分辨率30米之内的雷达数据；
所述雷达数据源获取单元，与所述雷达数据范围确认单元及属性特征 数据采集规划器相连接，用于采用C波段精细全极化雷达数据影像作为基础 数据源；利用所述基础数据源模拟紧致极化雷达影像得到所述雷达数据源。
可选地，其中，所述样本田的属性特征数据，包括：水稻的种类、水体、 城镇的GPS坐标、样本田大小、样本田下垫面及气候的环境参数。
可选地，其中，所述参数预处理器，进一步用于：提取所述雷达数据源 的影像特征参数矢量的四个分量、发射右旋极化波接收水平极化波极化后向散 射系数、发射右旋极化波接收垂直极化波极化后向散射系数、发射右旋极化波 接收线极化波极化后向散射系数、发射右旋极化波接收右旋极化极化波极化后 向散射系数、m-delta分解的三个分量、m-chi分解的三个分量、极化度、平 均散射角、一致性系数、发射右旋极化波接收垂直极化波极化后向散射系数与 发射右旋极化波接收水平极化波极化后向散射系数的相关系数、香农熵和香农 极化度。
可选地，其中，所述所述支持向量机分类器，包括：水稻和非水稻区 分单元、水体和城镇区分单元、插秧稻田和撒播稻田区分单元及插秧籼稻 田与插播粳稻田区分单元；其中，
所述水稻和非水稻区分单元，与所述水体和城镇区分单元相连接，用 于根据发射右旋极化波接收右旋极化极化波后向散射系数不超过发射右旋 极化波接收右旋极化极化波阈值区分水稻和非水稻；
所述水体和城镇区分单元，与所述水稻和非水稻区分单元及插秧稻田 和撒播稻田区分单元相连接，用于m-delta分解的二次散射分量大于m-delta 分解的二次散射分量阈值时区分水体和城镇；
所述插秧稻田和撒播稻田，与所述水体和城镇区分单元及插秧籼稻田 与插播粳稻田区分单元相连接，用于根据m-chi分解的二次散射分量大于 或等于m-chi分解的二次散射分量阈值，日圆极化比大于日圆极化比阈值 及m-delta分解的体散射分量不超过m-delta分解的体散射分量阈值区分插 秧稻田和撒播稻田；
所述插秧籼稻田与插播粳稻田区分单元，与所述插秧稻田和撒播稻田 区分单元相连接，用于根据发射右旋极化波接收右旋极化极化波后向散射 系数差值大于0区分插秧籼稻田与插播粳稻田，并建立决策树。
与现有技术相比，本发明提供的紧致极化水稻制图的方法及系统，至 少实现如下有益效果之一：
(1)本发明所述的紧致极化水稻制图的方法及系统，根据空间分辨率 及空间分辨率获取合适时相的雷达影像，该影像能模拟得到紧致极化雷达影 像，便可通过所建立的算法进行三类水稻田的精细分类制图，仅需要采集少量 样本，不需要通过大量人力去实地规划、区分，极大地节省了人力成本。
(2)本发明所述的紧致极化水稻制图的方法及系统，支持向量机和序 列前进搜寻策略对多时相模拟的紧致极化SAR参数进行了优选，优选出区分不 同种植方式、不同品种的三类水稻田的紧致极化SAR响应特征参数，通过系统 计算的方式能够快速、精准地获得水稻田分类信息。
(3)本发明所述的紧致极化水稻制图的方法及系统，通过优选参数进 行支持向量机分类和决策树分类，分类结果的总体精度达到90％以上， Kappa系数达到0.85以上，具有高精确的水稻监测识别能力，实现了水稻 田的高精度分类。
(4)本发明所述的紧致极化水稻制图的方法及系统，在同时兼顾制图 精度与制图面积的条件下进行水稻制图，紧致极化SAR不仅能够在一定程 度上保持丰富的极化信息，还能实现更大的幅宽与入射角范围，此外还具 有自定标、交叉验证等优势，利用该数据对水稻精确分类，从而对水稻长 势监测与估产提供更精准的基础信息，能够推动精细农业发展。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施 例，并且连同其说明一起用于解释本发明的原理。通过阅读参照以下附图 所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优 点将会变得更明显：
图1为本发明实施例中所述的一种紧致极化水稻制图的方法的步骤流 程示意图；
图2为本发明实施例中所述的另一种紧致极化水稻制图的方法的原理 流程示意图；
图3为本发明实施例中所述的利用支持向量机和序列前进搜寻策略特征 选择方法流程示意图；
图4为本发明实施例中所述的强度特征参数与参数值对照的示意图；
图5为本发明实施例中所述的非强度特征参数与参数值对照的示意图；
图6为本发明实施例中紧致极化水稻制图的方法具体实例的流程示意 图；
图7为本发明实施例中紧致极化水稻制图的方法具体实例方法所得强 度特征参数与参数值对应的示意图；
图8为本发明实施例中所述一种紧致极化水稻制图的系统的结构示意 图；
图9为本发明实施例中所述另一种紧致极化水稻制图的系统的结构示 意图；
图10为本发明实施例中所述又一种紧致极化水稻制图的系统的结构 示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是， 此处所描述的具体实施例仅仅用于解释相关申请，而非对该申请的限定。 另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部 分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的 特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1所示，图1为本实施例所述的紧致极化水稻制图的方法的步骤 流程示意图。本实施例中基于支持向量机和序列前进搜寻策略的紧致极化 SAR水稻精细制图方法，紧致极化SAR又称简缩极化雷达是一种新型成像 雷达系统，它发射一种极化波，接收两种正交极化波，有效降低了SAR系 统复杂度与能耗，缩小了传感器体积，已成为新一代对地观测SAR系统的 重要发展趋势之一。紧致极化SAR一直是国际雷达遥感领域的研究热点， 紧致极化SAR数据获得方式主要有两种:其一，卫星通过不同收发模式自身 生成，收发模式主要有π/4模式、双圆模式、圆发线收模式三种收发模式， 其中，圆发线收模式不仅受电离层干扰较小，而且受加性噪声和串扰影响 也相对较小，因此系统更加稳健，已成为目前紧致极化SAR卫星最常采用 的收发模式。其二，基于全极化SAR数据的紧致极化SAR数据模拟与伪极化SAR数据重建，得到紧致极化SAR数据。该方法包括如下步骤：
步骤101、获取采样田预设范围内，且全极化合成孔径雷达数据空间 分辨率10米之内，紧致极化合成孔径雷达分辨率30米之内的雷达数据源。
可选地，该步骤中采用C波段精细全极化雷达数据影像作为基础数据源； 利用所述基础数据源模拟紧致极化雷达影像得到所述雷达数据源。
步骤102、根据数据源卫星过境时间，将所述雷达数据源转换为紧致极 化合成孔径雷达影像，并规划所述样本田的属性特征数据的采集。
属性特征数据包括：①样本田的所属类别，如城镇、水体、插秧籼稻田、 插播粳稻田和撒播粳稻田；②水稻的形态生理特征③样本田的精确的地理位置 ④样田的面积矢量信息。①②可以利用人眼目视解译观测，③④可以利用高精 度GPS手持机(定位精度5米误差内)测量。所述样本田的属性特征数据，包 括：水稻的种类、水体、城镇的GPS坐标、样本田大小、样本田下垫面及气候 的环境参数。
步骤103、接收所述样本田的属性特征数据，将所述属性特征数据随机均 分为训练样本数据和验证样本数据。
步骤104、提取所述雷达数据源的特征参数得到全部紧致极化合成孔径 雷达参数，对所述紧致极化合成孔径雷达参数进行几何校正、研究区裁剪、 斑点噪声滤波得到预处理参数。
在研究区水稻生长周期内卫星过境后拍摄到的卫星影像，每一景紧致 极化雷达数据包括22个紧致极化参数，紧致极化雷达数据可被模拟或直接 得到，该数据收发模式是：发射右旋极化、接受水平和垂直极化。
全部紧致极化参数包括：斯托克斯矢量的四个分量(g0，g1，g2，g3)、 发射右旋极化波接收水平极化波RH/发射右旋极化波接收垂直极化波RV/发射 右旋极化波接收线极化波RL/发射右旋极化波接收右旋极化波RR极化后向散 射系数(
Figure BDA0001670129900000101
代指四个四个不同发射和接收模式下的后向散 射系数)、m-delta分解的三个分量、m-chi分解的三个分量、极化度m、平均 散射角α、一致性系数μ、发射右旋极化波接收水平极化波RH与发射右旋极 化波接收垂直极化波RV相关系数ρ、香农熵Hi和香农极化度Hp。
预处理主要包括几何校正、研究区裁剪、斑点噪声滤波等工作。几何 校正：将解决影像在成像过程中存在的几何畸变问题；研究区裁剪：将影 像统一裁剪到研究区范围内；斑点噪声滤波：去除因SAR相干成像造成的 小斑点，以免影像后续的分类精度。
步骤105、对所述样本田、水体及城镇的训练样本数据进行信息提取得 到所述样本田的响应值。
响应值，至少包括：平均值、最小值、最大值及标准差。
步骤106、计算所述样本中每个预处理参数所支持向量机的个数、并 对所述预处理参数进行序列遍历搜寻；根据所述响应值对所述紧致极化合 成孔径雷达参数进行特征优选得到多时相优选特征参数。
根据NSV判断，NSV越小可分性越好，对应参数区分能力越强。基于上述 已给出的构建支持向量机和序列前进搜寻策略，根据上述已经提取的三类水稻 田、水体、城镇的训练样本的雷达参数响应值，对紧致极化SAR参数进行优选 挑选出区分能力最强的一些紧致极化参数。
步骤107、对所述训练样本数据中的多时相优选特征参数进行支持向量 机分类，建立优选参数建立决策树得到样本田分类结果。
支持向量机分类(SVM分类)思想是建立最优超平面，使该平面距离 两类或多类样本距离最大化，从而对多维样本实现最好的区分能力，对于 SVM分类器中需要进行几个重要系统参数设定：核函数选择径向基函数 (RBF),核函数参数值设定为输入图像波段的倒数，惩罚参数(Penalty Parameter)控制样本错误与分类刚性延伸之间的平衡，选定为100。分级 处理等级(Pyramid Levels)用于SVM训练和分类处理过程，这里设置为0， 以原图像分辨率进行分类处理。分类概率阈值(classification Probability Threshold)表示如果一个像素计算得到所有规则概率小于该值，该像素将 不会被分类，该值范围为0-1，这里设定为0。
在优选参数中，统计分析5类训练样本的这些优选参数的平均值和标 准差，画出优选参数的5类训练样本平均值的散点图，从而确定哪几个参 数对区分城镇、水体、插秧籼稻田、插播粳稻田和撒播粳稻田中某一类或 某几类效果最好，根据散点图确定这几个参数区分不同种类田块的阈值， 从而建立决策树。
针对紧致极化SAR数据多维特征信息，为了充分挖掘紧致极化SAR 特征参数的信息，同时保证分类方法的简洁易行，引入支持向量机和序列 前进搜寻策略，该策略主要包括两方面内容：计算不同类样本支持向量机 个数、对参数进行序列搜寻遍历。具体构建内容：①计算每一个紧致极化 参数在每一类样方下的平均值的支持向量个数(NSV)，最小NSV对应参 数作为第一个优选参数集，②第二小的NSV对应参数与第一小的NSV对 应参数构建成一个特征集合计算NSV，判断构成的集合的NSV与第一小 NSV大小情况，构成集合的NSV小于第一小NSV则加入优选集合组成新 的优选集合，否者第二小NSV不为优选参数，③遍历所有紧致极化参数， 计算过程与②相同。
步骤108、利用所述样本田的验证样本数据建立混淆矩阵，对所述样本 田分类结果进行分类精度评价得到所述样本田的紧致极化水稻制图。
利用验证样本数据进行分类结果验证，可以在ENVI遥感数据处理系 统中进行建立混淆矩阵，包括：用户精度、生产精度、总体精度、Kappa 系数，从而完成分类精度评价工作。
可选地，如下为一种基于支持向量机和序列前进搜寻策略的紧致极化SAR 水稻精细制图方法的具体实例，如图2所示，为该方法的原理流程示意图：该 方法包括如下步骤：
(I)数据源筹备、野外数据采集：
第1步，选择合适的雷达数据源，结合数据源卫星过境时间规划开展野外 同步数据采集工作；
在研究区水稻生长季，获取了9景RADARSAT-2精细全极化SAR数据，方 位向和距离向分辨率分别为5.2米和7.6米。通过地面实验发现，封行之前， 3类水稻田的差异相对较大，因此，选择对应时段的3个时相SAR数据进行水 稻精细分类方法研究，数据获取日期分别为2012年6月27日、7月11日、7 月21日。
第2步，在卫星过境时期进行野外同步数据采集，获取了实验区水稻品种 (籼稻、粳稻)、种植方式(插秧、撒播)、生长期等信息。具体包括：1、水 稻样田编号；2、水稻样田的水稻品种和种植方式；3、田块的高精度GPS坐标； 4、物候期、水稻行垄距、株高、下垫面情况等。
通过野外数据采集，利用高精度GPS获取了41块水稻样田的田块矢量， 其中包括插秧籼稻田24块，插秧粳稻田6块，撒播粳稻田11块。除水稻田 外，还选择了8块水体和10块建筑区样方。
第3步，将野外采集样田分为两个集合,a为训练样本，b为验证样本，插 秧籼稻田、水体和城镇的训练样本和验证样本各占一半，二者之间没有重叠。 对于插秧粳稻田和撒播粳稻田，由于样本数较少，两类水稻田的训练样本和验 证样本之间约有30％的重叠。
(II)基于支持向量机和序列前进搜寻策略的紧致极化SAR特征优选：
第1步，通过(I)中第1步获取9景RADARSAT-2精细全极化SAR数 据，并模拟得到CTLR模式紧致极化SAR数据。该9景雷达数据为连续时相 基本符合水稻生长的物候期，见表1所示RADARSAT-2精细全极化SAR数据。
表1、RADARSAT-2全极化SAR数据
Figure BDA0001670129900000121
Figure BDA0001670129900000131
第2步，将紧致极化SAR数据进行特征参数提取，提取出全部紧致极化 雷达参数；根据特征参数定义，提取了22个紧致极化特征参数见表2；
表2、22个紧致极化特征参数
Figure BDA0001670129900000132
Figure BDA0001670129900000141
第3步，对紧致极化SAR特征参数进行辐射定标、几何校正、滤波等预处 理；图4为强度特征参数与参数值对应的示意图；图5为非强度特征参数与参 数值对应的示意图；图6为该实例的步骤流程示意图。
利用SNAP3.0对紧致极化SAR特征参数进行辐射定标、几何校正、滤波等 预处理，采样间隔为10米。通过比较选择Frost滤波方法，7×7窗口，对CP-SAR 特征参数进行降噪处理。
第4步，对三类水稻田、水体、城镇的训练样本的雷达参数进行信息提取， 提取出五类田块各样本的各参数平均值、标准差等信息。
图7为该实例方法所得强度特征参数与参数值对应的示意图。
第5步，建立支持向量机和序列前进搜寻策略。针对紧致极化SAR数据多 维特征信息，为了充分挖掘紧致极化SAR特征参数的信息，同时保证分类方法 的简洁易行，引入支持向量机和序列前进搜寻策略的特征选择方法，对22个 紧致极化SAR特征参数进行优选。把紧致极化SAR数据每一参数看作由一个向 量和一个标记组成，即Di＝(xi’yi)，xi就是参数(模拟出极化数据有22个参 数)，yi就是分类标记(yi为-1或1)。定义函数和超平面分别为
g(xi)＝<w,x>+b， (1)
<w,x>+b＝0。 (2)
式中：<*,*>表示矢量内积，w为i维向量，b为常数变量，若使分类数据被超平 面分成2类，超平面必须满足yi(<wi,xi>)≥1,其中i∈[1,22]。SVM思想就是使 所求最优超平面能够具有最大的分类间隔，分类间隔δi表示为
Figure BDA0001670129900000151
式中：||w||为向量w的范数；|g(xi)|为函数g(xi)的绝对值。这等同于求二次规 划问题，即
Figure BDA0001670129900000152
yi(<w,xi>+b)≥1,i＝∈[1,22]， (5)
引入Lagrange算子α*，令α*≥0，即满足(22)有唯一解
Figure BDA0001670129900000153
当样本点到超平面距离是最短距离则yi(<w,xi>+b)＝1，α*≠0，否则 yi(<w,xi>+b)＞1，α*＝0。α*＝0的样本称为支持向量(Support Vector,SV)， 这些样本的总个数称支持向量个数(NSV)，在SVM分类算法中，可分性的优 劣就是由NSV判断，NSV越小可分性越好。
为了优选CP特征参数用于水稻精细分类，利用NSV判别可分性好坏。 以区分3种水稻田为目的，利用支持向量机和序列前进搜寻策略特征选择方法 流程图见附图3，步骤如下：
①原始特征集F＝{fi,(i＝1,2,3…22}依次计算特征参数fi的NSV；
②每一个特征参数均得到3个NSV，对每一个特征参数的3个NSV求其 平均值得
Figure BDA0001670129900000161
③将得到的22个特征参数的NSV按升幂排列，F′为排序特征集，即 F′＝{f′i,(i＝1,2,3....22}；
④设结果特征集F″，f′1为第一个结果特征即；
⑤f′i(i＝2,3…22作为待选特征参数；
⑥计算NSV(F″∪f′i)、NSV(F″)，若NSV(F″∪f′i)<NSV(F″)，则将f′i选 为结果特征参数，否则舍弃；
⑦遍历所有待选特征参数得到结果特征参数集。
除了选出3种水稻田的最优特征，利用上述方法还选出区分水稻与非水稻 (城市、水体)的最优特征。
第6步，对紧致极化SAR数据利用(II)第5步方法进行特征优选得到 多时相优选特征参数；
通过该方法得到多时相特征优选参数见表3，利用优选参数绘制附图4优 选特征参数柱状图。
表3多时相特征优选参数
Figure BDA0001670129900000162
(III)基于优选特征的水稻分类:
第1步，利用优选参数通过训练样本进行SVM分类方法分类得到分类结 果；
建立的SVM分类方法核函数选择径向基函数(RBF),核函数Gamma参 数值设定为输入图像波段的倒数，惩罚参数(Penalty Parameter)控制样本错 误与分类刚性延伸之间的平衡，选定为100。分级处理等级(Pyramid Levels) 用于SVM训练和分类处理过程，设置为0，以原图像分辨率进行分类处理。 分类概率阈值(Classification ProbabilityThreshold)表示如果一个像素计算得 到所有规则概率小于该值，该像素将不会被分类，该值范围为[0，1]，本文设 定为0，SVM分类结果见附图4和图5。
第2步，利用优选参数建立决策树分类算法得到分类结果，建立的决策树。
实验区非水稻主要包括城镇建筑和水体等，水稻与水体、建筑的二次散射 贡献差异很大，而RR极化对二次散射敏感，因此首先根据
Figure BDA0001670129900000171
区分水稻和 非水稻。水体的m-δ_db约为-35dB，小于其他非水稻，因此利用m-δ_db区 分水体；最后再利用m-δ_db和
Figure BDA0001670129900000172
将城镇建筑与其他非水稻区分开。
针对3类水稻田，先利用6月27日(幼苗期)m-χ_db、μC和-δ_vol区分 不同种植方式，即撒播粳稻(DJ)与插秧籼稻(TH)、插秧粳稻(TJ)。因为撒播 田下垫面为土壤，且植株矮小，二次散射比插秧田弱，而由于植株密度较大， 其体散射较弱大于TJ，小于TH。
TH与TJ可分性较弱，因为二者种植方式相同，田块结构相似，只能依靠 水稻植株形态差异进行区分。7月11日，TH在RR上的响应较强，21日由于 冠层密度增加，衰减增大，TH发生二次散射的能量减少，在RR上的响应减 弱；而TJ刚好与之相反，因此利用二者在两个时相上的差异来实现区分。
所以建立的决策树首先利用优选的紧致极化雷达特征区分水稻与非水稻 (城镇、水体等)，在此基础上，再进行3类水稻田的区分，最终实现水稻田 的精细分类。根据6月27日RR后向散射系数大于等于-20db小于等于-10.8db 区分水稻和非水稻(城市和水体)；根据6月27日m-delta-db大于-60db、小于 -25.2dB区分水体和城镇；根据6月27日m-chi-db大于-15dB，6月27日圆极 化比大于-15dB及7月11日m-delta-vol大于-13dB、小于-8.8dB区分插秧稻田 (插秧籼稻田、插播粳稻田)和撒播稻田(撒播稻粳田)；最后根据7月11日 和6月27日RR后向散射系数差值即7月11日RR后向散射系数减去6月27 日RR后向散射系数大于0区分插秧籼稻田与插播粳稻田。
第3步，利用验证样本b进行分类精度评价。如表4所示
表4分类精度评价
Figure BDA0001670129900000181
*Tm-n-k,Tm表示用于分类的SAR数据时相数量；n表示参与分类的紧致极化SAR特征参数的数量；k表示水稻分 类的数量
如图8所示，为本实施所提供一种紧致极化水稻制图的系统的结构示 意图，包括：雷达数据源获取器801、属性特征数据采集规划器802、属性 特征数据划分器803、参数预处理器804、响应值获取器805、多时相优选特 征参数计算器806、支持向量机分类器807及分类精度评价器808，其中，
所述雷达数据源获取器801，与所述属性特征数据采集规划器802相连 接，用于获取采样田预设范围内，且全极化合成孔径雷达数据空间分辨率 10米之内，紧致极化合成孔径雷达分辨率30米之内的雷达数据源。
所述属性特征数据采集规划器802，与所述雷达数据源获取器801及属 性特征数据划分器803相连接，用于根据数据源卫星过境时间，将所述雷达 数据源转换为紧致极化合成孔径雷达影像，并规划所述样本田的属性特征数 据的采集。
所述属性特征数据划分器803，与所述属性特征数据采集规划器802及参 数预处理器804相连接，用于接收所述样本田的属性特征数据，将所述属性特 征数据随机均分为训练样本数据和验证样本数据。
所述参数预处理器804，与所述属性特征数据划分器803及响应值获取器 805相连接，用于提取所述雷达数据源的特征参数得到全部紧致极化合成孔 径雷达参数，对所述紧致极化合成孔径雷达参数进行几何校正、研究区裁 剪、斑点噪声滤波得到预处理参数。
所述响应值获取器805，与所述参数预处理器804及多时相优选特征参数 计算器806相连接，用于对所述样本田、水体及城镇的训练样本数据进行信 息提取得到所述样本田的响应值。
所述多时相优选特征参数计算器806，与所述响应值获取器805及支持 向量机分类器807相连接，用于计算所述样本中每个预处理参数所支持向 量机的个数、并对所述预处理参数进行序列遍历搜寻；根据所述响应值对 所述紧致极化合成孔径雷达参数进行特征优选得到多时相优选特征参数。
所述支持向量机分类器807，与所述多时相优选特征参数计算器806及 分类精度评价器808相连接，用于对所述训练样本数据中的多时相优选特征 参数进行支持向量机分类，建立优选参数建立决策树得到样本田分类结果。
所述分类精度评价器808，与所述支持向量机分类器807相连接，用 于利用所述样本田的验证样本数据建立混淆矩阵，对所述样本田分类结果进 行分类精度评价得到所述样本田的紧致极化水稻制图。
如图9所示，为本实施所提供另一种紧致极化水稻制图的系统的结构 示意图，与图8中不同的是，所述雷达数据源获取器801，包括：雷达数 据范围确认单元811及雷达数据源获取单元812；其中，
所述雷达数据范围确认单元811，与所述雷达数据源获取单元812相 连接，用于获取采样田预设范围内，且全极化合成孔径雷达数据空间分辨 率10米之内，紧致极化合成孔径雷达分辨率30米之内的雷达数据。
所述雷达数据源获取单元812，与所述雷达数据范围确认单元811及属 性特征数据采集规划器802相连接，用于采用C波段精细全极化雷达数据影 像作为基础数据源；利用所述基础数据源模拟紧致极化雷达影像得到所述雷 达数据源。
可选地，上述系统中，所述样本田的属性特征数据，包括：水稻的种类、 水体、城镇的GPS坐标、样本田大小、样本田下垫面及气候的环境参数。
可选地，所述参数预处理器804，进一步用于：提取所述雷达数据源的 影像特征参数矢量的四个分量、RH极化后向散射系数、RV极化后向散射系数、 RL极化后向散射系数、RR极化后向散射系数、m-del ta分解的三个分量、m-chi 分解的三个分量、极化度、平均散射角、一致性系数、RV极化后向散射系数 与RH极化后向散射系数的相关系数、香农熵和香农极化度。
如图10所示，为本实施所提供又一种紧致极化水稻制图的系统的结构 示意图，与图8中不同的是，所述支持向量机分类器807，包括：水稻和 非水稻区分单元871、水体和城镇区分单元872、插秧稻田和撒播稻田区分 单元873及插秧籼稻田与插播粳稻田区分单元874；其中，
所述水稻和非水稻区分单元871，与所述水体和城镇区分单元872相 连接，用于根据RR后向散射系数不超过RR阈值区分水稻和非水稻；
所述水体和城镇区分单元872，与所述水稻和非水稻区分单元871及 插秧稻田和撒播稻田区分单元873相连接，用于m-delta-db大于m-delta-db 阈值时区分水体和城镇；
所述插秧稻田和撒播稻田873，与所述水体和城镇区分单元872及插 秧籼稻田与插播粳稻田区分单元874相连接，用于根据m-chi-db大于或等 于m-chi-db阈值，日圆极化比大于日圆极化比阈值及m-delta-vol不超过m-delta-vol阈值区分插秧稻田和撒播稻田；
所述插秧籼稻田与插播粳稻田区分单元874，与所述插秧稻田和撒播 稻田区分单元873相连接，用于根据RR后向散射系数差值大于0区分插 秧籼稻田与插播粳稻田，并建立决策树。
通过上述实施例可知，本发明的紧致极化水稻制图的方法及系统，达 到了如下的有益效果：
(1)本发明所述的紧致极化水稻制图的方法及系统，根据空间分辨率 及空间分辨率获取合适时相的雷达影像，该影像能模拟得到紧致极化雷达影 像，便可通过所建立的算法进行三类水稻田的精细分类制图，仅需要采集少量 样本，不需要通过大量人力去实地规划、区分，极大地节省了人力成本。
(2)本发明所述的紧致极化水稻制图的方法及系统，支持向量机和序 列前进搜寻策略对多时相模拟的紧致极化SAR参数进行了优选，优选出区分不 同种植方式、不同品种的三类水稻田的紧致极化SAR响应特征参数，通过系统 计算的方式能够快速、精准地获得水稻田分类信息。
(3)本发明所述的紧致极化水稻制图的方法及系统，通过优选参数进 行支持向量机分类和决策树分类，分类结果的总体精度达到90％以上，
Kappa系数达到0.85以上，具有高精确的水稻监测识别能力，实现了水稻 田的高精度分类。
(4)本发明所述的紧致极化水稻制图的方法及系统，在同时兼顾制图 精度与制图面积的条件下进行水稻制图，紧致极化SAR不仅能够在一定程 度上保持丰富的极化信息，还能实现更大的幅宽与入射角范围，此外还具 有自定标、交叉验证等优势，利用该数据对水稻精确分类，从而对水稻长 势监测与估产提供更精准的基础信息，能够推动精细农业发展。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是 本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限 制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围 和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求 来限定。

Claims (10)

1.一种紧致极化水稻制图的方法，其特征在于，包括：
获取样本田预设范围内，且全极化合成孔径雷达数据空间分辨率10米之内，紧致极化合成孔径雷达分辨率30米之内的雷达数据源；
根据数据源卫星过境时间，将所述雷达数据源转换为紧致极化合成孔径雷达影像，并规划所述样本田的属性特征数据的采集；
接收所述样本田的属性特征数据，将所述属性特征数据随机均分为训练样本田数据和验证样本田数据；
提取所述雷达数据源的特征参数得到全部紧致极化合成孔径雷达参数，对所述紧致极化合成孔径雷达参数进行几何校正，解决影像在成像过程中存在的几何畸变问题，研究区裁剪，将影像统一裁剪到研究区范围内，斑点噪声滤波，去除因SAR相干成像造成的小斑点，得到预处理参数；
对所述样本田、水体及城镇的训练样本田数据进行信息提取得到所述样本田的响应值；
计算所述样本田中每个预处理参数所支持向量机的个数、并对所述预处理参数进行序列遍历搜寻，计算每一个紧致极化参数在每一类样方下的平均值的支持向量个数（NSV），最小NSV对应参数作为第一个优选参数集；第二小的NSV对应参数与第一小的NSV对应参数构建成一个特征集合计算NSV，判断构成的集合的NSV与第一小NSV大小情况，构成集合的NSV小于第一小NSV则加入优选集合组成新的优选集合，否则第二小NSV不为优选参数；利用上述计算过程遍历所有紧致极化参数；根据所述响应值对所述紧致极化合成孔径雷达参数进行特征优选得到多时相优选特征参数；
对所述训练样本田数据中的多时相优选特征参数进行支持向量机分类，建立优选参数及建立决策树得到样本田分类结果；
利用所述样本田的验证样本田数据建立混淆矩阵，对所述样本田分类结果进行分类精度评价得到所述样本田的紧致极化水稻制图。
2.根据权利要求1所述的紧致极化水稻制图的方法，其特征在于，还包括：采用C波段精细全极化雷达数据影像作为基础数据源；利用所述基础数据源模拟紧致极化雷达影像得到所述雷达数据源。
3.根据权利要求1所述的紧致极化水稻制图的方法，其特征在于，所述样本田的属性特征数据，包括：水稻的种类、水体、城镇的GPS坐标、样本田大小、样本田下垫面及气候的环境参数。
4.根据权利要求1所述的紧致极化水稻制图的方法，其特征在于，所述提取所述雷达数据源的特征参数得到全部紧致极化合成孔径雷达参数，为：
提取所述雷达数据源的影像特征参数矢量的四个分量、发射右旋极化波接收水平极化波极化后向散射系数、发射右旋极化波接收垂直极化波极化后向散射系数、发射右旋极化波接收线极化波极化后向散射系数、发射右旋极化波接收右旋极化波极化后向散射系数、m-delta分解的三个分量、m-chi分解的三个分量、极化度、平均散射角、一致性系数、发射右旋极化波接收垂直极化波极化后向散射系数与发射右旋极化波接收水平极化波极化后向散射系数的相关系数、香农熵和香农极化度。
5.根据权利要求1至4任意一项所述的紧致极化水稻制图的方法，其特征在于，所述建立优选参数及建立决策树得到样本田分类结果，为：
根据发射右旋极化波接收右旋极化波后向散射系数是否不超过发射右旋极化波接收右旋极化波阈值区分水稻和非水稻；m-delta分解的二次散射分量是否大于m-delta分解的二次散射分量阈值区分水体和城镇；根据m-chi分解的二次散射分量大于或等于m-chi分解的二次散射分量阈值，圆极化比大于圆极化比阈值及m-delta分解的体散射分量是否不超过m-delta分解的体散射分量阈值区分插秧稻田和撒播稻田；根据发射右旋极化波接收右旋极化波后向散射系数差值是否大于0区分插秧籼稻田与插播粳稻田，并建立决策树。
6.一种紧致极化水稻制图的系统，其特征在于，包括：雷达数据源获取器、属性特征数据采集规划器、属性特征数据划分器、参数预处理器、响应值获取器、多时相优选特征参数计算器、支持向量机分类器及分类精度评价器，其中，
所述雷达数据源获取器，与所述属性特征数据采集规划器相连接，用于获取样本田预设范围内，且全极化合成孔径雷达数据空间分辨率10米之内，紧致极化合成孔径雷达分辨率30米之内的雷达数据源；
所述属性特征数据采集规划器，与所述雷达数据源获取器及属性特征数据划分器相连接，用于根据数据源卫星过境时间，将所述雷达数据源转换为紧致极化合成孔径雷达影像，并规划所述样本田的属性特征数据的采集；
所述属性特征数据划分器，与所述属性特征数据采集规划器及参数预处理器相连接，用于接收所述样本田的属性特征数据，将所述属性特征数据随机均分为训练样本田数据和验证样本田数据；
所述参数预处理器，与所述属性特征数据划分器及响应值获取器相连接，用于提取所述雷达数据源的特征参数得到全部紧致极化合成孔径雷达参数，对所述紧致极化合成孔径雷达参数进行几何校正，解决影像在成像过程中存在的几何畸变问题，研究区裁剪，将影像统一裁剪到研究区范围内，斑点噪声滤波，去除因SAR相干成像造成的小斑点，得到预处理参数；
所述响应值获取器，与所述参数预处理器及多时相优选特征参数计算器相连接，用于对所述样本田、水体及城镇的训练样本田数据进行信息提取得到所述样本田的响应值；
所述多时相优选特征参数计算器，与所述响应值获取器及支持向量机分类器相连接，用于计算所述样本田中每个预处理参数所支持向量机的个数、并对所述预处理参数进行序列遍历搜寻，计算每一个紧致极化参数在每一类样方下的平均值的支持向量个数（NSV），最小NSV对应参数作为第一个优选参数集；第二小的NSV对应参数与第一小的NSV对应参数构建成一个特征集合计算NSV，判断构成的集合的NSV与第一小NSV大小情况，构成集合的NSV小于第一小NSV则加入优选集合组成新的优选集合，否则第二小NSV不为优选参数；利用上述计算过程遍历所有紧致极化参数；根据所述响应值对所述紧致极化合成孔径雷达参数进行特征优选得到多时相优选特征参数；
所述支持向量机分类器，与所述多时相优选特征参数计算器及分类精度评价器相连接，用于对所述训练样本田数据中的多时相优选特征参数进行支持向量机分类，建立优选参数及建立决策树得到样本田分类结果；
所述分类精度评价器，与所述支持向量机分类器相连接，用于利用所述样本田的验证样本田数据建立混淆矩阵，对所述样本田分类结果进行分类精度评价得到所述样本田的紧致极化水稻制图。
7.根据权利要求6所述的紧致极化水稻制图的系统，其特征在于，所述雷达数据源获取器，包括：雷达数据范围确认单元及雷达数据源获取单元；其中，
所述雷达数据范围确认单元，与所述雷达数据源获取单元相连接，用于获取样本田预设范围内，且全极化合成孔径雷达数据空间分辨率10米之内，紧致极化合成孔径雷达分辨率30米之内的雷达数据；
所述雷达数据源获取单元，与所述雷达数据范围确认单元及属性特征数据采集规划器相连接，用于采用C波段精细全极化雷达数据影像作为基础数据源；利用所述基础数据源模拟紧致极化雷达影像得到所述雷达数据源。
8.根据权利要求6所述的紧致极化水稻制图的系统，其特征在于，所述样本田的属性特征数据，包括：水稻的种类、水体、城镇的GPS坐标、样本田大小、样本田下垫面及气候的环境参数。
9.根据权利要求6所述的紧致极化水稻制图的系统，其特征在于，所述参数预处理器，进一步用于：提取所述雷达数据源的影像特征参数矢量的四个分量、发射右旋极化波接收水平极化波极化后向散射系数、发射右旋极化波接收垂直极化波极化后向散射系数、发射右旋极化波接收线极化波极化后向散射系数、发射右旋极化波接收右旋极化波极化后向散射系数、m-delta分解的三个分量、m-chi分解的三个分量、极化度、平均散射角、一致性系数、发射右旋极化波接收垂直极化波极化后向散射系数与发射右旋极化波接收水平极化波极化后向散射系数的相关系数、香农熵和香农极化度。
10.根据权利要求6所述的紧致极化水稻制图的系统，其特征在于，所述支持向量机分类器，包括：水稻和非水稻区分单元、水体和城镇区分单元、插秧稻田和撒播稻田区分单元及插秧籼稻田与插播粳稻田区分单元；其中，
所述水稻和非水稻区分单元，与所述水体和城镇区分单元相连接，用于根据发射右旋极化波接收右旋极化波后向散射系数是否不超过发射右旋极化波接收右旋极化波阈值区分水稻和非水稻；
所述水体和城镇区分单元，与所述水稻和非水稻区分单元及插秧稻田和撒播稻田区分单元相连接，用于m-delta分解的二次散射分量是否大于m-delta分解的二次散射分量阈值来区分水体和城镇；
所述插秧稻田和撒播稻田，与所述水体和城镇区分单元及插秧籼稻田与插播粳稻田区分单元相连接，用于根据m-chi分解的二次散射分量大于或等于m-chi分解的二次散射分量阈值，日圆极化比大于日圆极化比阈值及m-delta分解的体散射分量是否不超过m-delta分解的体散射分量阈值区分插秧稻田和撒播稻田；
所述插秧籼稻田与插播粳稻田区分单元，与所述插秧稻田和撒播稻田区分单元相连接，用于根据发射右旋极化波接收右旋极化波后向散射系数差值是否大于0区分插秧籼稻田与插播粳稻田，并建立决策树。
CN201810501345.3A 2018-05-23 2018-05-23 一种紧致极化水稻制图的方法及系统 Active CN108766203B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810501345.3A CN108766203B (zh) 2018-05-23 2018-05-23 一种紧致极化水稻制图的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810501345.3A CN108766203B (zh) 2018-05-23 2018-05-23 一种紧致极化水稻制图的方法及系统

Publications (2)

Publication Number Publication Date
CN108766203A CN108766203A (zh) 2018-11-06
CN108766203B true CN108766203B (zh) 2020-10-16

Family

ID=64004747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810501345.3A Active CN108766203B (zh) 2018-05-23 2018-05-23 一种紧致极化水稻制图的方法及系统

Country Status (1)

Country Link
CN (1) CN108766203B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110310368A (zh) * 2019-05-30 2019-10-08 潍坊科技学院 一种基于Mapgis的土壤状况专题图制作方法
CN110622799B (zh) * 2019-10-12 2022-04-22 华中农业大学 一种再生稻稻田艺术画的制作方法
CN112215090B (zh) * 2020-09-21 2023-05-02 北京航天绘景科技有限公司 融合物候知识的遥感水稻制图方法及其应用
CN113642399A (zh) * 2021-07-12 2021-11-12 广东省国土资源测绘院 基于sar数据的水田撂荒地识别方法
CN114202691B (zh) * 2021-12-09 2022-10-04 广东省科学院广州地理研究所 基于遥感图像的水稻识别方法、装置以及设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3542083B2 (ja) * 2001-12-27 2004-07-14 防衛庁技術研究本部長 地表識別装置及び遠隔物識別装置
CN103345707A (zh) * 2013-06-04 2013-10-09 中国科学院遥感与数字地球研究所 一种基于多源遥感数据的农作物成熟期遥感预测方法
CN103969632B (zh) * 2014-03-26 2016-06-08 北京农业信息技术研究中心 一种利用雷达遥感数据监测小麦倒伏的方法及装置
CN104199027B (zh) * 2014-08-29 2016-07-06 中国科学院遥感与数字地球研究所 基于紧致极化雷达大面积近实时监测水稻物候期的方法
CN106258686B (zh) * 2016-08-11 2019-10-08 中国科学院遥感与数字地球研究所 一种改进的水云模型及应用该模型的水稻参数反演方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于特征优选的随机森林模型的黄河口滨海湿地信息提取研究;刘家福，李林峰，任春颖，毛德华，张柏;《湿地科学》;20180415;第97-105页 *

Also Published As

Publication number Publication date
CN108766203A (zh) 2018-11-06

Similar Documents

Publication Publication Date Title
CN108766203B (zh) 一种紧致极化水稻制图的方法及系统
Hosseini et al. Estimation of Leaf Area Index (LAI) in corn and soybeans using multi-polarization C-and L-band radar data
Sarker et al. Forest biomass estimation using texture measurements of high-resolution dual-polarization C-band SAR data
Collin et al. Mapping the shallow water seabed habitat with the SHOALS
CN102215666B (zh) 植被生长状况分析方法、记录有程序的记录介质和植被生长状况分析器
CN102194127B (zh) 一种多频率sar数据农作物遥感分类方法
Luo et al. Retrieving aboveground biomass of wetland Phragmites australis (common reed) using a combination of airborne discrete-return LiDAR and hyperspectral data
JP2011167163A (ja) 水稲収量予測モデル生成方法、及び水稲収量予測方法
CN106950573B (zh) 一种基于无人机激光雷达的玉米涝渍灾害评估方法及系统
Hajdu et al. Modelling of near-surface soil moisture using machine learning and multi-temporal sentinel 1 images in New Zealand
CN116452023B (zh) 基于低频微波雷达vod数据的公里级碳储量评估方法
Korpela et al. Fine-resolution mapping of microforms of a boreal bog using aerial images and waveform-recording LiDAR.
Singh et al. Soil moisture retrieval using SMAP L-band radiometer and RISAT-1 C-band SAR data in the paddy dominated tropical region of India
CN112989940A (zh) 基于高分三号卫星sar影像的筏式养殖区提取方法
CN114545410B (zh) 基于合成孔径雷达双极化数据相干性的作物倒伏监测方法
Muhuri et al. Geodesic distance based scattering power decomposition for compact polarimetric SAR data
Dedieu et al. Interpretation of a RADARSAT-2 fully polarimetric time-series for snow cover studies in an Alpine context–first results
RU2705549C1 (ru) Способ агрохимического обследования земель сельскохозяйственного назначения
Tomar Hybrid polarimetric decomposition for aboveground biomass estimation using semi-empirical modelling
Desai et al. Modeling of rice crop biomass using Sentinel-1 backscatter coefficients: A case study over Nawagam, Gujarat
Paloscia et al. COSMO-SkyMed and radarsat image integration for soil moisture and vegetation biomass monitoring
CN115100521A (zh) 基于极化雷达遥感数据的盐碱化分级反演方法及系统
Miyaoka et al. Detection of rice-planted area using multi-temporal ALOS/PALSAR data
Duan The impact of Leaf Area Index on rainfall interception and the potential to estimate it using Sentinel-1 observations
Li et al. Retrieving leaf area index of forests in red soil hilly region using remote sensing 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