CN109977574A - 一种基于改进Freeman-Durden极化分解模型的土壤水分反演方法 - Google Patents
一种基于改进Freeman-Durden极化分解模型的土壤水分反演方法 Download PDFInfo
- Publication number
- CN109977574A CN109977574A CN201910260480.8A CN201910260480A CN109977574A CN 109977574 A CN109977574 A CN 109977574A CN 201910260480 A CN201910260480 A CN 201910260480A CN 109977574 A CN109977574 A CN 109977574A
- Authority
- CN
- China
- Prior art keywords
- parameter
- scattering
- simu
- dihedral angle
- dielectric constant
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
针对基于微波遥感反演植被区土壤水分仍需要光学数据辅助,难以充分发挥微波遥感全天候观测能力的问题,本发明面向我国自主研制的首颗C波段高分三号雷达卫星,公开了一种基于改进Freeman‑Durden极化分解模型的土壤水分反演方法,不需要借助植被和地表粗糙度参量,即可实现植被区土壤水分高精度反演;该方法包括如下步骤:步骤1)针对高分三号卫星全极化雷达数据,基于改进Freeman‑Durden极化分解模型分解得到表面散射参量β和二面角散射分量α和fd;步骤2)模拟得到表面散射参量βsimu和二面角散射参量αsimu和fdsimu;步骤3)基于代价函数Zs和Zd将分解得到的表面散射和二面角散射参量与模拟参量进行匹配,得到土壤介电常数,并结合Dobson介电常数模型实现土壤水分反演。
Description
技术领域
本发明涉及一种基于改进Freeman-Durden极化分解模型的土壤水分反演方法,面向我国首颗自主研制的C波段多极化SAR卫星,无需借助光学遥感数据的辅助,基于极化分解得到的表面散射和二面角散射实现植被覆盖区土壤水分高精度反演。
背景技术
土壤水分是全球能量循环的重要组成部分,是水文学、气象学和农学等学科研究中的重要参数。传统上获取土壤水分信息是依靠站点观测,不仅费时费力,而且由于站点分布稀疏,并不能全面反映土壤水分的空间分布特征。合成孔径雷达(SAR)具有全天时全天候的观测能力,受云、雨、雪的影响较小,能够更深的穿透植被层和土壤表面。微波传感器接收到的地表反射的微波后向散射系数与地表土壤的介电特性密切相关,而土壤的介电特性主要由其含水量决定,因此基于微波遥感估算土壤水分具备很好的物理基础。
目前基于主动微波遥感实现裸土区土壤水分反演的方法主要包括统计模型(Oh和Dubois等)和物理模型(IEM和AIEM等)。然而在植被覆盖地区,由于植被本身的多重散射效应和植被冠层水分对电磁信号的散射和衰减,导致很难区分出专门由土壤水分引起的雷达回波信号。植被区的后向散射系数模拟通常采用水云模型,假定各植被层为一个各项均质的散射体,忽略了植被层与地表之间的相互多次散射。水云模型的输入参数包括植被冠层含水量,以往研究通常基于光学遥感指数(NDWI和NDVI等)计算得到。尽管有研究表明光学遥感和微波遥感结合可有效提高土壤水分反演的精度,但是光学遥感数据拍摄容易受到云雨天气的影响,从而间接削弱了微波遥感全天候的观测能力。
极化分解是从PolSAR图像中提取信息的重要方法,有助于理解散射机制并提取地物的物理参数(Cloude和Pottier,1996;Lee和Ainsworth,2011)。目前主要有两类极化分解模型,分别是基于特征向量的极化分解和基于模型的极化分解。其中基于模型的极化分解(Freeman和Durden等,1998;Hajnsek等,2009;Yamaguchi等,2005)利用全极化SAR信息来分离不同的散射分量(例如,表面散射、二面角散射和体散射)。Freeman-Durden分解假设协方差矩阵是三个物理散射机制的线性组和:i)来自植被冠层的体散射,ii)来自树干和表面的二面角散射,iii)来自下垫面的表面散射(Van Zyl等,2011)。为了避免Freeman-Durden分解的反射对称性的假设,Yamaguchi分解增加了第四分量-螺旋体散射(Yamaguchi等人,2005)。除此之外,也有一些基于上述模型的扩展和改进版,例如Hajnsek模型(2009),An模型(2010)和Modified Freeman-Durden模型(安文韬等,2018)。Hajnsek模型允许更灵活地选择体散射分量参数,提出了一种随机体散射模型,通过应用去定向过程去除了极化散射的随机取向角的扰动。An模型(安文韬等,2010)在三成分分解模型的基础上采用了去定向、新的体散射模型与功率限制,但是存在体散射过低估计的问题。改进的Freeman-Durden模型(安文韬等,2018)是在Freeman-Durden分解的基础上增加了去定向过程和非负功率限制,体散射模型仍旧采用Freeman-Durden模型中的体散射模型,改进后的Freeman-Durden模型有助于从地面散射分量(包含表面散射和二面角散射)中提取土壤水分信息。但是目前改进Freeman-Durden极化分解模型尚未被应用到土壤水分反演领域。
当前主流的L/C/X波段雷达卫星,如ALOS-2、Radarsat-2、Sentinel-1andTerraSAR-X,均已开发并测试了多种土壤水分反演算法。高分三号卫星作为我国首颗自主研制的C波段SAR卫星,目前针对该卫星的基于极化分解技术反演土壤水分的算法较少。本发明首次提出了基于改进Freeman-Durden极化分解模型的土壤水分反演方法,可有效评估高分三号卫星土壤水分反演的能力,无需借助光学遥感数据的辅助,即可实现植被覆盖区土壤水分高精度反演。
发明内容
针对我国自主研制的首颗C波段SAR卫星,和植被覆盖区土壤水分反演仍需借助光学遥感数据辅助的问题,本发明提出了一种基于改进Freeman-Durden极化分解模型的土壤水分反演方法,可实现植被覆盖区土壤水分高精度反演。
本发明的目的通过以下技术步骤实现:
步骤1)基于高分三号全极化雷达影像,利用改进Freeman-Durden极化分解模型,去除体散射的影响,分解出表面散射分量和二面角散射分量,并计算表面散射中的Bragg散射系数β参数,以及二面角散射中的Fresnel散射系数α参数和二面角散射振幅fd。
步骤2)面向高分三号卫星载荷特点分别模拟表面散射中的Bragg散射系数βsimu参数,以及二面角散射中的Fresnel散射系数αsimu参数和二面角散射振幅fdsimu,建立βsimu参数数据库、αsimu参数与fdsimu参数数据库。
步骤3)基于代价函数Zs和Zd将分解得到的表面散射中的Bragg散射系数β参数、二面角散射中的Fresnel散射系数α参数和二面角散射振幅fd与数据库中对应的模拟参量进行差值最小化,计算得到各参数对应的土壤介电常数。并结合Dobson介电常数模型将介电常数转换为土壤水分,实现基于高分三号卫星数据的植被覆盖区土壤水分高精度反演。
进一步,所述步骤1)的具体方法为:
a)对高分三号雷达卫星影像数据进行三步预处理工作:一是单视复数(SLC)文件转换;二是数据格式转换,由S2矩阵转换成T3矩阵;三是斑点噪声滤波;b)基于改进Freeman-Durden极化分解模型,首先去除体散射分量,然后分解出表面散射分量和二面角散射分量;c)分别计算出表面散射中的Bragg散射系数β参数,以及二面角散射中的Fresnel散射系数α参数和二面角散射振幅fd。
进一步,所述步骤2)的具体方法为:
a)将高分三号卫星影像的入射角作为输入参数,其中入射角设置为20-60度,间隔为1度;b)土壤介电常数设置为2-40,间隔为0.5;植被的介电常数设置为2-50,间隔为0.5;c)基于已设置的参数信息,模拟表面散射Bragg系数βsimu参量数据库,包含入射角、β参量以及对应的土壤介电常数;d)基于已设置的参数信息,模拟二面角散射αsimu参数和二面角散射振幅fdsimu数据库,包含入射角、α和fd参量以及对应的土壤介电常数。
进一步,所述步骤3)的具体方法为:
a)基于代价函数Zs将高分三号卫星影像数据分解得到的表面散射参量中的β参数与模拟得到的βsimu参数数据库进行匹配,计算得到该像元对应的介电常数;b)基于代价函数Zd将高分三号卫星影像数据分解得到的二面角散射参量中的α和fd参数与模拟得到的αsimu和fdsimu参数数据库进行匹配,计算得到该像元对应的介电常数;c)基于Dobson介电常数模型,将基于表面散射和二面角散射计算得到的介电常数转换为土壤水分,实现土壤水分高精度反演。
代价函数Zs公式如下:
其中n代表了β参数的数目。
代价函数Zd公式如下:
其中n代表了α参数的数目。
附图说明
图1为基于高分三号雷达全极化影像,利用改进Freeman-Durden极化分解模型分解的表面散射β参数分布图;
图2为基于高分三号雷达全极化影像,利用改进Freeman-Durden极化分解模型分解的二面角散射α参数分布图;
图3为基于改进Freeman-Durden极化分解模型反演的土壤水分结果图;
具体实施方式
下面结合附图对本发明“一种基于改进Freeman-Durden极化分解模型的土壤水分反演方法”作进一步阐述说明。
(一)针对高分三号卫星全极化雷达数据,基于改进Freeman-Durden极化分解模型分解得到表面散射参量β(图1)和二面角散射分量α(图2)和fd
改进Freeman-Durden极化分解模型公式如下:
Tθ=deorientation(T) (3)
改进Freeman-Durden极化分解模型在原始Freeman-Durden模型基础上增添了去定向操作和非负功率限制。也就是在将目标分解为3个成份之前,先对相干矩阵采用了去定向操作,即将目标旋转到了0度定向角这个标准位置后再分解为表面散射、二面角散射和体散射成份,并且限制了三种成分的功率值必须非负。
基于改进Freeman-Durden极化分解模型,在去除体散射分量之后,分解出表面散射分量和二面角散射分量,并计算表面散射中的Bragg散射系数β参数,以及二面角散射中的Fresnel散射系数α参数和二面角散射振幅fd。并筛选出满足物理条件限制的可用于反演土壤水分的β参数(-1<β<0),以及α和fd参数(0<α<1并且fd>0)。
(二)模拟得到表面散射参量βsimu和二面角散射参量αsimu和fdsimu
在表面散射占主导地面散射的情况下:
其中θ代表入射角度,设置为20-60度,间隔为1度;εs是土壤介电常数,设置为2-40,间隔为0.5。
在二面角散射占主导地面散射的情况下:
fdsimu=0.5|RshRph+RsvRpveiφ|2 (9)
其中φ代表水平极化和垂直极化的相位差,下标i代表土壤(s)和植被(p),并且θp=π/2-θs。θ代表入射角度,设置为20-60度,间隔为1度;εs是土壤介电常数,设置为2-40,间隔为0.5。εp是植被介电常数,设置为2-50,间隔为0.5。
(三)基于代价函数Zs和Zd将分解得到的表面散射和二面角散射参量与模拟参量进行匹配,得到土壤介电常数,并结合Dobson介电常数模型实现土壤水分反演(图3)。
基于步骤(二)中模拟得到的表面散射Bragg系数βsimu参量数据库、二面角散射αsimu参数和二面角散射振幅fdsimu数据库,以及对应的土壤水分,本发明基于代价函数Zs将高分三号卫星影像数据基于改进Freeman-Durden模型分解得到的表面散射参量中的β参数与模拟得到的βsimu参数数据库进行匹配,计算得到该像元对应的介电常数;基于代价函数Zd将高分三号卫星影像数据基于改进Freeman-Durden模型分解得到的二面角散射参量中的α和fd参数与模拟得到的αsimu和fdsimu参数数据库进行匹配,计算得到该像元对应的介电常数。然后基于Dobson介电常数模型,将基于表面散射和二面角散射计算得到的介电常数转换为土壤水分,实现土壤水分高精度反演。
代价函数Zs公式如下:
其中n代表了β参数的数目。
代价函数Zd公式如下:
其中n代表了α参数的数目。
Claims (4)
1.一种基于改进Freeman-Durden极化分解模型的土壤水分反演方法,该方法包括如下步骤:
步骤1)基于高分三号全极化雷达影像,利用改进Freeman-Durden极化分解模型,去除体散射的影响,分解出表面散射分量和二面角散射分量,并计算表面散射中的Bragg散射系数β参数,以及二面角散射中的Fresnel散射系数α参数和二面角散射振幅fd。
步骤2)面向高分三号卫星载荷特点分别模拟表面散射中的Bragg散射系数βsimu参数,以及二面角散射中的Fresnel散射系数αsimu参数和二面角散射振幅fdsimu,建立βsimu参数数据库、αsimu参数与fdsimu参数数据库。
步骤3)基于代价函数Zs和Zd将分解得到的表面散射中的Bragg散射系数β参数、二面角散射中的Fresnel散射系数α参数和二面角散射振幅fd与数据库中对应的模拟参量进行差值最小化,计算得到各参数对应的土壤介电常数。并结合Dobson介电常数模型将介电常数转换为土壤水分,实现基于高分三号卫星数据的植被覆盖区土壤水分高精度反演。
2.如权利要求书1所述的方法,其特征在于,所述步骤1)的具体方法为:
a)对高分三号雷达卫星影像数据进行三步预处理工作:一是单视复数(SLC)文件转换;二是数据格式转换,由S2矩阵转换成T3矩阵;三是斑点噪声滤波;b)基于改进Freeman-Durden极化分解模型,首先去除体散射分量,然后分解出表面散射分量和二面角散射分量;c)分别计算出表面散射中的Bragg散射系数β参数,以及二面角散射中的Fresnel散射系数α参数和二面角散射振幅fd。
3.如权利要求书1所述的方法,其特征在于,所述步骤2)的具体方法为:
a)将高分三号卫星影像的入射角作为输入参数,其中入射角设置为20-60度,间隔为1度;b)土壤介电常数设置为2-40,间隔为0.5;植被的介电常数设置为2-50,间隔为0.5;c)基于设置好的参数信息,模拟表面散射Bragg系数βsimu参量数据库,包含入射角、β参量以及对应的土壤介电常数;d)基于设置好的参数信息,模拟二面角散射αsimu参数和二面角散射振幅fdsimu数据库,包含入射角、α和fd参量以及对应的土壤介电常数。
4.如权利要求书1所述的方法,其特征在于,所述步骤3)具体方法为:a)基于代价函数Zs将高分三号卫星影像数据分解得到的表面散射参量中的β参数与模拟得到的βsimu参数数据库进行匹配,计算得到该像元对应的介电常数;b)基于代价函数Zd将高分三号卫星影像数据分解得到的二面角散射参量中的α和fd参数与模拟得到的αsimu和fdsimu参数数据库进行匹配,计算得到该像元对应的介电常数;c)基于Dobson介电常数模型,将基于表面散射和二面角散射计算得到的介电常数转换为土壤水分,实现土壤水分高精度反演。
代价函数Zs公式如下:
其中n代表了β参数的数目。
代价函数Zd公式如下:
其中n代表了α参数的数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910260480.8A CN109977574B (zh) | 2019-04-02 | 2019-04-02 | 一种基于改进Freeman-Durden极化分解模型的土壤水分反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910260480.8A CN109977574B (zh) | 2019-04-02 | 2019-04-02 | 一种基于改进Freeman-Durden极化分解模型的土壤水分反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109977574A true CN109977574A (zh) | 2019-07-05 |
CN109977574B CN109977574B (zh) | 2020-10-20 |
Family
ID=67082360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910260480.8A Active CN109977574B (zh) | 2019-04-02 | 2019-04-02 | 一种基于改进Freeman-Durden极化分解模型的土壤水分反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109977574B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111239209A (zh) * | 2020-02-17 | 2020-06-05 | 中国科学院上海天文台 | 机会信号反射遥感的全极化单次反射仿真方法及系统 |
CN112465191A (zh) * | 2020-11-11 | 2021-03-09 | 中国铁路设计集团有限公司 | 隧道突涌水灾害预测方法、装置、电子设备及存储介质 |
CN113255874A (zh) * | 2021-06-08 | 2021-08-13 | 中国农业科学院农业资源与农业区划研究所 | 一种基于优化的bp神经网络微波遥感反演土壤水分的方法 |
CN114626199A (zh) * | 2022-02-08 | 2022-06-14 | 中国地质大学(武汉) | 基于自适应二分量分解的作物土壤水分反演方法及系统 |
CN117826112A (zh) * | 2024-03-05 | 2024-04-05 | 天津智云水务科技有限公司 | 一种基于sar的土壤含水量的反演方法 |
CN114626199B (zh) * | 2022-02-08 | 2024-09-27 | 中国地质大学(武汉) | 基于自适应二分量分解的作物土壤水分反演方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700110A (zh) * | 2015-04-03 | 2015-06-10 | 电子科技大学 | 一种基于全极化sar图像的植被覆盖信息提取方法 |
CN108681652A (zh) * | 2018-06-04 | 2018-10-19 | 中国科学院遥感与数字地球研究所 | 一种基于高分三号数据的植被覆盖区土壤水分反演方法 |
CN108982548A (zh) * | 2018-07-20 | 2018-12-11 | 浙江大学 | 一种基于被动微波遥感数据的地表土壤水分反演方法 |
CN109344536A (zh) * | 2018-10-30 | 2019-02-15 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种耦合多源数据的多层次被动微波土壤水分验证方法 |
CN109521182A (zh) * | 2018-10-30 | 2019-03-26 | 武汉大学 | 一种基于二分量分解模型的PolSAR土壤含水量反演方法 |
-
2019
- 2019-04-02 CN CN201910260480.8A patent/CN109977574B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700110A (zh) * | 2015-04-03 | 2015-06-10 | 电子科技大学 | 一种基于全极化sar图像的植被覆盖信息提取方法 |
CN108681652A (zh) * | 2018-06-04 | 2018-10-19 | 中国科学院遥感与数字地球研究所 | 一种基于高分三号数据的植被覆盖区土壤水分反演方法 |
CN108982548A (zh) * | 2018-07-20 | 2018-12-11 | 浙江大学 | 一种基于被动微波遥感数据的地表土壤水分反演方法 |
CN109344536A (zh) * | 2018-10-30 | 2019-02-15 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种耦合多源数据的多层次被动微波土壤水分验证方法 |
CN109521182A (zh) * | 2018-10-30 | 2019-03-26 | 武汉大学 | 一种基于二分量分解模型的PolSAR土壤含水量反演方法 |
Non-Patent Citations (2)
Title |
---|
G.G. PONNURANGAM等: "Soil Moisture Estimation Using Hybrid Polarimetric SAR Data of RISAT-1", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
QIUXIA XIE等: "A Soil Moisture Retrieval Method Based on Typical Polarization Decomposition Techniques for a Maize Field from Full-Polarization Radarsat-2 Data", 《REMOTE SENSING》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111239209A (zh) * | 2020-02-17 | 2020-06-05 | 中国科学院上海天文台 | 机会信号反射遥感的全极化单次反射仿真方法及系统 |
CN112465191A (zh) * | 2020-11-11 | 2021-03-09 | 中国铁路设计集团有限公司 | 隧道突涌水灾害预测方法、装置、电子设备及存储介质 |
CN113255874A (zh) * | 2021-06-08 | 2021-08-13 | 中国农业科学院农业资源与农业区划研究所 | 一种基于优化的bp神经网络微波遥感反演土壤水分的方法 |
CN113255874B (zh) * | 2021-06-08 | 2022-03-11 | 中国农业科学院农业资源与农业区划研究所 | 一种基于优化的bp神经网络微波遥感反演土壤水分的方法 |
CN114626199A (zh) * | 2022-02-08 | 2022-06-14 | 中国地质大学(武汉) | 基于自适应二分量分解的作物土壤水分反演方法及系统 |
CN114626199B (zh) * | 2022-02-08 | 2024-09-27 | 中国地质大学(武汉) | 基于自适应二分量分解的作物土壤水分反演方法及系统 |
CN117826112A (zh) * | 2024-03-05 | 2024-04-05 | 天津智云水务科技有限公司 | 一种基于sar的土壤含水量的反演方法 |
CN117826112B (zh) * | 2024-03-05 | 2024-05-31 | 天津智云水务科技有限公司 | 一种基于sar的土壤含水量的反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109977574B (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977574A (zh) | 一种基于改进Freeman-Durden极化分解模型的土壤水分反演方法 | |
Beaudoin et al. | Retrieval of forest biomass from SAR data | |
Shi et al. | Estimation of bare surface soil moisture and surface roughness parameter using L-band SAR image data | |
Xu et al. | Imaging simulation of polarimetric SAR for a comprehensive terrain scene using the mapping and projection algorithm | |
Watanabe et al. | Forest structure dependency of the relation between L-Band $ sigma^ 0$ and Biophysical Parameters | |
Crow et al. | An observing system simulation experiment for Hydros radiometer-only soil moisture products | |
Jin et al. | Assessing integration of intensity, polarimetric scattering, interferometric coherence and spatial texture metrics in PALSAR-derived land cover classification | |
CN108681652A (zh) | 一种基于高分三号数据的植被覆盖区土壤水分反演方法 | |
Soja et al. | Regression-based retrieval of boreal forest biomass in sloping terrain using P-band SAR backscatter intensity data | |
CN110146858B (zh) | 一种高精度全链路星载sar辐射定标仿真方法 | |
Sartori et al. | Mapping macrophyte species in the Amazon floodplain wetlands using fully polarimetric ALOS/PALSAR data | |
Liu et al. | SAR raw data simulation for ocean scenes using inverse Omega-K algorithm | |
CN102401892B (zh) | 一种极化干涉合成孔径雷达系统性能评估方法 | |
Ni et al. | Retrieval of forest biomass from ALOS PALSAR data using a lookup table method | |
Salas et al. | Assessment of JERS-1 SAR for monitoring secondary vegetation in Amazonia: I. Spatial and temporal variability in backscatter across a chrono-sequence of secondary vegetation stands in Rondonia | |
CN115062260A (zh) | 一种适用于异质森林的森林生物量PolInSAR估算方法和系统、存储介质 | |
Yu et al. | The performance of relative height metrics for estimation of forest above-ground biomass using L-and X-bands TomoSAR data | |
Riel et al. | Uncertainties in forest canopy height estimation from polarimetric interferometric SAR data | |
Macelloni et al. | Effect of forests on the retrieval of snow parameters from backscatter measurements | |
CN107144841B (zh) | 一种基于最小剩余功率的极化sar图像目标分解方法 | |
Arii et al. | Sensitivity study of X-band multiparametric SAR data from cabbage fields | |
Azzaz et al. | Classification of radar echoes using fractal geometry | |
CN110399832B (zh) | 基于相干性的TomoSAR植被病虫害监测方法及装置 | |
Champion et al. | Effect of forest thinning on the radar backscattering coefficient at L-band | |
Correa-Muñoz et al. | Detection of landslides with SAR polarymetry: Case study of South-Eastern Colombia |
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 |