CN114415175A - 基于极化定向角补偿和水云模型的生物量反演方法 - Google Patents
基于极化定向角补偿和水云模型的生物量反演方法 Download PDFInfo
- Publication number
- CN114415175A CN114415175A CN202111480512.9A CN202111480512A CN114415175A CN 114415175 A CN114415175 A CN 114415175A CN 202111480512 A CN202111480512 A CN 202111480512A CN 114415175 A CN114415175 A CN 114415175A
- Authority
- CN
- China
- Prior art keywords
- scattering
- biomass
- cloud model
- water cloud
- matrix
- 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.)
- Pending
Links
Images
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
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9094—Theoretical aspects
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及地上生物量反演技术领域,具体地说,涉及一种基于极化定向角补偿和水云模型的生物量反演方法,其包括以下步骤:(1)、通过极化定向角补偿生成协方差矩阵;(2)、进行Yamaguchi分解,得到表面散射、二面角散射、体散射和螺旋体散射四个分量;(3)、建立扩展极化水云模型;(4)、通过四个分量和扩展极化水云模型估测思茅松林地上生物量。本发明能够较高精度地估测森林地上生物量。
Description
技术领域
本发明涉及地上生物量反演技术领域,具体地说,涉及一种基于极化定向角补偿和水云模型的生物量反演方法。
背景技术
森林约占陆地面积的30%,是陆地生态系统的主体,是地球生态系统最重要的维护者。森林生物量能够反映森林生态系统的状态和变化规律,准确地获取森林生物量时空分布信息是生态学和全球变化研究热点之一。星载合成孔径雷达(SAR)遥感在森林结构和生物物理参数反演中得到了广泛的应用。
电磁波穿过电离层引起极化平面法拉第旋转,使电磁波极化定向角产生偏移。极化定向角偏移影响微波散射特性和极化特征。已有研究发现由于电磁波极化椭圆极化定向角的偏移,SAR极化分解后的散射特征在机理上存在模糊性,如体散射高估和二面角散射低估。这种模糊性在森林参数反演时必然增加模型反演误差。目前没有文献探究极化定向角偏移补偿对森林地上生物量等森林参数反演的影响。
发明内容
本发明的内容是提供一种基于极化定向角补偿和水云模型的生物量反演方法,其能够克服现有技术的某种或某些缺陷。
根据本发明的基于极化定向角补偿和水云模型的生物量反演方法,其包括以下步骤:
(1)、通过极化定向角补偿生成协方差矩阵;
(2)、进行Yamaguchi分解,得到表面散射、二面角散射、体散射和螺旋体散射四个分量;
(3)、建立扩展极化水云模型;
(4)、通过四个分量和扩展极化水云模型估测思茅松林地上生物量。
作为优选,步骤(1)中,具体包括以下步骤:
(1.1)建立法拉第旋转偏移引起的散射矩阵M,如下:
式中,M是具有法拉第旋转偏移的散射矩阵;S是不受法拉第旋转偏移影响的S散射矩阵,Ω是法拉第旋转角;
(1.2)采用酉变换将散射矩阵M变换到圆极化基下,得圆极化散射矩阵,如下:
式中,MLL为左圆发射,左圆接收电磁波;MLR为左圆发射,右圆接收电磁波;MRL为右圆发射,左圆接收电磁波;MRR为右圆发射,右圆接收电磁波;j为虚数;
(1.3)由圆极化散射矩阵获得法拉第旋转角Ω,公式如下:
式中,*为复共轭;arg()为相位取值函数;
(1.4)将法拉第旋转角Ω代入散射矩阵M中,就能得到不受法拉第旋转偏移影响的散射矩阵S,如下:
(1.5)由散射矩阵S得到极化定向角补偿后的协方差矩阵T,如下:
作为优选,步骤(2)中,对协方差矩阵T进行Yamaguchi分解,公式如下:
T=Ps×Tsurface+Pd×Tdouble+Pv×Tvolume+Ph×Thelix;
其中Tsurface、Tdouble、Tvolume和Thelix分别表示表面散射、二面角散射、体散射和螺旋散射的相干矩阵元素,Ps、Pd、Pv和Ph是相应散射功率。
作为优选,步骤(3)中,极化水云模型为:
考虑林冠空隙后,极化水云模型被改写成下式:
式中,η是面积填充因子,是关于森林透射率的函数;
考虑林冠空隙因素,森林植被衰减层透过率Tfor,可表示为:
Tfor=1-η+ηe-δh;
用生物量B描述后,即Tfor=e-βB,B表示地上生物量,β表示经验参数;结合Tfor,进一步改写为下式:
最终,改写成下式,即为扩展极化水云模型:
B通过下式求解获得:
本发明采用极化定向角补偿后的Yamaguchi分解分量和扩展极化水云模型能够较高精度地估测森林地上生物量。
附图说明
图1为实施例1中一种基于极化定向角补偿和水云模型的生物量反演方法的流程图;
图2(a)为实施例1中未进行补偿的法拉第旋转角图;
图2(b)为实施例1中补偿后的法拉第旋转角图;
图2(c)为实施例1中未进行补偿的法拉第旋转角图像直方图;
图2(d)为实施例1中补偿后的法拉第旋转角图像直方图;
图3为实施例1中36个样地补偿前和补偿后的体散射值比较示意图;
图4(a)为实施例1中未进行补偿的实测地上生物量与体散射分量的非线性回归示意图;
图4(b)为实施例1中补偿后的实测地上生物量与体散射分量的非线性回归示意图;
图5(a)为实施例1中未进行补偿的估测地上生物量和实测地上生物量的散点图;
图5(b)为实施例1中补偿后的估测地上生物量和实测地上生物量的散点图;
图6为实施例1中26个验证样地估测地上生物量和实测地上生物量的散点图;
图7为实施例1中研究区地上生物量分布图。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。应当理解的是,实施例仅仅是对本发明进行解释而并非限定。
实施例1
如图1所示,本实施例提供了一种基于极化定向角补偿和水云模型的生物量反演方法,其包括以下步骤:
(1)、通过极化定向角补偿生成协方差矩阵;
ALOS PALSAR全极化数据极化定向角的偏移主要是由于法拉第旋转和物体几何形状引起的。本实施例对ALOSPALSAR单视复数数据进行法拉第旋转角估计和校正。
步骤(1)的具体步骤如下:
(1.1)建立法拉第旋转偏移引起的散射矩阵M,如下:
式中,M是具有法拉第旋转偏移的散射矩阵;S是不受法拉第旋转偏移影响的S散射矩阵,Ω是法拉第旋转角;
(1.2)由于圆极化电磁波不受法拉第旋转的效应影响,为此,采用酉变换将散射矩阵M变换到圆极化基下,得圆极化散射矩阵,如下:
(1.3)由圆极化散射矩阵获得法拉第旋转角Ω,公式如下:
式中,*为复共轭;arg()为相位取值函数;
(1.4)将法拉第旋转角Ω代入散射矩阵M中,就能得到不受法拉第旋转偏移影响的散射矩阵S,如下:
(1.5)由散射矩阵S得到极化定向角补偿后的协方差矩阵T,如下:
极化定向角补偿的目的是消除目标定向角随机分布引起的散射机制的模糊性,即由于物体几何形状和结构存在差异,两个定向角不同的物体产生相同的散射特征。在SAR数据极化分解前进行极化定向角补偿。
(2)、进行Yamaguchi分解,得到表面散射、二面角散射、体散射和螺旋体散射四个分量;
对协方差矩阵T进行Yamaguchi分解,公式如下:
T=Ps×Tsurface+Pd×Tdouble+Pv×Tvolume+Ph×Thelix;
其中Tsurface、Tdouble、Tvolume和Thelix分别表示表面散射、二面角散射、体散射和螺旋散射的相干矩阵元素,Ps、Pd、Pv和Ph是相应散射功率。
(3)、建立扩展极化水云模型;
极化水云模型为:
考虑林冠空隙后,极化水云模型被改写成下式:
式中,η是面积填充因子,是关于森林透射率的函数;
考虑林冠空隙因素,森林植被衰减层透过率Tfor,可表示为:
Tfor=1-η+ηe-δh;
用生物量B描述后,即Tfor=e-βB,B表示地上生物量,β表示经验参数;结合Tfor,进一步改写为下式:
最终,改写成下式,即为扩展极化水云模型:
B通过下式求解获得:
式中,可通过Yamaguchi分解的总后向散射系数、体散射分量、表面散射分量和二面角散射分量获得。σ=10*log(Q2),σ表示 Q表示相对应的表面散射、二面角散射、体散射和螺旋散射的相应散射功率Ps、Pd、Pv和Ph。
(4)、通过四个分量和扩展极化水云模型估测思茅松林地上生物量。
样地数据
研究区位于云南省普洱市思茅区(22°35'-22°53',100°49'-101°17')。研究区年平均气温18℃,年均降雨量约1500mm,每年无霜期超过300天,区内森林覆盖率67%,思茅松林是主要优势树种。
样地数据采集时间为2018年12月,设置了62个样地(样地面积为0.04ha,见表1),其中36个样地用于考察法拉第旋转补偿对SAR数据的影响以及模型参数β值的确定,26个样地用于模型检验。对于乔木样地进行每木检尺,记录数据包括株树、胸径、树高、平均树高、样地中心点GPS,通过所记录数据进行计算样地蓄积量。
表1样地林分参数
卫星数据
本实施例采用了L波段PALSARALOS-2的全极化SAR数据,表2为产品的参数描述。
表2 SAR数据描述
结果和讨论
1、法拉第旋转角的估计
图2(a)是未进行补偿的法拉第旋转角图,图2(c)是未进行补偿的法拉第旋转角图像直方图,相对平均。未进行补偿的法拉第旋转角度在-0.393到0.393度之间,平均值为0.00643度,标准偏差为0.0225度。
图2(b)是补偿后的法拉第旋转角图,补偿后的法拉第旋转角近似正态分布,图像相对平滑、均匀。图2(d)是补偿后法拉第旋转角的直方图,平均值为0.00236度,与补偿前相比减少了0.00409度,标准偏差为0.0016度。
2、实测地上生物量与体散射的回归分析
分别对补偿前和补偿后ALOS PALSAR全极化数据进行Yamaguchi分解获得体散射分量,考察极化定向角补偿对36个样地体散射值的影响。图3显示了36个样地补偿前和补偿后的体散射值比较,极化定向角补偿后所有样地的体散射均减小。
实测地上生物量与体散射的回归分析表明极化定向角补偿后的体散射与实测地上生物量的回归模型(R2=0.332)要好于未进行极化定向角补偿的体散射与实测地上生物量的回归模型(R2=0.214),见图4(a)和图4(b)。
3、基于扩展极化水云模型的森林地上生物量反演
利用扩展极化水云模型求解生物量。将前面36个样地对应的Yamaguchi分解后总后向散射系数、体散射分量、表面散射分量和二面角散射分量得到每个样地β值,以36个样地的β值算术平均值作为β的估测值。
图5(a)和图5(b)为36个样地估测地上生物量和实测地上生物量的散射图。在未对图像极化定向角补偿的情况下,实测地上生物量与预测地上生物量的决定系数为0.316,均方根误差为68.23t·ha-1;极化定向角补偿后,决定系数提升到0.705,均方根误差为28.59t·ha-1。说明极化定向角补偿后,有利于地上生物量的反演精度提升。
为了检验推广精度,另外选择了未参与估测β值的26个样地进行生物量估测试验,估测结果与实测之间具有较好的一致性,其决定系数R2为0.644,均方根误差为23.11t·ha-1,散点图见图6。
本实施例的算法检验统计量包括决定系数(R2)和均方根误差(RMSE)。
图7是研究区地上生物量分布图。从图7和Google光学遥感图像对比中发现,在道路、建筑、裸地、水体等非森林区域的地上生物量值几乎为0;在草地、耕地区域,地上生物量较小;森林区域,地上生物量较大,尤其在茂密森林区域,生物量最大。
讨论
(1)极化定向角的偏移主要由于法拉第旋转和物体结构特性引起的。研究通过Sinclair矩阵的酉变换来补偿极化定向角偏移,补偿后的(Yamaguchi四分量中)体散射分量数值在36个样地中均有减小,即极化定向角的偏移使体散射分量被高估,补偿后的体散射分量与森林地上生物量的回归较未补偿前效果要好(R2从0.214提升到0.332)。
(2)扩展极化水云模型是一种考虑二面角散射的极化水云模型。本实施例中采用Yamaguchi四分量参数和扩展极化水云模型估测思茅松林地上生物量;ALOS PALSAR全极化数据进行极化定向角补偿后,地上生物量反演精度得到提升(R2从0.316提升到0.705,RMSE从68.23t·ha-1减少到28.59t·ha-1)。在26个检验样地也有较好的反演精度(R2=0.644和RMSE=23.11t·ha-1)。
(3)本实施例以普洱市思茅地区的思茅松林为研究对象,模型参数仅需通过少量样地实测数据计算确定,此次反演具有较好的精度,且估测地上生物量分布和Google光学遥感影像地物分布具有较好的一致性。
综上所述,本实施例中以L波段全极化SAR数据为数据源,采用极化定向角补偿后的Yamaguchi分解分量和扩展极化水云模型能够较高精度地估测森林地上生物量。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (4)
1.基于极化定向角补偿和水云模型的生物量反演方法,其特征在于:包括以下步骤:
(1)、通过极化定向角补偿生成协方差矩阵;
(2)、进行Yamaguchi分解,得到表面散射、二面角散射、体散射和螺旋体散射四个分量;
(3)、建立扩展极化水云模型;
(4)、通过四个分量和扩展极化水云模型估测思茅松林地上生物量。
2.根据权利要求1所述的基于极化定向角补偿和水云模型的生物量反演方法,其特征在于:步骤(1)中,具体包括以下步骤:
(1.1)建立法拉第旋转偏移引起的散射矩阵M,如下:
式中,M是具有法拉第旋转偏移的散射矩阵;S是不受法拉第旋转偏移影响的S散射矩阵,Ω是法拉第旋转角;
(1.2)采用酉变换将散射矩阵M变换到圆极化基下,得圆极化散射矩阵,如下:
式中,MLL为左圆发射,左圆接收电磁波;MLR为左圆发射,右圆接收电磁波;MRL为右圆发射,左圆接收电磁波;MRR为右圆发射,右圆接收电磁波;j为虚数;
(1.3)由圆极化散射矩阵获得法拉第旋转角Ω,公式如下:
式中,*为复共轭;arg()为相位取值函数;
(1.4)将法拉第旋转角Ω代入散射矩阵M中,就能得到不受法拉第旋转偏移影响的散射矩阵S,如下:
(1.5)由散射矩阵S得到极化定向角补偿后的协方差矩阵T,如下:
3.根据权利要求2所述的基于极化定向角补偿和水云模型的生物量反演方法,其特征在于:步骤(2)中,对协方差矩阵T进行Yamaguchi分解,公式如下:
T=Ps×Tsurface+Pd×Tdouble+Pv×Tvolume+Ph×Thelix;
其中Tsurface、Tdouble、Tvolume和Thelix分别表示表面散射、二面角散射、体散射和螺旋散射的相干矩阵元素,Ps、Pd、Pv和Ph是相应散射功率。
4.根据权利要求3所述的基于极化定向角补偿和水云模型的生物量反演方法,其特征在于:步骤(3)中,极化水云模型为:
考虑林冠空隙后,极化水云模型被改写成下式:
式中,η是面积填充因子,是关于森林透射率的函数;
考虑林冠空隙因素,森林植被衰减层透过率Tfor,可表示为:
Tfor=1-η+ηe-δh;
用生物量B描述后,即Tfor=e-βB,B表示地上生物量,β表示经验参数;结合Tfor,进一步改写为下式:
最终,改写成下式,即为扩展极化水云模型:
B通过下式求解获得:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111480512.9A CN114415175A (zh) | 2021-12-06 | 2021-12-06 | 基于极化定向角补偿和水云模型的生物量反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111480512.9A CN114415175A (zh) | 2021-12-06 | 2021-12-06 | 基于极化定向角补偿和水云模型的生物量反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114415175A true CN114415175A (zh) | 2022-04-29 |
Family
ID=81265431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111480512.9A Pending CN114415175A (zh) | 2021-12-06 | 2021-12-06 | 基于极化定向角补偿和水云模型的生物量反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114415175A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685028A (zh) * | 2018-12-28 | 2019-04-26 | 内蒙古工业大学 | 一种基于全极化sar数据的河冰厚度反演方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110109118A (zh) * | 2019-05-31 | 2019-08-09 | 东北林业大学 | 一种森林冠层生物量的预测方法 |
CN110287457A (zh) * | 2019-07-02 | 2019-09-27 | 吉林大学 | 基于卫星雷达遥感数据的玉米生物量反演测算方法 |
-
2021
- 2021-12-06 CN CN202111480512.9A patent/CN114415175A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110109118A (zh) * | 2019-05-31 | 2019-08-09 | 东北林业大学 | 一种森林冠层生物量的预测方法 |
CN110287457A (zh) * | 2019-07-02 | 2019-09-27 | 吉林大学 | 基于卫星雷达遥感数据的玉米生物量反演测算方法 |
Non-Patent Citations (1)
Title |
---|
张国飞 等: ""基于极化定向角补偿的思茅松林地上生物量反演"", 《南京林业大学学报( 自然科学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685028A (zh) * | 2018-12-28 | 2019-04-26 | 内蒙古工业大学 | 一种基于全极化sar数据的河冰厚度反演方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wigneron et al. | L-band Microwave Emission of the Biosphere (L-MEB) Model: Description and calibration against experimental data sets over crop fields | |
Lievens et al. | On the retrieval of soil moisture in wheat fields from L-band SAR based on water cloud modeling, the IEM, and effective roughness parameters | |
CN110488393A (zh) | X波段双偏振天气雷达定量测量降水方法及系统 | |
El Hajj et al. | Comparative analysis of the accuracy of surface soil moisture estimation from the C-and L-bands | |
Fatras et al. | Estimating surface soil moisture over Sahel using ENVISAT radar altimetry | |
CN102401892A (zh) | 一种极化干涉合成孔径雷达系统性能评估方法 | |
Wang et al. | Assessment of different vegetation parameters for parameterizing the coupled water cloud model and advanced integral equation model for soil moisture retrieval using time series Sentinel-1A data | |
Zhu et al. | A multi-frequency framework for soil moisture retrieval from time series radar data | |
Ma et al. | Retrieving the soil moisture in bare farmland areas using a modified Dubois model | |
Marliani et al. | Simulating coherent backscattering from crops during the growing cycle | |
Zhang et al. | Evaluation of Gaofen-3 C-Band SAR for soil moisture retrieval using different polarimetric decomposition models | |
CN114415175A (zh) | 基于极化定向角补偿和水云模型的生物量反演方法 | |
Li et al. | A new algorithm for measuring vegetation growth using GNSS interferometric reflectometry | |
Shi et al. | Soil moisture estimation using two-component decomposition and a hybrid X-Bragg/Fresnel scattering model | |
Wang et al. | Adaptation of Oh Model for soil parameters retrieval using multi-angular RADARSAT-2 datasets | |
Soliman et al. | Electromagnetic simulation for estimation of forest vertical structure using PolSAR data | |
Sahadevan et al. | Soil moisture monitoring with dual-incidence-angle RISAT-1 data: a pilot study from Vidarbha region | |
Grandell et al. | Subpixel land use classification and retrieval of forest stem volume in the boreal forest zone by employing SSM/I data | |
Yadav et al. | Estimation of biophysical parameters of wheat crop through modified water cloud model using satellite data | |
Ma et al. | Using a modified water cloud model to retrive leaf area index (LAI) from RADARSAT-2 SAR data over an agriculture area | |
Dmitriev et al. | Fractal polarization signature of radar backscattering variations | |
Nottebaere et al. | SAR-image derived soil moisture enhancement using GPR data | |
Paloscia et al. | Soil moisture mapping using Sentinel 1 images: The proposed approach and its preliminary validation carried out in view of an operational product | |
Chen et al. | Estimation of Soil Moisture During Winter Wheat Growing Season Based on Polarization Decomposition | |
Choker | Estimation of surface roughness over bare agricultural soil from Sentinel-1 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220429 |
|
RJ01 | Rejection of invention patent application after publication |