CN115100521A - 基于极化雷达遥感数据的盐碱化分级反演方法及系统 - Google Patents

基于极化雷达遥感数据的盐碱化分级反演方法及系统 Download PDF

Info

Publication number
CN115100521A
CN115100521A CN202210724808.9A CN202210724808A CN115100521A CN 115100521 A CN115100521 A CN 115100521A CN 202210724808 A CN202210724808 A CN 202210724808A CN 115100521 A CN115100521 A CN 115100521A
Authority
CN
China
Prior art keywords
salinization
remote sensing
soil
inversion
hierarchical
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
Application number
CN202210724808.9A
Other languages
English (en)
Inventor
张婷婷
邵芸
兰利花
王树东
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
Original Assignee
Zhongke Satellite Application Deqing Research Institute
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 filed Critical Zhongke Satellite Application Deqing Research Institute
Priority to CN202210724808.9A priority Critical patent/CN115100521A/zh
Publication of CN115100521A publication Critical patent/CN115100521A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Immunology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种基于极化雷达遥感数据的盐碱化分级反演方法及系统。该方法包括：获取待研究区全极化雷达遥感影像数据；从研究区采集土壤样品，进行土壤盐分的测定；基于支持向量机分类方法对雷达图像进行监督分类，分出轻、中、重度盐碱化；对极化SAR图像数据进行极化分解，提取各像素点的极化分解向量；基于偏最小二乘算法，建立土壤盐分分级反演模型；利用分级反演模型和监督分类图获得土壤盐分空间分布图。本发明提供的基于计划雷达遥感数据的盐碱化分级反演方法及系统能够通过雷达极化参数与土壤水盐含量进行反演研究。

Description

基于极化雷达遥感数据的盐碱化分级反演方法及系统
技术领域
本发明涉及遥控遥测技术领域，特别是涉及一种基于极化雷达遥感数据的盐碱化分级反演方法及系统。
背景技术
土壤含盐量是土壤的重要指标和理化性质，在土壤评价过程中占有重要权重值，因此成为依托于土壤含盐量的农业、气象、水文和生态系统研究中的重要参数，是整个土地生态系统作物生长的保障。
传统的土壤含盐量监测方法主要以点为基础进行人工采集和监测，不仅费时费力，监测成本高。遥感技术的发展和应用对土壤含盐量的监测提供了一种高时效性，高覆盖度，高分辨率的监测手段，具有成本低，效率高、可实时监测等传统监测方法无可比拟的优势。利用遥感方法对土壤含盐量的反演方法主要有光学遥感和微波遥感，其中光学遥感方法容易受到天气状况影响，对地表特性表达的深度不够。对比光学遥感，微波遥感波长较长，具有一定的穿透能力，不受云层、大气的影响，在对地观测研究中发挥着重要作用。
发明内容
本发明要解决的技术问题是提供一种基于极化雷达遥感数据的盐碱化分级反演方法及系统，能够通过雷达极化参数与土壤水盐含量进行反演研究。
为解决上述技术问题，本发明提供了一种基于极化雷达遥感数据的盐碱化分级反演方法，所述方法包括：获取待研究区全极化雷达遥感影像数据；从研究区采集土壤样品，进行土壤盐分的测定；基于支持向量机分类方法对雷达图像进行监督分类，分出轻、中、重度盐碱化；对极化SAR图像数据进行极化分解，提取各像素点的极化分解向量；基于偏最小二乘算法，建立土壤盐分分级反演模型；利用分级反演模型和监督分类图获得土壤盐分空间分布图。
在一些实施方式中，雷达遥感影像数据采用RADARSAT-2或高分三号全极化雷达遥感影像数据。
在一些实施方式中，土壤含盐量数据采用实地采样数据。
在一些实施方式中，利用支持向量机方法适用于小样本数据集且分类精度高的特点划分土壤盐碱化程度。
在一些实施方式中，土壤盐碱化程度分为：重度、中度、轻度盐渍化土壤。
在一些实施方式中，提取各像素点的极化分解向量的方法包括采用PoLSARProv6.0软件计算出研究区域全极化RADARSAT-2影像的相干矩阵T3，获取了原始矩阵参数，然后对RADARSAT-2影像进行多视和滤波处理，并利用不同的极化分解方法，对滤波后的图像进行H/A/α极化分解，从而提取了极化参数信息。
在一些实施方式中，从土壤盐碱化样本中随机抽取2/3数量的样本作为分级算法的校正集，其余样本作为验证集，基于偏最小二乘算法，建立雷达极化参数和土壤含盐量之间的定量关系，并利用验证集样本数据验证模型精度。
此外，本发明还提供了一种基于极化雷达遥感数据的盐碱化分级反演系统，所述系统包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据前文所述的基于极化雷达遥感数据的盐碱化分级反演方法。
采用这样的设计后，本发明至少具有以下优点：
(1)本发明基于雷达遥感数据，获取大量的极化参数，可以通过雷达极化参数与土壤水盐含量进行反演研究，准确度高，易于建立，省时省力。
(2)利用支持向量机方法定性划分盐碱度程度，再进行精确的分级定量反演，极大地提升了土壤盐分的反演精度，可满足大范围土壤盐分的获取需求，实现土壤盐分实时或准实时的动态监测。
附图说明
上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是基于雷达遥感信息的土壤盐碱化分级反演的原理流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
土壤盐分信息的变化，会影响土壤的导电特性，进而影响土壤的介电特性，已有实验表明土壤盐分与介电常数有很密切的关系。地物目标的散射特性与地物的介电特性是相关的。在微波波段，土壤含盐量的变化会影响雷达影像记录的目标物后向散射系数。不同盐碱土表现出来的极化特性也是不同的，通过对雷达影像数据进行极化分解，得到的极化分解参数与土壤的含盐量有着密切的相关性。然而不同的参数组合对不同程度的盐盐碱土表现出了不同的相关性。因此，有必要发展一种先分级再定量的土壤含盐量反演方法，提高土壤含盐量的反演精度，推动土壤盐碱化实时或准实时的动态监测。
参见图1，本发明要解决的技术问题是提供一种土壤含盐量反演方法，使土壤含盐量的反演精度得到了极大的提升，满足对土壤盐碱化监测的要求，克服目前土壤含盐量雷达遥感反演方法缺乏的不足。
为解决上述技术问题，本发明提供一种土壤含盐量分级反演方法，所述方法包括以下步骤：
A.获取待研究区全极化雷达遥感影像数据；
其具体的数据获取方法为：
RADARSAT-2是加拿大太空署与MDA公司联合开发的第二代商业SAR卫星，于2007年12月14日成功发射升空，是一种具有多种成像模式的全极化SAR卫星，工作频率为5.405GHz的C波段。下述实例选取的的是Radarsat-2数据空间分辨率为8米，产品级别为SLC，图像获取与地面土壤样本采集保持同步。
对获取的Radarsat-2数据进行多视处理、地理编码与几何校正、滤波处理及辐射定标等预处理。
B.获取土壤盐分实测数据；
为了获得研究区土壤盐分实测数据作为训练样本，本发明利用地面同步采样的方式，在雷达图像覆盖范围内进行了土壤样本采集，并在实验室测定土壤盐分含量。在条件允许的情况下，采集的样品越多，土壤盐分反演的精度越高。
C.基于支持向量机分类方法对极化图像进行盐碱化程度分类；
支持向量机(support vector mach i ne，简称SVM)，一种二分类模型，其基本模型定义为特征空间上间隔最大的线性分类器，其学习策略便是间隔最大化，是一种有坚实理论基础的小样本学习方法，能够在小样本训练集上得到比其他算法好很多的结果。
本发明中利用支持向量机方法划分了不同盐渍化程度(即重度、中度、轻度盐渍化土壤)。
雷达是通过目标地物散射出的回波信号来反映地物形状结构，从而提取目标地物信息的一种主动微波遥感。随着地物形状、结构和表面等物理特征的不同，其散射出的信号具有差异性，并且不同的散射通道获取的极化特征对地物的区分能力有所区别，因此，极化特征的提取在有效、准确获得各类地物特征中具有重要的作用。
本发明中采用PoLSARProv6.0软件计算出研究区域全极化PALSAR-2影像的相干矩阵T3，获取了原始矩阵参数，然后对RADARSAT-2影像进行多视和滤波处理，并利用不同的极化分解方法，对滤波后的图像进行H/A/α极化分解，从而提取了极化参数信息，最终得到T3分解矩阵和H/A/α极化参数。
D.基于偏最小二乘算法，建立土壤盐分分级反演模型；
偏最小二乘法(PLS)，一种多因变量对多自变量的建模方法，能够解决普通多元回归模型所不能解决的问题，尤其是当自变量之间存在多重相关性时，PLS能够对数据信息进行分解和筛选，从而提取出对因变量解释能力最强的自变量组合，经过这样的筛选，能够减少对因变量解释无用的噪声的影响，通过系统进行筛选信息也减少了人为因素的影响，因此，与普通最小二乘法相比偏最小二乘法更先进。
从土壤盐碱化样本中随机抽取少量样本作为不同盐碱化程度的土壤盐分验证数据，其余样本作为预测集，基于偏最小二乘算法，建立土壤后向散射系数与极化参数和土壤含盐量之间的确切的相关关系，并利用验证集样本数据验证模型精度。
通过与未分级之前的总体样本的反演模型相比，分级后的模型精度有了极大的提升。本发明实例结果如下所示：
Figure BDA0003710528330000061
E.利用分级反演模型获得土壤盐分空间分布图。
利用建立的分级反演模型对整幅图像进行计算，获得图像范围的土壤盐渍化最终分布结果图。
作为本发明的一种改进，所述步骤A中遥感影像数据采用全极化雷达影像数据。
进一步改进，所述步骤B中在建立反演模型前利用支持向量机方法对研究区雷达图像进行地物和土壤盐碱化程度分类，将地物分为水体，居民区，道路，重度盐碱化土壤，中度盐碱化土壤，轻度盐碱化土壤。
进一步改进，步骤C中提取各像素点的极化分解向量的方法包括采用PoLSARProv6.0软件计算出研究区域全极化RADARSAT-2影像的相干矩阵T3，获取了原始矩阵参数，然后对RADARSAT-2影像进行多视和滤波处理，并利用不同的极化分解方法，对滤波后的图像进行H/A/α极化分解，最终得到T3分解矩阵和H/A/α极化参数共59个参数。
进一步改进，步骤D中从土壤盐碱化样本中随机抽取少量样本作为不同盐碱化程度的土壤盐分验证数据，其余样本作为预测集，基于偏最小二乘算法，建立土壤后向散射系数与极化参数和土壤含盐量之间的确切的相关关系，并利用验证集样本数据验证模型精度。
进一步改进，步骤E中利用分级反演模型获得土壤盐分空间分布图。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。

Claims (8)

1.一种基于极化雷达遥感数据的盐碱化分级反演方法，其特征在于，包括：
获取待研究区全极化雷达遥感影像数据；
从研究区采集土壤样品，进行土壤盐分的测定；
基于支持向量机分类方法对雷达图像进行监督分类，分出轻、中、重度盐碱化；
对极化SAR图像数据进行极化分解，提取各像素点的极化分解向量；
基于偏最小二乘算法，建立土壤盐分分级反演模型；
利用分级反演模型和监督分类图获得土壤盐分空间分布图。
2.根据权利要求1所述的基于极化雷达遥感数据的盐碱化分级反演方法，其特征在于，雷达遥感影像数据采用RADARSAT-2或高分三号全极化雷达遥感影像数据。
3.根据权利要求1所述的基于极化雷达遥感数据的盐碱化分级反演方法，其特征在于，土壤含盐量数据采用实地采样数据。
4.根据权利要求1所述的基于极化雷达遥感数据的盐碱化分级反演方法，其特征在于，利用支持向量机方法适用于小样本数据集且分类精度高的特点划分土壤盐碱化程度。
5.根据权利要求4所述的基于极化雷达遥感数据的盐碱化分级反演方法，其特征在于，土壤盐碱化程度分为：重度、中度、轻度盐渍化土壤。
6.根据权利要求1所述的基于极化雷达遥感数据的盐碱化分级反演方法，其特征在于，提取各像素点的极化分解向量的方法包括采用PoLSARProv6.0软件计算出研究区域全极化RADARSAT-2影像的相干矩阵T3，获取了原始矩阵参数，然后对RADARSAT-2影像进行多视和滤波处理，并利用不同的极化分解方法，对滤波后的图像进行H/A/α极化分解，从而提取了极化参数信息。
7.根据权利要求1所述的基于极化雷达遥感数据的盐碱化分级反演方法，其特征在于，从土壤盐碱化样本中随机抽取2/3数量的样本作为分级算法的校正集，其余样本作为验证集，基于偏最小二乘算法，建立雷达极化参数和土壤含盐量之间的定量关系，并利用验证集样本数据验证模型精度。
8.一种基于极化雷达遥感数据的盐碱化分级反演系统，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据权利要求1至7任意一项所述的基于极化雷达遥感数据的盐碱化分级反演方法。
CN202210724808.9A 2022-06-23 2022-06-23 基于极化雷达遥感数据的盐碱化分级反演方法及系统 Pending CN115100521A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210724808.9A CN115100521A (zh) 2022-06-23 2022-06-23 基于极化雷达遥感数据的盐碱化分级反演方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210724808.9A CN115100521A (zh) 2022-06-23 2022-06-23 基于极化雷达遥感数据的盐碱化分级反演方法及系统

Publications (1)

Publication Number Publication Date
CN115100521A true CN115100521A (zh) 2022-09-23

Family

ID=83293072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210724808.9A Pending CN115100521A (zh) 2022-06-23 2022-06-23 基于极化雷达遥感数据的盐碱化分级反演方法及系统

Country Status (1)

Country Link
CN (1) CN115100521A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105372631A (zh) * 2015-10-29 2016-03-02 中国科学院遥感与数字地球研究所 基于遗传-偏最小二乘算法的极化雷达反演方法及其应用
CN109145870A (zh) * 2018-09-12 2019-01-04 中国农业大学 基于sar极化分解和卷积神经网络的两阶段盐碱地监测方法
CN110412245A (zh) * 2019-08-07 2019-11-05 石河子大学 土壤盐渍化程度遥感监测的研究方法
WO2021226976A1 (zh) * 2020-05-15 2021-11-18 安徽中科智能感知产业技术研究院有限责任公司 一种基于深度神经网络的土壤速效养分反演方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105372631A (zh) * 2015-10-29 2016-03-02 中国科学院遥感与数字地球研究所 基于遗传-偏最小二乘算法的极化雷达反演方法及其应用
CN109145870A (zh) * 2018-09-12 2019-01-04 中国农业大学 基于sar极化分解和卷积神经网络的两阶段盐碱地监测方法
CN110412245A (zh) * 2019-08-07 2019-11-05 石河子大学 土壤盐渍化程度遥感监测的研究方法
WO2021226976A1 (zh) * 2020-05-15 2021-11-18 安徽中科智能感知产业技术研究院有限责任公司 一种基于深度神经网络的土壤速效养分反演方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
LI, Y. Y. , ET AL.: "An Empirical Method for Soil Salinity and Moisture Inversion in West of Jilin", PROCEEDINGS OF THE 2013 THE INTERNATIONAL CONFERENCE ON REMOTE SENSING, ENVIRONMENT AND TRANSPORTATION ENGINEERING (RSETE 2013) *
古丽努尔·依沙克 等: "基于全极化Radarsat-2数据的干旱区典型绿洲盐渍化信息提取", 中国农村水利水电, no. 12, pages 14 *
尼格拉·吐尔逊 等: "基于H/A/α分解全极化合成孔径雷达数据的干旱区土壤盐渍化分类", 江苏农业科学, vol. 47, no. 22 *
张智韬 等: "基于雷达遥感的不同深度土壤含盐量反演模型", 农业机械学报, vol. 51, no. 10, pages 244 *
李彪 等: "土壤盐渍化雷达反演模拟研究", 干旱区资源与环境, vol. 29, no. 08, pages 1 - 3 *

Similar Documents

Publication Publication Date Title
Yahiaoui et al. Soil salinity prediction in the Lower Cheliff plain (Algeria) based on remote sensing and topographic feature analysis
CN108732129B (zh) 一种用图像表示农田土壤成分的系统及其方法
CN109919875B (zh) 一种高时频遥感图像特征辅助的居民地提取与分类方法
Halme et al. Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest
Merzouki et al. Mapping soil moisture using RADARSAT-2 data and local autocorrelation statistics
CN109343022B (zh) 估测层间土壤含水量的方法
Zhou et al. Individual tree parameters estimation for plantation forests based on UAV oblique photography
CN108766203B (zh) 一种紧致极化水稻制图的方法及系统
McCann et al. The development of management units for site‐specific farming
CN102194127A (zh) 一种多频率sar数据农作物遥感分类方法
CN110687053B (zh) 一种基于高光谱影像的区域有机质含量估算方法和装置
Lefebvre et al. Object-oriented approach and texture analysis for change detection in very high resolution images
CN110109118B (zh) 一种森林冠层生物量的预测方法
CN114819737B (zh) 公路路域植被的碳储量估算方法、系统及存储介质
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
CN113436153A (zh) 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法
CN113723000A (zh) 一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法
Wang et al. Application of image technology to simulate optimal frequency of automatic collection of volumetric soil water content data
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
CN107358162B (zh) 基于深度堆栈网络的极化sar影像变化检测方法
Campbell et al. LiDAR as an advanced remote sensing technology to augment ecosystem classification and mapping
Yue et al. Soil moisture assessment through the SSMMI and GSSIM algorithm based on SPOT, WorldView-2, and Sentinel-2 images in the Daliuta Coal Mining Area, China
Al-Ali et al. Physical Models for Soil Salinity Mapping Over Arid Landscape Using Landsat-Oli and Field Data: Validation and Comparison
Feyen et al. Mangrove Species Mapping and Above-Ground Biomass Estimation in Suriname Based on Fused Sentinel-1 and Sentinel-2 Imagery and National Forest Inventory 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