CN115497000A - 森林生物量反演方法、装置、终端设备及存储介质 - Google Patents

森林生物量反演方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN115497000A
CN115497000A CN202211125678.3A CN202211125678A CN115497000A CN 115497000 A CN115497000 A CN 115497000A CN 202211125678 A CN202211125678 A CN 202211125678A CN 115497000 A CN115497000 A CN 115497000A
Authority
CN
China
Prior art keywords
image data
forest
radar image
scattering
full
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
CN202211125678.3A
Other languages
English (en)
Inventor
朱建军
张舒蓉
付海强
韩文涛
唐品俊
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202211125678.3A priority Critical patent/CN115497000A/zh
Publication of CN115497000A publication Critical patent/CN115497000A/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
    • G06V20/188—Vegetation
    • 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
    • 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
    • G01S13/9021—SAR image post-processing 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
    • G06V10/40—Extraction of image or video features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Health & Medical Sciences (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)
  • Image Processing (AREA)

Abstract

本申请适用于森林管理技术领域，提供了一种森林生物量反演方法、装置、终端设备及存储介质，其中该方法包括：获取森林区域的第一全极化雷达影像数据；根据第一全极化雷达影像数据，获取用于描述森林区域的植被散射特性的散射参数；获取森林区域的第二全极化雷达影像数据和第三全极化雷达影像数据；根据第二全极化雷达影像数据和第三全极化雷达影像数据，获取用于描述森林区域的植被空间信息的空间参数；将散射参数和空间参数输入预先训练完成的随机森林分类器进行森林生物量反演，得到森林区域的生物量。本申请能提高森林生物量反演的精度。

Description

森林生物量反演方法、装置、终端设备及存储介质
技术领域
本申请属于森林管理技术领域，尤其涉及一种森林生物量反演方法、装置、终端设备及存储介质。
背景技术
森林作为生态系统的重要组成部分，与人类生产生活息息相关。生物量作为定量反映森林碳储量的指标，是衡量森林生态系统生产力和研究森林碳循环过程的重要参数。同时，生物量也是许多气候和地表模型的关键输入参数，为研究森林生态系统的光合作用和水文平衡提供了基础数据，因此对森林生物量的研究至关重要。
传统的森林生物量估测主要依靠人工调查，通过技术人员的实地测量和数据处理估算样地内的森林生物量。然而这种方式仅适用于小范围内的生物量估计，难以实现快速、准确的大面积生物量调研。目前新型的遥感技术手段已经逐步代替原有的人工调查，为实现生物量的实时监测和大尺度估算提供可能。其中，由于合成孔径雷达(SAR)具有全天时、全天候对地观测能力，已被广泛应用于地物分类、灾害监测及植被参数反演等领域。
利用合成孔径雷达进行森林生物量反演的方法主要基于后向散射系数、全极化SAR(PolSAR)技术和干涉SAR(InSAR)技术等。其中，后向散射系数记录了雷达信号与地物相互作用后的回波信息，通过解译后向散射系数中包含的植被生物物理信息，可与森林生物量建立联系；极化SAR技术具有对地物形状、朝向和介电属性敏感的特征，可通过极化分解等手段提取植被更具体的散射特性；干涉SAR技术可用于提取植被的空间信息。上述方法在反演森林生物量的过程中往往作为输入参数，通过经验模型或半经验模型与野外观测量联系起来。这种方法操作简单，但是由于输入特征较少，造成生物量反演的精度低。
发明内容
本申请实施例提供了一种森林生物量反演方法、装置、终端设备及存储介质，可以解决生物量反演的精度低的问题。
第一方面，本申请实施例提供了一种森林生物量反演方法，包括：
获取森林区域的第一全极化雷达影像数据；
根据第一全极化雷达影像数据，获取用于描述森林区域的植被散射特性的散射参数；
获取森林区域的第二全极化雷达影像数据和第三全极化雷达影像数据；第二全极化雷达影像数据的采集时间和第三全极化雷达影像数据的采集时间之间的差值小于预设时间阈值，雷达设备采集第二全极化雷达影像数据时的高度与雷达设备采集第三全极化雷达影像数据时的高度之间的差值小于预设差值；
根据第二全极化雷达影像数据和第三全极化雷达影像数据，获取用于描述森林区域的植被空间信息的空间参数；
将散射参数和空间参数输入预先训练完成的随机森林分类器进行森林生物量反演，得到森林区域的生物量。
可选的，根据第一全极化雷达影像数据，获取用于描述森林区域的植被散射特性的散射参数，包括：
获取第一全极化雷达影像数据的相干矩阵；
利用第一全极化雷达影像数据，获取森林区域的极化方位角；
根据第一全极化雷达影像数据的相干矩阵和极化方位角，获取用于描述森林区域的植被散射特性的散射参数。
可选的，利用第一全极化雷达影像数据，获取森林区域的极化方位角，包括：
通过公式
Figure BDA0003848520330000021
获取森林区域的极化方位角；其中，θ表示森林区域的极化方位角，
Figure BDA0003848520330000022
SHH表示第一全极化雷达影像数据在HH极化通道的散射系数，SVV表示第一全极化雷达影像数据在VV极化通道的散射系数，SHV表示第一全极化雷达影像数据在HV极化通道的散射系数。
可选的，散射参数包括地物的表面散射能量、地物的二面角散射能量、地物的体散射能量、各向异性和方向随机度；
根据第一全极化雷达影像数据的相干矩阵和极化方位角，获取用于描述森林区域的植被散射特性的散射参数，包括：
通过公式T＝R(θ)TRH(θ)对第一全极化雷达影像数据的相干矩阵进行旋转处理，得到旋转处理后的相干矩阵；其中，T(θ)表示旋转处理后的相干矩阵，R(θ)表示旋转矩阵，
Figure BDA0003848520330000031
T表示第一全极化雷达影像数据的相干矩阵；
对旋转处理后的相干矩阵进行Freeman分解，得到表面散射模型系数、二面角散射模型系数和体散射模型系数；
通过公式Ps＝fs(1+|β|2)计算得到地物的表面散射能量；其中，Ps表示地物的表面散射能量，fs表示表面散射模型系数，β表示表面散射模型参数；
通过公式Pd＝fd(1+|α|2)计算得到地物的二面角散射能量；其中，Pd表示地物的二面角散射能量，fd表示二面角散射模型系数，α表示二面角散射模型参数；
通过公式Pv＝4fv计算得到地物的体散射能量；其中，Pv表示地物的体散射能量，fv表示体散射模型系数；
对旋转处理后的相干矩阵进行Neumann分解，得到各向异性和方向随机度。
可选的，空间参数包括森林高度和消光系数；
根据第二全极化雷达影像数据和第三全极化雷达影像数据，获取用于描述森林区域的植被空间信息的空间参数，包括：
获取第二全极化雷达影像数据的相干矩阵和第三全极化雷达影像数据的相干矩阵；
计算第二全极化雷达影像数据的相干矩阵和第三全极化雷达影像数据的相干矩阵的相干性；
利用基于RVoG模型的三阶段算法对
Figure BDA0003848520330000041
进行解算，得到森林高度和消光系数；
其中，γ(ω)表示相干性，
Figure BDA0003848520330000042
表示地表相位，
Figure BDA0003848520330000043
是地表相位的复数表达形式，m(ω)表示地体幅度比，γv表示纯体去相干系数，
Figure BDA0003848520330000044
hv表示森林高度，σ表示消光系数，z表示散射层位置，ψ表示雷达设备的入射角，
Figure BDA0003848520330000045
是复数表达形式，kz表示垂直有效波数，
Figure BDA0003848520330000046
B⊥表示垂直基线长度，λ表示波长，R表示雷达设备的斜距。
可选的，将散射参数和空间参数输入预先训练完成的随机森林分类器进行森林生物量反演，得到森林区域的生物量，包括：
对散射参数和空间参数进行归一化处理；
将归一化处理后的散射参数和空间参数组合成特征矢量；
将特征矢量输入预先训练完成的随机森林分类器进行森林生物量反演，得到森林区域的生物量。
第二方面，本申请实施例提供了一种森林生物量反演装置，包括：
第一获取模块，用于获取森林区域的第一全极化雷达影像数据；
第二获取模块，用于根据第一全极化雷达影像数据，获取用于描述森林区域的植被散射特性的散射参数；
第三获取模块，用于获取森林区域的第二全极化雷达影像数据和第三全极化雷达影像数据；第二全极化雷达影像数据的采集时间和第三全极化雷达影像数据的采集时间之间的差值小于预设时间阈值，雷达设备采集第二全极化雷达影像数据时的高度与雷达设备采集第三全极化雷达影像数据时的高度之间的差值小于预设差值；
第四获取模块，用于根据第二全极化雷达影像数据和第三全极化雷达影像数据，获取用于描述森林区域的植被空间信息的空间参数；
反演模块，用于将散射参数和空间参数输入预先训练完成的随机森林分类器进行森林生物量反演，得到森林区域的生物量。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的森林生物量反演方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的森林生物量反演方法。
本申请的上述方案有如下的有益效果：
在本申请的实施例中，通过利用森林区域的一全极化雷达影像数据，获取用于描述森林区域的植被散射特性的散射参数，同时利用森林区域的两个全极化雷达影像数据，获取用于描述森林区域的植被空间信息的空间参数，最终将散射参数和空间参数输入预先训练完成的随机森林分类器进行森林生物量反演，得到森林区域的生物量。其中由于地物的散射特性和空间信息能从不同角度刻画雷达信号与植被的交互过程，为森林生物量的反演提供更有效的特征，从而使得在联合散射参数和空间参数进行生物量反演时，能大大提高森林生物量反演的精度。
本申请的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的森林生物量反演方法的流程图；
图2为本申请一实施例提供的步骤12的具体实现方式的流程图；
图3为本申请一实例中利用森林生物量反演方法进行生物量反演的实验结果图；
图4为本申请一实施例提供的森林生物量反演装置的结构示意图；
图5为本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
目前在进行生物量反演时，由于输入特征较少，造成生物量反演的精度低。
针对上述问题，本申请实施例提供了一种森林生物量反演方法，该方法通过利用森林区域的一全极化雷达影像数据，获取用于描述森林区域的植被散射特性的散射参数，同时利用森林区域的两个全极化雷达影像数据，获取用于描述森林区域的植被空间信息的空间参数，最终将散射参数和空间参数输入预先训练完成的随机森林分类器进行森林生物量反演，得到森林区域的生物量。其中由于地物的散射特性和空间信息能从不同角度刻画雷达信号与植被的交互过程，为森林生物量的反演提供更有效的特征，从而使得在联合散射参数和空间参数进行生物量反演时，能大大提高森林生物量反演的精度。
下面结合具体实施例对本申请提供的森林生物量反演方法进行示例性的说明。
本申请实施例提供了一种森林生物量反演方法，该方法可以由终端设备执行，也可以由应用于终端设备中的装置(比如芯片)来执行，下述实施例以该方法由终端设备执行为例。作为一种示例，该终端设备可以是平板，服务器或者笔记本电脑等，本申请实施例对此不做限定。
如图1所示，本申请实施例提供的森林生物量反演方法包括如下步骤：
步骤11，获取森林区域的第一全极化雷达影像数据。
在本申请的一些实施例中，上述第一全极化雷达影像数据可以是合成孔径雷达对上述森林区域进行图像采集得到的数据。
需要说明的是，上述第一全极化雷达影像数据为一清晰图像数据。且在一些具体的实施例中，合成孔径雷达在采集到清晰的全极化雷达影像数据后，便可将该全极化雷达影像数据输出给终端设备，以便终端设备进行生物量反演。
步骤12，根据第一全极化雷达影像数据，获取用于描述森林区域的植被散射特性的散射参数。
上述散射参数包括地物的表面散射能量、地物的二面角散射能量、地物的体散射能量、各向异性和方向随机度。其中，地物的表面散射能量、地物的二面角散射能量和地物的体散射能量主要用于表征雷达信号与植被各部分交互的散射功率；各向异性和方向随机度主要用于表征散射粒子(即全极化雷达影像数据)的形态和空间分布。
步骤13，获取森林区域的第二全极化雷达影像数据和第三全极化雷达影像数据。
在本申请的一些实施例中，上述第二全极化雷达影像数据和第三全极化雷达影像数据均可以是合成孔径雷达对上述森林区域进行图像采集得到的数据。
需要说明的是，上述第二全极化雷达影像数据和第三全极化雷达影像数据均为清晰图像数据。且在一些具体的实施例中，合成孔径雷达在采集到清晰的全极化雷达影像数据后，便可将该全极化雷达影像数据输出给终端设备，以便终端设备进行生物量反演。需要进一步说明的是，上述第一全极化雷达影像数据可以是第二全极化雷达影像数据和第三全极化雷达影像数据中的一者。
此外，在本申请的一些实施例中，上述第二全极化雷达影像数据的采集时间(即合成孔径雷达采集该第二全极化雷达影像数据的时间)和第三全极化雷达影像数据的采集时间(即合成孔径雷达采集该第三全极化雷达影像数据的时间)之间的差值小于预设时间阈值，雷达设备(如合成孔径雷达)采集第二全极化雷达影像数据时的高度与雷达设备(如合成孔径雷达)采集第三全极化雷达影像数据时的高度之间的差值小于预设差值。
需要说明的是，第二全极化雷达影像数据和第三全极化雷达影像数据是同一雷达设备采集到的，上述预设时间阈值和预设差值均可根据实际情况进行设定。在具体设定时可遵循以下要求：第二全极化雷达影像数据和第三全极化雷达影像数据的采集时间尽可能接近，雷达设备采集第二全极化雷达影像数据和第三全极化雷达影像数据时的高度尽可能接近，从而有利于提升后续空间参数的准确性。
作为一个优选的示例，第二全极化雷达影像数据和第三全极化雷达影像数据的采集时间相同，雷达设备采集第二全极化雷达影像数据和第三全极化雷达影像数据时的高度相同。
步骤14，根据第二全极化雷达影像数据和第三全极化雷达影像数据，获取用于描述森林区域的植被空间信息的空间参数。
在本申请的一些实施例中，上述空间参数包括森林高度和消光系数。其中，森林高度主要用于表征森林区域的植被高度，消光系数主要用于表征森林区域中森林冠层的疏密程度。
在本申请的一些实施例中，为提升空间参数的准确性，在利用第二全极化雷达影像数据和第三全极化雷达影像数据获取空间参数的过程中，可先对第二全极化雷达影像数据和第三全极化雷达影像数据进行频谱滤波、去平地相位、多视和干涉处理，然后再利用处理后的第二全极化雷达影像数据和第三全极化雷达影像数据获取空间参数。
步骤15，将散射参数和空间参数输入预先训练完成的随机森林分类器进行森林生物量反演，得到森林区域的生物量。
在本申请的一些实施例中，上述随机森林分类器是预先利用样本集数据进行训练得到的。
上述样本集数据可以是上述森林区域中一小部分(如10％)的相关数据(包括这一小部分区域对应的散射参数和空间参数)。需要说明的是，在利用样本集数据对随机森林分类器进行训练后，可利用这一小部分区域的生物量的真实值(该真实值可利用激光雷达测量得到)对该随机森林分类器输出的生物量进行验证，并在验证出随机森林分类器的反演效果不满足预期要求(即随机森林分类器输出的生物量与生物量的真实值之间的差异大)时，对该随机森林分类器的参数进行调整，并继续对参数调整后的随机森林分类器进行训练，直至随机森林分类器的反演效果满足预期要求(即随机森林分类器输出的生物量与生物量的真实值之间的差异极小)时，将此时的随机森林分类器作为训练完成的随机森林分类器。
在本申请的一些实施例中，上述步骤11中的森林区域可以是该森林区域的所有区域，也可以是该森林区域中除上述一小部分区域以外的其他区域。
值得一提的是，在本申请的一些实施例中，由于地物的散射特性和空间信息能从不同角度刻画雷达信号(该雷达信号为雷达设备采集全极化雷达影像数据时发出的信号)与植被的交互过程，为森林生物量的反演提供更有效的特征，从而使得在联合散射参数和空间参数进行生物量反演时，能大大提高森林生物量反演的精度。
此外，由于在对随机森林分类器的训练过程是结合全极化雷达影像数据和生物量的真实值进行的，从而在一定程度上避免了原有经验模型的限制，为适应不同植被场景提供了可能。
下面结合具体实例对上述步骤12的具体实现过程进行示例性说明。
如图2所示，在本申请的一些实施例中，上述步骤12，根据第一全极化雷达影像数据，获取用于描述森林区域的植被散射特性的散射参数的具体实现方式包括如下步骤：
步骤21，获取第一全极化雷达影像数据的相干矩阵。
在本申请的一些实施例中，可通过对第一全极化雷达影像数据进行多视处理(例如2×1多视处理)，然后采用Lee Refined滤波器对多视处理后的第一全极化雷达影像数据进行平滑滤波(例如采用Lee Refined滤波器开7×1的窗口对多视处理后的第一全极化雷达影像数据进行平滑滤波)，得到第一全极化雷达影像数据的相干矩阵。
其中，对第一全极化雷达影像数据进行多视处理和平滑滤波处理，能降低斑点噪声的影响，从而有利于提升生物量反演的精度。
步骤22，利用第一全极化雷达影像数据，获取森林区域的极化方位角。
在本申请的一些实施例中，可先通过公式
Figure BDA0003848520330000101
计算η，然后再通过公式
Figure BDA0003848520330000102
获取森林区域的极化方位角。
其中，θ表示森林区域的极化方位角，SHH表示第一全极化雷达影像数据在HH极化通道的散射系数，SVV表示第一全极化雷达影像数据在VV极化通道的散射系数，SHV表示第一全极化雷达影像数据在HV极化通道的散射系数。
需要说明的是，对平滑滤波后的第一全极化雷达影像数据进行极化方位角补偿，能够降低地形坡度对分解结果的影响，且对在计算η时，通过添加π来展开相位，能从定向角中提取与地表坡度对应的有用信息。
步骤23，根据第一全极化雷达影像数据的相干矩阵和极化方位角，获取用于描述森林区域的植被散射特性的散射参数。
在本申请的一些实施例中，可先通过公式T(θ)＝R(θ)TRH(θ)对第一全极化雷达影像数据的相干矩阵进行旋转处理，得到旋转处理后的相干矩阵；然后对旋转处理后的相干矩阵进行Freeman分解，得到表面散射模型系数fs、二面角散射模型系数fd和体散射模型系数fv；接着通过公式Ps＝fs(1+|β|2)计算得到地物的表面散射能量Ps，通过公式Pd＝fd(1+|α|2)计算得到地物的二面角散射能量Pd，通过公式Pv＝4fv计算得到地物的体散射能量，同时通过对旋转处理后的相干矩阵进行Neumann分解，得到各向异性δ和方向随机度τ。
其中，在上述计算式中，T(θ)表示旋转处理后的相干矩阵，R(θ)表示旋转矩阵，
Figure BDA0003848520330000111
T表示第一全极化雷达影像数据的相干矩阵，RH(θ)表示R(θ)的共轭转置矩阵；Ps表示地物的表面散射能量，用于量化雷达信号与地面的交互过程，fs表示表面散射模型系数，β表示表面散射模型参数，β与雷达入射角和地物目标的相对介电常数有关；Pd表示地物的二面角散射能量，用于量化雷达信号与地面和枝干组成的二面角的交互过程，fd表示二面角散射模型系数，α表示二面角散射模型参数，α与两个相互垂直平面的反射系数有关；Pv表示地物的体散射能量，用于量化雷达信号与植被冠层的交互过程，fv表示体散射模型系数。
在本申请的一些实施例中，对旋转处理后的相干矩阵进行Freeman分解的计算公式如下：
Figure BDA0003848520330000112
fs、fd、fv可通过如下公式求解得到：
Figure BDA0003848520330000121
Figure BDA0003848520330000122
Figure BDA0003848520330000123
T12＝fsβ*+fdα
其中，上述计算式中的T11、T22、T33、T12均为第一全极化雷达影像数据的相干矩阵中的元素，T11为该相干矩阵中第1行第1列的元素，T22为该相干矩阵中第2行第2列的元素，T33为该相干矩阵中第3行第3列的元素，T12为该相干矩阵中第1行第2列的元素。
在本申请的一些实施例中，对旋转处理后的相干矩阵进行Neumann分解的计算公式如下：
Figure BDA0003848520330000124
其中，|δ|为各向异性的模，可用以表示散射粒子形态。当|δ|→0时，冠层散射体的平均有效形状近似为圆盘；当|δ|→1时，冠层散射体的平均有效形状趋近于偶极子；当|δ|>1时，冠层散射体的平均有效形状近似为二面角结构，由此可见，粒子各向异性对散射体的形状有明确的表征，对于刻画植被的形态特征有重要意义。τ为方向随机度，表示散射粒子在空间分布中的混乱程度。当τ→0时，表示冠层散射体排布趋于规则，取向呈对齐趋势；当τ→1时，表示冠层散射体排布趋于混乱，取向呈完全随机。具体的解算过程为：
Figure BDA0003848520330000131
Figure BDA0003848520330000132
argδ＝arg(T12)
其中，上述计算式中的T11、T22、T33、T12均为第一全极化雷达影像数据的相干矩阵中的元素，T11为该相干矩阵中第1行第1列的元素，T22为该相干矩阵中第2行第2列的元素，T33为该相干矩阵中第3行第3列的元素，T12为该相干矩阵中第1行第2列的元素。
需要说明的是，对相干矩阵进行Freeman分解和Neumann分解均为常用的全极化图像数据分解手段，因此在此，不对Freeman分解和Neumann分解的具体过程进行过多赘述。
下面结合具体实例对上述步骤14的具体实现过程进行示例性说明。
在本申请的一些实施例中，上述步骤14，根据第二全极化雷达影像数据和第三全极化雷达影像数据，获取用于描述森林区域的植被空间信息的空间参数的具体实现方式包括如下步骤：
步骤一，获取第二全极化雷达影像数据的相干矩阵和第三全极化雷达影像数据的相干矩阵。
在本申请的一些实施例中，第二全极化雷达影像数据和第三全极化雷达影像数据的相干矩阵的获取方式与第一全极化雷达影像数据的相干矩阵的获取方式相同，均可通过对全极化雷达影像数据进行多视处理(例如2×1多视处理)，然后采用Lee Refined滤波器对多视处理后的全极化雷达影像数据进行平滑滤波(例如采用Lee Refined滤波器开7×1的窗口对多视处理后的全极化雷达影像数据进行平滑滤波)，得到全极化雷达影像数据的相干矩阵。
步骤二，计算第二全极化雷达影像数据的相干矩阵和第三全极化雷达影像数据的相干矩阵的相干性。
在本申请的一些实施例中，可通过最优相位分离法计算第二全极化雷达影像数据的相干矩阵和第三全极化雷达影像数据的相干矩阵的相干性。
步骤三，利用基于地表散射(RVoG，Random Volume ofGround)模型的三阶段算法对
Figure BDA0003848520330000141
进行解算，得到森林高度和消光系数。
其中，γ(ω)表示相干性，
Figure BDA0003848520330000142
表示地表相位，
Figure BDA0003848520330000143
是地表相位的复数表达形式，m(ω)表示地体幅度比，当m(w)→∞时，表示地表散射，当m(w)＝0时，表示体散射，γv表示纯体去相干系数，
Figure BDA0003848520330000144
hv表示森林高度，σ表示消光系数，σ与森林的密度、几何结构及介电常数有关，z表示散射层位置，ψ表示雷达设备的入射角，
Figure BDA0003848520330000145
是复数表达形式，kz表示垂直有效波数，
Figure BDA0003848520330000146
B⊥表示垂直基线长度，λ表示波长，R表示雷达设备的斜距，i表示复数表达形式。
其中，采用三阶段算法进行解算的具体过程为：
①相干直线拟合：在RVoG模型的假设下，由
Figure BDA0003848520330000147
可知复相干区域应为一条直线，然而在实际应用中，受到观测噪声的影响，不同极化状态对应的复相干系数未分布在一条直线上。因此为确定最佳拟合直线，需要采用最小二乘算法最小化相干系数观测值与预测模型之间的差值。
②地表相位确定：由
Figure BDA0003848520330000148
可知，当m(w)→∞时，
Figure BDA0003848520330000149
即可获得地表相位。因此利用拟合得到的相干直线与单位圆相交时有两个交点，其中一个为地表相位。根据以下准则可进一步确定地表相位：
Figure BDA0003848520330000151
Figure BDA0003848520330000152
其中，
Figure BDA0003848520330000153
表示相干直线和单位圆相交得到的第一个相位，
Figure BDA0003848520330000154
表示相干直线和单位圆相交得到的第二个相位，
Figure BDA0003848520330000155
是
Figure BDA0003848520330000156
复数表示。
③森林高度和消光系数估计：地表相位确定后，可结合试验区植被特征对树高和消光系数设置合理的阈值范围，并建立二维查找表，搜索与复相干系数(即上述γ(ω))距离最小的模型复相干系数，从而得到对应的森林高度和消光系数：
Figure BDA0003848520330000157
下面结合具体实例对上述步骤15的具体实现过程进行示例性说明。
在本申请的一些实施例中，上述步骤15，将散射参数和空间参数输入预先训练完成的随机森林分类器进行森林生物量反演，得到森林区域的生物量的具体实现方式包括如下步骤：
步骤一，对散射参数和空间参数进行归一化处理。
在本申请的一些实施例中，由于散射参数和空间参数所包含的各个参数具有不同的物理意义，为消除量纲对实验结果的影响，可对其进行线性归一化处理。
具体的，可通过公式y＝(x-min(x))/(max(x)-min(x))对每个参数进行归一化处理。其中x是输入数据，为待归一化的参数，y是输出数据，为归一化之后的参数。max(x)和min(x)分别为输入数据中的最大值和最小值。可以理解的是，为提高实验结果的准确性，在归一化之前应先剔除极端值的影响。
步骤二，将归一化处理后的散射参数和空间参数组合成特征矢量。
在本申请的一些实施例中，可通过公式Vfeature＝[Ps Pd Pvδτhvσ]将归一化处理后的散射参数和空间参数组合成特征矢量Vfeature。
步骤三，将特征矢量输入预先训练完成的随机森林分类器进行森林生物量反演，得到森林区域的生物量。
值得一提的是，本申请通过极化分解和三阶段反演的方法分别提取植被的散射特性和空间信息，为森林生物量的反演提供更多的有效特征，从而使得在联合散射参数和空间参数进行生物量反演时，能大大提高森林生物量反演的精度，为适应不同植被场景提供可能。
下面结合一具体的实例对上述森林生物量反演方法的效果进行示例性说明。
在该实例中，利用本申请的森林生物量反演方法对BioSAR 2008项目获取的全极化SAR数据(该数据是由德国宇航局研制的电子合成孔径雷达(E-SAR)系统于2008在瑞典北部的Krycklan实验区采集到的)进行处理，估算得到的Krycklan实验区的生物量如图3所示(图3中纵轴表示生物量的估算值，横轴表示生物量的真实值(该真实值可利用激光雷达测量得到))，且通过将估算值与生物量的真实值进行比较可知，本申请提供的森林生物量反演方法的准确性值(R2)为0.97，由此可见，本申请提供的森林生物量反演方法的精度高。
下面结合具体实施例对本申请提供的森林生物量反演装置进行示例性的说明。
如图4所示，本申请的实施例提供了一种森林生物量反演装置，该森林生物量反演装置400包括：
第一获取模块401，用于获取森林区域的第一全极化雷达影像数据；
第二获取模块402，用于根据第一全极化雷达影像数据，获取用于描述森林区域的植被散射特性的散射参数；
第三获取模块403，用于获取森林区域的第二全极化雷达影像数据和第三全极化雷达影像数据；第二全极化雷达影像数据的采集时间和第三全极化雷达影像数据的采集时间之间的差值小于预设时间阈值，雷达设备采集第二全极化雷达影像数据时的高度与雷达设备采集第三全极化雷达影像数据时的高度之间的差值小于预设差值；
第四获取模块404，用于根据第二全极化雷达影像数据和第三全极化雷达影像数据，获取用于描述森林区域的植被空间信息的空间参数；
反演模块405，用于将散射参数和空间参数输入预先训练完成的随机森林分类器进行森林生物量反演，得到森林区域的生物量。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
如图5所示，本申请的实施例提供了一种终端设备，如图5所示，该实施例的终端设备D10包括：至少一个处理器D100(图5中仅示出一个处理器)、存储器D101以及存储在所述存储器D101中并可在所述至少一个处理器D100上运行的计算机程序D102，所述处理器D100执行所述计算机程序D102时实现上述任意各个方法实施例中的步骤。
具体的，所述处理器D100执行所述计算机程序D102时，通过利用森林区域的一全极化雷达影像数据，获取用于描述森林区域的植被散射特性的散射参数，同时利用森林区域的两个全极化雷达影像数据，获取用于描述森林区域的植被空间信息的空间参数，最终将散射参数和空间参数输入预先训练完成的随机森林分类器进行森林生物量反演，得到森林区域的生物量。其中由于地物的散射特性和空间信息能从不同角度刻画雷达信号与植被的交互过程，为森林生物量的反演提供更有效的特征，从而使得在联合散射参数和空间参数进行生物量反演时，能大大提高森林生物量反演的精度。
所称处理器D100可以是中央处理单元(CPU，Central Processing Unit)，该处理器D100还可以是其他通用处理器、数字信号处理器(DSP，Digital Signal Processor)、专用集成电路(ASIC，Application Specific Integrated Circuit)、现成可编程门阵列(FPGA，Field-Programmable GateArray)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器D101在一些实施例中可以是所述终端设备D10的内部存储单元，例如终端设备D10的硬盘或内存。所述存储器D101在另一些实施例中也可以是所述终端设备D10的外部存储设备，例如所述终端设备D10上配备的插接式硬盘，智能存储卡(SMC，SmartMedia Card)，安全数字(SD，Secure Digital)卡，闪存卡(Flash Card)等。进一步地，所述存储器D101还可以既包括所述终端设备D10的内部存储单元也包括外部存储设备。所述存储器D101用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器D101还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到森林生物量反演装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种森林生物量反演方法，其特征在于，包括：
获取森林区域的第一全极化雷达影像数据；
根据所述第一全极化雷达影像数据，获取用于描述所述森林区域的植被散射特性的散射参数；
获取森林区域的第二全极化雷达影像数据和第三全极化雷达影像数据；所述第二全极化雷达影像数据的采集时间和第三全极化雷达影像数据的采集时间之间的差值小于预设时间阈值，雷达设备采集所述第二全极化雷达影像数据时的高度与所述雷达设备采集所述第三全极化雷达影像数据时的高度之间的差值小于预设差值；
根据所述第二全极化雷达影像数据和所述第三全极化雷达影像数据，获取用于描述所述森林区域的植被空间信息的空间参数；
将所述散射参数和所述空间参数输入预先训练完成的随机森林分类器进行森林生物量反演，得到所述森林区域的生物量。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一全极化雷达影像数据，获取用于描述所述森林区域的植被散射特性的散射参数，包括：
获取所述第一全极化雷达影像数据的相干矩阵；
利用所述第一全极化雷达影像数据，获取所述森林区域的极化方位角；
根据所述第一全极化雷达影像数据的相干矩阵和所述极化方位角，获取用于描述所述森林区域的植被散射特性的散射参数。
3.根据权利要求2所述的方法，其特征在于，所述利用所述第一全极化雷达影像数据，获取所述森林区域的极化方位角，包括：
通过公式
Figure FDA0003848520320000011
获取所述森林区域的极化方位角；其中，θ表示所述森林区域的极化方位角，
Figure FDA0003848520320000012
SHH表示所述第一全极化雷达影像数据在HH极化通道的散射系数，SVV表示所述第一全极化雷达影像数据在VV极化通道的散射系数，SHV表示所述第一全极化雷达影像数据在HV极化通道的散射系数。
4.根据权利要求3所述的方法，其特征在于，所述散射参数包括地物的表面散射能量、地物的二面角散射能量、地物的体散射能量、各向异性和方向随机度；
所述根据所述第一全极化雷达影像数据的相干矩阵和所述极化方位角，获取用于描述所述森林区域的植被散射特性的散射参数，包括：
通过公式T(θ)＝R(θ)TRH(θ)对所述第一全极化雷达影像数据的相干矩阵进行旋转处理，得到旋转处理后的相干矩阵；其中，T(θ)表示旋转处理后的相干矩阵，R(θ)表示旋转矩阵，
Figure FDA0003848520320000021
T表示第一全极化雷达影像数据的相干矩阵；
对旋转处理后的相干矩阵进行Freeman分解，得到表面散射模型系数、二面角散射模型系数和体散射模型系数；
通过公式Ps＝fs(1+|β|2)计算得到地物的表面散射能量；其中，Ps表示地物的表面散射能量，fs表示表面散射模型系数，β表示表面散射模型参数；
通过公式Pd＝fd(1+|α|2)计算得到地物的二面角散射能量；其中，Pd表示地物的二面角散射能量，fd表示二面角散射模型系数，α表示二面角散射模型参数；
通过公式Pv＝4fv计算得到地物的体散射能量；其中，Pv表示地物的体散射能量，fv表示体散射模型系数；
对所述旋转处理后的相干矩阵进行Neumann分解，得到各向异性和方向随机度。
5.根据权利要求1所述的方法，其特征在于，所述空间参数包括森林高度和消光系数；
所述根据所述第二全极化雷达影像数据和所述第三全极化雷达影像数据，获取用于描述所述森林区域的植被空间信息的空间参数，包括：
获取所述第二全极化雷达影像数据的相干矩阵和所述第三全极化雷达影像数据的相干矩阵；
计算所述第二全极化雷达影像数据的相干矩阵和所述第三全极化雷达影像数据的相干矩阵的相干性；
利用基于RVoG模型的三阶段算法对
Figure FDA0003848520320000031
进行解算，得到森林高度和消光系数；
其中，γ(ω)表示所述相干性，
Figure FDA0003848520320000032
表示地表相位，
Figure FDA0003848520320000033
是地表相位的复数表达形式，m(ω)表示地体幅度比，γv表示纯体去相干系数，
Figure FDA0003848520320000034
hv表示森林高度，σ表示消光系数，z表示散射层位置，ψ表示雷达设备的入射角，
Figure FDA0003848520320000035
是复数表达形式，kz表示垂直有效波数，
Figure FDA0003848520320000036
B⊥表示垂直基线长度，λ表示波长，R表示雷达设备的斜距。
6.根据权利要求1所述的方法，其特征在于，所述将所述散射参数和所述空间参数输入预先训练完成的随机森林分类器进行森林生物量反演，得到所述森林区域的生物量，包括：
对所述散射参数和所述空间参数进行归一化处理；
将归一化处理后的散射参数和空间参数组合成特征矢量；
将所述特征矢量输入预先训练完成的随机森林分类器进行森林生物量反演，得到所述森林区域的生物量。
7.一种森林生物量反演装置，其特征在于，包括：
第一获取模块，用于获取森林区域的第一全极化雷达影像数据；
第二获取模块，用于根据所述第一全极化雷达影像数据，获取用于描述所述森林区域的植被散射特性的散射参数；
第三获取模块，用于获取森林区域的第二全极化雷达影像数据和第三全极化雷达影像数据；所述第二全极化雷达影像数据的采集时间和第三全极化雷达影像数据的采集时间之间的差值小于预设时间阈值，雷达设备采集所述第二全极化雷达影像数据时的高度与所述雷达设备采集所述第三全极化雷达影像数据时的高度之间的差值小于预设差值；
第四获取模块，用于根据所述第二全极化雷达影像数据和所述第三全极化雷达影像数据，获取用于描述所述森林区域的植被空间信息的空间参数；
反演模块，用于将所述散射参数和所述空间参数输入预先训练完成的随机森林分类器进行森林生物量反演，得到所述森林区域的生物量。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的森林生物量反演方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的森林生物量反演方法。
CN202211125678.3A 2022-09-16 2022-09-16 森林生物量反演方法、装置、终端设备及存储介质 Pending CN115497000A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211125678.3A CN115497000A (zh) 2022-09-16 2022-09-16 森林生物量反演方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211125678.3A CN115497000A (zh) 2022-09-16 2022-09-16 森林生物量反演方法、装置、终端设备及存储介质

Publications (1)

Publication Number Publication Date
CN115497000A true CN115497000A (zh) 2022-12-20

Family

ID=84468610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211125678.3A Pending CN115497000A (zh) 2022-09-16 2022-09-16 森林生物量反演方法、装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN115497000A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112558069A (zh) * 2020-12-11 2021-03-26 江西师范大学 全极化合成孔径雷达图像目标补偿eoc方法
CN117422156A (zh) * 2023-12-19 2024-01-19 南京农业大学 一种森林生态系统碳储功能评估方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112558069A (zh) * 2020-12-11 2021-03-26 江西师范大学 全极化合成孔径雷达图像目标补偿eoc方法
CN112558069B (zh) * 2020-12-11 2023-04-14 江西师范大学 全极化合成孔径雷达图像目标补偿eoc方法
CN117422156A (zh) * 2023-12-19 2024-01-19 南京农业大学 一种森林生态系统碳储功能评估方法
CN117422156B (zh) * 2023-12-19 2024-03-22 南京农业大学 一种森林生态系统碳储功能评估方法

Similar Documents

Publication Publication Date Title
CN115497000A (zh) 森林生物量反演方法、装置、终端设备及存储介质
Xu et al. Image fusion based on nonsubsampled contourlet transform and saliency-motivated pulse coupled neural networks
CN109061643B (zh) 基于三维属性散射中心模型的多雷达融合高分辨成像方法
CN110516646B (zh) 一种结合极化分解与地形特征的表碛覆盖型冰川识别方法
Gao Characterization of SAR Clutter and Its Applications to Land and Ocean Observations
El-Darymli et al. Characterization and statistical modeling of phase in single-channel synthetic aperture radar imagery
CN110458876B (zh) 基于sar-sift特征的多时相polsar图像配准方法
Teng et al. An anisotropic scattering analysis method based on the statistical properties of multi-angular SAR images
Zhang et al. Separation of magnetotelluric signals based on refined composite multiscale dispersion entropy and orthogonal matching pursuit
Tan et al. A novel unsupervised classification method for sandy land using fully polarimetric sar data
CN102819840B (zh) 一种纹理图像的分割方法
Xiao et al. Aircraft detection in SAR images based on peak feature fusion and adaptive deformable network
Potapov Strategic directions in synthesis of new topological radar detectors of low-contrast targets against the background of high-intensity noise from the ground, sea and precipitations
Berginc et al. 3D laser imaging
Drašković et al. $ M $-NL: Robust NL-Means Approach for PolSAR Images Denoising
Wen et al. Parametric synthetic aperture radar image recovery for multiple linear structures: An image domain approach
Gao et al. Modeling SAR images based on a generalized gamma distribution for texture component
Voccola et al. On the relationship between the generalized likelihood ratio test and backprojection for synthetic aperture radar imaging
El-Darymli et al. Rethinking the phase in single-channel SAR imagery
Ferro-Famil et al. Forest mapping and classification at L-band using Pol-inSAR optimal coherence set statistics
CN108830290B (zh) 基于稀疏表示和高斯分布的sar图像分类方法
CN109447057B (zh) 图像特征识别方法、相关装置及存储介质
Zhu et al. High-rise building layover exploitation with non-local frequency estimation in SAR interferograms
CN110135280A (zh) 一种基于稀疏表征分类的多视图sar自动目标识别方法
de Carvalho Júnior et al. Probability density components analysis: A new approach to treatment and classification of SAR images

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