基于Radarsat-2目标极化分解H-α特征空间的海洋悬浮物浓度监测研究

合集下载

基于Radarsat-2的水稻种植面积提取

基于Radarsat-2的水稻种植面积提取单捷;邱琳;孙玲;王志明【摘要】The 5 scenes of Radarsat-2 satellite image with spatial resolution of 5.2 m×7. 6 m collected from July 23rd 2013 to October 27th 2013 were used to extract the paddy rice planting area of every scene using support vector machine ( SVM) and maximum likelihood classification ( MLC) . The accuracy was verified by on-site GPS measurement quadrat ar-eas. Since the extration accuracies of both SVM and MLC were the highest on September 9th, the scene extracted on Sep-tember 9th was chosen to study the effect of farmland parcel optimization and pattern spot removal on the accuracy. The ac-curacy of SVM was improved from 72. 876% to 95. 482%, and the accuracy of MLC was improved from 74. 224% to 91. 792%.%选用2013年7月23日-10月27日期间5期分辨率为5.2 m×7.6 m的Radarsat-2影像为数据,采用支持向量机法(SVM)和最大似然法(MLC)分别对各时相水稻种植面积进行提取,并以地面实测GPS水稻样方进行精度验证.结果表明SVM和MLC方法的水稻面积提取精度均在9月9日达到最高,所以选择在9月9日的水稻面积提取结果上研究耕地地块优化和碎小图斑去除对精度的影响.通过耕地地块优化和碎小图斑去除处理,水稻面积提取精度显著提高,SVM法由原先的72.876%提高到95.482%,MLC法由74.224%提高到91.792%.【期刊名称】《江苏农业学报》【年(卷),期】2017(033)003【总页数】7页(P561-567)【关键词】遥感;支持向量机;最大似然法;水稻种植面积提取【作者】单捷;邱琳;孙玲;王志明【作者单位】江苏省农业科学院农业经济与信息研究所,江苏南京 210014;江苏省农业科学院农业经济与信息研究所,江苏南京 210014;江苏省农业科学院农业经济与信息研究所,江苏南京 210014;江苏省农业科学院农业经济与信息研究所,江苏南京 210014【正文语种】中文【中图分类】S127水稻是仅次于小麦、玉米的世界第3大粮食作物，全世界水稻播种面积约占耕地面积的15%[1]。

SAR极化信息海洋若干应用研究的开题报告

SAR极化信息海洋若干应用研究的开题报告一、选题依据近年来，SAR（合成孔径雷达）技术发展迅速，成为了一种非常重要的遥感技术。

而SAR极化信息则是SAR技术中的重要部分，其可以提供目标较强的特征参数，对于许多应用领域都有着重要的作用。

例如，极化SAR可以用来进行水体边界的提取和监测，极化SAR图像可以用来判断林地覆盖度和植被分类，以及可以用来进行城市建筑物的提取等等，因此，在极化SAR技术的基础上，对南海沿海地带海域的底质类型进行遥感识别与监测，具有实际应用价值。

同时，这也促使我们对SAR极化信息进行深入研究。

二、研究目的本文旨在通过对SAR极化信息进行分析，提取出海洋中的目标信息，如海洋中的浮冰、航道等。

并且，将SAR极化信息与其它遥感数据进行多源数据融合，以达到更好的数据利用效果，并在该领域取得更进一步的研究成果。

三、研究内容1. SAR极化信息研究进展及发展历程2. SAR极化信息的基本概念和反射特性3. SAR极化信息的数据处理方法4. SAR极化信息在海洋应用中的研究5. SAR极化信息与其它遥感数据的融合6. 实验研究与结果分析四、研究方法1. SAR极化数据的获取与预处理2. SAR极化信息的特征提取3. 多源遥感数据的融合方法研究4. 应用地学模型进行海洋信息提取五、研究意义本文旨在深入探究SAR极化信息的海洋应用，提出有效的遥感数据处理和融合方法，在该领域取得研究成果，与此同时，对于水域环境保护、海洋工程、军事侦查等多个领域的研究也具有重要的应用意义。

六、进度安排1. 5月初-6月初： SAR极化信息研究进展及发展历程的梳理，SAR 极化信息的基本概念和反射特性的研究。

2. 6月中-7月初： SAR极化信息的数据处理方法研究，实验研究与结果分析。

3. 7月中-8月初： SAR极化信息在海洋应用中的研究，多源遥感数据的融合方法研究。

4. 8月中-9月初：应用地学模型进行海洋信息提取，总结并完善研究成果，完成论文写作及指导教师评审工作。

基于SAR图像的舰船目标检测与参数提取研究的开题报告

基于SAR图像的舰船目标检测与参数提取研究的开题报告1. 研究背景与意义舰船目标在海洋遥感监测中具有重要的作用，可以用于军事侦察、海上交通管制、海上救援等方面。

随着合成孔径雷达（SAR）技术的发展，SAR图像已经成为海洋舰船监测的主要手段之一。

然而，SAR图像中舰船目标的检测和参数提取仍然存在一定的困难，包括目标与水面干扰混淆、多目标合并等问题。

因此，研究基于SAR图像的舰船目标检测与参数提取方法，具有重要的现实意义和应用价值。

2. 研究内容与目标本课题旨在研究基于SAR图像的舰船目标检测与参数提取方法，主要包括以下内容：（1）SAR图像的预处理方法，包括去噪、增强等；（2）基于特征提取的舰船目标检测方法，如Haar、HOG和SIFT等；（3）基于深度学习的舰船目标检测方法，如卷积神经网络（CNN）；（4）舰船目标参数的提取方法，如长度、宽度、面积、轮廓等；（5）舰船目标检测与参数提取算法的实验验证及效果分析。

3. 研究方法与步骤本课题采用实验研究法进行，主要分为以下步骤：（1）收集并预处理SAR图像数据集，如Radarsat-2、Sentinel-1等；（2）选择合适的特征提取方法或深度学习模型，进行舰船目标检测；（3）从检测结果中提取舰船目标的相关参数；（4）设计实验方案，对算法进行测试和分析；（5）根据实验结果和分析，改进和优化算法，提高检测和参数提取的精度和效率。

4. 研究成果与意义本课题的研究成果将填补基于SAR图像的舰船目标检测和参数提取领域的研究空白，具有重要的应用价值。

研究成果将能够应用于海上交通管制、海洋环境监测、海上救援等领域，并具有重要的军事应用价值，在海上防御和战略决策中具有重要的作用。

同时，本课题的研究成果还可以为其他基于遥感图像的目标检测和参数提取提供借鉴和参考。

极化SAR在海洋探测中的应用与探讨

青岛２６６０６１）
要：合成孔径雷达（ＳｙｎｔｈｅｔｉｃＡｐｅｒｔｕｒｅＲａｄａｒＳＡＲ）是重要的对地观测传感器，在陆地和海洋中都有广泛的
应用。极化合成孔径雷达通过不同的收发通道组合，能够获取丰富的目标散射信息，可以提升目标检测、分类识别、定量反演的能力。该文以海冰、舰船、溢油、海浪、内波、风场、海底地形等海上目标和海洋动力环境要素为例，分析了极化ＳＡＲ在海洋监测中的重要作用，探讨了极化ＳＡＲ未来的发展方向，给出了进一步开展极化
ｓｙｎｔｈｅｔｉｃａｐｅｒｔｕｒｅｒａｄａｒｉｎｍａｒｉｎｅｓｕｒｖｅｉｌｌａｎｃｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＲａｄａｒｓ，２０１６，５（６）：５９６ — ６０６．ＤＯＩ：
ＺｈａｎｇＪｉｅＺｈａｎｇＸｉＦａｎＣｈｅｎｑｉｎｇＭｅｎｇＪｕｎｍｉｎ
Hale Waihona Puke （ＦｉｒｓｔＩｎｓｔｉｔｕｔｅｏｆＯｃｅａｎｏｇｒａｐｈｙ，ＳｔａｔｅＯｃｅａｎｉｃＡｄｍｉｎｉｓｔｒａｔｉｏｎ，Ｑｉｎｇｄａｏ２６６０６１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：ＳｙｎｔｈｅｔｉｃＡｐｅｒｔｕｒｅＲａｄａｒ（ＳＡＲ），ａｎｉｍｐｏｒｔａｎｔｅａｒｔｈｏｂｓｅｒｖａｔｉｏｎｓｅｎｓｏｒｊｈａｓｂｅｅｎｕｓｅｄｉｎａｗｉｄｅ

基于极化雷达影像的海岛礁提取

基于极化雷达影像的海岛礁提取张现峰;张永红;仲伟凡【摘要】提出了一种利用RADARSAT-2全极化SAR影像和极化特征参数提取精确的海岛礁范围的技术方法.极化特征熵参数描述了目标散射的随机性,与海水相比海岛礁处于较高的去极化状态,因此海岛礁的熵值明显大于海水的熵值.首先本文利用EM(Expectation Maximization,最大数学期望)算法自动计算的提取海岛礁最佳阈值对熵参数文件进行阈值分割,得到海岛礁的初始分割结果.由于受到船只和海水表面波浪的影响,海水部分也会存在与海岛礁近似的熵值.因此初步阈值分割得到的海岛礁结果会有部分海水和船只等,利用PSNR(Peak value signal-to-noise ratio,峰值信噪比)提取海水大致范围并剔除海水范围内初始分割结果中的噪声部分.最后根据TM影像提取的海岛礁范围进行精度评价,实验结果表明该技术方法能够从极化SAR影像上准确提取海岛礁范围.%This paper proposes a method of delineating the sea island in RADARSAT-2 polarimetric SAR image. The polarimetric parameter of entropy generated from Cloud's Decomposition Algorithm describes the randomness of targets' scattering. Compared with sea water, the islands show higher polarimetric entropy due to their strong depolarization effect. Therefore, the islands are initially extracted from the entropy value using a threshold. and the threshold value is determined with the Expectation Maximization (EM) method. But,vessels and sea waves may bring in a false alarm because they could also present a similarly high entropy value as island. To exclude these false alarms, this paper used PSNR (Peak Value Signal-to-Noise Ratio) to extract approximate range of the sea water,then using the range of sea water to eliminate the noiseparts in the initial segmentation result. Finally,the sea island extracted result from TM image is used to evaluate the proposed method,and the experiment result shows that it can achieve the accurate extraction of the sea islands from the polarimetric SAR image.【期刊名称】《遥感信息》【年(卷),期】2012(027)003【总页数】6页(P34-39)【关键词】极化雷达影像;EM算法;峰值信噪比;阈值分割;海岛礁提取【作者】张现峰;张永红;仲伟凡【作者单位】中国测绘科学研究院,北京100830;山东科技大学,青岛266510;中国测绘科学研究院,北京100830;中国测绘科学研究院,北京100830【正文语种】中文【中图分类】TP79我国是一个海洋大国，在海洋中有各类海岛礁12000多个，准确地测定海岛礁的位置和地理信息，对我国的国家安全、领土完整和海洋开发都有着重要的现实意义和战略价值（周瑜等，2010）。

Radarsat-2全极化数据在湖泊水质监测中的应用——以江苏省苏州市四大湖泊为例

Radarsat-2全极化数据在湖泊水质监测中的应用——以江苏省苏州市四大湖泊为例曹仕;蔡乐;吴盛;黄敏【期刊名称】《安徽农业科学》【年(卷),期】2016(000)003【摘要】[目的]探索一种优良的大范围监测湖泊污染的方法.[方法]以江苏省苏州市周边四大淡水湖泊(太湖(东岸水域)、阳澄西湖、金鸡湖以及独墅湖)为试点,采用随机采点的方法,利用Radarsat-2全极化数据对不同物理散射机制的反映,对湖泊水体散射情况及其所含悬浮颗粒物浓度进行监测.[结果]苏州市四大湖泊基本类属于中熵区的3、4、5类散射机制(即中熵多次散射、中熵偶极子散射以及中熵表面散射),其中熵偶极子散射类在各大湖泊区域内所占比例高达65.0％以上,说明四大湖泊水体主体较为浑浊,悬浮颗粒物较多,其中独墅湖66.6％、阳澄西湖66.7％、太湖68.3％、金鸡湖73.3％.四大湖泊中水体水质最优的是独墅湖,其次为阳澄西湖、太湖,最劣为金鸡湖.[结论] Radarsat-2全极化数据不仅可以应用于湖泊水体污染研究,还可以进一步反映水体中各要素的分布状况,在水环境污染研究方面具有很大的潜力.【总页数】4页(P194-197)【作者】曹仕;蔡乐;吴盛;黄敏【作者单位】湖南省第二测绘院,湖南长沙410000;湖南省第二测绘院,湖南长沙410000;湖南省第二测绘院,湖南长沙410000;湖南省第二测绘院,湖南长沙410000【正文语种】中文【中图分类】S181【相关文献】1.基于Radarsat-2全极化数据的张掖地区土壤水分的反演 [J], 王睿馨;宋小宁;马建威;孙川2.RADARSAT-2全极化 SAR 数据地表覆盖分类 [J], 程千;王崇;张继超3.基于Radarsat-2全极化数据的多种雷达植被指数差异分析 [J], 梅新;聂雯;刘俊怡4.基于Radarsat-2全极化数据的张掖地区土壤水分的反演 [J], 王睿馨;宋小宁;马建威;孙川;;;;5.RadarSat-2全极化数据土地覆盖分类精度评价 [J], 杨靖;曹永锋因版权原因，仅展示原文概要，查看原文内容请购买。

深度学习方法用于遥感图像处理的研究进展

深度学习方法用于遥感图像处理的研究进展罗仙仙;曾蔚;陈小瑜;张东水;庄世芳【摘要】深度学习是当前机器学习与人工智能研究热点,深度学习方法用于遥感图像处理取得快速发展.首先简要介绍现有遥感数据源及其非监督与监督分类方法.在总结深度学习典型方法及其最新演化模型基础上,分析了深度信念网络、卷积神经网络、自动编码器在遥感图像处理中的国内外研究现状.针对当前应用现状与存在问题,指出今后研究方向:一方面要适应智能化遥感图像处理的发展趋势,加强算法理论研究,尤其人机协同工作、典型方法应用与修正、新模型拓展与应用;另一方面针对遥感大数据的应用需求,应加强遥感数据集建设、构建行业统一遥感大数据监测平台.【期刊名称】《泉州师范学院学报》【年(卷),期】2017(035)006【总页数】7页(P35-41)【关键词】遥感;深度学习;图像处理【作者】罗仙仙;曾蔚;陈小瑜;张东水;庄世芳【作者单位】泉州师范学院数学与计算机科学学院,福建泉州 362000;福建省大数据管理新技术与知识工程重点实验室,福建泉州 362000;智能计算与信息处理福建省高等学校重点实验,福建泉州 362000;泉州师范学院数学与计算机科学学院,福建泉州 362000;福建省大数据管理新技术与知识工程重点实验室,福建泉州362000;智能计算与信息处理福建省高等学校重点实验,福建泉州 362000;泉州师范学院资源与环境科学学院,福建泉州 362000;湖南科技大学资源环境与安全工程学院,湖南湘潭 411201;泉州师范学院数学与计算机科学学院,福建泉州362000;福建省大数据管理新技术与知识工程重点实验室,福建泉州 362000;智能计算与信息处理福建省高等学校重点实验,福建泉州 362000【正文语种】中文【中图分类】TP39121世纪以来，以对地观测技术为核心的空间地球信息科技已经成为一个国家科技水平、经济实力和国家安全保障能力的综合体现[1].遥感，作为采集地球数据及其变化信息的重要技术手段，被广泛应用于全球气候变化研究、航空航天、军事指挥、环境监测和国土资源调查等领域，遥感数据源向高光谱分辨率、高空间分辨率和高时间分辨率的方向发展.遥感技术的快速发展与广泛应用，使得遥感大数据逐步成为研究自然环境与社会经济的重要技术途径，已成为智慧城市发展的重要支撑.目前，影响遥感图像处理结果主要有两个影响因素:一是遥感数据源的质量，二是遥感图像处理方法，包括遥感图像预处理与分类方法.综合提取多种遥感影像特征并提高计算机自动解译精度，是遥感图像自动解译的一个发展方向.深度学习是人工智能研究的一个重要分支，由加拿大多伦多大学Hinton教授于2006年提出的一种有效的特征提取及分类方法[2]，被应用到语音识别、图像识别、计算机视觉等领域，并取得了良好的效果.Google、Facebook、微软、百度、腾讯以及其他创业公司都在使用深度学习做到顶级的智能识别实用精度.深度学习方法能够自动进行特征提取，越来越多应用遥感领域.本文总结深度学习方法用于遥感图像处理中的研究成果，指出当前研究存在问题，展望今后发展趋势，以期为拓展深度学习在不同行业遥感应用提供参考.1 遥感数据源及其分类方法1.1 遥感数据源遥感影像记录的是观测区在某一时间内地物的电磁波辐射，其亮度值反映了地物的辐射光谱能量的特征，其纹理特征反映了地物的光谱结构特征[3].目前，常用的遥感卫星影像数据有Landsat、Spot、NOAA、Quickbird、IKONOS、ASTER等.不同类型的遥感影像数据具有不同的空间分辨率、光谱分辨率、辐射分辨率、时间分辨率，其信息提取精度也就不同，从而适应于不同的研究尺度及不同的研究领域.如NOAA气象卫星，其空间分辨率低，但实时性强，因而常用于洲级或全球范围尺度的土地利用/土地覆盖、海洋的遥感变化研究；而Landsat卫星系列影像，其最低空间分辨率为30 m，在中尺度的资源环境、生态效益等的综合调查及监测，具有明显的经济与技术优势.1.2 遥感图像分类方法1.2.1 非监督分类非监督分类又称边学习边分类，它的前提是假定遥感影像上同类物体在同样条件下具有相同的光谱信息特征.非监督分类不必对影像地物获取先验知识，仅依靠影像上不同种类的地物光谱信息特征进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认[4].非监督分类方法有：K均值、ISODATA方法等.研究者对非监督分类产生的类别较难控制，并不一定是研究者想要的，因而还必须与想要的类别匹配，结果不一定理想.1.2.2 监督分类监督分类是一种常用的精度较高的统计判别分类，又称为训练区分类.监督分类是先选择具有代表性的典型训练区，用从训练区中获取的地物样本的光谱特征来选择特征参数、确定判别函数或判别规则，从而把影像中的各个像元划归到各个给定类的分类方法[3-4].这种方法要求对所要分类的地区必须要有先验的类别知识，即先要从所研究地区中选择出所有要区分的各类地物的训练区，用于建立判别函数.常用的监督分类方法有：K近邻法、马氏距离分类、最大似然法等方法.2 深度学习典型方法、演化模型与经典遥感数据集深度学习通常是指超过三层的神经网络模型[5]，模仿人类大脑的层次结构，是一组尝试通过使用体系结构的多个非线性变换组成模型中数据的高级抽象机器学习算法.在深度学习结构中，每个中间层的输出可以视为原始输入数据的表征.每一层使用由前一层生成的表征作为输入，并生成新的表征作为输出，然后传到更高的层.底层的输入是原始数据，最后一层的输出为最终的低维特征.这一特征学习的过程是从低层到高层特征自动的提取.深度学习典型方法包括限制玻尔兹曼机(restricted Boltzmann machines，RBM)、深度信念网络(deep belief network，DBN)，卷积神经网络(convolution neural network，CNN)和自动编码器(auto encoder，AE)等[6].新型深度学习方法包括递归神经网络(recurrent neural network，RNN)及其变种模型长短时记忆模型(long short-term memory，LSTM)、生成对抗网络(generative adversarial nets，GAN)等.RNN中具有反馈机制，每层神经元的输入包括前一层神经元的输出、自身在上一时间点的输出，使得RNN对序列数据具有较好处理能力，被广泛应用于语音识别、自然语言处理等.GAN由Goodfellow等提出.GAN同时训练两个相互对抗的模型，一个是生成模型G，另一个是判别模型D.生成模型G负责生成服从真实样本分布的假样本，判别模型D负责对输入的样本进行二分类判别，即尽量正确识别出是真实样本还是假样本.GAN的训练过程是一个极大极小博弈问题，在训练过程中，固定其中一个模型，更新另一个模型的权重，双方不断优化，从而形成对抗关系，直至达成纳什均衡.目前，GAN主要应用于图像、语音及语言生成.2.1 深度信念网络限制玻尔兹曼机是一种典型神经网络，具有两层结构，一层为可视层，另一层为隐层.可视层是数据输入层，隐层是特征提取层.层间全连接，层内无连接[7].预训练采用无监督贪心逐层方式来获取生成性权值，使用梯度下降的方法训练避免局部最小的情况，如对比散度、连续对比散度算法等.深度信念网络通过多层的RBM和一层分类器组成.其训练过程分为两步.第一步是对DBN进行网络预训练，即自下而上对每层的RBM进行无监督学习.第二步是网络微调，即自上向下的监督学习.此时使用的训练集是有标签的训练集，训练算法是标准的误差反向传播算法.对无监督学习阶段得到的特征信息进行总结、归纳、取舍，最后达到一个较好的识别水平.2.2 卷积神经网络卷积神经网络是当前应用较为广泛一种，其低隐含层由卷积层、池化层(降采样层)交替组成，高层通常由全连接层作为分类器使用[8].卷积层进行线性操作，负责特征提取，通常为组合卷积，其参数包括卷积核数量、核尺寸、步长、填充方式等；卷积层后加一个激活函数，通常是非线性激活函数，如Sigmoid、Tanh、ReLU，进行非线性操作，减轻梯度消失问题；池化层在于减少特征图尺寸规模，增强特征对于旋转和变形的鲁棒性；全连接层全负责推断与分类.卷积神经网络不断改进与优化，演化模型分别是Caffenet、AlexNet、VGG、GoogleNet、ResNet、ResNeXt，CNN进化网络比较见表1.从表可知，采取技术不断优化，网络深度扩大，Top-5错误率在减少.表1 CNN进化网络比较Tab.1 Comparison among evolutionary networks of CNN进化网络网络深度卷积层数全连接层数Top 5错误率/%ImageNetILSVRC竞赛时间主要技术AlexNet85316．40 2012年第一ReLU、最大池化、随机失活、局部响应归一化VGG191637．30 2014年第二核分解、随机失活GoogleNet(V1)222116．70 2014年第一InceptionV1：取消全连接层、2个辅助分类器InceptionV2：批归一化InceptionV3：非对称卷积、取消浅层的辅助分类器ResNet15215113．57 2015年批归一化近年来，以卷积神经网络为基础拓展的网络不断改进与优化.2014年,Ross等提出的区域卷积神经网络(region-based CNN，R-CNN)[9]用于图像检测，主要使用选择性搜索方法生成大量候选区域，便于后续高维特征形成，但训练时间长.空间金字塔网络(spatial pyramid pooling networks，SPP-Net)对此进行2大改进，一是引入空间金字塔池化层，二是放宽输入图像尺寸限制，所有区域共享卷积计算.但SPP-Net需要存储大量特征和复杂的多阶段训练.在SPP-Net基础上，2015年Ross等提出了Fast R-CNN[10]，引入2个新技术，一是感兴趣区域池化层，二是多任务损失函数.同年，Ren等提出Faster R-CNN[11]，用区域提议网络(regional proposal network)取代选择性搜索方法，解决了计算区域提议时间开销大的瓶颈问题.2015年,Long等提出的用于图像语义分割的全卷积神经网络(fully convolutional neural networks，FCN)[12]，该网络所有层都是卷积层，并采取反卷积/逆卷积/去卷积(Deconvolution)操作，将低分辨率图片进行上采样，生成同分辨率的分割图片.2016年,Dai等提出区域全卷积神经网络(R-FCN)[13].2.3 自动编码器自动编码器由编码器和解码器两部分组成.编码器将输入数据映射到特征空间，解码器将特征映射回数据空间，完成对输入数据的重建.自动编码器演化模型包括栈式自动编码器、去噪自动编码器、稀疏自动编码器、收缩自动编码器等.2.4 典型遥感数据集当前，深度学习用于遥感图像处理中的典型数据集见表1，多数为高光谱遥感数据集，最常用的为印第安纳西北部的印第安纳农场数据集和意大利帕维亚大学数据集.在数据集中，多数在美国，我国数据集建设尚处空白.同时，由于深度学习方法训练与测试需要大量样本数据，实际应用微乎其微.表2 典型遥感数据集Tab.2 Typical data sets of remote sensing类型波谱范围/μm波段数物体类别数像素大小空间分辨率/m美国印第安纳州印第安纳农场(IndianPines)0．4～2．522416144×14420意大利帕维亚大学(UniversityofPavia)0．43～0．861159610×3403．7美国加州大学默塞德分校(UCMerced)//21256×2560．3美国加州萨利纳斯谷(Salinas)/22019512×2171．3美国佛罗里达州的混合植被图(KSC)0．4～0．2522413512×614183 深度学习在遥感图像处理中的应用现状深度学习能从原始数据自动进行特征学习，通过多层非线性网络逼近复杂分类问题，从海量的大数据中寻找和发现图像目标的内部结构和关系.深度学习应用于遥感图像处理尚处于起步阶段，用于高分辨率遥感与高光谱遥感影像居多，少数用于无人机；应用方法集中在DBN、CNN、SAE.3.1 深度信念网络在遥感图像处理中的应用现状目前深度信念网络应用遥感数据主要有高光谱遥感、合成孔径侧视雷达、高分辨率遥感，但主要是经典数据集，需要进一步拓展不同遥感数据应用、不同行业应用.从网络参数看，最优隐藏层数集中于2～3层，且3层较多.受输入与输出大小影响，各隐藏层的节点数差异较大，幅度在50～500之间，部份研究尚未探讨节点数对分类精度影响；绝大多数学习率是0.01和0.1.从分类结果看，多数分类精度达到90%以上，大大超出常规目视解译、专家检验和多次纠正分类结果.从具体应用层面看,吕启等首次利用深度信念网络应用于极化合成孔径雷达图像(Radarsat-2)分类中，当层数为3、各隐含层节点数为64时，总体分类精度最高，达到77%，好于支持向量机与传统神经网络方法[14].陈雨时等[15]首次利用深度信念网络方法进行高光谱遥感图像特征提取，顶层采取逻辑回归的分类方法，研究提出纯光谱特征、空间特征、谱域-空域特征高光谱数据分类方法，研究提出的DBN-LR分类精度好于SVM方法.刘大伟等利用深度信念网络对美国佐治亚州亚特兰市北部一住宅小区的高分辨率影像(Resurs Dk1) 的6种地类进行分类研究[16].邓磊等利用深度信念网络对美国旧金山地区的NASA/JPL AIRSAR系统C波段极化SAR图像的6种地类进行分类研究，提取极化类、辐射类、空间类和子孔径类特征共267个作为DBN输入，人工均匀选取2×104个像素点作样本，研究表明分类特征增加提高分类精[17].李新国等则利用空间特征进行样本扩充，采用自编码器和主成分分析进行数据降维，利用DBN对高光谱的Salinas和PaviaU两个数据集，提高分类精度.每类地物选取约1 000个像素点，其中2/3样本用于无监督训练，1/3样本用于有监督微调；通过非下采样轮廓波变换提取纹理特征，同时作为DBN的输入，提高高分辨率遥感分类精度.当隐含层数为3，节点数为56时，总体精度与Kappa系数达到最大，分别为81.2%和77.2%[18].高鑫等提出一种基于改进的扩散平滑方法，利用图像的二阶偏导数和梯度共同控制扩散速度，并针对不同区域使用自适应扩散系数对高光谱图像进行去噪，再利用DBN对Indian Pines高光谱数据集进行分类，结果好于未去噪的DBN方法[19].3.2 卷积神经网络在遥感图像处理中的应用现状1989年LeCun等提出了一种用于字符识别的卷积神经网络LeNet-5[20]，该网络使用7层神经层，识别对象是MNIST手写字符库，识别结果达到了当时的顶尖水平[21].曲景影等在传统LeNet-5网络结构的基础上，引入ReLU激活函数，提出了基于矩阵乘法的卷积展开技术优化模型(matrix multiple CNN，MMCNN)，并应用于高分辨率遥感图像(quick bird)的5类对象识别.同时，探讨学习率、网络层数、各层滤波器数量和大小对分类结果影响.实验表明，学习率为0.01，卷积层和采样层为4，卷积核大小分别是21×21、17×17、卷积核数量6和12时效果最好，总体精度达到91.196%，优于其他方法[22].曹林林等把CNN应用于昆明城区2007年高分辨率遥感图像(quick bird)地表7种类型划分，总体精确达98.21%[23].陈文康把CNN应用于四川省丹棱县内无人机遥感影像农村建筑物识别研究发现，池化层置于归一层前面有利提高建筑物提取精度[24].杜敬先利用最大稳定极值区域对无人机遥感影像进行影像分割得到待识别目标子区，然后采用共7层CNN模型(1层输入层、2层卷积层、2层采样层、1层全连接层、1层输出层)对水体进行识别，识别率达到95.36%[25].王万国等基于Caffee框架实现了Faster R-CNN的多旋翼无人机和直升机巡检图像3类小型电力部件(间隔棒、防震锤、均压坏)识别，准确率达92.7%[26]，并探讨了随机失活比例、最大迭代次数、批处理尺寸、非极大值抑制前后区域保留个数对平均准确率均值影响.Liang等结合稀疏表示理论和CNN对Indian Pines和PaviaU两个高光谱数据集进行研究，探讨CNN最优配置结构[27].Scott等利用迁移学习和3种CNN网络(CaffeNet、GoogleNet、ResNet50)对高分遥感数据集进行研究，取得较好研究结果[28].为克服标签样本不足，采用数据扩充技术，主要对遥感原始图像进行水平、垂直镜像，分别对原始图像、镜像图像进行0°,7°,90°,97°,180°,187°,270°,277°等7个方向旋转.Nogueira等采用3种训练策略(全训练、微调、特征提取方法)对6类CNN(Overfeat,AlexNet,CaffNet,GoogleNet,VGG16,PatreoNet)进行3个遥感数据集研究，研究结果表明微调是最优训练策略，并取得这3数据集最好的分类精度[29].在CNN演化模型应用方面，Maggiori等利用全卷积神经网络(4层卷积层、1层去卷积层)对马萨诸塞州的建筑集进行建筑与非建筑2种类型分类，训练数据340 km2、测试数据22.5 km2，从精度与计算时间指标上，均好于传统方法[30].Fu等利用膨胀卷积(atrous convolution)、跳层结构(skip-layer structure)和条件随机场(conditional random fields)改进了全卷积神经网络，并应用于高分辨率遥感，取得较好结果[31].但是，全卷积神经网络没有利用低层卷积层特征，对小而复杂的地物识别时效果不佳.Wang等提出门控分割网络(gated segmentationnetwork，GSN)用于高分辨遥感图像语义分割[32].门控分割网络包含编码器和解码器两个部份.在编码器部份，采用了残差网络(ResNet-101)作为特征提取，在解码器部份，采用了熵控制模块(entropy control module，ECM)作为特征融合. 3.3 自动编码器在遥感图像处理中的应用现状林洲汉较早应用自动编码机进行高光谱数据特征提取，好于传统特征提取方法.并提出了一种基于PCA变换与像素邻域的空间信息占优的提取方法，研究表明，融合光谱特征与空间信息占优的特征所形成的空谱联合分类对分类精度改进是有效的[33].Liu等构建了wacDAE(小波深度自动编码器)对光学遥感图像进行山崩自然灾害分类研究，该网络先进行小波变换和去噪等预处理，包含1个输入层、2层隐藏层和1层输出层，隐藏层节点数固定为100.700张遥感图像作为训练集、500张遥感图像作为测试集.实验结果表明,wacDAE有利于山崩识别[34].阚希等利用层叠去噪自动编码器和风云三号卫星(FY-3A/VIRR)对青藏高原积雪进行识别，把10个光谱通道和4个地理信息要素作为输入层，采用三隐藏层结构(第1、2、3隐藏层单元数分别为80、10、3)和Softmax分类器对云、积雪、无雪地物进行识别，年平均精度达93.96%.研究指出根据青藏高原特征，需要进一步训练季节性的积雪判识的深度网络，以提高整体分类精度[35].张一飞等利用栈式去噪自动编码器和高分一号遥感对湖北省蕲春县土地覆盖8种类型进行分类，在自动编码器的基础上，对训练数据随机置0方式加入噪声，增强无监督训练过程的鲁棒性，实验结果表明，当隐藏层数目为2，每层单元数为180，去噪系数为0.2时分类性能最优[36].Wang等把主成分分析方法和导向滤波融合到自动编码器中，构建了GF-FSAE模型对高光谱数据集PaviaU和Salinas进行测试，实验结果该模型好于传统SAE和SAE-LR方法[37].4 深度学习用于遥感图像处理中存在问题与发展趋势4.1 算法理论的深入研究深度学习网络结构趋势向更深、更宽方向发展，但网络结构选取目前尚没有完善的理论依据.而网络结构是影响遥感图像分类精度的重要参数，如何找到最合适的网络结构？不同隐藏层对遥感图像特征提取的物理意义是什么？如何理解深度学习中各参数变化对分类结果影响?能否找到不同遥感数据源具备一定分类性能的网络结构？如何进一步进行遥感图像多任务问题解决，例如遥感图像描述与智能回答.这是迫切需要回答的问题.4.2 典型方法的应用与修正深度学习中典型方法在遥感领域应用有初步成果，一方面需要利用现有成果进行遥感图像处理规范建设.例如，如何均值处理、归一化、大小调整来进行遥感数据规范.另一方面，也要巩固现有成果进行技术标准化研究.如，使用修正的非线性激活函数ReLU函数解决训练速度慢；采取随机失活dropout技术和权重衰减方法防止过拟合问题；采用随机梯度下降方法解决梯度消失问题.同时，已有的优化模型可否直接应用于不同遥感数据源处理？若是借鉴，如何修改？改哪里？新的参数如何确定？若是重新设计，新网络结构是什么？各种网络如何合作并发挥各网络功能进行智能化处理？为什么这种结构可以用？如何更好人机合作提高遥感图像处理精度与效率？4.3 新模型的拓展与应用典型方法应用仅局限于经典几个数据集研究当中，实际应用成果较少，尚未见文献报道有新的模型应用于遥感图像处理中.如何将区域神经网络应用于遥感图像分类、定位以及相关物体检测，将有利于自然灾害监测、军事指挥等领域；如何利用递归神经网络以及长短时记忆模型的记忆功能，应用于遥感图像动态监测中，如何应用综合网络于不同遥感图像融合并提高识别精度?这些值得遥感领域学者进一步研究，拓展深度学习应用领域与研究方向.4.4 遥感大数据监测平台的建设由于遥感数据源丰富、获取速度快、更新周期短、应用范围广、时效性强，因此，针对某一行业特点，迫切需要建立行业统一遥感大数据监测平台，将海量多源异构遥感大数据集成到该平台中.一方面，加强用于训练与测试的遥感数据集建设，侧重研究遥感数据扩充技术，例如两个对抗深度网络可以产生各式各样的样本，提高训练与测试样本量，提高泛化能力.另一方面，探索小样本甚至零样本学习问题；探索有效的可并行训练算法，减少深度学习训练时间，必定促进全球尺度遥感大数据监测.参考文献：[1] 何国金，王力哲，马艳，等．对地观测大数据处理：挑战与思考[J]．科学通报，2015，60：470-478．[2] HINTON G E,SALAKHUTDINOV R R．Reducing the dimensionality of data with neural networks[J]．Science，2006，313(5786)：504-507．[3] RICHARDS J A,JIA X P．Remote sensing digital image analysis[M]．New York：Springer-Verlag,1999:229-239．[4] 梅安新，彭望碌，秦其明,等.遥感导论[M]．北京：高等教育出版社，2006：196-201．[5] ETHERN Alpaydin．Introduction to machine learning[M]．London:The MIT Press，2014:436-444．[6] 余凯，贾磊，陈雨强，等．深度学习的昨天、今天和明天[J]．计算机研究与发展，2013，50(9)：1799-1804．[7] 余滨，李绍滋，徐素霞，等．深度学习：开启大数据时代的钥匙[J]．工程研究，2014，6(3)：233-243．[8] YANN LeCun,YOSHUA Bengio,GEOFFREY Hinton．Deeplearning[J]．Nature，2015，521(7663)：436-444．[9] GIRSHICK R,DONAHUE J,DARRELL T,et al.Rich feature hierarchies for accurate object detection and semantic segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and PatternRecognition,2014:580-587.[10] GIRSHICK R.R-CNN[C]//IEEE International Conference on Computer Vision,2015:1440-1448.[11] REN S Q,HE K M,GIRSHICK R,et al.Faster R-CNN:towards real-time object detection with region proposal networks[C]//International Conference on Computer Vision，2016.[12] LONG J,SHELHAMER E,DARRELL T.Fully convolutional networks for semantic segmentation[J].IEEE Conference on Computer Vision and Pattern Recognition,2015，79(10)：1337-1342.[13] DAI J F,LI Y,HE K M,et al.R-FCN:Object detection via region-based fully convolutional networks[C]//International Conference on Computer Vision，2016.[14] 吕启，窦勇，牛新，等．基于DBN模型的遥感图像分类[J]．计算机研究与发展，2014，51(9)：1911-1918．[15] CHEN Y S,ZHAO X,JIA X P.Spectral-spatial classification of hyperspectral data based on deep belief network[J].IEEE Journal of Selected Topics in Applied Earth Observations and RemoteSensing,2015:1-12.[16] 刘大伟，韩玲，韩晓勇．基于深度学习的高分辨率影像分类研究[J]．光学学报，2016，36(4)：1-9．[17] 邓磊，付姗姗，张儒侠．深度置信网络在极化SAR图像分类中的应用[J]．中。

一种结合散射相似性和Wishart的极化SAR图像分类方法

一种结合散射相似性和Wishart的极化SAR图像分类方法贺婷婷;谭维贤;黄平平;徐伟;胡楚锋【摘要】针对基于H/α平面的目标分类方法运算量偏大的缺点,本文提出了一种结合散射相似性和Wishart的极化合成孔径雷达图像分类方法,提升了数据处理效率.该方法使用参数替代,将目标相干矩阵进行归一化,得到和H/α相似的分类效果,且避免计算特征值和特征向量,从而大幅提高了分类效率;通过结合Wishart迭代分类器进行分类来提升分类效果.最后通过对Radarsat-2卫星获取的黄河冰凌区域进行地物分类实验验证了本文方法的有效性,且该方法具有更好的运算效率和地物分类效果.【期刊名称】《信号处理》【年(卷),期】2019(035)005【总页数】7页(P904-910)【关键词】极化合成孔径雷达;地物分类;散射相似性;Wishart【作者】贺婷婷;谭维贤;黄平平;徐伟;胡楚锋【作者单位】内蒙古工业大学信息工程学院,内蒙古呼和浩特010051;内蒙古自治区雷达技术与应用重点实验室,内蒙古呼和浩特010051;内蒙古工业大学信息工程学院,内蒙古呼和浩特010051;内蒙古自治区雷达技术与应用重点实验室,内蒙古呼和浩特010051;内蒙古工业大学信息工程学院,内蒙古呼和浩特010051;内蒙古自治区雷达技术与应用重点实验室,内蒙古呼和浩特010051;内蒙古工业大学信息工程学院,内蒙古呼和浩特010051;内蒙古自治区雷达技术与应用重点实验室,内蒙古呼和浩特010051;西北工业大学无人机特种技术重点实验室,陕西西安710065【正文语种】中文【中图分类】TN957.521 引言合成孔径雷达(Synthetic Aperture Radar)图像分类是遥感图像分类的不可或缺的一部分,是PolSAR图像解译的重要研究内容[1]。

SAR图像区别于光学图像,难以直观解译,PolSAR图像包含了丰富的地物信息,如地物的几何形状、结构等[2]。

基于反射对称性的极化SAR舰船目标CFAR检测

基于反射对称性的极化SAR舰船目标CFAR检测牛敏;王肖洋;高贵【摘要】Reflection symmetry is a very importance property in polarization scattering. The correlation between the co⁃pola⁃rization channel and cross⁃polarization channel is described by reflection symmetry detection,it has important application in po⁃larization synthetic apertureradar(PolSAR)target detection. Based on complex Wishart distribution and combined with product model,it is inferred that the statistic model of the reflection symmetry detection quantity obeys K⁃distribution. The measured da⁃ta verified that good fitting effect of the clutter data is achieved by using the proposed model. Ship target detection is implemen⁃ted by the method of constant false alarm rate(CFAR)based on K⁃distribution model,and the experiment results verify the effi⁃ciency of the proposed detection.%反射对称性是极化散射中十分重要的一种性质。

遥感测绘论文题目GIS测绘学论文题目测绘工程论文题目选题大全毕业论文开题报告参考文献

耕地土壤有机质与速效氮磷钾含量高光谱遥感反演研究经验模态分解在高光谱遥感数据处理中的应用面向对象的高分辨率遥感影像的分割与分类研究多极化星载 SAR 森林覆盖变化检测方法研究多特征融合的遥感影像变化检测方法研究近 30 年上海海岸带土地利用变化分析与建模预测基于矩阵对数累积量和非局部均值方法的极化 SAR 噪声抑制基于高光谱数据的最大羧化速率遥感定量反演高分辨率遥感影像道路网提取及变化检测基于高分辨率遥感影像的城区建筑物提取方法研究基于高分辨率遥感影像的团场小城镇土地利用变化分析与预测研究面向对象的草原植被参数反演方法及应用基于多特征的面向对象高分辨率遥感图像分类定标缺失情况下的高光谱图像分类研究基于多波段多极化 SAR 数据的草原地表土壤水分反演方法研究粒子群优化算法在多时相遥感影像变化检测中的应用研究基于 Sentinel-1 和 Landsat 8 数据的潮间带盐沼湿地分类研究高分辨率遥感影像面向对象的绿地信息提取方法研究基于 HJ-1A HSI 高光谱遥感数据的湟水流域典型植被分类多源遥感图像融合技术研究基于 CVA 与光谱解混的高光谱图像变化检测研究小麦茎基腐与全蚀病高光谱遥感识别研究基于 Sentinel-1 的近岸海表风场反演研究雷达卫星 TerraSAR-X 精准测距高原湿地水位反演研究基于数据挖掘技术的航摄影像土地利用变化检测研究基于深度神经网络的遥感图像变化检测基于多空间分辨率遥感数据的山区土地利用/土地覆被分类及变化检测基于图谱理论的遥感图像分类方法研究高光谱遥感协同处理黑刺沟岩矿蚀变信息方法研究基于多核学习的高光谱遥感影像分类方法研究
遥感测绘论文题目 GIS 测绘学论文题目测绘工程论文题目选
题大全毕业论文开题报告参考文献目录
一、选题技巧............................................................................................................................................1 二、热词分布............................................................................................................................................2 三、测绘学论文题目大全....................................................................................................................... 2 四、知网万方等如何利用................................................................................................................... 104

基于H／A／α-Wishart分类的极化SAR图像船只检测

基于H／A／α-Wishart分类的极化SAR图像船只检测杨慧;吴祥;张建;尚晓波【摘要】Target decomposition is an important method for ship detection in polarimetric SAR imagery , but the contrast between ship and sea descends in different parameters that deduced from coherence matrix decomposition.Different parameters reflected different scattering properties of target .Therefore, this paper proposed a based on H/A/α-Wishart unsupervised classification method to detection in polarimetric SAR imagery.The experimental results show that this method detects ship targets more precisely and reduces false alarms effectively .%虽然目标分解已经是极化SAR图像进行船只检测的重要方法，但是在相干矩阵分解得到的不同参数下并不能将船只和海洋等背景准确的完全区分，不同的参数反映了目标的不同散射特性。

因此，该文提出了一种基于H/A/α分解的Wishart非监督分类的极化SAR图像船只检测的方法。

实验结果表明，该方法能够有效地检测出目标船只，并能有效地减少虚警。

【期刊名称】《杭州电子科技大学学报》【年(卷),期】2013(000)006【总页数】4页(P142-145)【关键词】极化合成孔径雷达;船只检测;目标分解;非监督分类【作者】杨慧;吴祥;张建;尚晓波【作者单位】杭州电子科技大学信息与控制研究所，浙江杭州310018;杭州电子科技大学信息与控制研究所，浙江杭州310018;杭州电子科技大学信息与控制研究所，浙江杭州310018;杭州电子科技大学信息与控制研究所，浙江杭州310018【正文语种】中文【中图分类】TP751.10 引言随着极化合成孔径雷达(Synthetic Aperture Radar，SAR)图像处理技术的发展，利用极化SAR图像进行舰船检测，已经成为海洋遥感领域的重要应用。

RADARSAT-2雷达卫星影像产品及其应用

33
三、 MDA及RADARSAT系列卫星情况介绍
34
RADARSAT-1 发射时间重量设计寿命频率空间分辨率极化方式视向轨道高度重访周期 1995年 2013年进入安全模式 2750 kg 5年 C波段， 5.3 GHz 10 to 100 米 HH 右视 800 公里 24 天
13
波长越长，穿透性越强
14
雷达遥感卫星的发展阶段
过去现在
SIR-C NASA/JPL(USA)/1994 L,C-Band
TerraSAR/DLR/Airbus/2007 X-Band
Sentinel-1-ESA/2014.4 C-Band
ENVISAT/ASR/ESA(EU)/2002 C-Band
RADARSAT雷达卫星影像产品体系及其应用优化
北京揽宇方圆信息技术有限公司
提纲
一、雷达卫星遥感的优势及发展二、雷达影像的成像原理及典型地物特征三、MDA及RADARSAT系列卫星情况介绍四、RADARSAT-2产品体系及产品级别五、RADARSAT-2产品应用优化六、常用SAR处理软件七、总结
•
The arrows indicate the location of the river channels. The river channel in Area 1 is about 20 m wide, and the river channel in Area 2 is about 17 m wide.
39
四、 RADARSAT-2产品体系及产品级别
波束模式
40
波束模式范围示意
• • • •
SLA
QP
• • •

Radarsat_2四极化影像在河套灌区土壤含盐量反演中的应用的开题报告

Radarsat_2四极化影像在河套灌区土壤含盐量反演中的应用的开题报告一、研究背景河套灌区是中国北方干旱区最大的灌区之一，位于华北平原和内蒙古高原的交界处。

该地区主要是以灌溉农业为主，并且由于气候和土地条件的限制，该地区的耕作面积以粮食作物为主。

然而，由于引入了过多的地下水，导致灌溉土壤逐渐盐化，对当地的农业生产和环境造成了巨大的影响。

因此，对河套灌区土壤含盐量的分布和变化进行研究对于维护当地的生态平衡和经济发展至关重要。

传统土壤调查方法不仅时间和人力成本高昂，同时数据的空间分辨率和覆盖范围也有限。

因此，基于遥感数据的土壤含盐量反演研究越发受到了广泛的关注。

二、研究目的本研究旨在探讨Radarsat_2四极化影像在河套灌区土壤含盐量反演中的应用。

具体地，该研究将通过对Radarsat_2多极化雷达影像数据的处理和分析，反演出河套灌区土壤含盐量的空间分布。

通过对反演结果与实地采集数据的比较和分析，本研究将评估Radarsat_2四极化影像在河套灌区土壤含盐量反演中的可行性。

三、研究内容和方案1.多极化雷达影像数据获取本研究将采用Radarsat_2 C和角反射率数据。

通过定义区域和时间范围，从各个数据源获取所需的数据，包括原始遥感影像数据和坐标参考系统。

2.数据预处理和建模使用基本的影像处理技术（如图像校正、过滤噪声、辐射校正和纠正几何扭曲等）进行数据预处理。

然后，可以使用常见的土壤含盐量反演模型，如Wiener过滤器、支持向量机、反演分解方法等，在多极化雷达影像数据上反演土壤含盐量，并从结果中提取有用的参数。

3.反演结果验证和分析使用实地采样数据验证反演结果。

对反演结果和采样数据进行比较，以确定Radarsat_2四极化影像在土壤盐分测量中的精度。

可以使用多元统计分析方法和相关处理方法来对反演结果进行统计和分析。

四、研究意义本研究对于河套灌区土壤含盐量的反演研究具有重要意义。

通过使用遥感数据和反演模型，可以高效地获取土壤盐分的分布和变化信息。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Ａｂｓｔｒａｃｔ：Ｒｅｍｏｔｅｓｅｎｓｉｎｇｏｆｍａｒｉｎｅｓｕｓｐｅｎｄｅｄｐａｔｉｒｃｕｌａｔｅｍａｔｔｅｒｃｏｎｃｅｎｔｒａｔｉｏｎｉｓｉｍｐｏｒｔａｎｔｆｏｒｍｏｎｉｔｏｒｉｎｇａｎｄｍａｎａｇｉｎｇｍａｒｉｎｅｅｎｖｉｒｏｎｍｅｎｔｓ．ＢａｓｅｄｏｎｔｈｅｔｈｅｏｒｙｏｆＣｌｏｕｄｅ — Ｐｏｔｔｉｅｒｄｅｃｏｍｐｏｓｉｔｉｏｎａｎｄｂａｃｋｓｃａｔｔｅｒｅｄｒａｄｉａｔｉｏｎｍｅｃｈａｎｉｓｍ，ｔｈｅ
ｓｃａｔｔｅｒｉｎｇａｎｇｌｅ）ａｎｄｅｎｔｒｏｐｙ（，ｄｅｃｏｍｐｏｓｅｄｆｒｏｍｆｕｌｌｐｏｌａｒｉｍｅｔｒｉｃＳＡＲ（ｓｙｎｔｈｅｔｉｃａｐｅｒｔｕｒｅｒａｄａｒ）ｄａｔａｏｆＲａｄａｒｓａｔ－２，
度监测研究
曹仕，刘湘南，刘美玲，吴伶，周博天
１．中国地质大学（北京）信息工程学院，北京１０００８３；
２．湖南省地质环境监测总站，湖南长沙４１００００
摘要：海洋悬浮物浓度遥感监测对海洋环境监测与治理具有重要意义。以Ｒａｄａｒｓａｔ．２全极化ＳＡＲ（ｓｙｎｔｈｅｔｉｃａｐｅｒｔｕｒｅｒａｄａｒ）数据与珠江口东岸香港海域悬浮物实测数据为基础，利用微波散射机制与Ｃｌｏｕｄｅ．Ｐｏｔｔｉｅｒ理论探索平均散射角６ｃ和散射熵Ｈ等特征参数与海洋悬浮物浓度之间的关系，建立基于／－／－ａ细分类空间的海洋悬浮物浓度分布监测模型。研究结果表明，平均散射角。［和散射熵日与海洋悬浮物浓度之间存在着正相关关系，其相关系数分别为０．７９和０．８８。由此构建的Ｈ－ａ空间细分类模型可将悬浮物浓度分为４类，分别对应２０ｍｇ・Ｌ以上、１０ —２０ｍｇ・Ｌ－。、５
ｗｅｒｅｕｓｅｄｔｏｂｕｉｌｄａｍｏｄｅｌｆｏｒｒｅｔｒｉｅｖｉｎｇｓｕｓｐｅｎｄｅｄｐａｒｔｉｃｕｌａｔｅｍａｔｔｅｒｃｏｎｃｅｎｔｒａｔｉｏｎ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｇｏｏｄｐｏｓｉｔｉｖｅｒｅｌａｔｉｏｎｓｈｉｐｓｂｅｔｗｅｅｎ“ ａｎｄｔｈｅｃｏｎｃｅｎｔｒａｔｉｏｎｏｆｍａｒｉｎｅｓｕｓｐｅｎｄｅｄｐａｒｔｉｃｕｌａｔｅｍａｔｔｅｒａｎｄｂｅｔｗｅｅｎＨａｎｄｔｈｅｃｏｎｃｅｎｔｒａｔｉｏｎ，
—
１０ｍｇ・Ｌ以及５ｍｇ－Ｌ１以下的悬浮物浓度。经验证，该模型的分类精度达到９５．６％，远高于单独利用口或日的
分类效果，可以较好应用于海洋悬浮物浓度探测领域。关键词：Ｒａｄａｒｓａｔ．２；ຫໍສະໝຸດ 洋悬浮物；Ｈ－ａ空间分类
ＣＡＯＳｈｉ，．，ＬＩＵＸｉａｎｇ．ｎａｎ，ＬＩＵＭｅｉ．１ｉｎｇ，ＷＵＬｉｎｇ，ＺＨＯＵＢｏ．ｔｉａｎ
１．ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＧｅｏｓｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ１０００８３，Ｃｈｉｎａ；２．ＧｅｏｌｏｇｉｃａｌＥｎｖｉｒｏｎｍｅｎｔａｌＭｏｎｉｔｏｒｉｎｇＩｎｓｔｉｔｕｔｅｏｆＨｕｎａｎＰｒｏｖｉｎｃｅ，Ｃｈａｎｇｓｈａ４１００００，Ｃｈｉｎａ
热带海洋学报ＪＯＵＲＮＡＬＯＦＴＲＯＰＩＣＡＬＯＣＥＡＮＯＧＲＡＰＨＹ
２０１３年第３２卷第４期：１０７ — １１２
基于Ｒａｄａｒｓａｔ．２目标极化分解Ｈ－ａ特征空间的海洋悬浮物浓
中图分类号：Ｐ７６１；Ｐ７３４．２３：ＴＰ７９文献标识码：Ａ文章编号：１００９．５４７０（２０１３）０４．０１０７．０６
ＭｏｎｉｔｏｒｉｎｇｍａｒｉｎｅｓｕｓｐｅｎｄｅｄｐａｒｔｉｃｕｌａｔｅｍａｔｔｅｒｃｏｎｃｅｎｔｒａｔｉｏｎｕｓｉｎｇｆｕｌｌｐｏｌａｒｉｍｅｔｒｉｃＳＡＲｄａｔａｏｆＲａｄａｒｓａｔ－２