研究目的
评估极化C波段和L波段SAR时间序列在130平方公里区域内提升冬季植被覆盖识别与表征的潜力。
研究成果
该研究证实了合成孔径雷达（SAR）时间序列数据（尤其是Radarsat-2极化图像）在冬季土地利用识别方面的潜力，总体精度约为80%。然而，随着土地利用类型细化程度的提高，分类精度会下降，且不同传感器之间存在差异。未来工作应探索融合多源SAR传感器数据，以提高冬季土地利用监测的精度，特别是针对主要农作物的监测。
研究不足
该研究在准确分类所有土地利用类型时面临局限，更详细的分类层级（如主要作物）准确率较低。不同传感器间存在精度差异，Radarsat-2表现最佳但仍不完美。大气条件及传感器特有特性（如极化状态、空间分辨率）可能影响结果，优化多传感器组合数据的使用可提升性能。
1：实验设计与方法选择：
本研究采用ALOS-2、Radarsat-2和Sentinel-1卫星的极化SAR时序数据对冬季土地利用进行分类。使用随机森林（RF）算法进行分类，预处理步骤包括辐射校准、斑点噪声滤波、地理编码以及后向散射系数和极化参数（如香农熵和SPAN）的提取。
2：Radarsat-2和Sentinel-1卫星的极化SAR时序数据对冬季土地利用进行分类。使用随机森林（RF）算法进行分类，预处理步骤包括辐射校准、斑点噪声滤波、地理编码以及后向散射系数和极化参数（如香农熵和SPAN）的提取。 样本选择与数据来源：
2. 样本选择与数据来源：2016年10月至2017年3月在法国Pleine-Fougères长期生态研究站点的235块农田开展实地观测。三分之二的样地用于训练，三分之一用于验证。卫星影像包含2016年9月至2017年6月获取的10景Radarsat-2、8景ALOS-2和9景Sentinel-1图像。
3：8景ALOS-2和9景Sentinel-1图像。 实验设备与材料清单：
3. 实验设备与材料清单：ALOS-2、Radarsat-2和Sentinel-1的SAR图像；PolSARpro v5.1.1软件用于极化处理；SNAP v5.0软件用于地理编码；航天飞机雷达地形任务（SRTM）数据用于地形校正；以及地面调查数据。
4：Radarsat-2和Sentinel-1的SAR图像；PolSARpro v1软件用于极化处理；SNAP v0软件用于地理编码；航天飞机雷达地形任务（SRTM）数据用于地形校正；以及地面调查数据。 实验流程与操作步骤：
4. 实验流程与操作步骤：对图像进行预处理以提取后向散射系数和极化参数，通过滤波减少斑点噪声，进行地理编码，并使用RF结合K折交叉验证进行分类和精度评估。
5：数据分析方法：
通过交叉验证得出的总体精度指标评估分类精度，比较不同传感器和土地利用分类层级下的结果。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
Radarsat-2
FQ15 SLC mode
Canadian Space Agency / MacDonald, Dettwiler and Associates Ltd
Acquisition of polarimetric SAR images for land-use classification
-
Alos-2
Spotlight SLC mode
JAXA (Japan Aerospace Exploration Agency)
Acquisition of polarimetric SAR images for land-use classification
-
Sentinel-1
IW SLC mode
European Space Agency
Acquisition of polarimetric SAR images for land-use classification
-
PolSARpro
v5.1.1
European Space Agency
Software for polarimetric SAR data processing, including extraction of covariance and coherency matrices
-
SNAP
v5.0
European Space Agency
Software for geocoding and processing SAR data
-
Shuttle Radar Topography Mission
SRTM
NASA
Topographic data used for geometric correction of SAR images
-
登录查看剩余4件设备及参数对照表
查看全部
