基于高分三号雷达卫星影像的水稻生物量反演测算方法技术

本发明专利技术公开了一种基于高分三号雷达卫星影像的水稻生物量反演测算方法。步骤1：获取待测区的高分三号雷达卫星影像，对影像进行预处理；步骤2：提取出水稻生物量实地测量点相对应的VH和VV极化的后向散射系数，通过拟合的方式获取到拟合参数来构建水云模型，最后获得若干个VH和VV极化的后向散射系数；步骤3：采用随机森林算法进行样本训练，从而得到特征矩阵和标签值映射关系的回归模型；步骤4：将待测区中待测点的VH和VV极化的后向散射系数输入模型中即可测算出该测量点的水稻生物量。本发明专利技术能够解决传统的利用合成孔径雷达卫星影像在对水稻生物量反演中存在的人为主观因素强、算法复杂、需要更多实测点等缺点。需要更多实测点等缺点。需要更多实测点等缺点。

【技术实现步骤摘要】
基于高分三号雷达卫星影像的水稻生物量反演测算方法


[0001]本专利技术属于高分雷达卫星影像处理与反演的
，特别涉及一种基于高分三号雷达卫星的水稻生物量反演测算方法。

技术介绍

[0002]随着高分辨率雷达卫星影像的不断发展，农作物生物量反演在农业资源调查、土地利用现状分析、农作物估产和灾害评估等诸多领域中都具有十分重要的意义，近年来也成为了遥感领域的研究热点之一。在诸多利用遥感图像对农作物进行生物量反演的方法中，基于辐射传输模型的算法受不同地物微波散射机理的影响，难以大范围的广泛应用。而随着微波遥感技术在近年的快速发展，尤其是国产的高分三号雷达卫星，分辨率高、工作模式多，高达12种工作模式，测量精度高，具有全天候、全天时、全方位等特点。可获取的卫星数据量也逐渐大量增加，对于多时相的高分辨率雷达卫星影像，基于机器学习的回归建模方法也取得了很多成果，国产高分三号雷达卫星影像在遥感领域的应用及多模式下的参数建模开拓了新的方向。
[0003]目前为止，传统的利用合成孔径雷达卫星影像在对农作物生物量的反演测量算法中存在很多缺陷，诸如：人为主观因素强、算法复杂、需要更多实测点、大量的人力等缺点。基于机器学习和水云模型相结合的反演方法可以在某些程度上克服这些缺点，同时使用了物理模型以及机器学习方法反演，并且很好地解决了不需要大量实测点的问题。

技术实现思路

[0004]为了克服上述现有技术的不足，本专利技术的目的在于提供一种基于高分三号雷达卫星影像的水稻生物量反演测算方法，本方法能够解决传统的利用合成孔径雷达卫星影像在对水稻生物量反演中存在的人为主观因素强、算法复杂、需要更多实测点、大量的人力等缺点，本方法能够快速、高效地获取到高分三号雷达卫星影像中的水稻生物量信息。
[0005]为了实现上述目的，本专利技术采用的技术方案是：一种基于高分三号雷达卫星的水稻生物量反演测算方法，包括以下步骤：步骤1：获取待测区的高分三号雷达卫星影像，利用遥感处理软件对获取到的高分三号雷达卫星影像进行预处理；步骤2：利用经过预处理后的高分三号雷达卫星影像提取出水稻生物量实地测量点相对应的VH和VV极化的后向散射系数，通过拟合的方式获取到拟合参数来构建水云模型，再将选取出若干个离散点的水稻生物量带入到水云模型中，最后获得若干个VH和VV极化的后向散射系数；步骤3：利用获取的后向散射系数结果作为样本采用随机森林算法进行样本训练，从而得到特征矩阵和标签值映射关系的回归模型；步骤4：将待测区中待测点的VH和VV极化的后向散射系数输入模型中即可测算出该测量点的水稻生物量；
步骤5： 通过本专利技术能够解决传统的利用合成孔径雷达卫星影像在对水稻生物量反演中存在的人为主观因素强、算法复杂、需要更多实测点、大量的人力等缺点，本方法能够快速、高效地获取到高分三号雷达卫星影像中的水稻生物量信息。
[0006]所述步骤1中高分三号雷达卫星影像预处理包括：获取到的高分三号雷达卫星影像数据为单视复数据的一级原始数据，首先对单视复数据进行多视处理，再进行极化滤波处理，接下来需要对整幅影像进行辐射定标和地理编码处理，然后对处理好的高分三号雷达卫星影像进行裁剪待测区域图像；所述步骤2中在获取到的高分三号雷达卫星上对实际测量的各个点分别提取VV和VH极化的后向散射系数及对应的生物量，通过拟合方式获得拟合参数来构建水云模型，水云模型公式如下所示：其中，A、B、C、D、E1和E2为模型中需拟合的待定系数；L为生物量，θ为雷达入射角；σ0为作物冠层的后向散射系数，为植被层的后向散射系数,使用矩阵实验室软件中的lsqcurvefit函数，采用最优化算法对水云模型进行拟合，最终拟合出最佳的后向散射系数；所述步骤3中训练样本的获取和构建随机森林算法的具体方法如下：取出若干个后向散射系数值作为水稻生物量L代入到步骤2拟合好的模型中，分别产生若干个VH后向散射系数σ
VH 和VV后向散射系数σ
VV ，将上述得到的水稻生物量L、VH后向散射系数σ
VH 和VV后向散射系数σ
VV 作为样本；选用σ
VV 、σ
VH 、s
VH /σ
VV 、σ
VH +σ
VV
和σ
VH
ꢀ‑
σ
VV 这5个后向散射系数组合，将其合并为一个输入特征矩阵，标签值为水稻生物量L，在含有n个样本的样本集中随机选取n个样本，再从上述5个后向散射系数中随机选取3个，对选出的样本建立决策树，重复200
‑
300次即可生成200
‑
300棵决策树的随机森林，这就是随机森林算法。
[0007]所述步骤4中将VH后向散射系数σ
VH 和VV后向散射系数σ
VV 生成特征矩阵后输入回归模型计算得到最终水稻生物量L；通过本专利技术能够解决传统的利用合成孔径雷达卫星影像在对水稻生物量反演中存在的人为主观因素强、算法复杂、需要更多实测点、大量的人力等缺点，本方法能够快速、高效地获取到高分三号雷达卫星影像中的水稻生物量信息。
[0008]与传统技术相比，本专利技术具备以下有益效果：本专利技术建立了基于水稻理论散射模型的水稻参数机器学习回归反演算法，算法根据水稻的生长模型和散射模型生成网络训练数据集，并完成网络训练和精度验证，本方法采用的是高分三号雷达卫星图像，实现了水稻生物量的反演和精度验证。解决了传统遥感图像反演水稻生物量中纯物理模型过于复杂，输入参数过多，以及当实测点较少时机器学习回归波动性较大的问题，高分三号雷达卫星可以较为稳定地实现对水稻生物量的反演。本专利技术方法能自动、高效地从高分辨率雷达卫星遥感影像中识别出不同的作物类型，为农业资源调查、农作物估产、农作物灾害评估等诸多领域提供一定的技术支持。
附图说明
[0009]图1是本专利技术实施例提供的流程图。
[0010]图2是本专利技术的高分三号雷达卫星预处理结果图。
[0011]图3是本专利技术的随机森林算法回归关系图。
具体实施方式
[0012]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下通过实施案例，并结合附图，对本专利技术的一种基于高分三号雷达卫星影像的水稻生物量反演测算方法进行进一步详细说明。
[0013]图1是一种基于高分三号雷达卫星影像的水稻生物量反演测算方法流程图，主要包括以下步骤：1）步骤1：获取待测区的高分三号雷达卫星影像，利用遥感处理软件对获取到的高分三号雷达卫星影像进行预处理。
[0014]2）步骤2：利用经过预处理后的高分三号雷达卫星影像提取出水稻生物量实地测量点相对应的VH和VV极化的后向散射系数，通过拟合的方式获取到拟合参数来构建水云模型，再将选取出若干个离散点的水稻生物量带入到水云模型中，最后获得若干个VH和VV极化的后向散射系数。
[0015]3）步骤3：利用获取的后向散射系数结果作为样本采用随机森林算法进行样本训练，从而得到特征矩阵和标签值映射关系的回归模型。
[0016]4）步骤4：将待测区中待测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高分三号雷达卫星影像的水稻生物量反演测算方法，其特征在于：包括以下步骤：步骤1：获取待测区的高分三号雷达卫星影像，利用遥感处理软件对获取到的高分三号雷达卫星影像进行预处理；步骤2：利用经过预处理后的高分三号雷达卫星影像提取出水稻生物量实地测量点相对应的VH和VV极化的后向散射系数，通过拟合的方式获取到拟合参数来构建水云模型，再将选取出若干个离散点的水稻生物量带入到水云模型中，最后获得若干个VH和VV极化的后向散射系数；步骤3：利用获取的后向散射系数结果作为样本采用随机森林算法进行样本训练，从而得到特征矩阵和标签值映射关系的回归模型；步骤4：将待测区中待测点的VH和VV极化的后向散射系数输入模型中即可测算出该测量点的水稻生物量。2.根据权利要求1所述的一种基于高分三号雷达卫星影像的水稻生物量反演测算方法，其特征在于：所述步骤1中高分三号雷达卫星影像预处理包括：获取到的高分三号雷达卫星影像数据为单视复数据的一级原始数据，首先对单视复数据进行多视处理，再进行极化滤波处理，接下来需要对整幅影像进行辐射定标和地理编码处理，然后对处理好的高分三号雷达卫星影像进行裁剪待测区域图像。3.根据权利要求1所述的一种基于高分三号雷达卫星的水稻生物量反演测算方法，其特征在于：所述步骤2中在获取到的高分三号雷达卫星上对实际测量的各个点分别提取VV和VH极化的后向散射系数及对应的生物量，通过拟合方式获得拟合参数来构建水云模型，水云模型公式如下所示：其中，A、B、C、D、E1和E2为模型中需拟合的待定系数；L为生物量，θ为雷达入射角；σ0为作物冠层的后向散射...

【专利技术属性】
技术研发人员：李德贵，陈钢，沈正伟，
申请(专利权)人：浙江大学德清先进技术与产业研究院，
类型：发明
国别省市：