GLAS反演树高算法
211198598_基于TerraSAR-X
第48卷第2期2023年3月㊀林㊀业㊀调㊀查㊀规㊀划Forest Inventory and PlanningVol.48㊀No.2Mar.2023doi:10.3969/j.issn.1671-3168.2023.02.003基于TerraSAR-X/TanDEM-X数据的森林高度反演算法研究申晨1,岳彩荣2,章皖秋2,朱腾1,张金兰1(1.广东工贸职业技术学院,广东广州510510;2.西南林业大学,云南昆明650224)摘要:基于RVoG模型,对传统三阶段算法及其改进算法进行研究,以云南省西双版纳州勐腊县为研究区,以TerraSAR-X/TanDEM-X数据为数据源进行森林高度反演算法研究,并结合野外实测数据进行结果验证㊂结果表明,三阶段改进算法对森林高度反演精度优于传统三阶段算法㊂三阶段改进算法对天然林高度反演精度较高;三阶段算法对橡胶林高度反演精度较高㊂关键词:森林高度反演算法;TerraSAR-X/TanDEM-X数据;极化干涉SAR;散射机制;平地效应中图分类号:S758.54;P208;TP31;TP753㊀㊀文献标识码:A㊀㊀文章编号:1671-3168(2023)02-0016-10引文格式:申晨,岳彩荣,章皖秋,等.基于TerraSAR-X/TanDEM-X数据的森林高度反演算法研究[J].林业调查规划,2023,48(2):16-25.doi:10.3969/j.issn.1671-3168.2023.02.003SHEN Chen,YUE Cairong,ZHANG Wanqiu,et al.Forest Height Inversion Algorithm Based on TerraSAR-X/TanDEM-X Data[J].Forest Inventory and Planning,2023,48(2):16-25.doi:10.3969/j.issn.1671-3168.2023.02.003Forest Height Inversion Algorithm Based on TerraSAR-X/TanDEM-X DataSHEN Chen1,YUE Cairong2,ZHANG Wanqiu2,ZHU Teng1,ZHANG Jinlan1(1.Guangdong Polytechnic of Industry and Commerce,Guangzhou510510,China;2.Southwest Forestry University,Kunming650224,China) Abstract:Based on the RVoG model,the three-stage algorithm and its improved algorithm were studied. In Mengla County,Xishuangbanna,Yunnan,TerrasAR-X/tandem-X data were used as data sources to conduct forest height inversion algorithm.Finally,the results were verified by field measurement data. The results showed that the accuracy of the improved three-stage algorithm was better than that of the tra-ditional three-stage algorithm.For natural forest and rubber forest,the improved three-stage algorithm had higher accuracy in height inversion of natural forest.The accuracy of the three-stage algorithm for rubber forest height inversion was high.Key words:forest height inversion algorithm;TerraSAR-X/TanDEM-X data;polarization interferometry SAR;scattering mechanism;flat effect1研究背景及现状1.1研究背景森林冠层高度作为森林垂直结构属性,是用来估计林分蓄积量㊁立地生产力和生物量的重要参数㊂当前,森林冠层高度测量主要有野外人工测量和遥感技术反演两种方式㊂在森林地带,遥感手段反演收稿日期:2021-11-11.资助项目:基于PollInSAR数据的森林高度反演算法研究项目(220000025716).第一作者:申晨(1990-),女,山西潞城人,硕士,助理工程师.主要从事地图制图㊁资源环境遥感研究.Email:514935785@申晨,等:基于TerraSAR -X /TanDEM -X 数据的森林高度反演算法研究森林高度比人工测量具有巨大优势㊂极化干涉合成孔径雷达(PolInSAR)是一种新型的遥感技术,既具有极化合成孔径雷达对植被散射体形状和方向敏感的特性,又具有干涉合成孔径雷达对植被体空间分布和高度敏感的特性,不仅可以提高地形测量精度,同时也获得相关散射机制的物理参数,特别是森林参数为树高的高精度反演以及地物其他各种参数的反演提供了可能,在林业资源管理以及林业调查研究方面具有重大意义㊂1.2研究现状合成孔径雷达(SAR)概念首先于1951年由C.Wiley 等提出,其指出多普勒频移现象可以用逻辑合成一个更大的雷达孔径㊂该理论突破了真实孔径雷达由于不可能无限制增大雷达天线孔径大小带来的方位向分辨率低的缺点[1]㊂随着国外PolIn-SAR 技术的发展,国内很多科研院所开始对该技术进行研究㊂2014年付海强等针对传统PCT 方法中 相干相位-幅度联合反演算法 的缺点,采用RVoG模型,利用改进的非线性迭代算法反演植被高度和地表相位[2]㊂2016年郭胜龙等提出一种基于单基线减缩极化干涉SAR 对森林进行林下地形估计及树高反演的方法[3]㊂2017年龙江平等在相干区域边界优化的基础上,对相位信息和幅度信息进行优化,联合干涉相位和相干幅度信息有效地区分出地表散射和森林体散射,提高了森林高度反演的可靠性㊂2020年陈利军等利用X /L /C 段的干涉数据集在青海典型复杂地形实验区成功获取了DEM 数据产品,证明X 波段干涉测量DEM 的精度与细节质量相对较高[4]㊂2森林高度反演算法研究2.1RVoG 散射模型随机体散射体-地表二层(Random Volume overGround,RVoG)模型是目前极化干涉中应用最广泛的模型之一㊂该模型包含散射体和地面两层结构,如图1所示㊂该模型以两层介质模型描述了厚度为h v 随机分布的森林覆盖模型㊂该模型广泛应用于森林高度提取和消光系数估计[5]㊂在RVoG 模型下,森林高度可理解为随机体的厚度㊂图1㊀RVoG 散射模型Fig.1㊀Scattering model of RVoG㊀㊀RVoG 模型中相关公式为:γc (w ң)=e iΦ0γv +m (w ң)1+m (w ң)γv =II 0ʂγv (ω)I =ʏh v 0exp(ik z z ∗)exp 2σz ∗cos θ0()dz ∗I 0=ʏh v 0exp 2σz ∗cos θ0()dz ∗ìîíïïïïk z =m2πλΔθsin θìîíïïïïïïïïïïï(1)式中:γc (w ң)为随机体散射体-地表二层的总复相干;Φ0为地面干涉相位;m 为给定极化状态下的地体幅度比,有效的地体幅度比参数m (w )可以表征电磁波穿过植被体层时引起的衰减,也可以理解为衰减系数和随机体厚度(森林高度)的函数,相位中心的变化可引起地体幅度比的变化;γv 为体散射相干性,体散射相干性复数值γv 与电磁波的极化状态无关;h v 为森林高度;θ为雷达波的入射角;σ为消光系数;k z 为垂直有效波束,对于单站模式(Monos-tatic)的雷达数据,k z 公式中的m =2,对于双站模式(Bistatic)的雷达数据,k z 公式中的m =1;Δθ为两次观测中入射角的差值;λ为电磁波的波长㊂其中已知量为θ㊁k z ㊁λ㊁Δθ,γc (w ң)由极化干涉基本公式估计获得,未知量为h v 和σ㊂2.2三阶段森林高度反演算法三阶段森林高度反演算法是由Cloude 和Patha-㊃71㊃第2期林业调查规划nassiou 提出的一种经典森林高度反演算法,通过直线拟合㊁地表相位求解㊁森林高度参数估计3个步骤完成㊂第一步:直线拟合将RVoG 模型公式变形可得如下变形公式:γc (w ң)=e iΦ0γv +m (w ң)1+m (w ң)=eiΦ0γv +m (w ң)1+m (w ң)(1-γv )()(2)㊀㊀由公式(2)可知,在复平面内,不同极化状态下的复相干系数呈直线分布㊂然而实际情况下,由于森林地带微气候复杂多变㊁植被自身结构千差万别,复相干系数在复平面内的分布并非一条直线,而是一个长椭圆形的复相干区域,如图2所示㊂图2㊀三阶段森林高度反演算法示意Fig.2㊀Three -stage forest height inversion algorithm㊀㊀因而几乎不存在某一条直线,使不同极化状态下的复相干系数全部在该直线上㊂因此,Cloude 和Pathanassiou 提出利用最小二乘法对不同极化状态下的复相干系数在复平面内进行直线拟合㊂㊀㊀第二步:地表相位求解复相干系数的取值在0~1范围㊂由于地面层的高相干性,可以假设地面的复相干系数模值为1.由公式(2)可知,当地体幅度比m (w )=ɕ时,体散射复相干为模为1的地面相干㊂该地相干恰好为复平面内拟合直线与单位圆的两个交点之一㊂一般认为,占据HV 极化通道的复相干γHV 为植被层的体散射复相干,因此,在复平面内距离γHV 最远的一个交点即为地面层的复相干,该交点对应的相位则为三阶段森林高度反演算法中的地表相位Φ0㊂第三步:森林高度参数估计由RVoG 模型公式(1)可知,复相干系数γv 是消光系数σ和森林高度h v 的函数㊂也就是说,每给定一个σ值和一个h v 值,便可对应一个γv 值㊂通过建立γv ㊁σ㊁h v 之间的二维查找表,可得到不同森林高度和消光系数下对应的复相干系数的理论值㊂正因此,三阶段森林高度反演算法求得的森林高度值皆为整数㊂一般认为,占据HV 极化通道的复相干γHV 为植被层的体散射复相干,对应于地体幅度比m (w )=0情况,将m (w )=0带入公式(1)并变形,可得以下公式:γHV =e iΦ0γv ⇒γv =γHV e i (-Φ0)(3)其中求得的γv 为复相干系数的估计值㊂利用最小差异原则比较二维查找表中复相干系数的理论值γv 和由公式(3)求得的复相干系数的估计值,便可确定对应的消光系数σ和森林高度h v ㊂三阶段森林高度反演算法将复相干系数引入反演模型并考虑了地表相位的生成,是一种科学的森林高度反演算法,三阶段算法流程图见图3所示㊂三阶段方法在实际操作中计算量大㊁运算时间长,地表相位的确定受复相干系数分布以及直线拟合方法的影响较大,当体散射去相干存在误差时,往往会导致反演结果出现误差㊂2.3三阶段森林高度反演算法的改进从相干区域优化㊁体散射复相干优化两个方面提高地表相位的准确程度,实现三阶段算法的改进[6]㊂2.3.1相干区域优化为了扩大相干区域范围,提高地表相位的准确程度,本文提出相干性幅度差最大准则和干涉相位差最大准则,实现相干区域的优化㊂相干性幅度差最大准则是通过寻找不同极化状态下的相干性幅度差,选取相干性幅度差最大时对应的极化状态为最优极化状态[6]㊂即满足公式(4):max γ(ωi )-γ(ωj )=Δr opt (4)式中:ωi ㊁ωj 为极化干涉矢量;γ(ωi )㊁γ(ωj )分别为极化干涉矢量ωi ㊁ωj 所对应的复相干系数;γ(ωi )㊁γ(ωj )分别为极化干涉矢量ωi ㊁ωj 所对应的复相干系数的幅度值㊂㊃81㊃第48卷申晨,等:基于TerraSAR-X/TanDEM-X数据的森林高度反演算法研究图3㊀三阶段算法流程Fig.3㊀Flowchart of the three-stage algorithm ㊀㊀相干性幅度差最大的最优相干估计可以看成是选取相干区域中相干性幅度极大值和极小值作为最优相干性,从而使得相干性幅度差最大㊂干涉相位差最大准则是通过寻找不同极化状态下的干涉相位,该准则的本质与PD算法一致[7],也是通过拉格朗日极值法找到相干区域内不同极化状态复相干系数相位的差值,干涉相位差值最大时对应的极化状态为最优相干性估计㊂即满足公式(5): maxφ(ωi)-φ(ωj)=Δφopt(5)式中:ωi㊁ωj为极化干涉矢量;φ(ωi)㊁φ(ωj)分别为极化干涉矢量ωi㊁ωj所对应的干涉相位㊂干涉相位差最大的最后相干性估计可以有效地分离出不同散射体的相位中心,提高了地表相位的估计精度㊂相干区域边界提取见图4㊂总而言之,相干性幅度差最大准则和干涉相位差最大准则有效地扩充了相干区域范围,使地表相位的估计更加准确,有利于森林植被高度反演精度的提高㊂2.3.2体散射复相干优化由极化干涉先验知识可知,极化通道HV所代表图4㊀相干区域边界提取Fig.4㊀Extraction of the boundary in coherence areas的复相干为植被体散射复相干㊂然而,HV复相干中常含有地表分量,并非纯体散射复相干㊂在森林高度反演中,植被冠层常具有较高的相位中心㊂因此,本文提出以不同极化状态中距离地相位最远的复相干为体散射复相干,代替HV的复相干进行三阶段森林高度反演算法研究㊂三阶段改进算法流程图见图5所示㊂3TerraSAR-X/TanDEM-X数据森林高度反演数据试验与分析3.1研究区概况勐腊县位于西双版纳傣族自治州南部,与老挝接壤㊂全境在北回归线以南,总面积约688510hm2,林地面积占总面积的88.31%㊂林地主要分布在坡度10ʎ~30ʎ㊁海拔500~1000m区域,其中天然林约占林地面积的65.56%,橡胶林约占林地面积的34.44%㊂气候属热带湿润季风气候,全年热量丰富,降水充沛,旱雨两季分明㊂勐腊县是我国热带生态系统和森林植被保存较为完整㊁热区生物资源较为富集地区,境内广泛分布有雨林㊁季雨林㊁常绿阔叶林和竹林等植被类型,被称为热带植物王国㊂3.2研究数据介绍为验证森林高度反演算法对真实数据的估计结果,采用德国航空航天中心提供的TerraSAR-X和㊃91㊃第2期林业调查规划图5㊀三阶段改进算法流程图Fig.5㊀Flowchart of the improved three-stage algorithm TanDEM-X卫星的双星全极化SAR影像进行试验㊂其中主轨道为TanDEM-X平台,副轨道为TerraSAR-X平台,拍摄时两卫星平台分别对同一地面发射电磁波,并分别接收各自的回波,具体参数如表1所示㊂由于主辅雷达平台的拍摄时间仅差10秒,可忽略时间影响㊂表1㊀研究数据参数Tab.1㊀Parameters of study data全极化Bistatic2015年12月13431.86~33.34 2.1㊀㊀分别读取主辅影像的单视复数据后生成主辅影像的Pauli彩色合成图(图6)㊂3.3数据预处理对SAR图像的预处理主要包括:主辅影像配准㊁去地平效应㊁生成极化干涉矩阵T6㊁计算复相干系数㊁计算垂直有效波数㊂预处理流程见图7所示㊂图6㊀主辅影像Pauli合成图Fig.6㊀Pauli-basis composite image of masterand salve image图7㊀预处理流程Fig.7㊀Flowchart of preprocessing3.3.1极化SAR图像滤波高分辨率SAR图像更容易受到斑点噪声的影响,因此有必要在解译前进行滤波处理㊂从滤波效果来看,增强Lee滤波可有效抑制斑点噪声,改善SAR图像的视觉效果㊂通常选择3ˑ3的窗口能比较好地保持地物边界信息等细节特征㊂滤波前后的干涉图如图8所示㊂㊃02㊃第48卷申晨,等:基于TerraSAR-X/TanDEM-X数据的森林高度反演算法研究图8㊀滤波前后干涉图Fig.8㊀Interference patterns of HH beforeand after filter3.3.2去平地效应平地效应是由于受InSAR系统空间几何关系的影响,地面上高程相同的点本应在干涉图上保持不变的相位差发生了变化,造成干涉图相位一定程度的偏移[8]㊂平地效应的存在使干涉结果不能真实地反映地面高程,且干涉条纹过密会给相位解缠带来很大困难㊂平地相位目前主要有两种算法:(1)基于卫星轨道数据计算多普勒方程㊁斜距方程和椭圆方程得到平地相位;(2)监测干涉相位频谱中占优势的条纹频率计算平地相位[9]㊂本实验采用去地平方法为干涉相位频谱来除去平地效应,计算得到的平地相位如图9所示㊂图9㊀平地相位Fig.9㊀Flat earth phase ㊀㊀以HH极化通道为例,通过去平地,平地效应引起地面条纹过密的现象得到有效抑制(图10)㊂图10㊀HH极化干涉图Fig.10㊀Interference patterns of HH polarimetric channel 3.3.3垂直有效波数垂直有效波数的计算对于树高估计是必须的参数,数值差异与主辅影像的入射角之差有关㊂能否准确计算垂直有效波数k z,直接关系到后续树高计算结果的准确程度㊂根据k z公式进行运算得到垂直有效波数k z的文件㊂3.3.4极化干涉数据地理编码TerraSAR-X/TanDEM-X原始数据生成的SLC㊁复相干系数以及最后的森林高度数据均无坐标系统㊂不仅如此,SLC数据与真实地貌呈东西镜像,且距离向与方位向的分辨率不同㊂因此,为了方便森林高度结果与光学影像的匹配,提出极化干涉数据地理编码,使雷达数据处理结果具有光学影像的坐标系统㊂3.3.5复相干系数的计算及优化复相干系数包含了极化干涉SAR数据的相位信息和幅度信息,通常情况下,复相干系数以实部(real)和虚部(imaginary)两部分存储,共4个字节㊂极化干涉复相干系数的计算及优化会直接影响到森林高度反演结果的准确性和可靠性㊂不同极化状态下的复相干系数如图11所示,图中像元的灰度值为该点模值的自然度数,其明暗程度也反映了复相干系数模值的大小㊂按不同林地种类,天然林和橡胶林的复相干系数有微小差异㊂将编码后的复相干系数文件与森林资源二类调查数据进行叠加,提取天然林和橡胶林所对应的复相干系数,进行数据统计分析(表2)㊂㊃12㊃第2期林业调查规划图11㊀不同极化状态下的复相干系数Fig.11㊀Complex coherence coefficient in different polarization㊀㊀由表2可知,对于天然林而言,与其他复相干相比,opt1复相干对天然林的相干性较强,复相干系数最大值为0.989654,最小值为0.317398,均值为0.854106,标准差为0.121,复相干系数反演结果较为稳定㊂对于橡胶林而言,与其他复相干相比,opt1复相干对橡胶林的相干性较强,复相干系数最大值为0.991536,最小值为0.417947,均值为0.927743,标准差为0.057,复相干系数反演结果较为稳定; opt3复相干对橡胶林的相干性较弱,复相干系数最大值为0.669315,最小值为0.002098,均值为0.182702,标准差为0.6293,复相干系数反演结果稳定性较差㊂3.4森林高度反演算法结果分析与讨论利用三阶段森林高度反演算法㊁改进的三阶段森林高度反演算法进行森林高度反演,最终得到如下结果㊂1)树高反演结果的数理统计分析分别对三阶段算法㊁三阶段改进算法估测结果的森林区域进行结果统计,得到6种算法的树高直方图(图12)㊂由图12可知,三阶段算法反演的森林高度主要集中在10~20m范围,在树高约5m出现峰值,在树高约10m处出现大的峰值,相对于其他5种方法,三阶段森林高度反演算法的结果区间范围较小㊂即树高值的分布较为集中,但是数值偏低;三阶段改进算法反演的森林高度主要集中在8~50m范围,树高峰值出现在28m处,与传统的三阶段算法相比,树高反演值的区间范围变大,数值大小整体均有提高(表3)㊂㊃22㊃第48卷申晨,等:基于TerraSAR -X /TanDEM -X 数据的森林高度反演算法研究表2㊀不同林种的相干系数Tab.2㊀Correlation coefficient in different forest categoryHV 0.0013260.7188520.1862440.62800.0003370.7582820.1922420.6244VV0.0013780.9757000.7054640.32860.0161760.9838320.8559870.1484HH +VV 0.0003570.7745290.2041910.62820.0018200.7158390.2013320.6200HH -VV 0.0001860.7984360.2049680.62680.0017530.7080080.1978990.6203HV +VH0.0013260.7188520.1862440.62800.0015720.7037020.1937090.6230opt10.3173980.9896540.8541060.12100.4179470.9915360.9277430.0570opt20.0946280.9526570.5791460.27460.1308240.9468640.6913560.1946opt30.0004640.7321280.1649360.63540.0020980.6693150.1827020.6293PDhigh 0.0000150.9999990.1537850.79430.0001220.9999990.1462850.8050Pdlow 0.0000350.9999990.1533860.71830.0000460.9999990.1436610.7006MaxMag 0.1773730.9999990.7284760.19660.2733780.9999990.8225880.1207MaxPha 0.0288340.9999990.6759070.26630.0450000.9999990.7888340.1572MinMag 0.0086450.9999990.6289520.30160.0450000.9999990.7569180.1797MinPha 0.0000800.9999990.6382660.31210.0891350.9999990.7898600.1566LR 0.0003570.7745290.2041910.62820.0018200.7158390.2013320.6200LL 0.0009650.7886760.2077130.62350.0006100.6948910.2025640.6331RR0.0008870.7849780.2070280.62070.0022970.7156240.2017960.6175图12㊀不同算法的树高直方图Fig.12㊀Histograms of forest height of different algorithm表3㊀不同算法的树高统计Tab.3㊀Forest height estimation indifferent algorithmm ㊀三阶段算法05010.90414.275三阶段改进算法5010.85814.9283.5森林高度反演算法结果验证3.5.1野外实测数据调查为验证TerraSAR -X /TanDEM -X 森林高度反演算法的准确程度,于2016年10月底在云南省西双版纳州勐腊县进行野外数据采集㊂利用激光测距仪㊁微波测距仪㊁标杆㊁卷尺㊁GPS㊁角规等仪器测量了82个森林高度样点㊂其中,天然林19个样点,橡㊃32㊃第2期林业调查规划胶林55个样点,其他林种8个样点㊂野外数据采集主要参数有样地经纬度㊁海拔㊁坡度㊁优势树种㊁郁闭度㊁树高㊁平均冠层高等㊂样点广泛分布于勐腊县城周边林区(图13)㊂图13㊀野外实测样点分布Fig.13㊀Distribution of field sample plots3.5.2树高反演结果验证将采用三阶段算法㊁三阶段改进算法的森林高度反演结果与实测数据进行对比㊂在去除异常值后,制作树高反演散点图,结果如图14,图15,表4所示㊂由树高反演散点图和反演结果精度表可知,三阶段改进算法相关性较强,相关系数R 为0.643,均方根误差(RMSE)为5.53,相较于三阶段算法有明显的改进㊂分别对天然林和橡胶林进行实测数据验证,结果如表5所示㊂从天然林反演结果来看,三阶段改进算法的相关性相对较强,相关系数R 为0.571,均方根误差(RMSE)为7.33,说明三阶段改进算法对地相位和冠层相位的估计有较好的改善㊂图14㊀三阶段算法树高反演散点图Fig.14㊀Tree height inversion scatter plot of thethree -stage algorithm图15㊀三阶段改进算法树高反演散点图Fig.15㊀Tree height inversion scatter plot of theimproved three -stage algorithm表4㊀森林树高反演结果精度Tab.4㊀Precision of tree height inversion results三阶段算法0.483三阶段改进算法0.6435.53表5㊀天然林和橡胶林反演结果精度Tab.5㊀Precision of inversion results in naturalforests and rubber plantation三阶段算法0.3369.200.556 5.61三阶段改进算法0.5717.330.4535.17㊃42㊃第48卷申晨,等:基于TerraSAR-X/TanDEM-X数据的森林高度反演算法研究㊀㊀从橡胶林反演结果来看,三阶段算法的相关性较强,相关系数R为0.556,均方根误差(RMSE)为5.61,三阶段改进算法的相关性次之,相关系数R 为0.453,均方根误差(RMSE)为5.17㊂4结㊀论以RVOG模型为基础分析森林高度反演的三阶段算法㊁三阶段改进算法基本原理,利用TerraSAR-X/TanDEM-X数据进行森林高度反演,并结合野外数据进行结果验证㊂结果表明,三阶段改进算法对森林高度反演的精度优于传统三阶段算法㊂对于天然林而言,三阶段改进算法反演精度较高,相关系数R为0.571,均方根误差(RMSE)为7.33;对于橡胶林而言,三阶段算法反演精度较高,相关系数R为0.556,均方根误差(RMSE)5.56㊂原因有以下几点:(1)TerraSAR-X/TanDEM-X数据为X波段的极化干涉数据,穿透性较弱,因而对森林冠层相位的反演较好,对地表相位的反演效果不佳;(2)天然林结构错综复杂,树种丰富,林层通常为复层林,使电磁波的穿透和森林高度反演增加了难度,橡胶林林冠整齐㊁植株株距较大㊁林下干净,导致电磁波更容易穿透到达地面,为地表相位和冠层相位的反演提供了便利;(3)勐腊县雨林地区地势陡峭,地形和坡度对反演结果的精度造成一定影响㊂参考文献:[1]鞠晓洁.基于Multigen Vega的SAR图像生成仿真系统研究[D].青岛:中国海洋大学,2010.[2]付海强,汪长城,朱建军,等.一种改进的PolInSAR PCT方法反演植被垂直结构[J].测绘工程,2014(11): 56-61,66.[3]郭胜龙,李洋,尹嫱,等.基于简缩极化干涉SAR数据的森林垂直参数反演[J].电子与信息学报,2016(1): 71-79.[4]陈利军,张瑞,郭旭东,等.多源星载SAR地形干涉测量精度分析[J].测绘通报,2020(7):13-17. [5]PAPATHANASSIOU K P,CLOUDE S R.Single-baseline polarimetric SAR interferometry[J].IEEE Transactions on Geoscience and Remote Sensing,2001,39(11):2352-2363.[6]谈璐璐,杨立波,杨汝良.合成孔径雷达简缩极化干涉数据的植被高度反演技术研究[J].电子与信息学报, 2010(12):2814-2819.[7]龙江平,刘峰,段祝庚.联合干涉相位和相干性幅度的极化干涉SAR最优相干性估计[J].测绘学报,2017 (1):73-82.[8]张振宇.合成孔径雷达三维成像技术研究[D].南京:南京理工大学,2009.[9]TIGHE M L,KING D,BALZTER H,et parison of X/C-HH InSAR and L-PolInSAR for Canopy Height Esti-mation in a Lodgepole Pine Forest[J].Proceedings of the Fourth International Workshop on Science&Applications of Sar Polarimetry&Polarimetric Interferometry Poiinsar, 2009.责任编辑:许易琦㊃52㊃第2期。
反演常用方法
稀疏脉冲法包括最大似然反褶积、L1范数反褶积、最小熵反褶积、最大熵反褶积、同态反褶积等，稀疏脉冲反演是基于脉冲反褶积基础上的递推反演方法,其基本假设是地层的强反射系数是稀疏分布的。
从地震道中根据稀疏的原则提取反射系数,与子波褶积后生成合成地震记录;利用合成地震记录与原始地震道残差的大小修改参与褶积的反射系数个数,再作合成地震记录;如此迭代,最终得到一个能最佳逼近原始地震道的反射系数序列。
该方法适用于井数较少的地区,其主要优点是能够获得宽频带的反射系数,较好地解决地震反演的多解性问题,从而使反演结果更趋于真实。
约束稀疏脉冲反演采用一个快速的趋势约束脉冲反演算法,用解释层位和井约束控制波阻抗的趋势和幅值范围,脉冲算法产生了宽带结果,恢复了缺失的低频和高频成分;同时,再加入根据井的波阻抗的趋势约束。
约束稀疏脉冲反演最小误差函数是J=∑(ri)p+λq∑(di-si)q++α2∑(ti-Zi)2(1)式中:ri为样点的反射系数;zi为样点的波阻抗;di是原始地震道;si 是合成地震道;Zi介于井约束的最大和最小波阻抗之间;ti是用户提供的波阻抗趋势;α为趋势最小匹配加权因子;p,q为L模因子;i是地震道样点序号;λ为数据不匹配加权因子。
如果从最大似然反褶积中求反射系数r(t),则在上述过程中为了得到可靠的反射系数估计值,可以单独输入波阻抗信息作为约束条件,从而求得最合理的波阻抗模型Z(t)=Z(t-1)（1+r(t)）/（1-r(t)）(2)稀疏脉冲法假设反射系数是稀疏的、离散的，利用测井资料可以得到井旁道的准确反射系数，通过上述反褶积方法，在测井资料、地质模型的约束下，逐道递推子波、反射系数，从而反演出波阻抗、速度等数据。
常规递推法与稀疏脉冲反演法主要是利用反褶积方法来恢复反射系数序列，由经过标定的反射系数序列递推出相对波阻抗，然后加上从声波测井和地质模型中得到的低频分量，最终得到反演波阻抗。
这两类方法的主要缺陷是选择可靠低频信息较为困难，由反射系数递推波阻抗过程中误差积累快，当反射系数存在较大误差时，递推出来的波阻抗剖面会面貌全非。
glas 指标
GLAS指标什么是GLAS指标？GLAS（Global Land Surface Satellite）指标是一种用于评估地球表面植被结构的测量方法。
该指标通过卫星激光高度计（ICESat-2）获取数据，可以提供关于森林、草原和湿地等地表覆盖类型的三维结构信息。
GLAS指标的数据可以用于研究生态系统的碳储量、生物多样性和气候变化等方面。
GLAS指标的数据获取和处理GLAS指标的数据由ICESat-2卫星获取，并经过一系列处理步骤得到可用的数值。
首先，卫星发射激光束，经过大气层后照射到地表，并返回到卫星接收器。
接收器记录了激光束从发射到返回所需的时间，通过测量时间差来计算出距离。
在获取到距离数据后，需要进行进一步的处理才能得到GLAS指标。
首先，需要进行大气校正以消除大气层对激光束传播速度的影响。
然后，使用地球模型来估算地表高度，并计算出各个点上植被结构的特征。
GLAS指标的应用领域GLAS指标在生态学、地理学和气候学等领域有着广泛的应用。
以下是一些常见的应用领域：1. 生态系统碳储量评估GLAS指标可以提供森林和其他生态系统的三维结构信息，包括植被高度、覆盖密度和垂直分布等。
通过将这些信息与地表植被类型数据相结合，可以估算出生态系统的碳储量。
这对于研究全球碳循环、气候变化以及制定相关政策具有重要意义。
2. 生物多样性监测GLAS指标可以提供关于森林和湿地等生境的细节信息，包括植被高度和垂直结构。
这些信息对于研究不同生境中的物种多样性分布和变化非常有价值。
通过分析GLAS指标数据，可以评估生境质量、物种丰富度和生物多样性指数等。
3. 气候变化研究GLAS指标可以提供关于植被结构的长期监测数据，这对于研究气候变化的影响非常重要。
通过比较不同时间段的GLAS指标数据，可以分析植被的生长趋势、林冠结构的变化以及植被对气候变化的响应。
这些数据可以用于改善气候模型和预测未来气候变化的影响。
GLAS指标的局限性和挑战虽然GLAS指标在地表植被结构评估中具有重要作用，但也存在一些局限性和挑战。
基于Worldview-2影像的林木冠幅提取与树高反演
基于Worldview-2影像的林木冠幅提取与树高反演孙华;鞠洪波;张怀清;凌成星【摘要】以湖南省攸县黄丰桥国有林场杉木人工林为例，探讨林木冠幅提取与树高反演方法研究。
基于Worldview-2影像，采用均值漂移分割算法开展样地内杉木冠幅信息提取。
通过设置不同分割尺度确定最佳的冠幅分割参数为hs=10，hr=6，M=20。
对提取的冠幅边界进行平滑处理，利用平滑后的影像冠幅与实测树高，分别建立了冠幅树高曲线估计模型和非线性联立方程组反演模型。
其中以树高作为哑变量，建立的影像冠幅树高非线性联立方程组模型的拟合效果最佳，模型决定系数R2为0.899，模型的变动系数（CV），平均百分标准误差（EMPSE）均在10%以内，是树高反演的一种有效手段。
%By taking the Chinese fir plantation in Huangfengqiao Forest Farm in Youxian county, Hunan province as the tested objective, the methods of tree crown width extraction and tree height inversion were studied. Based on worldview-2 data, the tree crown width information of the plantation was extracted by adopting mean shift segmentation algorithm. After setting a series of Image segmentation scale, the optimal crown width segmentation parameters’ values were determined, they are hs=10, h r=6, M=20.The extracted crown width border was smoothened, and the estimation model of tree crown=height curve and the inversion model of nonlinear simultaneous equations were respectively established based on the smoothed image’s crown width and measured tree height. Of them, the model of image tree crown-high nonlinear simultaneous equations set by taking tree high as the dummy argument had the optimal fitting results,the model coefficient of determination R2=0.899, the variation coefficientof model CCV and the average percentage standard errors EMPSE both were less than 10%, so the last selected model is an effective means for tree height inversion of Chinese fir plantation.【期刊名称】《中南林业科技大学学报》【年(卷),期】2014(000)010【总页数】6页(P45-50)【关键词】林业遥感;林木冠幅;杉木人工林;图像分割;均值漂移算法;非线性联立方程组【作者】孙华;鞠洪波;张怀清;凌成星【作者单位】中南林业科技大学林业遥感信息工程研究中心，湖南长沙410004;中国林业科学研究院资源信息所，北京100091;中国林业科学研究院资源信息所，北京100091;中国林业科学研究院资源信息所，北京100091;中国林业科学研究院资源信息所，北京100091【正文语种】中文【中图分类】S771.8进入21世纪，随着高空间分辨率遥感影像不断涌现，遥感技术在林业中的应用由最初的森林类型识别和信息提取，向更加精细的方向发展，已经开始用于森林参数提取研究。
反演原理及公式介绍
第一章反演理论第一节基本概念一．反演和正演1．反演反演是一个很广的概念，根据地震波场、地球自由振荡、交变电磁场、重力场以及热学等地球物理观测数据去推测地球内部的结构形态及物质成分，来定量计算各种有关的物理参数，这些都可以归结为反演问题。
在地震勘探中，反演的一个重要应用就是由地震记录得到波阻抗。
有反演，还有正演。
要正确理解反演问题，还要知道正演的概念。
2．正演正演和反演相反，它是对一个假设的地质模型，给定某些参数（如速度、层数、厚度）用理论关系式（数学模型）推导出某种可测量的量（如地震波）。
在地震勘探中，正演的一个重要应用就是制作合成地震记录。
3．例子考虑地球内部的温度分布，假定地球内部的温度随深度线性增加，其关系式可表示成：T(z)=a+bz正演：给定a和b，求不同深度z的对应温度T(z)反演：已经在不同点z测得T(z)，求a和b。
二．反演问题描述和公式表达的几个重要问题1．应用哪种参数化方式——离散的还是连续的？2．地球物理数据的性质是什么？观测中的误差是什么？3．问题能不能作为数学问题提出，如果能够，它是不是适定的？4．对问题有无物理约束？5．能获得什么类型的解，达到什么精度？要求得到近似解、解的范围、还是精确解？6．问题是线性的还是非线性的？7．问题是欠定的、超定的、还是适定的？8．什么是问题的最好解法？9．解的置信界限是什么？能否用其它方法来评价？第二节反演的数学基础一．解超定线性反问题1．简单线性回归可利用最小平方法确定参数a 、b 使误差的平方和最小。
⎪⎪⎩⎪⎪⎨⎧∑-∑∑∑-∑=-=∑∑-=22)()(x x n y x xy n b x b y n x b y a （1-2-1） 拟合公式为：bx a y+=ˆ （1-2-2） 该方法的公式原来只适用于解超定问题，但同样适用于欠定问题，当我们有多个参数时，称为多元回归，在地球物理领域广泛采用这种方法。
此过程用矩阵形式表示，则称为广义最小平方法矩阵方演。
基于UAV无人机影像的树高反演研究
摘要经过几十年的发展，我国已经初步形成了规模化的遥感对地观测体系，反演遥感技术越来越成熟，利用反演可以解决诸多问题。
森林是我们人类赖以生存的重要资源之一，我国同时也是一个资源大国，但森林覆盖率却远远低于世界平均水平，林业资源在很多方面都应用广泛，因此我们需要尽可能的掌握林业资源的信息，同时需要林业调查周期要求更短，数据要求更精细，无人机遥感系统具有机动性、快速、分辨率高、适用范围更广等优点，适合林业调查的工作要求，能增强林业调查工作能力。
传统的森林调查对于测量工作人员来说劳动强度大，经常会遇到按设计方案实施所得的结果能否不能够达到工程要求的问题。
反观，无人机应用还可以减少外业作业时间降低劳动程度，提高工作效率。
总之，本文介绍了对利用获取的无人机影像反演的原理，通过采用ENVI软件和PHOTOSCAN以及LiDAR360软件平台，按照无人机影像处理的流程，使用通过无人机获取的影像处理生成的高精度数字表面模型和数字高程模型而后来得到冠层高程模型，提取林分树高森林参数信息，并对提取的结果与外业调查、目视判读做出了对比和分析，单木树高分割以及提取的森林参数信息可以达到非常高的精度，对无人机图像在森林资源调查中的应用做了一些研究，为其他森林信息的提取提供了思路，并对调查和监测森林资源在一定程度上进行技术指导。
关键词：无人机影像；反演；树高；单木分割ABSTRACTAfter decades of development, China has initially formed a large-scale remote sensing earth observation system,Inversion of remote sensing technology is becoming more and more mature. Inversion can solve many problems.Forest is one of the most importantresources for human survival. China is also a resource giant country,But the forest coverage rate is far lower than the average level in the world.Forest resources are widely used in many aspects, so we need to master the information of forest resources as much as possible,the forestry survey cycle is shorter and the data requirements are more detailed,the UA V remote sensing system has the advantages of maneuverability, high speed, high resolution and wide application,it’s suitable for forestry survey work requirements, it can enhance the ability of forestry investigation work.The traditional forest survey is very hard for the survey staff and people often meet the problems of whether the results obtained by the design plan can meet the requirements of the project.The application of UA V can also reduce the operation time, reduce labor level and improve work efficiency.In this paper, the principle of using remote sensing inversion is introduced.,through the use of ENVI software and Agisoft Photoscan software platform, according to the UA V image processing process,forest parameters such as crown width, tree height, were extracted on the basis of DEM and DSM data,and the results of extraction are compared with those of field investigation and visual interpretation.In a word, using high precision digital surface model and Digital Orthophoto Image generated by UA V image, combined with object-oriented classification method, multi-scale segmentation and spatial analysis technology, the forest parameter information extracted from single tree crown and single tree tree height can reach very high precision. In this paper, the application of unmanned aerial vehicles (UA V) images in the investigation of forest resources was tried, and the methods of forest DSM, DEM ,CHM production and information extraction were discussed, which provided some ideas for the extraction of other forest information, and the technical guidance to the investigation and monitoring of forest resources to a certain extent.Key words:UAV image;Inver sion;Tree height;Single wood segmentationⅡ目录摘要 (Ⅰ)Abstract (Ⅱ)第1章绪论 (1)1.1目的和意义 (1)1.2无人机影像的树高反演的研究现状 (2)1.2.1国内研究现状 (2)1.2.2国外研究现状 (2)1.3本文研究的主要内容 (3)1.4本文研究的技术路线 (3)第2章无人机航空摄影测量 (4)2.1无人机航空摄影测量的组成 (4)2.2无人机航空摄影测量遥感传感器的的类型 (4)2.3无人机航空摄影测量的特点 (4)2.4无人机航空摄影测量的现状 (5)2.5无人机航测基本流程 (6)2.6无人机影像数据处理 (6)2.7无人机航空摄影测量在地形图测绘中的应用 (6)2.8无人机航空摄影测量在地形图测绘中的重要性 (7)2.9本章小结 (8)第3章研究区概况 (9)3.1研究区概况 (9)3.1.1地理位置 (9)3.1.2 植被与土壤 (9)3.1.3气候与水文 (10)3.2实验数据获取 (11)3.2.1无人机影像获取 (11)3.2.2地面数据获取 (11)3.3无人机数据预处理 (12)3.4像控点布设与量测 (12)3.5DEM/DSM生成平台 (13)3.6本章小结 (13)第4章森林信息提取方法 (15)4.1树冠信息提取 (15)4.2林分郁闭度提取 (15)4.3株数密度提取 (16)4.3.1株数密度地面调查方法 (17)4.3.2株数密度遥感处理调查方法 (17)4.4本章小结 (17)第5章树高信息提取 (19)5.1树高提取 (19)5.1.1点云数据生成 (19)5.1.2数字高程模型和数字表面模型生成 (19)5.1.3冠层高度模型生成 (21)5.2单木树高提取 (22)5.2.1单木分割方法 (22)5.2.2单木树高提取结果 (23)5.3本章小结 (24)结论 (25)参考文献 (26)致谢 (27)第1章绪论1.1 无人机树高反演研究的目的和意义中国是一个资源丰富的大国,森林是陆地生态系统的主体，和资源监测中发挥着重要作用。
地表温度反演的三种方法
地表温度反演的三种方法
地表温度反演是通过遥感技术获取地表温度信息的过程。
一般来说，地表温度反演方法可以分为三种：基于亮温的方法、基于辐射能量平衡的方法和基于模型的方法。
1. 基于亮温的方法：这种方法是根据地表反射下来的辐射能直接计算地表温度。
通常需要使用多光谱遥感数据，并使用反演算法将遥感数据转换为地表亮温，然后通过专门的公式或模型将亮温转换为地表温度。
这种方法比较简单，但受到大气中的影响较大，精度较低。
代表性算法有单窗算法（Single-Window Algorithm, SWA）、双窗算法（Two-Window Algorithm, TWA）等。
2. 基于辐射能量平衡的方法：这种方法是通过计算地表吸收的太阳辐射能和辐射冷却能量之间的平衡来反演地表温度。
这种方法需要考虑地表的地形、植被和大气特性等因素，一般需要使用高分辨率遥感数据和气象数据来进行模型计算。
代表性算法有热红外转换（Thermal Infrared Conversion, TIC）法、分层蒸散算法（Surface Energy Balance System, SEBS）等。
3. 基于模型的方法：这种方法基于已知的地表温度统计模型或地理信息系统等数据库，利用数据挖掘等方法来反演地表温度。
这种方法需要大量的先验知识和算法支持，并且需要大量的人工调整和验证。
代表性算法有人工神经网络（Artificial Neural Network, ANN）法、支持向量机（Support Vector
Machines, SVM）法等。
植被光谱物候参量反演算法
植被光谱物候参量反演算法植被光谱物候参量反演算法通常利用植被的光谱反射率和植被指数等信息来反演植被的生物量、叶面积指数(LAI)、叶绿素含量等物候参数。
以下是常见的反演算法和模型：1、多元线性回归模型(MLR)：该模型基于地面实测的植被光谱数据和对应的生物物理参数（例如LAI、叶绿素含量等），建立光谱参数和生物物理参数之间的多元线性回归关系，利用该模型来预测未知区域的生物物理参数。
2、支持向量机(SVM)：SVM是一种二分类模型，可以用于解决回归问题。
在植被光谱物候参量反演中，可以将光谱数据和对应的生物物理参数作为训练数据，利用SVM建立光谱与生物物理参数之间的非线性关系，然后利用该模型预测未知区域的光谱物候参量。
3、随机森林回归(RFR)：随机森林是一种基于集成学习的模型，可以用于解决回归问题。
在植被光谱物候参量反演中，可以将光谱数据和对应的生物物理参数作为训练数据，利用随机森林建立光谱与生物物理参数之间的非线性关系，然后利用该模型预测未知区域的光谱物候参量。
4、岭回归(RRR)：岭回归是一种处理共线性数据的线性回归方法，可以用于解决回归问题。
在植被光谱物候参量反演中，可以将光谱数据和对应的生物物理参数作为训练数据，利用岭回归建立光谱与生物物理参数之间的线性关系，然后利用该模型预测未知区域的光谱物候参量。
5、人工神经网络(ANN)：ANN是一种黑箱模型，可以模拟复杂的非线性关系。
在植被光谱物候参量反演中，可以将光谱数据和对应的生物物理参数作为训练数据，利用ANN建立光谱与生物物理参数之间的非线性关系，然后利用该模型预测未知区域的光谱物候参量。
以上是常见的植被光谱物候参量反演算法和模型，具体应用需要根据实际情况选择合适的算法或模型。