雷达与TM图像融合及分类的土壤盐渍化信息遥感监测研究

论文摘要

土壤盐渍化不但造成了资源的破坏,农业生产的巨大损失,而且还对生物圈和生态环境构成威胁。作为主要的土地退化形式之一,土壤盐渍化已成为一个全球性问题。多种传感器影像的融合可进一步提高影像分析、理解与目标识别能力。虽然合成孔径雷达图像具有全天候、全天时、高分辨率等很多优点,但它受到较强相干斑点噪声的影响。而具有很丰富的光谱信息,适合于分类、变化检测等实际应用。因此,将SAR与可见光图像融合,可以充分利用其互补信息,获得地物的多层次特性,进一步揭示地物的本质特征。遥感图像的分类方法很多,但没有一种算法是普遍适用和最优的,这是由遥感影像本身的复杂性决定的。如何利用SAR影像的特征来提取更多的信息,提高分类效果和分类精度是至关重要的。本论文针对渭干河—库车河三角洲绿洲的SAR影像（RADARSAT图像）和该地区的可见光遥感影像（TM图像）数据进行了融合处理。采用了一种最新遥感图像分类算法——支持向量机（SVM）,分别对TM、SAR及SAR与TM融合影像进行了盐渍化信息监测分类及分类效果和精度的定量评价分析。并结合雷达遥感数据和可见光融合和分类的干旱区土壤盐渍化信息监测典型应用问题进行了研究。本论文的研究内容及结果主要有以下几个方面:1.对该地区的SAR和TM图像综合了常用的融合方法,主要包括PCA方法、HIS方法、Brovey方法、Gram-Schmidt变换融合方法和小波变换方法等。2.融合结果的定量与定性评价表明,小波变换融合的图像在保持光谱信息与增强空间细节信息两个方面的综合性能均得到提高。比其它典型融合算法更适用于该研究区SAR和TM图像融合。并以后盐渍化信息监测提供了有效的融合信息。3.采用了一种最新的基于统计的学习方法、遥感图像分类算法——支持向量机（Support Vector Machine,简称SVM）,并阐述了SVM分类方法比一些传统的分类方法的优越性。并采用基于统计学习的交叉验证法确定了最佳SVM分类参数。4.使用交叉验证法得到的最佳参数训练整个训练样本集,并得到SVM分类器模型。利用该SVM模型分别对TM、SAR及SAR与TM小波变换融合影像图像进行了分类,为了验证SVM分类方法的性能和分类的效果,本研究还采用了传统的分类方法——最小距离法和最大似然法进行了TM、SAR图像的分类。最后各影像各种分类结果进行了精度评价及定性和定量比较分析。5.分析分类结果表明:①TM影像SVM分类方法与MLC法和最小距离法相比各类别的提取精度有不同程度的提高,分类总精度从84.36%和87.04%提高到88.52%。重、中、轻度盐渍地的混分、漏分现象明显减少,取得了较好的分类效果。②尽管SAR影像空间分辨率高,但其SVM分类精度（60.81%）很低。SAR影像传统分类方法分类的分类精度（低于60%）都低于SVM分类方法。③TM与SAR小波变换融合影像的分类精度比较理想,基本达到了较好的分类结果。TM与SAR融合影像的SVM分类精度相比单独TM影像SVM分类精度,分类总精度从88.52%提高到91.08%,盐渍地的提取精度总体上也有了一定的提高,尤其是中度盐渍地的提取精度提高的比较明显。总之,本研究SAR（Radarsat）图像和TM图像的融合及分类方法在干旱区盐渍化信息监测中的应用进行了综合评价。结果表明基于小波变换融合得到图像的影像分解力大大提高,盐渍地与其它地物的区分有较大程度的提高,结果较单纯的基于光学影像的信息提取精度有改进,说明SAR影像在盐渍地信息提取中具有优势。本文采用雷达影像作为最主要的数据源,综合利用其它遥感和空间数据的优势,提高盐渍地信息的监测精度,从而全面勘探和定量评价干旱、半干旱地区土地盐渍化,发展微波遥感在土地盐渍化专题信息监测方面的应用研究,从而为干旱区盐渍地信息监测提供了又一有效的技术手段。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 研究目的及意义
• 1.2.1 研究目的
• 1.2.2 研究意义
• 1.3 雷达遥感技术
• 1.3.1 从微波遥感到合成孔径成像雷达
• 1.3.1.1 微波遥感基本概念
• 1.3.1.2 微波遥感系统简介
• 1.3.2 合成孔径成像雷达（SAR）的简介
• 1.3.2.1 SAR遥感技术的发展
• 1.3.2.2 SAR系统成像模式
• 1.3.2.3 SAR遥感影像几何特点
• 1.3.2.4 SAR遥感的优点及应用
• 1.4 土地盐渍化遥感监测国内外研究进展
• 1.4.1 国外研究进展
• 1.4.2 国内研究进展
• 1.5 土地盐渍化遥感监测发展趋势
• 1.6 雷达影像在干旱区盐渍化监测潜力
• 第二章 研究区概况、历次野外考察及数据源
• 2.1 研究区概况
• 2.1.1 自然地理环境
• 2.1.1.1 地理位置
• 2.1.1.2 地形与地貌
• 2.1.1.3 气候与水文状况
• 2.1.1.4 土地利用状况
• 2.1.1.5 土壤类型
• 2.1.2 社会经济条件
• 2.2 历次野外考察
• 2.2.1 历次野外考察内容与方法
• 2.2.2 历次野外考察获取资料
• 2.3 数据源
• 2.3.1 TM数据
• 2.3.2 Radarsat数据及其特征
• 第三章 研究方法与技术路线
• 3.1 研究手段概述
• 3.2 研究条件
• 3.3 研究内容
• 3.4 基本技术路线
• 第四章 TM和SAR影像融合预处理
• 4.1 TM 图像预处理
• 4.2 SAR图像预处理
• 4.2.1 SAR影像的斑点噪声去除处理
• 4.2.1.1 SAR图像滤波概述
• 4.2.1.2 SAR的主要滤波策略
• 4.2.1.3 SAR影像进行去噪处理
• 4.2.2 雷达影像的校正
• 第五章 SAR与TM图像的融合处理及融合效果评价
• 5.1 遥感数据融合概述
• 5.1.1 遥感融合技术概述
• 5.1.2 遥感图像融合的过程
• 5.1.3 遥感数据融合的层次
• 5.1.3.1 像素级融合
• 5.1.3.2 特征级融合
• 5.1.3.3 决策级融合
• 5.1.4 图像数据融合的目的
• 5.2 几种常用融合方法
• 5.2.1 主成分（PCA）变换法
• 5.2.2 HIS变换法
• 5.2.3 Brovey变换法
• 5.2.4 Gram-Schmidt变换融合法
• 5.2.5 小波变换融合法
• 5.3 图像数据融合的评价标准
• 5.3.1 图像融合基于信息量的评价
• 5.3.2 图像融合基于清晰度的评价
• 5.3.3 图像融合基于逼真度的评价
• 5.4 不同融合方法对的SAR与TM图像的融合处理应用
• 5.4.1 不同融合方法的步骤及主观判别比较
• 5.4.1.1 PCA（主成分）融合处理
• 5.4.1.2 HIS变换融合处理
• 5.4.1.3 Brovey变换融合处理
• 5.4.1.4 Gram-Schmidt变换融合处理
• 5.4.1.5 小波变换融合处理
• 5.5 融合效果客观定量地评价与分析
• 5.6 小结
• 第六章 图像分类与盐渍化信息监测
• 6.1 遥感图像分类的概念
• 6.2 遥感影像分类技术
• 6.3 传统分类方法的缺陷
• 6.4 支持向量机（SVM）分类法
• 6.4.1 支持向量机（SVM）
• 6.4.1.1 两类线性可分的支持向量机
• 6.4.1.2 线性不可分的支持向量机
• 6.4.1.3 非线性支持向量机
• 6.4.1.4 SVM的多类分类问题
• 6.4.2 SVM方法的优点
• 6.4.3 交义检验与参数选择
• 6.5 分类精度评价指标
• 6.6 基于支持向量机（SVM）分类的盐渍化信息提取应用
• 6.6.1 分类系统的建立
• 6.6.2 SVM模型选择
• 6.6.3 基于TM图像的SVM分类盐渍化信息监测
• 6.6.3.1 分类结果
• 6.6.3.2 分类结果精度分析
• 6.6.4 基于SAR图像融合的SVM分类盐渍化信息监测
• 6.6.4.1 分类结果
• 6.6.4.2 分类结果比较与分析
• 6.7 小结
• 第七章 结论与展望
• 7.1 结论
• 7.2 不足与展望
• 参考文献
• 攻读硕士学位期间参与的项目和发表论文
• 致谢