留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

线性变化消光S-RVoG模型的多基线PolInSAR森林高度反演

吴传军 汪长城 沈鹏 朱建军 付海强

吴传军, 汪长城, 沈鹏, 朱建军, 付海强. 线性变化消光S-RVoG模型的多基线PolInSAR森林高度反演[J]. 武汉大学学报 ( 信息科学版), 2022, 47(1): 149-156. doi: 10.13203/j.whugis20190336
引用本文: 吴传军, 汪长城, 沈鹏, 朱建军, 付海强. 线性变化消光S-RVoG模型的多基线PolInSAR森林高度反演[J]. 武汉大学学报 ( 信息科学版), 2022, 47(1): 149-156. doi: 10.13203/j.whugis20190336
WU Chuanjun, WANG Changcheng, SHEN Peng, ZHU Jianjun, FU Haiqiang. A Multi-baseline PolInSAR Forest Height Inversion Method Based on S-RVoG Model with Linearly Varying Extinction[J]. Geomatics and Information Science of Wuhan University, 2022, 47(1): 149-156. doi: 10.13203/j.whugis20190336
Citation: WU Chuanjun, WANG Changcheng, SHEN Peng, ZHU Jianjun, FU Haiqiang. A Multi-baseline PolInSAR Forest Height Inversion Method Based on S-RVoG Model with Linearly Varying Extinction[J]. Geomatics and Information Science of Wuhan University, 2022, 47(1): 149-156. doi: 10.13203/j.whugis20190336

线性变化消光S-RVoG模型的多基线PolInSAR森林高度反演

doi: 10.13203/j.whugis20190336
基金项目: 

国家自然科学基金 41820104005

国家自然科学基金 41671356

国家自然科学基金 41531068

国家自然科学基金 41842059

详细信息

A Multi-baseline PolInSAR Forest Height Inversion Method Based on S-RVoG Model with Linearly Varying Extinction

Funds: 

The National Natural Science Foundation of China 41820104005

The National Natural Science Foundation of China 41671356

The National Natural Science Foundation of China 41531068

The National Natural Science Foundation of China 41842059

More Information
  • 摘要: 随机地体散射(random volume over ground, RVoG)模型广泛应用于极化干涉合成孔径雷达(polarimetric synthetic aperture radar interferometry, PolInSAR)森林高度反演当中。该模型假设森林是随机均匀同质体,模型中消光系数为恒定值,未充分考虑森林的垂直异构性及地形起伏的影响。提出了一种基于线性变化消光Slope-RVoG(S-RVoG)模型的多基线PolInSAR森林高度反演方法。该方法假定消光系数随着高度呈线性变化,并根据地形坡度对垂直向有效波数进行校正,采用多基线PolInSAR数据解算线性变化消光S-RVoG模型参数,进而获取森林高度。通过选取欧空局AfriSAR 2016项目获取的P波段F-SAR机载PolInSAR数据进行实验验证。实验结果显示,提出的算法所获取的森林高度结果与激光雷达获取的森林高度相比,均方根误差(root mean square error,RMSE)为4.27 m,相对误差为9.9%。相较于传统S-RVoG模型多基线算法获取的森林高度RMSE为5.97 m,精度提高约28.4%。
  • 图  1  S-RVoG模型示意图

    Figure  1.  Schematic Representation of S-RVoG Model

    图  2  复单位圆中相干系数分布示意图

    Figure  2.  Schematic Representation of Coherence Coefficients Distribution in Complex Unit Circle

    图  3  多基线算法流程图

    Figure  3.  Flowchart of Multi-baseline Method

    图  4  Rabi地区的Pauli基灰度彩色合成图

    Figure  4.  RGB Composite Intensity Image in Pauli-Basis of Rabi Site

    图  5  LiDAR数据覆盖区域示意图

    Figure  5.  Schematic Representation of LiDAR Data Coverage Area

    图  6  多基线算法森林高度结果图

    Figure  6.  Results of Forest Height of Multi-baseline Algorithms

    图  7  多基线算法森林高度结果对比

    Figure  7.  Comparison of Forest Height Results with Multi-baseline Algorithms

    表  1  极化SAR影像参数

    Table  1.   Parameters of PolSAR Dataset

    波段 极化方式 影像编号 垂直基线/m 垂直波数kz范围/(rad·m-1 入射角θ范围/(°) 采样间隔/m
    P 全极化 0402 15~60 1.2(距离向)
    0403 10 -0.033~-0.015
    0404 -20 0.029~0.059 0.9(方位向)
    0405 -30 0.049~0.090
    注:0402影像为主影像,0403、0404、0405为对应从影像
    下载: 导出CSV
  • [1] 李宁, 汪长城, 彭星, 等. 一种双基线极化干涉SAR的建筑物高度估计方法[J]. 武汉大学学报·信息科学版, 2016, 41(10): 1333‐1338 doi:  10.13203/j.whugis20140675

    Li Ning, Wang Changcheng, Peng Xing, et al. A Dual-Baseline Polarimetric SAR Interferometry Method for Building Height Inversion[J]. Geomatics and Information Science of Wuhan University, 2016, 41(10): 1333-1338 doi:  10.13203/j.whugis20140675
    [2] Neumann M, Ferro-Famil L, Reigber A. Estimation of Forest Structure, Ground, and Canopy Layer Characteristics from Multibaseline Polarimetric Interferometric SAR Data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(3): 1086-1104 doi:  10.1109/TGRS.2009.2031101
    [3] Treuhaft R N, Madsen S N, Moghaddam M, et al. Vegetation Characteristics and Underlying Topography from Interferometric Radar[J]. Radio Science, 1996, 31(6): 1449-1485 doi:  10.1029/96RS01763
    [4] Cloude S R, Papathanassiou K P. Three-Stage Inversion Process for Polarimetric SAR Interferometry[J]. IEEE Proceedings: Radar, Sonar and Navigation, 2003, 150(3): 125 doi:  10.1049/ip-rsn:20030449
    [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 doi:  10.1109/36.964971
    [6] 付海强, 朱建军, 汪长城, 等. 极化干涉SAR植被高反演复数最小二乘平差法[J]. 测绘学报, 2014, 43(10): 1061-1067

    Fu Haiqiang, Zhu Jianjun, Wang Changcheng, et al. Polarimetric SAR Interferometry Vegetation Height Inversion Method of Complex Least Squares Adjustment[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(10): 1061-1067
    [7] Flynn T, Tabb M, Carande R. Coherence Region Shape Extraction for Vegetation Parameter Estimation in Polarimetric SAR Interferometry[J]. IEEE International Geoscience and Remote Sensing Symposium, 2002, 5: 2596-2598 doi:  10.1109/IGARSS.2002.1026712
    [8] Neumann M, Ferro-Famil L, Reigber A. Multibaseline Polarimetric SAR Interferometry Coherence Optimization[J]. IEEE Geoscience and Remote Sensing Letters, 2008, 5(1): 93-97 doi:  10.1109/LGRS.2007.908885
    [9] Lavalle M, Simard M, Hensley S. A Temporal Decorrelation Model for Polarimetric Radar Interferometers[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(7): 2880-2888 doi:  10.1109/TGRS.2011.2174367
    [10] Garestier F, Dubois-Fernandez P C, Papathanassiou K P. Pine Forest Height Inversion Using Single-Pass X-Band PolInSAR Data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(1): 59-68 doi:  10.1109/TGRS.2007.907602
    [11] Garestier F, Le Toan T. Forest Modeling for Height Inversion Using Single-Baseline InSAR/Pol-InSAR Data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(3): 1528-1539 doi:  10.1109/TGRS.2009.2032538
    [12] Fu H Q, Zhu J J, Wang C C, et al. Underlying Topography Estimation over Forest Areas Using High-Resolution P-Band Single-Baseline PolInSAR Data[J]. Remote Sensing, 2017, 9(4): 363 doi:  10.3390/rs9040363
    [13] Kugler F, Lee S K, Hajnsek I, et al. Forest Height Estimation by Means of Pol-InSAR Data Inversion: The Role of the Vertical Wavenumber[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(10): 5294-5311 doi:  10.1109/TGRS.2015.2420996
    [14] Lu H X, Suo Z Y, Guo R, et al. S-RVoG Model for Forest Parameters Inversion over Underlying To‍pography[J]. Electronics Letters, 2013, 49(9): 618-620 doi:  10.1049/el.2012.4467
    [15] Denbina M, Simard M, Hawkins B. Forest Height Estimation Using Multibaseline PolInSAR and Sparse LiDAR Data Fusion[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(10): 3415-3433 doi:  10.1109/JSTARS.2018.2841388
  • [1] 边少锋, 刘一, 纪兵, 周威.  北斗三号卫星观测信息高度角相关随机模型统计特性分析 . 武汉大学学报 ( 信息科学版), 2022, 47(10): 1615-1624. doi: 10.13203/j.whugis20220021
    [2] 余婷婷, 董有福.  利用随机森林回归算法校正ASTER GDEM高程误差 . 武汉大学学报 ( 信息科学版), 2021, 46(7): 1098-1105. doi: 10.13203/j.whugis20190245
    [3] 黄攀, 唐劲松, 钟何平.  干涉合成孔径声呐复图像配准分段曲面拟合法 . 武汉大学学报 ( 信息科学版), 2021, 46(8): 1259-1264. doi: 10.13203/j.whugis20190306
    [4] 钟何平, 唐劲松, 马梦博, 吴浩然.  共享内存环境下的干涉合成孔径声呐复图像配准及优化方法 . 武汉大学学报 ( 信息科学版), 2019, 44(8): 1169-1173. doi: 10.13203/j.whugis20180051
    [5] 李平湘, 刘致曲, 杨杰, 孙维东, 黎旻懿, 任烨仙.  利用随机森林回归进行极化SAR土壤水分反演 . 武汉大学学报 ( 信息科学版), 2019, 44(3): 405-412. doi: 10.13203/j.whugis20160531
    [6] 吴星辉, 马海涛, 张杰.  地基合成孔径雷达的发展现状及应用 . 武汉大学学报 ( 信息科学版), 2019, 44(7): 1073-1081. doi: 10.13203/j.whugis20190058
    [7] 余洁, 王少华, 焦帅, 朱琳, 常占强, 陈蜜.  时空三维相位解缠算法改进研究 . 武汉大学学报 ( 信息科学版), 2019, 44(9): 1355-1362. doi: 10.13203/j.whugis20170414
    [8] 胡凯龙, 刘清旺, 崔希民, 庞勇, 穆喜云.  多源遥感数据支持下的区域性森林冠层高度估测 . 武汉大学学报 ( 信息科学版), 2018, 43(2): 289-296, 303. doi: 10.13203/j.whugis20160066
    [9] 刘坚, 李树林, 陈涛.  基于优化随机森林模型的滑坡易发性评价 . 武汉大学学报 ( 信息科学版), 2018, 43(7): 1085-1091. doi: 10.13203/j.whugis20160515
    [10] 武黎黎, 李晓峰, 陈月庆, 赵凯, 郑兴明, 张兴国.  HUT模型的改进及其雪深反演 . 武汉大学学报 ( 信息科学版), 2017, 42(7): 904-910. doi: 10.13203/j.whugis20150184
    [11] 李宁, 汪长城, 彭星, 付海强, 李鹏飞, 熊文秀.  一种双基线极化干涉SAR的建筑物高度估计方法 . 武汉大学学报 ( 信息科学版), 2016, 41(10): 1333-1338. doi: 10.13203/j.whugis20140675
    [12] 孙晗伟, 曾涛, 杨健, 李文梅.  SAR残余相位误差对森林高度反演影响的全链路模拟与分析 . 武汉大学学报 ( 信息科学版), 2015, 40(2): 153-158.
    [13] 杨杰, 赵伶俐, 李平湘, 郎丰铠.  引入规范化圆极化相关系数的保持极化散射特性的分类算法 . 武汉大学学报 ( 信息科学版), 2012, 37(8): 911-914.
    [14] 周志伟, 鄢子平, 刘苏, 李振洪.  永久散射体与短基线雷达干涉测量在城市地表形变中的应用 . 武汉大学学报 ( 信息科学版), 2011, 36(8): 928-931.
    [15] 董立新, 戎志国, 李贵才, 唐世浩.  吉林长白山森林冠顶高度激光雷达与MERSI联合反演 . 武汉大学学报 ( 信息科学版), 2011, 36(9): 1020-1024.
    [16] 余凡, 赵英时.  合成孔径雷达反演裸露地表土壤水分的新方法 . 武汉大学学报 ( 信息科学版), 2010, 35(3): 318-321.
    [17] 一种基于空间虚拟场景的森林冠层雷达相干散射模型 . 武汉大学学报 ( 信息科学版), 2008, 33(2): 120-123.
    [18] 钱俊, 舒宁.  基于EM算法和单幅雷达图像阴影的控制点坡度校正 . 武汉大学学报 ( 信息科学版), 2004, 29(12): 1089-1092.
    [19] 李德仁, 廖明生, 王艳.  永久散射体雷达干涉测量技术 . 武汉大学学报 ( 信息科学版), 2004, 29(8): 664-668.
    [20] 顾天襄.  合成孔径侧视雷达影象平面加密精度 . 武汉大学学报 ( 信息科学版), 1983, 8(2): 71-81.
  • 加载中
图(7) / 表(1)
计量
  • 文章访问数:  301
  • HTML全文浏览量:  87
  • PDF下载量:  37
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-03-23
  • 刊出日期:  2022-01-05

线性变化消光S-RVoG模型的多基线PolInSAR森林高度反演

doi: 10.13203/j.whugis20190336
    基金项目:

    国家自然科学基金 41820104005

    国家自然科学基金 41671356

    国家自然科学基金 41531068

    国家自然科学基金 41842059

    作者简介:

    吴传军,硕士,主要研究方向为极化干涉SAR数据处理。wuchuanjun@csu.edu.cn

    通讯作者: 汪长城,博士,教授。wangchangcheng@csu.edu.cn
  • 中图分类号: P237

摘要: 随机地体散射(random volume over ground, RVoG)模型广泛应用于极化干涉合成孔径雷达(polarimetric synthetic aperture radar interferometry, PolInSAR)森林高度反演当中。该模型假设森林是随机均匀同质体,模型中消光系数为恒定值,未充分考虑森林的垂直异构性及地形起伏的影响。提出了一种基于线性变化消光Slope-RVoG(S-RVoG)模型的多基线PolInSAR森林高度反演方法。该方法假定消光系数随着高度呈线性变化,并根据地形坡度对垂直向有效波数进行校正,采用多基线PolInSAR数据解算线性变化消光S-RVoG模型参数,进而获取森林高度。通过选取欧空局AfriSAR 2016项目获取的P波段F-SAR机载PolInSAR数据进行实验验证。实验结果显示,提出的算法所获取的森林高度结果与激光雷达获取的森林高度相比,均方根误差(root mean square error,RMSE)为4.27 m,相对误差为9.9%。相较于传统S-RVoG模型多基线算法获取的森林高度RMSE为5.97 m,精度提高约28.4%。

English Abstract

吴传军, 汪长城, 沈鹏, 朱建军, 付海强. 线性变化消光S-RVoG模型的多基线PolInSAR森林高度反演[J]. 武汉大学学报 ( 信息科学版), 2022, 47(1): 149-156. doi: 10.13203/j.whugis20190336
引用本文: 吴传军, 汪长城, 沈鹏, 朱建军, 付海强. 线性变化消光S-RVoG模型的多基线PolInSAR森林高度反演[J]. 武汉大学学报 ( 信息科学版), 2022, 47(1): 149-156. doi: 10.13203/j.whugis20190336
WU Chuanjun, WANG Changcheng, SHEN Peng, ZHU Jianjun, FU Haiqiang. A Multi-baseline PolInSAR Forest Height Inversion Method Based on S-RVoG Model with Linearly Varying Extinction[J]. Geomatics and Information Science of Wuhan University, 2022, 47(1): 149-156. doi: 10.13203/j.whugis20190336
Citation: WU Chuanjun, WANG Changcheng, SHEN Peng, ZHU Jianjun, FU Haiqiang. A Multi-baseline PolInSAR Forest Height Inversion Method Based on S-RVoG Model with Linearly Varying Extinction[J]. Geomatics and Information Science of Wuhan University, 2022, 47(1): 149-156. doi: 10.13203/j.whugis20190336
  • 森林作为一种可再生资源,在全球生态循环中扮演着十分重要的角色。森林不仅能够防风固沙,保持水土,森林生物量和垂直结构在森林经理学应用和全球碳循环有关科学研究中都具有重要意义。传统森林高度测量方法主要依靠人工选点,费时费力,且不易有效实施。极化干涉合成孔径雷达(polarimetric synthetic aperture radar interferometry,PolInSAR)技术因其对散射体结构敏感的特点,具有全天候全天时的大范围监测优势,为森林制图提供了有效的技术手段[1-2]

    利用PolInSAR技术进行大范围的森林监测方法是基于雷达干涉测量对于散射体(叶、枝、干)垂直分布的敏感性,在合成孔径雷达(synthetic aperture radar interferometry,SAR)数据上表现为相位和相干性的差异,进而利用这些特征进行建模求解。PolInSAR技术中不同极化通道得到的干涉相位对应于森林不同高度,其位置取决于极化通道中来自地表与冠层能量的比值大小。为了简化雷达波在森林内部传递的复杂性,Treuhaft等[3]假定森林是随机粒子组成的两层结构均匀体(即地表和冠层),且消光系数是恒定值,其模型概括为随机地体散射(random volume over ground,RVoG)模型。RVoG模型将复相干性与4个森林物理参数(树高、消光系数、地体散射幅度比及地表相位)有机结合起来,直接建立了森林物理参数与PolInSAR观测量之间的联系。由于模型简单有效,基于此模型发展了诸多算法,如三阶段算法[4]、六维非线性优化算法[5]及复数域平差算法[6]等。此外,相关学者提出了基于PolInSAR相干最优理论的诸多反演方法,如最大相干性差异(maximum coherence difference,MCD)算法[1]、相位分离(phase diversity,PD)算法[7]及多基线相干性估计算法[8]等。该类方法对于森林高度反演的贡献在于提供了更加精确的纯体去相干候选极化通道,从而提高了地表相位与森林高度估算的精度。

    RVoG模型虽然简单高效,但是森林真实的散射过程十分复杂,此模型是基于一定的假设条件:(1)森林是地表和冠层组成的均匀同质两层结构体;(2)忽略时间去相干的影响;(3)消光系数是恒定不变的。Lavalle等[9]针对于时间去相干问题,提出了顾及时间去相干的RVoG模型,在时间基线跨度大的数据中得到良好应用,森林高度反演精度得到明显改善。对于低频SAR系统(如L波段、P波段),其穿透性较强,散射过程垂直分布于冠层、枝干与地表之间[10]。恒定消光的RVoG模型已不再适用低频极化干涉SAR数据。Garestier等[11]通过研究变化消光的RVoG模型相对于恒定消光的RVoG模型之间的差异,通过给定相关参数进行模拟反演,定性、定量评估反演树高时出现的误差。在该实验中,提出两个可供选择的变化消光模型:(1)线性变化消光模型;(2)高斯模型。针对于高斯模型来说,已有文献进行研究分析[12]。然而,高斯模型中未知参数过多,模型公式非线性程度高,必须使用多基线或者外部辅助数据才能进行解算。而线性变化消光模型简单高效,未知参数少,易于解算。针对于P波段SAR数据来说,可忽略顶层消光不为零的线性变化消光情况。此外,地形起伏变化会导致有效垂直波数值的改变,将直接影响树高的反演精度[13]。Lu等[14]考虑因地形坡度变化造成的树高反演误差,提出Slope-RVoG(S‐RVoG)模型,提高了森林高度反演精度。

    上述基于RVoG或S-RVoG模型的诸多算法均可通过单基线PolInSAR数据成功反演森林高度。然而,单基线算法存在如下3个问题:(1)传统RVoG模型中假定消光系数为恒定值,模型已不再适用于热带雨林等森林高度较高、密度较大的区域;(2)单基线反演算法观测量单一且易受到垂直波数(kz)范围的影响,kz值过大或者过小,均会造成森林高度的错误估计;(3)至少存在一种极化方式其地体幅度比小于-10 dB。

    综上所述,目前尚缺少考虑线性变化消光的S-RVoG模型的PolInSAR森林高度反演算法。为解决上述问题,本文结合线性变化消光的RVoG模型与地形坡度因子,提出了基于线性变化消光S-RVoG模型的PolInSAR多基线优选的森林高度反演方法。实验中选取了覆盖非洲加蓬Rabi区域的AfriSAR 2016项目全极化SAR(polarimetric SAR,PolSAR)数据进行算法验证,并与传统多基线算法结果进行综合对比分析。

    • 本文算法是基于RVoG模型、S-RVoG模型的改进,因此,有必要介绍一下相关模型的基本理论。

    • RVoG模型是目前PolInSAR反演森林高度使用最广泛的模型[3-61315]。其假设森林是均匀同质的两层散射结构体,即地表和冠层,并假定消光系数在模型中是不随森林高度、结构变化而发生改变的恒定值。冠层散射信息由森林的两个物理参数所决定:森林高度hv和消光系数σ。由此定义的复相干系数表达式为:

      γω=eiϕ0γv+μω1+μωγvhv, σ=0hve2σzcosθ+ikzzdz0hve2σzcosθdz=2σeσhv/cosθ+ikzhv-12σ+ikzcosθe2σhv/cosθ-1

      式中,σ为消光系数;hv为森林高度;ϕ0为林下地表相位;γv为仅包含冠层散射能量的纯体去相干系数;μω为地体幅度比;ω为不同的极化方式;θ为雷达入射角;kz为垂直波数。kz表达式为:

      kz=4πBλRsinθ

      式中,B为垂直基线;λ为雷达波长;R为传感器到照射目标的斜距。

    • RVoG模型假设地形起伏变化为零,忽略了地形坡度变化而导致的模型反演误差。针对RVoG模型未考虑地形坡度问题,Lu等[14]提出顾及地形坡度的S-RVoG模型,其模型解译如图 1所示。当地面出现起伏地形时,雷达波束的消光路径发生变化,显然按照忽略地形坡度影响的传统RVoG模型进行树高反演容易出现误差。

      图  1  S-RVoG模型示意图

      Figure 1.  Schematic Representation of S-RVoG Model

      考虑到地形坡度的影响,RVoG模型将出现入射角及垂直波数的变化:

      θ'=θ-βkz'=kzsinθsinθ'

      式中,θ是雷达入射角;θ'为加入地形坡度的修正的雷达入射角;β是高程变化引起的地形坡度,可由外部数字高程模型(digital elevation model,DEM)数据计算修正。坡度计算公式[13]为:

      β=tan-1(ΔH/(Prgsinθ+ΔHtanθ))

      式中,ΔH表示DEM相邻像素之间的高差;Prg代表SAR影像的斜距向分辨率。

      针对传统RVoG模型未充分考虑森林结构的垂直异构性,仅假设消光系数在模型当中为恒定值问题,Garestier等[11]假定消光系数随着树高的变化呈线性关系,研究了纯体去相干与树高变化及雷达波穿透森林厚度之间的敏感度问题。

      在模型中,假定消光系数与树高呈线性关系:

      σz=αz, hv>z>0

      式中,α为线性函数中的斜率。将式(4)代入式‍(1),经地形坡度修正[14]以及等式转换关系[11],纯体去相干系数表达式变为:

      γvhv, α=0hve-2αz2cosθ'+ikz'hv-zdz0hve-2αz2cosθ'dz

      式(5)可用高斯误差函数求解,可得:

      γvhv, α=e-cosθ'kz'28α+ikz'hv×erf(icosθkz'+4αhv22αcosθ')-erf(ikz'2cosθ'2α)erf(2αcosθ'hv)

      式中,erf指高斯误差函数计算;kz'θ'是经过地形坡度修正的垂直波数与雷达入射角。

      式(7)为线性变化消光S-RVoG模型中的纯体去相干系数的最终表达式。

    • 三阶段算法建立了RVoG模型在复数平面内的几何表达,不同复相干系数在复单位圆中呈现线性分布,并可通过线性拟合的方法确定地表相位,进而求取树高。该算法大大简化了计算的难度,提高了运行效率。

      1)最小二乘直线拟合。不同极化方式的复相干系数在复单位圆内表现为一条直线。由于噪声的影响,复相干系数分布在相干直线的两侧,如图 2所示。

      图  2  复单位圆中相干系数分布示意图

      Figure 2.  Schematic Representation of Coherence Coefficients Distribution in Complex Unit Circle

      在实验中,采用总体最小二乘直线拟合的方法,对HH、HV、VV、HH+VV、HH-VV、PDH、PDL共7个通道拟合相干直线。

      2)地表相位的确定。步骤1)拟合出的相干直线与复单位圆相交于两点O1O2,其中一点为地表相位点。可通过交点距离D判断出只包含冠层散射能量贡献的极化通道(一般假设为γPDH复相干系数)来确定地表相位,判定准则如下:

      D=O1-γPDH-O1-γPDLϕ0=O1, D>0O2, D0

      式中,表示取复数的模;γPDHγPDL为PD算法获取的极化复相干系数。

      3)建立二维查找表,计算树高和消光系数。复相干系数表达式中未知数有树高hv、消光系数σ、地体散射幅度比μ(ω)及地表相位ϕ0。经步骤‍1)和步骤2),可确定地表相位。假设某一极化通道仅包含体散射能量贡献,即地体幅度比为0,树高和消光系数可通过二维查找表法计算。计算准则如下:

      minhv, σ=γ̂v-γvhv, σ

      式中,γ̂v为观测到的纯体去相干系数;γv代表二维查找表计算得到的纯体去相干系数。

    • 单基线PolInSAR数据反演森林高度易受到垂直波数kz值的影响。基线越长,kz值越大,相干性则越低,从而导致森林高度的错误估计;基线越短,则kz值越小,从而导致森林高度估计的精度越差[13]。为了获取可靠的反演结果,单基线算法中还要求数据的复相干系数组成的相干集尽可能接近直线。目前,多基线算法是通过各个基线数据的kz值范围不同和相干性差异等,构建最优观测几何准则,可以更加稳健地进行森林高度的反演。基于上述原因,本文建议采用多基线算法反演森林高度。

      多基线优选准则主要有相干椭圆扁率准则、测高精度准则及相干特性准则[15]。而相干特性准则考虑了相位最大分离及相干性的差异,因此,本文采用PD算法得到的复相干系数参与相干特性的筛选基线准则,准则如下:

      Pprod=γPDH-γPDLγPDH+γPDL

      选择Pprod值最大时为反演最佳基线。多基线数据基于相干特性准则优选出合适基线,进而求解。

      本文方法的技术流程如图 3所示,主要解算步骤如下:(1)重复三阶段算法前两个步骤,分别计算每条基线对应的地表相位;(2)利用外部DEM数据,修正地形坡度对垂直波数kz以及雷达入射角θ的影响,得到修正后的kz'θ';(3)根据Pprod基线优选准则,优选出合适基线,选取对应基线的地表相位ϕ0与垂直波数kz',采用线性变化消光的S-RVoG模型的纯体去相干表达式,即等式‍(7),建立二维查找表,计算森林高度,表达式如下:

      maxPprod1γPDH1, γPDL1Pprod2γPDH2, γPDL2PprodmγPDHm, γPDLmminhv, α=γ̂v-γvhv, α

      图  3  多基线算法流程图

      Figure 3.  Flowchart of Multi-baseline Method

    • 本实验选取了AfriSAR 2016项目中Rabi地区作为实验区域,验证算法的有效性。AfriSAR项目是美国国家宇航局和欧洲航天局联合开展的基于全极化SAR技术的森林调查项目。实验区位于非洲中部西海岸加蓬共和国的森林区域,图 4是Rabi区域基于Pauli基的彩色合成图。

      图  4  Rabi地区的Pauli基灰度彩色合成图

      Figure 4.  RGB Composite Intensity Image in Pauli-Basis of Rabi Site

      所选Rabi实验区是典型的非洲热带雨林区域,树高最高可达50 m以上。在AfriSAR 2016项目中,Rabi区域共获取4景P波段F-SAR机载全极化SAR影像,基本参数信息如表 1所示。

      表 1  极化SAR影像参数

      Table 1.  Parameters of PolSAR Dataset

      波段 极化方式 影像编号 垂直基线/m 垂直波数kz范围/(rad·m-1 入射角θ范围/(°) 采样间隔/m
      P 全极化 0402 15~60 1.2(距离向)
      0403 10 -0.033~-0.015
      0404 -20 0.029~0.059 0.9(方位向)
      0405 -30 0.049~0.090
      注:0402影像为主影像,0403、0404、0405为对应从影像

      数据预处理中采用PolSARpro软件进行7×7像素窗口的BoxCar滤波。在精度评估方面,本文将与该实验区的激光雷达(light detection and ranging,LiDAR)获取的树高作为对比参考数据,该验证数据是美国国家宇航局利用航天飞机获取的分辨率为20 m的LiDAR数据。实验分析中仅统计了LiDAR树高大于10 m的地块,采用50×50像素窗口均匀地选取样地,求取窗口内平均值并与相应LiDAR森林高度进行统计对比,获取PolInSAR森林高度的反演精度。选取LiDAR树高大于10 m的森林高度进行对比的原因是当森林高度较矮时,使用基于RVoG模型的长波长SAR数据进行森林高度反演时,极易出现偏差[11]。把LiDAR与PolInSAR获取的森林高度均地理编码到通用横墨卡托格网系统(universal transverse Mercartor grid system,UTM)坐标系下,由于数据分辨率不一样,在地理编码过程中,难免出现配准误差。而使用均匀采样求均值的统计分析方法避免了SAR与LiDAR的配准误差,同时,一定程度上削弱了不满足RVoG模型假设条件的地块对精度评价的影响。

      图 5是获取的LiDAR验证数据实际覆盖区域与极化SAR数据重叠区域。图 5中缺失块为获取LiDAR数据未成功的地块范围。将LiDAR覆盖范围和Rabi实验区SAR数据进行掩膜,以便进行后续的实验结果分析与精度评定。

      图  5  LiDAR数据覆盖区域示意图

      Figure 5.  Schematic Representation of LiDAR Data Coverage Area

    • 为了验证提出方法的有效性,本文分析比较了传统RVoG模型的多基线算法、传统S-RVoG模型的多基线算法、线性变化消光RVoG模型的多基线算法与线性变化消光S-RVoG模型的多基线算法实验结果。基于多基线PolInSAR的不同方法树高反演的冠层高度模型(canopy height model,CHM)结果示意图如图 6所示。

      图  6  多基线算法森林高度结果图

      Figure 6.  Results of Forest Height of Multi-baseline Algorithms

      图 6中可以看出,传统RVoG模型的多基线算法与传统S-RVoG模型的多基线算法相较于LiDAR树高分布均出现明显的高估现象。S‐RVoG模型多基线算法由于修正了地形坡度对于森林高度反演参数垂直波数kz和雷达入射角θ的影响,相较于RVoG模型多基线算法,结果有所改善。线性变化消光的RVoG模型多基线算法与线性变化消光的S-RVoG模型多基线算法结果均与LiDAR树高分布十分吻合。为了定量分析各个算法的森林高度反演结果,分别求取了各个算法结果与LiDAR验证数据之间的均方根误差(root mean square error,RMSE)和相对误差δ,各个算法的精度统计如图 7所示。

      图  7  多基线算法森林高度结果对比

      Figure 7.  Comparison of Forest Height Results with Multi-baseline Algorithms

      RMSE和δ计算公式如下:

      RMSE=i=1N(hiLiDAR-hiPolInSAR)2/Nδ=i=1NhiLiDAR-hiPolInSAR/hiLiDARN×100%

      图 7中可以看出,传统RVoG模型的多基线算法树高反演RMSE为6.57 m,相对误差为16.8%;传统S-RVoG模型的多基线算法树高反演RMSE为5.97 m,相对误差为15.1%。可见加入地形坡度修正,树高反演精度提高约10%。线性变化消光RVoG模型的多基线算法树高反演RMSE为4.71 m,相对误差为11.0%,相较于传统RVoG模型的多基线算法反演结果,精度提高约28.3%;线性变化消光S-RVoG模型多基线算法树高反演RMSE为4.27 m,相对误差为9.9%,相较于传统RVoG模型的多基线算法反演结果,精度提高约35%,相较于传统S-RVoG模型的多基线算法反演结果,精度提高约28.4%。由结果可以看出,线性变化消光S-RVoG模型的多基线算法取得了最好的实验结果,表明所提出算法的有效性。传统RVoG模型忽略了地形坡度变化对于森林高度反演的影响,且假定消光系数是不随森林高度变化与森林垂直结构变化的恒定值,对于热带雨林区域中密度较大、树木较高的林分而言具有局限性,而使得森林高度反演出现误差,结果充分说明了此问题。而线性变化消光S-RVoG模型的多基线反演算法修正了地形坡度变化带来的影响,考虑到森林结构的垂直异构性,假定消光随森林高度变化呈现简单的线性关系,揭示了恒定消光的RVoG模型的不合理性。针对本文实验数据来说,线性变化消光的RVoG模型相较于恒定消光的RVoG模型,更加适用于反演热带雨林区的森林高度,为不同区域反演森林高度时提供了可供选择的反演方案。

    • 本文围绕传统RVoG模型存在的问题,引入地形坡度与线性变化消光系数,提出基于线性变化消光S-RVoG模型的多基线PolInSAR森林高度反演方法,通过AfriSAR 2016项目中Rabi实验区P波段全极化SAR数据进行了算法验证。实验结果如下:

      1)针对传统RVoG模型的多基线反演算法,反演结果存在明显的高估现象。引入地形坡度因子后,反演结果得到改善。

      2)相对传统S-RVoG模型的多基线算法树高反演结果,本文提出的基于线性变化消光S‐RVoG模型的多基线算法树高反演RMSE为4.27 m,精度提升幅度达28.4%,验证了本文提出算法的有效性。

参考文献 (15)

目录

    /

    返回文章
    返回