تخمین پارامتر عمودی جنگل با استفاده از تصاویر PolInSAR بر اساس تصحیح رادیومتری

خلاصه

این کار یک الگوریتم تصحیح زمین رادیومتری ابتکاری را با استفاده از تصاویر PolInSAR برای بهبود برآورد پارامتر ساختار عمودی جنگل معرفی می‌کند. واریانس پراکندگی برگشتی رادار ناشی از موج‌ریزی زمین در این تحقیق با بهره‌برداری از یک روش بهینه‌سازی تکرار برای بهبود تخمین پراکندگی پس‌انداز برای تصویر رادار دیافراگم مصنوعی (SAR) در نظر گرفته شده است. برای حذف واریانس ضرایب پس پراکندگی ناشی از زاویه برخورد محلی، یک الگوریتم عادی سازی رادیومتریک برای جبران تأثیر زمین بر مقادیر پس پراکندگی، که مانع از تخمین پارامتر عمودی جنگل می شود، بررسی شده است. در برآورد پارامتر عمودی، تنوع گونه‌ای و توزیع فضایی پوشش گیاهی مختلف مدل‌سازی شده است. سپس، ترکیبی از تخمین پارامتر مدل آلفا-تنوع فیشر و روش وارونگی سه مرحله‌ای برای پارامتر ساختار عمودی طراحی شد. برای نشان دادن کارایی روش پیشنهادی در برآورد ارتفاع جنگل، روش اختلاف فاز کلاسیک و روش وارونگی سه مرحله‌ای به منظور مقایسه انجام شده است. الگوریتم پیشنهادی بر روی مجموعه داده‌های ALOS PALSAR (رادار دیافراگم مصنوعی باند L با آرایه فازی ماهواره‌ای با مشاهده پیشرفته زمین) و RADARSAT-2 (رادیو جهت و برد ماهواره 2) برای منطقه کوهستان بزرگ Xing’an و BioSAR (Biomas) آزمایش شده است. دیافراگم رادار) مجموعه داده 2007 برای منطقه Remningstorp. نتایج تخمین ارتفاع نیز با استفاده از اندازه‌گیری‌های درجا تأیید شده‌اند.

کلید واژه ها:

PolInSAR ; تصحیح رادیومتری زمین ; ساختار عمودی ؛ مکانیسم پراکندگی ؛ مدل RVoG (مدل حجم تصادفی روی زمین)

1. معرفی

پارامترهای جنگل، به ویژه پارامترهای ساختار عمودی، پیش نیاز تحلیل دینامیکی چرخه کربن و چرخه آب هستند [ 1 ، 2 ]، که نقش مهمی در تحقیقات مربوط به حفاظت از محیط زیست و سیستم آب و هوای جهانی دارند [ 3 ]. ارتفاع جنگل یکی از ضروری ترین پارامترهای اطلاعات جنگل است. با این حال، واریانس زمین چالشی را برای وارونگی پارامتر بر اساس تصاویر PolInSAR ایجاد می‌کند، زیرا موج‌سازی ممکن است پراکندگی پوشش گیاهی را پیچیده‌تر کند.

فناوری سنجش از دور تداخل سنجی پلاریمتری SAR (PolInSAR) دارای پتانسیل در تخمین پارامترهای جنگل است زیرا توانایی نفوذ کافی برای استخراج اطلاعات زمین و تاج جنگل را دارد. برای مدل‌سازی اطلاعات دینامیکی منطقه جنگل، می‌توان مشاهده سری زمانی طولانی و در مقیاس بزرگ از صحنه ارائه کرد. تخمین ارتفاع جنگل یک موضوع داغ در سنجش از دور PolInSAR است.

روش اختلاف فاز و الگوریتم روش مبتنی بر مدل، روش‌های اصلی وارونگی هستند. روش اختلاف فاز از فاز تداخل سنجی برای نشان دادن تاج پوشش و زمین مربوطه برای وارونگی ارتفاع جنگل استفاده می کند. بر اساس تداخل‌نگارهای مکانیسم‌های پراکندگی مختلف به‌دست‌آمده از روش بهینه‌سازی انسجام، کلود [ 4 ] ابتدا از فناوری PolInSAR برای تخمین ارتفاع جنگل استفاده می‌کند. گابریل [ 5 ] رویکرد تجزیه انسجامی را پیشنهاد می‌کند، که در آن تجزیه پلاریمتری ابتدا برای طبقه‌بندی مکانیسم‌های مختلف پراکندگی استفاده می‌شود و سپس یک روش اختلاف فاز شامل فاز زمین و فاز تاج پوشش برای بدست آوردن ارتفاع جنگل انجام می‌شود. یامادا [ 6] نظریه تجزیه و تحلیل طیفی فناوری فوق العاده وضوح و همچنین رویکرد ESPRIT را برای تخمین جهت گیری امواج سیگنال در نظر می گیرد که نشان دهنده اولین تلاش برای ترکیب فناوری وضوح فوق العاده در تحقیق در مورد وارونگی ارتفاع پوشش گیاهی است. برای استخراج فاز تداخل در موقعیت‌هایی که با داده‌های مشاهده محدود مشخص می‌شوند، وانگ [ 7 ] روش ESPRIT را برای محاسبه فاز تداخل و قدرت پراکندگی توسعه می‌دهد. قدرت پراکندگی برای طبقه‌بندی مکانیسم پراکندگی، که از تداخل‌نگارها برای نمایش ویژگی‌های فیزیکی منظره واقعی استفاده می‌کند، استفاده شد. گیلاسو [ 8] نشان می دهد که ESPRIT در فاز زمین جنگل دقتی را نشان نمی دهد. آزمایش شبیه‌سازی نشان می‌دهد که اعوجاج زمین ممکن است باعث تخمین غیرقابل اعتماد در فاز پراکندگی زمین شود، اجزای دپلاریزاسیون را حفظ کند و منجر به نسبت زمین به حجم کمتر از ۳ دسی‌بل شود.

روش مبتنی بر مدل به مدل ضریب منسجم پیچیده داده‌های PolInSAR بستگی دارد و دارای پایه فیزیکی و نظری قوی است. علاوه بر ارتفاع پوشش گیاهی، ضریب انقراض و سایر پارامترهای عمودی قابل استخراج است. بر اساس مدل ضرایب منسجم پیچیده PolInSAR پیشنهاد شده توسط اویسغاران [ 9 ]، پاپاتاناسیو روش وارونگی را به یک مسئله تخمین پارامتر غیر خطی کلاسیک تبدیل می کند که به عنوان روش تکرار غیر خطی شش بعدی از آن یاد می شود. بسیاری از پارامترهای ارزشمند را به طور همزمان ارائه می دهد، با این حال، محاسبه زمان بر است، و به شدت به مقدار اولیه بستگی دارد و تمایل دارد که در راه حل بهینه محلی قرار گیرد [ ]]. برای حل این مشکلات، روش هایی مانند روش بازپخت شبیه سازی شده [11 ]، الگوریتم ژنتیک [ 12 ] و شبکه عصبی BP [ 13 ] پیشنهاد شده است. کلود [ 14 ] روش وارونگی سه مرحله‌ای را با این فرض پیشنهاد می‌کند که نسبت زمین به حجم کانال‌های مختلف روی یک خط مستقیم قرار دارد و دقت برآورد ضریب همدوسی حجم کمتر از 10 دسی‌بل است. بنابراین، خطای تخمین ارتفاع می تواند کمتر از 10٪ باشد. علاوه بر این، کلود [ 15] یک روش مبتنی بر PolInSAR چند خط پایه و چند فرکانس را پیشنهاد کرد که هدف آن استخراج فاز زمین و تاج در کانال تداخل سنجی اضافی برای بهبود دقت نتیجه تخمین ارتفاع است. با این حال، محاسبه بسیاری از پارامترها برای استخراج فاز تداخل سنجی بهینه زمان بر است.

واریانس در زمین تأثیر قوی بر تخمین ارتفاع پوشش گیاهی دارد. در مناطق ناهموار، موج‌دار شدن زمین ممکن است به تفاوت‌های قابل توجهی در پژواک زمین منجر شود و در نتیجه پراکندگی تصویر SAR را تغییر دهد. در مورد جنبه هندسی، اعوجاج زمین، مکان پیکسل تصویر را تغییر داد. ممکن است منجر به ایجاد سایه، توقف و کوتاهی در ناحیه تصویربرداری SAR شود. از نظر جنبه رادیومتریک، پراکندگی عقب رادار به زمین متکی است زیرا زاویه برخورد محلی مربوطه می تواند ضریب پراکندگی عقب و ناحیه پراکندگی را به دلیل واریانس زمین تغییر دهد. بنابراین، طبقه بندی پوشش زمین متفاوت خواهد بود. در نتیجه، حتی برای یک دسته پوشش زمین، مقادیر رادیومتریک ممکن است متفاوت باشد، در حالی که دسته های مختلف پوشش زمین ممکن است مقدار روشنایی مشابهی داشته باشند.

برای حذف اعوجاج در ناحیه تصویربرداری SAR، روش تصحیح زمین از طریق اطلاعات ارتفاع ارائه شده توسط مدل دیجیتال ارتفاع (DEM) معرفی شده است. روش معمولی شامل تصحیح هندسی و تصحیح رادیومتری است.

هدف تصحیح هندسی قرار دادن هر پیکسل در موقعیت مناسب، به ویژه مکان واقعی پشته ها و دره ها است. از نظر روش‌های تصحیح هندسی، روش چند جمله‌ای [ 16 ] یک رویکرد سنتی است که ناحیه تغییر شکل را شبیه‌سازی می‌کند در حالی که رویه هندسی در ناحیه تصویر را نادیده می‌گیرد. محاسبات سریع است اما فقط در شرایط زمین نسبتاً مسطح مناسب است. بر اساس تئوری تصویربرداری SAR، Leberal [ 17] تابع فاصله مایل و تابع صفر داپلر را برای تصاویر SAR هوابرد پیشنهاد می کند. این الگوریتم برای تصاویر SAR فضایی کافی نیست زیرا اثر داپلر صفر نیست و مهاجرت فاصله نسبتاً قابل توجهی است. روش شبیه سازی مبتنی بر DEM ابتدا تصویر شبیه سازی را با استفاده از پارامتر تصویربرداری SAR و اطلاعات DEM برای کالیبراسیون تصویر شبیه سازی می سازد تا تابع مختصات بین تصویر SAR و DEM را ایجاد کند. شرایر [ 18 ] مفهوم Geocoding Elipsoid Corrected (GEC) را معرفی می کند، که مدل مدار، تابع محدوده و تابع فرکانس داپلر را به یک چند جمله ای پارامتری برای ساخت مدل Range Doppler (RD) تبدیل می کند. روش تکرار مبتنی بر نمونه برداری مجدد نیز برای به دست آوردن مکان واقعی پیکسل تصویری SAR استفاده شده است. مایر [ 19] روش Geocoded Terrain Corrected (GTC) را بر اساس درون یابی مکان ماهواره و بردار سرعت بدون تابع مدار پارامتری شده معرفی می کند. در مرحله تصحیح، از روش تکرار مبتنی بر تابع داپلر برای محاسبه مختصات تصویر از مختصات زمین بدون نقاط کنترل زمین (GCP) استفاده می شود.

تصحیح رادیومتریک با تصحیح روشنایی زمین محلی، که توسط فرشته فرود، گرادیان زمین محلی و آزیموت تعریف می شود، انجام می شود. برای تبدیل روشنایی رادار به ضریب پس پراکندگی، زمین محلی و هندسی تصویربرداری باید در نظر گرفته شود. بایر و ماوزر [ 20 ، 21 ، 22] نشان می دهد که روشنایی رادار می تواند از دو جنبه تحت تأثیر زمین قرار گیرد. اولاً، منطقه پراکندگی ممکن است برای یک واحد در شرایط مختلف زمین متفاوت باشد، و همان پوشش زمین ممکن است مکانیسم‌های پراکندگی متفاوتی داشته باشد زیرا زوایای برخورد محلی متفاوت ناشی از زمین‌های مختلف است. برای همان واحد پراکندگی در محدوده شیب، ناحیه پراکندگی رو به جلو بزرگ است و ناحیه عقب در محدوده زمین به دلیل شیب زمین کوچک است. کوچک [ 23 ، 24] رابطه هندسی بین تصویربرداری SAR و اطلاعات DEM را در نظریه همگنی و ناهمگنی پیشنهادی در نظر می گیرد. در مورد همگنی، روش عادی سازی رادیومتریک زمانی استفاده می شود که پیکسل مربوطه در DEM هیچ تاثیری بر تصویر SAR نداشته باشد. در مورد ناهمگونی، رابطه هندسی بین تصویر DEM و SAR باید در نظر گرفته شود. هر ناحیه پیکسل DEM از چندین پیکسل SAR تشکیل شده است. سپس، پیکسل DEM را می توان به چندین واحد تقسیم کرد و منطقه پراکندگی موثر به عنوان ترکیبی از چندین واحد نشان داده می شود. لارس [ 25 ] یک روش زاویه پروژه را برای نتیجه تصحیح زمین در فضای نقشه پیشنهاد می کند که می تواند هزینه محاسبات را به طور قابل توجهی کاهش دهد.

زوایای برخورد مختلف می‌تواند منجر به واریانس عظیمی در پراکندگی پس‌پوش زمین شود. روش‌های تصحیح هندسی، مانند شبیه‌سازی DEM و روش نمونه‌برداری مجدد RD بر اساس درونیابی، در برآورد پارامتر جنگل به دقت ناکام هستند. روش تصحیح رادیومتریک به شیب بستگی دارد و زمین نسبتاً مسطح است در حالی که روش فعلی در شرایط زمین شکسته بی اثر است. روش وارونگی سنتی ممکن است دقت تخمین پارامتر ساختار عمودی را محدود کند. روش‌های تصحیح زمین رادیومتریک کنونی عمدتاً بر حذف تأثیر دامنه پس پراکندگی تمرکز دارند، در حالی که فاز پس پراکندگی نادیده گرفته می‌شود.

در این مقاله، ما با در نظر گرفتن تنوع گونه‌های درختی و اصلاح زمین، یک الگوریتم اصلاح زمین و برآورد ارتفاع را پیشنهاد کردیم. گونه های درختی مختلف ساختار عمودی و توزیع فضایی متفاوتی دارند و تأثیر زاویه برخورد بر روی گونه های مختلف متفاوت است. ویژگی‌های پوشش زمین در تصاویر SAR با استفاده از روش استخراج مکانیسم پراکندگی از طریق طبقه‌بندی پوشش زمین منطقه جنگلی تحلیل می‌شوند. در تصحیح رادیومتریک زمین، یک روش بهینه‌سازی تکرار برای تخمین پراکندگی بهینه برای جبران تأثیر اعوجاج زمین بررسی می‌شود. در روش استخراج پارامتر ساختار عمودی، تنوع گونه‌ای و توزیع فضایی پوشش گیاهی مدل‌سازی می‌شود. پارامتر ساختار عمودی بر اساس مدل ضریب همدوسی تداخل سنجی بازیابی شده است. در مقایسه با وارونگی مستقیم سه مرحله ای، دقت برآورد ارتفاع جنگل بهبود یافته است. این مقاله به شرح زیر سازماندهی شده است.بخش 2 ویژگی های اساسی یک تصویر SAR را در منطقه جنگلی توضیح می دهد. چارچوب مفصلی از الگوریتم پیشنهادی در بخش 3 پس از مقدمه‌ای کوتاه بر الگوریتم تصحیح رادیومتری مبتنی بر طبقه‌بندی مکانیسم پراکندگی و روش تخمین پارامتر عمودی ارائه شده است. در بخش 4 ، آزمایش‌هایی برای تأیید روش پیشنهادی و روش‌های مقایسه از تجزیه و تحلیل تصحیح زمین و تخمین ارتفاع درخت بر روی مجموعه داده‌های واقعی ALOS PALSAR، RADARSAT-2 و BioSAR انجام شده است. در نهایت، بحث ها و نتیجه گیری ها در بخش 5 ارائه شده است .

2. تجزیه و تحلیل ویژگی های PolInSAR در منطقه جنگلی

پردازش تصویر PolInSAR یک تکنیک بالقوه برای تصحیح زمین و استخراج پارامتر ساختار عمودی است. در این بخش، ویژگی‌های PolInSAR از نظر تداخل سنجی SAR و پراکندگی برگشتی تحلیل می‌شوند.

2.1. تجزیه و تحلیل شخصیت PolInSAR

داده‌های PolInSAR توسط دو موقعیت کمی متفاوت در فضای دو تصویر SAR کاملاً قطبی به دست می‌آیند. در موقعیت تک استاتیک، هر تصویر PolSAR را می توان به عنوان اجزای هدف Pauli بیان کرد [ 26 ، 27 ]

(1)

حالت های قطبش مختلف که با ارسال و دریافت امواج الکترومغناطیسی نشان داده می شوند، برای تولید داده های پیچیده SAR با پایه قطبش افقی h یا عمودی v ترکیب می شوند، که در آن i = 1، 2 هر یک از مجموعه داده های تداخل سنجی را نشان می دهد. در شرط بردار پائولی معادله (1)، بردار هدف PolInSAR از ترکیب K _i ، برای i = 1، 2 ساخته شده است.

(2)

برای پراکندگی های قطعی یا نقطه ای، مانند پراکندگی دو وجهی، معادله (2) یک بردار قطعی است. در مورد پراکندگی های توزیع شده، معادله (2) یک بردار تصادفی در نتیجه پیچیدگی فرآیند پراکندگی است [ 26 ]. برای داده های ثابت، معادله (2) را می توان به صورت یک تابع چگالی احتمال گاوسی شش بعدی، میانگین صفر، پیچیده نمایش داد (pdf). تحت این فرض، اطلاعات مفید PolInSAR را می توان به یک لحظه مرتبه دوم به عنوان یک ماتریس انسجام تبدیل کرد. می توان آن را به صورت زیر فرموله کرد:

(3)

که در آن H نشان‌دهنده جابجایی پیچیده و E {·} عملگر انتظار است. ماتریس های T ₁₁ و T ₂₂ با ماتریس های همدوسی پلاریمتریک منفرد مطابقت دارند و Ω ₁₂ ماتریس همدوسی تداخل سنجی پلاریمتری [ 4 ] است.

سپس ضریب همبستگی کمپلکس تداخل سنجی دو تصویر SAR مختلط S ₁ و S ₂ به صورت رابطه (4) به دست می آید:

(4)

با 0 ≤ ρ ≤ 1. در منطقه برهنه، فاز مربوط به ارتفاع توپوگرافی است. دامنه | ρ | که به عنوان انسجام تداخل سنجی نیز شناخته می شود، دقت Ф _x را تعیین می کند .

2.2. کنوانسیون های پس پراکندگی

در مناطق تصویربرداری SAR، نسبت بین توان پراکندگی Ps و توان برخوردی Pi در سطح زمین به عنوان β پراکندگی _برگشتی رادار تعریف می‌شود _.هنگامی که هدف یک هدف توزیع شده است، هر ناحیه مرجع نسبت پراکندگی پس را از ضریب پراکندگی عقب دریافت می کند. به طور کلی، سه ناحیه مرجع وجود دارد ( شکل 1 را ببینید ). مستطیل جامد A _β در محدوده شیب به عنوان منطقه مرجع و هیچ بتا β ^{0 را می توان به صورت [}28 ] بیان کرد.

(5)

وقتی ناحیه مرجع به صورت موضعی بر یک مدل بیضی شکل از سطح زمین A _σ در ناحیه زمین مماس باشد، نتیجه سیگما صفر است.

σ_{E}^{0}

(6)

هنگامی که منطقه مرجع در صفحه عمود بر خط دید سنسور به یک مدل بیضی شکل از سطح زمین A _γ ، گاما هیچ تعریف شده است.

γ_{E}^{0}

نتیجه است.

(7)

این

σ_{E}^{0}

یا

γ_{E}^{0}

مقادیر backscatter را می توان با استفاده از یک مدل ارتفاع دیجیتالی (DEM) به صورت زمین کدگذاری کرد، به عنوان مثال، نمونه برداری مجدد در هندسه نقشه، تولید محصول geocoded-terrain-corrected (GTC) [29 ] . اگرچه موقعیت یا هندسه برآورد پس پراکندگی در محصولات GTC تصحیح شده است، پرتوسنجی تصویر حاصل بر اساس مدل بیضی باقی می ماند.

3. طبقه بندی مکانیسم پراکندگی بر اساس روش تصحیح زمین رادیومتری برای وارونگی ارتفاع با تخمین ضریب تنوع گونه ای

3.1. بهینه سازی ضریب پراکندگی بر اساس تکرار

برای حذف اثرات اعوجاج هندسی و رادیومتری ناشی از زمین و به حداکثر رساندن همبستگی با پارامتر بیوفیزیکی و همچنین به حداقل رساندن ریشه میانگین مربعات خطای تخمین پارامتر پوشش گیاهی، یک اصلاح رادیومتری زمین مبتنی بر طبقه‌بندی مکانیسم پراکندگی برای بهبود دقت پراکندگی پس‌پاشی معرفی شده است. برآورد کردن. اجازه دهید ماتریس کوواریانس پلاریمتری

C_{i} \in C^{P \times P}

برای داده شود

i \in [1, \dots, n]

، که در آن P ابعاد پلاریمتری است. در مورد اندازه‌گیری‌های SAR پلاریمتری معمولی، پراکندگی پس در یک ترکیب دلخواه از قطبش ارسال و دریافت به وسیله:

(8)

جایی که $ω \in C^{P}$ یک بردار وزنی منفرد است $ω^{†} ω$ و † نشان دهنده انتقال هرمیتی است. برای پایه پلاریزاسیون چهار قطبی P = 4، ω را می توان با جهت قطبش امواج الکترومغناطیسی و زوایای بیضی مرتبط با کره، Ψ و Χ برای قطبش های دریافت کننده و ارسال کننده r , t نشان داد .

(9)

P_{t / r, 1 / 2}

اولین و دومین عنصر بردار پلاریزاسیون موج واحد برای قطبش دریافت و ارسال هستند.

(10)

در این مورد، ω را می توان به عنوان انتخابی از نوع مکانیسم پراکندگی، از جمله همسانگردی در مقابل ناهمسانگردی، حتی در مقابل جهش فرد، و به صورت افقی در مقابل جهت عمودی مدل‌سازی کرد. بنابراین، انتخاب قطبش بر حساسیت به یک مکانیسم پراکندگی خاص در سلول وضوح روشن تأثیر می‌گذارد که همبستگی قوی با زمین دارد. اساس پلاریزاسیون C _i می تواند به طور همزمان با اعمال ماتریس تبدیل منفرد تغییر کند.

U \in C^{P \times P}

، که می تواند به صورت زیر بازنویسی شود:

(11)

برای از بین بردن اعوجاج ناشی از زمین، مشکل کلیدی یافتن حالت قطبش است که حساس‌ترین حالت را به اثر پوشش گیاهی دارد، که می‌تواند با: (1) به حداکثر رساندن قدر مطلق همبستگی (R) بین پس‌پراکندگی و اطلاعات قطبش قبلی با پارامتر بیوفیزیکی از نقاط اتصال اندازه گیری های اصلی. ^{(2) به حداکثر} رساندن ضریب ضریب حساسیت بین مکانیسم پراکندگی خاص و پس پراکندگی ( R2 ). و (3) به حداقل رساندن ریشه میانگین مربعات خطای برآوردهای معکوس (RMSE). اگر رابطه بین ضریب پس پراکندگی و پلاریمتری از اطلاعات قبلی خطی باشد، روش های بهینه برای به حداکثر رساندن Rو R ² و کمینه کردن RMSE برای تخمین پارامتر وزن ω بی طرف هستند و هر سه مسئله بهینه معادل هستند. همبستگی بین اطلاعات پلاریزاسیون y _i که رابطه بین پوشش زمین و پراکندگی برگشتی متناظر در تصویر SAR را نشان می دهد و ضریب پراکندگی پس پراکندگی σi _(ω) به شرح زیر است.

(12)

بنابراین، بهینه سازی وابسته به قطبش قدر مطلق همبستگی را می توان به صورت فرموله کرد

(13)

که در آن عملیات arg max () مخفف آرگومان حداکثر و است $A = \sum (C_{i} y_{i}) - n \hat{C} \bar{y}$ ، $B_{i} = C_{i} - \hat{C}$ ، $\hat{C} = \frac{1}{n} \sum C_{i}$ . همه $C_{i}, \hat{C}, A$ هرمیتی مثبت نیمه معین هستند، در حالی که B _i هرمیتی است. برای حل مسئله بهینه سازی معادله (13)، از یک روش تکراری برای به دست آوردن جواب تقریبی استفاده می شود. اصل روش بهینه‌سازی تبدیل Ci به قطبش بهینه و بهینه‌سازی یک تابع همبستگی تقریبی در مبنای قطبش جدید، با استفاده از معادله نابرابری (14) است _:

(14)

سپس تابع بهینه سازی در رابطه (13) را می توان به صورت زیر نشان داد:

(15)

معادله (15) برای به حداکثر رساندن مرز پایین تابع استفاده می شود، جایی که F یک جذر نیمه معین مثبت هرمیتی منحصر به فرد است.

\sum B_{i}^{†} B_{i}

. برای ساده کردن محاسبه، از عملیات قدر مطلق در رابطه (15) صرف نظر می کنیم. سپس از ضریب لاگرانژی می توان برای حل مسئله بهینه به صورت زیر استفاده کرد:

(16)

نتیجه بهینه سازی را با به حداکثر رساندن صورت و ثابت نگه داشتن مخرج معادله (15) به طور همزمان بدست می آوریم. اگر حساسیت

ω^{†} A ω

منفی است، ممکن است به کمتر از صفر بودن همبستگی بهینه منجر شود. در این حالت، ماتریس A باید در 1- ضرب شود تا قطبش بهینه پیدا شود. با توجه به مشتق L در معادله (16)، راه حل را می توان به یک مسئله ویژه تبدیل کرد.

(17)

فرمول و حل مسئله در معادلات (16) و (17) یک تقریب اولیه را ارائه می دهد که نزدیک به بهینه است. برای بهبود بیشتر نتیجه، یک رویکرد تکراری بررسی شده است. این بر اساس بهینه سازی متناوب L در معادله (16) و تبدیل پایه قطبش Ci به حالتی با قطبش بهینه است، همانطور که در رابطه (8) نشان داده شده است _.در نتیجه، می‌توانیم با حل مسائلی که به اعوجاج ناشی از زمین حساس هستند، تخمین ضریب پراکندگی عقب را بهینه کنیم.

3.2. تصحیح زمین بر اساس رادیومتریک

موج دار شدن زمین ناشی از زاویه برخورد محلی در تصاویر PolInSAR منجر به کاهش تداخل سنجی می شود که ممکن است منجر به تخمین ناپایدار ارتفاع در منطقه جنگلی شود. برای حل این مشکل، تصحیح زمین مبتنی بر رادیومتریک پیشنهاد شده است. روند روش پیشنهادی با استفاده از مراحل زیر نشان داده شده است:

پیش پردازش: یک مرحله کالیبراسیون رادیومتریک برای تبدیل تصویر SAR اصلی به روشنایی رادار β استفاده می شود و فرآیند چند نگاهی و فیلتر کردن برای به دست آوردن داده های SAR مایل انجام می شود.
محاسبه مساحت DEM: با توجه به این واقعیت که نقاط لبه DEM دارای ارتفاعات متفاوتی هستند، منطقه طرح ریزی در محدوده زمین مربوط به شبکه DEM را می توان با جمع دو مثلث در شکل 2 a برای محاسبه دقیق منطقه طرح ریزی نشان داد . در آزمایش، ما ASTER DEM را با وضوح 30 متر، دانلود شده از http://gdem.ersdac.jspacesystems.or.jp/ انتخاب می کنیم .
LUT (Look Up Table) و محاسبه پیش‌بینی در محدوده زمین: ابتدا، این روش مختصات تصویر SAR اصلی ( r _init ، a _init ) و زاویه برخورد محلی مربوط به سلول DEM را محاسبه می‌کند. سپس، پیش بینی ها در صفحه γ dγ _DEM ( N ، E ) بر اساس زاویه برخورد محلی به دست می آیند. در نهایت، مختصات SAR و زاویه برخورد محلی برای ساخت LUT ترکیب می‌شوند.
شبیه سازی تصویر SAR: نتیجه شبیه سازی اصلی تصویر SAR را می توان با استفاده از LUT و پیش بینی ها در صفحه γ بدست آورد . از آنجایی که مختصات در LUT اعداد صحیح نبودند، این ناحیه باید به سلول پیکسل همسایه اختصاص داده شود. سپس، می توان آن را از طریق یک روش درون یابی دوخطی نشان داده شده در شکل 2 ب، که در آن (int) به معنای عملیات عدد صحیح است، متوجه شد.

(18)

(19)
ثبت تصویر شبیه سازی و SAR واقعی: ابتدا فاصله بین تصویر SAR اصلی و تصویر SAR شبیه سازی را محاسبه می کنیم تا یک چند جمله ای ثبت بسازیم. سپس، یک روش جستجوی متقابل برای به دست آوردن نقطه تطبیق انجام می شود. در مرحله بعد، از نقطه تطبیق برای ساخت تابع چند جمله ای درجه دوم برای اصلاح LUT استفاده می شود. در نهایت، می‌توانیم تصویر SAR شبیه‌سازی اصلاح‌شده را از طرح γ و LUT اصلاح‌شده دریافت کنیم.
تصحیح رادیومتری: نتیجه تصحیح رادیومتری در محدوده شیب را می توان با انتگرال ناحیه در صفحه γ بدست آورد . سپس، Orthophoto از نتیجه نهایی تصحیح زمین با استفاده از LUT تجدید نظر شده از طریق یک روش درونیابی دوخطی به دست می آید.

(20)

3.3. مدل سازی ساختار عمودی جنگل مبتنی بر مدل RVoG

برای برآورد ارتفاع پوشش گیاهی مبتنی بر PolInSAR، روش اختلاف فاز نتوانست مرکز فاز واقعی تاج و زمین را استخراج کند. تمایل به دست کم گرفتن ارتفاع واقعی دارد. رویکرد تکرار غیر خطی مبتنی بر شش بعدی، وابستگی شدیدی به پارامتر اصلی و انتخاب کانال پلاریزاسیون دارد. علاوه بر این، اغلب وقت گیر است و مکانیسم فیزیکی ندارد. بنابراین، ما روش وارونگی سه مرحله‌ای مبتنی بر مدل RVoG بهبود یافته را برای تخمین ارتفاع پوشش گیاهی معرفی کردیم.

مهمترین جنبه تجزیه و تحلیل داده های PolInSAR، وابستگی اطلاعات تداخل سنجی به قطبش است. برای استخراج توپوگرافی زیربنایی، اثرات پلاریمتری زمین، از جمله اثرات مستقیم و دو پرش، بر این اصل تکیه می کنند که اثر پرش دوگانه فاز پلاریمتری دارای علائم متضاد در شرایط مختلف ماتریس کوواریانس تداخل سنجی پلاریمتری است. در حالی که فاز تداخل سنجی با همان علامت ظاهر می شود [ 26 ].

پراکندگی جنگل یک مدل دو لایه است که در شکل 3 نشان داده شده است . یکی پراکندگی حجمی از سایبان و دیگری پراکندگی سطحی از سطح زمین. برای به دست آوردن تخمین بهتر مرکز پراکندگی زمین و پراکندگی حجمی، از روش طبقه‌بندی مکانیسم پراکندگی استفاده می‌شود. برای پراکندگی حجم، اگر بردار طرح دو تصویر کاملاً قطبی به درستی انتخاب شده باشد، می توان آن را از هم جدا کرد.

(21)

جایی که $ω_{1}^{V}$ و $ω_{2}^{V}$ به معنای بردار طرح ریزی و $T_{2}^{V}$ نشان دهنده پراکندگی حجم تصویر است. برای جداسازی پراکندگی سطحی $\hat{T}$ _g ، از تجزیه فریمن-دوردن [ 30 ] توسعه یافته استفاده می شود.

(22)

جایی که T ₁₁ ( i , j ) نشان دهنده عنصر ستون i و ردیف j از ماتریس انسجام قطبی T ₁₁ است .

پس از روش طبقه بندی مکانیسم پراکندگی، انسجام تداخل سنجی پیچیده برای حجم تصادفی روی زمین (RVoG) همانطور که در معادلات (23) و (24) نشان داده شده است، به دست می آید که یک بردار مختلط منفرد سه جزئی است که انتخاب قطبش را تعیین می کند [4] . ]، σ ضریب خاموشی محیط، kz عدد موج عمودی تداخل سنج (به دنبال فیلتر محدوده طیفی) و θ زاویه برخورد است _.زوایای φ₁ و φ ₂ به ترتیب مراکز فاز پایین لایه های 1 و 2 هستند.

نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت

(23)

(24)

معادله (24) نشان می دهد که ضریب انسجام مختلط در صفحه مختلط باید در یک خط مستقیم قرار گیرد. دو نقطه پایانی هستند

γ e^{i \emptyset_{0}}

e^{i \emptyset_{0}}

به ترتیب. از آنجایی که m(ω) برابر با صفر است، ضریب انسجام حجمی خالص گیاهی به دست می آید و می توان از آن برای تخمین ارتفاع درخت و ضریب خاموشی در وارونگی سه مرحله ای استفاده کرد.

3.4. چارچوب اصلاح زمین و الگوریتم وارونگی ساختار عمودی پوشش گیاهی بر اساس تنوع گونه ای

چارچوب روش پیشنهادی در شکل 4 نشان داده شده است . ابتدا، روش طبقه‌بندی مکانیسم پراکندگی بر اساس داده‌های PolInSAR برای طبقه‌بندی پراکندگی پوشش زمین مورد بهره‌برداری قرار می‌گیرد. سپس، روش بهینه پس پراکندگی مبتنی بر تکرار برای به دست آوردن ضریب پس پراکندگی که حساس ترین به اعوجاج زمین است، بررسی می شود. جزئیات در بخش 3.1 توضیح داده شده است . سپس، روش تصحیح رادیومتری زمین برای از بین بردن اثر موج‌ریزی زمین شرح داده شده در بخش 3.2 مورد بررسی قرار می‌گیرد . در نهایت، پس از برآورد آلفا-تنوع فیشر، روش وارونگی سه مرحله‌ای مبتنی بر مدل RVoG برای به دست آوردن پارامترهای ساختار عمودی پوشش گیاهی معرفی می‌شود.

بر اساس ویژگی توزیع مدل انسجام پیچیده RVoG، روش اصلی الگوریتم وارونگی سه مرحله‌ای شامل سه مرحله است:

برازش خط مستقیم حداقل مربعات: بر اساس ضریب انسجام مختلط کانال های پلاریزاسیون مختلف، از روش حداقل مربعات برای برازش خط مستقیم استفاده می شود. اگر فقط دو کانال پلاریزاسیون وجود داشته باشد، فرآیند اتصال برای محاسبه خط مستقیم دو نقطه منحط می شود.
محاسبه فاز زمین: ضریب انسجام پیچیده مربوطه فاز تداخل سنجی زمین به تقاطع دایره واحد و خط اتصال بستگی دارد. می توان با محاسبه موقعیت نسبی بین کانالی که بیشترین پراکندگی حجمی را دارد و کانالی که بیشترین پراکندگی سطحی را دارد به دست آورد. پس از بهینه شدن ضریب پس پراکندگی، نتیجه تصحیح زمین با صفر گاما و ناحیه پس پراکندگی A محاسبه می شود.
برآورد ارتفاع پوشش گیاهی: بر اساس فاز زمین در مرحله 2، ضریب انسجام پیچیده γ با e ^-i φ فاز زمین را حذف می‌کند تا ضریب انسجام پراکندگی حجم خالص γ _V را به دست آورد . سپس ارتفاع پوشش گیاهی را می توان به صورت زیر محاسبه کرد:

(25)

به دلیل تنوع پراکنش و ساختار اشکال مختلف پوشش گیاهی، دقت نتیجه بازیابی محدود شده است. یک ضریب تنوع بر اساس تجزیه آلفا-تنوع فیشر [ 31 ] برای پارامتر ساختار عمودی پیشنهاد شده است که می تواند به صورت جداگانه در بین گونه های مختلف محاسبه شود. عامل آلفا را می توان برای توصیف رابطه بین تعداد گونه ها و تعداد افراد در صحنه تصویر استفاده کرد که نشان دهنده واریانس توزیع فضایی و انتساب گونه های مختلف مانند معادله (26) است:

(26)

که در آن S تعداد گونه ها است. N تعداد افراد و α ضریب تنوع است. عامل آلفا را می توان برای نشان دادن توزیع فضایی و تنوع پوشش گیاهی جنگلی منطقه جنگلی با استفاده از نتایج اندازه گیری درجا استفاده کرد. سپس تخمین ارتفاع پوشش گیاهی به یک مسئله بهینه سازی به صورت زیر تبدیل می شود:

ساعت^�=1ک�{ارگ(��ه–من�0)+�(�–2گناه–1(|��|0.8))}

(27)

4. آزمایش و بحث

4.1. داده های تجربی و توضیحات

در این بخش، تصحیح رادیومتریک زمین و الگوریتم برآورد ارتفاع بر روی سه مجموعه داده که شامل تصاویر ALOS PALSAR، RADARSAT-2 و BioSAR 2007 می‌باشد، مورد آزمایش قرار می‌گیرد. اطلاعات دقیق در مورد اندازه و مکان تصویر در جدول 1 نشان داده شده است . برای داده های SAR چهار قطبی ALOS PALSAR، وضوح فضایی 30 متر است. در آوریل 2011 در منطقه کوه بزرگ Xing’an در Genhe، چین خریداری شد و اندازه تصویر آن 1248 × 18432 پیکسل است. مجموعه داده اصلی و تصویر نوری مربوطه از Google Earth در ارائه شده است شکل 5 ارائه شده استa، b، به ترتیب. داده‌های RADARSAT-2 نیز در حالت قطبش چهارگانه با وضوح 4.7 متر × 5.1 متر از ماه می تا آگوست 2013 در کوه بزرگ Xing’an، چین به دست آمد. اندازه تصویر آن 3572 × 5914 پیکسل است. پوشش اصلی زمین چمن و محصول است. میانگین ارتفاع منطقه کوه بزرگ Xing’an بیش از 1000 متر با زاویه شیب بین 20 تا 50 درجه است. این منطقه دارای ویژگی های پیچیده زمین از موج و قطعات است. ارتفاع نسبی این منطقه از 100 تا 300 متر متغیر است. علاوه بر این، دسته‌های اصلی پوشش زمین جنگل‌ها و علف‌ها با نرخ کسری نزدیک به 75 درصد هستند. گونه های غالب لاریکس و توس سفید هستند. داده‌های BioSAR 2007 PolInSAR با باندهای P و L از مارس تا آوریل 2007 با حسگر DLR E-SAR در منطقه Remningstorp در منطقه جنوبی سوئد به دست آمد. وضوح فضایی 2 متر × 2 متر است. ارتفاع این منطقه جنگلی بین 120 تا 145 متر است. اندازه تصویر آن 13641 × 1483 پیکسل است و گونه های غالب آن صنوبر، کاج و توس است. میانگین ارتفاع پوشش گیاهی در نقاط مختلف آزمایش از 10 متر تا 30 متر متغیر است. این منطقه به طور گسترده مورد مطالعه قرار گرفته و اندازه‌گیری‌های درجا از جمله اندازه منطقه، ارتفاع پوشش گیاهی، کسر و گونه‌های اصلی در طی اکتساب در 17 منطقه در صحنه تصویر برای ارزیابی نتایج روش‌های مختلف وارونگی انجام شده است. همانطور که در نشان داده شده استجدول 2 .

برای تصحیح زمین، مقدار میانگین، انحراف استاندارد، شیب بین زاویه برخورد محلی و پراکندگی عقب، نرخ تصحیح و زمان محاسبه برای ارزیابی عملکرد الگوریتم های مختلف تصحیح زمین استفاده می شود. نرخ تصحیح C _σ به عنوان درصد کاهشی انحراف استاندارد بین تصاویر SAR اصلی و تصاویر SAR تصحیح شده زمین، همانطور که در معادله (28) مشاهده می شود، تعریف می شود. S _a و S _bبه ترتیب انحراف استاندارد تصویر SAR اصلی و تصویر تصحیح شده زمین را نشان می دهد. برای تخمین ارتفاع پوشش گیاهی، مقدار میانگین و انحراف معیار نیز برای ارزیابی عملکرد الگوریتم‌های مختلف استفاده می‌شود. روش پیشنهادی در پلت فرم MATLAB 2011a اجرا می شود و تجزیه پلاریمتری و تداخل سنجی در نرم افزار PolSARpro اجرا می شود. روش‌های مقایسه از جمله تصحیح زمین با استفاده از نرم‌افزار گاما با پردازنده مرکزی Intel Core @2.4 گیگاهرتز و 48.00 گیگابایت رم انجام می‌شود.

(28)

4.2. نتایج آزمایش و تجزیه و تحلیل

4.2.1. نتیجه تصحیح زمین

جدول 3 ، شکل 6 و شکل 7 نتایج الگوریتم های مختلف تصحیح زمین را که در داده های ALOS PALSAR برای Genhe، چین اعمال می شود، نشان می دهد. برای مقایسه عملکرد الگوریتم های تست، نمودار پراکندگی در شکل 7 ترسیم می شودبرای نشان دادن شیب بین زاویه برخورد و ضریب پراکندگی پس از روش‌های مختلف تصحیح زمین ارائه شده‌اند. در مجموع 100000 نقطه با استفاده از روش نمونه گیری تصادفی گاوسی از تصویر اصلی SAR انتخاب شده است. سپس روش حداقل مربعات برای به دست آوردن شیب بین زاویه برخورد موضعی و ضریب پراکندگی عقب بررسی می شود. برای حذف خطای تصادفی انتخاب نمونه، این مراحل پنج بار تکرار می شود و شیب نهایی مقدار متوسط است. از داده های اصلی SAR دردر شکل 6a، می بینیم که مقدار میانگین پس پراکندگی کمترین است، با بزرگترین انحراف استاندارد 4.9883 دسی بل، که نشان می دهد اثرات موج دار شدن زمین باعث کاهش سیگنال پس پراکندگی و افزایش عدم قطعیت تخمین پراکندگی برگشتی می شود. موج‌ریزی زمین و ضریب پراکندگی عقب شدیداً همبسته است زیرا مقدار پراکندگی پس با افزایش زاویه برخورد محلی در تصویر SAR اصلی کاهش می‌یابد و شیب 0.1625- است. برای روش RD، اگرچه مقدار میانگین پس پراکندگی در مقایسه با تصویر اصلی SAR در حال افزایش است، انحراف استاندارد همچنان بیش از 4 دسی بل است. در شکل 6 می‌توانیم ناحیه‌ای با نور بالا را ببینیمب بر خلاف روش RD، رویکرد عادی سازی رادیومتریک، پدیده “نور” را در تصویر SAR مهار می کند. شیب 0.0845- است. بنابراین، نرخ تصحیح در حال افزایش است، اما عملکرد افزایش جزئی در سطح شیب دارد، که نشان می‌دهد زمین محلی و پراکندگی پس‌زمینه هنوز همبستگی دارند. روش پیشنهادی اثرات واریانس ناشی از زمین زاویه برخورد را در نظر می‌گیرد، بنابراین همبستگی بین زاویه برخورد محلی و پراکندگی عقب کاهش می‌یابد. در نتیجه، بیشترین شیب 0.0322- را دارد و نرخ تصحیح در روش پیشنهادی بیش از 30 درصد است. زمان محاسبه روش مبتنی بر RD، روش نرمال‌سازی رادیومتری و روش پیشنهادی بر روی مجموعه داده‌های ALOS PALSAR به ترتیب 23، 28 و 35 دقیقه است. برای بررسی اهمیت آماری انتخاب نمونه، ما شیب را با استفاده از نقاط نمونه مختلف شامل 1000، 10،000، 100،000 و 1،000،000 و نقاط کل تصویر در داده های ALOS PALSAR با چهار روش محاسبه کردیم. شیب متوسط و خطای نسبی در نشان داده شده استجدول 4 . شیب میانگین، مقدار میانگین شیب با استفاده از نقاط نمونه مختلف در پنج مورد است، و خطای نسبی مانند رابطه (29) زیر محاسبه می‌شود، که در آن s نمونه _به معنای مقدار میانگین شیب با استفاده از نقاط نمونه مختلف و s _img نشان‌دهنده است. شیب با استفاده از کل نقاط تصویر محاسبه می شود. نتایج در جدول 4نشان می دهد که دقت شیب با افزایش نقاط نمونه در حال افزایش است. خطای نسبی با استفاده از 100000 و 1000000 کمتر از 5 درصد است که نشان دهنده اهمیت آماری بالاتر با توجه به کل مجموعه داده است. نقطه نمونه بیشتر به معنای زمان محاسبه بیشتر است، بنابراین ما 100000 نقطه نمونه را برای محاسبه شیب در آزمایش های خود انتخاب می کنیم.

نتایج روش پیشنهادی بر روی تصویر RADARSAT-2 با چهار زمان اکتساب مختلف در شکل 8 و شکل 9 با زمان محاسبه 32 دقیقه در هر صحنه نشان داده شده است. نمودارهای پراکندگی در شکل 9 با استفاده از روش مشابه در شکل 7 به دست می آیند . جدول 5نتایج کمی تصحیح زمین بر روی الگوریتم پیشنهادی را نشان می دهد. می‌توانیم ببینیم که تمام نرخ‌های تصحیح در چهار تصویر بیشتر از 20٪ با شیب حدود 0.06- است. نتیجه برای داده‌های به‌دست‌آمده در 23 می 2013 در مقایسه با سه تصویر دیگر بیشترین شیب را داشت، که به این معنی است که ضرایب پراکندگی عقب با زاویه برخورد محلی کمتر مرتبط است. عوامل زیادی وجود دارند که ممکن است باعث ایجاد واریانس در ضرایب پس پراکندگی شوند. ژوئن تا آگوست 2013 دوره رشد علف ها و محصولات زراعی بود، که ممکن است دلیل شیب را در شکل 9 توضیح دهد.a بزرگتر از شیب سه نتیجه دیگر است. رطوبت خاک عامل دیگری است که منجر به واریانس در پس پراکندگی می شود. داده‌های هواشناسی گزارش کردند که در طول زمان جمع‌آوری داده‌های SAR باران نباریده است، بنابراین رطوبت خاک ممکن است عامل اصلی ایجاد واریانس در پراکندگی پس‌رو نباشد. این آزمایش نشان می‌دهد که پارامترهای پوشش گیاهی نیز با پراکندگی پس‌زمینه مرتبط هستند، که ممکن است بر نتیجه تصحیح زمین نیز تأثیر بگذارد.

(29)

4.2.2. نتیجه تخمین ارتفاع پوشش گیاهی

از آنجایی که مدار سنسور RADARSAT-2 پایدار نیست، ما نتوانستیم تداخل سنجی پایدار را بدست آوریم، و این نشان دهنده عدم پشتیبانی فیزیکی در هنگام استفاده برای تخمین ارتفاع است. برای مجموعه داده ALOS PALSAR، ما اندازه‌گیری‌های درجا را در طول زمان اکتساب به دست نیاوردیم. برای داده‌های BioSAR 2007، که اندازه‌گیری‌های درجا را ارائه می‌کنند، ما فقط تجزیه و تحلیل تخمین ارتفاع را در داده‌های BioSAR با باند P و L انجام دادیم. آزمایش‌های تخمین ارتفاع جنگل بر روی این مجموعه داده‌ها برای نشان دادن عملکرد روش‌های مختلف و عملکرد داده‌های PolInSAR باند L و P انجام شد.

شکل 10 نتایج تخمین ارتفاع پوشش گیاهی را برای مجموعه داده BioSAR نشان می دهد. ارتفاع بر اساس اندازه گیری درجا به سه بازه با میانگین ارتفاع نسبی 6-12 متر، 12.1-18 متر و 18.1-24 متر تقسیم می شود. سپس نتایج تخمین ارتفاع بر اساس اختلاف فاز، وارونگی سه مرحله ای و روش پیشنهادی در شکل 10 و جدول 6 نشان داده شده است.. روش اختلاف فاز از کمترین زمان 0.8 ساعت و پس از آن روش وارونگی سه مرحله ای با 1.1 ساعت استفاده شد. با این حال، روش پیشنهادی به زمان بیشتری برای محاسبه ضریب گونه با زمان محاسبه 1.2 ساعت نیاز دارد. می بینیم که هر سه رویکرد ارتفاع را دست کم می گیرند و انحراف معیار با افزایش ارتفاع جنگل افزایش می یابد. روش اختلاف فاز کمترین نتیجه برآورد ارتفاع را از سه روش به دست آورد زیرا مرکز فاز مربوط به مکانیسم پراکندگی زمین و تاج پوشش دقیق نبود. معمولاً با دست کم گرفتن مرکز فاز سایبان و تخمین بیش از حد مرکز فاز زمین مشخص می شود. روش وارونگی سه مرحله ای مکانیسم فیزیکی بین زمین و سایبان را در داده های PolInSAR در نظر می گیرد. نتایج تخمین ارتفاع در مقایسه با نتایج روش اختلاف فاز بهبود یافت. مقایسه بین روش وارونگی سه مرحله‌ای و روش پیشنهادی نشان می‌دهد که واریانس در توزیع مکانی و واریانس اسناد می‌تواند بر نتیجه تخمین ارتفاع تأثیر بگذارد. برای روش پیشنهادی، مقدار میانگین تخمین ارتفاع کمترین سوگیری را در مقایسه با اندازه‌گیری‌های درجا دارد و انحراف استاندارد سه روش تقریباً یکسان است.

علاوه بر این، ما همچنین نتایج تخمین ارتفاع باند L و P را با استفاده از روش پیشنهادی مقایسه کردیم، همانطور که در شکل 11 و جدول 7 نشان داده شده است.. واضح است که بایاس تخمین ارتفاع با افزایش ارتفاع درخت در داده های باند P و L در حال افزایش است و زمان محاسبه در هر دو تصویر 1.2 ساعت است. در محدوده 6-12 متر و 12.1-18 متر، انحراف معیار فقط حدود 1 متر است. برای 18.1-24 متر، انحراف معیار نزدیک به 3 متر است. این ممکن است ناشی از خطای محاسبه ضریب انسجام ناشی از عمق نفوذ و ضریب خاموشی باشد. از آنجایی که عمق نفوذ باند P بزرگتر از باند L است، می توانیم تخمین بهتری از مرکز فاز پراکندگی زمین و تاج پوشش داشته باشیم و نتایج تخمین ارتفاع برای باند P بهتر از باند L است. یک مقدار میانگین بالاتر و انحراف استاندارد کمتر.

5. نتیجه گیری ها

این مقاله یک روش تصحیح زمین رادیومتری و رویکرد برآورد پارامتر ساختار عمودی جنگل در تصاویر PolInSAR را ارائه می‌کند. موج‌سازی زمین در نظر گرفته می‌شود و شکلی از طبقه‌بندی مکانیسم پراکندگی و یک روش بهینه‌سازی مرکز پراکندگی برای بهبود دقت تخمین ضریب پراکندگی پیشنهاد شده‌است. هدف از بین بردن تأثیر زمین های پیچیده است. در روش تخمین ارتفاع جنگل، عامل تنوع گونه‌ای در مدل وارونگی برای توصیف توزیع فضایی و همچنین واریانس پراکندگی گونه‌های مختلف مورد بهره‌برداری قرار می‌گیرد. برای تایید اثربخشی رویکرد بهینه سازی مرکز پراکندگی برای اصلاح زمین، یک روش مبتنی بر هندسی و روش نرمال‌سازی رادیومتری برای مجموعه داده‌های ALOS PALSAR و RADARSAT-2 اعمال شده‌است. نتیجه نشان می دهد که روش پیشنهادی بالاترین مقدار میانگین و کمترین انحراف استاندارد ضریب پراکندگی پس را به دست می آورد و نرخ تصحیح روش پیشنهادی نیز بالاترین است. در آزمایش تخمین ارتفاع درخت، روش پیشنهادی دقیق‌ترین نتیجه را برای ارتفاع درخت در فواصل مختلف ارتفاع بدست می‌آورد و نتیجه وارونگی باند P با برآورد ارتفاع بالاتر و انحراف استاندارد کمتر از نتیجه وارونگی باند L بهتر است. سهم اصلی الگوریتم پیشنهادی شامل دو جنبه است. یک طبقه‌بندی مکانیسم پراکندگی و رویکرد بهینه‌سازی مرکز پراکندگی برای از بین بردن تأثیر موج‌ریزی زمین پیشنهاد شده‌است. توزیع مکانی و واریانس پراکندگی گونه های مختلف در روش وارونگی ارتفاع برای بهبود دقت برآورد ارتفاع در نظر گرفته شده است. کار بیشتر برای تجزیه و تحلیل اثر رطوبت سطحی خاک بر پس پراکندگی و چرخه کربن در منطقه جنگلی مدل‌سازی می‌شود، که توسط موج‌ریزی زمین مانع شده است. یک مدل قوی و عملیاتی برای تجزیه و تحلیل رابطه بین تخمین زیست توده و چرخه کربن در منطقه جنگلی ساخته خواهد شد. که توسط موج‌ریزی زمین مانع شده است. یک مدل قوی و عملیاتی برای تجزیه و تحلیل رابطه بین تخمین زیست توده و چرخه کربن در منطقه جنگلی ساخته خواهد شد. که توسط موج‌ریزی زمین مانع شده است. یک مدل قوی و عملیاتی برای تجزیه و تحلیل رابطه بین تخمین زیست توده و چرخه کربن در منطقه جنگلی ساخته خواهد شد.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

SAR	رادار دیافراگم مصنوعی
PolInSAR	رادار دیافراگم مصنوعی تداخل سنجی قطبی
ALOS PALSAR	رادار با دیافراگم مصنوعی آرایه فازی ماهواره‌ای با رصد زمین پیشرفته
رادارسات	ماهواره جهت و برد رادیویی
BioSAR	رادار دیافراگم مصنوعی زیست توده
RVoG	حجم تصادفی روی زمین
PDF	تابع چگالی احتمال
RD	محدوده داپل
GEC	ژئوکدینگ بیضی تصحیح شد
GTC	زمین کدگذاری شده اصلاح شد
GCP	نقاط کنترل زمینی
DEM	مدل دیجیتال ارتفاع
RMSE	ریشه میانگین مربعات خطا
LUT	جدول را جستجو کرد

منابع

یانگ، ایکس. هوانگ، جی. وانگ، جی. وانگ، ایکس. Liu, Z. برآورد پارامترهای بیوفیزیکی پوشش گیاهی با سنجش از دور با استفاده از شبکه عصبی تابع پایه شعاعی. دانشگاه ژجیانگ. علمی A 2007 , 8 , 883-895. [ Google Scholar ] [ CrossRef ]
رودگرمی، پ. منوری، م. فقهی، ج. نوری، ج. خراسانی، ن. پیش بینی اثرات زیست محیطی با استفاده از تصاویر سنجش از دور. دانشگاه ژجیانگ. علمی A 2008 , 9 , 381-390. [ Google Scholar ] [ CrossRef ]
دیکسون، آر. سلیمان، ع. براون، اس. هاتون، آر. ترکسیر، ام. Wisniewski، J. استخرهای کربن و جریان اکوسیستم‌های جنگلی جهانی. علوم 1994 ، 263 ، 185-190. [ Google Scholar ] [ CrossRef ] [ PubMed ]
کلود، اس. پاپاتاناسیو، K. تداخل سنجی SAR قطبی. IEEE Trans. Geosci. Remote Sens. 1998 , 36 , 1551-1565. [ Google Scholar ] [ CrossRef ]
گابریل، ج. اشمولیوس، سی. پاپاتاناسیو، ک. داریژاپوف، دی. تاتکوف، جی. تسیبجیتوف، تی. Boerner, W. استخراج ارتفاع درخت با استفاده از تداخل سنجی SAR قطبی. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IEEE 1999 (مجموعه مقالات IGARSS’99)، هامبورگ، آلمان، 28 ژوئن تا 2 ژوئیه 1999.
یامادا، اچ. یاماگوچی، ی. رودریگز، ای. کیم، ی. Boerner, W. Polarimetric SAR interferometry برای تجزیه و تحلیل تاج پوشش جنگل با استفاده از روش تفکیک فوق العاده. در مجموعه مقالات IEEE 2001 بین المللی زمین شناسی و سمپوزیوم سنجش از دور (IGARSS’01)، سیدنی، استرالیا، 9 تا 13 ژوئیه 2001.
وانگ، ی. چن، اچ. پنگ، ی. وان، کیو. نظریه و الگوریتم تخمین طیف فضایی . انتشارات دانشگاه Qinghua: پکن، چین، 2004. [ Google Scholar ]
گیلاسو، اس. Gsrestier, F. تخمین تغییر شکل در نواحی همدوسی کم با استفاده از تداخل سنجی دیفرانسیل قطبی SAR. در مجموعه مقالات هشتمین کارگاه بین المللی 2015 در مورد تجزیه و تحلیل تصاویر سنجش از دور چند زمانی (چند دمایی)، انسی، فرانسه، 22 تا 24 ژوئیه 2015.
اویسغران، س. ساعتچی، س. هنسلی، S. حساسیت اندازه گیری های Pol-InSAR به پارامترهای پوشش گیاهی. IEEE Trans. Geosci. Remote Sens. 2015 ، 53 ، 6561–6572. [ Google Scholar ] [ CrossRef ]
پاپاتاناسیو، ک. هاجنسک، آی. موریرا، ا. ابر، S. پلاریمتری تداخل سنجی SAR با استفاده از مفهوم ریزماهواره پلاریمتری غیرفعال. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IEEE 2002 (IGARSS’02)، تورنتو، ON، کانادا، 24-28 ژوئن 2001.
Xin, L. روشهای استخراج اطلاعات و مطالعه کاربرد تداخل سنجی SAR قطبی. دکتری پایان نامه، موسسه سنجش از دور و زمین دیجیتال آکادمی علوم چین، پکن، چین، 2002. [ Google Scholar ]
زو، بی. ژانگ، ال. وانگ، دبلیو. Sun, D. وارونگی پارامترهای جنگل با استفاده از داده های پولینسار بر اساس الگوریتم ژنتیک. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE 2006، دنور، CO، ایالات متحده آمریکا، 31 ژوئیه تا 4 اوت 2006.
آنجیولی، ای. فراته، اف. وکیا، ا. مقایسه الگوریتم‌های وارونگی Lavalle، M. با استفاده از L-Band 462 داده تداخل سنجی قطبی برای تخمین پارامترهای جنگل. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IEEE 2007، بارسلون، اسپانیا، 23 تا 28 ژوئیه 2007.
کلود، اس. پاپاتاناسیو، ک. فرآیند وارونگی سه مرحله ای برای تداخل سنجی SAR قطبی. IEE Proc. رادار سونار ناویگ. 2003 ، 150 ، 125-134. [ Google Scholar ] [ CrossRef ]
Cloud، S. PolInSAR منظم سازی با استفاده از تداخل سنجی فرکانس دوگانه. در مجموعه مقالات کنفرانس بین المللی رادار، آدلاید، استرالیا، 3-5 سپتامبر 2003.
شائو، ز. یانگ، ن. شیائو، ایکس. ژانگ، ال. Peng, Z. الگوریتم تولید ابر نقطه متراکم چند نما بر اساس تصاویر سنجش از راه دور در ارتفاع پایین. Remote Sens. 2016 ، 8 . [ Google Scholar ] [ CrossRef ]
Lebrl, F. Modeing تک تصویری مسائل هندسی. در پردازش تصویر رادارگرامتری آرتک هاوس: لندن، بریتانیا، 1990; صص 113-130. [ Google Scholar ]
شرایر، جی. Meier, E. SAR اکتساب داده و تشکیل تصویر. در ژئوکدینگ SAR: داده ها و سیستم ها . Wichmann: Osnabrück، آلمان، 1993; صص 132-138. [ Google Scholar ]
مایر، ای. گراف، سی. Nuesch, D. تولید محصولات تصویر SAR فضایی کدگذاری شده جغرافیایی. در مجموعه مقالات دوازدهمین سمپوزیوم کانادایی سنجش از دور، سمپوزیوم بین المللی علوم زمین و سنجش از دور، 1989. (IGARSS’89)، ونکوور، پیش از میلاد، کانادا، 10–14 جولای 1989.
هوکمن، دی. Reiche، J. اصلاح شیب رادیومتری چند مدلی تصاویر SAR از زمین های پیچیده با استفاده از یک رویکرد نیمه تجربی دو مرحله ای. سنسور از راه دور محیط. 2015 ، 156 ، 1-11. [ Google Scholar ] [ CrossRef ]
سکهار، ک. سنتیل، ک. Dadhwal، V. Geocoding تصاویر RISAT-1 MRS با استفاده از مدل‌های RPC جبران‌شده با سوگیری. بین المللی J. Remote Sens. 2014 ، 35 ، 7303-7315. [ Google Scholar ] [ CrossRef ]
بایر، تی. زمستان، ر. Schreier, G. Terrain در پس پراکندگی SAR و تلاش برای اصلاح آنها تأثیر می گذارد. IEEE Trans. Geosci. Remote Sens. 1991 , 29 , 451-462. [ Google Scholar ] [ CrossRef ]
کوچک، دی. هولکز، اف. مایر، ای. نیوش، دی. Barmettler, A. کالیبراسیون هندسی و رادیومتری تصاویر RADARSAT. در مجموعه مقالات ژئوماتیک در عصر رادارسات، اتاوا، ON، کانادا، 24 تا 30 مه 1997.
کوچک، دی. هولکز، اف. مایر، ای. Nuesch، D. تصحیح رادیومتری مطلق در زمین ناهموار: درخواستی برای روشنایی یکپارچه رادار. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IEEE 1998 (IGARSS’98)، سیاتل، WA، ایالات متحده آمریکا، 6 تا 10 ژوئیه 1998.
فرولا، ال. میلوویچ، جی. کارزنباوم، اچ. Gagliardini، D. تصحیحات رادیومتری و کالیبراسیون تصاویر SAR. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IEEE 1998 (IGARSS’98)، سیاتل، WA، ایالات متحده آمریکا، 6 تا 10 ژوئیه 1998.
کارلوس، ال. پاپاتاناسیو، ک. لغو مکانیسم های پراکندگی در POLinSAR: کاربرد در تخمین توپوگرافی زیربنایی. IEEE Trans. Geosci. Remote Sens. 2013 , 51 , 953-965. [ Google Scholar ]
او، سی. لی، اس. لیائو، ز. Liao، M. طبقه‌بندی بافت داده‌های PolSAR بر اساس کدگذاری پراکنده متن‌های قطبش موجک. IEEE Trans. Geosci. Remote Sens. 2013 , 51 , 4576–4590. [ Google Scholar ] [ CrossRef ]
مین، دی. تون، تی. روکا، اف. تبالدینی، س. d’Alessandro، M. Villard، L. ارتباط توموگرافی رادار دهانه مصنوعی باند P با زیست توده جنگل های استوایی. IEEE Trans. Geosci. Remote Sens. 2014 , 52 , 967–979. [ Google Scholar ] [ CrossRef ]
شرایر، جی. Meier، E. زمین دقیق تصاویر کدگذاری شده جغرافیایی را تصحیح کردند. در ژئوکدینگ SAR: داده ها و سیستم ها . Wichmann: Osnabrück، آلمان، 1993; صص 176-188. [ Google Scholar ]
Ballester-Berman، JD; لوپز-سانچز، JM استفاده از مفهوم تجزیه فریمن-دوردن در تداخل سنجی SAR قطبی. IEEE Trans Geosci. Remote Sens. 2010 , 48 , 466-479. [ Google Scholar ] [ CrossRef ]
ساچ، اس. بوئرمن، دبلیو. استیج، اچ. موری، س. اسمیت، تی. مدل‌سازی توزیع گونه‌های درختی آمازون و تنوع با استفاده از اندازه‌گیری‌های سنجش از دور. سنسور از راه دور محیط. 2008 ، 112 ، 2000–2017. [ Google Scholar ] [ CrossRef ]

شکل 1. زمین منطقه پوشش گیاهی در تصویر SAR: ( الف ) هندسه تصویربرداری SAR. و ( ب ) SAR backscattering.

شکل 2. پیش بینی DEM: ( الف ) محاسبه مساحت DEM. و ( ب ) درونیابی دوخطی.

شکل 3. تصویر مدل RVoG انسجام دو لایه برای سطح زمین با پوشش گیاهی. رنگ های مختلف فلش سمت چپ نشان دهنده مکانیسم های پراکندگی مختلف است و مراحل مربوطه در سمت راست نشان داده شده است. سطح، پرش مضاعف، و زیر طبقه کوتاه باعث ایجاد فازهای تداخل سنجی مشابه در سطح زمین می شود. لایه حجمی یک افست فاز و یک همبستگی اضافی را به دلیل تغییر فاز معرفی می کند.

شکل 4. چارچوب اصلاح زمین و وارونگی ساختار عمودی پوشش گیاهی بر اساس تنوع گونه.

شکل 5. مجموعه داده های آزمایشی در Genhe، منطقه کوه بزرگ Xing’an، چین: ( الف ) داده های ALOS PALSAR. و ( ب ) داده های نوری.

شکل 6. نتایج تصحیح زمین در مجموعه داده های ALOS PALSAR برای Genhe: ( الف ) داده های آزمایش. ( ب ) تصحیح هندسی مبتنی بر RD. ( ج ) تصحیح عادی سازی رادیومتریک؛ و ( د ) تصحیح رادیومتری بهینه سازی پس پراکندگی.

شکل 7. مقایسه ضریب پراکندگی معکوس بین داده‌های اندازه‌گیری و نتیجه آزمایش بر روی مجموعه داده‌های ALOS PALSAR برای Genhe: ( الف ) داده‌های آزمایش. ( ب ) تصحیح هندسی مبتنی بر RD. ( ج ) تصحیح عادی سازی رادیومتریک؛ و ( د ) تصحیح رادیومتری بهینه سازی پس پراکندگی.

شکل 8. تجزیه و تحلیل سری زمانی ضریب پراکندگی برگشتی در مجموعه داده‌های RADARSAT-2 برای Yigen: ( a ) 23 مه 2013; ( ب ) 6 ژوئن 2013; ( ج ) 10 جولای 2013; و ( د ) 3 اوت 2013.

شکل 9. تجزیه و تحلیل سری زمانی ضریب پراکندگی برگشتی در مجموعه داده‌های RADARSAT-2 برای Yigen: ( a ) 23 مه 2013; ( ب ) 6 ژوئن 2013; ( ج ) 10 جولای 2013; و ( د ) 3 اوت 2013.

شکل 10. تخمین ارتفاع در مجموعه داده های BioSAR2007 برای Remningstorp: ( الف ) Pauli RGB; ( ب ) اختلاف فاز؛ ( ج ) وارونگی سه مرحله ای. و ( د ) وارونگی مبتنی بر تنوع گونه ای.

شکل 11. برآورد ارتفاع روش پیشنهادی در BioSAR 2007 با باند P و L برای Remningstorp: ( الف ) باند P; و ( ب ) باند L.

جدول 1. نمای کلی تصاویر SAR تجربی.

جدول 2. شرح اندازه گیری های درجا جنگل ها در منطقه رمنینگ استورپ.

جدول 3. مقایسه ضریب پراکندگی پس از روش های مختلف تصحیح زمین بر روی مجموعه داده های ALOS PALSAR در Genhe.

جدول 4. اهمیت آماری انتخاب نمونه.

جدول 5. تحلیل سری زمانی ضریب پراکندگی پس روی مجموعه داده های RADARSAT-2 برای Yigen. زمان محاسبه: 32 دقیقه

جدول 6. نتایج دقت روش های مختلف تخمین ارتفاع در مجموعه داده BioSAR 2007 برای Remningstorp.

جدول 7. نتایج دقت روش پیشنهادی با مجموعه داده های BioSAR باند P و L برای Remningstorp.

© 2016 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب