论文部分内容阅读
遥感影像以大范围、短重复周期对地观测的特点成为地表/森林覆盖变化检测应用的重要数据来源。在多云雨的森林覆盖区域,合成孔径雷达(SAR)可有效弥补光学影像的局限性,实现全天时、全天候对地观测。我国星载SAR遥感观测和应用技术研究发展迅速。目前在轨的高分三号是一颗具有高重复频率,可获取不同空间分辨率多极化数据的C波段SAR卫星,在区域森林资源动态变化监测方面具有独特的优势。但目前多极化SAR变化检测方法多针对地表覆盖变化检测,虽有少数“森林覆盖”变化检测研究报道,但都是采用已有森林/非森林覆盖图对“土地覆盖”变化检测结果直接进行掩模处理的方法,缺乏系统深入的针对“森林覆盖”变化检测的研究。开展相关研究不仅迫在眉睫,而且可为我国卫星SAR森林资源动态监测业务化应用提供技术支撑,具有重要应用价值。本研究以覆盖逊克县北部区域的两个时相的双极化(HH、HV)ALOS PALSAR数据为研究区,对和PALSAR成像时间接近的两期Landsat-5和Google Earth影像进行目视解译得到森林覆盖变化参考图,用于对本文所研发方法的检验。研究实现了5种“土地覆盖”变化检测方法,包括OTSU、LN-GKIT、WR-GKIT和N R-GKIT等4种自动确定阈值的方法和1种基于最大似然分类(MLC)的方法;进而尝试了通过对两期SAR影像的HV极化进行森林-非森林分类,提取出非森林覆盖图,实现“森林覆盖”变化检测的思路。对以上5种方法进行了实验,精度评价结果表明,这几种基于单极化SAR的森林覆盖变化检测方法的精度较差,虚警率和漏警率难以同时达到较低的水平,LN-GKIT、WR-GKIT阈值分割法是检测性能相对较好的方法。发展了一种将“基于分类的森林覆盖变化检测”与“贝叶斯最大期望算法-马尔科夫随机场(EM-MRF)分类”相结合的多极化SAR森林覆盖变化检测方法(EM-MRF-FC)。该方法采用阈值分割法分别对两期多极化SAR影像进行森林-非森林分类,得到初始森林覆盖变化图(IFCM),作为后续对多极化比值影像进行Fisher变换和EM-MRF分类的训练样本数据。将像元类条件概率与马尔科夫随机场(MRF)中的势函数通过一定的权重结合在一起,组成马尔科夫能量函数,从而计算出森林覆盖变化、未变化像元的类别后验概率,根据最大后验概率准则确定像元的类别属性,满足条件后停止迭代运算。实验验证结果表明:EM-MRF-FC综合利用了双极化信息,并通过空间上下文信息的提取减轻了斑点噪声等因素对森林覆盖变化检测的影响,检测性能优于非森林覆盖图(NFM)与EM-MRF-LC变化检测结果直接掩模法(EM-MRF-LC-NFM)和森林-非森林分类后变化检测方法(CBFC);所提取的森林覆盖变化区域面积及分布轮廓与参考数据最接近,虚警率(0.87%)和漏警率(12.44%)同时保持在较低的水平;而且该方法只需要初始的森林覆盖变化图作为输入,具有半自动化的特点。