[发明专利]基于散射机制分解的植被垂直结构及林下地形反演方法及装置

说明书

本发明公开了一种基于散射机制分解的植被垂直结构及林下地形反演方法及装置，其方法为：获取森林反演区域多基线多极化的SAR数据集，并进行配准、去平地处理，得到极化层析SAR数据；对极化层析SAR数据计算其多基线多极化协方差矩阵，并分解计算冠层散射和地表散射的干涉协方差矩阵；针对冠层散射和地表散射的干涉协方差矩阵，均进行矢量化和稀疏表达，得到对应的稀疏贝叶斯学习模型；采用EM算法迭代更新稀疏贝叶斯学习模型中的超参数，进而获得冠层散射和地表散射的层析谱；根据地表散射和冠层散射的层析谱，分别提取森林反演区域的林下地形和植被高度。本发明可以利用少量、非均匀分布的SAR数据高精度地反演植被高和林下地形。

技术领域

本发明涉及雷达遥感对地观测技术，具体涉及一种在少量非均匀采样数据条件下基于散射机制分解的超分辨率极化SAR层析植被垂直结构及林下地形反演方法及装置。

背景技术

生态文明建设是我国发展的重要布局之一，森林资源的调查与保护在其中扮演着重要的角色。森林中包含着种类繁多的植被，是地球上最宝贵的自然资源之一。森林在维持全球的碳氧平衡、维护生态系统的多样性、调节大气湿度等方面都有着巨大的作用。森林中植被的垂直结构是量化分析森林的重要参数，对全球生物量的估计、林下地形测量、森林动态监测等有着重要的意义。

长波段合成孔径雷达技术(Synthetic Aperture Radar,SAR)具有较强的穿透力，在森林的透视测绘中有着重要的应用。合成孔径雷达层析技术(Synthetic ApertureRadar Tomography,TomoSAR)通过传感器多次近似平行的飞行，在高度向和方位向上分别形成合成孔径，具备三维成像能力(图1)。在雷达信号中，森林植被与林下地形有着不同的散射机制，而SAR影像不同极化通道对不同散射机制的敏感性不同。因此极化层析SAR技术(Polarimetric Synthetic Aperture Radar Tomography,Pol-TomoSAR)正成为森林植被参数反演的重要技术手段。

在植被的SAR层析领域，周期图法、自适应波束形成法、多重信号分类法等已广泛用于植被的三维成像。但这类常规谱分析方法的分辨率和重构精度往往受到采样数量和采样分布的限制。观测数量少、基线分布不均匀往往会使得层析结果出现严重的旁瓣效应、分辨率低、受噪声影响大。而增加观测数据则意味着大量的观测成本，同时带来时间失相干的影响。压缩感知方法可以很好地克服数据采样的限制，但传统基于l1范数凸优化的压缩感知方法(Compressive Sensing,CS)需要设置用户参数，很难选择一个普遍适用于所有模型和场景的参数。此外，凸优化运算量巨大，限制了该方法的应用。

发明内容

基于上述现有技术存在的技术问题，本发明提供一种基于散射机制分解的植被垂直结构及林下地形反演方法及装置，将森林反演区域冠层和地表两种不同散射机制的信号进行稀疏表达，进而将其纳入协方差矢量的稀疏贝叶斯学习模型中以求解对应的层析谱，从而实现少量的观测数据重构高精度的植被垂直结构和林下地形。本发明具有更接近于l0范数的全局最优解，无需设置用户参数，具有更广泛的实用价值。

为实现上述技术目的，本发明采用如下技术方案：

一种基于散射机制分解的植被垂直结构及林下地形反演方法，包括以下步骤：

步骤1，获取森林反演区域多基线多极化的SAR数据集，并进行配准、去平地处理，得到极化层析SAR数据；

步骤2，对步骤1得到的极化层析SAR数据计算其多基线多极化协方差矩阵，并分解计算冠层散射和地表散射的干涉协方差矩阵；

步骤3，针对冠层散射和地表散射的干涉协方差矩阵，均进行矢量化和稀疏表达，分别得到冠层散射和地表散射的稀疏贝叶斯学习模型；

步骤4，采用EM算法迭代更新两个稀疏贝叶斯学习模型中的超参数，进而获得冠层散射和地表散射的层析谱；