[发明专利]一种基于SAR技术的农作物解译方法

摘要

本发明属遥感数据解译方法技术领域，尤其涉及一种基于SAR技术的农作物解译方法，针对极端天气条件下光学遥感影像受厚云等大气条件的影响无法使用的情况，通过大量实验分析，将光学影像的高可视化特征和SAR影像的高穿透性特征相结合，针对项目研究区域光学影像几乎无法使用的情况下，通过SAR时间序列影像和光学影像的ROI特征配合来完成作物类型的定性和定量等解译工作，解决了受灾严重情况下光学遥感影像不能用的难题，实验提取精度达到了87.7%。在气候条件比较恶劣的受灾区域可以快速的高效的确定受灾情况，为作物受灾的精确提取判读提供了新的方法。

主权项

1.一种基于SAR技术的农作物解译方法，其特征在于，包括以下步骤：步骤1）、确定需要提取的作物类型和项目研究区域；步骤2）、收集该区域可用的最近时间内可用的光学遥感影像和目标地物生长周期内的SAR GRD强度数据；将收集到的SAR GRD强度数据以一定的时间间隔，组成时间序列影像组；步骤3）、对雷达强度数据按照项目所在研究区域边界进行裁剪操作，将裁剪后的雷达强度数据进行导入处理得到VH和VV极化方式的时间序列影像组强度数据；步骤4）、对步骤3裁剪后的时间序列影像组数据进行批量的滤波和重采样操作，得到剔除噪声干扰的时间序列影像组强度数据；步骤5）、对经过步骤4处理后的时间序列影像组强度数据,采用雷达数据自带的高精度的轨道参数文件进行几何校正，使其达到亚像元级别的配准精度要求；步骤6）、对步骤5处理后的时间序列影像组强度数据进行地理编码和辐射定标,得到反映地物真实辐射率的雷达强度时间序列影像组数据；步骤7）、根据查勘人员外业采集的样本点和地块调查信息,确定目标地物的分布区域，并生成将采集的样本点生成的ROI，区域使用编写代码进行随机打乱顺序处理进行随机打乱处理，并分成验证样本、测试样本和训练样本三部分；对训练样本采用KNN将样本点的光谱特征信息进行提纯，剔除由于受噪声影响而偏离整体聚类的样本点；步骤8）、使用决策树的方法对经过预处理的光学影像进行预分类,并将分类结果和外业采集的地块进行对比分析验证分类精度，使用混淆矩阵或ROC曲线进行精度分析；对分类的结果使用步骤7中选出的测试样本对光学影像的分类结果进行精度验证；步骤9）根据样本点及步骤8中从光学影像提取解译结果及光学影像上的目标地物的光谱特征，通过ENVI软件中的光谱分割工具来分析不同作物的光谱特征，进而确定目标作物的特征阈值范围, 将经过实施方式中步骤1‑6流程处理过雷达强度时间序列影像组数据和已经过分类验证的光学影像进行地理关联, 然后在实施方式中步骤1‑6流程处理过的雷达强度时间序列影像上选取样本；步骤10）、在步骤8中得到的光学影像的分类结果上，将目标地物的提取结果作为雷达强度时间序列影像上的候选样本区域，选取种植集中的区域进行ROI的绘制，然后步骤1‑6处理后的雷达强度时间序列数据上使用选取的ROI样本进行监督分类；步骤11）、分类的结果的优化,通过对非目标地物的其他地物，提取建立掩膜来降低易误分地物的干扰，以提高雷达时序影像的分类精度。