[发明专利]多频双极化林地积雪被动微波混合像元分解方法

摘要

本发明公开了一种多频双极化林地积雪被动微波混合像元分解方法，属于遥感图像处理的技术领域，针对现有技术利用被动微波数据对林地积雪进行雪深反演时误差较大的问题。本发明首先对林地下垫面土地分类数据的获取和重新分类，然后根据分类结果基础上建立多频双极化林地积雪被动微波混合像元分解模型，最后基于动态窗口数据选择策略的欠定性方程组求解，得到分解后各下垫面对应的组分亮温数据和误差数据，过程中本发明考虑到微波像元的空间相关性，提出了8邻域窗口数据输入和4邻域窗口数据输入两种输入数据的方案，并根据以上两种输入方案并对求解结果的优选提出了四种解决方案。

主权项

一种多频双极化林地积雪被动微波混合像元分解方法，该方法的应用条件是冬季林地观测地区的被动微波遥感数据和分辨率光谱遥感数据中的下垫面土地分类数据，具体包括如下过程：1)林地下垫面土地分类数据的获取和重新分类；2)建立多频双极化林地积雪被动微波混合像元分解模型；3)基于动态窗口数据选择策略的欠定性方程组求解；所述林地下垫面土地分类数据的获取和重新分类的步骤：获取分辨率光谱遥感数据中的土地覆盖分类产品，将分辨率光谱遥感数据中的下垫面土地分类数据进行重新分类，具体如下：a)将原分类数据中定义分类属于针叶植被类型的数据统一重新定义为针叶林类型B；b)将原分类数据中定义为常绿阔叶植被、落叶阔叶植被和一年生阔叶植被类型的数据统一重新定义为阔叶林类型N；c)其他分类数据S₁,S₂,…S_n保持原类型不变；所述建立多频双极化林地积雪被动微波混合像元分解模型的步骤：所述多频双极化林地积雪被动微波混合像元分解模型为：$\left[\begin{array}{c}{T}_{KH}^M\left(x_0,y_0\right)\\ T_{KV}^M\left(x_0,y_0\right)\\ T_{KaH}^M\left(x_0,y_0\right)\\ T_{KaV}^M\left(x_0,y_0\right)\end{array}\right]={\mathrm{\α}}^B\left(x_0,y_0\right)\left[\begin{array}{c}{T}_{KH}^B\\ T_{KV}^B\\ T_{KaH}^B\\ T_{KaV}^B\end{array}\right]+{\mathrm{\α}}^N\left(x_0,y_0\right)\left[\begin{array}{c}{T}_{KH}^N\\ T_{KV}^N\\ T_{KaH}^N\\ T_{KaV}^N\end{array}\right]+{\mathrm{\α}}^{S_1}\left(x_0,y_0\right)\left[\begin{array}{c}{T}_{KH}^{S_1}\\ T_{KV}^{S_1}\\ T_{KaH}^{S_1}\\ T_{KaV}^{S_1}\end{array}\right]+{\mathrm{\α}}^{S_2}\left(x_0,y_0\right)\left[\begin{array}{c}{T}_{KH}^{S_2}\\ T_{KV}^{S_2}\\ T_{KaH}^{S_2}\\ T_{KaV}^{S_2}\end{array}\right]+...+{\mathrm{\α}}^{S_n}\left(x_0,y_0\right)\left[\begin{array}{c}{T}_{KH}^{S_n}\\ T_{KV}^{S_n}\\ T_{KaH}^{S_n}\\ T_{KaV}^{S_n}\end{array}\right]+\mathrm{\ϵ}---\left(8\right)$式(8)中T^M代表被动微波辐射计在不同频段和极化方式观测到的的林地积雪亮温值，下脚标K和Ka分别代表被动微波K和Ka频段，下脚标H和V分别代表水平极化和垂直极化；两种极化方式；ε代表残差量；其中，${\mathrm{\α}}^C(x_0,y_0)=\∫\∫\stackrel{\‾}{G}(x,y)L^C(x,y)dxdy,C=B,N,S_1,S_2,...S_n---\left(7\right)$式(7)中，L(x,y)代表(x,y)位置的下垫面土地分类数据，上脚标C、B和S₁,S₂,…S_n分别代表该位置的下垫面类型、阔叶林下垫面土地类型、针叶林下垫面土地类型和其他下垫面土地类型；若(x,y)位置存在该下垫面，则L(x,y)＝1，否则，L(x,y)＝0；是天线增益函数，且有$L^B\left(x,y\right)+L^N\left(x,y\right)+L^{S_1}\left(x,y\right)+...+L^{S_n}\left(x,y\right)=1---\left(5\right)$$\stackrel{\‾}{G}\left(x,y\right)=\frac{\ln 2}{\mathrm{\π}}\·\exp \[-\ln 2\·\left(\frac{x^2}{a^2}+\frac{y^2}{b^2}\right)\]---\left(2\right)$式(2)中，a和b分别表示被动微波遥感数据中K和Ka频段所对应的足印；所述基于动态窗口数据选择策略的欠定性方程组求解的步骤：使用多点观测约束求解，当观测点数量为p时，假设在观测点周围内所有的同类下垫面有相同的亮值，则式(8)转换为$\left[\begin{array}{ccc}{T}_{KH}^M\left(1\right)& ...& T_{KH}^M\left(p\right)\\ T_{KV}^M\left(1\right)& ...& T_{KV}^M\left(p\right)\\ T_{KaH}^M\left(1\right)& ...& T_{KaH}^M\left(p\right)\\ T_{KaV}^M\left(1\right)& ...& T_{KaV}^M\left(p\right)\end{array}\right]=\left[\begin{array}{ccccc}{T}_{KH}^B& T_{KH}^N& T_{KH}^{S_1}& ...& T_{KH}^{S_n}\\ T_{KV}^B& T_{KV}^N& T_{KV}^{S_1}& ...& T_{KV}^{S_n}\\ T_{KaH}^B& T_{KaH}^N& T_{KaH}^{S_1}& ...& T_{KaH}^{S_n}\\ T_{KaV}^B& T_{KaV}^N& T_{KaV}^{S_1}& ...& T_{KaV}^{S_n}\end{array}\right]\left[\begin{array}{ccc}{\mathrm{\α}}_1^B& ...& {\mathrm{\α}}_p^B\\ {\mathrm{\α}}_1^N& ...& {\mathrm{\α}}_p^N\\ {\mathrm{\α}}_1^S& ...& {\mathrm{\α}}_p^S\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ {\mathrm{\α}}_1^{S_n}& ...& {\mathrm{\α}}_p^{S_n}\end{array}\right]+E---\left(10\right)$式(10)中p是观测点的个数，E代表残差矩阵；然后，利用非负最小二乘法对其求解，T＝(A^tA)^‑1A^tY     (17)分解误差为：E＝T‑(A^tA)^‑1A^tY     (18)式(17)和式(18)中，$Y=\left[\begin{array}{ccc}{T}_{KH}^M\left(1\right)& ...& T_{KH}^M\left(p\right)\\ T_{KV}^M\left(1\right)& ...& T_{KV}^M\left(p\right)\\ T_{KaH}^M\left(1\right)& ...& T_{KaH}^M\left(p\right)\\ T_{KaV}^M\left(1\right)& ...& T_{KaV}^M\left(p\right)\end{array}\right]---\left(12\right)$$T=\left[\begin{array}{ccccc}{T}_{KH}^B& T_{KH}^N& T_{KH}^{S_1}& ...& T_{KH}^{S_n}\\ T_{KV}^B& T_{KV}^N& T_{KV}^{S_1}& ...& T_{KV}^{S_n}\\ T_{KaH}^B& T_{KaH}^N& T_{KaH}^{S_1}& ...& T_{KaH}^{S_n}\\ T_{KaV}^B& T_{KaV}^N& T_{KaV}^{S_1}& ...& T_{KaV}^{S_n}\end{array}\right]---\left(13\right)$$A=\left[\begin{array}{ccc}{\mathrm{\α}}_1^B& ...& {\mathrm{\α}}_p^B\\ {\mathrm{\α}}_1^N& ...& {\mathrm{\α}}_p^N\\ {\mathrm{\α}}_1^{S_1}& ...& {\mathrm{\α}}_p^{S_1}\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ {\mathrm{\α}}_1^{S_n}& ...& {\mathrm{\α}}_p^{S_n}\end{array}\right].---\left(14\right)$约束条件：$T_{KV}^C\>T_{KH}^C---\left(15\right)$$T_{KaV}^C\>T_{KaH}^C---\left(16\right)$对于公式(10)中p值选取，采用动态窗口数据选择策略：首先，获取被测地区的多频双极化被动微波遥感数据，根据微波像元的空间相关性，以待分解的位置(x₀,y₀)处的被动微波混合像元为中心,选取其周围8邻域窗口的被动微波混合像元和/或周围4邻域窗口的被动微波混合像元作为方程组输入数据进行求解，所对应两种输入数据的方案为：(Ⅰ)8邻域窗口数据输入：将含待分解的位置(x₀,y₀)像元在内的9个像元的混合亮温值代入公式(12)；如果计算得到的结果满足公式(15)和公式(16),获得合理求解，得到分解后各下垫面对应的组分亮温数据T₁，得到误差数据E₁；(Ⅱ)4邻域窗口数据输入：将含待分解的位置(x₀,y₀)像元在内的5个像元的混合亮温值代入公式(12)；如果计算得到的结果满足公式(15)和公式(16),获得合理求解，得到分解后各下垫面对应的组分亮温数据T₂，得到误差数据E₂。