基于模型极化分解的不一致性控制研究

The inconsistency of polarimetric target decomposition leads directly to the reduction of PolSAR interpretation accuracy. The model-based polarimetric decomposition is the primary development direction of polarimetric target decomposition, and the researches on its inconsistency mitigation have been widely carried out. However, there are many factors of the inconsistency. The existing mitigation methods focused on scattering mechanism modeling and model resolving, but cannot solve all the inconsistency. Therefore, based on the model-based decomposition, this research will analyze the factors of inconsistency and study the mitigation methods. Firstly, applicability of the existing decomposition models will be summarized, which will provide basis for selecting the decomposition model properly. Secondly, a common model will be developed, which will mitigate the inconsistency relating to model and resolving as much as possible. And for PolSAR interpretation in large scale, high precision can be achieved based on the common model. Finally, the influence of the extrinsic factors and non-coherency average on polarimetric scattering mechanisms will be explored, and the interpretation rules considering the extrinsic factors and a new multi-look processing method will be established to mitigate these two kinds of inconsistency effectively. In general, the outputs of the proposal will be helpful to refine the theory of PolSAR target decomposition, improve the accuracy of PolSASR interpretation, and will further promote the development of PolSAR application.

极化目标分解的不一致性直接导致极化SAR解译精度的降低。基于模型的极化分解是极化目标分解的主要发展方向，其不一致性控制研究已得到广泛开展。然而，不一致性的产生因素很多，现有的控制方法侧重于散射机理建模及模型解算，并不能解决所有的不一致性问题。鉴于此，本项目将以基于模型的极化分解为对象，开展不一致性影响因素分析及控制方法研究：首先，分析现有分解模型的适用性，为合理选择分解模型提供依据；其次，建立通用的目标模型分解方法，尽可能控制模型建立及解算中的不一致性，使其在进行大范围解译时具有较高的精度；最后，分析外在因素及非相干平均多视处理对极化特征的影响机制，通过建立顾及外在因素的极化特征解译规则和新型的多视数据处理模式来实现对这两类不一致性的有效控制。本项目的研究，将有助于完善极化SAR目标分解理论，提高极化SAR解译的精度，并将进一步促进极化SAR数据应用的发展。

本项目以极化SAR数据的解译及应用为主要研究对象，主要解决如何充分利用极化SAR反映目标物理结构的优势，提升极化SAR解译的精度，促进极化SAR应用发展的关键问题，并通过土地覆盖分类、农作物倒伏监测、典型农作物识别等应用领域，设计具体的解决方案，通过理论与应用的结合，探讨极化SAR数据的应用潜力和方法。.在极化SAR分解模型优化方面，本项目基于统一的相干目标分解（CTD）模型，提出一种广义螺旋度的概念，将 Cameron螺旋度从单视扩展到多视 PolSAR 数据。对单视PolSAR 数据，所提出的广义螺旋度与原始螺旋度等价；对于多视PolSAR数据，由于所提出的模型很难直接求解，我们将其转化为非线性规划模型并得到近似最优解。实验表明，广义螺旋度的消除能够有效减轻反射对称假设，是极化分解不一致性控制的重要环节。.此外，提出一种结合Wishart距离、Barnes-Holm目标分解和去取向理论的极化目标距离度量方法，实现了增强的类可分性度量，并应用于土地覆盖分类，以华南雷州半岛的TerraSAR -X波段数据进行实验，验证了该距离度量方法在提高分类精度上的有效性，能够在一定程度上控制极化SAR分解中的不一致性。在极化SAR数据应用方面，本项目提出基于时间序列的极化特征进行甘蔗倒伏的判别方法，发现基于甘蔗倒伏前后的时间序列趋势相反的极化特征，能够降低甘蔗生长的影响，有效监测甘蔗倒伏状况。.在时间序列SAR应用方面，提出一种基于SAR 数据的水体归一化参数，以此探讨 Sentinel-1A数据在多云多雨地区估算早稻种植面积的可行性和应用潜力，以海南进行实验结果表明，基于水体归一化参数能够有效提高早稻的识别提取精度，此外，以C波段双极化Sentinel-1A为主要数据源，同时辅助Sentinel-2光学影像，研究时间序列、多源数据融合方法，并应用于甘蔗提取，研究结果表明，极化特征优选、时间序列物候融合均对改善甘蔗的提取精度有所帮助。.本项目的研究成果，将有助于完善极化SAR目标分解理论，提高极化SAR解译的精度，并将进一步促进极化SAR数据应用的发展。