利用变异函数估计SAR影像海冰参数

doi:10.3969/j.issn.0372-2112.2016.07.022

电子学报 ›› 2016, Vol. 44 ›› Issue (7): 1671-1678.DOI: 10.3969/j.issn.0372-2112.2016.07.022

利用变异函数估计SAR影像海冰参数

汪霄箭¹, 赵泉华¹, 李玉¹, 张毅²

1. 辽宁工程技术大学测绘与地理科学学院遥感科学与应用研究所, 辽宁阜新 123000;
2. 国家卫星海洋应用中心, 北京 100081

收稿日期:2014-12-25 修回日期:2015-06-05 出版日期:2016-07-25
- 作者简介:
- 汪霄箭 男,1991年2月出生于安徽省泾县,现为辽宁工程技术大学摄影测量与遥感专业硕士研究生.主要研究方向为空间数据分析.E-mail:690098087@qq.com;赵泉华 女,1978年11月出生于河北省承德.现为辽宁工程技术大学遥感科学与应用研究所副教授、硕士生导师.主要研究方向随机几何、模糊集理论、信息论及其在遥感数据处理中的应用.E-mail:zqhlby@163.com
- 基金资助:
- 空间海洋遥感与应用研究重点实验室开放基金 (No.201502002); 辽宁工程技术大学研究生科研资助项目 (No.5B2014011-01)

Estimating Sea Ice Parameters from SAR Images Using Variograms

WANG Xiao-jian¹, ZHAO Quan-hua¹, LI Yu¹, ZHANG Yi²

1. Institute of Remote Sensing Science and Application, School of Geomatics, Liaoning Technical University, Fuxin, Liaoning 123000, China;
2. National Satellite Ocean Application Service, Beijing 100081, China

Received:2014-12-25 Revised:2015-06-05 Online:2016-07-25 Published:2016-07-25

摘要/Abstract

摘要：

随着遥感技术的不断发展,SAR(Synthetic Aperture Radar,合成孔径雷达)影像开始广泛用于空间数据分析.本文在随机几何和空间统计学的基础上,利用随机模型和空间统计学测度解译SAR影像海冰空间结构.在传统二阶变异函数的基础上,创新性地提出一阶变异函数,并以此刻画SAR影像海冰空间结构,从而更加全面、准确地辨识各种类型海冰结构.该方法将SAR影像海冰空间结构建模成两随机函数的线性加权和混合随机模型,其中,多值Gamma随机函数表征海水与海冰的连续性变化,Poisson Mosaic随机函数表征海水与海冰之间的局域性变化.并定义该混合随机模型的理论一阶、二阶变异函数以刻画海冰空间结构变化.对给定SAR影像计算其实际变异函数值,利用最小二乘拟合理论与实际变异函数,得到理论模型参数,并以此反演海冰空间结构信息.本文对加拿大Ungava湾的RADARSAT-1影像进行实验,时间为4月到6月的海冰融化期,海冰结构变化明显.实验结果表明提出的方法可以准确描述不同时期各种类型海冰空间结构.

关键词: 遥感, SAR影像, 海冰空间结构, 变异函数

Abstract:

With the development of remote sensing,SAR (Synthetic Aperture Radar) imagery is widely used in spatial data analysis.This paper uses stochastic models and geostatistic metrics to characterize the spatial structures of sea ice based on stochastic geometry and spatial statistics.We propose a geostatistic metric first-order variogram based on the second-order variogram,and prove its efficiency to describe the sea ice spatial structures.The sea ice spatial structures are characterized by the weighted linear combination of two stochastic models.One is a multi-Gamma model,which characterizes continuous variations corresponding to water or the background of sea ice.Another is a Poisson line mosaic model,which characterizes the regional variations of different types of sea ice.The linear combination of the two models defines the mixture model to represent spatial structures of sea ice within SAR intensity imagery.To estimate the parameters of the mixture model,experimental first-and second-order variograms are calculated from the SAR intensity imagery,and then fit them with the theoretical variograms for the purpose of estimating the mixture model parameters.The proposed approach is applied to Radarsat-1 images from April to June to identify the change of sea ice.The results of the experiments show that the proposed approach can estimate the sea ice density accurately and stably.

Key words: remote sensing, SAR imagery, spatial structure of sea ice, variogram

中图分类号:

TP391

汪霄箭, 赵泉华, 李玉, 张毅. 利用变异函数估计SAR影像海冰参数[J]. 电子学报, 2016, 44(7): 1671-1678.

WANG Xiao-jian, ZHAO Quan-hua, LI Yu, ZHANG Yi. Estimating Sea Ice Parameters from SAR Images Using Variograms[J]. Acta Electronica Sinica, 2016, 44(7): 1671-1678.

参考文献

[1] 朱海天,冯倩,曾韬,梅涂术,崔松雪,梁超,孙从容.基于星载SAR的渤海海冰遥感监测系统设计与研究[J].遥感信息,2012,13(2):81-85. Zhu Hai-tian,Feng Qian,Zeng Tao,Mei Tu-shu,Cui Song-xue,Liang Chao,Sun Con g-rong.Design and research on Bohai sea ice monitoring system based on SAR[J].Remote Sensing Information,2012,13(2):81-85.(in Chinese)
[2] 吴龙涛,吴辉碇,孙兰涛,等.MODIS渤海海冰遥感资料反演[J].中国海洋大学学报(自然科学版),2006,36(2):173-179.
[3] Du Bo,Zhang Liangpei.A discriminative metric learning based anomaly detection method[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(11):6844-6857.
[4] Chen Wu,Bo Du,Liangpei Zhang.Slow feature analysis for change detection in multispectral imagery[J].IEEE Transactions on Geoscience and Remote Sensing, 2014,52(5):2858-2874.
[5] 武辰,杜博,张良培.基于独立成分分析的高光谱变化检测[J].遥感学报,2012,3(16):545-561. Wu Chen,Du Bo,Zhang Liang-pei.Hyperspectral change detection based on independent component analysis[J].Journal of Remote Sensing,2012,16(3):545-561.(in Chinese)
[6] 许鹏飞.图像结构化特征表达方法研究[D].哈尔滨:哈尔滨工业大学,2013.
[7] 张晰,张杰,纪永刚.基于纹理特征分析的辽东湾SAR影像海冰检测[J].海洋科学进展,2008,26(3):386-393.
[8] 陈杉,秦其明.基于小波变换的高分辨率影像纹理结构分类方法[J].地理与地理信息科学,2003,19(3):6-9.
[9] Nystuen J A,Garcia Jr F W.Sea ice classification using SAR backscatter stat istics[J].IEEE Transactions on Geoscience and Remote Sensing,1992,30(3):502-509.
[10] 汪霄箭,李玉,赵泉华,何晓军.混合本征模型的多视SAR影像海冰密度检测[J].中国图象图形学报,2014,19(12):1836-1842.
[11] Garrigues S,Allard D,Baret F.Using first-and second-order variograms for characterizing landscape spatial structures from remote sensing imagery[J].I EEE Transactions on Geoscience and Remote Sensing,2007,45(6):1823-1834.
[12] 冯益明.空间统计学理论及其在林业中的应用[M].北京:中国林业出版社,2008:22-47.
[13] Garrigues S,Allard D,Baret F,Weiss M.Quantifying spatial heterogeneity at the landscape scale using variogram models[J].Remote Sensing of Environment,2006,103(1):81-96.
[14] 张耀天,胡睿,孙进平,毛士艺.一种基于二维Gamma分布的SAR图像变化检测方法[J].系统工程与电子技术,2010,32(5):927-930. Zhang Yao-tian,Hu Rui,Sun Jin-ping,Mao Shi-yi.Change detection for SAR images based on bivariate Gamma models[J].System Engineering and Electronics,2010,32(5):927-930.(in Chinese)
[15] 张元禧.相互独立两GAMMA分布随机变数之和、差的联合分布函数[J].合肥工业大学学报,1983,5(3):53-59.
[16] Rivoirard J.Introduction to Disjunctive Kriging and Non-linear Geostatistics[M].England:Clarendon Press,1994.
[17] CurranP J.The semivariogram in remote sensing:An introduction[J] Remote Sensing of Environment,1988,24(3):247-258.
[18] KotzS,Balakrishnan N,Johnson N L.Continuous Multivariate Distributions:Models and Applications(2nd edition)[M].New York:Wiley,2000.
[19] Lantuéjoul C.Geostatistical Simulation Models and Algorithms[M].German:Springer,2002.
[20] Chiles J,Delfiner P.Geostatistics Modeling Spatial Uncertainty[M].New Y ork:Wiley,1999.
[21] SheldonM R.Introduction to Probability and Statistics for Engineers and Sci entists(3rd edition)[M].America:Academic Press,2004.
[22] SchabenbergerO,& Gotway C A.Statistical Methods for Spatial Data Analysis[M].England:Chapman and Hall/CRC,2005.
[23] 刘经南,曾文宪,徐培亮.整体最小二乘估计的研究进展[J].武汉大学学报(信息科学版),2013,38(5):505-512.

利用变异函数估计SAR影像海冰参数

Estimating Sea Ice Parameters from SAR Images Using Variograms

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	杨曦, 张鑫, 郭浩远, 王楠楠, 高新波. 基于不变特征的多源遥感图像舰船目标检测算法[J]. 电子学报, 2022, 50(4): 887-899.
[2]	肖进胜, 张舒豪, 陈云华, 王元方, 杨力衡. 双向特征融合与特征选择的遥感影像目标检测[J]. 电子学报, 2022, 50(2): 267-272.
[3]	杨晓城, 杨真乙, 阎敬业, 武林, 蒋明峰. 基于拉普拉斯算子的综合孔径辐射计成像算法[J]. 电子学报, 2022, 50(2): 339-345.
[4]	郑海颖, 王峰, 姜维, 王志强, 姚西文. 神经网络训练策略对高分辨率遥感图像场景分类性能影响的评估[J]. 电子学报, 2021, 49(8): 1599-1614.
[5]	周勇, 陈思霖, 赵佳琦, 张迪, 王瀚正. 基于弱语义注意力的遥感图像可解释目标检测[J]. 电子学报, 2021, 49(4): 679-689.
[6]	黄鸿, 徐科杰, 石光耀. 联合多尺度多特征的高分遥感图像场景分类[J]. 电子学报, 2020, 48(9): 1824-1833.
[7]	秦福强, 王丽芳. 基于变分的多尺度遥感图像融合算法[J]. 电子学报, 2020, 48(6): 1084-1090.
[8]	黄鸿, 王丽华, 石光耀. 面向高光谱遥感影像分类的监督多流形鉴别嵌入方法[J]. 电子学报, 2020, 48(6): 1099-1107.
[9]	石雪, 李玉, 赵泉华. 自适应类别的层次高斯混合模型遥感影像分割[J]. 电子学报, 2020, 48(1): 131-136.
[10]	李玉, 王亚琼, 赵雪梅, 赵泉华. 基于随机投影深度函数的停车场车辆提取方法[J]. 电子学报, 2019, 47(2): 322-330.
[11]	李玉, 袁永华, 赵雪梅. 可变类谱聚类遥感影像分割[J]. 电子学报, 2018, 46(12): 3021-3028.
[12]	胡根生, 查慧敏, 梁栋, 鲍文霞. 结合分类与迁移学习的薄云覆盖遥感图像地物信息恢复[J]. 电子学报, 2017, 45(12): 2855-2862.
[13]	张鸿翼, 李飞, 徐卫明, 舒嵘. 利用优化算法对合成孔径激光雷达相位误差补偿的研究[J]. 电子学报, 2016, 44(9): 2100-2105.
[14]	韩敏, 杨雪. 改进贝叶斯ARTMAP的迁移学习遥感影像分类算法[J]. 电子学报, 2016, 44(9): 2248-2253.
[15]	赵雪梅, 李玉, 赵泉华. 基于隐马尔可夫高斯随机场模型的模糊聚类高分辨率遥感影像分割算法[J]. 电子学报, 2016, 44(3): 679-686.