论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)是有效的海洋风浪遥感监测手段。当前发展成熟的风场反演模型主要基于VV单极化SAR图像,主体为与多个变量同时非线性相关的多参数模型,不能将风向风速解耦合进行单要素反演而限制了业务应用。随着多极化和全极化SAR的发展,发现交叉极化散射与风向弱相关,可实现风速的直接反演,应用前景广阔。当前全极化SAR用于海面风场反演处于探索阶段,一方面全极化SAR图像的通道数翻倍而使图像前期处理更复杂,另一方面交叉极化反演模型中变量间线性关系的普适性仍需更多研究。本文利用中国高分三号(GF-3)全极化条带1(QPSI)模式SAR图像数据开展反演海面风场的技术研究:对全极化SAR图像进行预处理及水域分割,采用改进Deeplabv3+网络模型,提出适用于提取四种极化图像特征的多通道语义分割模型。针对GF-3全极化SAR数据用于海面风场反演,利用CMOD系列四种业务化模型验证对全极化模式反演风场的适用性;分析交叉极化数据关于风速、相对风向及雷达入射角的相关性,在此基础上利用多元逐步回归法和BP神经网络方法探索GF-3交叉极化数据用于海面风速反演的模型。具体研究如下:1.分析SAR图像极化散射机理及其用于风场反演的原理,对比当前几种C波段常用业务化风场反演模型及其优缺点。对GF-3图像进行预处理,包括辐射定标、多视处理、地理编码及相干斑噪声滤除。尤其对于相干斑噪声的滤除,影响到风场反演的精度,对常用滤波算法在全极化数上据进行滤波效果比较,其中增强型Lee滤波对交叉极化数据在图像标准差和等效视数上的指标最优,而Gamma Map滤波对同极化数据在这两项指标上最优,但在边缘保持指数中,增强型Lee滤波对四种极化图像的效果都优于Gamma Map,因此选用了增强型Lee滤波对图像去噪。2.分析传统图像分割技术对于全极化SAR图像应用的缺陷,改进语义分割模型Deeplabv3+,设计多通道输入的语义分割模型,将全极化SAR图像的四种极化图像并置作为四通道图像输入网络,以改进型的轻量化网络Xception作为特征提取网络,深度可分离卷积的运用减少了参数量设置。多通道模型解决了在全极化SAR图像中每张图像单独分割时由于极化方式不同,带来的同一场景水域分割不一致的结果,提高了分割准确度和可信度。用测试图像对分割算法进行分割效果对比,结果表明在对各极化图像的水域分割中,深度学习分割模型效果均优于传统方法。然而单通道输入的FCN和Deeplabv3+网络在测试图像交叉极化数据分割中最优MIo U可以达到96.67%,但在同极化数据上分割效果明显低于交叉极化,最低仅为88.99%,分割结果具有不一致性,本文方法的分割结果取得95.85%的MIo U。3.针对高分三号全极化数据用于海面风场反演的研究,对包含NDBC浮标数据的全极化SAR图像,运用CMOD系列四种业务化模型对数据的反演适用性进行验证,结果表明CMOD5模型的反演误差与浮标观测值相比均方误差最小,四景风速均方误差仅0.31m/s,风向误差4.06°。为探索GF-3交叉极化散射与风矢量间的相关性,收集大西洋、太平洋等海域的QPSI模式SAR图像,以ERA-Interim数据为初始风场和验证数据,根据Pearson相关系数分析交叉极化数据与风场反演中各变量间的线性相关性,随后分别用逐步回归法和BP神经网络两种方法建立参考模型。对当前数据的研究结果表明GF-3交叉极化后向散射强度与风速呈现线性关系而与风向几乎无关,有利于在风场反演应用中简化反演模型。