王長(zhǎng)青 李貝貝 朱瑞飛 常守志

摘 要：? 針對(duì)C波段合成孔徑雷達(dá)影像協(xié)同光學(xué)影像進(jìn)行森林分類時(shí)失相干現(xiàn)象較為嚴(yán)重的問(wèn)題，提出將冬季相近時(shí)相合成孔徑雷達(dá)的相干系數(shù)影像進(jìn)行均值處理的方法，有效抑制了失相干現(xiàn)象，得到與森林樹種相關(guān)的相干系數(shù)影像。本文分別利用Sentinel-1后向散射強(qiáng)度、相干系數(shù)和吉林一號(hào)光學(xué)A星影像，對(duì)長(zhǎng)春市凈月潭森林公園的樹種進(jìn)行分類研究。結(jié)果顯示：在僅用吉林一號(hào)光學(xué)A星數(shù)據(jù)進(jìn)行分類時(shí)，總體分類精度為82.3%，Kappa系數(shù)為0.79;在使用吉林一號(hào)數(shù)據(jù)和哨兵一號(hào)強(qiáng)度數(shù)據(jù)進(jìn)行分類時(shí)，總體分類精度為85.2%，Kappa系數(shù)為0.825;在使用吉林一號(hào)數(shù)據(jù)、哨兵一號(hào)強(qiáng)度數(shù)據(jù)和相干性數(shù)據(jù)進(jìn)行分類時(shí)，總體分類精度為87.8%，Kappa系數(shù)為0.855;在使用吉林一號(hào)數(shù)據(jù)、哨兵一號(hào)強(qiáng)度數(shù)據(jù)和相干性數(shù)據(jù)進(jìn)行分類以后，相較于僅使用吉林一號(hào)數(shù)據(jù)，落葉松用戶精度由原來(lái)的59%提升到了72%，表明光學(xué)影像結(jié)合C波段合成孔徑雷達(dá)影像可提高森林樹種分類精度。

關(guān)鍵詞： 分類精度;吉林一號(hào);哨兵一號(hào);相干系數(shù)

中圖分類號(hào) ：S771??? ?文獻(xiàn)標(biāo)識(shí)碼 ：A?? ?文章編號(hào) ：1006-8023（2020）02-0040-09

Study on Tree Species Identification by Combining Sentinel-1 and JL101A Images

WANG Changqing1， LI Beibei1， ZHU Ruifei1， CHANG Shouzhi2

（1.Chang Guang Satellite Technology Co.Ltd.， Changchun 130000， China; 2.Changchun Urban and Rural Planning and Design Institute， Changchun 130022， China）

Abstract： Aiming at the serious problem of de-coherence in the forest classification of the C-band synthetic aperture radar image in conjunction with the optical image， a method of averaging coherence coefficient images in multiple periods in winter obtained by coherent imaging of similar time-phase radar images is proposed to effectively suppress the de-coherence phenomenon to obtain coherence coefficient images related to forest tree species. This paper uses the Sentinel-1 backscattering intensity， coherence coefficient and JL101A image to classify the tree species of the moon lake national forest park in Changchun. The results show that when using only JL101A for classification， the overall classification accuracy is 82.3%， Kappa coefficient is 0.79; when using JL101A data and Sentinel-1 intensity data for classification， the overall classification accuracy is 85.2%， and the Kappa coefficient is 0.825; when using JL101A data， Sentinel-1 intensity data and coherence data for classification， the overall classification accuracy is 87.8%， and the Kappa coefficient is 0.855. After using JL101A data， Sentinel-1 intensity data and coherence data to classify， compared with using only JL101A data， the precision of user accuracy is increased from 59% to 72%. It shows that the optical image combined with the effective coherence coefficient and backscattering intensity of C band synthetic aperture radar image can improve the classification accuracy of forest tree species.

Keywords： Classification accuracy; JL101; Sentinel-1; coherence coefficient

收稿日期： 2019-10-25

基金項(xiàng)目： 吉林省科技發(fā)展項(xiàng)目（20170204036SF）

第一作者簡(jiǎn)介： 王長(zhǎng)青，碩士，助理研究員。研究方向：合成孔徑雷達(dá)。E-mail：1548958627@qq.com

引文格式： 王長(zhǎng)青，李貝貝，朱瑞飛，等.哨兵一號(hào)協(xié)同吉林一號(hào)影像的樹種識(shí)別研究[J].森林工程，2020，36（2）：40-48.

WANG C Q， LI B B， ZHU R F， et al. Study on tree species identification by combining Sentinel-1 and JL101A images[J]. Forest Engineering，2020，36（2）：40-48.

0 引言

森林在全球水文、生態(tài)、碳循環(huán)及氣候變化中起著重要作用[1]。在森林的科學(xué)研究中，森林類型劃分是森林樹高、胸徑和生物量等參數(shù)提取的基礎(chǔ)[2]，也是林業(yè)遙感關(guān)鍵技術(shù)模型和林業(yè)遙感產(chǎn)品不可或缺的關(guān)鍵參數(shù)[3]，其在森林應(yīng)用和研究中具有重要意義。森林類型劃分有基于傳統(tǒng)的人工方式和基于遙感技術(shù)的方式[4]。基于傳統(tǒng)的人工方式不僅需要消耗大量的人力物力財(cái)力，而且需要大量的調(diào)研時(shí)間[5]，且只能對(duì)點(diǎn)進(jìn)行觀測(cè)，對(duì)于環(huán)境條件較差、人力無(wú)法到達(dá)的區(qū)域不能進(jìn)行森林資源調(diào)查，重復(fù)監(jiān)測(cè)周期長(zhǎng)[6]?；谶b感技術(shù)的分類方法可以對(duì)大范圍區(qū)域進(jìn)行監(jiān)測(cè)，具有觀測(cè)快、重復(fù)周期短和成本低等優(yōu)點(diǎn)[7]，目前已成為森林分類的常用方法。使用遙感技術(shù)進(jìn)行地物分類的方法主要包括光學(xué)遙感分類和合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）分類[8-9]，其中使用SAR數(shù)據(jù)進(jìn)行地物分類的方法主要是基于SAR后向散射強(qiáng)度影像進(jìn)行分類。胡宇宸[10]利用ENVISAT ASAR雙極化數(shù)據(jù)結(jié)合TM圖像進(jìn)行了森林分類研究，結(jié) 果顯示將多源數(shù)據(jù)融合能提高森林分類的精度。趙明瑤等[11]、王新云等[12]協(xié)同HJ-1B光學(xué)數(shù)據(jù)和RADARSAT-2 C波段雷達(dá)數(shù)據(jù)，通過(guò)影像融合提高了草地分類精度。近年來(lái)，有學(xué)者提出聯(lián)合L波段SAR的強(qiáng)度數(shù)據(jù)和相干性數(shù)據(jù)進(jìn)行森林分類的方法，但少有基于C波段相干性數(shù)據(jù)的森林分類研究。哨兵一號(hào)（Sentinel-1）是歐空局研制的C波段SAR衛(wèi)星[13]，目前使用Sentinel-1數(shù)據(jù)進(jìn)行森林分類的研究多使用后向散射強(qiáng)度數(shù)據(jù)，本文提出使用Sentinel-1相干性數(shù)據(jù)和強(qiáng)度數(shù)據(jù)進(jìn)行森林分類的方法，以期提高森林分類精度。本文使用吉林省長(zhǎng)春市凈月潭國(guó)家森林公園的Sentinel-1強(qiáng)度數(shù)據(jù)、相干性數(shù)據(jù)以及吉林一號(hào)光學(xué)A星數(shù)據(jù)，使用SVM支持向量機(jī)方法進(jìn)行森林分類研究。

1 研究區(qū)以及數(shù)據(jù)介紹

凈月潭國(guó)家森林公園位于吉林省長(zhǎng)春市東南部，為國(guó)家AAAAA級(jí)風(fēng)景區(qū)，是長(zhǎng)春市的天然氧吧。其地理空間范圍為125°25′52″～ 125°30′35″E，43°45′ ～ 43°48′18″N，海拔為220 ～ 406.5 m，地處溫帶半濕潤(rùn)季風(fēng)氣候區(qū)。景區(qū)面積為96.38 km2，其中水域面積為5.3 km2，潭水將公園分為南北兩部分，潭南為平原地帶，潭北為低山丘陵地帶。公園內(nèi)共有550多種高等植物，內(nèi)含30多個(gè)樹種的完整生態(tài)系統(tǒng)，其中以黑皮油松（Pinus tabuliformis），長(zhǎng)白落葉松（Larix olgensis）和樟子松（P. sylvestris var.mongolica）為主，另有少量的蒙古櫟（Quercu mongolica）、水曲柳（Fraxinus mand shurica）和胡桃楸（Juglans mandshurica），森林覆蓋率達(dá)96%以上。本文對(duì)凈月潭森林公園內(nèi)的主要樹種進(jìn)行森林分類研究。

吉林一號(hào)光學(xué)A星是吉林一號(hào)衛(wèi)星星座中的高分光學(xué)衛(wèi)星，共有4個(gè)波段，其中全色波段分辨率為0.72 m，多光譜波段分辨率為2.88 m，幅寬為11.6 km，凈月潭森林公園的吉林一號(hào)光學(xué)A星影像如圖1所示。

本研究使用的Sentinel-1數(shù)據(jù)從歐空局獲取，重復(fù)周期為12 d，C波段中心波長(zhǎng)為5.6 cm。Sentinel-1有Sentinel-1A和Sentinel-1B兩顆衛(wèi)星，其成像模式共有4種，分別為條帶模式（Strip Map，SM）、干涉寬條幅模式（Interferometric Wide Swath，IW）、超寬幅模式（Extra Wide Swath，EW）和波模式（Wave，WV）[14]，Sentinel-1默認(rèn)成像模式為IW模式。IW成像模式下獲取的數(shù)據(jù)為雙極化模式（VV極化和VH極化），幅寬為250 km，空間分辨率為5 m × 20 m。Sentinel-1 IW模式數(shù)據(jù)幾何分布如圖2所示。從圖2中可以看出，IW模式數(shù)據(jù)在距離向上共有3個(gè)子條帶，每個(gè)子條帶由多個(gè)連續(xù)的子刈幅（burst）組成。

本研究使用的外業(yè)調(diào)查數(shù)據(jù)為東北林業(yè)大學(xué)邢艷秋教授團(tuán)隊(duì)提供，調(diào)查時(shí)間為2017年9月14日至2017年9月21日，調(diào)查方式為單木檢尺，獲取了凈月潭國(guó)家森林公園的樹種分布以及其他林木參數(shù)，樹種分布如圖3所示。

凈月潭森林公園內(nèi)林地多為人工林，樹種較為繁雜，但仍以黑皮油松、長(zhǎng)白落葉松和樟子松為主。黑皮油松主要分布在凈月潭森林公園的北部，而長(zhǎng)白落葉松和樟子松主要分布在凈月潭南部。本文針對(duì)公園內(nèi)的主要樹種（油松、落葉松和樟子松）進(jìn)行森林分類研究。

2 數(shù)據(jù)處理

2.1 Sentinel-1數(shù)據(jù)處理

本研究使用的Sentinel-1數(shù)據(jù)是長(zhǎng)春市2016年11月24日的影像，其在面向森林分類研究的預(yù)處理流程主要包括以下步驟：提取研究區(qū)、去除熱噪聲、輻射定標(biāo)、去脈沖、多視處理、濾波、輻射地形校正和幾何校正。

（1）提取研究區(qū)

由于IW模式下Sentinel-1影像幅寬較大，空間分辨率較高，導(dǎo)致其影像數(shù)據(jù)量較大，數(shù)據(jù)處理耗時(shí)較長(zhǎng)，通過(guò)提取研究區(qū)所在的子條帶和burst來(lái)達(dá)到縮減數(shù)據(jù)量的目的。長(zhǎng)春市在Sentinel-1影像的IW2子條帶內(nèi)，burst范圍為4～7。

（2）輻射定標(biāo)

輻射定標(biāo)是通過(guò)建立原始影像DN值與標(biāo)準(zhǔn)后向散射截面的關(guān)系，從而將原始影像轉(zhuǎn)化為具有實(shí)際物理意義量值的過(guò)程。Sentinel-1輻射定標(biāo)公式為：

value（i）= |DNi| Ai2?? （1）

式中：value（i）可以是σ0i、β0i;Ai可以是sigmaNought（i）、betaNought（i）。

（3）多視處理

在SAR系統(tǒng)中，多視處理是將合成孔徑雷達(dá)的多普勒帶寬分割成N等份，每一份獨(dú)立成像得到多視子圖像，再求取N幅多視子圖像強(qiáng)度平均值的過(guò)程。多視處理在抑制相干斑噪聲的同時(shí)，將分辨單元從矩形轉(zhuǎn)化為方形。本研究使用的多視比例為5∶ 1。

（4）濾波

在SAR影像中，每個(gè)像元的回波信號(hào)是由像元內(nèi)大量微小散射體共同作用的結(jié)果[15]。由于微小散射體反射的雷達(dá)波頻率相同，所以回波信號(hào)是由微小散射體反射信號(hào)相干疊加的結(jié)果，該現(xiàn)象造成了SAR影像中固有存在的相干斑噪聲。濾波是除了多視處理以外對(duì)相干斑噪聲抑制較為有效的技術(shù)手段。本研究采用對(duì)同質(zhì)區(qū)域進(jìn)行濾波平滑的同時(shí)仍能對(duì)邊緣有較好保留的精化Lee濾波方法[16]。

（5）輻射地形校正

由于SAR為側(cè)視成像，SAR影像為地物目標(biāo)后向散射的結(jié)果，地物目標(biāo)后向散射能量的大小除了與地物形狀、結(jié)構(gòu)、粗糙度和濕度等相關(guān)，還受到當(dāng)?shù)厝肷浣堑挠绊?，?dāng)?shù)厝肷浣窃叫?，后向散射越?qiáng)。SAR影像的該特性在分類時(shí)會(huì)導(dǎo)致不同地形坡度下同種地物的錯(cuò)分以及不同種地物的誤分，對(duì)分類結(jié)果造成巨大影響。根據(jù)Sentinel-1軌道信息和DEM數(shù)據(jù)可得到當(dāng)?shù)厝肷浣牵霉剑?）和公式（3）對(duì)后向散射系數(shù)進(jìn)行地形輻射校正。

r0=σ0/cos θ。? （2）

ρ0=r0×pix×cos ɑ。? （3）

式中：σ0為后向散射系數(shù);θ為當(dāng)?shù)厝肷浣?r0為入射角校正之后的后向散射系數(shù);pix為像元面積歸一化因子;ɑ為影像中心入射角;ρ0為輻射地形校正之后的后向散射系數(shù)。

（6）幾何校正

由于SAR獨(dú)特的成像方式，導(dǎo)致其在SAR影像中存在固有的幾何畸變，常見(jiàn)的幾何畸變包括疊掩、透視收縮、頂?shù)孜灰坪屠走_(dá)陰影等。利用研究區(qū)的DEM數(shù)據(jù)和衛(wèi)星成像時(shí)的軌道信息生成模擬SAR影像，根據(jù)模擬SAR影像與真實(shí)SAR影像之間的后向散射強(qiáng)度特征、紋理特征等對(duì)真實(shí)SAR影像進(jìn)行幾何校正，消除幾何畸變，并將SAR影像從距離向多普勒坐標(biāo)系轉(zhuǎn)化到大地坐標(biāo)系[17]。

經(jīng)過(guò)以上預(yù)處理，得到的長(zhǎng)春市Sentinel-1 VV極化影像如圖4所示。

2.2 吉林一號(hào)光學(xué)A星數(shù)據(jù)處理

本研究使用吉林一號(hào)光學(xué)A星的多光譜數(shù)據(jù)進(jìn)行森林分類研究，包含紅、綠、藍(lán)和近紅外波段，成像時(shí)間為2016年8月28日。在分類之前對(duì)其進(jìn)行輻射定標(biāo)、大氣校正和幾何精校正處理。

（1）輻射定標(biāo)：輻射定標(biāo)是利用原始影像DN值與輻射亮度值之間的函數(shù)關(guān)系，將原始影像轉(zhuǎn)化為具有實(shí)際物理意義量值的過(guò)程。

（2）大氣校正：大氣校正是消除電磁波因在傳輸過(guò)程中被大氣分子和氣溶膠吸收及散射而導(dǎo)致的衰減現(xiàn)象，它是遙感數(shù)據(jù)進(jìn)行地面應(yīng)用的前提，本研究采用6S大氣輻射傳輸模型對(duì)影像進(jìn)行大氣校正。

（3）幾何精校正：本研究以高分光學(xué)影像為底圖，對(duì)吉林一號(hào)光學(xué)A星數(shù)據(jù)進(jìn)行幾何校正，校正后凈月潭森林公園影像如圖5所示。

2.3 技術(shù)流程

本研究基于Sentinel-1數(shù)據(jù)和吉林一號(hào)光學(xué)A星數(shù)據(jù)，對(duì)凈月潭森林公園進(jìn)行森林分類研究，其技術(shù)流程如圖6所示，用于森林分類的Sentinel-1數(shù)據(jù)包括VV極化和VH極化的強(qiáng)度數(shù)據(jù)與相干性數(shù)據(jù)。

3 結(jié)果與分析

3.1 相干系數(shù)

由于C波段波長(zhǎng)較短，受植被冠層影響較大， Sentinel-1數(shù)據(jù)在時(shí)隔12 d之后，在森林區(qū)域大多為失相干狀態(tài)，并且時(shí)間間隔越長(zhǎng)失相干現(xiàn)象越嚴(yán)重，如圖7所示。圖7中白色區(qū)域?yàn)楦呦喔蓞^(qū)域，對(duì)應(yīng)城市建筑物;黑色區(qū)域?yàn)榈拖喔蓞^(qū)域，對(duì)應(yīng)植被和水體，且水體相干性低于植被。

冬季的Sentinel-1影像相干性普遍高于植被生長(zhǎng)期的相干性。對(duì)于生長(zhǎng)期的植被，由于在兩期影像時(shí)間范圍內(nèi)，植被冠層變化較大，對(duì)于受冠層影響較大的C波段來(lái)說(shuō)極易失相干;但在冬季，由于長(zhǎng)春市氣溫較低，植被生長(zhǎng)基本處于停滯狀態(tài)，地面變化較植被生長(zhǎng)期小，相干性較強(qiáng)，如圖8所示。

由于單景相干系數(shù)影像易受到風(fēng)等隨機(jī)性因素的影響而導(dǎo)致局部地區(qū)失相干，為了減弱隨機(jī)事件對(duì)分類的影響，求取凈月潭公園冬季17景具有較強(qiáng)相干性的相干系數(shù)影像的均值影像，結(jié)果如圖9所示。

從圖9可以看出，凈月潭森林公園以西的城區(qū)相干性最強(qiáng)，植被次之，水體相干性最低，并且VV極化平均相干系數(shù)普遍高于VH極化平均相干系數(shù)。對(duì)油松、落葉松和樟子松各取6個(gè)樣點(diǎn)，分析平均相干系數(shù)與樹種之間的關(guān)系，得到圖10結(jié)果。

從圖10可以看出在植被區(qū)中樟子松相干性最強(qiáng)，油松次之，落葉松相干性最低，相干性與植被類型表現(xiàn)出了明顯的相關(guān)性，因此相干性可作為樹種分類的有效參數(shù)。

3.2 分類結(jié)果以及精度評(píng)價(jià)

本研究利用SVM支持向量機(jī)方法分別對(duì)吉林一號(hào)光學(xué)A星數(shù)據(jù)、吉林一號(hào)光學(xué)A星數(shù)據(jù)結(jié)合Sentinel-1強(qiáng)度數(shù)據(jù)、吉林一號(hào)光學(xué)A星數(shù)據(jù)結(jié)合Sentinel-1強(qiáng)度和相干性數(shù)據(jù)進(jìn)行分類研究，得到的分類結(jié)果如圖11所示。

從圖11可以看出，在僅用光學(xué)影像得到的分類結(jié)果中，由于部分建筑物為白色，導(dǎo)致有較多云層被誤分為建筑物，但在光SAR影像聯(lián)合分類結(jié)果中由于SAR影像穿云透雨的特性，建筑物和云層得到了正確的分類結(jié)果。在僅用光學(xué)影像和光學(xué)影像結(jié)合SAR強(qiáng)度數(shù)據(jù)得到的分類結(jié)果中，樟子松被誤分為了落葉松和草地，但在光學(xué)影像結(jié)合SAR影像強(qiáng)度數(shù)據(jù)和相干性數(shù)據(jù)的分類結(jié)果中得到了正確分類。在視覺(jué)方面，僅用光學(xué)影像和光學(xué)影像結(jié)合SAR強(qiáng)度數(shù)據(jù)得到的分類結(jié)果不均勻，碎片化較為嚴(yán)重，觀感較差;光學(xué)影像結(jié)合SAR影像強(qiáng)度數(shù)據(jù)和相干性數(shù)據(jù)得到的分類結(jié)果較為平滑，也更符合地面真實(shí)情況。

利用SVM支持向量機(jī)方法進(jìn)行分類的精度見(jiàn)表1和表2。

從表1和表2可以看出，在總體分類精度中，光學(xué)影像結(jié)合SAR影像強(qiáng)度數(shù)據(jù)和相干性數(shù)據(jù)的分類精度最高，光學(xué)影像結(jié)合SAR強(qiáng)度數(shù)據(jù)的分類精度次之，僅用光學(xué)影像的分 類精度最 低，Kappa系數(shù)亦呈現(xiàn)相同的趨勢(shì)。光學(xué)影像結(jié)合SAR影像強(qiáng)度數(shù)據(jù)和相干性數(shù)據(jù)的分類結(jié)果中落葉松的分類精度得到了大幅提升，而樟子松和油松的分類精度提升較小。從圖10中可以看出，樟子松的相干系數(shù)略高于油松，但兩者相差不大，而落葉松的相干系數(shù)明顯小于樟子松和油松，所以在結(jié)合了相干性數(shù)據(jù)之后落葉松的分類精度得到了大幅提升，而樟子松和油松提升不大。

4 結(jié)論

基于吉林一號(hào)光學(xué)A星數(shù)據(jù)和Sentinel-1數(shù)據(jù)，利用SVM支持向量機(jī)方法對(duì)長(zhǎng)春市凈月潭國(guó)家森林公園進(jìn)行了分類研究。通過(guò)冬季鄰近時(shí)相SAR的相干系數(shù)均值影像，并結(jié)合Sentinel-1雙極化強(qiáng)度圖和吉林一號(hào)高分光學(xué)影像進(jìn)行了森林分類研究，得到了如下結(jié)論：

（1）吉林一號(hào)光學(xué)A星數(shù)據(jù)結(jié)合Sentinel-1強(qiáng)度和相干性數(shù)據(jù)的分類精度較吉林一號(hào)光學(xué)A星數(shù)據(jù)結(jié)合Sentinel-1強(qiáng)度數(shù)據(jù)的分類精度更高，僅用吉林一號(hào)光學(xué)A星數(shù)據(jù)進(jìn)行分類的精度最低。

（2）處于植被生長(zhǎng)期的Sentinel-1影像容易失相干，但冬季影像相干性普遍較高，并與植被類型存在相關(guān)性。

（3）在凈月潭森林公園冬季Sentinel-1相干系數(shù)影像中，樟子松相干性最高，油松次之，落葉松相干性最低。

（4）Sentinel-1影像可以明顯改善光學(xué)影像中云和白色建筑物的錯(cuò)分現(xiàn)象。

綜上所述，光學(xué)影像結(jié)合Sentinel-1強(qiáng)度數(shù)據(jù)和有效相干性數(shù)據(jù)能夠提高森林分類精度，為國(guó)家林草部門提供更精確的數(shù)據(jù)信息。

致謝： 感謝東北林業(yè)大學(xué)邢艷秋教授團(tuán)隊(duì)提供的野外數(shù)據(jù)支持。

【參 考 文 獻(xiàn)】

[1]? 羅環(huán)敏. 基于極化干涉SAR的森林結(jié)構(gòu)信息提取模型與方法[D]. 成都： 電子科技大學(xué)， 2011.

LUO H M. Models and methods of extracting forest structure information by polarimetric SAR interferometry[D]. Chengdu： University of Electronic Science and Technology of China， 2011.

[2]? 王馨爽，陳爾學(xué)，李增元，等.多時(shí)相雙極化SAR影像林地類型分類方法[J].林業(yè)科學(xué)，2014，50（3）：83-91.

WANG X S， CHEN E X， LI Z Y， et al. Multi-temporal and dual-polarization SAR for forest land type classification[J]. Science Silvae Sinicae， 2014， 50（3）： 83-91.

[3]? 凌飛龍.面向植被識(shí)別的SAR圖像分類方法研究[D].北京：中國(guó)林業(yè)科學(xué)研究院，2010.

LING F L. Study on classification method using SAR images for vegetated area identification[D]. Beijing： Chinese Academy of Forestry， 2010.

[4]? 王馨爽.多維度SAR森林及其類型分類識(shí)別方法研究[D].西安：西安科技大學(xué)，2013.

WANG X S. Multi-dimension SAR for forest recognition and forest type classification[D]. Xian： Xian University of Science and Technology， 2013.

[5]? 郭棟.基于多源數(shù)據(jù)的復(fù)雜種植結(jié)構(gòu)區(qū)作物遙感分類[D].哈爾濱：東北農(nóng)業(yè)大學(xué)，2017.

GUO D. Crop remote sensing classification based on multi-source data in complex cropping structure area[D]. Harbin： Northeast Agricultural University， 2017.

[6]? 付瑜.基于多時(shí)相SAR數(shù)據(jù)和SPOT數(shù)據(jù)的盤古林場(chǎng)林分類型識(shí)別[D].哈爾濱：東北林業(yè)大學(xué)，2016.

FU Y. Forest type classification based on multi-temporal SAR and SPOT remote sensing data in Pangu Forest Farm[D]. Harbin： Northeast Forestry University， 2016.

[7]? 任瀟灑.長(zhǎng)春九臺(tái)區(qū)農(nóng)作物多源遙感分類方法研究[D].長(zhǎng)春：吉林大學(xué)，2018.

REN X S. Research on crop classification methods by multisource remote sensing in Jiutai Area， Changchun[D]. Changchun： Jilin University， 2018.

[8]? 王宇航，范文義，劉超逸.基于面向?qū)ο蟮腝UICKBIRD數(shù)據(jù)和SAR數(shù)據(jù)融合的地物分類[J].東北林業(yè)大學(xué)學(xué)報(bào)，2016，44（9）：44-49.

WANG Y H， FAN W Y， LIU C Y. An object-based fusion of QUICKBIRD data and RADARSAT SAR data for classification analysis[J]. Journal of Northeast Forestry University， 2016， 44（9）：44-49.

[9]? 肖艷.面向?qū)ο蟮腜olSAR影像分類研究[D].長(zhǎng)春：吉林大學(xué)，2017.

XIAO Y. Research on object-oriented classification for PolSAR images[D]. Changchun： Jilin University， 2017.

[10]? 胡宇宸.基于多時(shí)相ENVISAT ASAR數(shù)據(jù)森林分類制圖[D].鄭州：河南農(nóng)業(yè)大學(xué)，2014.

HU Y C. Forest mapping using multi-temporal ENVISAT ASAR data[D]. Zhengzhou： Henan Agricultural University， 2014.

[11]? 趙明瑤，劉會(huì)云，張曉麗，等.基于林分結(jié)構(gòu)響應(yīng)的PALSAR森林結(jié)構(gòu)參數(shù)估測(cè)[J].北京林業(yè)大學(xué)學(xué)報(bào)，2015，37（6）：61-69.

ZHAO M Y， LIU H Y， ZHANG X L， et al. Estimation of forest structural parameters based on stand structure response and PALSAR data[J]. Journal of Beijing Forestry University， 2015， 37（6）：61-69.

[12]? 王新云，郭藝歌，何杰.基于多源遙感數(shù)據(jù)的草地生物量估算方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（11）：159-166.

WANG X Y， GUO Y G， HE J. Estimation of above-ground biomass of grassland based on multi-source remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（11）：159-166.

[13]? 朱琳.基于Sentinel多源遙感數(shù)據(jù)的作物分類及種植面積提取研究[D].楊凌：西北農(nóng)林科技大學(xué)，2018.

ZHU L. Study on crop classification and area extraction based on multi-source remote sensing data of Sentinel[D]. Yangling： Northwest A&F University， 2018.

[14]? 楊魁，楊建兵，江冰茹.Sentinel-1衛(wèi)星綜述[J].城市勘測(cè)，2015，4（2）：24-28.

YANG K， YANG J B， JIANG B R. Sentinel-1 satellite review[J]. Urban Geotechnical Investigation & Surveying， 2015， 4（2）：24-28.

[15]? ARDHUIN F， COLLARD F， CHAPRON B， et al. Estimates of ocean wave heights and attenuation in sea ice using the SAR wave mode on Sentinel-1A[J]. Geophysical Research Letters， 2015， 42（7）：2317-2325.

[16]? 楊永恬.ENVISATASAR森林分類研究[D].北京：北京林業(yè)大學(xué)，2004.

YANG Y T. Study on forest classification by ENVISATASAR image[D]. Beijing： Beijing Forestry University， 2004.

[17]? 姜媛.極化SAR圖像特征提取與分類方法研究[D].成都：電子科技大學(xué)，2016.

JIANG Y. Research of feature extraction and classification for polarimetric SAR image[D]. Chengdu： University of Electronic Science and Technology of China， 2016.