一、TM与SAR图像融合处理及在高原区调中的应用（论文文献综述）
雷俊杰[1]（2021）在《川西高原植被生态水遥感反演关键技术研究》文中研究指明植被与水文循环耦合,是国际地圈生物圈计划核心项目“水文循环的生物圈方面”关注的核心问题,也是生态水文学的研究难点,在生态水文学研究中,植被生态水（层）是水文循环的重要环节,植被生态水包括植被体本身储水量以及植被根系土壤储水量,它在土壤-植被-大气界面的物质交流与循环过程中起到关键作用,科学估算植被生态水对于充分认识植被-土壤-大气-水之间的传输机制和规律具有重要科学意义。遥感技术为区域尺度植被生态水的定量反演提供了重要手段,然而单一遥感数据源难以准确反演植被生态水,如何协同多源遥感数据,科学有效提高植被生态水估算精度是亟待解决的关键技术问题。论文以植被富水性特殊且生态区位典型的川西高原为研究区,依托国家自然科学基金（41671432）和四川省自然资源厅项目（KJ-2020-05）,基于Landsat5 TM、Landsat8 OLI,哨兵1号C波段SAR（Sentinel 1;S1）,相控阵型L波段SAR（ALOS PALSAR）,以及Li DAR,协同光学、SAR、Li DAR遥感的优势,定量反演并分析了川西高原丰-枯水期、5·12汶川特大地震胁迫下的植被生态水,以期达到丰富植被生态水遥感定量研究,揭示植被生态水文效应的目的。论文研究内容以及取得的成果如下:（1）基于Landsat植被指数,构建一种新植被含水率（FMC）反演模型。利用重采样后的植物宽波段反射率构建新的距离投影比值指数-DPRI＿L,将其与简单比值植被指数（SR）结合,建立FMC反演模型-FMCDPRIL-SR,该模型10折交叉验证判定系数（R2）=0.73,相对均方根误差（r RMSE）=12.19%。（2）协同光学遥感、SAR与Li DAR,提出了一种植被体本身储水量反演方法。首先,利用FMCDPRIL-SR反演FMC;其次,利用微波遥感反演生物量,将植被生物量分为灌草、草地、林地生物量。构建了基于S1信息指标的灌草、草生物量随机森林（RF）反演模型（R2=0.67,r RMSE=12.04%）,协同Li DAR与ALOS PARSAR,建立RF林木高度反演模型（R2=0.64,r RMSE=12.9%）以及林木胸径（DBH）RF反演模型（R2=0.61,r RMSE=13.91%）,根据林木高度、DBH反演结果,构建了一种新的林地生物量反演模型（R2=0.67,r RMSE=13.93%）;最后,结合FMC与生物量,计算植被体本身储水量。（3）构建了一种新的根系土壤储水量反演模型-SEE-WP-RSM模型。先利用WCM-PARSAR模型计算根系土壤含水率,接着利用SEE法计算根系土壤厚度,再结合根系土壤含水率、根系土壤厚度、土壤容重等性质构建SEE-WP-RSM模型,最后利用该模型计算了川西高原枯水期、丰水期、5·12汶川特大地震前、后植被根系土壤储水量。（4）结合DPRI＿L与温度（LST）,建立了一种新的干旱胁迫植被指数模型-TVDIDPRIL-LST,将川西高原干旱程度分为6个等级。提出一种协同光学遥感、SAR与Li DAR的植被生态水反演方法,首先,得出川西高原典型实验区植被体本身储水量以及根系土壤储水量反演模型;接着,利用以上模型反演川西高原4个时期植被体本身储水量以及根系土壤储水量;再接着,计算川西高原4个时期植被生态水,植被生态水为植被体本身储水量及根系土壤储水量之和;最后,深入分析川西高原植被生态水受到季节变化影响与5·12汶川特大地震胁迫的响应状况。结果表明:川西高原不同植被类型植被体本身储水量丰-枯水期变化量从大到小依次为常绿林、混交林、落叶林、灌草、草地;不同植被类型植被生态水丰-枯水期变化量从大到小依次为草地、常绿林、落叶林、灌草、混交林;川西高原不同程度干旱区植被体本身储水量丰-枯水期变化量共2.494033623×109 Mg,常绿林植被体本身储水量丰-枯水期变化量最大,为2.071349492×109 Mg,总体来看,植被体本身储水量丰-枯水期变化量在干旱区、较干旱区、严重干旱区均高于其他干旱等级区;不同程度干旱区植被生态水为4.718495449×1010 Mg,干旱区植被生态水丰-枯水期变化量较大,其余干旱等级区较少;川西高原丰水期不同类型土壤植被体本身储水量较高,枯水期反之,石灰性雏形土植被体本身储水量丰-枯水期变化量较大（6.079806×108 Mg）,其次为潜育高活性淋溶土（4.73824×108 Mg）、暗潜育土（4.01387×108 Mg）;不同土壤类型植被生态水丰-枯水期变化量不同,石灰性雏形土植被体本身储水量丰-枯水期变化量较大(1.405017×1010 Mg),其次为暗潜育土(1.119915×1010 Mg)、变性雏形土（5.770063×109 Mg）;枯水期植被体本身总储水量为6.639086803×109Mg,丰水期被体本身总储水量为9.133120426×109 Mg,植被体本身总储水量丰-枯水期变化量为2.494033623×109Mg,植被体本身储水量丰-枯水期变化量占丰水期植被体总储水量27.31%;枯水期总植被生态水为1.86658285×1011Mg,丰水期总植被生态水为2.33843239×1011 Mg,总植被生态水丰-枯水期变化量为0.4718495449×1011Mg,总植被生态水丰-枯水期变化量占丰水期总植被生态水的20.18%;5·12汶川特大地震胁迫植被体本身总储水量为0.073810898×108Mg,地震胁迫总植被生态水为0.97868833×108Mg。本文协同光学、SAR、Li DAR遥感的优势,提出了一种植被体本身储水量反演方法,构建了一种新的根系土壤储水量反演模型,提出一种植被生态水反演方法。该研究可为我国西部地形复杂地区采用遥感等手段进行植被生态水研究提供有价值的技术支撑。同时,植被生态水是一个较为全面、较为准确的水文要素或生态指标,该研究将对我国西部地区生态环境、水文、森林火灾、农林、极端气候等相关领域的研究起到重要促进作用,并为我国生态环境保护及人类可持续发展提供重要科学技术手段及重大潜在社会价值。论文主要创新点:（1）协同光学遥感、SAR与Li DAR,提出了一种植被体本身储水量反演方法。首先,利用Landsat信息指标建立新的植被指数DPRI＿L,将其与简单比值植被指数（SR）结合,构建一种新的多植被指数FMC反演模型-FMCDPRIL-SR。;其次,利用微波遥感反演生物量,将植被生物量分为灌草、草地、林地生物量,构建了基于S1的灌草、草生物量反演模型,提出了协同Li DAR与ALOS PARSAR的林地生物量反演模型;最后,结合生物量和植被含水率计算植被体本身储水量。（2）构建了一种新的根系土壤储水量反演模型-SEE-WP-RSM模型。首先,建立了新的根系土壤含水率反演模型-WCM-PARSAR;其次,构建了新的根系土壤厚度反演模型-SEE模型;最后利用根系土壤含水率、根系土壤厚度与其他土壤性质参数建立SEE-WP-RSM模型。（3）协同光学遥感、SAR与Li DAR,提出一种植被生态水反演方法。首先,得出川西高原典型实验区植被体本身储水量以及根系土壤储水量反演模型;其次,将以上模型用于反演川西高原4个时期植被体本身储水量以及根系土壤储水量;再接着计算川西4个时期植被生态水,植被生态水为植被体本身储水量及根系土壤储水量之和;最后,深入分析川西高原植被生态水受到季节性变化影响与5·12汶川特大地震胁迫的响应状况。
马飞[2]（2020）在《矿区沉降InSAR监测与预测方法研究》文中进行了进一步梳理随着地下矿产资源的大面积开采,矿区地表沉降监测和治理问题成为近年来的研究热点问题。煤炭从地下开采出来后会形成采空区,持续高效地监测采空区上方地表的沉降,可以了解地表沉降对地面构筑物的破坏程度,探索开采沉降机理,为矿区地质灾害防治和生态修复提供决策数据。传统的矿区地表沉降监测采用点状监测站的形式,消耗高、效率低、覆盖面有限,已经无法满足矿区沉降监测和治理的需求。因此,研究新的矿区地表沉降监测方法,并在新型监测方法和技术的基础上,探索重点矿区沉降成因机理、预测沉降演变规律和发展趋势具有重要的理论价值和现实意义。近年来随着计算机、航天卫星等技术的不断发展,利用卫星遥感影像监测地表变化已成为新趋势,尤其是合成孔径雷达干涉测量技术（In SAR）不受时间和天气影响且覆盖范围大的特点,已经成为地表沉降变化监测特别是矿区沉降监测的热点技术。但是,In SAR技术中现有的配准、滤波等算法还有待进一步完善,配准算法精度不高导致干涉图失相干,常规滤波算法经常会导致干涉条纹失真;监测数据结果只能反映出矿区已发生的地表沉降,如何利用这些沉降监测数据探索矿区沉降机理并预测未来沉降变化趋势,是一个研究热点。因此,本文针对In SAR技术在矿区沉降监测应用中的问题及矿区沉降预测技术进行研究和探索。本文的主要研究内容如下:（1）针对SAR影像阴影等对配准精度的影响,提出了一种基于优选匹配点策略的干涉SAR影像高精度配准方法。该方法首先将外部DEM模拟成一幅SAR影像,在模拟SAR影像和待配准影像上进行特征匹配点搜索,然后采用向量场一致性点集配准策略对主辅SAR影像上的同名控制点进行提纯,用内点计算主辅影像的变换多项式参数,最终完成干涉SAR影像的高精度配准。（2）针对传统Goldstein滤波方法滤波因子单一,易损失边缘信息的缺点,提出了一种结合二元经验模式分解（BEMD）算法的自适应Goldstein干涉图滤波方法。首先用BEMD分解干涉图得到干涉图的前三项固有模态函数（IMF）分量,这三项分量中包含了95%以上的噪声,将其进行傅里叶变换后进行局部窗口的划分;然后计算局部窗口的信噪比,以此作为Goldstein因子进行滤波,将滤波后的固有模态函数分量重新还原回干涉图,即得到滤波后的干涉图。实验结果表明,这种以信噪比作为滤波因子的自适应滤波方法,可以实现对不同强度的噪声进行不同强度的滤波,而对无噪声区不滤波,有效地保护弱噪声区和无噪声区的相位信息,降低了干涉条纹图中边缘细节信息的损失。（3）以宁东采矿区作为试验区,引入了短基线集干涉测量技术（SBAS）进行沉降监测试验。该方法以设置时空基线阈值的方式优化SAR图像干涉对组合,可以有效地避免时空失相干,削弱大气相位的影响,可以更好地获取地面高相干点的累积沉降值和沉降速率。采用热点分析Getis-Ord Gi*统计方法,统计SBAS-In SAR高相干点在形变速率和累积形变值上的空间聚集程度,快速识别出在任家庄等十个煤矿井田存在强形变区,需要预防地质灾害发生。通过对石沟驿煤矿地面监测点In SAR监测沉降值和GPS监测值对比,12个GPS监测点中10个监测点的累积形变误差小于2cm,2个监测点的累积形变误差小于9.5cm,该结果表明SBAS技术用于矿区沉降监测的有效性,可以用于后续的动态预测。（4）构建了基于In SAR监测数据的矿区沉降预测模型。该模型以In SAR技术获取的等间隔时间序列沉降值为训练数据,引入支持向量机回归的函数模型,建立In SAR监测数据与未知预测值之间的非线性函数关系,通过引入了模糊信息粒化的算法不断滚动更新训练数据,获取下一时序新的预测沉降值。为了检验该模型的有效性,利用两种不同波长、不同分辨率的ALOS数据和Sentinel-1A数据分别对彬长矿区和宁东矿区进行沉降预测研究,两组实验得到的地面监测点沉降预测结果与GPS监测结果的平均相对误差为5.6%和9%,预测模型的威尔莫特一致性指数均达到0.99以上。研究结果表明:本文提出的基于In SAR监测技术的预测模型可以有效地用于矿区沉降预测,验证了该方法的稳健性和普适性,为采矿区In SAR技术的推广应用提供了一个新思路。
蒋广鑫[3]（2020）在《基于深度学习的青藏高原湖泊面积提取及湖泊变化研究》文中研究指明青藏高原作为众多大江大河的发源地,其湖泊面积的变化对于区域水循环具有重要作用[1]。为了准确地了解青藏高原上2003～2018年这15年来不同类型湖泊的时空变化,本文针对高原湖泊提取的方法进行了研究,引入了目前语义分割领域效果最好的Deeplab v3+算法,提出了一种基于Deeplab v3+的深度学习湖泊提取方法,对比常规的水体指数方法,验证了该方法的可行性,结合Landsat系列多期遥感影像,分别获得了青藏高原2003年、2008年、2013年、2018年的面积>1km2的湖泊分布数据。在提取了4期湖泊信息后,对湖泊的总体变化和24个单体湖泊的变化进行了分析,为青藏高原内典型湖泊的研究提供了最新的数据参考,对区域性资源环境监测以及水资源的合理利用具有重要指导意义。研究所得主要结论如下:（1）基于Deeplab v3+的湖泊提取方法适合高原湖泊的提取。对比常用的水体指数:NDWI,MNDWI,AWEInsh,其精度完全可以满足水体提取的要求,对于冰、雪、湖有很好的区分度,在高原湖泊提取方面有很好的适应性。（2）2003～2018年这15年间湖泊数量和湖泊总面积都保持着递增趋势。湖泊总面积15年间持续增长,但总面积的扩张速度持续下降,年均增长幅度为377.66km2yr-1,其中,2003～2008年湖泊总面积增速最快,2013～2018年湖泊总面积增速最慢。湖泊总数稳定增长,扩张和新增湖泊数量之和始终高于萎缩和干涸湖泊总数,2013～2018年间湖泊总数增速最快。青藏高原上2003～2018年面积较小的湖泊（<10km2）的数量递增最为明显,面积在10.0～50.0km2之间的湖泊在数量上较为稳定,面积较大的湖泊（≥50km2）湖泊数15年间均波动较小。（3）2003～2018年间,扩张型湖泊大多分布于内流流域北部,越往南,湖泊越稳定。2003～2008年,青藏高原绝大部分区域内的湖泊都处在快速扩张状态之中,年均变化率在2.41%左右,稳定湖泊主要分布在唐古拉山脉两侧。2008～2013年,湖泊总面积的扩张速度整体放缓,湖泊的年均变化率出现了从研究区东北向西南递减的特征,内流流域东北区域的湖泊依旧保持着快速扩张趋势,越往西南方向,湖泊的年变化越趋于稳定。2013～2018年青藏高原的湖泊整体开始出现面积萎缩,原本快速扩张的湖泊开始变为缓慢萎缩,内流流域南部的大型湖泊也由稳定湖泊状态转变为缓慢萎缩状态,稳定湖泊的数量锐减,湖泊变化的剧烈程度较往年更激烈。以流域为单元进行统计:2003～2018年这15年间,一共有322个流域内湖泊出现了扩张,58个流域内湖泊萎缩,保持稳定的流域数为206。其中青藏高原的内流流域是湖泊变化最为剧烈的地区。（4）从湖泊所处地理位置,湖区气候,湖水补给方式等角度对24个各流域内的比较具有代表性的湖泊面积变化方向性的分析表明:湖泊在同一流域内大体变化趋势一致,但受区域性环境因素影响较大。
曹州[4]（2020）在《一种改进的基于RNN的遥感影像变化检测方法研究》文中研究指明变化检测是指利用覆盖同一地表区域的多时相遥感影像来确定和分析地物变化,广泛应用在土地利用调查、资源动态监测、灾后分析评估和城市规划建设等领域。随着多分辨率、全方位和全天候的对地观测网的建立,遥感数据量急剧增加,对变化检测的精度和效率设定了更高的期望。大多数变化检测方法忽略了遥感影像间的时间联系,没有充分挖掘时间维度的信息,导致精度较低,泛化不足等问题的出现。循环神经网络（Recurrent Neural Network,RNN）能够挖掘时间序列数据的信息,学者们基于这一特性将循环神经网络引入到遥感变化检测分析中,变化检测的精度得到提高。然而目前循环神经网络在变化检测中的应用多基于光谱特征开展,未能充分利用遥感影像所提供的多种特征,变化检测精度受到制约。为此,本文在对遥感影像特征和循环神经网络充分研究的基础上,提出了一种改进的基于循环神经网络的变化检测方法,并围绕遥感影像特征和循环神经网络,对遥感影像变化检测所涉及的问题展开系列研究,主要研究内容和创新点如下:（1）对循环神经网络的输入进行改进,构建了基于循环神经网络的多特征融合变化检测模型。本文利用遥感影像的多种像元级特征,如光谱特征、纹理特征、遥感指数特征,并利用窗口运算求取均值的方式提取其空间特征,将上述特征输入至循环神经网络模型进行多特征融合,提取像元-空间-时间特征,实现遥感影像变化信息的提取。（2）利用多种分辨率遥感影像数据验证方法的有效性和适用性。本文分别利用Landsat-8卫星影像和Sentinel-2A卫星影像进行变化检测,分析地物变化类型。实验结果表明,本文方法具有较高精度的同时还拥有较好的泛化能力,可以应对不同中分辨率影像的变化检测任务,满足实际应用需求。
萧明伟[5]（2020）在《面向分类的国产高分SAR和光学图像融合算法研究》文中研究说明遥感图像融合是一种遥感数据信息综合处理和分析的技术,是将多种类型传感器或同一传感器不同工作模式下获取到的图像,通过一定的融合规则和有效的处理手段,从而获得高质量的图像。融合图像相对于源图像具有位置更加精确、信息更加丰富的特点,这为图像后续的地物分类和分析处理提供更好的基础资源。本文对高分三号SAR图像和高分一号、二号图像的融合算法进行研究。主要研究内容包括:为了提高图像融合的质量,针对高分卫星的特点,选取了合适的图像和预处理方法;其次针对变换域的融合方法不能很好的继承光学图像丰富的光谱信息和SAR图像的纹理信息,应用了“区域性”思想,采用了区域加权平均和区域拉普拉斯能量和激励的脉冲神经网络（PCNN）低高频融合规则,并提出了将IHS分量独立的特性与非下采样剪切波（NSST）良好的细节捕捉能力相结合的方法;同时通过对比实验,论证了基于本文的融合方法可以保持图像较好的空间信息和光谱特征;最后,通过选择面向对象的分类技术对图像进行分类评价,得出基于随机森林分类器的分类方法分类效果最佳,GF-3HV极化和GF-1融合后的图像分类精度更高。最终验证了基于区域性IHS-NSST变换的融合方法,在高分SAR和光学图像融合上有较大的优势,采用该方法大大提升了融合性能,融合结果能有效减少光谱失真,提高了国产高分SAR和光学图像的可利用程度;同时在对地物分类的信息提取上,得出了适宜高分图像地物分类的图像融合算法。
关韵桐[6]（2019）在《基于SAR与光学数据的高原湿地土壤水分反演研究 ——以大山包湿地为例》文中研究表明土壤水分是影响陆地水资源循环的重要变量,是农作物生长所需的基本条件,同时是农作物长势监测、产量估计及土地干旱监测的重要参数。光学遥感易受天气等因素影响造成数据缺失,尤其对于云量较大的高原地区无法获取长时间序列的光学数据,很难进行土壤水分的有效监测,而微波遥感因受环境因素影响小、具备全天时观测的能力、对地物穿透能力强,对土壤水分变化敏感的优势,可弥补光学遥感的不足,目前广泛应用于土壤水分研究。本文以云南省昭通市大山包高原湿地为研究区,利用2015-2017年间C波段Sentinel-1雷达数据并辅以Sentinel-2、Landsat 8 OLI光学数据及地表实测数据开展土壤表层（0-10cm）水分反演。基于土地利用数据对研究区数据进行裁剪,保留土地利用类型为沼泽湿地、草地和水库湿地的区域。根据光学数据计算得出的归一化植被指数（NDVI）将三年期间的沼泽湿地及草地部分划分为裸露或稀疏植被覆盖时期及高植被覆盖时期。在分析土壤和植被散射模型的基础上,基于高级积分方程模型（AIEM）模拟分析雷达后向散射系数与雷达参数、地表粗糙度、土壤含水量间的关系,通过构建同极化不同角度后向散射系数差值与组合粗糙度参数间的回归方程减弱粗糙度对雷达后向散射系数的影响,建立适用于裸露或稀疏植被覆盖时期的土壤水分反演模型;基于水云模型得到植被冠层后向散射情况,从雷达总体后向散射中除去植被后向散射,减弱植被对土壤水分反演的干扰,建立适用于高植被覆盖时期的土壤水分反演模型;应用反演模型进行研究区土壤水分反演,得到土壤水分分布情况,并根据实测数据进行反演结果精度验证;利用36景Sentinel-1数据基于支持向量机（SVM）方法提取三年内水库湿地的月水体面积,统计并分析水库湿地面积变化规律。本文主要结论如下:（1）根据两种植被覆盖时期建立土壤水分反演模型,利用AIEM模型模拟得到的后向散射系数值与反演模型模拟得到的后向散射系数值进行对比验证,相关系数（R2）达0.92,二者相关性较好,表明反演模型具有一定可行性。进一步将反演模型进行泰勒级数展开,使得模型既可在无实测地表粗糙度参数条件下进行土壤水分反演,同时又提高模型反演的准确性。（2）基于构建的反演模型及地表实测数据得到大山包湿地2015年3月、2016年10月、2017年9月的土壤含水量空间分布,整体表现为土壤均处于湿润状态,沼泽湿地分布区域土壤含水量较高于草地,且随着与沼泽湿地距离的增大,土壤含水量逐渐降低。从样点附近退耕湿地区域总体趋势来看,土壤含水量随退耕恢复年限的增加,表现为先增加后减少再增加,较不稳定;通过分析对比2015-2017年的土壤水分反演值与实测值发现,综合利用雷达和光学数据在裸露或稀疏植被覆盖时期及高植被覆盖时期均可得到较好的反演结果,R2分别为0.72、0.87、0.94,均方根误差（RMSE）分别为0.199 cm3/cm3、0.054 cm3/cm3、0.015 cm3/cm3。（3）通过水库湿地的面积月变时间序列分析发现,大山包水库湿地每年7月至10月水面积增大,11月至次年6月面积减少,大山包水库湿地面积呈季节性变化,且与区域气候变化一致;三年水面积总体呈上涨趋势,但具体表现为以2016年为拐点先降后升,与反演的区域土壤含水量变化情况存在正相关性,表明水库湿地对土壤水分具有一定的影响。基于SAR与光学数据的大山包高原湿地土壤水分反演结果与实际情况基本相符,表明利用SAR和光学数据协同反演高原湿地地区的土壤水分方法可行,可为高原湿地的恢复、保护与合理开发利用等提供支持和依据。
王爱芸[7]（2016）在《山地GF-2卫星遥感图像融合方法优选研究》文中提出随着科学技术的不断蓬勃发展,图像融合技术被广泛应用于不同的领域中。同时,各种新型卫星传感器的研究与使用也使得遥感图像数据量迅速增长。“高分二号”（GF-2,下同）卫星于2014年8月19日成功发射入轨,2014年9月29日首批影像数据对外发布,是中国遥感事业发展的重大突破,由其传感器获取的高分辨率全色影像空间分辨率达到0.81m,多光谱影像空间分辨率也达3.24m,亦标志着我国自主研制的遥感卫星空间分辨率精度达到亚米级国际领先水平。但针对我国普遍发育、阴影影响明显的山地地貌,以GF-2卫星数据为研究对象的图像融合方法及其应用效果测试探索还少见报道。基于此,本文在总结和分析前人研究文献和成果的基础上,选取以往研究较少的山地作为研究区,以GF-2遥感卫星数据为研究对象,全面探索建立山地GF-2遥感卫星数据的像素级融合优选方法,科学意义和社会意义明显。本文主要研究成果如下：（1）选取云南尚勇、磨憨边境地区作为研究区,针对山地海拔落差大、坡度较陡、影像上阴坡和阳坡亮度值不同出现阴影的影响,不利于取得较佳图像融合效果,对山地GF-2卫星数据进行基于坡度匹配模型的地形校正图像融合预处理。基于坡度匹配模型的地形校正后图像中阴坡和阳坡区域的亮度统计平均值差异缩小,表明在图像融合前引入地形校正预处理效果较好,可基本消除山地阴影影响,为山地GF-2卫星数据的融合处理奠定了坚实基础。（2）采用GF-2卫星数据,在地形校正及绿光波段与近红外波段生成新的绿波段的基础上,系统性开展了IHS变换、PCA变换、小波变换、IHS+小波变换、IHS+PCA变换、PCA+小波变换、IHS+PCA+小波变换等多种方法融合实验,对融合结果图像选取均值、光谱相关系数、空间相关系数、信息熵、平均梯度、空间频率、灰度变化指数和峰值信噪比8个客观评价指标,并结合主观评价进行融合方法优选综合评价,最终优选出IHS+PCA+小波变换融合方法为山地GF-2卫星数据优选融合方法。（3）对优选出的山地GF-2卫星数据基于IHS+PCA+小波变换的融合图像,进一步开展面向对象的土地利用信息提取示范应用及野外查证,亦印证了山地GF-2卫星数据IHS+PCA+小波变换为最优融合方法。在eCognition软件的支持下,基于面向对象的分类方法,采用上述优选出的基于IHS+PCA+小波变换的融合图像,利用多尺度分割算法对融合图像分割,充分利用影像对象的光谱、纹理、类相关等特征信息,结合野外实地查证及高分辨率影像目视选取样本,采用最邻近样本分类法进行土地利用信息提取示范应用。通过基于样本的误差矩阵精度评价,得出基于IHS+PCA+小波变换的融合图像更加适宜于土地利用分类。这亦从应用效果方面印证了IHS+PCA+小波变换为山地GF-2卫星数据融合最优处理方法。
武鼎,张杰林[8]（2012）在《成像雷达技术在铀矿勘查中的应用》文中提出综合评述了成像雷达技术的发展历史、技术优势及其在地质构造、岩性识别等地学应用领域的研究现状,指出成像雷达技术作为当前遥感对地观测前沿技术之一,在新时期铀矿地质勘查中发展前景广阔。
张明,张研霞,廖祥春[9]（2010）在《摄影测量与遥感学》文中研究表明
李晓铃[10]（2010）在《基于TerraSAR-X和CBERS影像融合的水体信息自动提取研究》文中研究表明随着遥感技术的发展,越来越多不同类型的传感器被用于对地观测。光学传感器获取的数据光谱信息丰富,但易受大气条件的干扰。SAR是一种主动式相干微波遥感系统,可以全天时、全天候工作,并且对地物具有一定的穿透力,SAR图像纹理信息丰富,但存在大量的斑点噪声。因此有必要综合两类影像的信息,达到优势互补、改善图像的空间分辨率和光谱信息的目的。本文以CBERS多光谱影像和TerraSAR-X影像为数据源,进行融合算法的研究,并采用分类的方法提取水体信息。所做的主要工作包括：（1）分析了影像融合预处理中的关键技术,针对本文数据源的特点采取不同的辐射增强方法。（2）归纳和分析了基于像素级的多源遥感影像数据融合算法。重点研究了小波及小波包变换法,包括分解层数、小波基和融合规则的确定。定性、定量地评价各种算法的性能,结果表明小波变换法能较好地保持源图像的光谱信息和纹理细节。（3）将小波边缘检测与融合算法相结合,对增强边缘特征的影像融合方法进行了初步探索。并结合边缘增强算子与像素级融合算法,研究了突出边缘特征融合的改进方案。试验结果表明边缘增强算法在突出地物边缘特征的同时也丢失了部分细节。（4）通过对不同融合算法的定量评价发现,图像的细节和光谱信息是两个相互消长的因素,结果影像的优劣不能只依据某个指标来判定,更重要的是应用目的。因此本文采用水体提取的结果来评价何种融合算法更为有效。（5）采用最大似然法和支持向量机分别对原CBERS多光谱影像和各融合影像进行分类,进而提取水体信息,结果与定性和定量评价的结果并不一致,光谱和细节均保持较好的小波变换融合影像的水体错判率较高,光谱扭曲较大的Brovey变换法、HIS变换法和加权法提取的水体精度反而较好。
二、TM与SAR图像融合处理及在高原区调中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、TM与SAR图像融合处理及在高原区调中的应用（论文提纲范文）
（1）川西高原植被生态水遥感反演关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 植被含水量遥感反演研究现状 |
| 1.2.2 土壤含水量遥感反演研究现状 |
| 1.2.3 当前研究存在的问题 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方案及技术路线 |
| 1.4 论文拟解决的关键科学问题与创新点 |
| 1.5 论文篇章结构 |
| 1.6 本章小结 |
| 第二章 研究区概况与数据处理分析方法 |
| 2.1 研究区概况 |
| 2.2 数据资料 |
| 2.3 多源遥感数据的获取及处理 |
| 2.3.1 Landsat多光谱数据处理 |
| 2.3.2 S1 C波段微波数据处理 |
| 2.3.3 ALOS PALSAR L波段微波数据处理 |
| 2.3.4 LiDAR数据处理 |
| 2.4 野外植被与根系土壤数据采集与处理 |
| 2.4.1 样点设计 |
| 2.4.2 植物数据采集与处理 |
| 2.4.3 根系土壤数据采集与处理 |
| 2.5 数据统计分析方法 |
| 2.5.1 多元线性回归模型 |
| 2.5.2 非线性回归模型 |
| 2.5.3 特征变量选择 |
| 2.5.4 模型回归效果分析 |
| 2.6 本章小结 |
| 第三章 光学协同SAR的植被生态水遥感定量反演 |
| 3.1 岷江上游实验区多源数据 |
| 3.1.1 星载光学遥感数据 |
| 3.1.2 微波卫星遥感数据 |
| 3.2 植被含水率反演 |
| 3.2.1 Landsat多光谱遥感信息指标 |
| 3.2.2 新光谱指数-DPRI_L |
| 3.2.3 基于DPRI_L的植被含水率反演 |
| 3.2.4 基于Landsat多植被指数的植被含水率反演 |
| 3.3 林木冠层、灌草以及草地生物量反演 |
| 3.3.1 S1微波数据信息指标 |
| 3.3.2 ALOS PALSAR微波数据信息指标 |
| 3.3.3 林木冠层、灌草以及草地生物量反演 |
| 3.4 岷江上游林木冠层、灌草以及草本身储水量反演 |
| 3.4.1 丰-枯水期林木冠层、灌草以及草本身储水量 |
| 3.4.2 地震前后林木冠层、灌草以及草本身储水量 |
| 3.5 本章小结 |
| 第四章 光学协同SAR与 LiDAR的植被生态水遥感定量反演 |
| 4.1 九寨沟实验区多源数据 |
| 4.1.1 星载光学遥感数据 |
| 4.1.2 微波卫星遥感数据 |
| 4.1.3 LiDAR数据 |
| 4.2 植被含水率反演 |
| 4.2.1 Landsat多光谱遥感信息指标 |
| 4.2.2 植被含水率反演 |
| 4.3 LiDAR信息指标 |
| 4.3.1 单木分割 |
| 4.3.2 LiDAR植被参数 |
| 4.3.3 LiDAR高精度DSM以及DEM_(LiDAR) |
| 4.4 植被生物量反演 |
| 4.4.1 星载卫星微波指标 |
| 4.4.2 协同LiDAR与 ALOS PALSAR的植被生物量反演 |
| 4.5 根系土壤储水量反演 |
| 4.5.1 土壤容重与粗碎屑以及砂砾率 |
| 4.5.2 根系土壤含水率 |
| 4.5.3 SEE法根系土壤厚度 |
| 4.5.4 根系土壤储水量 |
| 4.6 九寨沟实验区植被生态水反演 |
| 4.6.1 丰-枯水期植被生态水 |
| 4.6.2 地震前后植被生态水 |
| 4.7 本章小结 |
| 第五章 川西高原丰-枯水期以及地震胁迫植被生态水遥感定量反演 |
| 5.1 川西高原多源数据 |
| 5.1.1 星载光学遥感数据 |
| 5.1.2 微波卫星遥感数据 |
| 5.1.3 LiDAR数据 |
| 5.1.4 气象数据 |
| 5.2 植被生态水信息指标 |
| 5.2.1 Landsat多光谱遥感信息指标 |
| 5.2.2 S1 微波遥感信息指标 |
| 5.2.3 ALOS PARSAR微波遥感信息指标 |
| 5.3 植被生态水遥感反演 |
| 5.3.1 植被含水率 |
| 5.3.2 植被生物量 |
| 5.3.3 植被根系土壤储水量反演 |
| 5.3.4 植被生态水 |
| 5.4 丰-枯水期植被生态水变化规律分析 |
| 5.4.1 TVDI_(DPRI_L-LST)干旱胁迫指数 |
| 5.4.2 丰-枯水期植被生态水变化规律 |
| 5.4.3 不同植被类型植被生态水丰-枯水期变化规律 |
| 5.4.4 不同干旱程度区域植被生态水丰-枯水期变化规律 |
| 5.4.5 不同土壤类型植被生态水丰-枯水期变化规律 |
| 5.4.6 植被生态水总量丰-枯水期变化规律 |
| 5.5 植被生态水地震胁迫分析 |
| 5.5.1 地震胁迫植被生态水时空分析 |
| 5.5.2 植被生态水受地震胁迫状况分析 |
| 5.6 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的学术成果 |
| 附录 |
（2）矿区沉降InSAR监测与预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 合成孔径雷达发展概况 |
| 1.2.2 合成孔径雷达干涉测量InSAR技术发展概况 |
| 1.2.3 InSAR技术应用现状 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 章节安排 |
| 第二章 InSAR及相关技术理论基础 |
| 2.1 SAR成像原理及特点 |
| 2.1.1 距离向分辨率 |
| 2.1.2 方位向分辨率 |
| 2.1.3 SAR影像的特点 |
| 2.2 InSAR技术原理 |
| 2.2.1 SAR影像的选择 |
| 2.2.2 主、辅SAR影像配准 |
| 2.2.3 生成干涉相位图 |
| 2.2.4 去除平地相位 |
| 2.2.5 干涉相位图滤波 |
| 2.2.6 相位解缠 |
| 2.2.7 相高转换 |
| 2.2.8 地理编码 |
| 2.3 D-InSAR技术监测地表形变理论 |
| 2.3.1 二轨法 |
| 2.3.2 三轨法 |
| 2.3.3 四轨法 |
| 2.3.4 干涉相位分析 |
| 2.4 连续时序InSAR干涉测量技术原理 |
| 2.4.1 PS-InSAR技术原理 |
| 2.4.2 SBAS-InSAR技术原理 |
| 2.5 本章小结 |
| 第三章 基于优选匹配点策略的干涉SAR影像高精度配准研究 |
| 3.1 引言 |
| 3.2 向量场一致性的点集匹配算法 |
| 3.3 外部DEM数据支持的SAR影像配准 |
| 3.4 基于优选匹配特征点的转换函数的建立 |
| 3.5 实验及结果分析 |
| 3.5.1 Sentinel-1A卫星数据实验 |
| 3.5.2 ALOS卫星数据实验 |
| 3.5.3 结果分析 |
| 3.6 本章小结 |
| 第四章 干涉图滤波方法研究 |
| 4.1 引言 |
| 4.2 二元经验模式分解(BEMD)方法原理 |
| 4.3 Goldstein滤波原理 |
| 4.4 利用BEMD改进后的Goldstein滤波模型 |
| 4.5 实验及结果分析 |
| 4.5.1 Sentinel-1A卫星数据实验 |
| 4.5.2 ALOS卫星数据实验 |
| 4.5.3 结果分析 |
| 4.6 本章小结 |
| 第五章 连续时序小基线集(SBAS)In SAR技术矿区沉降监测研究 |
| 5.1 引言 |
| 5.2 研究区概况 |
| 5.2.1 地理位置 |
| 5.2.2 重点矿区地理位置及开采情况 |
| 5.2.3 气象、水文条件 |
| 5.2.4 地形地貌 |
| 5.2.5 社会经济概况 |
| 5.3 基于SBAS-InSAR技术的宁东采矿区大面积沉降识别与监测 |
| 5.3.1 数据选取及预处理 |
| 5.3.2 SBAS-InSAR技术数据处理流程 |
| 5.3.3 宁东矿区沉降区快速识别 |
| 5.3.4 石沟驿煤矿监测结果 |
| 5.3.5 结果分析 |
| 5.4 本章小结 |
| 第六章 基于InSAR观测数据的矿区沉降预测方法研究 |
| 6.1 概述 |
| 6.2 支持向量机回归的预测模型 |
| 6.2.1 支持向量机回归算法基本原理 |
| 6.2.2 基于InSAR数据的预测方法 |
| 6.2.3 基于模糊信息粒化的动态时序回归预测 |
| 6.3 ALOS卫星数据实验 |
| 6.3.1 SAR数据参数和研究区位置 |
| 6.3.2 实验结果 |
| 6.3.3 结果分析 |
| 6.4 Sentinel-1A卫星数据实验 |
| 6.4.1 数据准备 |
| 6.4.2 实验结果 |
| 6.4.3 结果分析 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 主要创新点 |
| 7.3 不足与展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（3）基于深度学习的青藏高原湖泊面积提取及湖泊变化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究进展 |
| 1.2.1 遥感影像湖泊提取研究 |
| 1.2.2 青藏高原湖泊格局及变化研究 |
| 1.3 研究内容与章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 论文章节安排 |
| 1.4 可能的创新点 |
| 第二章 研究区与数据 |
| 2.1 研究区概况 |
| 2.2 数据介绍 |
| 2.2.1 Landsat系列卫星 |
| 2.2.2 青藏高原1:100万边界数据 |
| 2.2.3 青藏高原流域边界数据集(2016) |
| 2.2.4 水文数据 |
| 2.2.5 SRTM DEM高程数据 |
| 第三章 基于深度学习的高原湖泊提取 |
| 3.1 深度学习与卷积神经网络 |
| 3.1.1 深度学习 |
| 3.1.2 卷积神经网络 |
| 3.2 基于Deeplab v3+的高原湖泊提取 |
| 3.2.1 Deeplab架构体系 |
| 3.2.2 模型预测与结果拼接 |
| 3.2.3 湖泊矢量拼接与提取 |
| 3.3 算法精度评价 |
| 3.3.1 精度指标选取 |
| 3.3.2 精度评价结果 |
| 3.4 不同方法的对比分析 |
| 3.4.1 对比试验区 |
| 3.4.2 常用水体指数 |
| 3.4.3 常用方法提取结果对比 |
| 3.5 湖泊提取结果与验证 |
| 3.5.1 湖泊提取结果 |
| 3.5.2 湖泊面积有效性验证 |
| 第四章 青藏高原湖泊变化分析 |
| 4.1 青藏高原湖泊整体变化 |
| 4.1.1 湖泊面积变化情况 |
| 4.1.2 湖泊数量变化情况 |
| 4.2 青藏高原不同类型湖泊变化 |
| 4.2.1 湖泊变化类型分类 |
| 4.2.2 不同湖泊类型变化情况 |
| 4.2.3 各时段不同大小湖泊变化分析 |
| 4.3 不同流域湖泊变化 |
| 4.3.1 不同流域湖泊总面积变化 |
| 4.3.2 子流域内湖泊总面积变化 |
| 4.4 湖泊分布格局及其变化 |
| 4.4.1 不同湖泊的格局 |
| 4.4.2 湖泊格局变化 |
| 4.5 典型湖泊面积变化分析 |
| 4.5.1 典型湖泊介绍 |
| 4.5.2 典型湖泊面积变化分析 |
| 4.5.3 典型湖泊扩张强度分析 |
| 4.5.4 典型湖泊扩张空间分异性 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（4）一种改进的基于RNN的遥感影像变化检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感影像变化检测研究 |
| 1.2.2 遥感影像变化检测面临的问题 |
| 1.2.3 遥感影像变化检测发展趋势 |
| 1.3 论文主要工作 |
| 1.4 论文的组织结构 |
| 第2章 遥感变化检测与深度学习理论 |
| 2.1 遥感变化检测 |
| 2.1.1 变化检测基本理论 |
| 2.1.2 变化检测一般流程 |
| 2.1.3 变化检测精度评价 |
| 2.2 深度学习理论 |
| 2.2.1 深度学习基本概念 |
| 2.2.2 反向传播算法 |
| 2.2.3 循环神经网络 |
| 2.2.4 循环神经网络在遥感中的应用 |
| 第3章 基于Bi-LSTM的多特征融合变化检测模型 |
| 3.1 特征选取 |
| 3.1.1 光谱特征 |
| 3.1.2 纹理特征 |
| 3.1.3 指数特征 |
| 3.2 双向长短期记忆网络 |
| 3.3 多特征融合模型 |
| 3.4 技术路线 |
| 第4章 基于Landsat-8 卫星影像的变化检测实验与分析 |
| 4.1 研究区域与实验数据 |
| 4.1.1 传感器概况 |
| 4.1.2 实验区域概况 |
| 4.2 数据处理与实验设置 |
| 4.2.1 预处理与特征提取 |
| 4.2.2 实验样本选择与划分 |
| 4.2.3 模型参数选择 |
| 4.2.4 对比实验选择 |
| 4.2.5 迁移泛化实验 |
| 4.3 实验结果与分析 |
| 第5章 基于Sentinel-2A卫星影像的变化检测实验与分析 |
| 5.1 研究区域与实验数据 |
| 5.1.1 传感器概况 |
| 5.1.2 实验区概况 |
| 5.2 数据处理与实验设置 |
| 5.2.1 预处理与特征提取 |
| 5.2.2 实验样本选择与划分 |
| 5.2.3 模型参数选择 |
| 5.2.4 对比实验选择 |
| 5.2.5 迁移泛化实验 |
| 5.3 实验结果与分析 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（5）面向分类的国产高分SAR和光学图像融合算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像融合技术的发展和现状 |
| 1.2.2 国产高分卫星应用现状 |
| 1.3 研究内容及章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 第二章 国产高分SAR和光学图像预处理 |
| 2.1 高分专项工程介绍 |
| 2.1.1 高分一号卫星介绍 |
| 2.1.2 高分二号卫星介绍 |
| 2.1.3 高分三号卫星介绍 |
| 2.2 影像选取及处理 |
| 2.2.1 影像选取 |
| 2.2.2 高分一号和高分二号处理 |
| 2.2.3 高分三号处理 |
| 2.2.4 几何配准及裁剪 |
| 第三章 基于区域性IHS—NSST变换的图像融合算法 |
| 3.1 融合方法 |
| 3.1.1 基于空间域的图像融合 |
| 3.1.2 基于变换域的图像融合 |
| 3.2 非下采样剪切波变换 |
| 3.2.1 非下采样剪切波变换的基本理论 |
| 3.2.2 非下采样剪切波变换的性质 |
| 3.3 融合规则 |
| 3.3.1 IHS变换 |
| 3.3.2 低频和高频融合规则 |
| 3.3.3 融合流程 |
| 3.4 融合评价指标 |
| 3.4.1 主观评价 |
| 3.4.2 客观评价 |
| 3.5 实验结果和分析 |
| 第四章 面向对象的图像分类技术 |
| 4.1 多尺度分割 |
| 4.1.1 多尺度分割原理 |
| 4.1.2 多尺度分割流程 |
| 4.1.3 分割尺度参数设置 |
| 4.2 结合矢量数据的分类器分类 |
| 4.2.1 矢量数据的选取 |
| 4.2.2 结合矢量的分类方法 |
| 4.3 分类结果精度评价 |
| 4.3.1 精度评价参数 |
| 4.3.2 精度评价实验 |
| 第五章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（6）基于SAR与光学数据的高原湿地土壤水分反演研究 ——以大山包湿地为例（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 土壤水分研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 光学遥感土壤水分反演 |
| 1.2.2 微波遥感土壤水分反演 |
| 1.2.3 主被动遥感协同土壤水分反演 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第2章 雷达遥感土壤水分反演理论基础 |
| 2.1 雷达遥感原理 |
| 2.2 雷达参数 |
| 2.2.1 雷达系统参数 |
| 2.2.2 雷达方程及后向散射系数 |
| 2.3 土壤参数 |
| 2.3.1 土壤表面粗糙度 |
| 2.3.2 土壤物理参数 |
| 2.4 散射模型 |
| 2.4.1 土壤散射模型 |
| 2.4.2 植被散射模型 |
| 2.5 小结 |
| 第3章 研究区及数据源 |
| 3.1 研究区概况 |
| 3.2 数据来源与处理 |
| 3.2.1 样点数据源与处理 |
| 3.2.2 遥感数据源与处理 |
| 3.2.3 土地利用数据 |
| 3.3 小结 |
| 第4章 基于雷达和光学数据协同反演土壤水分 |
| 4.1 基于散射模型的土壤含水量反演模型构建 |
| 4.1.1 裸露或稀疏植被覆盖时期土壤水分反演 |
| 4.1.2 高植被覆盖时期土壤水分反演 |
| 4.2 土壤含水量反演结果及验证 |
| 4.2.1 土壤含水量反演结果 |
| 4.2.2 土壤含水量反演结果验证 |
| 4.3 小结 |
| 第5章 大山包水库湿地面积时序变化分析 |
| 5.1 水库湿地面积提取 |
| 5.1.1 纹理信息提取 |
| 5.1.2 水库湿地面积提取 |
| 5.2 水库湿地面积时序变化分析 |
| 5.2.1 水库湿地面积的周期性与可持续性 |
| 5.2.2 水库湿地面积变化特征 |
| 5.2.3 水库湿地面积时序变化与土壤含水量的关系分析 |
| 5.3 小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 不足与展望 |
| 参考文献 |
| 附录A：图目录 |
| 附录B：表目录 |
| 致谢 |
| 攻读学位期间发表的学术论文和研究成果 |
（7）山地GF-2卫星遥感图像融合方法优选研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 遥感图像融合的目的及意义 |
| 1.3 遥感图像融合国内外研究现状与进展 |
| 1.3.1 国外研究现状与进展 |
| 1.3.2 国内研究现状与进展 |
| 1.3.3 存在的不足 |
| 1.4 研究目的与意义 |
| 1.4.1 研究目的 |
| 1.4.2 研究意义 |
| 1.5 研究内容与技术路线 |
| 1.5.1 研究内容 |
| 1.5.2 技术路线 |
| 第2章 遥感图像融合技术原理与方法 |
| 2.1 遥感图像融合预处理 |
| 2.1.1 正射校正 |
| 2.1.2 图像去噪 |
| 2.1.3 图像增强 |
| 2.1.4 图像配准 |
| 2.2 图像融合的层次与特点 |
| 2.2.1 像素级融合 |
| 2.2.2 特征级融合 |
| 2.2.3 决策级融合 |
| 2.2.4 不同融合层次的特点 |
| 2.3 基于像素级的遥感图像融合方法 |
| 2.3.1 空间域融合方法 |
| 2.3.2 变换域融合方法 |
| 2.4 遥感图像融合质量评价方法 |
| 2.4.1 主观评价 |
| 2.4.2 客观评价 |
| 2.4.3 评价指标选取原则 |
| 2.5 本章小结 |
| 第3章 山地GF-2卫星遥感图像融合方法实验 |
| 3.1 数据来源与分析 |
| 3.1.1 数据来源 |
| 3.1.2 数据预处理 |
| 3.1.3 数据分析 |
| 3.2 山地GF-2卫星遥感图像融合方法实验 |
| 3.2.1 IHS变换融合 |
| 3.2.2 PCA变换融合 |
| 3.2.3 小波变换融合 |
| 3.2.4 IHS+小波变换融合 |
| 3.2.5 IHS+PCA变换融合 |
| 3.2.6 PCA+小波变换融合 |
| 3.2.7 IHS+PCA+小波变换融合 |
| 3.3 本章小结 |
| 第4章 山地GF-2卫星遥感图像融合效果评价与优选 |
| 4.1 融合效果评价 |
| 4.1.1 主观评价 |
| 4.1.2 客观评价 |
| 4.2 融合方法优选 |
| 4.3 本章小结 |
| 第5章 山地GF-2卫星遥感图像融合示范应用 |
| 5.1 面向对象的分类 |
| 5.1.1 面向对象的分类概述 |
| 5.1.2 面向对象的分类应用 |
| 5.1.3 软件平台 |
| 5.1.4 面向对象的分类方法 |
| 5.1.5 面向对象的分类精度评价 |
| 5.2 土地利用信息提取示范应用 |
| 5.2.1 分类体系 |
| 5.2.2 分割参数设定 |
| 5.2.3 面向对象的土地利用信息提取 |
| 5.2.4 信息提取精度验证与分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间完成的科研成果 |
| 致谢 |
（8）成像雷达技术在铀矿勘查中的应用（论文提纲范文）
| 1 成像雷达地质应用现状分析 |
| 1.1 成像雷达技术构造识别应用 |
| 1.2 成像雷达技术岩性识别应用 |
| 1.3 成像雷达遥感铀矿勘查研究现状 |
| 2 成像雷达数据分析关键技术及应用 |
| 3 结论与展望 |
（10）基于TerraSAR-X和CBERS影像融合的水体信息自动提取研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 中巴资源卫星数据应用现状 |
| 1.2.2 光学和SAR影像融合的发展现状 |
| 1.2.3 水体信息自动提取的国内外现状 |
| 1.3 本文的研究工作 |
| 1.4 本章小结 |
| 第2章 遥感影像融合的理论基础 |
| 2.1 多源遥感数据融合的定义 |
| 2.2 多源遥感数据融合的层次 |
| 2.2.1 像素级融合 |
| 2.2.2 特征级融合 |
| 2.2.3 决策级融合 |
| 2.3 影像融合的关键技术问题 |
| 2.3.1 数据配准 |
| 2.3.2 融合模型的建立与优化 |
| 2.3.3 融合方法的选择 |
| 2.4 影像融合的效果评价 |
| 2.4.1 融合影像的主观评价 |
| 2.4.2 融合影像的客观评价 |
| 2.5 本章小结 |
| 第3章 数据准备及预处理 |
| 3.1 实验数据 |
| 3.1.1 CBERS卫星介绍 |
| 3.1.2 TerraSAR-X卫星介绍 |
| 3.1.3 本文实验数据 |
| 3.2 图像融合前预处理 |
| 3.2.1 辐射量增强 |
| 3.2.2 几何纠正与配准 |
| 3.2.3 图像的裁剪 |
| 3.3 本章小结 |
| 第4章 基于像素级的影像融合研究 |
| 4.1 概述 |
| 4.2 代数运算方法 |
| 4.2.1 加权融合法 |
| 4.2.2 高通滤波法 |
| 4.2.3 Brovey变换法 |
| 4.3 基于空间变换的方法 |
| 4.3.1 HIS变换融合法 |
| 4.3.2 PCA变换融合法 |
| 4.4 基于塔式分解与重构的方法 |
| 4.4.1 小波变换融合法 |
| 4.4.2 小波包变换融合法 |
| 4.5 改进算法 |
| 4.6 试验结果与分析 |
| 4.7 本章小结 |
| 第5章 基于边缘增强的影像融合研究 |
| 5.1 经典的边缘增强及检测算子 |
| 5.1.1 Roberts算子 |
| 5.1.2 Prewitt算子 |
| 5.1.3 Sobel算子 |
| 5.1.4 Log算子 |
| 5.1.5 Canny算子 |
| 5.2 基于小波变换的图像边缘检测 |
| 5.3 基于边缘增强的小波变换融合 |
| 5.4 基于边缘增强算子的影像融合 |
| 5.5 试验结果与分析 |
| 5.6 本章小结 |
| 第6章 水体信息的自动提取 |
| 6.1 单波段法 |
| 6.2 多波段法 |
| 6.3 分类后提取法 |
| 6.3.1 最大似然法 |
| 6.3.2 支持向量机分类 |
| 6.4 试验结果与分析 |
| 6.5 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及科研成果 |
四、TM与SAR图像融合处理及在高原区调中的应用（论文参考文献）
- [1]川西高原植被生态水遥感反演关键技术研究[D]. 雷俊杰. 成都理工大学, 2021
- [2]矿区沉降InSAR监测与预测方法研究[D]. 马飞. 长安大学, 2020(06)
- [3]基于深度学习的青藏高原湖泊面积提取及湖泊变化研究[D]. 蒋广鑫. 西北大学, 2020(02)
- [4]一种改进的基于RNN的遥感影像变化检测方法研究[D]. 曹州. 中国科学院大学(中国科学院空天信息创新研究院), 2020(06)
- [5]面向分类的国产高分SAR和光学图像融合算法研究[D]. 萧明伟. 昆明理工大学, 2020(04)
- [6]基于SAR与光学数据的高原湿地土壤水分反演研究 ——以大山包湿地为例[D]. 关韵桐. 云南师范大学, 2019(01)
- [7]山地GF-2卫星遥感图像融合方法优选研究[D]. 王爱芸. 云南大学, 2016(02)
- [8]成像雷达技术在铀矿勘查中的应用[J]. 武鼎,张杰林. 世界核地质科学, 2012(01)
- [9]摄影测量与遥感学[J]. 张明,张研霞,廖祥春. 测绘文摘, 2010(03)
- [10]基于TerraSAR-X和CBERS影像融合的水体信息自动提取研究[D]. 李晓铃. 西南交通大学, 2010(10)