文献综述
- 研究背景
湿地是地球上有着多功能的、富有生物多样性的生态系统，是人类最重要的生存环境之一，是珍贵的自然资源，也是重要的生态系统，具有不可替代的综合功能。20世纪中后期由于湿地围垦、生物资源的过度利用、湿地环境污染、湿地水资源过度利用、大江大河流域水利工程建设、泥沙淤积、海岸侵蚀与破坏、城市建设与旅游业的盲目发展等不合理利用导致湿地生态系统退化，造成湿地面积缩小，水质下降、水资源减少甚至枯竭、生物多样性降低、湿地功能降低甚至丧失。因此迫切需要对湿地进行保护、恢复和重建。湿地保护主要依靠立法，并建立自然保护区。
- 国内外研究现状
2.1国外的研究现状
合成孔径雷达(Synthetic Aperture Radar，SAR)作为一种主动式微波遥感，其工作波段远远大于可见光波长，能够穿透大气和云层，所以具有全天时、全天候的观测能力，并且不受天气等外界因素影响，这种特性大大的为监测湿地提供了便捷。而湿地多分布在偏远地区，且气候条件多变，环境复杂，这些特点使得我们利用传统的监测方法变得十分的困难与艰巨，因而SAR数据非常适合应用于湿地遥感监测。
遥感技术在测量湿地在各种各样的空间与时间尺度上的空间分布是最有效的工具，尤其是在和地面实况数据结合起来时。因此，逐渐成熟的以遥感卫星为基础的SAR技术已经成为了遥感领域对湿地进行长时间的监测的重要手段。1993年，Yamagata Y．采用共生矩阵纹理分析法，通过提取不同植被在SAR影像上的纹理特征差异，分别对C波段VV极化ERS一1 SAR和L波段HH极化JERS一1 SAR数据进行湿地植被分类研究[1]。1998年，Elijah W．等将Landsat TM彩色红外数据和ERS一1 SAR数据融合进行湿地森林系统分类，精度高于仅使用TM反射率波段的分类精度[2]。Ghedira H．等在2000年开发了神经网络分类法训练选择样本，对Radarsat影像进行了湿地分类实验，得到较高的分类精度[3]。Linda E．Meyer等把Landsat TM光学数据与Radarsat数据融合进行湿地分类，并与单独利用光学数据或雷达数据的分类精度进行对比，结果说明将光学数据与SAR数据融合进行湿地分类可以有效改善识别精度[4]。2005年，Li J．等在Landsat一7／ETM 和Radarsat一1数据的基础上，引入DEM数据进行基于规则的湿地分类研究，实验结果表明该方法的分类效果比结合光学数据和SAR数据的分类精度有显著提高[5]。2006年，Lonnqvist A．等利用监督和非监督分类方法，分别对ALOS PALSAR全极化数据和强度数据进行湿地分类实验，结果表明全极化数据的分类效果要好于强度数据的分类效果[6]。2007年，Touzi R．等人采用Touzi非相干分解方法对加拿大的Mer Bleue湿地区域的c波段极化数据进行分类和信息提取。他们把幅度和相位用于湿地分类研究，将该地区的灌木丛、草甸、沼泽及以针叶林为主的四种地物识别出来，为多极化数据进行湿地分类提供了良好基础[7]。2010年，A.Wijaya，P.R.Marpu，and R.Gloaguen等人通过将双极化X波段的数据同光学影像数据结合起来，对印尼北部地区的湿地进行了分类，而且分类的效果比较理想，证明了SAR技术在分类评估中的价值[8]。2011年，M. Watanabe通过使用L波段全极化数用来评估雷达反射机制的效果[9]。2013年，O.Antropov 已经进行了使用全极化数据L波段进行对湿地的描述[10]。但是，L波段双极化SAR和全极化SAR在湿地的空间分布的细节信息方面还有所缺失，并不能完全准确的反映湿地信息。
2.2.国内研究现状
相比于国外，国内的湿地遥感研究普遍基于光学影像，极化SAR数据在这方面的应用较少。2006年，刘凯等基于小波融合、HIS融合和主成分分析三种融合方法将Radarsat和TM影像融合，并分别利用非监督分类、监督分类及神经网络分类三种方法对红树林湿地群落进行分类，结果表明神经网络分类比另外两种分类方法对Radarsat和TM的融合图像能够取得相对较好的分类效果[11]。2008年，廖静娟等基于多时相、多极化Envisat ASAR数据，将变化向量分析方法应用到对地表淹没状况的变化检测，利用决策树分类提取出变化区域，并对鄱阳湖湿地地表淹没状况的动态变化进行分析，表明了SAR数据在湿地变化检测应用的有效性[12]。2011年，黄瑾在Wishart非监督分类结果基础上，利用监督分类方法分别对黄河口湿地的C波段和L波段全极化影像再次进行分类，取得了比较理想的分类效果，分类精度显著提高。2012年，王安琪将L波段PALSAR数据和TM数据融合，利用神经网络和决策树分类方法对东北地区典型内陆沼泽湿地进行分类研究，最后把湿地中的水体，植被和农田很好的识别出来[13]。2013年，杨智翔等针对多极化SAR图像的融合问题，提出了一种基于非亚采样 Contourlet 变换 ( NSCT) 和脉冲耦合神经网络( PCNN) 的图像融合方法，该方法采用简化的 PCNN 模型分别对图像的低频子带和高频子带系数进行智能决策[14]。2014年，王霄鹏等人将４种极化方式的SAR影像与TM影像分别进行融合，采用支持向量机对融合结果进行滨海湿地典型地物土地覆盖分类，并对分类结果进行比较评价，分析不同极化方式的SAR影像与TM影像融合结果在滨海湿地地区的分类能力[15].2015年，罗征宇等人重点研究了利用多波段的SAR影像实现高精度的湿地分类，并且取得了十分良好的效果[16]。2016年，沈国状, 廖静娟探讨了基于SAR数据在湿地植被生物量反演制图中的有效性及重要性[17]。
综上所述，湿地的极化散射特性存在差异，反映在极化SAR影像中有不同的反射特性，通过从极化数据提取出的极化特征和后向散射系数等信息，可以有效的对地物目标的特点与种类加以分析和识别，所以SAR非常适合应用于湿地的监测和分类研究。
3.总结
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
