合成孔径雷达（SAR）遥感一方面利用SAR的相位信息获取地面高程和形变信息，另外一个重要的应用利用SAR可以全天时、全天候的获取资料，可用于洪水监测、农作物种植面积监测（如南方地区水稻种植）等，另外，微波后向散射系数与土壤介电常数直接相关，可以建立微波后向散射系数与土壤水分等地表参数间的关系，可应用于土壤水分的反演。

本文结合三方面的技术，介绍实现“无人值守”模式下利用SAR数据提取水体和反演土壤水分含量的技术方案。三方面的技术包括：

• SAR图像处理与水体提取、土壤水分反演模型：SAR图像处理一般包括多视、滤波、地理编码、辐射定标等处理。这里使用SARscape提供API实现SAR图像处理流程。
• 云储存与云地球大数据集：云地球大数据集Open Data on AWS众多数据集中的一个，这个大数据集包含110种开放地球观测数据集，源数据由（非）政府组织、研究机构、企业和个人来维护。其中免费提供全球范围、全时段范围内sentinel1、sentinel2、Landsat8卫星数据，数据都以S3 协议共享。本文使用的是sentinel1数据，12天重返周期，中国境内sentinel2B有部分拍摄，这种地区6天重返周期。
• 企业级遥感服务平台技术：核心是将遥感处理、遥感分析、遥感模型算法等以Web Services的方式提供，支持Web API构建Web应用端，部署环境支持集群环境、企业级服务器或云平台。这里使用企业级遥感服务器软件ENVI Services Engine。

2 “无人值守”运行平台技术思路

“无人值守”模式下利用SAR数据提取水体和反演土壤水分含量总体技术路线如下图：基于SARsacpe+ENVI二次开发方式完成SAR图像自动化处理和分析流程应用服务的开发，并部署到云计算环境中，云地球大数据集为应用服务提供数据源；同时，自动生产得到专题结果保存在云储存空间中，并自动入库和发布；基于主流Web开发框（如VUE、React等）开发的Web客户端直接检索和访问专题结果。

图：总体技术路线

“无人值守”模式下利用SAR数据提取水体和反演土壤水分含量主要的技术流程如下图：首先定期从云地球大数据集上检索sentinel1数据，如果有数据则执行产品生产流程，得到结果自动在云储存上存储，同时将元数据信息进行入库管理和发布。构建Web客户端，可以直接检索、浏览和下载云储存上的专题产品，即水体和土壤水分信息。

图：总体技术流程

2 SAR图像处理与分析技术

云地球大数据集上提供两种类型的Sentinel1数据：单视复数（SLC）和强度数据（Pwr）。这里直接使用的是Sentinel-1 GRD（地距产品）级别数据。

• Sentinel-1图像处理

Sentinel-1地距图像的处理包括滤波、地理编码和辐射定标，最后得到后向散射系数。

• 水面积提取模型

采用Sentinel-1双极化数据(VV和VH)计算双极化水体指数，得到的图像结果水体和非水体区分明显，直方图有双峰，如下图所示。

图： 双极化水体指数图像直方图

基于otsu法（最大类间方差法，有时也称之为大津算法）对双极化水体指数图像进行二值化，得到水体面积信息。

• 土壤水分反演模型

土壤水分反演模型非常多，如变化监测法、回归分析法、神经网络法、查找表法、多极化数据反演法等。本方案中使用属于多极化数据反演法的正演模型AIEM（也称为改进型积分方程模型）是适合于不同粗糙度表面的常用土壤水分反演模型，公式如下：

其中 为后向散射系数（db），这里使用VV极化的后向散射系数，A( )、B( )、C( )是与入射角和极化方式相关的系数， 是雷达入射角， 是地表粗糙度。

3 方案实践

“无人值守”模式下利用SAR数据提取水体和反演土壤水分含量的技术方案成功应用到了洞庭湖生态遥感监测平台（湖南省气象科学研究所）中。

平台设定为定时执行相应的任务服务，定期从云地球大数据集上检索覆盖洞庭湖地区的Sentinel1数据，当有数据时候，执行SAR数据滤波、地理编码、辐射定标、裁剪、水体提取、陆地区域掩膜、土壤水分反演、专题制图，最后输出后向散射图像、水体和土壤水分反演三种专题成果。

图：任务服务定时属性

Web客户端可以直接检索和浏览成果数据。

图：Web端浏览SAR专题产品

 

图：Web端浏览专题制图成果

图：Web端检索和浏览多时相专题产品

4 总结

“无人值守”模式下利用SAR数据提取水体和反演土壤水分含量的技术方案，一方面将复杂、专业的遥感模型和分析流程发布为服务，真正实现了遥感处理与分析的共享，缩短遥感专家与最终用户的“距离”；另一方面使用了云地球大数据集上的遥感数据，这些数据几乎每天都在更新，让遥感应用系统真正“活”起来。

标签：Web,水体,反演,SAR,数据,值守,土壤水分
来源： https://www.cnblogs.com/enviidl/p/16288640.html