Войти на сайт
МЕЖДУНАРОДНЫЕ ЕЖЕГОДНЫЕ КОНФЕРЕНЦИИ
"СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО
ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"
(Физические основы, методы и технологии мониторинга окружающей среды, природных и антропогенных объектов)
Будущая конференция
Архив конференций
2023 2022 2021 2020 2019 2018 2017 2016 2015 2014 2013 2012 2011 2010 2009 2008 2007 2006 2005 2004 2003
Личный кабинет
Зарегистрироваться на сайте Войти на сайт Забыли пароль?
Электронный сборник статей
«Информационные технологии в дистанционном зондировании Земли - RORSE 2018»
Журнал
«Современные проблемы дистанционного зондирования Земли из космоса»
Дополнительная информация
Контакты Полезная информация
Подписка/отписка
на рассылку новостей
Ваш e-mail:

Четырнадцатая Всероссийская открытая конференция "Современные проблемы дистанционного зондирования Земли из космоса"

XIV.F.1

Сезонные вариации обратного рассеяния от естественных покровов Подмосковья в сезон 2015-2016 годов по радарным данным SENTINEL 1A

Родионова Н.В. (1)
(1) ФИРЭ им. В.А. Котельникова РАН, Фрязино, РФ
В работе рассмотрены вопросы изменения во времени коэффициента обратного рассеяния (КОР) от лесных покровов и неиспользуемых земель на территории Подмосковья за годичный период 2015-2016 годов по 29 сеансам съемки Sentinel 1A (С-диапазон, VV+VH поляризации, IW GRD мода) с 10 марта 2015 года по 4 марта 2016 года. Интерпретация полученных данных осуществляется на основе модели Ulaby et al. изменения диэлектрической проницаемости (ДП) элементов лесного покрова и модели Dubois et al. изменения ДП почвы. Для леса Лосиный Остров показаны сезонные особенности изменения КОР от леса на двух поляризациях VV и VH. Обнаружена сильная положительная корреляция между значениями КОР леса и значениями температуры воздуха. Показатель корреляции Спирмена (ПКС) равен для VV поляризации rVV=0.73 (высокая теснота связи) и для VH поляризации rVH=0.56 (умеренная теснота связи) при высокой силе статистической значимости. Благодаря модели MIMICS удалось связать изменение КОР леса в течение года с изменениями ДП деревьев в части, зависящей от температуры воздуха.
Сделана попытка оценить значения влажности почвы неиспользуемых земель в районе города Фрязино Московской области по радарным данным за годичный период 2015-2016. Восстановление влажности почвы по одному уравнению Dubois et al. для согласованной поляризации и регрессии Rao et al. возможно при соблюдении ряда условий. Проведенный корреляционный анализ между парами переменных КОР поля и температуры воздуха показал, что ПКС для согласованной поляризации равен 0.56 и для кросс- поляризации 0.71, что свидетельствует об умеренной и высокой, соответственно, тесноте связи между переменными при средней и высокой силе статистической значимости.
Определен ПКС между КОР от поверхности почвы для станции SOD103 (Финляндия) по 28 сеансам съемки Sentinel 1 в период от 16.10.15 по 10.10.16 и наземными измерениями параметров почвы (температуры и влажности на глубинах 0-5 см и 10 см) по данным открытого доступа, представленных на сайте http://www.ipf.tuwien.ac.at/insitu. Обнаружено, что значения ПКС между радарными данными и наземными измерениями параметров почвы для VH поляризации значительно превосходят значения ПКС для VV поляризации. Найдено, что ПКС между КОР и влажностью почвы на глубине 10 см (0.75) превышает соответствующее значение на глубине 0-5 см (0.5) в 1.5 раза. Получены регрессионные соотношения между радарными данными на VH поляризации и наземными измерениями параметров почвы для станции SOD103.

Ключевые слова: радиолокационное изображение, многовременные данные, коэффициент обратного рассеяния, диэлектрическая проницаемость, влажность почвы, температура воздуха, показатель корреляции Спирмена
Литература:
  1. Лагутин М.Б. Наглядная математическая статистика. В двух томах.-М.: П-центр, 2003.
  2. Besic N., Vasile G., Chanussot J., Stankovic S., Ovarlez J.-P., D'Urso G., Boldo D., Dedieu J.-P. Stochastically based wet snow mapping with SAR data //IEEE Intern. GRS Symp. (IGARSS’ 2012). Jul 2012. Munich, Germany, 2012. P.4859-4862.
  3. Dubois P.C., van Zyl J.J., Engman T. Measuring soil moisture with imaging radars// IEEE Trans. GRS. 1995. V.33. № 4. P.916-926.
  4. Fung A.K. Comparison of Model Predictions with Backscattering and Emission Measurements from Snow and Ice. In Microwave Scattering and Emission Models and Their Applications, 1st ed.; Artech House Publishers: Boston, MA, USA, 1994. P. 425–450.
  5. Mätzler C. Applications of the Interaction of Microwaves with the Natural Snow Cover// Remote Sens. Reviews. 1987. V.2. P. 259-387.
  6. Mätzler C. Microwave Permittivity of Dry Snow// IEEE Trans. GRS. 1996. V.34(2). P. 573-581.
  7. Nagler T., Rott H. Retrieval of wet snow by means of multitemporal SAR data// IEEE Trans. GRS. 2000. V. 38. №. 2. P. 754-765.
  8. Pettinato S, Poggi P, Macelloni G, Paloscia S, Pampaloni P, Crepaz A. Mapping snow cover in Alpine areas with ENVISAT/SAR images// Envisat and ERS Symposium, September 6‐10. Proceeding ESA ISBN 92‐9092‐883‐2Salzburg, Austria, 2004.
  9. Rao S.S., Kumar S.D., Das S.N., Nagaraju M.S.S, Venugopal N.V., Rajankar P., Laghate P., Reddy M.S., Joshi A.K., Sharma J.R. Modified Dubois model for estimating soil moisture with dual polarized SAR data// J. Indian Soc. Remote Sens. December 2013.V.41(4). P. 865–872: DOI 10.1007/s12524-013-0274-3.
  10. Rignot E., Way J.B., McDonald K., Vierck L., Williams C., Adams P., Payne C., Wood W., Shi J. Monitoring of Environmental Conditions in Taiga Forests Using ERS-1 SAR// Rem. Sens. Environ. 1994. V. 49. P. 145-154.
  11. Rott H. and Mätzler C.. Possibilities and Limits of Synthetic Aperture Radar for Snow and Glacier Surveying// Annal. Glaciology. 1987. V. 9. P. 195-199.
  12. Rykhus R., Lu Z. Monitoring a boreal wildfire using multi-temporal Radarsat-1 intensity and coherence images// Geomatics, Natural Hazards and Risk. March 2011. V. 2. № 1. P.15–32.
  13. Salcedo A. Ana Paula. Estimation of snow parameters (SWE and SCA) and sea ice monitoring using SAR data. 2010. http://aulavirtual.ig.conae.gov.ar/moodle/pluginfile.php/513/mod_page/content/71/Seminario_final_Salcedo.pdf
  14. Tadono T, Fukami K, Shi J. Estimation of Snow Hydrological Parameters Using Single‐parameter, Multi‐temporal SAR images// Geoscience and Remote Sensing Symposium, IGARSS '01. 2001.
  15. Tadono T, Fukami K, Shi J. Estimation of Snow Hydrological Parameters Using Single‐parameter, Multi‐temporal SAR images// Geoscience and Remote Sensing Symposium, IGARSS '01. 2001.
  16. Topp G.C., Davis J.L., Annan A.P. Electromagnetic determination of soil water content: measurements in coaxial transmission lines// Water Resour Res. 1980. V. 16. № 3. P. 574-582.
  17. Ulaby F.T., Moore R.K., Fung A.K. Active Microwave Sensing of Land. In Microwave Remote Sensing, Active and Passive: From Theory to Applications; Artech House Publishers: Boston, MA, USA, 1986. P. 1797–1982
  18. Ulaby F.T., Sarabandi K., McDonald K., Whitt M., Dobson D.C. Michigan microwave canopy scattering model// Int. J. Remote Sens. 1990. V. 11. P.1223-1254.
  19. Walker J.P., Panciera R., Monerris A. Basis of an Australian radar soil moisture algorithm theoretical baseline document//Monash University, Melbourne, 2013. http://users.monash.edu.au/~jpwalker/reports/GARADA_Deliverable%232.pdf

Презентация доклада

Дистанционное зондирование растительных и почвенных покровов

367