【Lesson1】SAR土地利用分类41
ARSET
ARSET (APPLIED REMOTE SENSING TRAINING PROGRAM)为初学者和高级从业者提供在线和面对面培训。培训涵盖一系列数据集、门户网站和分析工具及其在空气质量、农业、灾害、土地和水资源管理中的应用
光学卫星遥感依赖于无云、照明良好的区域来产生高质量的数据。这对于在夜间或有云层时收集数据尤其成问题。雷达是一种理想的传感器，因为它能够透过云层“看到”地表，无论白天或黑夜条件如何。此外，雷达信号可以穿透植被冠层，提供有关下方情况的信息，例如是否有洪水。此外，干涉测量等技术可以跟踪厘米级的表面变形，例如地震引起的位移。
该网络研讨会系列以 ARSET 之前的网络研讨会 “合成孔径雷达简介”为基础。培训将侧重于不同的技术，如时间序列、极化测量和干涉测量，用于测绘和监测灾害、水和土地覆盖应用，如森林砍伐、农作物、洪水和地震。
学习目标
SAR 相对于光学系统在绘制土地覆盖和土地利用变化方面的优势
SAR图像中与土地覆盖特征相关的信息内容
SAR 对土地覆被制图的局限性
土地覆盖的最佳传感器参数
如何从 SAR 生成土地覆盖图
数据
本次练习使用ALOS数据
地理位置如图所示
数据编号为：ALPSRP064477110
上行
选择Hi-Res数据，这个数据的分辨率是12.5m。
下载后的文件夹里面有数据的KMZ，如图所示、加载到谷歌地球。可以作为参考
数据处理
软件：SNAP
本次使用的数据处理软件为ESA的SNAP
添加数据
全极化数据如图所示，各有不同
对比VH和HV波段，发现HV的对比度更强，因此删掉VH数据，留下其他三个极化数据
为了便于处理和分析，将需要处理的数据放在一个堆栈中。
顺序：HH/HV/VV
初始偏移量选择数据地理位置，这样在处理的时候用的就是这个数据本身的地理坐标
RGB可视化
选择好RGB对应的波段
有图可知，HV图像中的那些后向散射值非常低的地区，是一个光滑表面，可能没有植被
中间有些地方的后向散射值比较中等
图中红框部分的区域明显受到地形的影响。
结合谷歌地球，我们检查一下。
散斑过滤
滤波器设置的数值单元为像素，99就是12.5m12.5m，约为156m²
数值越大，过滤散斑的效果越好，但是结果图像的分辨率越低
Linear to dB
生成存储于内存中的虚拟波段，要将其保存到硬盘中
转换成dB后的影像看起来颜色比较浅，使用直方图加以突出
图中为转换dB前后的直方图对比，在转换之前，单位是振幅，转换之后，单位是dB
直方图均衡化
直方图均衡化前后的结果，上面是直方图均衡化之前的，下面是直方图均衡化之后的
直方图均衡化：就是本来只有100-180灰度值的图变成在0-255的灰度值更均匀分布，从而增加图像的对比度，让图像更清晰
将dB图RGB化，R/G/B均直方图均衡化
疑问：直方图均衡化和归一化有什么区别
HV比HH更容易分辨植被
Band math
创建一个HH和HV的图像比例的波段计算
HH-HV里面比较亮的就是HV里面比较暗的区域
把HH-HV转换成实体文件
分类
监督分类
新建矢量训练样本，water、forest、nonforest、nonforest_topography、regrowth、flooded_veg
画好样本后选择监督分类、随机森林分类
选择手动画的样本，选择dB波段和比率波段
监督分类的时候如果报错（classifier cannot be saved ：some feature bands have same name-band-1），就手动改变波段的名称，把四个1改成1234
给监督分类结果赋色，和RGB影像做对比
在RGB中的紫色区域就是监督分类中红色的区域，再生区林域是墨绿色，水域是蓝色……
重新赋色
监督分类之后的影像还是有点乱，再次进行滤波，选中结果中的LabeledClasses，然后选中，medium3*3
将滤波后的数据重新赋色
Filter滤波
对最终的数据成果滤波
滤波前后的对比，左边是滤波前