PDF
研究文章|开放获取
GyörgyQuerck，GizellaNádor， ＂利用雷达和光学时间序列数据监测向日葵和玉米地块的损害"，杂志上的传感器， 卷。2015， 文章的ID548506， 25. 页面， 2015． https://doi.org/10.1155/2015/548506
利用雷达和光学时间序列数据监测向日葵和玉米地块的损害
摘要
本文利用RADARSAT2不同类型的光学和四聚体RADARSAT2数据的时间序列，监测杂草感染、西部玉米根虫(WCR)、风暴损害和干旱4种不同类型损害对农田几何结构变化的时间行为。根据我们的研究结果，通过雷达(6月中旬)和光学(8月中旬)卫星图像的评估，可以很好地识别葵花豚草感染。向日葵的干旱效应可以很好地通过光学和光谱指数来识别。——香农熵的分量()从7月前10年的雷达卫星图像中获得。在过去10年7月至8月中旬期间获取的雷达和光学卫星图像的评估被证明是检测WCR或风暴对玉米田造成损害的最有效方法。香农熵的分量在辨识中起着重要的作用。我们的项目显示了综合利用偏振雷达和光学卫星图像监测几种类型农业损害的潜力。
1.介绍
许多作者研究了各种作物类型的偏振特征[1- - - - - -3.］.他们认为，这些特征取决于反射表面元素的许多特性(例如，表面反射率、含水量和粗糙度)，特别是植物的几何结构。因此，极化特征可用于作物状况的评估、作物类型的鉴定和作物的物候期[4- - - - - -7］.本文介绍了损伤如何改变植物对极化雷达波束的响应。目的是确定光学和SAR时间序列是否能检测到作物结构损伤引起的时空变化。
损害引起农田光谱和几何特征的变化。因此，对光学和偏振雷达卫星图像进行联合评估是识别这种损伤最有效的方法。我们以前在这方面的调查结果已在几份刊物上发表[8- - - - - -10］.
我们调查的目标（本文提出）是监测受杂草感染，WCR和风暴损伤影响的农田的时间结构变化，并通过综合使用时间序列的光学和雷达数据。在3个不同的样本区域（Csongrád，Békés和Baranya）进行了调查4种不同类型损坏的时间行为。
本研究通过田间试验，对向日葵杂草侵染的影响进行了研究。杂草感染在行播作物品种的规则几何上产生不连续。数字1呈现杂草感染和健康向日葵包裹的几何结构之间的差异。
在Csongrád站点，干旱导致向日葵地块的几何变化已经进行了研究，并与健康的向日葵田进行了对比。数字2说明了这两种状态在向日葵地块几何结构上的差异。
至于Békés网站，我们检查了两种不同类型的损害发生在玉米田，评估了2个不同的日期。西部玉米根虫(WCR)幼虫侵染植株根系，使单个玉米茎秆发生倒伏;因此，包裹显示出相当瘀伤的风景。数字3.阐述了受损玉米田与对照玉米田几何结构的景观差异。暴雨可能对玉米产生类似的影响，尽管在这种情况下，玉米茎秆会根据风向倾斜。在这两种情况下，玉米地的几何结构都发生了明显变化，与玉米茎直立整齐的对照地块相比，呈现出相当大的差异。
本文介绍了多时相RADARSAT-2(标准四聚体)和光学卫星图像对上述损伤的联合评估结果。
2.材料和方法
本段介绍了所选择的研究领域、所使用的数据(卫星和参考数据)和所采用的方法。
２.１.研究领域
我们的调查适用于三个不同的研究领域：Csongrád，Baranya和Békés网站（图4)．
Csongrád网站位于Tisza河和多瑙河之间，其特点是面积小(平均面积1-5公顷)，沙质土壤保水能力差;因此，该地区对干旱极其敏感。
位于Transdanubia的南部的Baranya网站有中等大小的包裹（20-30公顷）。该地区特别是向日葵，非常感染牛奶和许多其他类型的杂草。
Békés网站位于匈牙利大平原东南部。它的平均面积为40-50公顷。作为我国最重要的玉米单作产区之一，为WCR的推广打开了大门。2012年，该地区多次遭受严重风暴袭击。我们分析了2012年7月7日发生的风暴的影响。
２.２.数据使用
卫星图像覆盖范围及样本区域位置如图所示4．
应用光学和雷达卫星图像的特征(采集数据、地面参考数据采集日期和其他特征)见表1- - - - - -3.．桌子4- - - - - -9载有申请进行检查的光学雷达卫星图像的特征。每一幅雷达卫星图像都与几乎同时获得的光学卫星图像相耦合。尽管我们尽了最大的努力，但我们并不总是能在同一时间成功地收集到地面参考数据。
|
|||||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||||
|
|||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||
参考数据来自杂草感染的向日葵地块、WCR和风暴损坏的玉米地块以及遭受干旱的向日葵地块。控制数据也从相应的健康包裹中收集。参考数据收集结果见表10- - - - - -12．
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
２.３.提交已检查的损害赔偿
本段描述了各种损害影响的主要影响。在数据5- - - - - -7我们使用特殊的颜色组合来强调受损区域和控制区域之间的差异。
(一)
(b)
（C）
（d）
(一)
(b)
（C）
（d）
(一)
(b)
（C）
（d）
（e）
（F）
（G）
2.3.1。向日葵遭遇干旱
数字5在光学卫星合成图像(Geoeye 30/6/2012, R: NIR, G: red, B: blue)和雷达数据合成图像(RADARSAT2 8/7/2012, R: SE, G:B: l3)。
在现场拍摄的照片上，可以清楚地看到向日葵包裹之间的差异。受干旱影响的向日葵叶片下垂，不能完全覆盖土壤，而健康的向日葵叶片水平，覆盖整个土壤表面。
在光学和雷达卫星复合材料上可以很好地识别出差异。健康的向日葵包裹在光学图像上出现橙色，与干旱击中的人显示蓝色的斑点，与裸露的土壤典型。
在雷达图像上，健康向日葵的外观可以用强烈的浅色来描述，而损坏的包裹是绿灰色的。
2.3.2。向日葵地块杂草感染的外观
数字6代表一个典型的被杂草感染的向日葵包裹(用棕色标出)，而在光学卫星图像合成(IRS-P6 LISS 30/6/2012, R: NIR, G:红色，B:蓝色)和雷达数据合成(RADARSAT2 17/06/2012, R:， G: SE, B: l2)，并附有2012年7月3日和4日现场拍摄的照片。
从照片上可以很好地分辨出这两个向日葵包裹的不同。由于受杂草感染的向日葵发育较差，杂草和土壤通常在植株的行与行之间露出来，而健康的向日葵叶片水平竖立，完全覆盖土壤表面，从上面看不见它。
在雷达卫星综合（17/6/2012）上可以很好地识别出差异，而在2012年6月30日收购的光学场景上无法观察到它。
2.3.3。玉米包裹的WCR和风暴损害
在光学卫星图像复合图(A;SPOT4 29/06/2012, R: NIR, G: SWIR, B: red) (B;雷达数据复合材料RADARSAT2 (26/07/2012, 19/08/2012, R: NIR, G: SWIR, B: red)， G：， B: l1)和现场拍摄的照片(06-08/08/2012)(图7)．
玉米的状态在当场拍摄的照片上是显而易见的。WCR损坏玉米包裹与其茎彼此倾向于随机显示出相当无序的风景。相反，所有茎上的玉米包裹因风向倾斜而受到风暴损坏的，同时控制玉米包裹看起来很好。
在2012年7月29日和2012年8月19日获得的光学卫星复合材料上，可以发现三个包裹之间的差异，特别是在包裹被风暴损坏的情况下。3个包裹之间的差异在2012年7月26日的雷达合成图上同样明显，而在19月8日20日的雷达合成图上不再出现显著差异。
２.４.方法应用
光学卫星图像的预处理步骤如下:(我)进口,(2)几何校正，(3)辐射校正(ToA反射率计算)，(iv)生成光谱指数(NDVI, NSI)，(v)光谱指标的相互校准。
应用于我们研究的光谱指标由TOA反射而不是使用表面反射率计算;因此，这些指数在不同年之间不可比较。
利用辐射校正的ToA反射率值，计算从光学影像(SPOT4/5、Landsat TM7、IRS-P6/R2 LISS III、IRS-P6 AWiFS)得到的归一化差异植被指数(NDVI)和归一化特殊指数(NSI)的光谱指数特征。
这些指数的定义如图所示 其中，NIR为近红外波段ToA反射率，RED为红光波段ToA反射率，SWIR为短波红外波段ToA反射率。
植被指数NDVI描述了植被的状态和生长情况，而NSI则基于我们的调查，用于表征受损区域发生的光谱变化。对不同类型的卫星图像进行了相互校准，如图所示8．
众所周知的Landsat TM7不连续(条带)误差是通过从接近相似采集日期的IRS P6/R2 AWiFS图像中提取的相互校准光谱指数来管理的。
我们研究中使用的RADARSAT2数据和雷达特征(以浅黄色标示)的预处理步骤如图所示9．
用NEST软件计算标准四聚体RADARSAT2数据的校正后向散射系数(Sigma0)。用Polsarpro软件计算了这些数据的偏振描述符。它们的定义见[11］.每一种软件都是由欧空局开发的。两种不同类型的分解(H/A/Alpha和Yamaguchi)及其衍生的极化特征在我们的调查中得到了应用。
在我们的研究中，基于H/A/Alpha相干矩阵分解的所谓香农熵[12是最重要的偏振描述符之一。自然或农业破坏往往会在地块内造成有形和可见的紊乱。它们可以被描述为:已知发射和接收脉冲的偏振状态。偏振度受目标的影响。所谓的香农熵(SE)可以描述上述“偏振散射”的比值。香农熵(13，14]由两个组件组成： 在哪里是内在的连贯度和是极化程度。
我们研究中涉及的另外一个重要描述符是相干矩阵的Yamaguchi分解的分量[15- - - - - -17］.这种类型的分解技术可以应用于识别散射靶标。它可以考虑不同散射机制的强度。在本研究中应用的组件如下：对于单一的散射,对于双反射散射，和体积散射。
通过对参考农田的统计比较分析，评价了这些特征的有效性和准确性。基于受损(杂草感染、干旱、WCR或风暴)和健康参考场，分析了上述雷达图像极化描述子的可分性(显著性)。参考场的偏振描述符应该显示正态分布，因此我们导出了意义，韦尔奇检验计算的值[18[并根据该排列描述符。Welch测试适用于这里。空假设是表征损坏和控制区域等于的平均值。
数字10显示应用的方法。值得注意的是，雷达时间序列和光学数据在识别损伤方面具有同等重要的作用。由雷达数据导出的偏振描述符包含了广泛的信息。然而，每一种情况都需要充分的解释。因此，我们必须通过光学卫星数据的时间序列来识别作物类型。雷达数据的解释应仅针对根据选定的作物类型生成的掩膜进行。在那之后，只有一个问题需要回答:所给的工厂是否已经损坏。
3.结果与讨论
3．1.向日葵田里的干旱，Csongrád网站
数字11显示了向日葵平均作物生长曲线的时间进展，这是由光学卫星数据的时间序列得出的，被称为控制地块和受干旱影响地块。水平线表示与每个收购日期相关的标准偏差。最显著的差异发生在7月的前十年。差异在8月前10年逐渐减小，然后消失。因此，可以确定，从8月初开始，光学卫星图像不再将健康和干旱的向日葵地分开。
NSI值的时间行为(图12)与NDVI相反。
数字13显示了不同极化带sigma0值的时间发展。在所有波段，sigma0值在遭受干旱的情况下都较低。在所有波段中，控制区和受干旱地区的差异都在7月初。
数字14表示在sigma0带的二维空间中，控制区和打击干旱区特征椭圆的分离。如图所示，我们可以清楚地看到，七月初的区分度最高11．控件的省略号在所有日期都明显位于右上方。我们可以在H-Alpha空间中看到类似的区分(图15)．
数字16展示了不同日期RADARASAT2卫星图像的极化描述子的可分性分析结果。2012年8月7日收购的那家公司被证明是效率最高的一家。尽管在四种获得的每一种情况下都存在这样的极化描述符，可以显著地区分这两种状态。
还可以看出，在给定的日期，并非相同的偏振描述子表现出最高的效率。表格13显示基于可分性效率或显著性水平的极化描述符的排序。可以确定，在6月至8月期间山口分解成分(主要是和)在区分向日葵受旱地和对照地方面具有显著作用。
|
|||||||||||||||||||||||||||||||||||||||||||||||||
值得一提的是，“vol”的分量是显示最显著偏差的分量(值< 0.001)，而“奇数”为6月中旬至8月底。这说明在生长季中期(7 - 8月)，体积散射是区分这两种状态的主要方法，而在生长季的开始和结束(6月中旬和8月)，单次散射的作用更为重要。
通过对光学和雷达卫星时间序列数据的评价，可以确定7月前10年是区分向日葵受旱地和对照地的最适宜日期。根据图17结果表明，向日葵的NDVI小于52,l3小于0.035;
(一)
(b)
干旱图来源于Landsat TM7(4/7/2012)、RADARSAT2(8/7/2012)以及两者的使用(图7)18)．参考数据验证的这些地图的准确性几乎相同(图)19)．
3.2。杂草感染在向日葵领域，Baranya网站
数字20.显示了向日葵平均NDVI曲线的时间进程，该曲线由光学卫星数据的时间序列衍生，即对照(无杂草)地块和杂草感染地块。水平线表示每个收购日期的标准偏差。7月份偏差明显减小，8月份又开始增加。最大的偏差发生在八月的下半月。因此，可以确定这一时期获取的光学图像是最适合于从对照向日葵包裹中筛选出感染向日葵包裹的。
从数据20.和21我们可以看到NSI值与NDVI的反向行为类似于上述情况。8月底杂草区与无杂草区差异最大。
数字22显示不同偏振型和无杂草区域中Sigma0的时间变化。所有偏振频带中的图形都是相似的。杂草感染和无草区的反向散射强度在8月初发生变化。自由杂草更早更高，杂草感染后期增加。无杂草和杂草感染区域之间的最高差异在6月中旬，特别是CO-POL。乐队。香农熵（SE）的趋势非常相似（图23.)．
在sigma0 co-pol的二维空间中可以很好地看到可分离性。以及H-Alpha波段(图)24.和25.)．
从上面的分析中，我们具有非常有趣的结果。我们可以在6月中旬发现杂草感染的向日葵区域。虽然我们可以在8月底以后只有两个月的光学图像区分杂草感染的区域。
数字26.表示从被称为无杂草和杂草感染向日葵地块的多时相雷达卫星数据导出的极化描述符的可分性分析结果。从图中可以看出，2012年6月17日采集的雷达数据识别效率最高，但通过与该区域其他采集日期的雷达数据进行分析，无法区分这两种不同的状态。
极化描述子的区分效率和显著性水平的层次由表表示14．证明了香农熵(SE，） ()、山口分解的奇分量和vol分量()和相干矩阵的特征值，特别是l2(在水平上），在六月中期的两个不同状态的歧视中具有重要作用。但是，我们找不到适用的Polarimetric描述符，以便在7月中旬和8月下旬在7月中旬区分这两种状态的包裹。在八月初期获得的雷达卫星现场的各向异性和P2描述符（)似乎在歧视方面很重要。
|
|||||||||||||||||||||||||||||||||||||||||||||||||
基于对光线和雷达卫星图像的时间序列的评估，证据表明，通过在8月中旬在六月中期获得的雷达数据中获得的光学数据的协同评估，可以最有效地检测到向日葵中的杂草感染。根据图27.8月中旬NDVI > 35值和Shannon熵值的向日葵地块预计会在6月中旬被感染
(一)
(b)
我们用许多不同的方法制作了杂草地图，如表所示15．这些地图的总体精度显示在表格的最后一列15．数字28.以粗体显示表中详细的映射15，地图的准确性近90％。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
通过实地访问收集参考数据，验证了工艺的准确性。总体精度(%)和Kappa值(%)[19]的不同杂草侵染图如图所示29.．
利用Hellden和Short措施的平均值研究了杂草感染区和无杂草区识别的准确性[20.),图30.．
3.3。玉米领域的WCR和风暴损伤，Békés网站
NDVI时间系列健康参考玉米包裹的平均时间变化对由西玉米根虫和7月7日发生的风暴损坏的玉米包裹可以看出31.．垂直线表示与明确数据相关的标准偏差。数字31.表明，可以检测到三种不同状态之间的显着偏差。在8月10日至8月10日期间的期间，特别是在风暴发生后，偏离对照包裹逐渐增加。因此，通过评估7月至8月结束之间获得的光学卫星数据，由风暴和西方玉米根虫损坏的玉米包裹可以从控制中分离。
可以在图中观察到类似物32.利用光学卫星数据导出的NSI指数，可以对这三种不同的状态进行识别。在此基础上，最有效的特征是8月中旬获取的光学卫星图像的特征。
玉米地块的上述三种状态用sigma0的co-pol带的二维空间表示(图33.)．
数字34.表示对来自多时相雷达卫星数据(即被西部玉米根虫幼虫破坏的玉米地块)的偏振描述符的可分性分析结果。根据图34.结果表明，2012年7月26日获取的雷达数据比2012年8月19日获取的雷达数据识别效率更高。表格16给出了基于显著性水平判别效率的极化描述子排序。揭示了山口分解的奇分量香农熵的分量()在其中(在显著性水平上)起着最重要的作用)．虽然，如果是8月中旬雷达数据，则存在这样的偏振描述符（，Pol.frac，RVI和P3），适合显着分离不同的状态。但是，此申请仅限于显着性水平．
|
|||||||||||||||||||||||
数字35.表示由多时相雷达卫星数据(被风暴破坏的玉米地块和控制地块)导出的极化描述子的可分性分析结果。从图中可以看出，2012年7月26日获取的雷达数据比2012年8月19日获取的雷达数据识别效率更高。表格17给出了基于显著性水平判别效率的极化描述子排序。该表揭示了相干矩阵（L1）的第一个特征值和香农熵的分量(扮演最重要的角色意义级别）。虽然在八月中期获得的雷达数据的情况下，有这样的偏振描述符（， l2, SE和)，适合显著分离这两种不同状态;但其应用仅限于显著性水平．
|
|||||||||||||||||||||||||||||
数字36.表示由由玉米包裹衍生的玉米雷达卫星数据衍生的极化描述符的可分离分析的结果，该玉米包裹损坏的玉米包与西玉米根虫幼虫损坏的人损坏。根据该图，显而易见的是，基于2012年7月26日获取的雷达数据这两个不同的病例不能显着分离。我们能够找到一些能够将这些情况彼此分开的少数偏振片描述符，尽管仅限于显着性水平．表格18显示偏振描述符的排序，基于识别效率的显著性水平，即特定的采集日期。该表显示存在这样的极化描述子(l3, l2, SE和)，可以显著分离这两种条件，但这些条件只能局限于显著性水平．但是，就7月过去十年中获得的雷达卫星数据而言，没有一种偏振描述符能够至少按显著性水平将这些情况分开．
|
|||||||||||||||||
通过对7月底前后的光学和雷达卫星数据进行协同评价，可以确定对西部玉米根虫幼虫危害的玉米识别最为有效。取数据37 (a)和38(一个)考虑到根据IRS-P6 LISS III(2012年8月8日)得出的NDVI < 53的玉米地块可能受到破坏 源自RADARSAT2(26/07/2012)。同样，根据对7月底至8月中旬期间获得的光学和雷达卫星数据的协同评价，可以最有效地将被风暴损坏的玉米地块分割成健康的控制地块。基于数据37 (b)和38 (b)那些玉米包裹最有可能被风暴损坏NSI源自SPOT5(19/08/2012)和源自RADARSAT2(26/07/2012)。
(一)
(b)
（C）
(一)
(b)
基于数据37 (c)和38 (b)不同损坏的玉米场可以通过从雷达拉特2（19/08/2012）数据衍生的Spot5（19/08/2012）和L3值衍生的NSI指数分开。如果是NSI.和l而在NSI，则更有可能受到风暴的破坏或否则，西部玉米根虫会对玉米地造成破坏。
利用RADARSAT2(2012年7月26日)和IRS-P6 LISS III(2012年8月8日)计算的NDVI对山口分解的奇分量和NDVI进行联合评价，对受损玉米地块进行了识别。通过RADARSAT2(19/8/2012)推导的l3和SPOT5(19/8/2012)推导的NSI的共评价，实现了两种损伤状态的分离。创建的损坏映射如图所示39.．
将损伤图与实地访问的参考数据进行比较;我们发现总体准确率约为75%。
4.结论
在大多数情况下，农田损害不会引起任何显著的光谱变化;因此，它们不能在光学范围内被追踪。然而，偏振雷达观测可用于识别伴随结构变化的变化。可以检测到，在玉米发生WCR和风暴损害时，向日葵可以通过极化雷达卫星图像识别干旱或杂草感染。我们确定了描述上述损伤类型的最合适的极化描述符及其最优时间周期。
雷达与光学卫星数据的协同应用，显著提高了植被几何结构变化对植被损伤的识别精度。我们研究的最重要的成果是强调偏振描述子的重要性，并选择最适合所有给定任务的偏振描述子。为此目的，已经开发了一种统计方法。该方法的重要性在于偏振描述子的数量;很难找到最适合这种情况的。另一个相当大的结果是，变化的时间发展在光谱和几何上都是不同的。因此，要想获得更好的结果，需要同时使用雷达时间序列和光学图像。
利益冲突
作者声明本文的发表不存在利益冲突。
致谢
卫星图像采集是在我们公认的苏欧 - 欧盟（欧安省呼吁）提案（EU-6741）的框架内进行的，题为“雷达偏振仪识别农业结构变化”的框架。该研究由乌克托_10-1-2011-0038项目框架的研究，技术和创新基础，匈牙利开发机构题为“用于协同卫星卫星图像协同用法的方法发展，专注于农业损坏。”。
参考文献
- J. W. Cable，J. M. Kovacs，X. jiao和J. Shang，“加拿大东北北部的农业监测”，采用多时间偏振雷达拉特2数据，“遥感，卷。6，不。3，pp。2343-2371,2014。视图:出版商网站|谷歌学术搜索
- H. McNairn, J. J. van der Sanden, R. J. Brown和J. Ellis，“RADARSAT-2在作物测绘和评估作物状况方面的潜力”，刊于第二届国际农业和林业地理空间信息会议论文集，美国佛罗里达州布埃纳维斯塔湖，2000年1月。视图:谷歌学术搜索
- C. tiin - schnaider，“ONERA-Palaiseau(2000):用于植被观测的雷达偏振法”，载于首席执行官SAR讲习班的会议记录， ESA SP-450，法国图卢兹，1999年10月。视图:谷歌学术搜索
- P. Ferrazzoli, L. Guerriero，和G. Schiavon，“雷达分类能力的实验和模型研究”，地球科学与遥感学报，卷。37，不。2，pp。960-968,1999。视图:出版商网站|谷歌学术搜索
- S. R. Cloude和E. Pottier，“基于熵的极化SAR土地应用分类方案”，地球科学与遥感学报第35期1，第68-78页，1997。视图:出版商网站|谷歌学术搜索
- J. M. Lopez-Sanchez，F.Vicente，J. D. Ballester-Berman和S. R. Cloude，C-Band稻田的偏振响应：分析和应用，“第六次国际科学和偏振干涉学题目第6次国际讲习班（Polinsar'13），卷。SP-71，ESA，Frascati，意大利，2013年1月至2月。视图:谷歌学术搜索
- 戚志刚，叶安国，李旭东，林志强，“基于RADARSAT-2极化SAR图像的土地利用和土地覆盖分类”，遥感技术与应用，vol . 21, no . 2, pp . 344 - 346第七届ISPRS TC研讨会论文集- ISPRS 100年瓦格纳(W. Wagner)和B. Székely, Eds。，卷。3.8，part 7A, IAPRS, Vienna, Austria, July 2010.视图:谷歌学术搜索
- G. Nádor, G. Surek, D. Fényes等，“通过光学和雷达数据识别农业中杂草感染引起的结构变化”第五届ESA-ESRIN会议论文集2011年1月，意大利弗拉斯卡蒂。视图:谷歌学术搜索
- G. Sufek，G.Nádor，D.Fényes和L. Vasas，“通过使用集成雷达（Alos Palsar）和光学（IRS Liss，AP）卫星数据，”玉米玉米根虫损坏的玉米根虫损坏的监测“Geocarto国际，卷。28，不。1，pp。63-79,2013。视图:出版商网站|谷歌学术搜索
- G. Surek，G.Nádor，D.Á。Gera，I. Hubik，R.K.Anikó和C.Török，“通过光学和雷达数据，海报介绍”识别农业的几何结构变化，“海报介绍”第六次国际科学和偏振干涉学题目第6次国际讲习班（Polinsar'13）2013年1月至2月，意大利弗拉斯卡蒂。视图:谷歌学术搜索
- C. López-Martínez, L. ferrofamily，和E. Pottier, PolSARpro v4.0偏振测量教程，2005，http://earth.eo.esa.int/polsarpro/tutorial.html．
- js。李和E. Pottier，偏振雷达成像从基础到应用，CRC印刷机，泰勒＆弗朗西斯集团2009年。
- P. Réfrégier和J. Morio，“部分偏振光和部分相干光的香农熵与高斯涨落，”美国光学学会杂志A：光学和形象科学，愿景，第23卷，第2期。12, pp. 3036-3044, 2006。视图:出版商网站|谷歌学术搜索
- Y. W.古德曼，《光波的相干性》统计光学，第157-236页，Wiley, 1985。视图:谷歌学术搜索
- J. Nakamura, J. Yamaguchi, K. Aoyama，和H. Yamada，“完全极化雷达数据的相干分解”IEEE国际地球科学与遥感研讨会论文集(IGARSS 2008)，卷。4，PP。161-164，IEEE，波士顿，美国，2008年7月。视图:出版商网站|谷歌学术搜索
- 山口勇，佐藤雅，w - m。Boerner, R. Sato，和H. Yamada，“旋转相干矩阵的四分量散射功率分解”，地球科学与遥感学报，第49卷，第49期。6, pp. 2251-2258, 2011。视图:出版商网站|谷歌学术搜索
- Y. Yamaguchi，Y. Yajima和H. Yamada，“基于一致性矩阵的Polsar图像的四组分分解”IEEE地球科学与遥感通讯，卷。3，不。3，pp。292-296,2006。视图:出版商网站|谷歌学术搜索
- b.l. Welch，“当涉及到几个不同的总体方差时，‘学生’问题的泛化”，Biometrika，卷。34，不。1-2，pp。28-35,1947。视图:出版商网站|谷歌学术搜索|Mathscinet.
- R.G.Congalton和R. G. Oderwald，“使用离散多变量分析统计技术评估Landsat分类准确性，”摄影测量工程与遥感，第49卷，第49期。12，页1671-1678,1983。视图:谷歌学术搜索
- G. H. Rosenfield和K. Fitzpatrick-Lins，《作为主题分类准确性衡量的一致系数》，摄影测量工程与遥感号，第52卷。2，第223-227页，1986。视图:谷歌学术搜索
版权
版权所有©2015GyörgyQuerck和GizellaNádor。这是分布下的开放式访问文章知识共享署名许可协议如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。
