南麂列岛海洋自然保护区信息系统开发与应用

南麂列岛国家级海洋自然保护区管理信息系统是采用集成技术开发的专用信息系统。该系统建立了可科学管理南麂列岛自然保护区的地理空间数据、贝藻类数据、水文气象数据、文本数据、多媒体数据等数据库系统,具有空间数据和属性数据的管理、更新、查询及其扩展等功能。介绍了南麂列岛土地覆盖状况分析的应用实例。系统对提高南麂列岛自然保护区管理,同时建设海洋类型的自然保护区信息系统具有重要的示范作用。     

台湾浅滩浅海水深SAR遥感探测实例研究

本文基于浅海地形SAR遥感成像机理,提出星载SAR图像浅海水深遥感探测新技术.利用该遥感探测新技术与浅海地形SAR遥感图像,在台湾浅滩海域进行了浅海水深SAR遥感探测实例研究.SAR遥感探测水深值与实测水深值的比较结果显示,SAR遥感探测水深值的均方根误差达到2.5 m,误差小于10%.表明SAR具有探测浅海水深的能力,本文提出的浅海水深SAR遥感探测技术是收敛与可行的.     

SAR图像复合分布船只检测模型

提出了一种基于复合参数分布的SAR图像船只检测模型。模型使用Pearson分布系统模拟SAR图像海洋背景散射分布, Pearson分布系统由4种参数分布组成, 包括Pearson I分布(g)、Ⅲ分布、Ⅳ分布(反g)和Ⅵ分布。模型采用基于β平面的分布选择器确定采用哪种分布来拟合SAR图像海面后向散射分布, 同时利用4种分布, 结合CFAR技术, 建立CFAR方程, 通过解算方程得到检测阈值, 利用阈值进行SAR图像船只检测。通过图像试验验证表明, 该模型检测效果良好, 具有一定的实用价值。     

对ENVISAT ASAR level2算法固有误差的分析

欧洲空间局的ENVISAT ASAR level 2算法是从合成孔径雷达(SAR)单视复图像反演涌浪方向谱的算法.该算法假设双峰海浪谱的SAR图像交叉谱是涌浪的图像交叉谱和风浪的图像交叉谱之和.实际上双峰海浪谱的SAR图像交叉谱中还有一个混合项,正是该混合项导致ENVI-SAT ASAR level 2算法有固有误差.利用遥感仿真的方法分析了不同海况条件下该算法的这一固有误差,结果表明,只有在有效波高较小、或风浪的成分较少、或双峰海浪的传播方向较靠近SAR距离向、或波长较长时固有误差才较小,ENVISAT ASAR level 2算法对海浪谱的反演才较为适用.     

“龙王”台风SAR遥感研究

利用0519号"龙王"台风SAR遥感图像,结合NCEP/QSCAT混合风场海面风向反演了高分辨的台风海面风速。基于高分辨率的SAR台风海面风场的风速剖面,对台风期间台湾海峡及周边海域海面风场的小尺度特征及变化进行了分析,结果表明,地形对风场特征的形成有显著作用,它导致台风海面风场结构发生变形以及澎湖列岛附近低风速尾流区、台湾岛的中央山脉北端下风面"角流"区和台湾岛西北海岸背风槽(或诱生低压)等现象的形成及台风期间福建省沿海区的大风天气。     

0414号“云娜”台风浪时空分布特征的遥感研究

综合利用GFO、TOPEX/Poseidon、Jason-1和Envisat等4颗卫星高度计的有效波高数据以及QuickSCAT散射计的风场数据,分析了0414号"云娜"(RANANIM)台风浪的时空分布特征以及浪场和风场之间的相互关系.结果表明:(1) 台风浪融合结果图较好地显示了台风的移动路径,该路径与美国NASA提供的台风路径基本一致;(2) 随着时间的推移,"云娜"由热带风暴逐渐演变成强台风,它所生成的台风浪也越来越大,平均浪高由最初的5.5 m左右增至8.5 m左右,最大浪高从6.5 m增加到10.6 m;(3) 台风浪中心与台风中心的空间分布基本一致,台风浪相对于台风中心近似成对称(圆形)分布,其影响半径大概为400～500 km;(4) 结合由QuikSCAT散射计提供的风场数据可以发现,台风中心风速从20 m/s左右逐渐发展到30 m/s以上,海面对应的日平均浪高也由4～5 m发展到6.5～8.5 m,台风影响下出现的15 m/s以上风速的径向半径和分布范围与3 m以上浪高的径向半径和分布范围基本一致.     

基于船载雷达图像的海上船只检测方法

随着雷达成像技术和高分辨率光栅显示技术的发展和应用,基于船载雷达图像的船只检测成为可能.海上船只检测的主要困难之一是雷达图像中包含固有的海面背景杂波.传统的雷达船只检测方法,如恒虚警率法(CFAR),以杂波分布模型为基础,计算待检测窗口中的信号统计分布来确定自适应阈值,取得了一些成果.但是,当海面背景杂波和船只目标的回波强度在同一数量级,甚至船只目标淹没在海面背景杂波中时,就难以确定一个有效的阈值将船只目标从雷达图像中提取出来.在分析海面背景杂波和船只目标的相关差异性基础上,提出了一种基于船载雷达序列图像的海上船只快速检测方法.该方法首先对相邻两幅图像进行互相关性分析,在两幅图像中的同一位置提取一定尺寸的移动窗口,计算其互相关函数值,窗口移动一个步长,重复操作直至遍布整幅图像,形成一幅由灰度图像互相关函数值组成的相关图像.然后使用概率神经网络模型(PNN模型)来估计相关图像背景杂波的灰度概率密度分布函数(PDF),应用CFAR技术,使用二分法求解一个区分船只和背景噪声的自适应整体阈值,并根据阈值将相关图像二值化,其中大于阈值的像元作为候选的船只目标信息,小于阈值的像元则为海面背景杂波.最后使用连通性8-邻域准则统计各个候选船只目标区域的像元数,并与预先定义的最小船只目标像元数进行比较,偏小的候选船只目标区域作为虚警去除,保留下来的候选船只目标区域即为船只检测结果.研究显示,如果图像序列中没有船只目标信息,则三维相关图像比较平整.相反,如果图像序列中含有船只目标信息,则三维相关图像上有峰值被检测出,通过测量峰值的高度,就能判断存在可能的船只目标.运用X波段船载雷达序列图像对本文提出的海上船只检测方法进行了测试.测试结果表明,该检测方法具有很好的船只检测效果,得到的船只检测结果与目视判别的结果一致.而且该检测算法原理简单,计算速度快,易于实时处理,具有广阔的应用前景.