环境一号C卫星SAR图像典型环境遥感应用初探

田 维 徐 旭 卞小林 柴 勋 王世昂 宫华泽 熊文成 邵 芸

①(中国科学院遥感与数字地球研究所 北京 100101)

②(中国科学院大学 北京 100049)

③(环境保护部卫星环境应用中心 北京 100094)

1 引言

近十年来，国际上 SAR卫星发展日新月异。2002年3月，搭载先进合成孔径雷达(ASAR)传感器的欧空局环境卫星ENVISAT成功发射，开始了为期10年之久的遥感对地观测任务。2007年6月和2010年6月，德国TerraSAR-X, TanDEM-X卫星相继成功发射，该卫星星座系统的定轨精度高达20 cm，可获取最高1 m分辨率的多模式SAR图像，并可测量全球数字地表高程(DEM)。2007年12月，搭载全极化 SAR传感器的加拿大 RADARSAT-2卫星成功发射，至今已业务化运行5年之久。2007年陆续发射的意大利 Cosmo-SkyMed系列卫星目前已实现4颗X波段SAR卫星组网运行，其最大优势在于卫星星座的高重访频率。以上 SAR卫星已在陆地、海洋、大气和冰川等遥感对地观测领域取得了大量的科学研究成果[1－6]。

2012年11月19日6时53分，我国在太原卫星发射中心利用“长征二号丙”运载火箭，将“环境一号”C卫星(HJ-1C)成功送入预定轨道。2012年12月9日18时19分，环境一号C星下传第1轨数据，中国科学院遥感与数字地球研究所密云接收站准时捕获并成功接收全部数据，中国资源卫星应用中心成功完成标准产品生产，并形成了第1幅影像图[7]。HJ-1C卫星是我国首颗民用S波段合成孔径雷达(SAR)卫星，卫星质量890 kg，轨道高度499 km，为太阳同步圆轨道，降交点地方时上午6时。HJ-1C 卫星具有条带(strip)和扫描(scan)两种工作模式，成像带宽度分别为40 km和100 km，单视模式下分别对应于空间分辨率5 m和20 m。HJ-1C卫星与2008年9月发射的“环境一号”A, B卫星(HJ-1A/1B)组成环境与灾害监测预报小卫星星座，形成了具备中高空间分辨率、高时间分辨率、高光谱分辨率和宽覆盖的对地观测遥感系统，可有效提升我国环境与灾害的动态监测预报能力。

为了科学评价我国首颗民用 SAR卫星数据在环境遥感监测领域的应用能力，充分挖掘HJ-1C卫星数据的环境遥感应用潜力，本文开展了HJ-1C卫星 SAR图像典型环境遥感应用的探索，以期为环境一号C卫星的相关用户开展环境遥感业务化应用提供有价值的参考依据。本文以2012年12月～2013年1月期间获取的9景HJ-1C卫星数据2级产品SAR图像为实验数据源，以北京市和福建省沿海区域为研究实验区，分别开展了HJ-1C卫星SAR图像土地利用类型人工解译与制图、地表覆盖自动分类、近海海洋溢油污染识别、海浪特征参数反演、海水养殖区信息提取等近海海洋环境 SAR遥感监测方法研究，并给出了相应的实验结果。

2 HJ-1C卫星SAR图像土地利用人工解译与地表覆盖自动分类

合成孔径雷达具有全天时、全天候的对地观测能力，可以为我国广大多云多雨地区的地理国情监测等提供更为及时、可靠和丰富的数据源补充。国内外关于 SAR与光学图像融合进行土地利用和地表覆盖分类的研究较多。2011年，尤淑撑等人[8]对TerraSAR-X, Cosmo SkyMed, RADARSAT-2高分辨率 SAR卫星图像进行了人工解译，综合评价了高分辨率SAR卫星的地物识别能力。2007年，dos Santos等人[9]研究了L波段机载SAR图像在巴西热带雨林地区的土地利用与地表覆盖分类能力，并分析了最优极化组合。2012年，Jacob等人[10]基于多时相的ENVISAT ASAR和HJ-1B数据进行了土地覆盖分类。融合SAR与HJ-1B光学数据后，整体分类精度会更高。2012年，Cervone等人[11]基于RADARSAT-1和ASTER融合数据，利用监督分类法进行了地表覆盖分类研究。结果表明：融合SAR与光学数据进行分类的精度要高于单独运用其中任意一种数据源的情况。

HJ-1C与HJ-1A/1B卫星组成的小卫星星座，具有多空间分辨率、高时间分辨率、高光谱分辨率和宽覆盖等独特优势，因此HJ-1C卫星S波段SAR与HJ-1A/1B卫星多光谱融合图像用于地表覆盖分类可以提高应用单一种类传感器的分类精度。本文分别开展了HJ-1C卫星SAR图像土地利用类型人工解译与制图，以及基于HJ-1C卫星SAR图像与HJ-1B多光谱融合图像的地表覆盖自动分类，并给出了精度评价结果。

2.1 实验区概况

本文选取北京市辖区县及相邻的河北省部分区域作为土地利用类型人工解译及地表覆盖自动分类的研究实验区，实验区内地势平坦，以耕地、林地、住宅用地等土地利用类型为主。

2.2 数据源

选取2013年1月23日过境的HJ-1C卫星3景同轨SAR图像和2013年1月 17日过境的1景HJ-1B卫星多光谱图像作为实验数据源，产品级别均为2级，具体参数如表1所示。

2.3 实验过程与结果

2.3.1 土地利用人工解译与制图 根据《中华人民共和国土地管理行业标准第二次全国土地调查技术规程》[12]中的“第二次全国土地调查土地分类”方法，我国的土地利用类型可大体分为耕地、园地、林地等13个一级类，旱地、果园、河流水面等62个二级类。本文以北京地区冬季常见的土地利用类型为例，开展了HJ-1C卫星SAR图像土地利用类型人工解译，并初步评价了土地利用类型制图精度。

(1) 耕地

北京地区的耕地以水浇地为主。由于本文实验数据的获取时间正处于北方地区的冬季，因此耕地上已基本没有农作物覆盖，接近于裸地的状态，HJ-1C卫星SAR图像的雷达后向散射强度较低，无明显纹理特征，如图1所示。

(2) 林地

冬季北京地区的林地主要为稀疏林，无叶片生长，HJ-1C卫星SAR图像的雷达后向散射强度比裸地高，由于存在树干与地面之间的二面角反射效应，林地在 SAR图像中表现为具有一定规则排列形式的、和雷达波入射方向相关的高亮反射点特征，如图2所示。

(3) 公路用地

公路在HJ-1C卫星SAR图像上呈较低的雷达后向散射特征，几何形状规则。由于城区高大建筑物的叠掩效应，市区道路易被路旁建筑遮挡，如图3所示。

(4) 河流水面

河流水面是指天然形成或人工开挖河流常水位岸线之间的水体[13]。由于镜面反射效应，河流水面在HJ-1C卫星SAR图像中呈现为极低的雷达后向散射特征。和公路相比，河流水面通常具有不规则的几何形状特征，如图4所示。

(5) 城镇住宅用地

北京地区城市住宅用地在HJ-1C卫星SAR图像上具有极高的雷达后向散射强度，呈现规则的条带状、片状或块状特征，易于识别解译，如图5所示。

(6) 农村宅基地

北京地区的农村宅基地多为密集分布的低矮平房，HJ-1C卫星SAR图像雷达后向散射较强，但与城镇住宅用地不同，图像特征无明显的条带状、块状规则纹理结构，且周边多为耕地等土地利用类型，如图6所示。

表1 土地利用解译与地表覆盖自动分类精度评价实验数据源Tab.1 The data source employed for the accuracy evaluations of the land use interpretations and land cover classifications

图1 北京地区冬季耕地的图像特征Fig.1 The images of farm land in winter of Beijing

图2 北京地区冬季林地的图像特征Fig.2 The images of woodland in winter of Beijing

图3 北京城区公路用地的图像特征Fig.3 The images of highway of Beijing

图4 北京城区河流水面的图像特征Fig.4 The images of river of Beijing

图5 北京地区城镇住宅用地的图像特征Fig.5 The images of urban residance of Beijing

为了评价HJ-1C卫星SAR图像土地利用类型的制图精度，首先选取了2013年1月23日过境的北京市海淀区苏家坨镇HJ-1C卫星SAR图像(表1编号2)，开展人工解译分类，分类结果如图7所示；然后分别统计基于HJ-1C卫星SAR图像和高分辨率Google Earth光学图像(2013年3月4日)的图斑勾绘面积(每一个统计地类分别选取了2个样本)；最后给出了图斑勾绘面积误差的统计结果，如表 2所示。

2.3.2 地表覆盖自动分类 根据国际地圈—生物圈计划(IGBP)提出的全球土地覆盖类型分类方法[13]，可将自然地表覆盖分为水体、农田、城镇与建成区等17个类别。据此分类体系，本文开展了基于HJ-1B多光谱图像和HJ-1B与HJ-1C SAR融合图像的实验区地表覆盖自动分类，并给出了分类精度的初步评价结果。具体流程为：

图6 北京地区农村宅基地的图像特征Fig.6 The images of rural residance of Beijing

图7 基于HJ-1C卫星SAR图像的北京市海淀区苏家坨镇局部地区土地利用类型人工分类结果图Fig.7 The thematic map of a local town of Beijing produced by manual interpretation using a HJ-1C SAR image

表2 HJ-1C卫星图像土地利用类型人工解译的面积勾绘误差统计结果Tab.2 The error analyses of land use interpreted with HJ-1C SAR image

(1) HJ-1C与HJ-1B图像配准：将HJ-1B多光谱图像的4, 3, 2波段分别赋为R, G, B分量进行假彩色合成，并以该图像作为基准影像，以HJ-1C图像为待配准影像，人工选取了12个同名点，实现了两幅图像的配准，配准误差小于2个像元。

(2) 裁剪：裁剪HJ-1B多光谱图像，使之与配准后的HJ-1C SAR图像大小相同。

(3) 图像融合：将多光谱图像从RGB空间转换为HIS空间，并以经过增强Frost滤波处理的SAR图像替换 I分量，再将该图像从 HIS空间转换至RGB空间，实现多光谱图像与SAR图像的融合。融合图像相对于多光谱图像的纹理特征得到显著增强，这有助于提高城镇与建成区的分类精度。

(4) 地表覆盖自动分类：利用 Envi4.8软件，采用基于最大似然准则的监督分类算法，分别对HJ-1B多光谱图像和HJ-1B与HJ-1C的融合图像进行自动分类(分类结果如图8所示)。

为了评价应用HJ-1C与HJ-1B融合图像对实验区地表覆盖自动分类精度的改善效果，随机选取了20个样点，利用野外实地调查数据，分别统计了融合前后的分类结果精度，如表3所示。

表3 基于HJ-1B多光谱图像和HJ-1B, HJ-1C SAR融合图像的地表覆盖分类精度对比Tab.3 The accuracy of land cover classifcation by HJ-1B CCD image compared with the fusion image of HJ-1B CCD with HJ-1C SAR

由于融合后的图像兼具多光谱图像的光谱特性与SAR图像的高分辨率特性，SAR具有对城镇与建成区、水体等地物敏感且成像过程不受云雾遮挡影响等特点，因此与单一多光谱图像相比，融合图像可包含更多的地物类型信息。由表3可见，HJ-1C与 HJ-1B的融合图像地表覆盖总体分类精度提高了8%。

2.4 实验结论

HJ-1C卫星数据2级产品SAR图像具有较好的土地利用类型人工解译能力，对于选定的实验区，HJ-1C卫星SAR图像土地利用类型人工解译的面积勾绘误差在5%以内，基于HJ-1C与HJ-1B的融合图像比基于 HJ-1B多光谱图像的地表覆盖自动分类精度提高了8%。

3 HJ-1C卫星SAR图像近海海洋环境监测

我国拥有300万km2海域和1.8万km海岸线。近年来，受全球气候变化、环境污染和人类开发活动等多种因素影响，中国近海海洋环境灾害呈逐渐增加的趋势。海洋溢油污染、海洋藻类大规模爆发、大型围填海、大规模近海养殖及过度渔业捕捞等是造成中国海洋生态系统退化、生物多样性丧失、生态环境风险增加的直接原因[14]。HJ-1C SAR卫星具有全天时、全天候的对地观测能力，是近海海洋环境污染与灾害监测的有效手段。国际上利用RADARSAT-2, Cosmo-SkyMed, TerraSAR-X等商业 SAR卫星开展近海海洋环境遥感监测已取得了显著的应用成果和社会效益[3]。2007年12月7日，一艘韩国拖船在韩国西部海域与一艘中国香港籍油轮“Hebei Spirit”相撞，导致万余吨原油泄漏，造成大面积海域污染事故，Kim 等人[15]利用TerraSAR-X, ERS-2, ENVISAT ASAR等SAR卫星图像开展了溢油事故的遥感监测，Tian等人[16,17]利用多源 SAR遥感图像对该事故中海洋溢油的扩散趋势开展了多期次的遥感监测，并验证了“海洋溢油雷达后向散射模型”的有效性。在 2010年 6月美国墨西哥湾“深水地平线”号石油钻井平台溢油污染泄漏事故中，Leifer等人[18]综合运用AVIRIS,MODIS, UAVSAR等机载、星载不同平台，光学、微波等不同传感器的遥感数据探测了海洋溢油。快速、准确、有效地获取海浪的波长和波向等特征参数，对海洋防灾减灾等具有重要社会效益。提取海浪特征参数通常采用2维频谱分析法，即对海浪图像进行2维Fourier变换得到2维波数谱，其峰值反映了海浪的波长与传播方向；对于传播方向的180°模糊问题，可以通过交叉谱等方法解决[19]。2002年，杨劲松等人[20]从海浪传播理论入手，利用海浪的弥散关系，反演了各子图像中海浪主波波长的大小。在近海养殖和海洋渔业遥感监测方面，樊建勇等人[21]利用RADARSAT-1卫星图像研究了海面养殖区的方法。初佳兰等人[22]选用长海县广鹿岛海区的 SAR图像，对图像进行多种方法滤波分析，提取了浮筏养殖用海的范围、面积、浮筏数量和吊笼总数等信息，相对误差优于10.8%。

图8 HJ-1B CCD图像，HJ-1B CCD与HJ-1C SAR融合图像的监督分类结果对比图Fig.8 The supervised classification maps by the HJ-1B CCD image and by the fusion image of HJ-1B CCD with HJ-1C SAR

本文以近海海洋溢油污染监测、近海海浪特征参数反演、近海养殖及渔业捕捞船只监测等为例，分析了HJ-1C卫星SAR图像在近海海洋环境监测方面的应用能力。

3.1 实验区概况

本文选取福建省宁德市霞浦县附近海域作为HJ-1C卫星SAR图像近海海洋环境监测实验区。霞浦县位于福建省东北部，台湾海峡西北岸，全县年水产品总量均在30万吨以上，其中海洋捕捞年产量约15.9万吨，海水养殖年产量约24.3万吨。

3.2 数据源

选取2012年12月14日早6时(北京时间)过境的HJ-1C卫星同一轨道6景连续SAR图像作为近海海洋环境监测实验数据源，数据产品级别均为 2级，具体参数如表4所示，实验区及实验数据的覆盖范围如图9所示。

表4 HJ-1C卫星SAR图像近海海洋环境监测实验数据源Tab.4 The HJ-1C SAR data source employed for the monitoring of marine environment

图9 HJ-1C卫星SAR图像近海海洋环境监测实验区及实验数据覆盖范围Fig.9 The coverage of HJ-1C SAR images for the monitoring of marine environment

3.3 实验过程与结果

3.3.1 近海海洋溢油污染监测 由于海面油膜阻尼了海水的短表面波(毛细波和短重力波)，减小了海水表面张力，降低了海面粗糙度，因此溢油覆盖海面的雷达后向散射强度减弱，在SAR图像中海洋溢油的图像特征为具有不规则形态分布的暗斑[23]。图10(a1)为2011年9月15日ENVISAT ASAR图像捕捉到的海南岛以东附近海域一处条带状海洋溢油及其局部特征放大图，图10(b1)为根据2012年12月14日HJ-1C卫星SAR图像(表4编号2)解译的福建沿海一处海洋溢油及其局部特征放大图。

为了进一步评价HJ-1C卫星SAR图像的近海海洋溢油监测能力，本文对比分析了HJ-1C卫星和欧空局ENVISAT ASAR卫星所探测到的海洋溢油污染物的 SAR图像特征。由于目前 HJ-1C卫星SAR图像无法进行绝对辐射定标处理，本文的分析对象仅限于上述两卫星数据的幅度图像。

图10 SAR图像探测到的海洋溢油Fig.10 Oil spills detected in diversed SAR imageries

首先，利用Envi4.8遥感图像处理软件，分别将图 10(a1)，图 10(b1)中的 ENVISAT ASAR 和HJ-1C卫星图像像元量化级别归一化处理为8 bit。其次，由于HJ-1C卫星数据为单视成像处理模式，为抑制其斑点噪声，采用增强Frost滤波器(窗口大小3×3，阻尼因子1.0，其余参数采用默认值)对其进行一次滤波处理[24]。最后，分别提取 ENVISAT ASAR和HJ-1C两幅卫星图像的海面溢油目标特征(被测像元位于图10(a2)，图10(b2)的黄色区域)。图11给出了统计结果。

由图11可见，ENVISAT ASAR和HJ-1C卫星 SAR图像所探测到的海洋溢油目标的像元 DN值直方图具有相似的“双峰”分布结构：“左峰”由海面溢油像元形成，“右峰”由相邻的海面像元形成。其中，ENVISAT和HJ-1C卫星的溢油目标像元DN值分别为，相邻海面的像元DN值分别为。定义表征海洋溢油对海面雷达后向散射阻尼效应的特征参数[3,14]：

ENVISAT ASAR图像的溢油阻尼系数：

HJ-1C图像的溢油阻尼系数：

由此可见，在中等海况条件下，HJ-1C S波段SAR图像和ENVISAT ASAR C波段SAR图像对于海洋溢油污染物具有相似的探测性能：二图像的海洋溢油阻尼系数σ相差1.3 dB。因此，HJ-1C卫星可以较好地区分海面溢油污染和相邻海洋背景，具有海洋溢油污染监测能力。

图11 海洋溢油的SAR图像特征统计结果Fig.11 The characterizing of oil spills by different SAR imageries

3.3.2 近海海浪特征参数反演 以2012年12月14日早6时过境的HJ-1C卫星SAR图像作为实验数据(表4编号3)。分别选取3幅子图像(对应1024×1024像元，5.12×5.12 km2海域)作为近海海浪特征参数反演样本图像，从左至右依次标记为a, b, c，经FFT处理，保留40 m至160 m波长范围内的谱图像，得到2维波数谱，如图12所示。基于2维波数谱，通过式(1)反演子图像a, b, c的主波波长与传播方向[19]，计算结果如表5所示。

其中，Lp表示海浪波长，θp表示海浪传播方向，kpx与kpy表示波数域峰值坐标。

根据有限深水域的海面重力波弥散关系，即可计算海浪传播周期[19]：

表5 子图像中海浪的主波波长与传播方向Tab.5 The retrived wavelength and direction of the dominant wave within the sub-image

式中T表示海浪传播周期，g表示重力加速度，Lp表示波长，d表示水深。

为了验证本文HJ-1C卫星SAR图像近海海洋环境参数反演结果的可靠性，获取了距离实验海域最近的、与实验数据(表4编号3)成像时间相同的福建黄岐浮标(位置如图12所示)数据，如表6所示。

表6 福建海洋预报台浮标数据(黄岐浮标)Tab.6 The Huang-Qi buoy data provided by the Fujian Marine Forecasts

由于浮标所在位置的海水深度约为25 m(数据来源：http://map.enclive.cn)，据式(2)可计算表5编号a子图像反演的主波波长所对应的周期为6.96 s。与表6浮标数据(2012-12-1406:00)对比可得：本文反演的海浪周期绝对误差为 0.46 s，相对误差为7.1%。

在海浪向近岸浅海海域传播时，浅海地形的变化将引起海浪波长与传播方向的变化，形成海浪的折射与绕射现象[25,26]。本文实验图像位于近岸海域，图像中可见较为清晰的海浪折射与绕射特征，根据近岸海浪波长由c向a递减(表5)，推测海浪传播方向如图12黄色剪头方向所示。

图12 福建近海海域HJ-1C卫星SAR图像(图中方框a, b与c为计算主波波长的子图位置，上方依次为对应的2维波数谱图像，表示推测的海浪传播方向，表示浮标位置)Fig.12 The HJ-1C SAR image (No.4 in Tab.4).The squares labeled with a, b and c refer to the sub-images wherein the wavelength and direction of the dominant wave were retrived respectively, where the 2-D wavenumber spectrums were accordingly attached above.The symbol was corresponding to the location of the Huang-Qi buoy.

3.3.3 近海养殖及渔业捕捞船只监测 以2012年12月14日早6时过境的HJ-1C卫星SAR图像(图13(a))作为实验数据(表4编号1)，以2012年11月11日过境的资源3号卫星多光谱图像(图13(b))作为对比数据，开展了HJ-1C卫星SAR图像近海养殖区监测及养殖区面积提取。由图13(a)可见，近海养殖区在HJ-1C卫星SAR图像中具有规则的纹理结构和清晰的几何边界，雷达后向散射较强，SAR图像解译效果理想，表7给出了该养殖区信息的提取结果。比较而言，该近海养殖区的多光谱彩色合成图像纹理特征(图13(b))不明晰，尤其是对于养殖密度较大的图13(a)的2号，3号区域，多光谱图像的可解译性逊于HJ-1C卫星SAR图像。

以2012年12月14日早6时过境的HJ-1C卫星 SAR图像作为实验数据(表 4编号 6)，经增强Frost滤波、对比度增强等预处理，可以清晰地由图像识别出位于福建省平潭县钟屿附近的渔业捕捞船只，如图14所示。

3.4 实验结论

HJ-1C卫星SAR图像具有近海海洋环境监测的应用能力：可以实现海洋溢油污染物识别与监测、海浪特征参数反演、近海养殖区监测与信息提取、渔业捕捞船只识别与监测等。此外，由于HJ-1C卫星目前只提供单视处理模式的 SAR图像，因此图像斑点噪声比较明显。经对比试验，增强Frost滤波是必要的和较好的降低图像斑点噪声的方法。

表7 基于HJ-1C卫星SAR图像的近海养殖区信息提取结果Tab.7 The features of inshore mariculture identified by the HJ-1C SAR image

4 结束语

图13 HJ-1C卫星SAR图像与ZY-3卫星多光谱图像的近海养殖区特征对比图Fig.13 The inshore mariculture imaged by the HJ-1C SAR in comparison with the ZY-3 CCD

图14 HJ-1C卫星SAR图像近海渔业捕捞船只监测Fig.14 The detection of fishing boat nearby the Zhongyu Island with the HJ-1C SAR image

环境一号C卫星是我国首颗民用合成孔径雷达卫星，为了科学评价该星在环境遥感监测领域的应用能力，充分挖掘其应用潜力，本文开展了基于HJ-1C卫星SAR图像的典型环境遥感应用研究。实验结果表明，HJ-1C卫星SAR图像具有较好的土地利用类型人工解译和地表覆盖分类能力；在海洋溢油污染监测、海浪特征参数反演、近海养殖和渔业捕捞船只监测等近海海洋环境遥感监测方面具有较好的应用前景。在卫星业务化运行之后，如能提供SAR图像的绝对定标常数，HJ-1C卫星SAR图像还可以用于地表参数反演、农作物估产等，这将进一步拓宽HJ-1C卫星数据的遥感应用领域。

[1]Short N, Brisco B, Couture N, et al..A comparison of TerraSAR-X, RADARSAT-2 and ALOS-PALSAR interferometry for monitoring permafrost environments, case study from Herschel Island, Canada[J].Remote Sensing of Environment, 2011, 115(12): 3491-3506.

[2]Evans T L and Costa M.Landcover classification of the lower Nhecolândia subregion of the Brazilian Pantanal Wetlands using ALOS/PALSAR, RADARSAT-2 and ENVISAT/ASAR imagery[J].Remote Sensing of Environment,2013, 128: 118-137.

[3]Migliaccio M, Nunziata F, Montuori A, et al..A multifrequency polarimetric SAR processing chain to observe oil fields in the Gulf of Mexico[J].IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(12): 4729-4737.

[4]Qi Z, Yeh A G O, Li X, et al..A novel algorithm for land use and land cover classification using RADARSAT-2 polarimetric SAR data[J].Remote Sensing of Environment,2012, 118: 21-39.

[5]Pettinato S, Santi E, Brogioni M, et al..The potential of COSMO-SkyMed SAR images in monitoring snow cover characteristics[J].IEEE Geoscience and Remote Sensing Letters, 2013, 10(1): 9-13.

[6]Bovenga F, Wasowski J, Nitti D O, et al..Using COSMO/SkyMed X-band and ENVISAT C-band SAR interferometry for landslides analysis[J].Remote Sensing of Environment, 2012, 119: 272-285.

[7]环境一号 C星获取首幅对地观测影像图[OL].http://news.xinhuanet.com/2012-12/10/c_113973140.htm, 2012.

[8]尤淑撑, 刘顺喜, 徐宗学.星载高分辨率 SAR土地利用调查监测应用潜力评价[J].中国农学通报, 2011, 27(8): 460-463.You Shu-cheng, Liu Shun-xi, and Xu Zong-xue.Evaluation on high spatial resolution SAR data for land use discrimination and land change detection[J].Chinese Agricultural Science Bulletin, 2011, 27(8): 460-463.

[9]dos Santos J R, Gonçalves F G, Dutra L V, et al..Analysis of airborne SAR data (L-band) for discrimination land use/land cover types in the Brazilian Amazon region[C].IEEE Geoscience and Remote Sensing Symposium, 2007,Barcelona, Spain, 2007: 2342-2345.

[10]Jacob A and Ban Y.Fusion of multitemporal ENVISAT ASAR and HJ-1 data for object-based urban land cover classification[C].1st EARSeL Workshop on Temporal Analysis of Satellite Images, Mykonos, Greece, 2012: 1-6.

[11]Cervone G and Haack B.Supervised machine learning of fused RADAR and optical data for land cover classification[J].Journal of Applied Remote Sensing, 2012,6(1): 1-18.

[12]中华人民共和国国土资源部.第二次全国土地调查技术规程(TD/T 1014-2007)[S].北京: 中国标准出版社, 2007.

[13]Loveland T R, Reed B C, Brown J F, et al..Development of a global land cover haracteristics database and IGBP DISCover from 1 km AVHRR data[J].International Journal of Remote S ensing, 2000, 21(6/7): 1303-1330.

[14]2012年中国海洋环境状况公报[OL].http://www.coi.gov.cn/gongbao/huanjing/201304/t20130401_26428.ht ml, 2013.

[15]Kim D, Moon W M, and Kim Y S.Application of TerraSARX data for emergent oil-spill monitoring[J].IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(2): 852-863.

[16]Tian W, Shao Y, Yuan J, et al..Radar backscattering model of oil spill and its applications[C].Proceedings of the 30th Asian Conference on Remote Sensing, Beijing, China, 2009.

[17]Shao Y, Tian W, Wang S, et al..Oil spill monitoring using multi-temporal SAR and microwave scatterometer data[C].Geoscience and Remote Sensing Symposium, Boston, USA,2008, 3: 1378-1381.

[18]Leifer I, Lehr W J, Simecek-Beatty D, et al..State of the art satellite and airborne marine oil spill remote sensing:application to the BP Deepwater Horizon oil spill[J].Remote Sensing of Environment, 2012, 124: 185-209.

[19]Stephan B , Philipp H, Susanne L, et al..Underwater bottom topography in coastal areas from TerraSAR-X data[J].International Journal of Remote Sensin g, 2011, 32(16):4527-4543.

[20]杨劲松, 黄韦艮, 周长宝.星载 SAR海浪遥感中波向确定的一种新方法[J].遥感学报, 2002, 6(2): 113-116.Yang Jin-song, Huang Wei-gen, and Zhou Chang-bao.A new method on wave propagation direction determination from SAR imagery[J].Journal of Remote Sensing, 2002, 6(2):113-116.

[21]樊建勇, 黄海军, 樊辉, 等.利用RADARSAT-1数据提取海水养殖区面积[J].海洋科学, 2005, 29(10): 44-47.Fan Jian-yong, Huang Hai-jun, Fan Hui, et al..Extracting aquaculture area with RADASAT-1[J].Marine Sciences,2005, 29(10): 44-47.

[22]初佳兰, 赵冬至, 张丰收, 等.基于卫星遥感的浮筏养殖监测技术初探—以长海县为例[J].海洋环境科学, 2008, 27(2):35-40.Chu Jia-lan, Zhao Dong-zhi, Zhang Feng-shou, et al..Monitormethod of rafts cultivation by remote sense—a case of Changhai[J].Marine Environmental Science, 2008, 27(2):35-40.

[23]Solberg A H S, Brekke C, and Husoy P O.Oil spill detection in RADARSAT and ENVISAT SAR images[J].IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(3):746-755.

[24]杜培军.RADARSAT图像滤波的研究[J].中国矿业大学学报,2002, 31(2): 132-137.Du Pei-jun.Research on filtering of RADARSAT images[J].Journal of China University of Mining & Technology, 2002,31(2): 132-137.

[25]文圣常, 余宙文.海浪理论与计算原理[M].北京: 科学出版社, 1984: 614-616.Wen Sheng-chang and Yu Zhou-wen.Theories and Computations of Sea Waves[M].Beijing, China, SciencePress, 1984: 614-616.

[26]朱敏慧.SAR的海洋动力探测研究及应用浅析[J].雷达学报,2012, 1(4): 342-352.Zhu Min-hui.Review of ocean dynamical SAR detection[J].Journal of Radars, 2012, 1(4): 342-352.