侯　飛，胡召玲

(1. 江蘇師范大學(xué)測繪學(xué)院，江蘇 徐州 221116； 2. 江蘇師范大學(xué)城市與環(huán)境學(xué)院，江蘇 徐州 221116)

?

地形信息輔助下的全極化SAR數(shù)據(jù)土地覆蓋分類

侯飛1，胡召玲2

(1. 江蘇師范大學(xué)測繪學(xué)院，江蘇 徐州 221116； 2. 江蘇師范大學(xué)城市與環(huán)境學(xué)院，江蘇 徐州 221116)

Land Cover Classification Based on Fully Polarimetric SAR Data Supported by Topography Information

HOU Fei，HU Zhaoling

摘要：提出了地形參數(shù)輔助全極化SAR數(shù)據(jù)土地覆蓋分類的方法，基于規(guī)則判斷的決策樹分類法，建立了全極化SAR數(shù)據(jù)的H/α-Wishart初步分類結(jié)果和地形參數(shù)的相關(guān)規(guī)則，對初步分類結(jié)果進行后處理，獲得了精度較高的土地覆蓋分類結(jié)果。以淮北地區(qū)為研究區(qū)，對全極化SAR數(shù)據(jù)的H/α-Wishart初步分類結(jié)果進行了分析，選取易混淆的土地覆蓋類型樣本，通過樣本統(tǒng)計量確定DEM高程、坡度2種地形參數(shù)的閾值，設(shè)計決策判斷規(guī)則，對初步分類結(jié)果進行了處理。試驗結(jié)果表明，該方法能有效地提取出研究區(qū)內(nèi)的水體、山地、林地、建設(shè)用地、耕地、未利用地6種土地覆蓋類型，水體與建設(shè)用地、建設(shè)用地與山地的陽面、林地與山地陽面的混淆程度得到很大程度的改善，區(qū)分度增大。

關(guān)鍵詞：全極化SAR數(shù)據(jù);DEM數(shù)據(jù);決策樹分類;土地覆蓋;淮北地區(qū)

土地覆蓋分類與信息提取是遙感技術(shù)的重要應(yīng)用之一，也是研究區(qū)域氣候、生態(tài)和環(huán)境等基本狀況的重要基礎(chǔ)[1]。由于受頻繁的云層覆蓋、煙霧、霧霾、沙塵天氣等因素的影響，在關(guān)鍵的監(jiān)測周期，不能獲得理想的光學(xué)遙感圖像[2]，因此單純依靠光學(xué)遙感圖像進行土地覆蓋信息提取與變化監(jiān)測會受到一定程度的影響。而合成孔徑雷達(SAR)因具有全天時、全天候的對地觀測能力[3]，成為當前遙感發(fā)展的前沿技術(shù)之一。與光學(xué)遙感相比，雷達遙感具有多極化、可變觀測角度、寬幅成像等特點，其對探測目標的幾何特征和物理特征也非常敏感[4]。隨著ALOS PALSAR、TerraSAR-X及Radarsat-2等星載SAR系統(tǒng)的成功運行，多波段(X波段、C波段、L波段、P波段)、全極化SAR系統(tǒng)獲取了大量的地面數(shù)據(jù)，已被用于農(nóng)業(yè)、森林、水文、海洋等應(yīng)用領(lǐng)域[5-8]，也為提取與分析土地覆蓋信息提供了必要的數(shù)據(jù)支持[9]。與單極化SAR相比，全極化SAR數(shù)據(jù)中蘊含的極化信息在地物分類、目標檢測、增強與識別中有著更為巨大的應(yīng)用潛力[4-9]。由于受到圖像斑點噪聲及目標的復(fù)雜性等因素影響，與數(shù)據(jù)獲取能力相比，全極化SAR數(shù)據(jù)自動解譯與信息提取技術(shù)的發(fā)展卻相對滯后，僅依靠極化SAR數(shù)據(jù)提取土地覆蓋信息的精度不高；另一方面人類在認識周圍地理環(huán)境的過程中，積累了大量的地學(xué)數(shù)據(jù)和知識，充分利用這些數(shù)據(jù)和知識輔助全極化SAR數(shù)據(jù)分類有望提高其土地覆蓋分類的精度。

數(shù)字高程模型(DEM)作為研究空間變化的基礎(chǔ)數(shù)據(jù)，蘊含著大量的地形結(jié)構(gòu)和特征信息。在光學(xué)遙感圖像分類中引入地形信息，如高程、坡度、坡向等輔助數(shù)據(jù)，對于提高土地利用信息提取的精度、分析土地利用變化的特點具有突出的作用[10-11]。地物在極化SAR圖像上的后向散射特征也極易受地形因素的影響，如由于接受不到微波信號，山坡的陰面與陽面呈現(xiàn)不同的散射特征。

本文研究利用地形參數(shù)作為輔助數(shù)據(jù)參與全極化SAR數(shù)據(jù)土地覆蓋分類，提出基于規(guī)則判斷的決策樹分類法，建立全極化SAR數(shù)據(jù)的土地覆蓋初步分類結(jié)果和地形參數(shù)相關(guān)規(guī)則，對初步分類結(jié)果進行后處理，以獲得精度較高的土地覆蓋分類結(jié)果。以淮北地區(qū)為研究區(qū)，首先對全極化SAR數(shù)據(jù)進行極化Cloude分解，獲得地物的極化特征參數(shù)H和α，再利用Wishart分類器進行非監(jiān)督分類，獲得土地覆蓋分類的H/α-Wishart初步分類結(jié)果，并對易混淆的土地覆蓋類型進行分析。在研究區(qū)選取易混淆的土地覆蓋類型樣本，通過樣本統(tǒng)計量確定DEM高程、坡度這2種地形參數(shù)的閾值，設(shè)計決策判斷規(guī)則，對初步分類結(jié)果進行處理，從而獲得精度較高的土地覆蓋分類圖。

一、數(shù)據(jù)來源與研究區(qū)概況

本文的SAR數(shù)據(jù)來源于加拿大Radarsat-2衛(wèi)星，波束模式為精細全極化模式，產(chǎn)品級別為地理參考產(chǎn)品的單視復(fù)數(shù)據(jù)(SLC)，數(shù)據(jù)的獲取時間是2013年9月12日，其距離向分辨率為5.4 m，方位向分辨率為8.0 m，重采樣為12.5 m×12.5 m。選取安徽省淮北市西北部的一景全極化SAR數(shù)據(jù)為試驗數(shù)據(jù)。數(shù)據(jù)的行政區(qū)范圍包括安徽省淮北市相山區(qū)、杜集區(qū)及烈山區(qū)的部分區(qū)域、安徽省蕭縣和濉溪縣、河南省永城市的部分區(qū)域，如圖1所示，面積約625 km2。研究區(qū)的東部分布有相山及其周圍的小山丘，由東北向西南延伸，其余為沖積平原。南沱河、王引河、洪河、新申河、新港河、湘西河、新濉河、蕭濉河貫穿而過。區(qū)內(nèi)分布有大大小小的煤礦，長期采煤塌陷形成的礦山湖點綴其中，有的礦山湖及其周邊塌陷的土地經(jīng)過多年的復(fù)墾治理，建成了城市濕地公園，如淮北市南湖國家城市濕地公園和東湖濕地公園。區(qū)內(nèi)主要的土地覆蓋類型有城市建設(shè)用地、農(nóng)村居民點、耕地、林地、水體、山地等。

圖1　研究區(qū)

二、全極化SAR數(shù)據(jù)的極化分解與分類

1. 極化分解

極化SAR圖像上每個像素對應(yīng)一個極化散射矩陣(即Sinclair矩陣)，該矩陣記錄了目標散射回波的相位信息、幅度信息及極化信息等，這些信息是研究全極化SAR圖像分類與目標識別的理論基礎(chǔ)。

將Sinclair散射矩陣記為S矩陣，其表達式為

(1)

式中，Svh表示水平發(fā)射極化波時垂直接收到的極化分量。對于互易介質(zhì)，散射矩陣具有對稱形式，即Shv=Svh。

在Pauli基下，SAR圖像觀測值可由三維極化目標向量k表示

(2)

目標的極化信息可以由相干矩陣T3表示

T3=k·k*T

(3)

式中，上標“T”表示向量的轉(zhuǎn)置；“*”表示矩陣或向量的共軛。

由于相干矩陣T3是半正定的Hermite矩陣，由Cloude分解，將其進一步分解成3個獨立的矩陣之和，其中每一矩陣對應(yīng)一種散射機制

(4)

式中，T3i表示第i種散射機制；λi、ui表示T3的特征值和特征向量，其中λi反映第i種散射機制的散射強度。

散射熵H定義為

式中，αi∈[0°,90°]，為散射體的內(nèi)部自由度，對應(yīng)一定的散射類型。

H表征的是散射媒質(zhì)的隨機性程度，其取值范圍為0～1，表示散射媒質(zhì)從各向同性散射(H=0)到完全隨機散射的隨機性(H=1)。若H值偏低，說明整個系統(tǒng)弱去極化，占優(yōu)勢的目標散射矩陣部分為最大特征值對應(yīng)的特征向量。若H偏高，說明目標去極化效應(yīng)很強，目標不再只包含唯一等價的散射矩陣，需要考慮所有的特征值。參數(shù)α是與散射機制密切相關(guān)的一個參數(shù)，其取值范圍是0～90°，表示從表面散射到體散射，再到二面角散射的平均散射機制。H-α可用來劃分不同的散射機制：表面散射、二次散射和體散射。

2. 全極化SAR數(shù)據(jù)分類

Cloude等通過分解所得的散射熵H和散射角α構(gòu)成的平面進行區(qū)域劃分，得到不同散射屬性的8種分類結(jié)果，Lee等結(jié)合H/α與地物的復(fù)Wishart統(tǒng)計分布，提出了H/α-Wishart非監(jiān)督分類法[13]。根據(jù)該分類法，參考高分辨率光學(xué)遙感圖像，將研究區(qū)的土地覆蓋類型分為6種類型，分別為：水體、山地、林地、建設(shè)用地、耕地、未利用地，分類結(jié)果如圖2(a)所示。

由圖2(a)可知，研究區(qū)東部的相山及其周圍的小山丘等山地，由于受地形因素的影響，電磁波不能到達山地的陰面，地物返回的后向散射信號非常微弱，而研究區(qū)的水體也由于表面比較平滑，后向散射信號強度也非常小，單純依靠H/α這兩種極化參數(shù)，很難將它們區(qū)分開來，導(dǎo)致山地陰面與水體混為一類。由于土地覆蓋類型與散射機制之間并非是一一對應(yīng)的關(guān)系，不同的土地覆蓋類型在一定程度上存在著分類模糊現(xiàn)象，特別是山地由于受地形、表面覆蓋物及其結(jié)構(gòu)的影響，呈現(xiàn)出復(fù)雜的后向散射特征，除了山地陰面與水體之間的混淆以外，山地的陽面與建設(shè)用地、林地之間均存在一定程度的混淆現(xiàn)象，分類精度不高。

三、DEM參與的SAR數(shù)據(jù)土地覆蓋分類

由圖2(a)可知，僅依靠地物的極化信息進行土地覆蓋分類，錯分、誤分現(xiàn)象嚴重，分類精度低，其中山地陰面與水體、水體與建設(shè)用地、建設(shè)用地與山地的陽面、林地與山地的區(qū)分度均不高，山地由于受其地形、表面覆蓋物及結(jié)構(gòu)的影響，在SAR圖像上呈現(xiàn)出復(fù)雜的圖像特征，與其他土地覆蓋類型極易混淆。而研究區(qū)內(nèi)的山地地勢相比周圍的沖積平原要高得多，本文提出DEM參與的全極化SAR數(shù)據(jù)決策樹分類法在對研究區(qū)進行土地覆蓋分類時，首先在研究區(qū)選取易混淆土地覆蓋類型的樣本，再通過樣本觀測方法確定地形參數(shù)的閾值，建立判斷規(guī)則，最后將全極化SAR數(shù)據(jù)的H/α-Wishart的初步分類結(jié)果與規(guī)則判斷相結(jié)合，對初步分類結(jié)果進行后處理獲得土地覆蓋的最終分類結(jié)果，從而提高了分類精度。

在易混淆的山地、水體、建設(shè)用地、林地這4種土地覆蓋類型中選取樣本區(qū)，每種土地覆蓋類型選取300個樣本點，計算出地形參數(shù)高程、坡度的樣本統(tǒng)計量最小值(min)、最大值(max)、均值(u)和標準方差(s)，見表1。

表1　易混淆土地覆蓋類型地形參數(shù)的樣本統(tǒng)計量

由表1可知，這4種土地覆蓋類型的地形參數(shù)存在差異，水體的高程值小，坡度為零，與其他3種土地覆蓋類型的參數(shù)存在顯著差異，山地的高程值、坡度值均最大，林地和建設(shè)用地的高程值存在一定程度的重疊，僅依靠地形參數(shù)很難將這2類土地覆蓋類型的區(qū)分開。根據(jù)圖2(a)、表1，采用“IF(條件)，THEN(結(jié)論)”的基本形式表達判斷規(guī)則，建立的判斷規(guī)則如下：

IF DEM>25 & slope>2°(landcover=山地 or 水體)THEN 山地

IF DEM>=19 & DEM<=30 & slope<=2°&(landcover=山地 or 林地) THEN 林地

IF DEM>=21 & DEM<=42 & slope<=2°&(landcover=山地 or 建設(shè)用地)THEN建設(shè)用地

綜上，全極化SAR數(shù)據(jù)預(yù)處理及DEM參與的分類過程如下：

1) 采用增強的Lee濾波法對全極化SAR數(shù)據(jù)進行濾波處理，窗口尺寸設(shè)為5×5。

2) 對濾波后的SAR數(shù)據(jù)進行幾何糾正。

3) 對濾波與幾何糾正后的全極化SAR數(shù)據(jù)進行Cloude分解，提取出極化特征參數(shù)H和α。

4) 采用Wishart分類器對H和α進行非監(jiān)督分類，獲得土地覆蓋初步分類結(jié)果。

5) 對柵格DEM數(shù)據(jù)進行雙線性內(nèi)插，使每個柵格所對應(yīng)的地面尺寸與SAR數(shù)據(jù)的地面分辨率一致，也為12.5 m×12.5 m。利用DEM高程數(shù)據(jù)計算出坡度參數(shù)。

6) 根據(jù)DEM原始高程數(shù)據(jù)、坡度數(shù)據(jù)和所提出的判斷規(guī)則，對圖2(a)所示的土地覆蓋初步分類結(jié)果進行后處理，獲得最終土地覆蓋分類結(jié)果，如圖2(b)所示。

圖2　全極化SAR圖像分類圖

由圖2(b)可以明顯看出，DEM參與的全極化SAR圖像分類法能有效地區(qū)分山地陰面與水體這2種土地覆蓋類型，淮北市北部的相山山脈及其附近的小山丘被提取出來，市區(qū)南部的南湖和東部礦區(qū)的采煤塌陷形成的積水區(qū)及流經(jīng)區(qū)內(nèi)的河流也被提取出來。水體與建設(shè)用地、建設(shè)用地與山地的陽面、林地與山地陽面的混淆程度也有很大程度的改善，但區(qū)內(nèi)的道路應(yīng)屬于建設(shè)用地，它與水體還有所混淆，原因是道路和水體均屬于表面散射，地形參數(shù)也比較接近，僅憑極化參數(shù)H/α和地形參數(shù)很難將它們區(qū)分開。

四、結(jié)束語

全極化SAR數(shù)據(jù)經(jīng)極化分解后提取的極化特征參數(shù)H和α可反映地物的散射機制，利用H/α-Wishart分類算法所獲得的分類結(jié)果雖然可以分出一些土地覆蓋類型，但由于土地覆蓋類型與散射機制之間并非是一一對應(yīng)的關(guān)系，土地覆蓋類型的后向散射特征還受地形因素的影響，因此不同的土地覆蓋類型在一定程度上存在著分類模糊現(xiàn)象，特別是山地由于受地形、表面覆蓋物及其結(jié)構(gòu)的影響，呈現(xiàn)出復(fù)雜的后向散射特征，山地的陰面、陽面與水體、建設(shè)用地、林地之間均有一定程度的混淆現(xiàn)象，分類精度不高。本文提出了DEM數(shù)據(jù)參與全極化SAR數(shù)據(jù)分類的方法，建立了基于全極化SAR數(shù)據(jù)的土地覆蓋初步分類結(jié)果和地形參數(shù)相關(guān)規(guī)則，采用基于規(guī)則判斷的決策樹分類法對H/α-Wishart初步分類結(jié)果進行了后處理，獲得了精度較高的土地覆蓋分類結(jié)果。試驗結(jié)果表明，該方法能有效地提取出研究區(qū)內(nèi)的水體、山地、林地、建設(shè)用地、耕地、未利用地這6種土地覆蓋類型。為進一步提高全極化SAR數(shù)據(jù)自動分類精度和速度，應(yīng)充分利用極化分解所產(chǎn)生的相干矩陣，還應(yīng)提取出一些極化特征參數(shù)。而如何利用這些參數(shù)和土地覆蓋的紋理信息，選擇最優(yōu)的分類特征進行分類還有待于進一步研究。

參考文獻：

[1]王賀，陳勁松，余曉敏. 面向?qū)ο蠓诸愄卣鲀?yōu)化選取方法及其應(yīng)用[J]. 遙感學(xué)報，2013,17(4):816-829.

[2]BAN Y, JACOB A. Object-based Fusion of Multitemporal Multiangle ENVISAT ASAR and HJ-1B Multispectral Data for Urban Land-cover Mapping [J]. IEEE Transactions on Geoscience and Remote Sensing, 2013,51(4): 1998-2006.

[3]郎豐鎧，楊杰，趙伶俐，等.基于Freeman散射熵和各向異性度的極化SAR影像分類算法研究[J]. 測繪學(xué)報，2012,41(4):556-562.

[4]徐怡波，賴錫軍，周春國. 基于ENVISAT ASAR數(shù)據(jù)的東洞庭湖濕地植被遙感監(jiān)測研究[J]. 長江流域資源與環(huán)境,2010,19(4):452-459.

[5]郝亞東，李聚方，唐紅梅.基于K-L 變換的多極化SAR 圖像檢索研究[J]. 測繪通報，2012(9):20-25.

[6]PARK S, YAMAGUCHI Y, SINGH G, et al. Polarimetric SAR Response of Snow-covered Area Observed by Multi-temporal ALOS PALSAR Fully Polarimetric Mode [J]. IEEE Transactions on Geoscience and Remote Sensing, 2014,52(1):329-340.

[7]ANTROPOV O, RAUSTE Y, ASTOLA H, et al. Land Cover and Soil Type Mapping from Spaceborne PolSAR Data at L-band with Probabilistic Neural Network [J]. IEEE Transactions on Geoscience and Remote Sensing, 2014,52(9):5256-5270.

[8]JUAN M L, FERNANDO V, DAVID J， et al. Polarimetric Response of Rice Fields at C-band: Analysis and Phenology Retrieval [J]. IEEE Transactions on Geoscience and Remote Sensing, 2014,52(5):2977-2993.

[9]MISHRA P, SINGH D. A Statistical-measure-based Adaptive Land Cover Classification Algorithm by Efficient Utilization of Polarimetric SAR Observables [J]. IEEE Tran-sactions on Geoscience and Remote Sensing, 2014,52(5):2889-2900.

[10]李丹，劉丹丹，趙金祥. 基于DEM的山區(qū)土地利用變化分析[J]. 水土保持研究,2014,21(1):66-70.

[11]李巍，翟亮，葛小三，等. 結(jié)合DEM的地表覆蓋自相關(guān)性分析[J]. 測繪與空間地理信息,2014,37(2):74-79.

[12]CLOUDE S R, POTTIER E. An Entropy-based Classification Scheme for Land Application of Polarimetric SAR [J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(1): 68-78.

[13]LEE J, Pottier E. Polarimetric RADAR Imaging from Basics to Applications [M]. Boca Raton, FL：CRC Press, 2009.

中圖分類號：P237

文獻標識碼：B

文章編號：0494-0911(2016)03-0040-04

通信作者：胡召玲

作者簡介：侯飛(1972—)，男，高級實驗師，主要從事測繪與3S應(yīng)用方面教學(xué)及研究工作。E-mail: houfei@jsnu.edu.cn

基金項目：國家自然科學(xué)基金(41101428)；江蘇師范大學(xué)自然科學(xué)基金(13XLA07)

收稿日期：2015-03-03

引文格式： 侯飛，胡召玲. 地形信息輔助下的全極化SAR數(shù)據(jù)土地覆蓋分類[J].測繪通報，2016(3)：40-43.DOI:10.13474/j.cnki.11-2246.2016.0082.