段素素+依力亞斯江·努爾麥麥提+郭莉丹

摘要：采用Krogager、Pauli兩種極化目標分解方法，分別構(gòu)建基于支持向量機（Support Vector Machine， SVM）的分類模型（分別簡稱Krogager-SVM和Pauli-SVM），以渭干河-庫車河三角洲綠洲地區(qū)（渭-庫綠洲）為研究區(qū)域，利用全極化合成孔徑雷達（Polarimetric Synthetic Aperture Radar，PolSAR）遙感影像數(shù)據(jù)，進行干旱區(qū)典型綠洲不同程度鹽漬化信息的提取研究。結(jié)合野外實地驗證數(shù)據(jù)，將兩種模型的分類結(jié)果與傳統(tǒng)SVM分類作對比分析。結(jié)果表明，Krogager-SVM和Pauli-SVM模型改善了傳統(tǒng)干旱區(qū)鹽漬化分類方法，其總體精度從74.17%（傳統(tǒng)SVM）分別提高到了80.598 0%和82.387 6%，分別提高了6.43個百分點和8.21個百分點（Kappa系數(shù)分別提高0.08和0.12）。表明本研究所提出的分類模型在PolSAR數(shù)據(jù)的鹽漬化信息提取方面有著一定的潛力。

關(guān)鍵詞：鹽漬化；PolSAR；Pauli分解；Krogager分解；SVM

中圖分類號：S156.4 文獻標識碼：A 文章編號：0439-8114（2018）02-0110-05

DOI：10.14088/j.cnki.issn0439-8114.2018.02.028

Abstract： Two classification models（namely Krogager-SVM and Pauli-SVM） on bases of Support Vector Machine （SVM） wereproposed and conductedrespectively，through using Krogager and Pauli polarization decomposition methods. A fully polarimetric synthetic aperture radar（SAR） remote sensing data was utilized over the study area（on the delta oasis between the Weigan and Kuche River in Xinjiang， China），and different degrees of salinizized soil information in the typical oasis of arid area was extacted. Then by adopting the field verification data comparison and corresponding analysis was conducted between the classification results of proposed methodology and traditional SVM classification method. The results show that the Krogager-SVM and Pauli-SVM classification models improved classification accuracy in contrast with the traditional classification method for soil salinization extraction in the arid regions，and the overall accuracy enhanced from 74.17% to 80.598 0% and 82.387 6% respectively（increased by 6.43% and 8.21%，and the kappa coefficients increased by 0.08 and 0.12 respectively）. This indicates that the classification models proposed in this paper have some potential in the soil salinization extraction by using fully PolSAR data.

Key words： salinization； PolSAR； Pauli decomposition； Krogagger decomposition； SVM

干旱區(qū)土壤鹽漬化是土地退化的主要形式之一。據(jù)統(tǒng)計全球的鹽漬化土地面積達到9.52×108 km2，占地球陸地面積的7.26%[1]，表明土壤鹽漬化已成為一個全球性問題[2]。中國的鹽漬土分布廣、面積大，其中較為嚴重的是西部地區(qū)，西部六省就占有全國鹽漬土面積的69.03%[3]。新疆的鹽漬土范圍廣、種類多，被稱為世界鹽漬土的博物館[4]。如何快速并準確地獲取有關(guān)鹽漬化程度及其分布的有關(guān)信息，對于鹽漬化的防治具有重要意義。

目前，光學遙感雖然應(yīng)用廣泛、解譯方法比較成熟，但光學遙感受天氣與時間的限制比較大。而對于雷達遙感來說，因其具有全天候、全天時、穿透性等特點，可以很好解決以上限制，彌補光學遙感的不足之處，適用于研究土壤鹽漬化的問題[5]，繼而成為獲取鹽漬化不同程度信息及分布的有效技術(shù)手段。本研究選擇的數(shù)據(jù)來源于目前最先進的商用雷達成像系統(tǒng)——全極化合成孔徑雷達（Polarimetric Synthetic Aperture Radar，PolSAR）。相比于傳統(tǒng)雷達遙感，其可以獲取4種極化方式（HH極化、HV極化、VH極化、VV極化）的影像，所獲取的地物目標信息更加豐富。但是雷達相較于光學遙感起步晚，解譯手段也不夠成熟。另外，在鹽漬化監(jiān)測及鹽漬地信息提取研究上，大多數(shù)研究還處于初步探索階段[6-8]，如何準確有效地提取全極化數(shù)據(jù)的極化散射特征信息，獲得高精度的分類算法已成為一個重要的研究課題[9]。雖然經(jīng)過國內(nèi)外專家學者的積極探索，已經(jīng)提出了很多關(guān)于SAR影像極化特征分解的方法[10-12]以及許多適合于全極化SAR影像的分類算法[13-15]，但是在全極化數(shù)據(jù)準確獲取反映地物實際特征方面還存在問題。全極化PolSAR數(shù)據(jù)及其極化特征分解為提取干旱區(qū)鹽漬地信息等方面提供了一種有效的手段[16]。endprint

為了較好地利用全極化PolSAR數(shù)據(jù)及其極化特征信息，本研究采用ENVI5.3軟件中的SARscape模塊對研究區(qū)全極化雷達遙感影像進行預(yù)處理以及極化分解操作，將兩種極化分解得到的極化特征分別組合成特征量，然后分別選取一定的訓練樣本進行鹽漬化程度的分類，根據(jù)野外實地驗證數(shù)據(jù)，將兩種分類結(jié)果與傳統(tǒng)SVM分類結(jié)果進行對比分析和精度驗證。

1 研究方法

1.1 極化目標分解

目標分解理論最早是由1970年荷蘭學者Huynen[17]在其博士論文《雷達目標唯象理論》中提出的。自20世紀80年代后期以來，眾多專家和學者在此基礎(chǔ)上不斷探索，使得目標分解理論蓬勃發(fā)展，逐漸形成了較為完整的理論體系[18]。目標分解的主要思想是將一個隨機媒質(zhì)散射問題的各種矩陣表現(xiàn)形式（如散射矩陣、Mueller矩陣、協(xié)方差矩陣、相干矩陣等）描述為基本散射矩陣之和（或之積）的形式，并將基本散射矩陣與相映的物理機制對映起來[19]。鑒于相干分解具備操作簡單、計算量小、有利于減少相干斑噪聲且極化分解特征量可與某種確定的物理散射機理相對應(yīng)等優(yōu)點，因此本研究選擇Pauli分解和Krogager分解[20]這兩種相干分解方法對影像極化散射信息進行提取與分析。對于合成孔徑雷達數(shù)據(jù)來說，最簡單的相干分解方法為Pauli極化分解方法[16，21]，是采用Pauli作為基本散射矩陣進行分解的。設(shè)Pauli為{Sa，Sb，Sc，Sd}，公式如下：

式中，H表示共軛轉(zhuǎn)置矩陣；*表示共軛；||表示向量的模。另外本研究還運用Krogager 分解得到代表球、二面角和螺旋體的3種散射矩陣。

1.2 支持向量機（SVM）

支持向量機（Support Vector Machine，SVM）由Vapnik[22，23]在20世紀90年代提出的一種機器學習的方法。SVM是從線性可分情況下的最優(yōu)分類超平面（Optimal Hyperplane，OHP）發(fā)展而提出來的。這種分類算法對于解決小樣本、非線性及高維模式識別等問題具有優(yōu)越性，適合用于結(jié)構(gòu)復(fù)雜且噪聲干擾嚴重的SAR圖像，因此本研究選擇這種精度高且穩(wěn)定性好的分類算法進行鹽漬化信息的提取。采用SVM模型對遙感圖像分類，需要選擇合適的核函數(shù)。研究表明，徑向基核函數(shù)（Radial Basis Function，RBF）的分類精度一般要比多項式核函數(shù)（Polynomial）、Sigmoid核和線性核函數(shù)（Linear）的精度高。因此本研究選用RBF函數(shù)作為核函數(shù)。

2 試驗結(jié)果與分析

2.1 研究區(qū)域概況與數(shù)據(jù)資料

2.1.1 研究區(qū)域概況 研究區(qū)域位于83°06′30″～83°31′40″E，41°24′45″～41°44′50″N。研究區(qū)域渭-庫綠洲位于天山南麓，是典型的山前沖積平原，屬于大陸性暖溫帶干旱氣候，年均降水量為46.5 mm，年均蒸發(fā)量為1 374.1 mm，降水量遠低于蒸發(fā)量，年內(nèi)分配不均，極端干旱。受地形、氣候、水文等因素的影響，該區(qū)域鹽漬化現(xiàn)象較為嚴重。研究區(qū)域是新和、沙雅和庫車3縣經(jīng)濟發(fā)展的核心地帶，鹽漬化現(xiàn)象嚴重影響了該地經(jīng)濟等方面的可持續(xù)發(fā)展。

2.1.2 數(shù)據(jù)資料 選用2014年7月4日成像的Radarsat-2全極化（包括HH、VV、HV、VH4種極化方式）單視復(fù)圖像（Single Look Complex，SLC）數(shù)據(jù)。在綜合比較圖像質(zhì)量后，選取2014年9月14日Landsat8 OLI影像（圖1a）數(shù)據(jù)為試驗的輔助材料。另外，還收集了有關(guān)統(tǒng)計資料（包括地型、氣象、水文、人口、社會、經(jīng)濟等）以及矢量數(shù)據(jù)、文獻等資料。

采用ENVI5.3軟件的SARscape模塊，實現(xiàn)全極化SAR影像的導(dǎo)入及預(yù)處理。數(shù)據(jù)預(yù)處理過程主要包括多視處理、相干斑濾波、數(shù)字高程模型提取等。本研究將導(dǎo)入的PolSAR影像進行多視處理（在圖像的距離向分辨率和方位分辨率做平均）。其中多視比設(shè)為5∶2，經(jīng)處理降低了相干斑的影響，提高了輻射分辨率，繼而采用效果較好的Refined Lee濾波算法進行相干斑噪聲的抑制。將SAR數(shù)據(jù)從斜距投影轉(zhuǎn)換為地理坐標投影，需要在圖像濾波的基礎(chǔ)上提取圖像的數(shù)字高程模型，進行地理編碼及輻射定標的校正（本研究影像的投影方式為UTM、Zone 44 North、Datum：WGS-84）。經(jīng)過全極化雷達圖像的預(yù)處理操作后，有效減少了影像的相干斑噪聲，對幾何變形、輻射畸變等進行了校正（圖1b）。

2.2 試驗結(jié)果與分析

在圖像預(yù)處理的基礎(chǔ)上，對雷達圖像進行Pauli和Krogager極化分解，獲取與物理散射機制相對應(yīng)的極化特征分量。將Pauli、Krogager極化分解得到的極化散射信息分別組合成一個特征量，選取一定量的訓練樣本，結(jié)合高精度的SVM算法進行兩種分類模型的分類，提取不同程度鹽漬化的信息。將結(jié)果與傳統(tǒng)的SVM監(jiān)督分類進行結(jié)果對比和精度驗證，分類效果對比見圖2。

從Pauli-SVM分類結(jié)果看出，從全局看大部分的鹽漬地集中分布在庫車河的下游以及典型綠洲的東和東南部地區(qū)。鹽漬地在綠洲外部主要呈現(xiàn)片狀分布，而在綠洲內(nèi)部則呈條狀分布，另外重度鹽漬地在中-輕度鹽漬地中交錯分布。從分類結(jié)果還能看出，Pauli-SVM分類結(jié)果較為理想，傳統(tǒng)SVM分類結(jié)果較差，中-輕度與重度鹽漬地錯分現(xiàn)象比較嚴重，且分布比較細碎，“椒鹽”現(xiàn)象較多，Krogager-SVM與Pauli-SVM分類的結(jié)果較為相近，能較好地區(qū)分中-輕度與重度鹽漬地信息，減少了“椒鹽”現(xiàn)象。相比傳統(tǒng)SVM分類算法，本研究提出的兩種分類模型在不同程度鹽漬地的提取中體現(xiàn)出了一定的優(yōu)越性。

根據(jù)野外考察的驗證樣本數(shù)據(jù)，對SVM、Krogager-SVM、Pauli-SVM 3種模型的分類結(jié)果的精度進行混淆矩陣評價，評價指標包括分類總體精度、用戶精度、生產(chǎn)者精度等指標（表1）。endprint

從混淆矩陣可以看出，本研究提出的基于Pauli分解的SVM分類和基于Krogager分解的SVM分類方法比傳統(tǒng)SVM分類精度高，相比傳統(tǒng)SVM分類，Krogager-SVM和Pauli-SVM分類模型的總體精度從74.170 9%分別提高到了80.598 0%和82.387 6%，分別提高了6.43個百分點和8.21個百分點（kappa系數(shù)上分別提高了0.08和0.12）。在重度鹽漬化信息提取方面，相比傳統(tǒng)SVM分類算法，其精度從68.16%分別提高到70.80%和79.27%。中-輕度鹽漬化信息的分類精度提高最明顯，Krogager-SVM和Pauli-SVM分類模型的生產(chǎn)者精度從SVM分類模型的71.15%分別提高到84.01%和84.95%。未經(jīng)過極化分解的全極化數(shù)據(jù)其分類精度較低，尤其是對于鹽漬化信息的提取效果相對較差，其原因可能是全極化PolSAR數(shù)據(jù)未經(jīng)過極化分解處理，使得其豐富的極化信息不能被有效地利用，不利于地物的識別，導(dǎo)致其分類精度較低。另外，經(jīng)過Krogager、Pauli極化分解處理，所提取的極化特征具有明顯的物理含義，可以很好地擴大地物之間的差異性，有利于區(qū)分不同地物類型，尤其對不同程度鹽漬地的識別較為有效。本研究提出的Krogager-SVM和Pauli-SVM分類模型提高了鹽漬化信息的提取精度，在鹽漬化的提取方面具有一定的優(yōu)越性。

3 小結(jié)

本研究利用全極化合成孔徑雷達（PolSAR）數(shù)據(jù)，采用Pauli和Krogager極化分解的特征量分別與高精度的SVM分類算法相結(jié)合，構(gòu)建了Krogager-SVM和Pauli-SVM的分類模型，對研究區(qū)進行鹽漬化信息的提取研究?；谝巴怛炞C樣本數(shù)據(jù)，對該分類模型的精度進行評價與驗證。結(jié)果表明，該方法在中-輕度鹽漬化、重度鹽漬化以及總體精度上均有提高，充分利用了全極化合成孔徑雷達的極化信息。

1）通過兩種極化分解方法獲取了6個特征參數(shù)，分別為Pauli_K1、Pauli_K2、Pauli_K3和Krogager_KD、Krogager_KH、Krogager_KS，從而為本研究提出的兩種分類模型Pauli-SVM和Krogager-SVM的構(gòu)建提供了極化特征信息。

2）通過與傳統(tǒng)SVM分類結(jié)果的定性和定量對比分析表明，Pauli-SVM分類模型的分類精度最高，其分類總精度和Kappa系數(shù)分別為82.387 6%和0.769 7，其次是Krogager-SVM方法（82.38%和 0.77%），傳統(tǒng)SVM分類方法的分類精度最低，僅為74.170 9%和0.662 1。相對而言，本研究提出的分類模型能更有利于不同程度鹽漬地的識別，可較有效地減小雷達圖像的“椒鹽”現(xiàn)象。

3）本研究提出的分類模型對中-輕度和重度鹽漬地信息的提取精度有比較明顯的提高，具體表現(xiàn)為Krogager-SVM和Pauli-SVM分類器較傳統(tǒng)SVM分類算法，重度鹽漬地提取精度從68.16%分別提高到70.80%和79.27%，中-輕度鹽漬地的精度提高最為顯著，從71.15%分別提高到 84.01%和84.95%。因此，基于極化分解的SVM分類模型更利于鹽漬地信息的提取。

參考文獻：

[1] 李鳳全，吳樟榮.半干旱地區(qū)土地鹽堿化預(yù)警以吉林省西部土地鹽漬化預(yù)警為例[J].水土保持通報，2002，22（1）：57-59.

[2] METTERNICHT G I，ZINCK J A.Remote sensing of soil salinity：Potentials and constraints[J].Remote Sensing of Environment，2003，85（1）：1-20.

[3] 水利部計劃司，農(nóng)水司，中國水利水電科學研究院.全國灌溉面積發(fā)展“九五”計劃及2010年規(guī)劃[R].1997.

[4] 王遵親.中國鹽漬土[M].北京：科學出版社，1993.

[5] 李生勇，霍軼珍，王海霞.內(nèi)蒙古自治區(qū)河套灌區(qū)凍結(jié)期土壤鹽分的多極化雷達響應(yīng)分析[J].江蘇農(nóng)業(yè)科學，2016，44（3）：348-352.

[6] METTERNICHT G I. Fuzzy classification of JERS-1 SAR data：An evaluation of its performance for soil salinity mapping[J].Ecological Modelling，1998，111（1）：61-74.

[7] LHISSOU R，CHOKMANI K，HARTI A E，et al. Soil salinity estimation using RADARSAT 2 polarimetric data in arid and sub-arid regions：Morocco and Tunisia cases[J].Egu General Assembly，2013，15：1-10.

[8] LI Y Y，ZHAO K，DING Y L，et al. An empirical method for soil salinity and moisture inversion in west of Jilin[J].Proceedings of E International Conference on Remote Sensing Environment & Transportation Engineering，2013，31（6）：19-21.

[9] 陳勁松，邵 蕓，董 慶，等.全極化SAR數(shù)據(jù)信息提取研究[J].遙感技術(shù)與應(yīng)用，2003，18（3）：153-158.

[10] CLOUDE S R. Target decomposition theorems in radar scattering[J]. Electronics Letters，2007，21（1）：22-24.endprint

[11] FREEMAN A. Fitting a two-component scattering model to polarimetric SAR data from forests[J].IEEE Transactions on Geoscience and Remote Sensing，2007，45（8）：2583-2592.

[12] YAMAGUCHI Y，MORIYAMA T，ISHIDO M，et al. Four-component scattering model for polarimetric SAR image decomposition[J].IEEE Transactions on Geoscience and Remote Sensing，2005，43（8）：1699-1706.

[13] LEE J S，GRUNES M R，POTTIER E，et al. Unsupervised terrain classification preserving polarimetric scattering characteristics[J].IEEE Transactions on Geoscience and Remote Sensing，2004，42（4）：722-731.

[14] POTTIER E，LEE J S. Application of the《H/A/α》 polarimetric decomposition theorem for unsupervised classification of fully polarimetric SAR data based on the Wishart distribution[J].Proceeding of Committeeon Earth Observing Satellites SAR Workshop Toulouse，2000，450：335-340.

[15] 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影像分算法研究[J].測繪學報，2012，41（4）：556-562.

[16] 依力亞斯江·努爾麥麥提，塔西甫拉提·特依拜，丁建麗，等.基于多種極化分解方法和全極化合成孔徑雷達數(shù)據(jù)的干旱區(qū)鹽漬化監(jiān)測[J].農(nóng)業(yè)工程學報，2015，31（23）：145-153.

[17] HUYNEN J R. Phenomenological Theory of Radar Targets[D].Netherlands：Technical University of Delft，1970.

[18] 吳尚蓉，任建強，陳仲新，等.基于三分量分解優(yōu)化模型的農(nóng)用地SAR影像提取方法[J].農(nóng)業(yè)工程學報，2015，31（2）：266-276.

[19] CLOUDE S R，POTTIER E. A review of target decomposition theorems in radar polarimetry[J].IEEE Trans Geosci Remote Sens，1996，34（2）：498-518.

[20] KROGAGER E. New decomposition of the radar target scattering matrix[J].Electronics Letters，1990，26（18）：1525-1527.

[21] 陳 軍，杜培軍，譚 琨.一種基于Pauli分解和支持向量機的全極化合成孔徑雷達監(jiān)督分類算法[J].科學技術(shù)與工程，2014， 14（17）：104-142.

[22] VAPNIK V N.統(tǒng)計學習理論[M].許建華，張學工，譯.北京：電子工業(yè)出版社，2004.

[23] VAPNIK V N. An overview of statistical learning theory[J].IEEE Transaction on Neural Networks，1999，10（5）：988-999.endprint